-
TECHNISCHES GEBIET
-
Die vorliegende Offenbarung betrifft Überwachung und Steuerung einer elektromechanischen Vorrichtung wie etwa eines Elektromotors oder Generators.
-
HINTERGRUND
-
Wärmeableitung ist ein wichtiges Thema bei der Konstruktion von elektromechanischen Systemen wie etwa Elektromotoren und Generatoren. Elektrische Verluste spielen bei der Wärmeableitung eine große Rolle und sind ein wichtiger Mechanismus, der das Verhalten des elektromechanischen Systems bestimmt. Die elektromechanischen Systeme müssen so konstruiert, überwacht und/oder gesteuert werden, dass keine Überhitzung auftritt, die zu einer Systemstörung führen könnte.
-
Eine genaue Beschreibung des Wärmeverhaltens des elektromechanischen Systems kann im Hinblick auf Wärmemanagement, Systemauslastung und nicht zuletzt den Wärmeschutz des elektromechanischen Systems vorteilhaft sein. Elektromotoren sind eins der wichtigsten Energieumwandlungssysteme, die heutzutage in der Industrie eingesetzt werden, siehe unter anderem die europäische Patentanmeldung
EP1959532A1 .
-
Aus der europäischen Patentanmeldung
EP 21179858 ist ein Verfahren und eine Maschinensteuerung für Temperaturüberwachung einer elektromechanischen Vorrichtung bekannt geworden, die unter anderem auf elektrischen Betriebsdaten der Vorrichtung beruht. Auf Grundlage der Betriebsdaten können die Verluste elektrischer Energie in der Vorrichtung mittels eines Simulationsmodells der Vorrichtung in einer räumlich aufgelösten Art und Weise kontinuierlich simuliert werden.
-
Elektromechanische Vorrichtungen wie Motoren und/oder Generatoren müssen innerhalb eines festgelegten Temperaturbereichs arbeiten, und wenn die überhitzt sind, laufen die Motoren Gefahr, das die Magneten und/oder die Statorwicklung entmagnetisiert werden. Eine Störung einer elektromechanischen Vorrichtung kann zu einer Störung nicht nur des Motors, sondern eines gesamten Produktionssystems führen. Um mögliche Überhitzungsstörungen von Elektromotoren zu vermeiden, werden verschiedene Arten von Wärmeschutzsensoren verwendet.
-
Aus der US-Patentanmeldung
US2022163952A1 und dem Patentfamilienmitglied
EP3715982A1 ist ein Verfahren zur Bereitstellung eines virtuellen Sensors in einem Automatisierungssystem eines Industriesystems bekannt geworden. Es wird ein Datensatz bereitgestellt, der mithilfe eines Simulationsmodells erzeugt wurde, wobei der Datensatz eine eindeutige Beziehung zwischen möglichen Messwerten des physischen Sensors und entsprechenden Ausgabewerten des virtuellen Sensors herstellt.
-
KURZDARSTELLUNG
-
Die Überwachung einer Messvariablen wie etwa einer Temperatur jeder kritischen internen Komponente in einer elektromechanischen Vorrichtung ist ziemlich kostspielig und könnte unmöglich sein, da die elektromechanische Vorrichtung möglicherweise auseinandergenommen werden muss, um einen Sensor an den gewünschten Positionen zu platzieren. Es ist daher eine Aufgabe, einen optimalen oder kritischen Betriebsmodus eines elektromechanischen Systems zu bestimmen. Es ist noch eine weitere Aufgabe, ein Simulationsmodell für eine Mehrzahl von ähnlichen aber unterschiedlichen elektromechanischen Vorrichtungen anzupassen. Es ist eine weitere Aufgabe, Ungenauigkeiten des Simulationsmodells zu bestimmen, die zum Beispiel zu unakzeptablen Berechnungsfehlern führen. Es ist eine weitere Aufgabe, die Berechnungsfehler des Simulationsmodells einer elektromechanischen Vorrichtung zu quantifizieren und/oder zu verringern, um den Betrieb der elektromechanischen Vorrichtung zu verbessern.
-
Die Aufgabe wird durch den Gegenstand gelöst, der in den unabhängigen Ansprüchen festgelegt ist. Vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen aufgeführt.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
- 1 zeigt eine Darstellung einer elektromechanischen Vorrichtung, die eine Tafel zur Überwachung und/oder Steuerung des Betriebs des Elektromotors umfasst.
- 2 zeigt eine Darstellung von Komponenten eines Motors.
- 3 zeigt ein Simulationsmodell eines Motors, wobei das Simulationsmodell einen elektrischen Verlust beschreibt.
- 4 zeigt ein weiteres Simulationsmodell eines Motors, wobei das Simulationsmodell eine Wärmeübertragung beschreibt.
- 5 zeigt noch ein weiteres Simulationsmodell eines Motors, wobei das Simulationsmodell das Modell des elektrischen Verlusts mit dem Wärmeübertragungsmodell kombiniert.
- 6 zeigt beispielhafte Verfahrensschritte gemäß einer ersten Ausführungsform in einer Offline-Phase.
- 7 zeigt beispielhafte Verfahrensschritte gemäß einer zweiten Ausführungsform in einer Kalibrierungsphase.
- 8 zeigt beispielhafte Verfahrensschritte gemäß einer dritten Ausführungsform in einer Betriebsphase.
- 9 zeigt eine Darstellung von Unsicherheitsfortpflanzung durch ein Simulationsmodell.
- 10 zeigt eine Darstellung einer inversen Bayes'schen Analyse.
- 11 zeigt eine Darstellung verschiedener Konfidenzniveaus.
- Die 12 bis 18 zeigen Verfahrensschritte gemäß weiteren beispielhaften Ausführungsformen.
-
AUSFÜHRLICHE BESCHREIBUNG
-
1 zeigt eine Darstellung einer elektromechanischen Vorrichtung, die einen Elektromotor 16, einen Umrichter 17 und eine Tafel 15 zur Überwachung und/oder Steuerung des Betriebs der elektromechanischen Vorrichtung 10 umfasst.
-
Um die optimalen oder kritischen Betriebszustände des Motors 16 zu erkennen, kann die Kenntnis einer oder mehrerer Messvariablen, z.B. einer Temperatur, der Komponenten (z.B. Lager, Stator und Isolierung der Statorwicklung) des Motors erforderlich sein.
-
Die Überwachung der Temperatur jeder kritischen internen Komponente im Motor 16 ist ziemlich kostspielig und könnte unmöglich sein, da der Motor 16 auseinandergenommen werden muss, um die Sensoren zu platzieren. Alternativ ist das sogenannte virtuelle Abtasten ein kosteneffektiverer Ansatz; ein Ansatz, mit dem Messvariablen wie etwa Temperaturen an Nichtmesspositionen in der elektromechanischen Vorrichtung, insbesondere im Motor 16, mithilfe eines Simulationsmodells geschätzt werden könnten.
-
Daher werden, falls die Messvariable wie etwa die Temperatur einer Motorkomponente nicht gemessen werden kann, z.B. aufgrund von sich bewegenden Teilen oder falls Messungen wirtschaftlich ungünstig sind, ein oder mehrere virtuelle Sensoren verwendet, um die Temperaturen zu schätzen. Ein virtueller Sensor kann daher eine virtuelle Messvariable bereitstellen. Die virtuelle Messvariable kann (virtuelle) Messwerte bereitstellen, z.B. an einer vorbestimmten Position der elektromechanischen Vorrichtung.
-
Um solche virtuellen Sensoren zu entwickeln, kann die genaue Kenntnis der Motorgeometrie, Materialeigenschaften und/oder Betriebsparameter erforderlich sein. Auf Grundlage dieser Kenntnis können (dynamische) Simulationsmodelle erzeugt werden. Diese Simulationsmodelle werden auch als virtuelle Sensoren bezeichnet. Das Simulationsmodell kann daher dazu dienen, eine virtuelle Messvariable, wie etwa die Temperatur, an einer bestimmten vorgegebenen Position des Motors 16 zu berechnen.
-
Zum Beispiel sind im Falle von elektromechanischen Vorrichtungen wie etwa Dritthersteller- und/oder Brownfield-Motoren die erforderlichen Parameter, wie etwa Geometrie und Materialeigenschaften, normalerweise nicht verfügbar. Die Verwendung von Simulationsmodellen ähnlicher Motoren ist daher möglicherweise nicht machbar, da Ungenauigkeiten im Simulationsmodell zu unakzeptablen Berechnungsfehlern führen kann. Daher wird ein Verfahren zur Quantifizierung und Verringerung der Berechnungsfehler, die in virtuellen Sensoren für elektromechanische Systeme, insbesondere Dritthersteller-Motoren, entstehen, benötigt.
-
In 1 ist eine Tafel 15 zur Überwachung und/oder Steuerung des Betriebs des Elektromotors 16 gezeigt. Die Tafel kann eine Anzeige 14 zur Anzeige einer Angabe 13 über einen Betriebszustand der elektromechanischen Vorrichtung 10 und insbesondere des Motors 16 umfassen. Außerdem kann die Anzeige 14 zur Steuerung des Betriebszustands der elektromechanischen Vorrichtung 10 dienen. Zum Beispiel kann ein erster Betriebsmodus durch eine (virtuelle) Schaltfläche 11 ausgewählt werden, während eine zweite (virtuelle) Schaltfläche 12 zur Auswahl eines zweiten Betriebsmodus dienen kann. Wie in 1 gezeigt, wird der Motor durch einen Umrichter 17 gesteuert.
-
2 zeigt eine Darstellung von Komponenten eines Motors. Genauer zeigt 2 einen Längsschnitt eines Motors. Dadurch wird eine Mehrzahl von Motorkomponenten sichtbar. Eine elektromechanische Vorrichtung, wie etwa ein Motor, kann eine Welle 21, einen Rotor 22, einen Stator 23 und/oder ein Gehäuse 24 umfassen.
-
Bei einem Motor kommt es aufgrund seiner Funktionsprinzipien zu Energieverlusten in den Wicklungen 25 und dem Rotor 22, wenn elektrischer Strom durch sie hindurchfließt, und im Statoreisen (Kern) 23 und Rotor aufgrund von elektromagnetischen Phänomenen (z.B. Hysterese und Wirbelströme) sowie zu Energieverlusten aufgrund des Stromflusses. Zudem führt relative Bewegung zwischen den Komponenten der Lageranordnung zu einigen Energieverlusten aufgrund von Reibung.
-
Übermäßiger oder anormaler Betrieb des Motors könnte zu hohen Energieverlustwerten und unerwünschtem Temperaturanstieg führen, was für die Leistung und Lebensdauer kritischer Komponenten wie etwa der Lager und Wicklungen bedenklich sein könnte. Es ist daher erwünscht, ein genaues Simulationsmodell des Motors bereitzustellen, um dessen Betrieb zu überwachen und/oder zu steuern. Zu diesem Zweck können mehrere Simulationsmodelle kombiniert werden. Zum Beispiel können ein Simulationsmodell zur Berechnung der Wärmeübertragung von den genannten Wärmequellen zu anderen Körpern (z.B. Welle und Gehäuse) des Motors und ein Simulationsmodell zur genauen Berechnung der Wärmeverluste an jeder gegebenen Wärmequelle anhand der Betriebsparameter kombiniert werden.
-
3 zeigt ein Simulationsmodell M1 eines Motors, wobei das Simulationsmodell M1 einen elektrischen Verlust beschreibt. Die elektrischen Verluste des Motors können anhand der zugrundeliegenden physikalischen Phänomene numerisch beschrieben werden, wie in 3 gezeigt.
-
4 zeigt ein weiteres Simulationsmodell M2 eines Motors, wobei das Simulationsmodell eine Wärmeübertragung beschreibt. Das Simulationsmodell M2 umfasst verschiedene Wärmeübertragungsmodi wie etwa Leitung, Konvektion und/oder Strahlung. Leitung lässt sich zwischen Komponenten des Motors und/oder innerhalb der Komponente(n) selbst beobachten. Konvektion lässt sich an der bzw. den Außenfläche (n) des Gehäuses, Schildern und/oder dem freiliegenden Teil der Welle beobachten. Durch Konvektion kann Wärmeenergie an die Umgebung abgeleitet werden.
-
Die Wärmeableitung der inneren Komponenten des Motors kann mithilfe von Leitung modelliert werden, während die Außenflächen so modelliert werden können, dass sie Wärmeenergie über Konvektion an die Umgebung ableiten.
-
Die Abmessungen der internen Komponenten können auf einem CAD-Modell der elektromechanischen Vorrichtung beruhen. Das Simulationsmodell M2 kann daher automatisch erzeugt werden, indem die Abmessungen aus einer technischen Zeichnung der elektromechanischen Vorrichtung bereitgestellt werden. Daher kann das Simulationsmodell, wie zum Beispiel in den 3 und 4 gezeigt, parametrisch sein. Dadurch können die Simulationsmodellparameter angepasst werden, um für verschiedene Varianten des Motors, z.B. verschiedene Größen, zu passen. Um die Parametrierung des Simulationsmodells zu erleichtern, können geometrische Details wie etwa räumliche Merkmale aus CAD verwendet werden.
-
Weitere Simulationsmodellparameter, z.B. für die Wärmeübertragung, können die Materialeigenschaften einer Komponente (z.B. spezifische Wärme, Dichte und Wärmeleitfähigkeit), Masse/Volumen der Komponente, Oberfläche der Wärmeübertragung zwischen Komponenten, die für eine Einheitstemperaturdifferenz pro Einheitsfläche übertragene Wärme und/oder die Fläche zwischen dem Körper und dem Fluid, durch welches Wärme übertragen wird, d.h. die Fläche, die dem Fluidstrom ausgesetzt ist, umfassen.
-
Es versteht sich, dass einige Simulationsmodelle von der Drehzahl und Last des Motors oder Betriebswerten im Allgemeinen abhängig sind.
-
5 zeigt noch ein weiteres Simulationsmodell M eines Motors, wobei das Simulationsmodell M das Modell des elektrischen Verlusts M1 mit dem Wärmeübertragungsmodell M2 kombiniert. Wie gezeigt, sind die Eingaben für das Wärmeübertragungsmodell die Wärmeverluste Q (auch als Verluste elektrischer Energie bezeichnet) an den jeweiligen Komponenten, und die Ausgabe des Wärmeübertragungsmodells ist ein Temperaturmesswert Tp. Daher lassen sich anhand des Simulationsmodells bzw. der Simulationsmodelle M, M1, M2 eine virtuelle Messvariable und entsprechende Messwerte erhalten, zum Beispiel an einer vorbestimmten Position des Motors.
-
Die Eingaben des Modells des Verlusts elektrischer Energie M1 können dynamische Parameter wie etwa eine Drehzahl w der Welle und/oder einen Strom I und eine Spannung U umfassen, die dem Motor zugeführt werden. Ferner sind dynamische Eingaben, wie etwa der drehmomentbildende Strom, für das Modell des Verlusts elektrischer Energie M1 möglich. Außerdem können statische Eingaben wie etwa ein oder mehrere (lineare) Koeffizienten möglich sein. In jedem Fall kann das Simulationsmodell M zur Modellierung des Verhaltens des Motors von diesen Parametern abhängig sein, z.B. linear oder unter Verwendung von Polynomen höherer Ordnung. Zum Beispiel bietet Siemens eine Simulationsplattform „Simcenter Amesim“ an, die Systemsimulationen ermöglicht, um die Leistung von z.B. elektromechanischen Systemen virtuell zu bewerten und zu optimieren. So eine Simulationsplattform kann multiphysikalische Bibliotheken zur Erzeugung von Simulationsmodellen M kombinieren, um eine Systemanalyse genau durchzuführen. Diese Simulationsplattform kann mit rechnergestützter Entwicklung (Computer-Aided Engineering, CAE), rechnergestützter Konstruktion (Computer-Aided Design, CAD) und Steuerungssoftwarepaketen des elektromechanischen Systems gekoppelt werden.
-
Das Modell der Wärmeverluste M1 (auch als Modell des Verlusts elektrischer Energie bezeichnet) kann Rotor- und Statortemperaturen Tp erfordern. Diese Betriebswerte lassen sich z.B. durch Auslesen der Motorparameter, z.B. der Parameter r632 und r633 aus SINAMICS erhalten. Alternativ oder zusätzlich ließe sich die jeweilige Temperatur Tp aus dem gezeigten Wärmemodell M2 erhalten.
-
Wie in 5 gezeigt, ist das Modell des Verlusts elektrischer Energie M1 mit dem physikbasierten Wärmemodell M2 verbunden. Das Modell der elektromagnetischen Verluste M1 berechnet die Wärmeverluste unter Verwendung der Frequenzumrichtereingabe. Wie dargestellt, werden die Drehzahl w, der Strom I und die Spannung U mit den geometrischen und/oder Materialeigenschaften, z.B. vom Motordatenblatt, und dem Temperaturfeld Tp aus dem Wärmemodell kombiniert. Aus den elektromagnetischen Verlusten kann das Modell M1 die Wärmeerzeugung (Wärmelast, Q) innerhalb des Motors schätzen. Q ist die Eingabe für das Wärmemodell M2, das die Temperaturverteilung im Modell berechnen kann.
-
Beide Simulationsmodell(e) wie etwa das Modell der Wärmeverluste M1 und das Wärmeübertragungsmodell M2, können in einem sogenannten FMU-, Functional Mock-Up Unit, Format gepackt werden, um angewandt und/oder ausgeführt zu werden. Die Ein- und Ausgaben des Simulationsmodells bzw. der Simulationsmodelle (Wärmeverluste & Temperaturen) können als Aus- und Eingaben für eine FMU-Schnittstelle platziert werden.
-
In jedem Fall können die simulationsmodellbasierten virtuellen Sensoren ohne die genaue Kenntnis der erforderlichen geometrischen Daten nicht für die Überwachung verwendet werden. Die Simulationsmodelle müssen gegen gemessene Daten überprüft werden, und daher kann die Umsetzung eine längere Zeit in Anspruch nehmen. Außerdem kann die Qualität der Parametrierung des Motors ziemlich ungenau sein, und folglich können die vom Motor selbst erhaltenen Parameter unzuverlässig sein. Daher wurden wo immer möglich und finanziell sinnvoll physische Sensoren verwendet, um den Zustand eines Motors zu bestimmen.
-
6 zeigt beispielhafte Verfahrensschritte gemäß einer ersten Ausführungsform, d.h. während einer Offline-Phase. Ein Simulationsmodell wird anhand von Simulationsmodellparametern in Bezug auf die Geometrie und/oder das Material des Motors erzeugt. Diese Parameter und ihre Werte können vom Datenschild oder einem Datenblatt des Motors bekannt sein. Zum Beispiel kann das Simulationsmodell wie in Zusammenhang mit den 3, 4 und/oder 5 beschrieben verwendet werden. Somit wird ein Basismodell mit den spezifischen Werten der Simulationsmodellparameter verbessert. Als Ergebnis wird ein verbessertes Modell erhalten. Nun kann einer oder mehrere der Simulationsmodellparameter dargestellt werden, indem eine Wahrscheinlichkeitsverteilung der einen oder den mehreren Simulationsmodellparametern zugewiesen wird. Hier entspricht die Wahrscheinlichkeitsverteilung einer A-priori-Verteilung. Die Wahrscheinlichkeitsverteilung kann eine Verteilung einer bestimmten Art sein, wie etwa eine Gauß-Verteilung oder eine Poisson-Verteilung. Die Wahrscheinlichkeitsverteilung selbst kann durch Festlegung der statistischen Momente wie etwa des Mittelwerts, der Varianz oder Standardabweichung des jeweiligen Simulationsparameters parametriert werden. Der bzw. die statistischen Moment(e) können vom Motorhersteller, dem Komponentenhersteller bezogen werden und/oder sind aus Erfahrung bekannt und können die Folge der Schwankungen in der Herstellung des Motors oder der Motorkomponente sein. Zum Beispiel sind die Materialeigenschaften (einer Komponente) Schwankungen unterworfen. Als Ergebnis wird ein parametrisches Simulationsmodell erhalten.
-
7 zeigt beispielhafte Verfahrensschritte gemäß einer zweiten Ausführungsform, d.h. während einer Kalibrierungsphase des Simulationsmodells. Zu diesem Zweck kann die Position der virtuellen Messvariable so gewählt werden, dass sie mit der Position des einen oder der mehreren tatsächlichen Sensoren übereinstimmt. Nun kann das parametrische Simulationsmodell kalibriert werden. Zum Beispiel können zur Kalibrierung der Konvektionskoeffizienten im Simulationsmodell (Referenz-) Sensoren verwendet werden, die an beiden Lagern in der Nähe der Außenringe, an jeder Verdrahtungsphase an den Wicklungsenden und/oder am Gehäuse zur Messung der Umgebungstemperatur angebracht sind. Dann können verschiedene Lastfälle an den Motor angelegt werden, mit verschiedenen Drehzahlen und Drehmomenten. Anhand der tatsächlichen Messungen können die Konvektionskoeffizienten des Simulationsmodells eingestellt werden, um eine minimale Differenz zwischen den simulierten Temperaturwerten und den tatsächlichen Messwerten zu erzielen.
-
Wie in 7 gezeigt, wird ein oder mehrere Messwerte als Ausgabe des parametrischen Modells erhalten. Zudem werden (Ist) Messwerte an einer oder mehreren Positionen durch einen (Referenz-) Sensor am Motor gemessen. Die (Ist-) Messwerte werden dann mit ihren entsprechenden virtuellen Messwerten verglichen, die aus der Simulation erhalten werden.
-
Für die Kalibrierung wird die Differenz zwischen den (Ist-) Messwerten und den virtuellen Messwerten bestimmt, um die Simulationsmodellparameter und/oder die Parameter der Wahrscheinlichkeitsverteilung entsprechend anzupassen. Diese Anpassung kann inkrementell vorgenommen werden, bis die Differenz unter einer vorbestimmten Schwelle liegt.
-
Während der Kalibrierung werden Informationen über Unsicherheit in den Simulationsmodellparametern, z.B. geometrische und Materialtoleranzen, behalten. Jene Unsicherheiten, die von der Wahrscheinlichkeitsverteilung (Parametern) wiedergegeben werden, können anhand der tatsächlichen Messwerte aktualisiert werden, um die wahrscheinlichsten Simulationsmodellparameter zu erhalten. Zu diesem Zweck wird eine (inverse) Unsicherheitsquantifizierung verwendet, die auch als inverse Bayes'sche Analyse bezeichnet wird. Eine inverse Unsicherheitsquantifizierung beruht auf tatsächlichen Messwerten, in diesem Fall einer elektromechanischen Vorrichtung, und den Simulationsmodellwerten, d.h. den virtuellen Messwerten. Die inverse Unsicherheitsquantifizierung schätzt die Abweichung zwischen den tatsächlichen Messungen und den virtuellen Messwerten des Simulationsmodells und schätzt die wahrscheinlichsten Simulationsmodellparameter (und deren entsprechenden Werte). Daher wird diese Phase Kalibrierungsphase genannt. Daher wird eine Kalibrierungsphase vorgeschlagen, die ein kalibriertes Simulationsmodell und einen entsprechenden Mechanismus zur Unsicherheitsquantifizierung bereitstellen kann. Somit kann ein Simulationsmodell erzeugt werden, zum Beispiel nur mithilfe der Informationen, die vom Frequenzumrichter bereitgestellt werden, der den Motor steuert, wie in 1 dargestellt. Dieses Simulationsmodell kann dafür verwendet werden, die virtuellen Messvariablen, wie etwa Temperaturen, einer oder mehrerer kritischer Komponenten und/oder an einer oder mehreren vorbestimmten Positionen zu berechnen.
-
8 zeigt beispielhafte Verfahrensschritte gemäß einer dritten Ausführungsform, d.h. eine Betriebsphase. Nach der Kalibrierungsphase wird das aktualisierte Simulationsmodell, d.h. das kalibrierte Modell, erhalten. Das kalibrierte Modell kann als ein virtueller Sensor verwendet werden. Der virtuelle Sensor stellt virtuelle, d.h. simulierte Messwerte bereit. Zudem kann der virtuelle Sensor ein zugehöriges Konfidenzniveau oder Konfidenzintervall für Messvariablen wie etwa Temperaturen von Interesse bereitstellen. Ein Konfidenzintervall lässt sich durch Betrachtung einer Unsicherheit in den Simulationsmodellparametern (die aus der Kalibrierungsphase hervorgehen) erhalten. Die Unsicherheiten in der virtuellen Messvariablen lassen sich anhand einer Unsicherheitsfortpflanzung erhalten.
-
Somit lässt sich die Temperatur an beliebigen Positionen, z.B. an einer oder mehreren vorbestimmten Positionen einer elektromechanischen Vorrichtung, z.B. in einem Motor, berechnen. Zu diesem Zweck ist keine anfängliche und/oder genaue Kenntnis der erforderlichen Simulationsmodellparameter, wie etwa der Geometrie und/oder Materialeigenschaften erforderlich. In der Tat ist die Unsicherheit der Simulationsmodellparameter durch eine Wahrscheinlichkeitsverteilung gegeben. Anhand dieser Wahrscheinlichkeitsverteilung können virtuelle Messvariablen und entsprechende Werte mithilfe des Simulationsmodells bestimmt werden.
-
Es versteht sich, dass der hierin beschriebene Motor nur eine beispielhafte elektromechanische Vorrichtung ist. Andere elektromechanische Vorrichtungen können einen Generator, ein Relais, eine Pumpe, ein Elektrofahrzeug, ein Flugzeug, ein Schiff oder einen Zug umfassen.
-
9 zeigt eine Darstellung von Unsicherheitsfortpflanzung durch ein Simulationsmodell M (Vorwärtsmodell) . Diese Unsicherheitsfortpflanzung kann verwendet werden, wenn das Simulationsmodell M kalibriert wird, z.B. wie in Zusammenhang mit den 3, 4 und/oder 5 beschrieben. Eine erste Wahrscheinlichkeitsverteilung P1 lässt sich erhalten. Die erste Wahrscheinlichkeitsverteilung P1 kann als eine Antwort des Simulationsmodells M auf eine zweite Wahrscheinlichkeitsverteilung P2 verstanden werden, die als Eingabe für das Simulationsmodell M dient. Die Wahrscheinlichkeitsverteilung P1 kann von einer Menge von beobachteten Modellantworten auf die Eingabe abgeleitet werden. Die Wahrscheinlichkeitsverteilung P1 und/oder P2 kann von einer bestimmten Art, z.B. Gauß, sein, und kann durch ihren Mittelwert und ihre Varianz und/oder weitere statistische Momente gegeben/gekennzeichnet sein. Die Wahrscheinlichkeitsverteilungen können dann angepasst werden.
-
Die zweite Wahrscheinlichkeitsverteilung kann anfangs parametriert sein, z.B. anhand von Expertenkenntnissen. Die zweite Wahrscheinlichkeitsverteilung kann zum Beispiel eine Gauß-Verteilung mit Mittelwert und Varianz sein. Die Expertenkenntnis kann in dieser Anfangsparametrierung wiedergegeben werden, indem eine Varianz der Verteilung festgelegt wird, die den Simulationsmodellparameter gemäß vergangener Erfahrung und/oder untersuchter Eigenschaften beschreibt. Zum Beispiel kann beobachtet worden sein, dass die Materialeigenschaften zu einem gewissen Grad von den ursprünglich bereitgestellten Werten abweichen.
-
10 zeigt eine Darstellung einer inversen Bayes'schen Analyse. Hier wird eine zweite Wahrscheinlichkeitsverteilung von einer Menge von (Ist-) Messwerten 20 abgeleitet. Somit kann ein wahrscheinlichster Wert eines Simulationsmodellparameters bestimmt werden. Diese optimierten Simulationsmodellparameter können zur Aktualisierung des Simulationsmodells verwendet werden, wodurch ein optimiertes Simulationsmodell erzielt wird. Wenn das Simulationsmodell in Betrieb ist, können anschließend eine oder mehrere Anomalien bestimmt werden (anhand des Konfidenzniveaus des virtuellen Messwerts bzw. der virtuellen Messwerte), und somit kann der Betrieb der elektromechanischen Vorrichtung gesteuert werden.
-
Die Kalibrierung des Simulationsmodells dient der Bestimmung unbekannter oder unsicherer Eigenschaften der elektromechanischen Vorrichtung und/oder einer oder mehrerer ihrer Komponenten. Die Kalibrierung kann anhand der (Ist-) Messwerte von einem (Referenz-) Sensor durchgeführt werden. Der Referenzsensor kann sich an einer bekannten Position der elektromechanischen Vorrichtung befinden, wie zum Beispiel in 2 gezeigt.
-
Nach der Kalibrierungsphase können die abgeleiteten Simulationsmodellparameter (und die entsprechenden Werte) und zum Beispiel die Unsicherheit der abgeleiteten Simulationsmodellparameter dafür verwendet werden, das Verhalten der elektromechanischen Vorrichtung zu bestimmen, d.h. eine virtuelle Messvariable an einer vorbestimmten Position (einer anderen als die des (Referenz-) Sensors) zu bestimmen.
-
Im Allgemeinen kann das Simulationsmodell als ein Rechenmodell verstanden werden. Das Simulationsmodell kann eine oder mehrere (virtuelle) Messwerte einer virtuellen Messvariablen ausgeben. Die virtuelle Messvariable ist aufgrund der Ausrüstung, Struktur und/oder des Aufbaus der elektromechanischen Vorrichtung möglicherweise nicht direkt messbar. Das Simulationsmodell kann virtuelle Messwerte anhand von Eingabewerten berechnen. Der bzw. die Eingabewert(e) können aktuell verfügbare Betriebswerte der elektromechanischen Vorrichtung sein. Wie beschrieben, lassen sich die aktuell verfügbaren Betriebswerte von der elektromechanischen Vorrichtung, wie etwa einem Motor und/oder Umrichter, erhalten.
-
Es kann eine Abweichung zwischen den tatsächlichen Messwerten und den virtuellen Messwerten vorliegen. Diese Abweichung wird als eine Ungenauigkeit des Simulationsmodells interpretiert. Die Abweichung kann minimiert werden, indem die Simulationsmodellparameter ermittelt werden, die am besten zu den tatsächlichen Messwerten passen. Daher werden die tatsächlichen Messungen durch das Simulationsmodell M invertiert. Infolgedessen lässt sich eine zweite, A-posteriori-Wahrscheinlichkeitsverteilung P2 erhalten. Die statistischen Momente wie etwa das Mittel und/oder die Varianz der zweiten, A-posteriori-Wahrscheinlichkeitsverteilung können als Punktschätzungen des Simulationsmodellparameters, d.h. ein wahrscheinlichster Wert des Simulationsmodellparameters interpretiert werden. Daher können die zweite Wahrscheinlichkeitsverteilung P2 und/oder der wahrscheinlichste Wert des Simulationsmodellparameters zur Bestimmung virtueller Messwerte einer virtuellen Messvariablen verwendet werden. Zu diesem Zweck können die zweite Wahrscheinlichkeitsverteilung und/oder der wahrscheinlichste Wert des bzw. der Simulationsmodellparameter(s) verwendet werden, um das Simulationsmodell (wieder) zu (re)parametrieren, um virtuelle Messwerte einer virtuellen Messvariablen zu bestimmen.
-
Nun kann zur Bestimmung der aktualisierten zweiten Wahrscheinlichkeitsverteilung eine Art von Wahrscheinlichkeitsverteilung, wie etwa ein Gauß-Verteilung, und/oder einer Parametrierung davon, wie etwa ein Mittelwert und eine Varianz, festgelegt werden. Diese Wahrscheinlichkeitsverteilung kann ein Eingabeobjekt z.B. der UQLab-Software sein. Das Simulationsmodell kann auch z.B. mithilfe der UQLab-Software als eine sogenannte m-Datei erzeugt werden. Schließlich können die tatsächlichen Messungen von einem (Referenz-) Sensor erhalten werden und zum Beispiel in Matrixform gespeichert werden. Anschließend kann eine inverse Bayes'sche Analyse durchgeführt werden, z.B. wieder mithilfe von UQLab-Software durch Aufruf der Funktion uq_createAnalysis(). Als Ergebnis der inversen Bayes'schen Analyse können aktualisierte Simulationsmodellparameter erhalten werden. Die aktualisierten Simulationsmodellparameter können durch die aktualisierte zweite Wahrscheinlichkeitsverteilung P2 und deren Parameter, wie etwa das aktualisierte Mittel, Varianz und/oder andere statistische Momente gegeben sein. Außerdem kann, z.B. zu Visualisierungszwecken, die zweite Wahrscheinlichkeitsverteilung angepasst und/oder graphisch dargestellt werden. In jedem Fall kann die zweite Wahrscheinlichkeitsverteilung durch eine Art von Wahrscheinlichkeitsverteilung, wie etwa eine Gaußsche, und die entsprechenden einen oder mehreren statistischen Momente gegeben sein.
-
11 zeigt eine Darstellung von Konfidenzniveaus T1, T2, T3. Ein Konfidenzniveau, z.B. ein Konfidenzintervall, für die virtuelle Messvariable kann anhand der ersten Wahrscheinlichkeitsverteilung bestimmt werden. Das Konfidenzniveau gibt ein Genauigkeitsniveau an, dass sich der wahre Wert der virtuellen Messvariablen innerhalb des Konfidenzintervalls befindet. Daher wird eine Zuverlässigkeit des Simulationsmodells und der virtuellen Messvariablen erhalten, die als eine Ausgabe des Simulationsmodells erhalten werden. 11 zeigt die Verteilung (virtueller) Messwerte um einen Mittelwert herum. Die virtuellen Messwerte lassen sich anhand des Simulationsmodells erhalten. Wie in 11 gezeigt, sind verschiedene Konfidenzniveaus T1, T2, T3 möglich. Ein Benutzer kann ein Konfidenzniveau je nach einer gewünschten Genauigkeit für die Überwachung der elektromechanischen Vorrichtung auswählen. Zum Beispiel kann das Konfidenzniveau einem Konfidenzintervall von z.B. 90%, 95% oder 99% entsprechen.
-
Zum Beispiel wird nach der Kalibrierungsphase das aktualisierte Simulationsmodell (der elektromechanischen Vorrichtung) als ein virtueller Sensor verwendet und ergibt simulierte Werte und zugehörige Konfidenzintervalle für kritische Interessenstemperaturen, z.B. anhand der Betriebswerte der elektromechanischen Vorrichtung wie etwa Drehzahl, Strom und/oder Spannung. Die Konfidenzintervalle lassen sich durch Betrachtung der Unsicherheiten in den Simulationsmodellparametern (die aus der Kalibrierungsphase hervorgehen) innerhalb geeigneter Unsicherheitsfortpflanzungsverfahren erhalten. Das Konfidenzniveau oder Konfidenzintervall kann zum Beispiel anhand einer Abweichungsfunktion zwischen der Simulationsmodellausgabe und dem tatsächlichen Messwert geschätzt werden, der während der Kalibrierungsphase bestimmt wird. Daher kann ein Konfidenzniveau als eine Quantifizierung der Unsicherheit der virtuellen Messvariablen und/oder deren Werte bereitgestellt werden. Das Konfidenzniveau kann als der Prozentsatz der Intervalle verstanden werden, die einen virtuellen Messwert enthalten.
-
Eingehend auf 12, werden Verfahrensschritte gemäß einem Ausführungsbeispiel gezeigt. Die Verfahrensschritte können computerimplementiert sein und der Überwachung und/oder Steuerung einer elektromechanischen Vorrichtung wie etwa eines Elektromotors und/oder Generators dienen.
-
In einem Schritt S1 kann eine erste Wahrscheinlichkeitsverteilung einer virtuellen Messvariablen bestimmt werden. Die virtuelle Messvariable kann eine Temperatur an einer vorbestimmten Position der elektromechanischen Vorrichtung sein.
-
In einem Schritt S2 kann ein Konfidenzniveau für einen ersten Wert der virtuellen Messvariablen bestimmt werden, zum Beispiel anhand der ersten Wahrscheinlichkeitsverteilung.
-
In einem Schritt S3 kann eine Angabe auf einer Anzeige, z.B. der elektromechanischen Vorrichtung oder einer Vorrichtung, die mit der elektromechanischen Vorrichtung kommunikativ gekoppelt ist, z.B. einem Computerbildschirm, angezeigt werden. Die Angabe kann einen Benutzer anweisen, den Betriebsmodus der elektromechanischen Vorrichtung zu wechseln.
-
In einem Schritt S4 kann der Betriebsmodus der elektromechanischen Vorrichtung auf Grundlage des Konfidenzniveaus gewechselt werden. Es versteht sich, dass der Schritt S3 optional sein kann, und dass der Wechsel des Betriebsmodus auf Grundlage des Konfidenzniveaus automatisch durchgeführt werden kann, z.B. falls das Konfidenzniveau eine vorbestimmte Schwelle überschreitet, zum Beispiel kleiner als 90 %, 95 % oder 99 % ist.
-
Das Konfidenzniveau und die angezeigte Angabe des Konfidenzniveaus umfassen Informationen über die Genauigkeit der virtuellen Messvariablen und des virtuellen Messwerts bzw. der virtuellen Messwerte. Das Konfidenzniveau gibt daher die Zuverlässigkeit des virtuellen Messwerts bzw. der virtuellen Messwerte wieder und kann der Steuerung der elektromechanischen Vorrichtung, d.h. der Steuerung des Betriebsmodus der elektromechanischen Vorrichtung dienen. Zum Beispiel kann die elektromechanische Vorrichtung in einem ausfallsicheren Betriebsmodus oder mit geringerer Leistung betrieben werden, falls das Konfidenzniveau überschritten wird.
-
Eingehend auf 13, werden weitere Verfahrensschritte gemäß einem Ausführungsbeispiel gezeigt. In einem Schritt S5, zum Beispiel nach Schritt S1, kann ein Konfidenzniveau für einen ersten Wert der virtuellen Messvariablen bestimmt werden. Daher kann ein Konfidenzniveau für jeden einer Mehrzahl von virtuellen Messwerten einer oder mehrerer virtueller Messvariablen bestimmt werden. In einem Schritt S6 kann das Konfidenzniveau mit einer vorbestimmten Schwelle, z.B. 99 %, 95 % oder 90 % verglichen werden. Das hierin beschriebene Konfidenzniveau kann als die Wahrscheinlichkeit des Überschreitens einer Abweichung von einem mittleren (virtuellen Mess-) Wert der virtuellen Messvariablen (an einer vorbestimmten Position) verstanden werden. Anschließend kann der Betriebsmodus der elektromechanischen Vorrichtung gewechselt werden und/oder eine Angabe angezeigt werden, falls die vorbestimmte Schwelle überschritten wird, zum Beispiel wie zuvor insbesondere in Zusammenhang mit Schritt S3 und/oder S4 beschrieben.
-
Eingehend auf 14, werden weitere Verfahrensschritte gemäß einem Ausführungsbeispiel gezeigt. In einem Schritt S7 wird ein Ergebnis eines Simulationsmodells der elektromechanischen Vorrichtung erhalten. Daher wird vorzugsweise eine Mehrzahl von virtuellen Messwerten als ein Ergebnis des Simulationsmodells erhalten. Das Simulationsmodell stellt vorzugsweise ein Wärmeverhalten der elektromechanischen Vorrichtung und/oder ein Verhalten in Bezug auf elektrischen Verlust der elektromechanischen Vorrichtung dar. Das Simulationsmodell kann daher zum Beispiel in der Kalibrierungsphase und/oder der Betriebsphase für eine Mehrzahl von Betriebsbedingungen ausgeführt werden, die verschiedene Betriebswerte z.B. für Drehzahl, Strom und/oder Spannung der elektromechanischen Vorrichtung umfassen. Als Ergebnis kann eine erste Wahrscheinlichkeitsverteilung bestimmt werden, z.B. in der Kalibrierungsphase, z.B. durch Anpassung einer Kurve an die erhaltenen Ergebnisse. Dadurch lässt sich eine (kontinuierliche) Wahrscheinlichkeitsverteilung für die virtuelle Messvariable erhalten.
-
Überdies kann der erste Messwert als ein Ergebnis des Simulationsmodells der elektromechanischen Vorrichtung in einem Schritt S8 erhalten werden, zum Beispiel in der Betriebsphase. Der erste Messwert der virtuellen Messvariablen lässt sich erhalten, indem ein oder mehrere aktuell verfügbare Betriebswerte der elektromechanischen Vorrichtung in das Simulationsmodell eingegeben werden. Zu diesem Zweck können die aktuell verfügbaren Betriebswerte von der elektromechanischen Vorrichtung erhalten werden. Zum Beispiel können die Betriebswerte der elektromechanischen Vorrichtung, wie etwa Drehzahl, Strom und/oder Spannung, von einem Motor und/oder Generator und/oder Umrichter, der daran gekoppelt ist, erhalten werden. Anhand dieser aktuellen Betriebswerte, die als Eingabe für das Simulationsmodell dienen können, lässt sich der erste Messwert als eine Ausgabe oder ein Ergebnis des Simulationsmodells erhalten. Daher kann das Simulationsmodell Simulationsmodellparameter umfassen, die die geometrischen Eigenschaften und/oder Materialeigenschaften der elektromechanischen Vorrichtung darstellen. Wenigstens ein Teil dieser geometrischen und/oder Materialeigenschaften kann durch eine entsprechende zweite Wahrscheinlichkeitsverteilung modelliert werden.
-
Eingehend auf 15, kann in einem Schritt S9 eine zweite Wahrscheinlichkeitsverteilung wenigstens eines Simulationsmodellparameters bestimmt werden. Der Simulationsmodellparameter wird daher selbst als eine Wahrscheinlichkeitsverteilung modelliert. Je nach Fall kann eine Mehrzahl, wenn nicht sogar alle der Simulationsmodellparameter durch ihre jeweilige Wahrscheinlichkeitsverteilung modelliert werden. Es versteht sich, dass nichtsdestoweniger einige Simulationsmodellparameter auch Konstanten sein können. Um die zweite Wahrscheinlichkeitsverteilung überhaupt zu erhalten, kann eine geeignete Wahrscheinlichkeitsverteilung, wie etwa eine Gauß-Verteilung, Poisson-Verteilung oder dergleichen gewählt werden, die das Verhalten des Simulationsparameters wiedergibt. Zum Beispiel kann im Falle des Wärmemodells der elektromechanischen Vorrichtung die Wahrscheinlichkeitsverteilung einen Herstellungsfehler oder eine Herstellungsabweichung wiedergeben, z.B. eine Verunreinigung eines Materials, das zum Bau der elektromechanischen Vorrichtung verwendet wird.
-
Nun lässt sich zum Beispiel in der Offline-Phase und/oder der Kalibrierungsphase die erste Wahrscheinlichkeitsverteilung durch eine Analyse einer Unsicherheitsfortpflanzung durch das Simulationsmodell in einem Schritt S10 erhalten. Dadurch lässt sich die Wirkung einer Unsicherheit eines Simulationsmodellparameters auf die Ergebnisunsicherheit des Simulationsmodells, d.h. die virtuelle Messvariable, erhalten. Zu diesem Zweck können eine zweite Wahrscheinlichkeitsverteilung und/oder ein oder mehrere statistische Momente wie etwa das Mittel, die Varianz, die Schiefe und/oder Wölbung der zweiten Wahrscheinlichkeitsverteilung bestimmt werden.
-
Eingehend auf 16, werden weitere Verfahrensschritte eines Ausführungsbeispiels beschrieben. In einem Schritt S11 kann eine A-priori-Verteilung des Simulationsmodellparameters festgelegt werden, zum Beispiel in der Offline-Phase. Wie beschrieben, kann die A-priori-Verteilung (Typ) in geeigneter Weise gewählt werden, um die (statistischen) Eigenschaften des bzw. der Simulationsmodellparameter (s) wiederzugeben. In einem Schritt S12 kann die A-priori-Verteilung angepasst werden, indem der Mittelwert und/oder die Varianz der A-priori-Verteilung, die den Simulationsmodellparameter beschreibt, festgelegt wird. Als Ergebnis wird die zweite Wahrscheinlichkeitsverteilung in einem Schritt S13 erhalten.
-
Eingehend auf 17, werden weitere Verfahrensschritte eines Ausführungsbeispiels beschrieben. In einem Schritt S14, zum Beispiel in einer Kalibrierungsphase, wird wenigstens ein tatsächlicher Messwert mit dem ersten Wert verglichen. Der tatsächliche Messwert lässt sich durch einen Sensor erhalten, der an der elektromechanischen Vorrichtung angebracht ist. Der Sensor kann an einer bekannten Position, z.B. einem Wickelkopf, der elektromechanischen Vorrichtung angebracht sein. Folglich kann die vorbestimmte Position, an der die virtuelle Messvariable gemessen wird, (im Wesentlichen) dieselbe wie die Position des Sensors sein. Daher dient der Sensor als Referenzsensor während einer Kalibrierungsphase des Simulationsmodells. Es versteht sich, dass der Sensor auch nur zeitweise an der elektromechanischen Vorrichtung angebracht sein kann, um die tatsächlichen Messwerte als eine Referenz für die virtuelle(n) Messvariable(n) bereitzustellen.
-
In einem Schritt s15 kann eine Abweichung zwischen dem tatsächlichen Messwert und dem ersten Wert bestimmt werden, zum Beispiel durch Bestimmung einer Differenz. In einem Schritt S16 kann die zweite Wahrscheinlichkeitsverteilung des Simulationsmodellparameters und/oder Bestimmung eines wahrscheinlichsten Werts des Simulationsmodellparameters aktualisiert werden. Zu diesem Zweck kann die Aktualisierung auf der Abweichung beruhen, die den Fehler oder die Ungenauigkeit des Simulationsmodells darstellt.
-
Eingehend auf 18, werden weitere Verfahrensschritte eines Ausführungsbeispiels beschrieben. In einem Schritt S17, vorzugsweise in der Kalibrierungsphase, wird eine inverse Bayes'sche Analyse durchgeführt, zum Beispiel um die zweite Wahrscheinlichkeitsverteilung zu aktualisieren. Die inverse Bayes'sche Analyse kann auf der zweiten Wahrscheinlichkeitsverteilung, dem Simulationsmodell (bzw. dessen Parametern) und dem bzw. den tatsächlichen Messwert(en) beruhen. Die inverse Bayes'sche Analyse kann mithilfe einer Softwareanwendung wie etwa UQLab durchgeführt werden, die die zweite Wahrscheinlichkeitsverteilung, das Simulationsmodell (bzw. dessen Parameter) und den bzw. die tatsächlichen Messwert(e) als Eingabe empfängt und die aktualisierte zweite Wahrscheinlichkeitsverteilung und/oder den wahrscheinlichsten Wert des bzw. der Simulationsmodellparameter(s) als Ausgabe bereitstellt.
-
Die aktualisierte zweite Wahrscheinlichkeitsverteilung und/oder der wahrscheinlichste Wert des Simulationsmodellparameter(s) kann dann zur (Re-)Parametrierung des Simulationsmodells der elektromechanischen Vorrichtung dienen. Somit wird ein optimiertes Simulationsmodell der elektromechanischen Vorrichtung erhalten, das zur Steuerung und/oder Überwachung der elektromechanischen Vorrichtung verwendet werden kann, vorzugsweise in der Betriebsphase, d.h. während des Betriebs der elektromechanischen Vorrichtung.
-
Die Kalibrierungsphase ist insbesondere für die Kalibrierung des Simulationsmodells vorteilhaft, um das Simulationsmodell anfangs anzupassen. Die Kalibrierungsphase kann auch vorteilhaft sein, um das Simulationsmodell von einer elektromechanischen Vorrichtung an eine andere elektromechanische Vorrichtung anzupassen. Die Kalibrierungsphase kann auch vorteilhaft sein, um eine elektromechanische Vorrichtung mit verändertem Wärmeverhalten der elektromechanischen Vorrichtung und/oder Verhalten in Bezug auf elektrischen Verlust anzupassen, z.B. nach einem Austausch oder einer Wartung. Die Kalibrierungsphase kann auch vorteilhaft sein, um das Simulationsmodell regelmäßig, ereignisbasiert oder auf Benutzerinitialisierung hin während des Betriebs der elektromechanischen Vorrichtung anzupassen, da sich die geometrischen und/oder Wärmeeigenschaften der elektromechanischen Vorrichtung während ihrer Lebensdauer aufgrund von Verschleiß, Abrieb und/oder Erosion ändern können.
-
Die inverse Bayes'sche Analyse überträgt die tatsächlichen Messwerte rückwärts, um Informationen über die Simulationsmodelleingaben zu erhalten, im vorliegenden Fall über die zweite Wahrscheinlichkeitsverteilung und die Simulationsmodellparameter, die durch die zweite Wahrscheinlichkeitsverteilung beschrieben werden.
-
In einer weiteren Ausführungsform wird ein Computerprogrammprodukt zur Überwachung und/oder Steuerung einer elektromechanischen Vorrichtung, das durch ein oder mehrere Verfahrensschritte wie hierin beschrieben erhalten wird, vorgeschlagen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- EP 1959532 A1 [0003]
- EP 21179858 [0004]
- US 2022163952 A1 [0006]
- EP 3715982 A1 [0006]
