-
Die vorliegende Erfindung liegt auf dem Gebiet der Zustandsüberwachung und Fehlererkennung von technischen Systemen, insbesondere von elektrischen Antriebssystemen. Die Erfindung betrifft insbesondere ein Verfahren und System zur kontinuierlichen Zustandsüberwachung und zur Erkennung von Anomalien in einem elektrischen Antriebssystem anhand von geschätzten Reibungs- und/oder Masseparametern.
-
Erhöhte Reibung in einem elektrischen System können auf Fehlerzustände (sog. Anomalien) hindeuten. Diese Anomalien betreffen beispielsweise Verschleiß. Werden diese Anomalien nicht rechtzeitig behoben, können sie zu weiteren Schäden, beispielsweise Lager- oder Getriebeschäden, führen. Deshalb empfiehlt es sich, Erhöhungen der Reibungsparameter frühzeitig festzustellen, um einen Benutzer des elektrischen Antriebssystems warnen zu können und damit eine prädiktive Wartung zu ermöglichen.
-
Im Stand der Technik sind Beobachtungs- oder Überwachungseinheiten für Motorsteuereinrichtungen bekannt. So zeigt die
DE 11 2019 007 222 T5 eine solche Überwachungseinrichtung am Beispiel einer Motorsteuerung hinsichtlich seines Drehmomentes mittels eines maschinellen Lernverfahrens.
-
Davon ausgehend liegt der vorliegenden Anmeldung die Aufgabe zugrunde, einen Ansatz zu schaffen, der dem Benutzer eines elektrischen Antriebssystems zur Diagnose von Anomalien zur Verfügung steht.
-
Diese Aufgabe wird durch die beiliegenden Patentansprüche, insbesondere durch ein computer-implementiertes Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern, ein Überwachungsmodul und durch ein Computerprogramm zum Ausführen des Verfahrens gelöst.
-
Gemäß einem ersten Aspekt wird die Aufgabe gelöst durch ein computer-implementiertes Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem. Das computer-implementierte Verfahren umfasst die folgenden Verfahrensschritte:
- - Erfassen von Sensordaten (insbesondere Motorstrom und Geschwindigkeit oder Motorstrom und die Position) auf einer Komponente des Antriebssystems;
- - Auswerten, ob die erfassten Sensordaten zumindest eine vorkonfigurierbare erste Bedingung (es können natürlich auch mehrere logisch verknüpfte Bedingungen sein) zur Anwendung einer Masseschätzmethode erfüllen. Falls die erste Bedingung erfüllt ist, werden folgende Schritte ausgeführt:
- o Anwenden einer Masseschätzmethode, die in einem ersten Speicher gespeichert ist und zum Schätzen von einem Masseparameter dient;
- o Anwenden eines Reibungsmodells, das in einem zweiten Speicher gespeichert ist, zum Schätzen von Reibungsparametern unter Verwendung des geschätzten Masseparameters;
- - Ausgeben der geschätzten Reibungsparameter und/oder des geschätzten Masseparameters.
-
Das Verfahren ist computer-implementiert und kann auf einer Steuerung ausgeführt werden. Idealerweise wird das Verfahren möglichst nahe an der Erfassung der Sensordaten ausgeführt. Das Verfahren kann in einem Motorcontroller und/oder auf einer übergeordneten speicherprogrammierbaren Steuerung (SPS) ausgeführt werden. Auch ein Ausführen des Verfahrens direkt in einem Feldbusknoten und/oder einem Edge Device des elektrischen Antriebssystems ist denkbar. Das Verfahren kann in einem persistenten Speicher verfügbar gemacht werden, sodass es auch nach einem Stromausfall oder einer sonstigen Unterbrechung ausgeführt werden kann Alternativ oder ergänzend kann das Verfahren auf einem Server in der Cloud ausgeführt werden.
-
Das Verfahren kann als Algorithmus implementiert sein, der für jeweils ein Antriebssystem bzw. einen Antriebsstrang verwendet wird, um Schäden prädiktiv zu vermeiden, die durch erhöhte Reibung zumindest einer der Komponenten des Antriebssystems verursacht werden, wie z.B. Motorschäden, Lagerschäden oder Getriebeschäden.
-
Der Verfahrensschritt „Auswerten, ob die erfassten Sensordaten zumindest vorkonfigurierbare erste Bedingungen zur Anwendung einer Masseschätzmethode erfüllen“ soll kennzeichnen, dass zumindest die ersten Bedingungen zur Anwendung der Masseschätzmethode überprüft werden. Kumulativ können in einer bevorzugten Ausführungsform der Erfindung auch noch eine zweite Bedingung überprüft werden. Die zweite Bedingung bezieht sich auf die Anwendbarkeit des Reibungsmodells. Die zweite Bedingung kann ebenfalls vorkonfiguriert sein. Obwohl der Begriff erste/zweite „Bedingungen“ hier im Plural steht, liegt es auf der Hand, dass auch nur eine Bedingung definiert werden kann, die überprüft wird oder dass eine Bedingung aus mehreren Sub-Bedingungen besteht, die durch logische Operatoren verknüpft sind.
-
Wird z.B. festgestellt, dass nur die erste, aber nicht die zweite vorkonfigurierbare Bedingung erfüllt ist, so kann die Masseparameterschätzung ausgeführt werden. Der Masseparameter ist nur in einigen Fällen für die Zustandsüberwachung aussagekräftig und kann in diesem Fall für andere Zwecke (z.B. Reglerparametrierung) genutzt werden.
-
In einem elektrischen Antriebssystem können mehrere Antriebe bzw. Antriebsstränge vorgesehen sein. Die Antriebe können beispielsweise in einem kartesischen Handling-System verkoppelt sein. Das Verfahren kann in einem solchen Antriebssystem auf verschiedenen Ebenen und/oder Instanzen ausgeführt werden. Beispielsweise kann das Verfahren für jeden Antrieb und/oder eine Subgruppe der Antriebe und/oder für alle Antriebe insgesamt ausgeführt werden. Es ist auch möglich, das Verfahren für jeden Antrieb einzeln auszuführen und die geschätzten Reibungsparameter und/oder des geschätzten Masseparameters mit einer geeigneten Metrik für eine Subgruppe oder alle der Antriebe zu aggregieren.
-
Das Verfahren kann ebenfalls für einen gesamten Antrieb bzw. Antriebsstrang bzw. für einzelne Komponenten des Antriebs bzw. Antriebsstrangs ausgeführt werden. Das Verfahren kann auch für eine oder mehrere Komponenten aller Antriebe in einem Antriebssystem ausgeführt werden, um deren Funktionsfähigkeit in aggregierter Form zu überprüfen.
-
Für das Erfassen der Sensordaten kann der Strom des Antriebs, insbesondere der Motorstrom, und die Geschwindigkeit des Antriebs gemessen werden. Alternativ oder ergänzend können der Strom, insbesondere der Motorstrom, und die Position des Antriebs gemessen werden. Ebenfalls ist die Erfassung eines Zeitstempels für die gemessenen Sensordaten möglich. Die Sensordaten können direkt an den jeweiligen Komponenten, beispielsweise Motor oder Schlitten, des Antriebs gemessen werden. Die Sensordaten können in einem (nicht-persistenten) Speicher des Motor-Controllers und/oder der Steuerung abgelegt werden.
-
Das Erfassen der Sensordaten kann weiterhin vorsehen, dass ein Teil oder alle der gemessenen rotatorischen Bewegungen des Antriebs in translatorische Bewegungen überführt werden. Das Erfassen der Sensordaten kann auch vorsehen, dass ein Teil oder alle der gemessenen translatorische Bewegungen in rotatorische Bewegungen überführt werden. Mit anderen Worten können aus dem erfassten Sensordaten weitere Sensordaten abgeleitet werden oder die erfassten Sensordaten können in andere Sensordaten umgerechnet werden. Aus den gemessenen Werten kann eine Geschwindigkeit, ein Drehmoment, eine Beschleunigung und/oder weitere Größen des Antriebs berechnet werden.
-
Es ist weiterhin denkbar, dass das Erfassen vorsieht, dass Sensordaten von mehreren Antrieben in einem Antriebssystem aggregiert und gelabelt werden, um eine aggregierte Auswertung für einzelne Komponenten des Antriebssystems (z.B. alle Zahnriemenachsen) zu ermöglichen.
-
Die Sensordaten können im Motor-Controller verfügbar gemacht werden und/oder können an eine übergelagerte Steuerung übergeben werden. Die Sensordaten können während eines Zyklus oder mehreren Zyklen erfasst werden, wobei „Zyklus“ in diesem Zusammenhang die Bewegung einer Komponente des elektrischen Antriebsystems an ihren Ausgangspunkt zurück beschreibt.
-
Als „Komponente“ ist ein Bauteil oder ein Modul des elektrischen Antriebssystems zu verstehen. Eine Komponente kann ein Motor, vorzugsweise mit einem Encoder, eine Achse, ein Motor-Controller und/oder eine überlagerte Steuerung sein. Die überlagerte Steuerung kann beispielsweise für Bahnplanungsaufgaben dienen. Das Antriebssystem kann einen Motor-Controller, einen Motor, einen mechanischen Anbausatz mit oder ohne Kupplung und einen Aktuator, wie beispielsweise eine mechanische Zahnriemenachse mit Schlitten, umfassen. Der Aktuator im Antriebssystem kann auch eine Spindelachse sein, die beispielsweise mit einem Parallelbausatz montiert ist.
-
Die ersten Bedingungen können in einem Speicher gespeichert sein. So kann beispielsweise als erste Bedingung definiert sein, dass die maximale Beschleunigung des elektrischen Antriebsystems über einem vorkonfigurierbaren Schwellwert liegen muss, da sonst die Auswirkung der Trägheit durch die Masse auf die Bewegung zu gering für eine zuverlässige Schätzung ist. Eine weitere vorkonfigurierbare erste Bedingung kann darin bestehen, dass die Anfangs- und Endgeschwindigkeit des elektrischen Systems bzw. der Komponenten des elektrischen Systems bei der Erfassung der Sensordaten immer gleich sein müssen. Das wird beispielsweise dann erfüllt, wenn die Erfassung der Sensordaten immer in der Ruheposition des elektrischen Systems gestartet und beendet wird.
-
Sind die ersten Bedingungen nicht erfüllt, kann das computer-implementierte Verfahren abbrechen. Alternativ kann das computer-implementierte Verfahren während weiterer Zyklen Sensordaten erfassen und die Bedingungen erneut auswerten. Es ist auch denkbar, dass das computer-implementierte Verfahren nach einer gewissen Anzahl von erfolglosen Auswertungen der Zyklen dahingehend, ob die erfassten Sensordaten die vorkonfigurierbare erste Bedingung erfüllen, abbricht.
-
Das Anwenden der Masseschätzmethode und des Reibungsmodells muss nicht notwendigerweise in zwei separaten Verfahrensschritten ausgeführt werden. Grundsätzlich gibt es auch die Möglichkeit, die beiden Schritte in einem Schritt bzw. parallel auszuführen und alle Parameter in einem Schritt zu bestimmen. Das hat allerdings den Nachteil, dass es dann mehr Freiheitsgrade gleichzeitig gibt, weshalb die sequentielle Vorgehensweise bevorzugt wird.
-
Die geschätzten Masse- und Reibungsparameter können der Zustandsüberwachung des elektrischen Antriebssystems dienen, denn ein erhöhter geschätzter Reibungsparameter ist symptomatisch für Anomalien innerhalb des Systems. So kann ein Benutzter, der die Ausgabe des geschätzten Reibungsparameters verfolgt, bei einer Erhöhung des Reibungsparameters frühzeitig Maßnahmen ergreifen, den Normalzustand des Systems, d.h. einen fehlerfreien Zustand, wiederherzustellen.
-
Die Ausgabe kann in einer für den Benutzer wahrnehmbaren Form erfolgen, beispielsweise durch eine graphische Anzeige, die numerische Werte oder ein Diagramm mit einem zeitlichen Verlauf der Parameter anzeigt. Die Ausgabe kann auch in Form eines elektronischen Datenpakets zur weiteren Bearbeitung erfolgen.
-
Der Begriff „Reibungskennlinie“ kann im vorliegenden Fall als Diagramm verstanden werden, das die Reibungskraft als Funktion der Geschwindigkeit des Schlittens, darstellt. Es handelt sich dabei um eine Vielzahl von n-Tupeln von Daten, zweidimensionale oder höherdimensionale Datenfelder oder Datenarrays. Es wird in einem Datenarray für jeden Messzeitpunkt und/oder Stützpunkt die Geschwindigkeit und die geschätzte Reibungskraft hinterlegt.
-
In einer vorzugsweisen Ausführungsform der Erfindung ist das Reibungsmodell in dem zweiten Speicher konfigurierbar und ist ausgewählt aus der Gruppe bestehend aus: einem Coulomb-Modell, einem Euler-Modell, einem Reynolds-Modell und/oder einem Stribeck-Modell. Das Reibungsmodell kann lineare und/oder nichtlineare Reibungseffekte in einem elektrischen Antriebssystem modellieren.
-
Auf eine ausführliche Beschreibung der an sich bekannten Reibungsmodelle wird hier verzichtet. Für deren Anwendung im vorliegenden Fall sei darauf hingewiesen, dass sich das Coulomb-Modell bei einer konstanten Gleitreibung eignet, die im Betrag gleich der Haftreibung ist. Bei einer konstanten Gleitreibung mit einem von der Haftreibung abweichenden Betrag eignet sich das Euler-Modell. Weiterhin wird im Reynolds-Modell die Gleitreibung linear viskos beschrieben, solange der Exponent δ'' der folgenden Gleichung eins beträgt: F = Fv|v|δv sign(v). Mathematisch gesehen, ergibt das Reynolds-Modell mit jedem Exponenten größer Null einen stetigen Verlauf. Ist der Exponent δ'' kleiner eins, wird der Übergang von Haft- zu Gleitreibung „abgerundet“. Das bedeutet, bildlich gesprochen, dass ein kontinuierlicher Übergang von der Haftreibung in den linearen Gleitreibungsbereich modelliert wird. Bei Polynomen höherer Ordnung ergeben sich weitere Parameter der Gleitreibung. Anzumerken ist weiterhin, dass sich das Stribeck-Modell bei einer erhöhten Reibungskraft bei niedrigen Geschwindigkeiten eignet.
-
Grundsätzlich könnte das Reibungsmodell auch durch eine andere mathematische Funktion (z.B. ein Polynom) zur Simulation eines Reibungsverhaltens des Antriebssystems beschrieben werden. Alternativ oder kumulativ kann zumindest eines der vorstehend genannten Modelle auch z.B. mit einem Faktor, Term und/oder Offset modifiziert werden.
-
Weiterhin kann die Auswahl des Reibungsmodells aus der oben genannten Gruppe vorsehen, dass das Reibungsmodell ausgewählt wird, das am besten für die Modellierung der Reibungseffekte des jeweiligen Anwendungsfalls passt. Für die Auswahl des Reibungsmodells können beispielsweise die erfassten Sensordaten Hinweise darauf geben, welches Reibungsmodell sich am besten für die Schätzung der Reibungsparameter und optional Masseparameter eignet. Beispielsweise kann aus den Sensordaten eine Reibungskennlinie errechnet werden, um deren Verlauf mit verschiedenen statistischen Modellen zu vergleichen und zu entscheiden, welches Modell am besten passt. Die Entscheidung kann rein visuell und/oder aufgrund von parametrisierten Reibungskennlinien erfolgen. Es kann anschließend das Modell mit der geringsten Abweichung zwischen gemessener und parametrierter Kennlinie ausgewählt werden. Alternativ oder ergänzend, kann sich auch mehr als ein Reibungsmodell als geeignet erweisen und ausgewählt werden.
-
Das zumindest eine ausgewählte Reibungsmodell kann parametriert werden. Dies kann automatisch oder teilautomatisch oder manuell geschehen. in einer bevorzugten Ausführungsform der Erfindung gibt es zur Ausführungszeit des Verfahrens eine Benutzerinteraktionsmöglichkeit (sozusagen „online“), die es einem Benutzer erlaubt, das Modell zu konfigurieren und zu entscheiden, ob z.B. ein Stribeckanteil (überhöhte Reibkraft bei niedrigen Geschwindigkeiten) in das jeweilige Modell aufgenommen werden soll.
-
Das Verfahren kann auf die vorhandenen Hardware-Ressourcen des Antriebssystems und deren Limitierung Rücksicht nehmen. Beispielsweise kann der Algorithmus so gestaltet sein, dass er in ein „embedded System“ mit beschränkten Ressourcen implementiert werden kann. Insbesondere ist der Algorithmus so ausgebildet, dass das Verfahren die Speicherkapazität des persistenten Speichers nicht überschreitet. Ebenfalls wird sichergestellt, dass die erfassten Sensordaten die Speicherkapazität des nicht-persistenten Speichers nicht überschreiten. Bei einem möglichen Trade-Off zwischen Speicherkapazität und Ausführungszeit des Verfahrens, sind die Anforderungen an die Ausführungszeit des Verfahrens weniger streng, da die Ergebnisse des Verfahrens nicht in Echtzeit benötigt werden, da sich das Verfahren mit einem Verzug ebenso zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem eignet.
-
In einer vorzugsweisen Ausführungsform der Erfindung basiert die Masseschätzmethode zum Schätzen der Masse auf einer Integralmethode und/oder einer Hystereseflächenminimierungsmethode.
-
Für die Integralmethode wird die Antriebskraft und die Beschleunigung des elektrischen Antriebssystems für jeden Messzeitpunkt benötigt. Die Integralmethode beruht auf dem zweiten Newton'schen Gesetz, wobei der Reibungskraftanteil, der sich nicht direkt messen lässt, durch Umformen eliminiert wird. Für das Eliminieren des Reibungskraftanteils muss die erste Bedingung von übereinstimmenden Geschwindigkeiten an den Integrationsgrenzen gegeben sein. Deswegen kann die Anfangs- und Endgeschwindigkeit des elektrischen Antriebssystems zweckmäßig gewählt werden, die in beiden Fällen die der Ruhephase des Systems entspricht. Ist die Achse des elektrischen Antriebssystems nicht vollständig horizontal montiert, muss dies ebenfalls mit einem Gewichtskraftanteil in der Gleichung berücksichtigt werden.
-
Falls bei einer Reibkennlinie ein Hystereseeffekt erkennbar ist, der jedoch physikalisch nicht plausibel ist, dann deutet die Hysterese auf eine schlechte Schätzung der Masse bzw. des Trägheitsmoments hin. Deshalb kann die Masse durch Minimierung dieser Hysteresefläche im Reibkennliniendiagramm bestimmt werden. Für die Hystereseflächenminimierungsmethode wird zusätzlich zur Antriebskraft die Geschwindigkeit des elektrischen Antriebssystems benötigt
-
Für die Hystereseflächenminimierungsmethode muss das elektrische Antriebssystem ein gewisses Geschwindigkeitsniveau erreicht haben. Für dieses Geschwindigkeitsniveau ist vorgesehen, dass die Hysteresefläche im Reibungsdiagramm mit einer geeigneten Methode minimiert wird. Dafür kommen unterschiedliche Approximationsverfahren, wie beispielsweise numerische Integrationsmethoden (Rechteckregel, Trapezregel, Simpson-Regel) und/oder geometrische Methoden (Optimierung des Abstands der beiden Kennlinienanteile der Hysterese) in Frage.
-
In einer bevorzugten Ausführungsform der Erfindung ist es auch möglich, beide der genannten Methoden auszuführen und deren jeweilige Zwischenergebnisse auf Abweichungen zu vergleichen. Falls die Abweichungen einen vorbestimmbaren Schwellenwert oder Prozentsatz übersteigen, kann eine Fehlermeldung ausgegeben werden. Es können somit auch beide Modelle angewandt werden, und nur, wenn die Resultate nahe beieinander liegen, werden sie als plausibel erachtet und beispielsweise deren Mittelwert wird ausgegeben und weiterverarbeitet.
-
Vorzugsweise kann das Schätzen des Masse- und Reibungsparameters folgende Verfahrensschritte umfassen:
- - Bereitstellen einer initialen Masse auf Basis von zumindest einer Masseschätzmethode;
- - Erstellen einer Reibungskennlinie aus den erfassten Sensordaten, wobei die Reibungskennlinie als Datentupel aus einer Reibkraft und einer zugeordneten Geschwindigkeit für jeden Messzeitpunkt (bzw. für alle Stützpunkte) erzeugt, gespeichert und prozessiert wird;
- - Parametrierung der erstellten Reibungskennlinie mittels des Reibungsmodells durch Anpassen einer Regressionsfunktion an die Datenpunkte, so dass eine vordefinierte Kostenfunktion (z.B. Summe der quadratischen Abweichungen zwischen den Werten aus dem Reibungsmodell und den Werten der erzeugten Datentupel) minimiert wird.
-
In einem Beispiel kann zunächst eine initiale Kennlinie mit einer beliebigen, aber plausiblen initialen Masse (z.B. kann die Masse nicht negativ sein) berechnet werden. Für diese initiale Kennlinie wird dann die Hysteresefläche berechnet. Dabei wird der Masseschätzwert so lange variiert, bis die resultierende Hysteresefläche minimiert werden konnte (kleinst möglicher Wert). Die dazugehörige Masse wird dann als Schätzergebnis ausgegeben.
-
Für jeden Messzeitpunkt können der Motorstrom und die Geschwindigkeit oder Position des Antriebssystems erfasst werden. Aus dem Motorstrom kann daraufhin die Antriebskraft berechnet werden. Aus der Geschwindigkeit oder der Position kann durch Differenzierung die Beschleunigung a gebildet werden, so dass die Reibkraft mit folgender Formel berechnet werden kann (zweites Newton'schen Gesetz): F_Reib = F_Antrieb - m_geschätzt * a. Eine nicht horizontal montierte Achse wird weiterhin mit deren Gewichtskraft in einem Term berücksichtigt. Folglich steht zu jedem Messzeitpunkt das Wertepaar v und F_Reib zur Verfügung. Diese Wertepaare können als Reibungskennlinie visualisiert werden. Die Visualisierung kann beispielsweise auf einer Benutzeroberfläche („human machine interface HMI“) ausgegeben werden.
-
Vorzugsweise bildet der geschätzte Masseparameter die gesamten Masseträgheiten des elektrischen Antriebssystems ab. Dies kann bereits im Rahmen der Masseschätzung geschehen.
-
Weiterhin kann aus dem geschätzten Masseparameter eine geschätzte Nutzlast berechnet werden.
-
Die beschriebenen Berechnungen können für unterschiedliche Verfahrprofile (Geschwindigkeits-/Beschleunigungsverläufe) und/ oder unterschiedlich viele Zyklen (Hin- und Herfahrten) und/oder für unterschiedliche Nutzlasten ausgeführt werden.
-
Anschließend kann die parametrierte Reibungskennlinie in nachgelagerten Schritten optional in ein maschinelles Lernmodell als Input eingespeist werden.
-
Wie oben beschrieben kann die sich aus der Auswertung ergebende Reibungskennline und/oder Masseparameter beispielsweise auf einer Benutzeroberfläche an einem HMI visualisiert und/oder zur weiteren Bearbeitung, beispielsweise mittels eines maschinellen Lernmodells, zur Verfügung gestellt werden. Die weitere Bearbeitung kann die maschinelle Auswertung der Reibungskennline betreffen, um einen Anomaliezustand des elektrischen Antriebssystems automatisch zu identifizieren und dessen Ernsthaftigkeit automatisch zu bewerten.
-
Dafür ist zunächst zwischen einem Normalzustand und einem Anomaliezustand (Fehlerzustand) des elektrischen Antriebssystems zu unterscheiden. Liegen Anomalien vor, kann das elektrische Antriebssystem nicht wie vorgesehen arbeiten; es kommt zu Verzögerungen, Energieverlusten, Produktivitätsstörungen und/oder Ausfall von Komponenten des Systems. Deswegen sollte im Falle eines Anomaliezustands der Benutzer des Systems gewarnt werden, um geeignete Maßnahmen zur Behebung des Anomaliezustands einzuleiten. Im Gegensatz dazu beschreibt der Normalzustand des Systems ein einwandfreies Funktionieren des elektrischen Antriebssystems ohne Fehler.
-
In einer bevorzugten Ausführungsform der Erfindung umfasst das Verfahren weiter:
- - Zugreifen auf ein erstes maschinelles Lernmodell, das als One-Class-Modell ausgebildet und in einem dritten Speicher gespeichert ist, um auf Basis der geschätzten Reibungsparameter und optional auf Basis der geschätzten Masseparameter einen Anomaliescore zu berechnen, wobei das One-Class-Modell in einer Trainingsphase mit Normalzustandsdaten (für die Reibungs- und/oder Masseparameter) für jedes Antriebssystem einzeln trainiert worden ist. in einer bevorzugten Ausführungsform der Erfindung ist das One-Class-Modell nur für die Reibungsparameter (und nicht für die Masseparameter) trainiert worden.
-
Ein maschinelles Lernmodell generiert auf Basis von Trainingsdaten (in diesem Falle die geschätzten Reibungsparameter und optional die geschätzten Masseparameter) einen Normalzustand. Dafür ermittelt das Lernmodell die Merkmale, die den Normalzustand charakterisieren. Es erzeugt darauf aufbauend ein Normalzustandsmodell der Merkmale und schätzt später im Produktivsystem eine Fehlerwahrscheinlichkeit, die die Abweichung vom Normalzustand quantifiziert. Ein maschinelles Lernmodell kann mithilfe von tiefem Lernen (deep learning) trainiert werden. Das maschinelle Lernmodell kann als neuronales Netzwerk ausgebildet sein.
-
Unter „One-Class Modell“ ist diesem Zusammenhang ein Zustandsmodell zu verstehen, das ausschließlich mit Daten des Normalzustands trainiert wird. Dabei werden Merkmale aus den geschätzten Reibungsparametern und optional den geschätzten Masseparametern des Normalzustands extrahiert und festgelegt, innerhalb welcher Abweichungen diese Parameter im Produktionsprozess noch dem Normalzustand zugerechnet werden können.
-
Als „One-Class Modell“ wird das Lernmodell lediglich mit geschätzten Reibungsparameter und optional den geschätzten Masseparameter des Normalzustandes (Gutzustand) trainiert und unterscheidet im Produktionsprozess zwischen der Zugehörigkeit zu dem Normalzustand und zu einem unbestimmten Rest. Im Gegensatz zu anderen Modellen des maschinellen Lernens werden für das Training keine entsprechend gelabelten Gegenbeispiele des Normalzustands verwendet. Dies hat den Vorteil, dass für das Training keine Daten, die den Zustand mit Anomalien repräsentieren, benötigt werden. Solche Zustandsdaten mit Anomalien liegen bei Inbetriebnahme eines elektrischen Antriebssystems oftmals noch nicht vor. Deshalb kann das Verfahren auch Anomalien eines Antriebssystems, das bisher noch keine Anomalien aufweist, ermitteln.
-
Das Ziel des Trainings besteht darin, dass das Modell lernt, den Normalzustand des elektrischen Systems genau zu identifizieren, um Abweichungen davon als Anomalie im Produktionsprozess abzugrenzen. Dafür wird eine Zielfunktion so optimiert, dass das One-Class Modell die Zustandsdaten des Normalzustandes möglichst gut repräsentiert.
-
Im Produktionsprozess gibt eine Metrik den Abstand der geschätzten Reibungsparameter und optional den geschätzten Masseparameter von dem Normalzustandsmodell an bzw. eine Wahrscheinlichkeit, dass die Schätzungen zum Normalzustand gehören. Eine andere Metrik ist ein Grenzwert auf diesem Abstand bzw. der Wahrscheinlichkeit. Die Schätzungen werden als zum Normalzustand gehörend akzeptiert, wenn sie unter dem Grenzwert liegen.
-
David Tax beschreibt verschiedene Methoden und deren Vor- und Nachteile von One-Class Modellen (TAX David Martinus Johannes, One-class Classification: Concept-learning in the Absence of Counter-examples. Technische Universiteit Delft: Dissertation, 2001, ISBN: 90-75691-05-x). Demnach kann das One-Class Modell beispielsweise mit einer oder mehreren der folgenden Methoden implementiert werden:
- - Dichteschätzung („density estimation“), diese schätz die Dichte der Normalzustandsdaten und legt einen Grenzwert der Dichteverteilung fest. Der Grenzwert kann auf einer bestimmten Verteilung (z.B. Poisson- oder Gaußverteilung) beruhen. Schätzungen, die außerhalb des Grenzwerts liegen, werden als nicht zum Normalzustand gehörend klassifiziert;
- - Grenzmethode („boundary method“), diese fittet ein möglichst kleines Volumen um die Daten des Normalzustands, das die Merkmale des Normalzustands bestmöglich charakterisiert. Aus der äußeren Fläche des Volumens lässt sich der Grenzwert direkt ableiten. Ein Beispiel für die Grenzmethode ist die „support vector data description“ („SVDD“), die mithilfe einer möglichst kleinen Hypersphäre die Daten des Normalzustands von denen des Fehlerzustands trennt. Die Grenzmethode ist genauer beschrieben in z.B. Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S.A., Binder, A., Müller; Kloft, M. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning, in Proceedings of Machine Learning Research 80:4393-4402 Available from http://proceedinas.mlr.press/v80/ruff18a.html. Auch andere Volumen, beispielsweise das eines Quaders (bounding box), können verwendet werden;
- - Rekonstruktionsmethode („reconstruction method“), diese macht Annahmen über die Clustering-Eigenschaften der Normalzustandsdaten und deren Verteilung in Unterräumen. Es wird davon ausgegangen, dass die Schätzungen eines Anomaliezustands die Annahmen nicht erfüllen. Ein Beispiel für die Rekonstruktionsmethode ist das k-means Verfahren. Hier werden die Normalzustandsdaten nach Merkmalen gruppiert, wobei jede Gruppe durch einen „Prototypen“ in Form eines Zentrums repräsentiert wird. Weichen die Schätzungen vom nächstliegenden Zentrum zu stark ab, wird der Zustand als nicht zum Normalzustand gehörend, sprich Anomalie, klassifiziert.
-
Das maschinelle Lernmodell berechnet anhand einer Abstandsmetrik, inwieweit die Schätzungen von den gelernten Merkmalen des Normalzustands entfernt liegen und quantifiziert diese in einem Anomaliescore. Typische Abstandsmetriken sind die euklidische Norm, Summennorm oder auch die Maximumsnorm. Auch kann das maschinelle Lernmodell die Abstandsmetriken gewichten und/ oder eine Kombination Abstandsmetriken verwenden.
-
Es kann vorgesehen sein, dass der Benutzer des Antriebssystems bei Überschreiten eines konfigurierbaren Schwellwertes des Anomaliescores aufmerksam gemacht wird. Dies kann beispielsweise durch eine Warnnachricht (z.B. auf ein mobiles Endgerät) geschehen. Außerdem können die Anomaliescore-Werte über konfigurierbare Schwellwerte Ampelfarben zugeordnet werden. Beispielsweise kann festgelegt werden, dass bei Überschreiten des Anomaliescores des Schwellwertes von 0,3 eine Ampel von grün auf gelb springt. Eine Ampeldarstellung mit folgender Semantik ist ebenfalls denkbar: Normalzustand, Überprüfung der Funktionsfähigkeit empfohlen, Wartung empfohlen, Wartung erforderlich. Der Nutzer kann bei Farbwechsel informiert/gewarnt werden. Auch andere Visualisierungen (z.B. Aufleuchten einer LED-Lampe), Vertonungen und/ oder Codierungen des Anomaliescores, wenn dieser einen bestimmten Wert überschreitet, können implementiert werden.
-
Der Anomaliescore wird für ein gesamtes Antriebssystem berechnet. Die Parameter und/oder der Anomaliescore werden somit insbesondere immer pro Antriebsstrang berechnet. in einer weiteren Ausführungsform kann das maschinelle Lernmodell als Multi-Class Modell ausgebildet und in einem vierten Speicher gespeichert sein, um auf Basis der geschätzten Reibungs- und/oder Masseparameter einen Anomaliescore zu berechnen. Dieses maschinelle Lernmodell kann in einer Trainingsphase mit Normalzustandsdaten und Fehlerdaten (für die Reibungs- und/oder Masseparameter) für jedes Antriebssystem einzeln trainiert worden sein.
-
Im Gegensatz zu oben beschriebenen One-Class Modell werden also Zustandsdaten, die den Normalzustand und einen Zustand mit Anomalien repräsentieren, als Eingangsgröße benötigt. Die Zustandsdaten können annotiert sein für ein überwachtes maschinelles Lernverfahren („supervised method“) oder nicht annotiert sein für ein unüberwachte maschinelle Lernverfahren („unsupervised method“). Für letzteres kommen beispielsweise die Verfahren „Isolation Forest“ oder „One-Class-Support-Vector-Machines“ in Frage.
-
Das erste und/oder zweite maschinelle Lernmodell kann in einem persistenten Speicher verfügbar gemacht werden.
-
Das Vorgehen bei der Schätzung der Reibungsparameter hat den Vorteil, dass die Reibung unabhängig von der eingesetzten Nutzlast bestimmt wird und deshalb bei Nutzlastwechsel kein erneutes Training durchgeführt werden muss. Das gilt auch für das Verfahrprofil.
-
Das erste und/oder zweite maschinelle Lernmodell kann über Meta-Parameter steuerbar sein, insbesondere, um ein Trainingsergebnis zu steuern. Die Meta-Parameter können beispielsweise eine Anzahl von Trainingsdurchläufen, ein Glättungsfenster oder einen Schwellwert des Anomaliescores für Warnungen an den Benutzer betreffen.
-
Weiterhin kann zur Berechnung des Anomaliescores eine logistische Regression angewendet werden.
-
In einer bevorzugten Ausführungsform der Erfindung repräsentiert das Reibungsmodell einen Gleitreibungs- und/oder einen Haftreibungsanteil.
-
Vorzugsweise wird das Verfahren auf einer Steuereinheit, insbesondere auf einem Motorcontroller und/oder einer Steuerung des Antriebssystems ausgeführt. Hierzu eignet sich insbesondere eine SPS, ein Industrie-PC und/oder eine Servoantriebsregelung, wie beispielsweise ein CMMT-MP.
-
Die geschätzten Reibungs- und/oder Masseparameter können weiterhin zur Parametrierung einer Regelfunktion im Motorcontroller verwendet werden.
-
Die erfassten Sensordaten können vor einer weiteren Verarbeitung einem Filter, insbesondere einem Butterworth-Filter, unterzogen werden.
-
Vorzugsweise wird ausgewertet, ob die erfassten Sensordaten (vorkonfigurierbare) zweite Bedingungen zur Anwendung des Reibungsmodells erfüllen.
-
Die zweiten Bedingungen können in einem Speicher abgelegt sein und sind vorzugsweise vorkonfiguriert und konfigurierbar. Als zweite Bedingung kann beispielsweise definiert sein, dass die Anfangs- gleich der Endgeschwindigkeit des Antriebs ist (v-Anfang = v-Ende). Es können auch weitere Bedingungen dazu kommen, beispielsweise eine Schwingungsbegrenzung der erfassten Sensordaten, da die Auswertung der Messergebnisse durch zu starke Schwingungen erschwert wird.
-
Zudem kann nach dem Erfassen der Sensordaten eine Aggregation der erfassten Daten, insbesondere durch Anwendung einer Summationsfunktion zur komprimierten Speicherung der Daten ausgeführt werden, um den benötigten Speicherplatz zu reduzieren. Die Aggregation der Messdaten kann durch verschiedene Methoden erfolgen, beispielsweise durch geeignetes Summationsmethoden, Integralmethoden und/oder Methoden, die nur eine Auswahl an Stützstellen und ein Inkrement zur vorhergehenden Stützstelle speichern (Downsampling). Es ist somit nicht unbedingt notwendig, die komplette Datenhistorie zu speichern.
-
Vorzugsweise kann das Verfahren zyklisch ausgeführt werden. Beispielsweise kann das Verfahren nach einem vorkonfigurierbaren Zeitintervall, z.B. 1 Stunde, oder nach vorkonfigurierbaren Ereignissen (n Verfahrzyklen des Schlittens) ausgeführt werden.
-
Weiterhin können Regeln, die die Ausführung des Verfahrens triggern, aus einem Speicher eingelesen und angewendet werden.
-
Vorstehend wurde die Lösung der Aufgabe anhand des Verfahrens beschrieben. Dabei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können auch die gegenständlichen Ansprüche (die beispielsweise auf ein Überwachungsmodul oder auf ein Computerprogramm gerichtet sind) mit den Merkmalen weitergebildet sein, die in Zusammenhang mit dem Verfahren beschrieben oder beansprucht sind und umgekehrt. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module, insbesondere durch Hardware-Module oder Mikroprozessor-Module, des Systems bzw. des Produktes ausgebildet und umgekehrt. Die vorstehend beschriebenen vorteilhaften Ausführungsform der Erfindung des Verfahrens können auch in dem Überwachungsmodul umgesetzt sein. Diese werden an dieser Stelle nicht separat wiederholt.
-
Gemäß einem zweiten Aspekt betrifft die Erfindung ein Überwachungsmodul zur kontinuierlichen Zustandsüberwachung eines elektrischen Antriebssystems durch Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern, das zur Ausführung eines Verfahrens - wie vorstehend beschrieben - bestimmt ist, umfassend:
- - Eine Einleseschnittstelle zum Erfassen von Sensordaten auf einer Komponente des Antriebssystems;
- - Einen Prozessor, wobei der Prozessor zum Auswerten bestimmt ist, ob die erfassten Sensordaten zumindest vorkonfigurierbare erste Bedingungen zur Anwendung einer Masseschätzmethode erfüllen und wobei der Prozessor bejahendenfalls:
- o dazu bestimmt ist, auf einen ersten Speicher zuzugreifen, um eine darin gespeicherte Masseschätzmethode zum Schätzen von einem Masseparameter anzuwenden; und weiterhin
- o dazu bestimmt ist, auf einen zweiten Speicher zuzugreifen, um ein darin gespeichertes Reibungsmodell zum Schätzen von Reibungsparametern unter Verwendung des geschätzten Masseparameters anzuwenden;
- - eine Ausgabeschnittstelle, die zum Ausgeben der geschätzten Reibungsparameter und/oder des geschätzten Masseparameters bestimmt ist.
-
Gemäß einem dritten Aspekt wird die Aufgabe gelöst durch ein Computerprogramm, wobei das Computerprogramm in eine Speichereinheit einer Recheneinheit ladbar ist und Programmcodeabschnitte enthält, um die Recheneinheit zu veranlassen, das Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem gemäß einem der Verfahrensansprüche auszuführen, wenn das Computerprogramm in der Recheneinheit ausgeführt wird.
-
In der nachfolgenden detaillierten Figurenbeschreibung werden nicht einschränkend zu verstehende Ausführungsbeispiele mit deren Merkmalen und weiteren Vorteilen anhand der Zeichnungen besprochen.
-
Figurenliste
-
- 1 ist ein Beispiel für ein erfindungsgemäßes Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem;
- 2 zeigt in einer schematischen Darstellung ein Ausführungsbeispiel eines erfindungsgemäßen Überwachungsmoduls;
- 3a und b zeigen Beispiele einer schematischen Darstellung eines elektrischen Antriebssystems;
- 4 ist eine schematische Beispieldarstellung für ein Ablaufdiagramm zur erfindungsgemäßen Berechnung eines Anomaliescores;
- 5 ist eine schematische Beispieldarstellung für die Hystereseflächenminimierungsmethode; und
- 6 - 8 zeigen weitere Beispiele für erfindungsgemäße Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem.
-
Detaillierte Beschreibung der Figuren
-
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen im Zusammenhang mit den Figuren näher beschrieben.
-
Der Schutzbereich der vorliegenden Erfindung ist durch die Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.
-
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern eines elektrischen Antriebssystems, das insbesondere der Erkennung von Anomalien dient.
-
1 ist ein Beispiel für ein erfindungsgemäßes Verfahren 10 zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem. Nach Beginn des Verfahrens („START“) werden in einem ersten Schritt S1 Sensordaten auf einer Komponente des Antriebssystems erfasst. Diese Sensordaten betreffen insbesondere den Motorstrom und die Geschwindigkeit oder alternativ den Motorstrom und Position des elektrischen Antriebssystems bzw. seiner Komponenten.
-
In einem zweiten Schritt S2 wertet das Verfahren aus, ob die erfassten Sensordaten erste Bedingungen zur Anwendung einer Masseschätzmethode erfüllen. Die ersten Bedingungen sind vorkonfiguriert. Werden die Bedingungen nicht erfüllt, bricht das Verfahren ab oder, wie dargestellt, kehrt an den Anfang des Verfahrens zurück, um erneut im Schritt S1 Sensordaten des elektrischen Antriebssystems zu erfassen. Die ersten Bedingungen prüfen beispielsweise, ob die Sensordaten einen Schwellwert von Geschwindigkeit und Beschleunigung überschreiten, ab dem das Verfahren ideal arbeitet.
-
Werden die ersten Bedingungen erfüllt, so wendet das Verfahren in Schritt S3 eine Masseschätzmethode an. Diese ist einem ersten Speicher des elektrischen Antriebssystems gespeichert. Die Masseschätzmethode schätzt aus den erfassten Sensordaten einen Masseparameter des elektrischen Systems bzw. seiner Komponenten.
-
In einem weiteren Schritt S4 wird ein Reibungsmodell ausgeführt, das in einem zweiten Speicher gespeichert ist. Das Reibungsmodell schätzt Reibungsparameter des elektrischen Systems unter Verwendung der geschätzten Masseparameter. in einem weiteren Schritt S55 werden zumindest der geschätzte Reibungsparameter und optional zusätzlich der geschätzte Masseparameter ausgegeben.
-
Danach kann das Verfahren entweder enden („ENDE“) oder an den Anfang des Verfahrens („START“) zurückspringen. Das Verfahren springt an „START“ zurück, wenn es kontinuierlich ausgeführt wird. Soll das Verfahren für eine gewisse Anzahl von Zyklen ausgeführt werden, springt das Verfahren entsprechend der Zyklusanzahl häufig an „START“ zurück, bevor es beendet wird. Vorzugsweise können auch Daten über mehrere Zyklen aufgezeichnet und dann gemeinsam ausgewertet werden.
-
2 zeigt in einer schematischen Darstellung ein Ausführungsbeispiel eines erfindungsgemäßen Überwachungsmoduls 20. Das Überwachungsmodul 20 weist eine Einleseschnittstelle 22 zum Erfassen von Sensordaten sd1, sd2, sd3 auf einer Komponente des Antriebssystems auf. Die Sensordaten sd1, sd2, sd3 können die kontinuierlich gemessene Motorstromstärke, Motordrehmoment, Schlittengeschwindigkeit und/oder -position des Antriebssystems sein. Die Einleseschnittstelle 22 kann als Datenbus ausgestaltet sein. Weiterhin verfügt das Überwachungsmodul 20 über einen Prozessor 26 und einen ersten Speicher 24a, einen zweiten Speicher 24b und optional über einen dritten Speicher 24c und einen vierten Speicher 24d. Die jeweiligen genannten Speicher können als separate Bauteile mit unterschiedlichen Adressen implementiert sein. Alternativ können der erste, zweite, dritte und/oder vierte Speicher 24a bis d auch gemeinsam in einer einzigen Speicheranordnung 24 implementiert werden. Die Speicheranordnung 24 teilt sich in einen persistenten und nicht-persistenten Speicher auf (nicht gezeigt). In dem nicht-persistenten Speicherteil (z.B. RAM) können die erfassten Sensordaten abgelegt werden, wohingegen in dem persistenten Speicherteil (z.B. Flash-Memory) das oben beschriebene Verfahren und gelernte Modelle zur Überwachung des Produktivsystems abgelegt sein kann. Der Prozessor 26 greift auf die Speicheranordnung 24 zu, um aus den erfassten Sensordaten sd1, sd2, sd3 eine Schätzung des Masseparameters mp und Reibungsparameters rp vorzunehmen und den geschätzten Masseparameter mp und Reibungsparameter rp schließlich an einer Ausgabeschnittstelle 28 auszugeben. Die Parameter können in graphischer Form (beispielsweise als Diagramm) und/oder in numerischer Form ausgegeben werden.
-
3a und 3b zeigen in zwei Beispielen eine schematische Darstellung eines elektrischen Antriebssystems 30 auf dessen Komponente(n) die Sensordaten sd erfasst werden. Das elektrische Antriebssystem 30 verfügt über zwei verschiedenen Konfigurationsmöglichkeiten. Gleichbleibend für beide Konfigurationsmöglichkeiten ist die Kombination aus Maschinensteuerung 31 (die z.B. als SPS ausgebildet sein kann), einem Motor-Controller 32, und einem Motor mit Encoder 34. Auf der Maschinensteuerung 31 kann ein Überwachungsmodul 20 implementiert sein. Diese Komponenten sind in geeigneter Weise miteinander verbunden (nur schematisch dargestellt). in der ersten, in 3a dargestellten Konfiguration ist der Motor 34 mit einem mechanischen Anbausatz mit Kupplung 36a gekoppelt, der wiederum mit einer mechanischen Zahnriemenachse 38a in Verbindung steht. In der zweiten, in 3b dargestellten Konfiguration ist der Motor 34 mit einem Parallelbausatz 36b gekoppelt, der wiederum mit einer mechanischen Spindelachse 38b verbunden ist.
-
4 ist eine schematische Beispieldarstellung für ein Signalflussplan 40 zur erfindungsgemäßen Berechnung eines Anomaliescores in einem Überwachungsmodul 20. Als Eingangsgröße dienen die Sensordaten sd, deren Eignung für die anschließende Schätzung der Parameter, auf deren Basis der Anomaliescore berechnet wird, anhand der (vorkonfigurierbaren) ersten Bedingung 42 geprüft wird. Wird die erste Bedingung erfüllt, wird in Box 44 der Masseparameter mp des elektrischen Systems 30 geschätzt. in Box 46 wird basierend auf der geschätzten Masse ein Reibungsparameter rp geschätzt. Dazu wird ein Modell verwendet, das passend zu den Sensordaten sd ausgewählt werden kann. Die zur Auswahl stehenden Modelle sind insbesondere das Coulomb-Modell, Euler-Modell, Reynolds-Modell und/oder Stribeck-Modell. Die geschätzten Parameter mp, rp werden in Box 48 einer Vorprozessierung unterzogen. Diese Vorprozessierung kann beispielsweise das Filtern der geschätzten Parameter mp, rp bedeuten. Dafür eignet sich in vielen Fällen ein Butterworth-Filter.
-
Die vorprozessierten geschätzten Parameter dienen als Eingangsgröße für die Berechnung des Anomaliescores in Box 50. Wie dargestellt, stehen dafür zwei Optionen 52a, 52b zur Verfügung. Die Optionen (One-Class-Modell oder Multi-Class-Modell) können von einem Benutzer des Überwachungsmoduls 20 ausgewählt werden. Andernfalls kann das Überwachungsmodul auch selber festlegen, welche Option verwendet wird.
-
Die oberen beiden Pfade der Box 50 verwenden Methoden des maschinellen Lernens für die Berechnung des Anomaliescores. Insbesondere wird in Box 52a ein maschinell erlerntes One-Class Modell auf die geschätzten Parameter angewandt. Das Verfahren ermittelt eine Distanz der geschätzten Parameter zu einem gelernten Normalzustandsmodell. Aus der Distanz ergibt sich, ob ein Normalzustand oder eine Anomaliezustand des eklektischen Systems vorliegt. Beispielsweise liegt ein Anomaliezustand vor, wenn die Distanz einen gewissen Schwellwert überschreitet. Der ermittelte Abstand wird mit einer Sigmoid-Funktion oder einer anderen geeigneten Normalisierungsfunktion in Box 53 abgebildet, sodass beispielsweise einer Distanz von Null ein Anomaliescore von Null zugeordnet werden kann. Der sich daraus ergebende Anomaliescore wird in Box 54 zur Verfügung gestellt. Er kann in einer Ausgabe 59 ausgegeben werden. In Box 52b wird ein maschinell erlerntes Multi-Class Modell auf die geschätzten Parameter angewandt. Beim Multi-Class Modell wird auch der gelernte Fehlerzustand berücksichtigt. Im Rahmen des Multi-Class Modells kann eine logistische Regression auf die geschätzten Parameter angewandt werden.
-
Die Ausgabe 59 ist im vorliegenden Fall als Ampel dargestellt. Das heißt, das Überwachungsmodul 20 bereitet die Reibungsparameter so auf, dass ein Benutzer z.B. anhand von Ampelsignalen benachrichtigt wird, ob Anomalien im elektrischen System vorliegen.
-
5 ist eine schematische Beispieldarstellung für die Hystereseflächenminimierungsmethode. Das Ziel dieser Methode ist es, die Fläche der Hysterese (hier in Form zweier Ellipsen dargestellt) mit einer geeigneten Methode zu minimieren, indem der Masseschätzwert variiert und dadurch bestimmt wird. Ein mögliches Beispiel für ein sich aus dieser Methode ergebendes Resultat ist die Reibungskennlinie mit den zwei horizontalen Stücken, die mittig der beiden Ellipsen angeordnet sind. Die Masseschätzung, die zu dieser resultierenden Reibungskennlinie geführt hat, dient den weiteren Verfahrensschritten.
-
6 - 8 zeigen weitere Beispiele für erfindungsgemäße Verfahren zur Schätzung und/oder Überwachung von Reibungs- und/oder Masseparametern in einem elektrischen Antriebssystem. insbesondere zeigt 6 ein Verfahren, dessen Schritte S1 - S4 mit denen des oben beschriebenen Verfahrens 10 (1) übereinstimmen. Nach Ausführung des Schrittes S4 werden die berechneten Schätzwerte und zumindest der Reibungsschätzwert bereitgestellt zur weiteren Verarbeitung oder er kann auch einer Schnittstelle bereitgestellt oder auf einer Mensch-Maschine-Schnittstelle, HMI ausgegeben werden.
-
Im in 6 dargestellten Verfahren enthält der oben beschriebene Schritt S3, in dem die Masseschätzmethode angewandt wird, die Unterschritte S31 - S33. in Schritt S31 stellt das Verfahren eine initiale Masse auf Basis von zumindest einer Masseschätzmethode bereit.
-
In Schritt S32 sieht das Verfahren das Erstellen einer Reibungskennlinie aus den erfassten Sensordaten vor. Die Reibungskennlinie wird als Datentupel aus einer Reibkraft und einer zugeordneten Geschwindigkeit für jeden Messzeitpunkt erzeugt, gespeichert und prozessiert.
-
Weiterhin sieht das Verfahren in Schritt S33 die Parametrierung der erstellten Reibungskennlinie. Dies geschieht mittels des Reibungsmodells durch Ausführen einer Regressionsfunktion, so dass eine vordefinierte Kostenfunktion minimiert wird.
-
7 zeigt ein weiteres erfindungsgemäßes Verfahren, das das vorstehend beschriebene Verfahren um den Schritt S5 und den optionalen Schritt S6 (in 7 gestrichelt dargestellt, um den optionalen Charakter hervorzuheben) ergänzt. in Schritt S5 sieht das Verfahren das Zugreifen auf ein erstes maschinelles Lernmodell vor. Dieses Lernmodell ist als One-Class-Modell ausgebildet, das heißt, es wurde nur mit Reibungsparametern (und Masseparametern) trainiert, die einen fehlerfreien Zustand des elektrischen Systems repräsentieren, trainiert. In Schritt S5 wird anhand des One-Class-Modells aus den geschätzten Reibungs- und Masseparametern ein Anomaliescore berechnet. Dieser Anomaliescore kann im optionalen Schritt S6 ausgegeben werden, z.B. auf einem Ausgabegerät und/oder an eine weitere elektronische Instanz weitergeleitet werden.
-
8 zeigt ein weiteres erfindungsgemäßes Verfahren, das das vorstehend in Zusammenhang mit 1 beschriebene Verfahren 10 um den Schritt S7 und den optionalen Schritt S8 (in der Figur wieder gestrichelt dargestellt) ergänzt. in Schritt S7 sieht das Verfahren das Zugreifen auf ein erstes maschinelles Lernmodell vor. Dieses Lernmodell ist als Multi-Class-Modell ausgebildet, das heißt, es wurde mit Reibungsparametern (und Masseparametern) trainiert, die einen fehlerfreien und einen fehlerhaften Zustand des elektrischen Systems repräsentieren. in Schritt S7 wird anhand des Multi-Class-Modells aus den geschätzten Reibungs- und Masseparametern ein Anomaliescore berechnet. Dieser Anomaliescore kann im optionalen Schritt S8 ausgegeben werden.
-
Abschließend sei darauf hingewiesen, dass die Beschreibung der Erfindung und die Ausführungsbeispiele grundsätzlich nicht einschränkend in Hinblick auf eine bestimmte physikalische Realisierung der Erfindung zu verstehen sind. Alle in Verbindung mit einzelnen Ausführungsformen der Erfindung erläuterten und gezeigten Merkmale können in unterschiedlicher Kombination in dem erfindungsgemäßen Gegenstand vorgesehen sein, um gleichzeitig deren vorteilhafte Wirkungen zu realisieren.
-
Der Schutzbereich der vorliegenden Erfindung ist durch die Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.
-
Für einen Fachmann ist es insbesondere offensichtlich, dass die Erfindung nicht nur für die genannten Sensordaten angewendet werden kann, sondern auch für andere messtechnisch erfasste Größen, die einen Betriebszustand des elektrischen Antriebssystems zumindest mitbeeinflussen. Des Weiteren können die Bauteile des Überwachungsmoduls auf mehreren physikalischen Produkten verteilt realisiert sein.
-
Bezugszeichenliste
-
- 10
- Verfahren
- 20
- Überwachungsmodul
- sd1, sd2, sd3
- Sensordaten
- 22
- Einleseschnittstelle
- 24
- Speicheranordnung
- 24a
- erster Speicher
- 24b
- zweiter Speicher
- 24c
- dritter Speicher
- 24d
- vierter Speicher
- 26
- Prozessor
- 28
- Ausgabeschnittstelle
- rp
- geschätzten Reibungsparameter
- mp
- geschätzten Masseparameter
- 30
- elektrisches Antriebssystem
- 31
- Maschinensteuerung
- 32
- Motor-Controller
- 34
- Motor mit Encoder
- 36a
- Mechanischer Anbausatz mit Kupplung
- 38a
- Mechanische Zahnriemenachse
- 36b
- Parallelbausatz
- 38b
- Mechanische Spindelachse
- 40
- Signalflussplan
- 42
- vorkonfigurierbare erste Bedingungen
- 44
- Schätzung der Masseparameter
- 46
- Schätzung der Reibungsparameter
- 48
- Vorporzessierung der geschätzten Parameter
- 50
- Berechnung des Anomaliescores
- 52a
- One-Class Modell
- 52b
- Multi-Class Modell
- 53
- Sigmoid-Funktion
- 54
- Anomaliescore
- 59
- Ausgabe des Anomaliescores
