DE102020211196A1

DE102020211196A1 - Verfahren und System zum Detektieren von Maschinendefekten

Info

Publication number: DE102020211196A1
Application number: DE102020211196.0A
Authority: DE
Inventors: Stig Erik Daniel Strömbergsson
Original assignee: SKF AB
Current assignee: SKF AB
Priority date: 2020-09-07
Filing date: 2020-09-07
Publication date: 2022-03-10
Also published as: CN114151289A; US11746752B2; US20220074391A1

Abstract

Das System (2) zum Detektieren zumindest eines Maschinendefekts, wobei das System umfasst:- ein Definitionsmittel (DM) zum Definieren, aus den kinematischen Maschinendaten, zumindest eines Zustandsindikators (CI), der den Zustand der Maschine (1) in Bezug auf einen zu überwachenden Defekt wiedergibt,- ein Aufzeichnungsmittel (RM) zum Aufzeichnen von Betriebszustandsdaten (OCD) der Maschine (1) und Zustandsüberwachungsdaten (CMD) der Maschine während einer vorbestimmten Dauer, während der die Maschine normal arbeitet, und zum Aufzeichnen von aktuellen Zustandsüberwachungsdaten (CCMD),- ein Bestimmungsmittel (DETM) zum Bestimmen von Zustandsindikatorwerten (CIV) unter Verwendung von Zustandsüberwachungsdaten (CMD) und zum Bestimmen von aktuellen Zustandsindikatorwerten (CCIV) aus dem zumindest einen Zustandsindikator und den aktuellen Zustandsüberwachungsdaten (CCMD),- einen maschinellen Lernalgorithmus (ALGO),- ein Vorhersagemittel (PM) zum Vorhersagen von Zustandsindikatorwerten (pCIV) in Bezug auf die aktuellen Betriebszustandsdaten (COCD) durch den maschinellen Lernalgorithmus (ALGO),- ein Trainingsmittel (TM) zum Trainieren des maschinellen Lernalgorithmus (ALGO), um eine Beziehung (REL) zwischen den Betriebszustandsdaten (OCD) und den Zustandsindikatorwerten (CIV) herzustellen, und- ein Vergleichsmittel (CM) zum Vergleichen der aktuellen Zustandsindikatorwerte (CCIV) und der vorhergesagten Zustandsindikatorwerte (pCIV) und zum Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Maschine (1) normal arbeitet oder nicht.

Description

Die vorliegende Erfindung bezieht sich auf Maschinendiagnostik und insbesondere auf die Detektion von Maschinendefekten.
Maschinendiagnostik wird verwendet, um eine Maschinenzustandsüberwachung zu implementieren. Eine Hauptaufgabe in der Maschinendiagnostik ist es, Defekte in Maschinen so früh wie möglich zu detektieren.
Im Allgemeinen werden Zustandsindikatoren überwacht, um Maschinedefekte zu detektieren, wobei die Zustandsindikatoren aus den kinematischen Maschinenparametern definiert sind.
In Anwendungen, in denen viele Betriebsparameter einen großen Einfluss auf das Maschinenverhalten haben, ist es schwierig zu bestimmen, ob eine Veränderung eines Zustandsindikators auf einen Maschinendefekt oder auf eine Veränderung der Betriebsbedingungen zurückzuführen ist.
Beispielsweise werden rotierende Maschinenkomponenten, wie beispielsweise das Hauptlager einer Windturbine, überwacht, um einen Defekt zu detektieren, wobei Alarmstufen auf den definierten Zustandsindikatorwert festgesetzt sind.
Wenn die Zustandsindikatorwerte die festgesetzte Alarmbedingung erfüllen, wird ein Alarm ausgelöst, der anzeigt, welche Komponente einen Defekt zeigt.
Im Idealfall reagiert der Zustandsindikator nur empfindlich auf das Vorhandensein eines Defekts der Maschinenkomponente, auf den der Zustandsindikator ausgerichtet ist.
Wenn die Windturbine jedoch in Betrieb ist, können die Zustandsindikatorwerte entsprechend den Windturbinenbetriebsbedingungen schwanken, beispielsweise der absolute Wert und die Abweichung der Drehgeschwindigkeit des Lagers, die Leistungsabgabe der Windturbine, die Windgeschwindigkeit und die Richtung des Windes, der die Schaufeln antreibt.
Um eine falsche Alarmauslösung zu vermeiden, werden die Alarmstufen hoch genug festgesetzt, um Abweichungen zu vermeiden, die durch das Betriebsbedingungsverhalten verursacht werden. Das Risiko besteht darin, dass Defekte möglicherweise nicht detektiert werden, was zur Zerstörung der Windturbine führt.
Es gibt einen Bedarf, die Schwankungen in den Zustandsindikatorwerten, die durch ein Betriebszustandsverhalten verursacht werden, bei der Detektion von Maschinendefekten zu berücksichtigen und zu vermeiden, dass falsche Alarme ausgelöst werden.
Gemäß einem Aspekt wird ein Verfahren für zumindest einen Maschinendefekt vorgeschlagen.
Das Verfahren umfasst:

a) Definieren, aus den kinematischen Maschinendaten, von zumindest einem Zustandsindikator, der den Zustand der Maschine angibt, in Bezug auf einen zu überwachenden Defekt,
b) Aufzeichnen von Betriebszustandsdaten der Maschine und von Zustandsüberwachungsdaten der Maschine während einer vorbestimmten Zeitdauer, während der die Maschine normal arbeitet, und Bestimmen von Zustandsindikatorwerten unter Verwendung der Zustandsüberwachungsdaten,
c) Trainieren eines maschinellen Lernalgorithmus, um eine Beziehung zwischen den Betriebszustandsdaten und den Zustandsindikatorwerten, die während der vorbestimmten Zeitdauer aufgezeichnet wurden, herzustellen,
d) Aufzeichnen von aktuellen Zustandsüberwachungsdaten und Bestimmen von aktuellen Zustandsindikatorwerten aus dem zumindest einen Zustandsindikator und den aktuellen Zustandsüberwachungsdaten,
e) Vorhersagen von Zustandsindikatorwerten in Bezug auf die aktuellen Betriebszustandsdaten durch den maschinellen Lernalgorithmus,
f) Vergleichen der aktuellen Zustandsindikatorwerte und der vorhergesagten Zustandsindikatorwerte, und
g) Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Maschine normal arbeitet oder nicht.

Die aktuellen Betriebsbedingungen der Maschine werden berücksichtigt, um eine Detektion von Defekten genauer zu machen.
Vorzugsweise umfasst das Vergleichen der aktuellen Zustandsindikatorwerte und der vorhergesagten Zustandsindikatorwerte ein Bestimmen der Differenz zwischen den aktuellen Zustandsindikatorwerten und den vorhergesagten Zustandsindikatorwerten, wobei, wenn die Differenz innerhalb festgesetzter Grenzen liegt, wird angenommen, dass die Maschine normal arbeitet.
Vorteilhafterweise werden die Schritte d), e), f) und g) so lange wiederholt, wie angenommen wird, dass die Maschine außerhalb der vorgegebenen Zeitdauer normal arbeitet.
Vorzugsweise umfasst das Vergleichen der aktuellen Zustandsindikatorwerte und der vorhergesagten Zustandsindikatorwerte ein Bestimmen der Differenz zwischen den aktuellen Zustandsindikatorwerten und den vorhergesagten Zustandsindikatorwerten, wobei, wenn die Differenz außerhalb festgesetzter Grenzen liegt, wird angenommen, dass die Maschine den überwachten Defekt hat.
Vorteilhafterweise umfasst der maschinelle Lernalgorithmus ein neuronales Netzwerk.
Vorzugsweise weist die Maschine eine Windturbine auf, die ein Lager aufweist, das die Schaufeln der Windturbine trägt, wobei Betriebszustandsdaten und aktuelle Betriebszustandsdaten die Drehgeschwindigkeit des Lagers, die Leistungsabgabe der Windturbine und/oder die Windgeschwindigkeit und die Windrichtung aufweisen.
In einem anderen Aspekt wird ein System zum Detektieren zumindest eines Maschinendefekts vorgeschlagen.
Das System umfasst:

- ein Definitionsmittel zum Definieren, aus den kinematischen Maschinendaten, zumindest eines Zustandsindikators, der den Zustand der Maschine in Bezug auf einen zu überwachenden Defekt wiedergibt,
- ein Aufzeichnungsmittel zum Aufzeichnen von Betriebszustandsdaten der Maschine und Zustandsüberwachungsdaten der Maschine während einer vorbestimmten Dauer, während der die Maschine normal arbeitet, und zum Aufzeichnen von aktuellen Zustandsüberwachungsdaten,
- ein Bestimmungsmittel zum Bestimmen von Zustandsindikatorwerten unter Verwendung von Zustandsüberwachungsdaten und zum Bestimmen von aktuellen Zustandsindikatorwerten aus dem zumindest einen Zustandsindikator und den aktuellen Zustandsüberwachungsdaten,
- einen maschinellen Lernalgorithmus,
- ein Vorhersagemittel zum Vorhersagen von Zustandsindikatorwerten in Bezug auf die aktuellen Betriebszustandsdaten durch den maschinellen Lernalgorithmus,
- ein Trainingsmittel zum Trainieren des maschinellen Lernalgorithmus, um eine Beziehung zwischen den Betriebszustandsdaten und den Zustandsindikatorwerten herzustellen, und
- ein Vergleichsmittel zum Vergleichen der aktuellen Zustandsindikatorwerte und der vorhergesagten Zustandsindikatorwerte und zum Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Maschine normal arbeitet oder nicht.

Wenn die Differenz zwischen den aktuellen Zustandsindikatorwerten und den vorhergesagten Zustandsindikatorwerten innerhalb festgesetzter Grenzen liegt, ist das Vergleichsmittel vorzugsweise dazu ausgebildet, ein erstes Signal zu erzeugen, das indikativ dafür ist, dass angenommen wird, dass die Maschine normal arbeitet.
Wenn die Differenz zwischen den aktuellen Zustandsindikatorwerten und den vorhergesagten Zustandsindikatorwerten außerhalb festgesetzter Grenzen liegt, ist das Vergleichsmittel vorteilhafterweise dazu ausgebildet, ein zweites Signal zu erzeugen, das indikativ dafür ist, dass angenommen wird, dass die Maschine den überwachten Defekt hat.
In einem weiteren Aspekt wird eine Windturbine vorgeschlagen, die mit einem System wie oben definiert verbunden ist.
Weitere Vorteile und Merkmale der Erfindung werden bei einer Überprüfung der detaillierten Beschreibung von Ausführungsformen, die in keiner Weise einschränkend sind, und der beigefügten Zeichnungen erscheinen, in denen:

1 schematisch eine Ausführungsform eines Systems zum Detektieren von Windturbinendefekten gemäß der Erfindung darstellt; und
2 eine Ausführungsform eines Verfahrens zum Detektieren von Windturbinendefekten gemäß der Erfindung darstellt.

Es wird Bezug auf 1 genommen, die ein Beispiel einer Windturbine 1 darstellt, die mit einem Beispiel einer Ausführungsform eines Systems 2 zum Detektieren zumindest eines Windturbinendefekts verbunden ist.
Alternativ kann das System 2 auch in der Windturbine 1 eingebaut sein.
Die Windturbine 1 umfasst ein Lager 3, das die Hauptwelle 4 der Windturbine 1 trägt, einen Betriebszustandssensor 5 und einen Zustandsüberwachungssensor 6.
Die Hauptwelle 4 trägt Schaufeln 7.
Der Sensor 5 erzeugt Betriebszustandsdaten OCD der Windturbine 1, zum Beispiel den absoluten Wert und die Abweichung der Drehgeschwindigkeit des Lagers 3, die Leistungsabgabe der Windturbine 1, die Windgeschwindigkeit und die Richtung des Windes, der die Schaufeln 7 antreibt.
Der Sensor 5 umfasst zum Beispiel Geschwindigkeitssensoren, Leistungssensoren und/oder Windsensoren.
Der Sensor 6 erzeugt Zustandsüberwachungsdaten CMD der Windturbine 1.
Der Sensor 6 weist zum Beispiel einen Beschleunigungsmesser auf, der Schwingungsdaten von dem Lager 3 erzeugt.
Das System 2 umfasst:

- ein Definitionsmittel DM zum Definieren, aus den kinematischen Daten der Windturbine 1, eines Zustandsindikators CI, der den Zustand der Windturbine 1 in Bezug auf einen zu überwachenden Defekt wiedergibt,
- ein Aufzeichnungsmittel RM zum Aufzeichnen von Betriebszustandsdaten OCD der Windturbine 1 und Zustandsüberwachungsdaten CMD der Windturbine 1 während einer vorbestimmten Dauer, während der die Windturbine 1 normal arbeitet, und zum Aufzeichnen von aktuellen Zustandsüberwachungsdaten CMD,
- ein Bestimmungsmittel DETM zum Bestimmen von Zustandsindikatorwerten CIV unter Verwendung von Zustandsüberwachungsdaten CMD, und zum Bestimmen von aktuellen Zustandsindikatorwerten CCIV aus dem Zustandsindikator CI und den aktuellen Zustandsüberwachungsdaten CCMD,
- einen maschinellen Lernalgorithmus ALGO,
- ein Vorhersagemittel PM zum Vorhersagen von Zustandsindikatorwerten pCIV in Bezug auf die aktuellen Betriebszustandsdaten COCD durch den maschinellen Lernalgorithmus ALGO,
- ein Trainingsmittel TM zum Trainieren des maschinellen Lernalgorithmus ALGO, um eine Beziehung REL zwischen den Betriebszustandsdaten OCD und den Zustandsindikatorwerten CIV herzustellen, und
- ein Vergleichsmittel CM zum Vergleichen der aktuellen Zustandsindikatorwerte CCIV und der vorhergesagten Zustandsindikatorwerte pCIV, und zum Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Windturbine 1 normal arbeitet oder nicht.

Im Folgenden wird das Lager 3 überwacht, um einen Defekt des Lagers zu detektieren.
Der Zustandsindikator CI umfasst beispielsweise die Zahneingriffsfrequenz des Zahnrads 3, die gleich der Hauptwellengeschwindigkeit mal der Anzahl von Zähnen des Lagers 3 ist, wobei die Anzahl der Zähne des Lagers 3 kinematische Windturbinendaten sind.
Der maschinelle Lernalgorithmus ALGO kann zum Beispiel ein neuronales Netz aufweisen.
Die aktuellen Betriebszustandsdaten COCD der Windturbine 1 werden durch die Sensoren 5 erzeugt, wenn die Windturbine 1 außerhalb der vorbestimmten Dauer arbeitet, und die aktuellen Zustandsüberwachungsdaten CCMD werden durch die Sensoren 5 erzeugt, wenn die Windturbine 1 außerhalb der vorbestimmten Dauer arbeitet.
Das Vergleichsmittel CM erzeugt ein erstes Signal S1, das indikativ dafür ist, dass angenommen wird, dass das Lager 3 normal arbeitet, wenn die aktuellen Zustandsindikatorwerte CCI und die vorhergesagten Zustandsindikatorwerte pCI innerhalb festgesetzter Grenzen liegen.
Wenn die aktuellen Zustandsindikatorwerte CCI und die vorhergesagten Zustandsindikatorwerte pCI außerhalb festgesetzter Grenzen liegen, erzeugt das Vergleichsmittel CM ein zweites Signal S2, wobei das zweite Signal S2 indikativ dafür ist, dass angenommen wird, dass das Lager 3 den überwachten Defekt hat.
Die durch das Vergleichsmittel CM erzeugten Signale S1, S2 können durch eine Verarbeitungseinheit (nicht dargestellt) verarbeitet werden, die beispielsweise die Windturbine 1 stoppen kann, wenn das Lager 3 defekt ist, oder einen Alarm auslösen kann.
Das Vergleichsmittel CM bestimmt Abweichungswerte DEV.
Für jeden aktuellen Zustandsindikatorwert CCIV und den zugehörigen vorhergesagten Zustandsindikatorwert pCIV ist der entsprechende Abweichungswert DEV gleich: $DEV = CCIV - pCIV$
Wenn der überwachte Defekt auftritt, ist die Entwicklung der Zustandsindikatorwerte CCIV steigend, die Entwicklung der vorhergesagten Zustandsindikatorwerte pCIV bleibt stabil. Die Entwicklung der Abweichungswerte DEV steigt an.
Um zu bestimmen, ob der überwachte Defekt auftritt, wird eine Entwicklungsverfahrensanalyse der Abweichungswerte DEV durchgeführt.
Ein Beispiel, um zu bestimmen, ob der überwachte Defekt auftritt, wird gezeigt.
Wenn die Windturbine 1 außerhalb der vorbestimmten Dauer arbeitet, wird während einer Lerndauer ein Satz von Abweichungswerten DEV aufgezeichnet.
Festgesetzte Grenzen, die eine untere Grenze LL und eine obere Grenze UL aufweisen, werden bestimmt.
Der Mittelwert µ und die Standardabweichung σ des Satzes von Abweichungswerten DEV werden bestimmt.
Die obere Grenze UL ist gleich: $UL = μ+ X . σ$
und die untere Grenze LL ist gleich: $LL = μ− X . σ$
wobei X ein Detektionsfaktor ist.
X ist beispielsweise zwischen 1 und 4 enthalten und wird entsprechend der Detektionsempfindlichkeit des zu überwachenden Defekts bestimmt.
Wenn beispielsweise die Windturbine 1 arbeitet, die vorbestimmte Dauer und die Lerndauer vorbei sind, wenn M aus N Werten der Abweichungswerte DEV außerhalb der festgesetzten Grenzen liegen, erzeugt das Vergleichsmittel CM das zweite Signal S2.
Andernfalls erzeugt das Vergleichsmittel CM das erste Signal S1.
M und N sind zum Beispiel gleich 4 bzw. 3.
2 stellt eine Ausführungsform eines Verfahrens zum Detektieren eines Defekts des Lagers 3 dar.
Es wird angenommen, dass die untere Grenze LL und die obere Grenze UL bestimmt sind.
In Schritt 10 definiert das Definitionsmittel DM den Zustandsindikator CI.
In Schritt 11 zeichnet das Aufzeichnungsmittel RM die Betriebszustandsdaten OCD der Windturbine 1 und Zustandsüberwachungsdaten CMD der Windturbine 1 während der vorbestimmten Zeitdauer auf, in der die Windturbine 1 normal arbeitet, und das Bestimmungsmittel DETM bestimmt den Zustandsindikatorwert CVI unter Verwendung der Zustandsüberwachungsdaten CMD.
In Schritt 12 trainiert das Trainingsmittel TM den maschinellen Lernalgorithmus ALGO, um die Beziehung REL zwischen den Betriebszustandsdaten OCD und den Zustandsindikatorwerten CIV herzustellen, die während der vorbestimmten Zeitdauer aufgezeichnet wurden.
In Schritt 13 zeichnet das Aufzeichnungsmittel RM aktuelle Zustandsüberwachungsdaten CCMD auf und das Bestimmungsmittel DETM bestimmt die aktuellen Zustandsindikatorwerte CCI aus dem Zustandsindikator CI und den aktuellen Zustandsüberwachungsdaten CCMD.
In Schritt 14 sagt das Vorhersagemittel PM Zustandsindikatorwerte pCI in Bezug auf die aktuellen Betriebszustandsdaten COCD durch den maschinellen Lernalgorithmus ALGO vorher.
In Schritt 15 bestimmt das Vergleichsmittel die Abweichungswerte DEV.
Wenn die Abweichungswerte innerhalb der festgesetzten Grenzen LL, UL liegen (Schritt 16), erzeugt das Vergleichsmittel CM in Schritt 17 das erste Signal S1.
In einer anderen Ausführungsform erzeugt das Vergleichsmittel CM in Schritt 17 das erste Signal S1, wenn M aus N Werten der Abweichungswerte DEV innerhalb der festgesetzten Grenzen liegen (Schritt 16).
Wenn die Windturbine 1 immer noch außerhalb der vorbestimmten Zeitdauer arbeitet (Schritt 18), dann werden die Schritte 13, 14, 15 und 16 so lange wiederholt, wie angenommen wird, dass die Maschine außerhalb der vorbestimmten Zeitdauer normal arbeitet.
Zum Beispiel werden die Schritte 13, 14, 15 und 16 jeden Tag, alle 10 Minuten, wiederholt.
Die Dauer der Wiederholung der Schritte wird in Abhängigkeit von der Empfindlichkeit der Defektdetektion bestimmt.
Wenn die Abweichungswerte außerhalb der festgesetzten Grenzen LL, UL liegen (Schritt 16), erzeugt das Vergleichsmittel CM in Schritt 19 das zweite Signal S2.
In einer anderen Ausführungsform erzeugt das Vergleichsmittel CM in Schritt 19 das zweite Signal S2, wenn M aus N Werten der Abweichungswerte DEV außerhalb der festgesetzten Grenzen liegen (Schritt 16).
Die aktuellen Zustandsindikatorwerte, wenn die Windturbine 1 normal arbeitet, werden durch den maschinellen Lernalgorithmus ALGO vorhergesagt (vorhergesagte Zustandsindikatorwerte pCI), der während der Lerndauer trainiert wurde, und mit den aktuellen Zustandsindikatorwerten basierend auf den aktuellen Betriebszustandsdaten COCD verglichen.
Abweichungen zwischen den vorhergesagten Zustandsindikatorwerten und den aktuellen Zustandsindikatorwerten werden mit festgesetzten Grenzen verglichen, um zu bestimmen, ob die Abweichungen für den überwachten Defekt repräsentativ sind.
Die aktuellen Betriebszustandsdaten werden berücksichtigt, um die Detektion von Defekten genauer zu machen.
In dem dargestellten Beispiel wird ein Zustandsindikator CI analysiert, der den Zustand des Lagers 3 in Bezug auf einen zu überwachenden Defekt der Windturbine 1 wiedergibt.
Um mehr Defekte zu detektieren, können weitere Zustandsindikatoren definiert werden.
In einer anderen Ausführungsform kann das System 2 einen Defekt eines anderen Teils der Windturbine 1 detektieren, beispielsweise den absoluten Wert und die Abweichung der Drehgeschwindigkeit des Lagers 3, die Leistungsabgabe der Windturbine 1, die Windgeschwindigkeit und die Richtung des Windes, der die Schaufeln 4 antreibt.
In einer anderen Ausführungsform kann das System 2 zumindest einen Defekt einer anderen Maschine als einer Windturbine detektieren, zum Beispiel einer rotierenden Maschine oder einer Hubkolbenmaschine, wie beispielsweise einem Kolbenmotor.

Claims

Verfahren zum Detektieren zumindest eines Maschinendefekts, wobei das Verfahren umfasst: a) Definieren, aus den kinematischen Maschinendaten, von zumindest einem Zustandsindikator (CI), der den Zustand der Maschine (1) angibt, in Bezug auf einen zu überwachenden Defekt, b) Aufzeichnen von Betriebszustandsdaten (OCD) der Maschine (1) und von Zustandsüberwachungsdaten (CMD) der Maschine während einer vorbestimmten Zeitdauer (t1), während der die Maschine (1) normal arbeitet, und Bestimmen von Zustandsindikatorwerten (CIV) unter Verwendung der Zustandsüberwachungsdaten (CMD), c) Trainieren eines maschinellen Lernalgorithmus (ALGO), um eine Beziehung (REL) zwischen den Betriebszustandsdaten (OCD) und den Zustandsindikatorwerten (CIV), die während der vorbestimmten Zeitdauer (t1) aufgezeichnet wurden, herzustellen, d) Aufzeichnen von aktuellen Zustandsüberwachungsdaten (CCMD) und Bestimmen von aktuellen Zustandsindikatorwerten (CCIV) aus dem zumindest einen Zustandsindikator (CI) und den aktuellen Zustandsüberwachungsdaten (CCMD), e) Vorhersagen von Zustandsindikatorwerten (pCI) in Bezug auf die aktuellen Betriebszustandsdaten (COCD) durch den maschinellen Lernalgorithmus (ALGO), f) Vergleichen der aktuellen Zustandsindikatorwerte (CCIV) und der vorhergesagten Zustandsindikatorwerte (pCIV), und g) Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Maschine (1) normal arbeitet oder nicht.
Verfahren gemäß Anspruch 1, bei dem das Vergleichen der aktuellen Zustandsindikatorwerte (CCIV) und der vorhergesagten Zustandsindikatorwerte (pCIV) ein Bestimmen der Differenz zwischen den aktuellen Zustandsindikatorwerten (CCIV) und den vorhergesagten Zustandsindikatorwerten (pCIV) aufweist, wobei, wenn die Differenz innerhalb festgesetzter Grenzen liegt, angenommen wird, dass die Maschine (1) normal arbeitet.
Verfahren gemäß Anspruch 1 oder 2, wobei die Schritte d), e), f) und g) so lange wiederholt werden, wie angenommen wird, dass die Maschine (1) außerhalb der vorgegebenen Zeitdauer normal arbeitet.
Verfahren gemäß einem der Ansprüche 1 bis 3, bei dem das Vergleichen der aktuellen Zustandsindikatorwerte (CCIV) und der vorhergesagten Zustandsindikatorwerte (pCIV) ein Bestimmen der Differenz zwischen den aktuellen Zustandsindikatorwerten (CCIV) und den vorhergesagten Zustandsindikatorwerten (pCIV) aufweist, wobei, wenn die Differenz außerhalb festgesetzter Grenzen liegt, angenommen wird, dass die Maschine (1) den überwachten Defekt hat.
Verfahren gemäß einem der Ansprüche 1 bis 4, bei dem der maschinelle Lernalgorithmus (ALGO) ein neuronales Netzwerk aufweist.
Verfahren gemäß einem der Ansprüche 1 bis 5, bei dem die Maschine eine Windturbine (1) aufweist, die ein Lager (3) aufweist, das die Schaufeln (4) der Windturbine trägt, wobei Betriebszustandsdaten und aktuelle Betriebszustandsdaten die Drehgeschwindigkeit des Lagers, die Leistungsabgabe der Windturbine und/oder die Windgeschwindigkeit und die Windrichtung aufweisen.
System (2) zum Detektieren zumindest eines Maschinendefekts, wobei das System umfasst: - ein Definitionsmittel (DM) zum Definieren, aus den kinematischen Maschinendaten, zumindest eines Zustandsindikators (CI), der den Zustand der Maschine (1) in Bezug auf einen zu überwachenden Defekt wiedergibt, - ein Aufzeichnungsmittel (RM) zum Aufzeichnen von Betriebszustandsdaten (OCD) der Maschine (1) und Zustandsüberwachungsdaten (CMD) der Maschine während einer vorbestimmten Dauer, während der die Maschine normal arbeitet, und zum Aufzeichnen von aktuellen Zustandsüberwachungsdaten (CCMD), - ein Bestimmungsmittel (DETM) zum Bestimmen von Zustandsindikatorwerten (CIV) unter Verwendung von Zustandsüberwachungsdaten (CMD) und zum Bestimmen von aktuellen Zustandsindikatorwerten (CCIV) aus dem zumindest einen Zustandsindikator und den aktuellen Zustandsüberwachungsdaten (CCMD), - einen maschinellen Lernalgorithmus (ALGO), - ein Vorhersagemittel (PM) zum Vorhersagen von Zustandsindikatorwerten (pCIV) in Bezug auf die aktuellen Betriebszustandsdaten (COCD) durch den maschinellen Lernalgorithmus (ALGO), - ein Trainingsmittel (TM) zum Trainieren des maschinellen Lernalgorithmus (ALGO), um eine Beziehung (REL) zwischen den Betriebszustandsdaten (OCD) und den Zustandsindikatorwerten (CIV) herzustellen, und - ein Vergleichsmittel (CM) zum Vergleichen der aktuellen Zustandsindikatorwerte (CCIV) und der vorhergesagten Zustandsindikatorwerte (pCIV) und zum Bestimmen gemäß dem Ergebnis des Vergleichs, ob angenommen wird, dass die Maschine (1) normal arbeitet oder nicht.
System gemäß Anspruch 7, bei dem, wenn die Differenz zwischen den aktuellen Zustandsindikatorwerten (CCIV) und den vorhergesagten Zustandsindikatorwerten (pCIV) innerhalb festgesetzter Grenzen liegt, das Vergleichsmittel (CM) dazu ausgebildet ist, ein erstes Signal (S1) zu erzeugen, das indikativ dafür ist, dass angenommen wird, dass die Maschine normal arbeitet.
System gemäß Anspruch 7 oder 8, bei dem, wenn die Differenz zwischen den aktuellen Zustandsindikatorwerten (CCIV) und den vorhergesagten Zustandsindikatorwerten (pCIV) außerhalb festgesetzter Grenzen liegt, das Vergleichsmittel (CM) dazu ausgebildet ist, ein zweites Signal (S2) zu erzeugen, das indikativ dafür ist, dass angenommen wird, dass die Maschine den überwachten Defekt hat.
Windturbine (1), die mit einem System (2) gemäß einem der Ansprüche 7 bis 9 verbunden ist.