EP4186156A1 - Ereignisüberwachung bei einem stromrichter - Google Patents

Ereignisüberwachung bei einem stromrichter

Info

Publication number
EP4186156A1
EP4186156A1 EP21786792.8A EP21786792A EP4186156A1 EP 4186156 A1 EP4186156 A1 EP 4186156A1 EP 21786792 A EP21786792 A EP 21786792A EP 4186156 A1 EP4186156 A1 EP 4186156A1
Authority
EP
European Patent Office
Prior art keywords
power converter
error
type
event
messages
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21786792.8A
Other languages
English (en)
French (fr)
Inventor
Fabian Hecht
Cornel-Marian Rosca
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Innomotics GmbH
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP4186156A1 publication Critical patent/EP4186156A1/de
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M1/00—Details of apparatus for conversion
    • H02M1/32—Means for protecting converters other than automatic disconnection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to the detection of critical events in a power converter.
  • a power converter makes it possible to operate an electrical machine, such as a motor, with a variable speed.
  • a power converter can also be used to convert the electrical current.
  • a grid feed-in can be implemented.
  • the mains power with constant frequency and voltage is converted into power with variable frequency and voltage.
  • the power converter is, for example, a converter, a rectifier or an inverter.
  • the power converter can be water-cooled and/or air-cooled.
  • the power converter is used, for example, in applications with high demands on reliability and quality. Examples of applications for power converters are:
  • Oil and gas pumps and compressors e .g . B. electric submersible pumps and high speed compressors
  • These application examples often relate to use of the power converter in which high power levels in particular are required. In particular, these are outputs in the one-digit, two-digit or three-digit megawatt range. Converters which relate to the medium voltage are then preferably used for this purpose. These are medium-voltage to designate converters. A voltage greater than or equal to 1000 V can be regarded as medium voltage. Voltages of 4000 V or 6000 V can also be referred to as medium voltage.
  • the power converter is, for example, a variable-frequency drive (VFD).
  • VFD variable-frequency drive
  • the Sinamics Perfect Harmony GH180 is an example of a VFD.
  • the problem is detected and documented in a log file or saved .
  • the log file represents a log, with the detected and documented problems being log entries.
  • These log entries can be warnings to alert a user to potentially critical events.
  • These log entries can also be errors to alert a user to an error or to document this error.
  • Critical events are also errors, for example. Error messages or Warning messages generated. Errors can lead to failure of the power converter or have led .
  • a power converter failure usually results not only in a fault but in a cascade of fault and warning log events, the technical cause of the power converter failure is obscured and can only be deduced by power converter experts who understand the history of the Analyze log events.
  • One object of the invention is to improve event monitoring of the power converter.
  • a solution to the problem results from a method according to claim 1 or. according to a method according to claim 6 or. in an event monitoring according to claim 10 .
  • Configurations result, for example, according to claims 2 to 5 , 7 to 9 and 11 .
  • log data of the power converter are used, with the log data being data does not show any error for a period of time after the start, the period of time being determinable, the power converter having at least two types of errors or has warnings, a first type of error or Warning type, which depends on the type of converter, so are determined in particular by this and a second type of error or. Warning type, where the second error type has errors or .
  • the second type of warning has warnings that can be defined by a user, that is, are determined by the user, with an evaluation of a combination of errors or Warnings of the respective first type and the respective second type are used and/or an evaluation of a combination of errors or Warnings of the respective second type are used.
  • the power converter can thus be designed, for example, by a user in such a way that the user defines individual messages for the power converter.
  • An example of a message is an error or a warning, i.e. an error message or a warning message.
  • an individual event monitoring can be created, which is dependent on the messages created individually by the user. This improves event monitoring and can make it more accurate.
  • the messages defined by the user are stored, for example, in an SOP (System Operating Program). defined there.
  • SOP System Operating Program
  • Such user-defined messages can be marked as such when the message is displayed.
  • User-defined messages are based, for example, on signals from I/O interfaces that arise in a system in which the power converter is integrated. Signals on which the user-defined messages are based can be digital signals or analog signals, for example.
  • User-defined messages can be generated, for example, based on a single signal and/or based on a combination of signals.
  • Such signals can, for example, concern an emergency stop, opening a door, blowing a fuse, undervoltage, overvoltage, fault current, overcurrent, fan failure, failure of a power module of the power converter, the bypass of a power module of the power converter, an insulation error, an insulation warning, a communication error in particular of a power module of the power converter, an error or a warning for cooling the power converter, a pre-charging of the power converter, etc.
  • individually created messages are important for a power converter that is integrated into individual use (industrial plant).
  • These messages created individually by a user can be used advantageously for event monitoring of the power converter in its individual environment, ie the industrial installation. This improves the quality of monitoring.
  • the user of the power converter is a person who operates the power converter. This operation can be carried out, for example, by an operator of the power converter or by a commissioner or the like.
  • log data after a start of the converter is used to generate event monitoring in a power converter, with the log data for a period of time after the start showing no error, the time period being determinable.
  • the power converter is a medium-voltage power converter, for example.
  • the log data relate, for example, to status messages, warning messages and/or error messages.
  • Such reports relate to the following elements, for example: a controller for the converter, a controller for the converter, a temperature sensor, an air volume sensor, an ammeter, a voltmeter, a power semiconductor, etc.
  • a successful start of the power converter is, in particular, a start in which no error messages and/or warning messages are generated.
  • the log data are marked, the marking, in particular temporal information, such as a time stamp or concerns a sequence of logged messages, with a message tion is in particular an error and / or a warning, in particular log data after the start of the converter or be used after a reset (reset) of the power converter.
  • temporal information such as a time stamp or concerns a sequence of logged messages
  • a machine learning model ie an artificial intelligence
  • the artificial intelligence determines the most probable technical root causes of a failure or malfunction. of an error in an automated manner.
  • a log event history can be analyzed automatically. The log event history corresponds to the log data.
  • an algorithm for machine learning which can categorize the technical root cause, ie the source, of an error recognized as such. Different steps can be carried out for this purpose.
  • failures of a historical stack of logbook data which can also be referred to as log data, can be identified by an expert.
  • a machine learning algorithm can be trained to categorize error events into predefined cause categories. There is therefore a categorization into sources for errors.
  • the artificial intelligence can be trained in such a way that, based on a cascade of messages (one or a large number of: status messages, warning messages, error messages), it concludes on a source of error, i.e. H . this indicates .
  • several error sources can also be specified, with a probability for the correctness of this information being calculated or is issued .
  • the log data is thus identified, with the identification relating to a chronological sequence of logged messages.
  • the log data shows these same messages.
  • the chronological sequence results from a cascading of messages. Of the- such messages may be interdependent or independent of one another.
  • the messages that are considered in their sequence are of different types. So there are messages which are determined by the type of converter and messages which are determined by the user of the converter.
  • One task of artificial intelligence is to recognize interdependent messages and to assign them to a causal source.
  • historical data of one or more power converters are searched for errors in a database in an automated manner in one step.
  • the errors are listed with the following information about the error, i.e. distinguished from one another:
  • errors affect e.g. B. : an input-related error (e.g. a problem in the power supply to the drive) , a cooling system-related error (e.g. an air or water cooling failure) and/or a power cell communication error (e.g. a internal drive electronics) ;
  • the information gathered contributes to the accuracy of the presented approach;
  • Warnings that occurred before the first failure specifically up to three hours before the first failure; this time interval ensures that the most critical information (messages) causally related to the fault is collected and selected after expert advice and engineering of the results;
  • different time intervals could be selected for different types of failures, since they have a different time up to failure is expected;
  • a week's time for root cause analysis could be important (eg, a leak in the coolant may result in alarms days or weeks before actual failure of the refrigeration system can be diagnosed);
  • the time between a first and last error This time is important because it can separate failures from a combination of failures that occur almost simultaneously and are therefore likely to be causally related, from a series of failures caused by human intervention.
  • reports are assigned sources of errors. In this way it can be achieved that consequential errors can be distinguished from a causal error.
  • information about the chronological sequence of messages and about a categorized causation is given to an expert for training the artificial intelligence, who determines the root cause of each failure and, for example, notes it in a list as at least one of the following root cause categories, which in particular includes all cover critical components of the power converter:
  • Power Gell power cell / power semiconductor module related (e.g. failure due to a Power Gell problem),
  • Power Gell communication related e.g. failure due to power cell communication problems
  • system related cooling related
  • cooling related e.g. failure due to a cooling system problem
  • input related e.g. failure due to input problems from an operator on site to drive the power converter
  • power related e.g failure due to problems in the application driven by the drive
  • Precharge related e.g. failure due to precharge problems when starting the converter
  • Loss of drive related e.g. failure due to excessive drive losses
  • Manual stop e.g. cascades of faults initiated by manually turning off the drive
  • a probability is calculated for an assignment. In this way, you can approach the elimination of an error in a more targeted manner without forgetting possible but improbable failures.
  • a list of the errors, ie the log data, with expert labels is used as input for an algorithm for machine learning in the sense of a monitored learning approach in one step.
  • the machine learning algorithm is optimized to be able to categorize previously unknown failures, returning the categories with a categorization probability that is e.g. the root cause, i.e. the source of the failure: e.g. cooling related failure (90 %) , system related error (10%) .
  • artificial intelligence is trained and event monitoring is thus generated.
  • messages are recorded, with the messages having a time stamp and an identification, with an event being recognized by the sequence of the messages.
  • a specific causal source of error can be inferred from a specific cascading. Where causally related errors can be identified.
  • a data collection can be carried out using a digital platform, in particular in a cloud, to optimize drive systems, motors, converters. be laid .
  • the data relate in particular to log files of corresponding machines, such as a power converter or a motor or a transformer.
  • this data can be used to categorize the root cause of a selected error using a machine learning algorithm.
  • log data obtained from a power converter can contain the following information: the time stamp of the log event, the severity of the log event: info, error or warning, a text of the log event, the trigger of the log event.
  • a failure of a drive is indicated by the occurrence of one or more errors after a certain error-free time after a successful restart.
  • the error-free time is defined as at least seven days. This is a characteristic time that e.g. B. was set during development to ensure the drive was in a regular operating mode. In this case, the drive has at least one power converter.
  • the identification has a report type, a text and/or a source of the report. In this way, a uniqueness can be ensured.
  • the event is an initial error, with artificial intelligence being used to identify the event, with the artificial intelligence being a cloud application. In this way, the same quality of artificial intelligence can always be used, regardless of location.
  • event monitoring of the type described is used.
  • the event monitoring Calculation of a power converter can therefore have artificial intelligence and/or access it.
  • Event monitoring of a power converter has a communication device and data processing for carrying out one of the methods described.
  • Converters can be checked more easily and service measures can be suggested more easily; a faster restart of a power converter is possible because the time for root cause analysis by experts is drastically reduced.
  • the automated solution presented here is particularly capable of processing any number of errors at the same time.
  • a cloud analysis approach is also possible, since the log file data from the power converter is stored in the cloud.
  • z. B. provided the root cause analysis on scalable cloud instances in a suitable Python environment.
  • the representation according to FIG. 1 shows two faults F1 and F2 occurring simultaneously (F1: Cooling Sys Mv Trip and F2: Cooling Sys Vfd Trip). These errors are recorded as soon as they occur within one hour of T2 and are recognized as errors. Up to three hours T3 before the first fault, the Al Coolnt Tank Level ⁇ 30 alarm was triggered twice. Algorithm A comes to the conclusion that this is a failure Q of the cooling system. In the period T3 z. B. a first error Fl can also occur, which has nothing to do with the failure Q.
  • FIG. 2 shows that three different faults F4, F5 and F6 occurred within two seconds T4: F4 input protection fault, F5 emergency stop remote and F6 emergency stop. No alarms are found three hours T3 before the first fault F4.
  • F4 input protection fault F5 emergency stop remote and F6 emergency stop.
  • No alarms are found three hours T3 before the first fault F4.
  • "Input Protection Fault” an expert may conclude that the drive has been stopped by a serious drive-related problem.
  • "Emergencia Stop Remote” and “Notstopp” lead to the conclusion of the algorithm that it is a manual stop of the drive. This is useful as it avoids searching for a problem in the event log and allows the user to directly restart the drive.
  • the machine learning algorithm can determine the cause of a previously unseen outage with >95% accuracy.
  • the machine learning algorithm used is based, for example, on a C-support vector classification.
  • the root cause analysis can be triggered selectively for a single drive failure (specified as a critical log event) so that it is accessible to service and the operator when needed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Power Conversion In General (AREA)

Abstract

Bei einem Verfahren zum Erzeugen einer Ereignisüberwachung bei einem Stromrichter, werden Protokolldaten nach einem Start des Stromrichters verwendet, wobei die Protokolldaten für eine Zeitperiode nach dem Start keinen Fehler zeigen, wobei die Zeitperiode bestimmbar ist. Meldungen werden Quellen für Fehler zugeordnet, wobei für eine Zuordnung eine Wahrscheinlichkeit errechnet wird.

Description

Beschreibung
Ereignisüberwachung bei einem Stromrichter
Die Erfindung betri f ft die Erkennung kritischer Ereignisse bei einem Stromrichter .
Durch einen Stromrichter ist es möglich einen drehzahlveränderbaren Betrieb einer elektrischen Maschine , wie zum Beispiel eines Motors , zu realisieren . Ein Stromrichter kann bei einer Anwendung der elektrischen Maschine als Generator auch zur Umwandlung des elektrischen Stromes dienen . Hierdurch kann beispielsweise eine Netzeinspeisung realisiert sein . Für die Anwendung bei einem Motor erfolgt beispielsweise eine Umwandlung der Netzleistung mit konstanter Frequenz und Spannung in eine Leistung mit variabler Frequenz und Spannung .
Der Stromrichter ist beispielsweise ein Umrichter, ein Gleichrichter bzw . ein Wechselrichter . Der Stromrichter kann wassergekühlt sein und/oder luftgekühlt sein . Der Stromrichter wird beispielsweise in Anwendungen mit hohen Anforderungen an Zuverlässigkeit und Qualität eingesetzt . Anwendungsbeispiele für Stromrichter sind beispielsweise :
• Industriepumpen und Lüfter
• Öl- und Gaspumpen und Kompressoren, z . B . elektrische Tauchpumpen und Hochgeschwindigkeitskompressoren
• Kesselgebläse ( Saugzug und Druckbelüftung) zur Energieerzeugung
• Reinwasser- und Abwasserpumpen
• Anwendungen mit mehreren Motoren und Synchron-Trans f er
( z . B . Pipelines in der Öl- und Gasindustrie ) .
Diese Anwendungsbeispiele betref fen oftmals einen Einsatz des Stromrichters , bei dem insbesondere hohe Leistungen notwendig sind . Dies sind insbesondere Leistungen im einstelligen, zweistelligen oder dreistelligen Megawattbereich . Hierfür sind dann Stromrichter vorzugsweise eingesetzt , welche die Mittelspannung betref fen . Diese sind als Mittelspannungs- Stromrichter zu bezeichnen . Als Mittelspannung kann eine Spannung von größer, gleich 1000 V angesehen werden . Spannungen von 4000 V oder 6000 V können auch noch als Mittelspannung bezeichnet werden . Der Stromrichter ist beispielsweise ein variable- frequency drive (VFD) . Der Sinamics Perfect Harmony GH180 ist ein Beispiel für einen VFD .
Wenn der Stromrichter Probleme hat , wird das Problem erkannt und in einer Logdatei dokumentiert bzw . gespeichert . Die Logdatei stellt ein Protokoll dar, wobei die erkannten und dokumentierten Probleme Protokolleinträge sind . Bei diesen Protokolleinträgen kann es sich um Warnungen handeln, um einen Anwender auf potenziell kritische Ereignisse hinzuweisen . Bei diesen Protokolleinträgen kann es sich auch um Fehler handeln, um einen Anwender auf einen Fehler hinzuweisen bzw . diesen Fehler zu dokumentieren . Kritische Ereignisse sind also beispielsweise auch Fehler . Für Ereignisse werden also Fehlermeldungen bzw . Warnmeldungen erzeugt . Fehler können zum Aus fall des Stromrichters führen bzw . geführt haben . Da ein Aus fall des Stromrichters j edoch in der Regel nicht nur zu einem Fehler, sondern zu einer Kaskade von Fehler- und Warnprotokollereignissen führt , wird die technische Ursache des Aus falls des Stromrichters verschleiert und kann nur von Stromrichterexperten abgeleitet werden, die den Verlauf der Protokollereignisse analysieren .
Eine Aufgabe der Erfindung ist es eine Ereignisüberwachung des Stromrichters zu verbessern .
Eine Lösung der Aufgabe ergibt sich nach einem Verfahren nach Anspruch 1 bzw . nach einem Verfahren nach Anspruch 6 bzw . bei einer Ereignisüberwachung nach Anspruch 10 . Ausgestaltungen ergeben sich beispielsweise gemäß der Ansprüche 2 bis 5 , 7 bis 9 und 11 .
Bei einem Verfahren zur Ereignisüberwachung bei einem Stromrichter werden Protokolldaten des Stromrichters verwendet , wobei vor einem Beginn der Ereignisüberwachung die Protokoll- daten für eine Zeitperiode nach dem Start keinen Fehler zeigen, wobei die Zeitperiode bestimmbar ist , wobei der Stromrichter zumindest zwei Typen von Fehlern bzw . Warnungen aufweist , einen ersten Fehlertyp bzw . Warnungstyp, welcher vom Typ des Stromrichters abhängt , also insbesondere durch diesen bestimmt sind und einem zweiten Fehlertyp bzw . Warnungstyp, wobei der zweite Fehlertyp Fehler aufweist bzw . der zweite Warnungstyp Warnungen aufweist , welche durch einen Nutzer definierbar sind, also von dem Nutzer bestimmt sind, wobei zur Ereignisüberwachung eine Auswertung einer Kombination von Fehlern bzw . Warnungen des j eweiligen ersten Typs und des j eweiligen zweiten Typs verwendet werden und/oder zur Ereignisüberwachung eine Auswertung einer Kombination von Fehlern bzw . Warnungen des j eweiligen zweiten Typs verwendet werden . Der Stromrichter kann also beispielsweise durch einen Nutzer so ausgestaltet werden, dass der Nutzer für den Stromrichter individuelle Meldungen definiert . Ein Beispiel für eine Meldung ist ein Fehler oder eine Warnung, also eine Fehlermeldung oder eine Warnmeldung . Durch die individuellen Meldungen lässt sich eine individuelle Ereignisüberwachung erstellen, welche abhängig ist von den vom Nutzer individuell erstellten Meldungen . Dies verbessert die Ereignisüberwachung und kann diese präziser machen . Die von dem Nutzer definierten Meldungen sind beispielsweise in einem SOP ( System Operating Program) hinterlegt bzw . dort definiert . Derartige vom Nutzer definierte Meldungen können als solche bei einer Anzeige der Meldung gekennzeichnet sein . Nutzer definierte Meldungen basieren beispielsweise auf Signalen von I /O Schnittstellen, die in einer Anlage entstehen, in welcher der Stromrichter integriert ist . Signale , auf welchen die Nutzer definierten Meldungen basieren, können beispielsweise Digitalsignale oder Analogsignale sein . Nutzer definierte Meldungen können beispielsweise auf Basis eines einzelnen Signals und/oder auf Basis einer Kombination von Signalen erzeugt werden . Derartige Signale können beispielsweise einen Notaus betref fen, das Öf fnen einer Tür, das Fallen einer Sicherung, eine Unterspannung, eine Überspannung, einen Fehlerstrom, einen Überström, einen Lüfteraus fall , einen Aus fall eines Leistungsmoduls des Stromrichters , den Bypass eines Leistungsmoduls des Stromrichters , einen I solierungs fehler, eine I solierungswarnung, einen Kommunikations fehler insbesondere eines Leistungsmoduls des Stromrichters , einen Fehler oder eine Warnung zur Kühlung des Stromrichters , eine Vorladung des Stromrichters , etc . . Es ist erkennbar, dass individuell erstellte Meldungen für einen Stromrichter, der in eine individuelle Nutzung ( industrielle Anlage ) eingebunden ist , von Bedeutung sind . Diese individuell durch einen Nutzer erstellten Meldungen können vorteilhaft für die Ereignisüberwachung des Stromrichters in dessen individueller Umgebung, also der industriellen Anlage , genutzt werden . Dies verbessert die Qualität der Überwachung . Der Nutzer des Stromrichters ist dabei eine Person, welche den Stromrichter bedient . Diese Bedienung kann beispielsweise durch einen Betreiber des Stromrichters erfolgen oder durch einen Inbetriebset zer oder dergleichen .
In einer Ausgestaltung des Verfahrens werden zum Erzeugen einer Ereignisüberwachung bei einem Stromrichter Protokolldaten nach einem Start des Stromrichters , insbesondere einem erfolgreichen Start , des Stromrichters , verwendet , wobei die Protokolldaten für eine Zeitperiode nach dem Start keinen Fehler zeigen, wobei die Zeitperiode bestimmbar ist . Der Stromrichter ist beispielsweise ein Mittelspannungsstromrichter . Die Protokolldaten betref fen beispielsweise Statusmeldungen, Warnmeldungen und/oder Fehlermeldungen . Derartige Meldungen betref fen beispielsweise folgende Elemente : eine Steuerung des Stromrichters , eine Regelung des Stromrichters , einen Temperatursensor, einen Luftmengensensor, einem Strommesser, einen Spannungsmesser, einen Leistungshalbleiter, etc . Ein erfolgreicher Start des Stromrichters ist insbesondere ein Start , bei welchem keine Fehlermeldungen und/oder Warnmeldungen generiert werden .
In einer Ausgestaltung des Verfahrens werden die Protokolldaten gekennzeichnet , wobei die Kennzeichnung, insbesondere eine zeitliche Information, wie ein Zeitstempel ist bzw . eine Abfolge protokollierter Meldungen betri f ft , wobei eine Mel- dung insbesondere ein Fehler und/oder eine Warnung ist , wobei insbesondere Protokolldaten nach dem Start des Stromrichters bzw . nach einem Reset ( Zurücksetzen) des Stromrichters verwendet werden .
In einer Ausgestaltung des Verfahrens wird ein maschinelles Lernmodell , also eine künstliche Intelligenz , verwendet . Die künstliche Intelligenz ermittelt die wahrscheinlichsten technischen Grundursachen eines Aus falls bzw . eines Fehlers auf automatisierte Weise . Mittels der künstlichen Intelligenz lässt sich eine Log-Ereignishistorie automatisiert analysieren . Die Log-Ereignishistorie entspricht den Protokolldaten .
In einer Ausgestaltung des Verfahrens wird ein Algorithmus für ein maschinelles Lernen verwendet , welcher die technische Grundursache , also die Quelle , eines als solchen erkannten Fehlers kategorisieren kann . Hierfür können unterschiedliche Schritte durchgeführt werden . In einem Schritt können Aus fälle eines historischen Stapels von Logbuchdaten, welche auch als Protokolldaten bezeichnet werden können, von einem Experten gekennzeichnet werden . In einem weiteren Schritt kann ein Algorithmus für maschinelles Lernen trainiert werden, um Fehlerereignisse in vordefinierte Ursachenkategorien zu kategorisieren . Es findet also eine Kategorisierung in Quellen für Fehler statt . Die künstliche Intelligenz kann so dahingehend trainiert werden, dass diese auf Grundlage einer Kaskade von Meldungen ( eine oder eine Viel zahl von : Statusmeldungen, Warnmeldungen, Fehlermeldungen) auf eine Fehlerquelle schließt , d . h . diese angibt . In einer Ausgestaltung können auch mehrere Fehlerquellen angegeben sein, wobei j eweils eine Wahrscheinlichkeit für die Richtigkeit dieser Angabe errechnet bzw . ausgegeben wird .
In einer Ausgestaltung des Verfahrens werden also die Protokolldaten gekennzeichnet , wobei die Kennzeichnung eine zeitliche Abfolge protokollierter Meldungen betri f ft . Die Protokolldaten weisen eben diese Meldungen auf . Die zeitliche Abfolge ergibt sich aus einer Kaskadierung von Meldungen . Der- artige Meldungen können voneinander abhängig sein oder voneinander unabhängig sein . Die Meldungen, die in Ihrer Abfolge betrachtet werden, sind insbesondere unterschiedlichen Typs . Es sind also Meldungen, welche vom Typ des Stromrichters bestimmt sind und Meldungen, welche von dem Nutzer des Stromrichters bestimmt sind .
Eine Aufgabe der künstlichen Intelligenz ist es voneinander abhängigen Meldungen zu erkennen und einer ursächlichen Quelle zuzuordnen .
In einer Ausgestaltung des Verfahrens werden in einem Schritt historische Daten eines oder mehrerer Stromrichter, insbesondere des gleichen Typs , in einer Datenbank auf eine automatisierte Weise nach Fehlern durchsucht . Die Fehler werden zum Beispiel mit den folgenden Informationen über den Fehler aufgelistet , also voneinander unterschieden :
Fehler, die beim Aus fall bis zu 1 Stunde nach dem ersten Fehler aufgetreten sind . Dieses Zeitintervall wurde für beste Ergebnisse konzipiert und ist eine typische Zeitspanne , in der Fehler Nebenwirkungen verursachen oder menschliches Eingrei fen erfordern, um dieses Problem zu lösen; Diese Fehler betref fen z . B . : einen eingangsbezogenen Fehler ( z . B . ein Problem in der Stromversorgung des Antriebs ) , einen kühlsystembezogenen Fehler ( z . B . einen Aus fall der Luft- oder Wasserkühlung) und/oder einen Kommunikations fehler der Leistungs zelle ( z . B . eine interne Antriebselektronik) ; Die gesammelten Informationen tragen zur Genauigkeit des vorgestellten Ansatzes bei ;
Warnungen, die vor dem ersten Fehler, insbesondere bis zu drei Stunden vor dem ersten Fehler, aufgetreten sind; dieses Zeitintervall stellt sicher, dass die kritischsten Informationen (Meldungen) , die in einem kausalen Zusammenhang mit dem Fehler stehen, gesammelt werden und nach fachlicher Beratung und Engineering der Ergebnisse ausgewählt wurden; Es könnten j edoch für verschiedene Arten von Aus fällen unterschiedliche Zeitintervalle gewählt werden, da für sie eine unterschiedliche Zeit bis zum Ausfall erwartet wird; Bei kühlsystembedingten Fehlern könnte sogar eine Woche Zeit für die Ursachenanalyse wichtig sein (z.B. kann ein Leck in der Kühlflüssigkeit zu Alarmen führen, Tage oder Wochen bevor der tatsächliche Ausfall des Kühlsystems diagnostiziert werden kann) ; Die Zeit zwischen einem ersten und einem letzten Fehler; Diese Zeit ist wichtig, da sie Ausfälle einer Kombination von Fehlern, die fast gleichzeitig auftreten und daher wahrscheinlich in einem kausalen Zusammenhang stehen, von einer Reihe von Fehlern trennen kann, die durch menschliches Eingreifen verursacht wurden.
In einer Ausgestaltung des Verfahrens werden Meldungen Quellen für Fehler zugeordnet. So kann erreicht werden, dass Folgefehler von einem ursächlichen Fehler unterschieden werden können.
In einer Ausgestaltung des Verfahrens werden zum Training der künstlichen Intelligenz Informationen über die zeitliche Abfolge von Meldungen und über eine kategorisierte Ursächlichkeit an einen Experten gegeben, der die Grundursache jedes Ausfalls ermittelt und beispielsweise in einer Liste als zumindest eine der folgenden Grundursachenkategorien vermerkt, die insbesondere alle kritischen Komponenten des Stromrichters abdecken:
Power Gell (Leistungszelle / Leistungshalbleitermodul) bezogen (z.B. Ausfall aufgrund eines Power Gell- Problems ) ,
Power Gell kommunikationsbezogen (z.B. Ausfall aufgrund von Problemen bei der Kommunikation von Leistungszellen) , Systembezogen, Kühlungsbedingt (z.B. Ausfall aufgrund eines Kühlsystemproblems ) , Eingabebedingt (z.B. Fehler aufgrund von Problemen bei der Eingabe eines Bedieners vor Ort zum Fahren des Stromrichters ) , Leistungsbezogen (z.B. Ausfall aufgrund von Problemen in der vom Antrieb angetriebenen Anwendung) , Vorladung verbunden (z.B. Ausfall aufgrund von Vorladungsproblemen beim Start des Stromrichters) , Antriebsverlust verbunden (z.B. Ausfall durch übermäßige Antriebsverluste) , Manueller Halt (z.B. Kaskaden von Fehlern, die durch manuelles Abschalten des Antriebs ausgelöst werden) .
In einer Ausgestaltung des Verfahrens wird für eine Zuordnung eine Wahrscheinlichkeit errechnet. So kann man gezielter an die Behebung eines Fehlers herangehen, ohne Mögliche aber unwahrscheinliche Ausfallmöglichkeiten zu vergessen.
In einer Ausgestaltung des Verfahrens wird in einem Schritt eine Liste der Fehler, also die Protokolldaten, mit Experten- Labels als Input für einen Algorithmus für maschinelles Lernen im Sinne eines überwachten Lernansatzes, verwendet. Der Algorithmus für maschinelles Lernen wird so optimiert, dass er in der Lage ist, vorher unbekannte Ausfälle in die Kategorien einzuordnen, wobei die Kategorien mit einer Kategorisierungswahrscheinlichkeit zurückgegeben werden, die z.B. die Grundursache, also die Quelle des Ausfalls ist: z.B. kühlungsbedingter Fehler (90%) , systembezogener Fehler (10%) .
In einer Ausgestaltung des Verfahrens wird also eine künstliche Intelligenz trainiert und so eine Ereignisüberwachung erzeugt .
Bei einem Verfahren zur Ereignisüberwachung bei einem Stromrichter, werden Meldungen erfasst, wobei die Meldungen einen Zeitstempel und eine Identifikation aufweisen, wobei durch die Abfolge der Meldungen ein Ereignis erkannt wird. Durch eine bestimmte Kaskadierung lässt sich auf eine bestimmte ursächliche Fehlerquelle schließen. Wobei ursächlich zusammenhängende Fehler zu erkennen sind.
So kann in einer Ausgestaltung mittels einer digitalen Plattform, insbesondere in einer Cloud, zur Optimierung von Antriebssystemen, Motoren, Umrichtern eine Datensammlung ange- legt werden . Die Daten betref fen insbesondere Logfiles von entsprechenden Maschinen, wie einen Stromrichter oder einen Motor oder einen Trans formator . Diese Daten können insbesondere dafür verwendet werden, um mit Hil fe eines Algorithmus für maschinelles Lernen die Grundursache eines ausgewählten Fehlers zu kategorisieren . So können Logbuchdaten, die von einem Stromrichter erhalten werden, folgende Informationen aufweisen : den Zeitstempel des Log-Ereignisses , die Schwere des Protokollereignisses : Info , Fehler oder Warnung, einen Text des Log-Ereignisses , den Auslöser des Log-Ereignisses .
So wird z . B . ein Aus fall eines Antriebs durch das Auftreten eines oder mehrerer Fehler nach einer bestimmten fehlerfreien Zeit nach einem erfolgreichen Neustart angezeigt . Dabei wird die fehlerfreie Zeit als mindestens sieben Tage definiert . Dies ist eine charakteristische Zeit , die z . B . während der Entwicklung festgelegt wurde , um sicherzustellen, dass sich der Antrieb in einem regulären Betriebsmodus befand . Dabei weist der Antrieb zumindest einen Stromrichter auf .
In einer Ausgestaltung des Verfahrens weist die Identi fikation einen Meldetyp, einen Text und/oder eine Quelle der Meldung auf . So kann eine Eineindeutigkeit sichergestellt werden .
In einer Ausgestaltung des Verfahrens ist das Ereignis ein Ausgangs fehler, wobei zur Erkennung des Ereignisses eine künstliche Intelligenz eingesetzt wird, wobei die künstliche Intelligenz eine Cloud-Anwendung ist . So kann ortsunabhängig immer die gleiche Qualität an künstlicher Intelligenz genutzt werden .
In einer Ausgestaltung des Verfahrens wird eine Ereignisüberwachung der beschriebenen Art verwendet . Die Ereignisüberwa- chung eines Stromrichters kann also eine künstliche Intelligenz aufweisen und/oder auf diese zugrei fen .
Eine Ereignisüberwachung eines Stromrichters weist eine Kommunikationseinrichtung und eine Datenverarbeitung zur Durchführung eines der beschriebenen Verfahren auf .
Nunmehr ist es möglich, ohne tiefgrei fende technische Kenntnisse die Ursache des Versagens eines Stromrichters aus den Log-Ereignissen zu extrahieren . Nur für Experten war es bislang möglich, die Logfiles des Stromrichters zu analysieren und die Ursache eines Aus falls abzuleiten . Infolgedessen ist nunmehr z . B . Folgendes möglich : ein Anwender kann den Aus fall seines Stromrichters schnell analysieren und seine Anwendung schneller wieder zum Laufen bringen; der Anwender kann die Aus fälle seines Antriebs , welcher zumindest einen Stromrichter aufweist , in der Vergangenheit überprüfen, um seine Anlage für weniger Aus fall zeiten zu optimieren;
Stromrichter können leichter überprüft werden und Servicemaßnahmen können leichter vorgeschlagen werden; ein schnellerer Neustart eines Stromrichters ist möglich, da die Zeit für die Ursachenanalyse durch Experten drastisch verkürzt ist .
Im Gegensatz zur manuellen Analyse ist die hier vorgestellte automatisierte Lösung insbesondere in der Lage , eine beliebige Anzahl von Fehlern gleichzeitig zu verarbeiten .
Ermöglicht ist auch ein Cloud-Analyse-Ansat z , da die Logfile- Daten vom Stromrichter in der Cloud gespeichert werden . Infolgedessen wird z . B . die Ursachenanalyse auf skalierbaren Cloud- Instanzen in einer geeigneten Python-Umgebung bereitgestellt . Diese technischen Merkmale tragen zum großen Vorteil des vorgestellten Ansatzes bei , da sie eine Prozessautomatisierung ermöglichen . In einer Ausgestaltung der Erfindung wird für den Algorithmus der künstlichen Intelligenz als ein Schlüsselalgorithmus der aus Expertenwissen abgeleitete maschinelle Lernansatz ( Labelling) verwendet , der als automatisiertes Modul zur Ursachenanalyse implementiert ist . Insbesondere beruht die Fehlerextraktion auf historischen Daten wie auch die Expertenetikettierung .
Die Merkmale der einzelnen beanspruchten bzw . beschriebenen Gegenstände sind ohne Weiteres miteinander kombinierbar . Im Folgenden wird die Erfindung beispielhaft anhand von Figuren näher dargestellt und erläutert . Die in den Figuren gezeigten Merkmale können fachmännisch zu neuen Aus führungs formen komm- biniert werden, ohne die Erfindung zu verlassen . Es zeigen
FIG 1 ein erstes Beispiel und,
FIG 2 ein zweites Beispiel .
Die Darstellung nach FIG 1 zeigt zwei Fehler Fl und F2 traten gleichzeitig auf ( Fl : Cooling Sys Mv Trip und F2 : Cooling Sys Vfd Trip ) . Diese Fehler werden erfasst , sobald sie innerhalb von einer Stunde T2 auftreten und als Fehler erkannt werden . Bis zu drei Stunden T3 vor dem ersten Fehler wurde der Alarm Al Coolnt Tank Level < 30 zweimal ausgelöst . Der Algorithmus A kommt zu dem Schluss , dass es sich hierbei um einen Aus fall Q des Kühlsystems handelt . Im Zeitraum T3 hätte z . B . auch ein erster Fehler Fl auftreten können, der nichts mit dem Aus fall Q zu tun hat .
Die Darstellung nach FIG 2 zeigt , dass innerhalb von zwei Sekunden T4 drei verschiedene Fehler F4 , F5 und F6 auftraten : F4 Eingangsschutz fehler, F5 Emergencia Stop Remote und F6 Notstopp . Drei Stunden T3 vor dem ersten Fehler F4 werden keine Alarme gefunden . Wenn man nur den "Eingangsschutz fehler" betrachtet , kann ein Experte zu dem Schluss kommen, dass der Antrieb durch ein schwerwiegendes antriebsbezogenes Problem gestoppt wurde . "Emergencia Stop Remote" und "Notstopp" führen j edoch zu der Schluss folgerung des Algorithmus , dass es sich um einen manuellen Stopp des Antriebs handelt. Dies ist hilfreich, da es die Suche nach einem Problem im Ereignisprotokoll verhindert und es dem Benutzer direkt ermöglicht, den Stromrichter neu zu starten.
Zum Beispiel kann infolgedessen der Algorithmus für maschinelles Lernen, wenn er die Fehler und die Warnung kennt, die bei einem Ausfall aufgetreten sind, die Ursache eines bisher nicht gesehenen Ausfalls mit einer Genauigkeit von >95 % be- stimmen. Der verwendete Algorithmus des maschinellen Lernens basiert z.B. auf einer C-Support-Vektor-Klassif ikation . Die Ursachenanalyse kann selektiv für einen einzelnen Ausfall des Stromrichters (spezifiziert als kritisches Protokollereignis) ausgelöst werden, so dass sie dem Service und dem Bediener bei Bedarf zugänglich ist.

Claims

Patentansprüche
1 . Verfahren zur Ereignisüberwachung bei einem Stromrichter, wobei Protokolldaten des Stromrichters verwendet werden, wobei vor einem Beginn der Ereignisüberwachung die Protokolldaten für eine Zeitperiode nach dem Start keinen Fehler zeigen, wobei die Zeitperiode bestimmbar ist , wobei der Stromrichter zumindest zwei Typen von Fehlern bzw . Warnungen aufweist , einen ersten Fehlertyp bzw . Warnungstyp, welcher vom Typ des Stromrichters abhängt und einen zweiten Fehlertyp bzw . Warnungstyp, wobei der zweite Fehlertyp Fehler aufweist bzw . der zweite Warnungstyp Warnungen aufweist , welche durch einen Nutzer definierbar sind, wobei zur Ereignisüberwachung eine Auswertung einer Kombination von Fehlern bzw . Warnungen des j eweiligen ersten Typs und des j eweiligen zweiten Typs verwendet werden und/oder zur Ereignisüberwachung eine Auswertung einer Kombination von Fehlern bzw . Warnungen des j eweiligen zweiten Typs verwendet werden .
2 . Verfahren nach Anspruch 1 , wobei die Protokolldaten gekennzeichnet werden, wobei die Kennzeichnung eine zeitliche Information ist bzw . eine Abfolge protokollierter Meldungen betri f ft , wobei eine Meldung ein Fehler und/oder eine Warnung ist , wobei insbesondere Protokolldaten nach dem Start des Stromrichters verwendet werden .
3 . Verfahren nach Anspruch 1 oder 2 , wobei Meldungen Quellen für Fehler zugeordnet werden und/oder sind .
4 . Verfahren nach Anspruch 3 , wobei für eine Zuordnung eine Wahrscheinlichkeit errechnet wird .
5. Verfahren nach einem der Ansprüche 1 bis 4 , wobei eine künstliche Intelligenz trainiert wird und derart insbesondere eine Ereignisüberwachung erzeugt ist .
6. Verfahren zur Ereignisüberwachung bei einem Stromrichter, wobei Meldungen erfasst werden, wobei die Meldungen einen Zeitstempel und eine Identifikation aufweisen, wobei durch die Abfolge der Meldungen unterschiedlichen Typs ein Ereignis erkannt wird.
7. Verfahren nach Anspruch 6, wobei die Identifikation einen Meldetyp, einen Text und/oder eine Quelle der Meldung aufweist.
8. Verfahren nach Anspruch 6 oder 7, wobei das Ereignis ein Ausgangsfehler ist, wobei zur Erkennung des Ereignisses eine künstliche Intelligenz eingesetzt wird, wobei die künstliche Intelligenz eine Cloud-Anwendung ist.
9. Verfahren nach einem der Ansprüche 6 bis 8, wobei eine nach Anspruch 1 bis 4 erzeugte Ereignisüberwachung verwendet wird .
10. Ereignisüberwachung eines Stromrichters, welche eine künstliche Intelligenz aufweist.
11. Ereignisüberwachung nach Anspruch 10, wobei ein Verfahren nach einem der Ansprüche 1 bis 9 verwandt ist.
EP21786792.8A 2020-09-30 2021-09-28 Ereignisüberwachung bei einem stromrichter Pending EP4186156A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20199337.5A EP3979479A1 (de) 2020-09-30 2020-09-30 Ereignisüberwachung bei einem stromrichter
PCT/EP2021/076569 WO2022069430A1 (de) 2020-09-30 2021-09-28 Ereignisüberwachung bei einem stromrichter

Publications (1)

Publication Number Publication Date
EP4186156A1 true EP4186156A1 (de) 2023-05-31

Family

ID=72709148

Family Applications (2)

Application Number Title Priority Date Filing Date
EP20199337.5A Withdrawn EP3979479A1 (de) 2020-09-30 2020-09-30 Ereignisüberwachung bei einem stromrichter
EP21786792.8A Pending EP4186156A1 (de) 2020-09-30 2021-09-28 Ereignisüberwachung bei einem stromrichter

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP20199337.5A Withdrawn EP3979479A1 (de) 2020-09-30 2020-09-30 Ereignisüberwachung bei einem stromrichter

Country Status (4)

Country Link
US (1) US20240248150A1 (de)
EP (2) EP3979479A1 (de)
CN (1) CN116249946A (de)
WO (1) WO2022069430A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL2033997B1 (en) * 2023-01-20 2024-07-30 Vmi Holland Bv Method, system and computer program product for root cause analysis in an industrial machine
US12537734B2 (en) * 2023-12-13 2026-01-27 Sap Se Observability platform service for operational environment

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5892898A (en) * 1996-10-04 1999-04-06 Honeywell, Inc. Error management system for supporting the identification and logging of error messages
GB201621622D0 (en) * 2016-12-19 2017-02-01 Palantir Technologies Inc Machine fault modelling
JP6380628B1 (ja) * 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
CN108038049B (zh) * 2017-12-13 2021-11-09 西安电子科技大学 实时日志控制系统及控制方法、云计算系统及服务器
US11188691B2 (en) * 2018-12-21 2021-11-30 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs

Also Published As

Publication number Publication date
US20240248150A1 (en) 2024-07-25
EP3979479A1 (de) 2022-04-06
CN116249946A (zh) 2023-06-09
WO2022069430A1 (de) 2022-04-07

Similar Documents

Publication Publication Date Title
EP1250632B1 (de) System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen
DE102011108678B4 (de) Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern
EP1252556B1 (de) Verfahren zum automatisierten generieren einer fehlerbaumstruktur
DE102011117803B4 (de) Verfahren für die Wartungsdiagnose- und Wartungsprozedurverbesserung
DE102010038827A1 (de) Verfahren und System für die Fehlervorhersage mit Hilfe eines Agenten
DE112016003171T5 (de) Verfahren zum Überwachen einer Antriebseinheit einer Fahrzeugkarosseriemontagelinie und eine Vorrichtung dafür
DE69718714T2 (de) Fehlererfassung während des Betriebes von elektrischer Gerätschaft
EP3026518A1 (de) Verfahren für eine Root-Analyse einer Alarmflutfolge
Al-Dabbagh et al. Toward the advancement of decision support tools for industrial facilities: Addressing operation metrics, visualization plots, and alarm floods
EP3451101B1 (de) Verfahren zum bestimmen einer fehlerursache eines fehlers in einer fahrzeugkomponente
CN104657913A (zh) 一种基于全数据模型的智能告警系统
EP4186156A1 (de) Ereignisüberwachung bei einem stromrichter
DE10144006A1 (de) Verfahren zur Meldungsdiagnose
EP2927819A1 (de) Verfahren zur automatischen Verarbeitung einer Anzahl von Protokolldateien eines Automatisierungssystems
DE102021114087A1 (de) Selektive Meldesysteme für Funktionszustandsinformationen, die integrierte Diagnosemodelle enthalten, die Informationen über die geringst- und höchstmögliche Ursache bereitstellen
DE112020007771T5 (de) Elektromotordiagnoseeinrichtung
CN113379314B (zh) 一种基于推理算法的年度生产计划智能监管方法
CN117543840A (zh) 一种基于变电站集中监控数据智能分析与辅助决策系统
EP4185932A2 (de) Überwachung eines stromrichters
EP4178101B1 (de) Schwingungsbasierten zustandsüberwachung von elektrischen rotatorischen maschinen
CN113955149B (zh) 一种电机系统的健康诊断方法和装置
WO2023166197A1 (de) Verfahren und system zum überwachen eines spannungsnetzes, verfahren zum trainieren einer künstlichen intelligenz zur prognose eines zukünftigen zustands eines spannungsnetzes, computerprogramm sowie computerlesbarer datenträger
EP3623890A1 (de) Verfahren zum überwachen von mehreren verfahrenstechnischen anlagen
EP3961333A1 (de) System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger
EP4261629A1 (de) Leitsystem für eine technische anlage und betriebsverfahren

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230222

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: INNOMOTICS GMBH