EP4555619A1 - Verfahren zur überwachung einer elektrischen maschine - Google Patents

Verfahren zur überwachung einer elektrischen maschine

Info

Publication number
EP4555619A1
EP4555619A1 EP23787033.2A EP23787033A EP4555619A1 EP 4555619 A1 EP4555619 A1 EP 4555619A1 EP 23787033 A EP23787033 A EP 23787033A EP 4555619 A1 EP4555619 A1 EP 4555619A1
Authority
EP
European Patent Office
Prior art keywords
data
monitoring
model
electrical machine
classification
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
EP23787033.2A
Other languages
English (en)
French (fr)
Inventor
Julia Hofmockel
Sascha Dumke
Alirio FAZIO JUNIOR
Jens Winter
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
Innomotics GmbH
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 Innomotics GmbH filed Critical Innomotics GmbH
Publication of EP4555619A1 publication Critical patent/EP4555619A1/de
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/34—Modelling or simulation for control purposes
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0031—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control implementing a off line learning phase to determine and store useful data for on-line control

Definitions

  • the invention relates to a method for monitoring an electrical machine.
  • An electrical machine is, for example, a dynamoelectric machine, such as a motor or a generator.
  • An electric machine is, for example, a drive that has a power converter and a dynamoelectric machine, such as in particular a motor.
  • the power converter itself can also be described as an electrical machine.
  • Electrically driven machines such as pumps, fans or compressors can also be referred to as electrical machines.
  • the invention relates in particular to a method for the automated detection of speed control deviations in drive converters, which are also subsumed under power converters, for standard applications such as pumps, fans or compressors.
  • the electrical machine is regulated in particular by means of a control system.
  • target speed There is a deterministic relationship between the parameters target speed and the referenced engine speed. In many cases the two sizes normally correspond. However, additional parameters, such as a minimum speed or the avoidance of critical speeds, influence the relationship between the parameters. This means that there is no general rule and there are machine-specific differences. Particularly when the torque limits are reached, it can happen that the target speed is not reached. Such conditions, events and developments must be recognized and monitored.
  • the target speeds and actual speeds of the electrical machine can be monitored manually by experts over longer periods of time. Viewing a time series, for example at irregular time intervals, serves in particular to classify the current health status of the electrical machine. In this way, the electrical machine and/or the application of the electrical machine can be monitored.
  • One object of the invention is to improve monitoring of an electrical machine.
  • a solution to the problem arises according to a method according to claim 1.
  • a further solution to the problem arises, for example, according to one of claims 2 to 7.
  • speed-related data are used to monitor, with a linear regression model being learned on the basis of training data, with a total error sum being calculated, with an error being detected if a limit value is exceeded by the total error sum and/or a classification takes place and/or a new model is trained.
  • a classification is carried out.
  • the classification particularly has two states, such as the normal state and the abnormal state.
  • a new model is trained. For example, if the total error sum determined exceeds the limit value, abnormal behavior is recognized. It is therefore classified as abnormal. If the limit value is not exceeded, it is classified as normal. If the classification is abnormal for a longer period of time, a new model is trained. A new model is therefore trained if the error or if the total error sum is persistent, i.e. the total error sum is permanently exceeded.
  • the duration at which the limit is permanently exceeded can, in particular, be set.
  • the new model is based in particular on a linear regression model.
  • the limit value that is used for the total error sum is particularly adjustable. The duration can, for example, be seconds, minutes or hours and can be set in particular by a user.
  • the duration set or used depends in particular on the application.
  • the limit value can in particular also be of one 202214353 Foreign version 3 users can be adapted.
  • the process can be adapted for special machines.
  • abnormal operating states of machines can be detected using a general monitoring approach.
  • a total error sum and monitoring it using a limit value it is possible to adapt the monitoring of a machine again and again, i.e. to adapt it on a recurring basis, especially if the general conditions change. This can result in an endless loop of recurring adaptations for monitoring.
  • the linear regression model in conjunction with the formation of a total error sum, automated detection of malfunctions in the algorithm can be reliably achieved.
  • the error used for summing is set to zero for irrelevant times.
  • weighting is used when calculating the total error sum.
  • the weighting particularly affects a forgetting factor.
  • the forgetting factor weights errors according to their age. The older an error is, the less weight it is given. This means that past errors are not carried forward permanently.
  • monitoring is carried out for recurring operating states of the dynamoelectric machine, with real data from a control system of the dynamoelectric machine being monitored with expected data, with deviations between the real data and the expected data are accumulated depending on time, with the deviations being used to classify the behavior of the control, with the classification of the control being monitored over time, with the expected data being changed depending on the monitoring of the classification.
  • a recurring operating state can also be an operating state of a system or can depend on this operating state of the system, with the electrical machine being located in the system.
  • the data used for monitoring is in particular speed data, which can also be referred to as parameters.
  • speed data can also be referred to as parameters.
  • speed data can also be referred to as parameters.
  • speed data can also be referred to as parameters.
  • a control system for the electrical machine is modeled so that the behavior of the electrical machine can be simulated in whole or in part.
  • actual values of the electrical machine are simulated. This is, for example, a speed, a torque, a temperature and/or values (data) dependent on it, etc. Values result in particular from signals from the electrical machine. Signals are generated in particular by sensors. This allows an electrical machine to be monitored. This makes it possible to automate monitoring, in particular of a speed-controlled electrical machine. Monitoring is carried out in particular for non-dynamic applications of the electrical machine. An example of the use of the monitoring described in a non-dynamic application is an application in which a target speed or an actual speed of the electrical machine is constant.
  • the monitoring procedure takes place in particular taking into account at least one of the following boundary conditions or criteria: 202214353 Foreign version 6 ⁇ Detecting process-related speed changes and distinguishing them from a malfunction (adaptation of error detection to normal process-related changes), ⁇ Detecting control system-related speed changes and distinguishing them from a malfunction and/or ⁇ Detecting parameter-related speed changes and distinguishing them from a malfunction .
  • This can be achieved through a systematic adaptation of the detection, without the active knowledge of the above-mentioned changes. Otherwise, these criteria can only be filtered in complex manual data aggregations in order to detect the faulty control.
  • the automatic dynamic adaptation of the detection algorithm to changed boundary conditions without adapting parameters or long learning phases taking into account a generic approach (as described here) and using a numerical model of the electrical machine, i.e. in particular the motor, the converter and/or of the load machine, is an example of a basis for the error detection described.
  • the monitoring of the electrical machine can also relate to or include an evaluation of the electrical machine. Such an assessment can replace expert knowledge.
  • Operating states can be taken into account. In some operating states, a deviation of the values or signals (data) from one another, i.e. in particular the deviation of an actual value from a setpoint, may not be relevant. This is caused, for example, by starting and stopping the motor, a load change, process-related speed setpoint changes, etc.
  • Parameter settings of the inverter are also influencing factors that affect the related motor. influence gate speed. These parameters can either be read out manually and used by an expert for evaluation or integrated automatically into the monitoring. 202214353 Foreign version 7 be grated. Another option is to set static limit values, which can trigger an alarm message for the “torque limit” state. This allows the status of the torque limit to be monitored and an automated comparison of the parameters can also be carried out. This means that manual visual inspection is no longer necessary. For example, specific expert knowledge is no longer necessary, which could require time-consuming, deep data aggregation. An analysis requires a lot of personnel. Thanks to automated monitoring, even over very long periods of operation of the electrical machine, it no longer needs to be monitored manually.
  • the data is or relates to a speed and/or a torque of the electrical machine.
  • the accumulation over time concerns minutes, hours, days and/or months. This results in longer periods of data monitoring. These periods differ from short periods such as the times that occur during a regulation. In electrical machines, controllers often work in short periods of time such as seconds or milliseconds.
  • a model that relates to the electrical machine is used to generate the expected data.
  • the model can, for example, also affect the control of the electrical machine and the electrical machine in whole or in part. 202214353 Foreign version 8
  • a new model is created depending on the classification. During the classification or through this, it is recognized, for example, whether the model is still correct. If it is still correct, it will continue to be used. If it is no longer correct, a new model is created. This is done in particular by retraining the model, or by creating a new model and training it.
  • the model and/or the new model is trained. This means that after training, the model or the new model is trained. In this way, a model can be adapted to a specific environmental situation for the electric machine.
  • a long-term comparison of a requested and referenced engine speed is possible.
  • an automated comparison for example of the parameters, and a classification into normal or abnormal behavior.
  • Automatic data preprocessing and a data-driven approach enable the determination of the expected normal state and can be used to automatically determine anomalies within a short period of time.
  • a change in boundary conditions e.g. process parameters
  • a continuous comparison of, for example, the target/actual engine speed is possible, with automated consideration of the operating state and/or the machine-specific dependencies. The anomaly detection based on this completes the overall system for monitoring the parameters.
  • Measured values that are certain periods of time away from the next off state are considered irrelevant. Periods in which the machine is not running (including, for example, start-up and shutdown times) are not taken into account. Points in time at which the referenced speed is below the minimum limit set in the inverter are also considered irrelevant: These steps are carried out automatically so that an expert can concentrate directly on the key events and is not deceived by false reports. Including the additional measured values takes into account the context relating to the operating state and a required speed and enables an automated comparison of the relevant points in time. In one embodiment of the method, an automatic training phase is carried out.
  • the collected machine data is used to train a reference model that describes the normal relationship between requested (SpdDmd) and referenced (SpdRef) engine speed. 202214353 Foreign version 10 ⁇
  • the data ⁇ of the respective machine is used to determine the relationship between the parameters.
  • a linear regression model is trained which describes the relationship: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ' ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • FIG. 1 the use of models and FIG. 2 training phases and application phases. 202214353 Foreign version 12
  • the illustration according to Figure 1 shows the use of models, in particular the interaction of automated training and application phases.
  • the illustration according to Figure 2 shows training phases and application phases together with a transition time over a timeline 7. Training 1, 1' and the application of the reference model (RM) are shown in timeline 7 via this timeline. After a training phase 1' of the reference model (model), it is ready and is used in application phase 2.
  • RM reference model
  • Application phase 2 has normal phases 6, 6', 6'', which are inconspicuous and phases which are not normal and therefore represent an anomaly. These phases with the anomaly are the anomaly phases 5, 5 ⁇ , 5 ⁇ ⁇ . At least one of the anomaly phases can detect that the model (RM) is out of date. This results in a transition period 8 during which the model becomes outdated. This is followed by a new training 1', with a subsequent application 2' of the model with a new first normal phase 6 in application 2'.
  • the illustration according to Figure 1 shows the sequence in a block diagram. In particular, a quantity of machine data is used to train a reference model (model), which describes a normal state, in a training phase 1. The preprocessed, relevant data is used for this purpose.
  • the model is queried iteratively, or in a loop, 3 and an answer 4.5 is determined.
  • an application phase 2 follows. This involves asking iteratively, or in a loop, whether the model is old, i.e. outdated. This results in the answers 4' for yes and 5' for no, which lead to the corresponding subsequent loop. The answer to whether there is an outdated model comes from an evaluation of the anomalies detected.
  • the trained model is used in application phase 2 to classify the points in time as normal or abnormal. For this purpose, for example, one from the 202214353 Foreign version 13 Reference model resulting errors are added to a total error sum and evaluated based on a fixed limit value.
  • the current timestamp is classified as normal or abnormal.
  • the interaction of the two phases is illustrated in the illustrations in Figure 1 and Figure 2. If data is available, particularly from the past, a training phase can begin. As soon as the reference model converges, that is, as soon as the model parameters no longer change significantly, it is considered to have been fully trained and can be used for new data points in the application phase. Within the application phase, the points in time are classified as normal or abnormal. This means that unusual conditions are detected and reported to a user. If the unusual condition persists, a fundamental system or operational change can be assumed. The “normal state” that was originally trained no longer covers reality and has to be relearned. A transition period (e.g. a week or a month) ensures that the change is made visible as an anomaly. This can be responded to based on the procedure described. In response, the reference model can be renewed independently, i.e. automatically, whereupon a new normal state is defined.

Landscapes

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

Abstract

Verfahren zur Überwachung einer elektrischen Maschine Die Erfindung betrifft ein Verfahren zur Überwachung einer elektrischen Maschine, wobei die Überwachung für wiederkeh- rende Betriebszustände der dynamoelektrischen Maschine er- folgt, wobei eine Überwachung von realen Daten einer Regelung der dynamoelektrischen Maschine mit erwarteten Daten erfolgt, wobei Abweichungen der realen Daten und der erwarteten Daten abhängig von der Zeit kumuliert werden, wobei mittels der Ab- weichungen eine Klassifizierung des Verhaltens der Regelung durchgeführt wird, wobei die Klassifizierung der Regelung über die Zeit überwacht wird, wobei abhängig von der Überwa- chung der Klassifizierung die erwarteten Daten verändert wer- den.

Description

202214353 Auslandsfassung 1 Beschreibung Verfahren zur Überwachung einer elektrischen Maschine Die Erfindung betrifft ein Verfahren zur Überwachung einer elektrischen Maschine. Eine elektrische Maschine ist bei- spielsweise eine dynamoelektrische Maschine, wie z.B. ein Mo- tor oder ein Generator. Eine elektrische Maschine ist bei- spielsweise ein Antrieb, welcher einen Stromrichter und eine dynamoelektrische Maschine, wie insbesondere ein Motor auf- weist. Auch der Stromrichter selbst kann als elektrische Ma- schine bezeichnet werden. Elektrisch angetriebene Maschinen wie Pumpen, Lüfter bzw. Kompressoren können auch als elektri- sche Maschinen bezeichnet werden. Die Erfindung betrifft ins- besondere ein Verfahren zur automatisierten Erkennung von Drehzahlregelabweichungen bei Antriebsumrichtern, welche auch unter die Stromrichter zu subsumieren sind, für Standardan- wendungen wie bei Pumpen, Lüfter bzw. Kompressoren. Die elektrische Maschine wird insbesondere mittels einer Re- gelung geregelt. Zwischen den Kenngrößen Solldrehzahl und be- zogene Motordrehzahl besteht ein deterministischer Zusammen- hang. In vielen Fällen stimmen die beiden Größen im Normal- fall überein. Allerdings beeinflussen zusätzliche Parameter, wie eine minimale Drehzahl oder die Vermeidung von kritischen Drehzahlen, die Beziehung der Kenngrößen. Dadurch ist keine allgemeingültige Regel gegeben und es ergeben sich maschinen- spezifische Unterschiede. Insbesondere bei Erreichen der Drehmomentgrenzen kann es z.B. vorkommen, dass die Solldreh- zahl nicht erreicht wird. Derartige Zustände, Ereignisse bzw. Entwicklungen sind zu erkennen bzw. zu überwachen. Die Soll- drehzahlen und Istdrehzahlen der elektrischen Maschine können über längere Zeiträume manuell durch Experten überwacht wer- den. Eine Betrachtung einer Zeitreihe, z.B. in unregelmäßigen Zeitintervallen, dient insbesondere zur Einordnung des aktu- ellen Gesundheitszustands der elektrischen Maschine. So kann die elektrische Maschine und/oder die Anwendung der elektri- schen Maschine überwacht werden. 202214353 Auslandsfassung 2 Eine Aufgabe der Erfindung ist es, eine Überwachung einer elektrischen Maschine zu verbessern. Eine Lösung der Aufgabe ergibt sich nach einem Verfahren ge- mäß Anspruch 1. Eine weitere Lösung der Aufgabe ergibt sich beispielsweise gemäß einem der Ansprüche 2 bis 7. Bei einem Verfahren zur Überwachung einer elektrischen Ma- schine, wobei die Überwachung insbesondere für wiederkehrende Betriebszustände der elektrischen Maschine erfolgt, werden zur Überwachung drehzahlbezogene Daten verwendet, wobei an- hand von Trainingsdaten ein lineares Regressionsmodell ange- lernt wird, wobei eine Gesamtfehlersumme berechnet wird, wo- bei bei Überschreiten eines Grenzwertes durch die Gesamtfeh- lersumme ein Fehler erkannt wird und/oder eine Klassifizie- rung erfolgt und/oder ein neues Modell angelernt wird. Insbe- sondere erfolgt eine Klassifizierung. Die Klassifizierung weist insbesondere zwei Zustände auf, wie z.B. den Zustand normal und den Zustand anormal. Weist die Klassifizierung über eine vorgegebene bzw. vorgebbare Zeit stets den Zustand anormal auf, so wird ein neues Modell angelernt. Überschrei- tet also z.B. die ermittelte Gesamtfehlersumme den Grenzwert, so wird ein anormales Verhalten erkannt. Es erfolgt also eine Klassifizierung als anormal. Wird der Grenzwert nicht über- schritten, so erfolgt eine Klassifizierung als normal. Ist die Klassifizierung für einen längeren Zeitraum anormal, so wird ein neues Modell angelernt. Ein neues Modell wird also angelernt, wenn der Fehler bzw. wenn die Gesamtfehlersumme dauerhaft ansteht, also die Gesamtfehlersumme dauerhaft über- schritten ist. Die Dauer, bei der ein dauerhaftes Überschrei- ten vorliegt, ist insbesondere einstellbar. Das neue Modell basiert insbesondere wiederum auf einem linearen Regressions- modell. Der Grenzwert, welcher für die Gesamtfehlersumme ver- wendet wird, ist insbesondere einstellbar. Die Dauer kann beispielsweise Sekunden, Minuten oder Stunden betreffen und ist insbesondere durch einen Nutzer einstellbar. Die einge- stellte bzw. verwendete Dauer hängt insbesondere vom Anwen- dungsfall ab. Der Grenzwert kann insbesondere auch von einem 202214353 Auslandsfassung 3 Nutzer angepasst werden. So kann das Verfahren beispielsweise für spezielle Maschinen angepasst werden. So können insbeson- dere abnormale Betriebszustände von Maschinen mittels eines allgemeinen Ansatzes zur Überwachung erkannt werden. Durch die Verwendung einer Gesamtfehlersumme und deren Überwachung mittels eines Grenzwertes ist es möglich die Überwachung ei- ner Maschine immer wieder anzupassen, also wiederkehrend zu adaptieren, also insbesondere auch dann, wenn sich Rahmenbe- dingungen ändern sollten. Daraus kann sich insbesondere eine Endlosschleife von wiederkehrenden Adaptionen für die Überwa- chung ergeben. Durch die Verwendung des linearen Regressions- modells im Zusammenspiel mit der Bildung einer Gesamtfehler- summe kann verlässlich eine automatisierte Erkennung eines Fehlverhaltens des Algorithmus erzielt werden. In einer Ausgestaltung des Verfahrens wird für irrelevante Zeitpunkte der Fehler, welche zur Aufsummierung verwendet wird, auf null gesetzt. In einer Ausgestaltung des Verfahrens wird bei der Berechnung der Gesamtfehlersumme eine Gewichtung verwendet. Die Gewich- tung betrifft insbesondere einen Vergessensfaktor. Der Ver- gessensfaktor gewichtet Fehler nach deren Alter. Je älter ein Fehler ist, desto weniger wird dieser gewichtet. So werden zurückliegende Fehler nicht dauerhaft weitergetragen. Bei einem Verfahren zur Überwachung einer elektrischen Ma- schine, erfolgt die Überwachung für wiederkehrende Betriebs- zustände der dynamoelektrischen Maschine, wobei eine Überwa- chung von realen Daten einer Regelung der dynamoelektrischen Maschine mit erwarteten Daten erfolgt, wobei Abweichungen der realen Daten und der erwarteten Daten abhängig von der Zeit kumuliert werden, wobei mittels der Abweichungen eine Klassi- fizierung des Verhaltens der Regelung durchgeführt wird, wo- bei die Klassifizierung der Regelung über die Zeit überwacht wird, wobei abhängig von der Überwachung der Klassifizierung die erwarteten Daten verändert werden. 202214353 Auslandsfassung 4 Wiederkehrende Betriebszustände sind beispielsweise das An- fahren oder Abbremsen eines Motors. Ein wiederkehrender Be- triebszustand kann auch ein Betriebszustand einer Anlage sein oder von diesem Betriebszustand der Anlage abhängen, wobei sich die elektrische Maschine in der Anlage befindet. Die zur Überwachung verwendeten Daten sind insbesondere Dreh- zahldaten, welche auch als Kenngrößen bezeichnet werden kön- nen. Beispielsweise besteht bei einem Motor zwischen den Kenngrößen Solldrehzahl und bezogene Motordrehzahl ein deter- ministischer Zusammenhang. In vielen Fällen stimmen die bei- den Größen im Normalfall überein. Allerdings beeinflussen zu- sätzliche Parameter, wie eine minimale Drehzahl oder die Ver- meidung von kritischen Drehzahlen, die Beziehung der Kenngrö- ßen. Dadurch ist keine allgemeingültige Regel gegeben und es ergeben sich maschinenspezifische Unterschiede. Insbesondere bei Erreichen der Drehmomentgrenzen kann es vorkommen, dass die Solldrehzahl nicht erreicht wird. Bisher müssen die Soll-/ bzw. Istdrehzahlen über lange Zeit- räume manuell durch Experten überwacht werden. Eine Betrach- tung der Zeitreihe in unregelmäßigen Zeitintervallen diente zur Einordnung des aktuellen Gesundheitszustands. Diese Be- wertung setzt aber ein Expertenwissen voraus, da in vielen Betriebszuständen eine Abweichung der Signale voneinander nicht relevant ist. Dies ist bedingt z.B. durch An- und Ab- fahren des Motors, Lastwechsel, prozessuale Drehzahlsollwer- teänderungen usw.. Auch Parametereinstellung des Umrichters, wie eine minimale Drehzahl oder die Vermeidung kritischer Drehzahlen, sind Einflussfaktoren, die die bezogene Motor- drehzahl beeinflussen. Zum jetzigen Zeitpunkt werden diese Parameter manuell ausgelesen und vom Experten zur Bewertung hinzugezogen. Durch das beschriebene Verfahren kann ein der- artiges Problem gelöst werden. Dies gelingt insbesondere durch einen automatisierten Vergleich der Kenngrößen bzw. ei- ne Klassifizierung in normales oder anormales Verhalten. Eine automatische Datenvorverarbeitung und ein datengetriebener Ansatz ermöglicht die Bestimmung des zu erwartenden Normalzu- 202214353 Auslandsfassung 5 standes und kann verwendet werden, um Anomalien innerhalb kurzer Zeit automatisch zu bestimmen. Auch eine Änderung (z.B. Prozessparameter) wird anhand der Daten automatisiert erkannt. Der Fehlerstatus wird entsprechend angepasst. So wird ein kontinuierlicher Vergleich, insbesondere der Soll- /Istmotordrehzahl, unter automatisierter Berücksichtigung des Betriebszustandes und den maschinenspezifischen Abhängigkei- ten ermöglicht. Eine darauf bauende Anomalieerkennung ver- vollständigt das Gesamtsystem zur Überwachung der Kenngrößen. Bei der Überwachung werden als Daten insbesondere drehzahlbe- zogene Daten verwendet. Erwartete Daten sind insbesondere Daten, welche von einem Mo- dell generiert werden. Mittels des Modells ist zumindest ein Teil der elektrischen Maschine modellierbar. Die elektrische Maschine kann als zumindest teilweise oder ganz simuliert, also modelliert werden. Insbesondere wird eine Regelung der elektrischen Maschine modelliert, so dass ein Verhalten der elektrischen Maschine ganz oder teilweise simuliert werden kann. Dabei werden insbesondere Istwerte der elektrischen Ma- schine simuliert. Dies ist z.B. eine Drehzahl, ein Moment, eine Temperatur und/oder davon abhängige Werte (Daten), etc.. Werte ergeben sich insbesondere aus Signalen der elektrischen Maschine. Signale werden insbesondere durch Sensoren erzeugt. So kann eine elektrische Maschine überwacht werden. So kann es ermöglicht werden, eine Überwachung insbesondere einer drehzahlgeregelten elektrischen Maschine zu automatisieren. Die Überwachung erfolgt insbesondere für bzw. bei nicht dyna- mischen Anwendungen der elektrischen Maschine. Ein Beispiel für die Verwendung der beschriebenen Überwachung bei einer nicht dynamischen Anwendung, ist eine Anwendung, bei welcher eine Solldrehzahl bzw. eine Istdrehzahl der elektrischen Ma- schine konstant ist. Das Verfahren zur Überwachung erfolgt insbesondere unter Be- rücksichtigung zumindest einer der nachfolgenden Randbedin- gungen bzw. Kriterien: 202214353 Auslandsfassung 6 ^ Erkennen von prozessbedingten Drehzahländerungen und Un- terscheidung zu einem Fehlverhalten (Adaption der Feh- lererkennung an normale prozessuale Änderungen), ^ Erkennen von regelsystembedingten Drehzahländerungen und Unterscheidung zu einem Fehlverhalten und/oder ^ Erkennen von parameterbedingten Drehzahländerungen und Unterscheidung zu einem Fehlverhalten. Dies kann erreicht werden, durch eine systematische Adaption der Erkennung, ohne das aktive Wissen der oben genannten Än- derungen. Diese Kriterien können sonst nur in aufwendigen manuellen Da- tenaggregationen gefiltert werden, um eine Erkennung der feh- ler-haften Regelung zu erreichen. Die automatisch dynamische Adaption des Erkennungsalgorithmus an veränderte Randbedin- gungen ohne Anpassung von Parametern oder lange Lernphasen, unter Berücksichtigung eines generischen Ansatzes (wie hier beschrieben) und mithilfe eines numerischen Modelles der elektrischen Maschine, also insbesondere des Motors, des Um- richters und/oder der Lastmaschine, ist ein Beispiel für eine Grundlage zur beschriebenen Fehlererkennung. Die Überwachung der elektrischen Maschine kann auch eine Be- wertung der elektrischen Maschine betreffen bzw. diese ein- schließen. Durch eine derartige Bewertung kann Expertenwissen ersetzt werden. Es können Betriebszustände berücksichtigt werden. In manchen Betriebszuständen kann eine Abweichung der Werte bzw. Signale (Daten) voneinander, also insbesondere die Abweichung eines Istwertes von einem Sollwert, nicht relevant ist. Dies ist bedingt z.B. durch ein An- und Abfahren des Mo- tors, einen Lastwechsel, eine prozessuale Drehzahlsollwerte- änderungen usw.. Auch Parametereinstellung des Umrichters, wie eine minimale Drehzahl oder die Vermeidung kritischer Drehzahlen, sind z.B. Einflussfaktoren, die die bezogene Mo- tordrehzahl beeinflussen. Diese Parameter können entweder ma- nuell ausgelesen und von einem Experten zur Bewertung hinzu- gezogen werden oder automatisiert in die Überwachung inte- 202214353 Auslandsfassung 7 griert werden. Eine weitere Option ist das Setzen von stati- schen Grenzwerten, was für den Zustand „in Drehmomentgrenze“ eine Alarmmeldung bewirken kann. Dadurch lässt sich der Zu- stand der Drehmomentgrenze überwachen und zusätzlich kann au- tomatisiert ein Vergleich der Kenngrößen erfolgen. So ist ei- ne manuelle visuelle Betrachtung nicht mehr notwendig. So ist beispielsweise auch ein spezifisches Expertenwissen nicht mehr notwendig, welches eine zeitaufwendige tiefe Datenaggre- gation voraussetzen könnte. Eine Analyse ist mit hohem perso- nellem Aufwand verbunden. Durch die automatisierte Überwa- chung auch über sehr lange Zeiträume des Betriebs der elektrischen Maschine müssen diese nicht mehr manuell beo- bachtet werden. Im Betrieb der elektrischen Maschine werden bei deren Überwachung über längere Zeiträume Daten überwacht, wobei dies insbesondere unter Berücksichtigung von Aus- schlusskriterien bzw. Events erfolgt. bewertet werden. Aus- schlusskriterien bzw. Events ergeben sich insbesondere aus Betriebszuständen und werden insbesondere automatisch mitbe- rücksichtigt. In einer Ausgestaltung des Verfahrens sind die Daten eine Drehzahl und/oder ein Moment der elektrischen Maschine bzw. betreffen diese. In einer Ausgestaltung des Verfahrens betrifft die Kumulie- rung über die Zeit Minuten, Stunden, Tage und/oder Monate. So ergeben sich längere Zeiträume der Datenüberwachung. Diese Zeiträume unterscheiden sich von kurzen Zeiträumen wie bei- spielsweise von Zeiten, die bei einer Regelung auftreten. Regler arbeiten bei elektrischen Maschinen häufig in kurzen Zeiträumen wie Sekunden oder Millisekunden. In einer Ausgestaltung des Verfahrens wird zur Generierung der erwarteten Daten ein Modell verwendet, welches die elekt- rische Maschine betrifft. Das Modell kann beispielsweise auch die Regelung der elektrischen Maschine und die elektrische Maschine ganz oder teilweise betreffen. 202214353 Auslandsfassung 8 In einer Ausgestaltung des Verfahrens wird abhängig von der Klassifizierung ein neues Modell erzeugt. Bei der Klassifi- zierung bzw. durch diese, wird also beispielsweise erkannt, ob das Modell noch korrekt ist. Wenn es noch korrekt ist, wird es weiterverwendet. Wenn es nicht mehr korrekt ist, wird eine neues Modell erzeugt. Dies geschieht insbesondere durch ein neues Trainieren des Modells, bzw. das Erzeugen eines neuen Modells und dessen Trainieren. In einer Ausgestaltung des Verfahrens wird das Modell und/oder das neue Modell trainiert. Damit sind nach dem Trai- nieren das Modell bzw. das neue Modell trainiert. So kann ein Modell an eine bestimmte Umgebungssituation für die elektri- schen Maschine angepasst werden. Durch zumindest eines der beschriebenen Verfahren ist insbe- sondere ein Langzeitvergleich einer angeforderten und bezoge- nen Motordrehzahl möglich. Es erfolgt insbesondere ein auto- matisierter Vergleich, z.B. der Kenngrößen, und eine Klassi- fizierung in normales oder anormales Verhalten. Eine automatische Datenvorverarbeitung und ein datengetriebe- ner Ansatz ermöglicht die Bestimmung des zu erwartenden Nor- malzustandes und kann verwendet werden, um Anomalien inner- halb kurzer Zeit automatisch zu bestimmen. Auch eine Änderung von Randbedingungen (z.B. Prozessparameter) kann anhand der Daten automatisiert erkannt werden. Ein Fehlerstatus wird beispielsweise entsprechend angepasst. Gemäß dem Verfahren ist ein kontinuierlicher Vergleich z.B. der Soll-/Istmotordrehzahl ermöglicht, und zwar unter automa- tisierter Berücksichtigung des Betriebszustandes und/oder den maschinenspezifischen Abhängigkeiten. Die darauf bauende Ano- malieerkennung vervollständigt das Gesamtsystem zur Überwa- chung der Kenngrößen. In einer Ausgestaltung des Verfahrens wird eine automatische Datenvorbereitung durchgeführt. Die automatisierte Datenvor- 202214353 Auslandsfassung 9 verarbeitung dient insbesondere zur Erhöhung der Treffsicher- heit. Es reduziert die Anzahl an fehlerhaft erkannten Anoma- lien. Voneinander abweichende Kenngrößen lassen nicht immer auf echte Probleme schließen, sondern tauchen aufgrund von Messungenauigkeiten oder unwesentlichen Betriebszuständen auf: ^ Signal glätten: Die Soll/Ist-Signale werden mittels rol- lenden Medians geglättet: ^^^ ^^^ ൌ ^^ ^^ ^^ ^^ ^^ ^^^^ ^^௧ିଶ, ^^௧ି^, ^^௧ , ^^௧ା^, ^^௧ାଶ^^ ^ Vorzeichen betrachten: Das Vorzeichen der bezogenen Motor- drehzahl wird dem der geforderten Drehzahl angepasst: ^^ ^^ ^^ ^^ ^^ ^^ ൌ ^^ ^^ ^^ ^^ ^^ ^^ ∗ ^^ ^^ ^^ ^^^ ^^ ^^ ^^ ^^ ^^ ^^^ ^ Relevanz bestimmen: Als weiterer Schritt wird die Rele- vanz eines Zeitstempels ^^ bestimmt. Als irrelevant gelten Messwerte, die bestimmte Zeiträume vom nächsten Aus- Zustand entfernt liegen. Zeiträume, in denen die Maschine nicht läuft (inkl. z.B. Anfahr- Abfahrzeiten), werden nicht in die Betrachtung hinzugezogen. Auch gelten Zeit- punkte, in denen die bezogene Drehzahl unterhalb der im Umrichter festgelegten, minimalen Grenze liegt, als irre- levant: Diese Schritte werden automatisiert durchgeführt, sodass sich ein Experte direkt auf die wesentlichen Ereignisse konzent- rieren kann und nicht durch Falschmeldungen getäuscht wird. Das Einbeziehen der zusätzlichen Messwerte zieht den Kontext, welcher den Betriebszustand und eine geforderte Drehzahl be- trifft, in Betracht und ermöglicht einen automatisierten Ver- gleich der relevanten Zeitpunkte. In einer Ausgestaltung des Verfahrens wird eine automatische Trainingsphase durchgeführt. In der automatischen Trainings- phase werden die gesammelten Maschinendaten verwendet, um ein Referenzmodell anzulernen, welches die normale Beziehung zwi- schen angeforderter (SpdDmd) und bezogener (SpdRef) Motor- drehzahl beschreibt. 202214353 Auslandsfassung 10 ^ Zur Bestimmung der Beziehung zwischen den Kenngrößen werden die Daten ^^ der jeweiligen Maschine verwendet. Die im Schritt 1 markierten irrelevanten Messpunkte werden hierbei gefiltert und ignoriert: ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ൌ ^ ^^ | ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^^ ^ Anhand der Trainingsdaten wird ein lineares Regressions- modell angelernt, welches die Beziehung beschreibt: ^^ ^^ ^^ ^^ ^^ ^^‘ ൌ ^^ ∗ ^^ ^^ ^^ ^^ ^^ ^^ ^ ^^ In einer Ausgestaltung des Verfahrens wird eine automatisier- te Erkennung bzw. Klassifizierung durchgeführt. Dies ge- schieht insbesondere in einer Anwendungsphase der Überwa- chung. In der Anwendung wird das im obigen Schritt gelernte Modell auf neue Daten angewandt und eine Gesamtfehlersumme berech- net. Das Referenzmodell liefert für eine angeforderte Dreh- zahl die normal zu erwartende bezogene Motordrehzahl. Diese wird mit dem tatsächlichen Wert verglichen, was zum Fehler führt: ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ൌ | ^^ ^^ ^^ ^^ ^^ ^^^ ^^^– ^^ ^^ ^^ ^^ ^^ ^^‘^ ^^^| ^ Für irrelevante Zeitpunkte aus Schritt 1 wird der Fehler auf 0 gesetzt: ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ൌ 0 ,∀ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^ Zur Klassifizierung eines Zeitstempels in normal oder anormal wird der Fehler zu einer Gesamtfehlersumme ∑ ad- diert. Größere Abweichungen fallen stärker ins Gewicht, da die Fehlersumme bei stärkeren Abweichungen schneller an- wächst. Durch einen Vergessensfaktor ( ^^ <1) nimmt die Ge- samtfehlersumme im Laufe der Zeit wieder ab und zurücklie- gende Fehler werden nicht dauerhaft weitergetragen: ∑^ ^^^ ൌ ^^ ∗ ∑^ ^^ െ 1^ ^ ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ^ Überschreitet die Fehlersumme einen einstellbaren Grenz- wert, wird der Zeitpunkt als anormal klassifiziert: ^ Die Fehlersumme wird auf ein Maximum ^^ begrenz, wodurch eine Korrektur zeitnah festgestellt wird. Durch den Verges- 202214353 Auslandsfassung 11 sensfaktor reduziert sich die Fehlersumme bei Normalbetrieb, und nach ausreichend normalen Messwerten wird der Status au- tomatisch auf normal gesetzt. ∑^ ^^^ ൌ ^^ ^^ ^^^^∑^ ^^^, ^^ ^^ Mittels eines der beschriebenen Verfahren ist z.B. ein auto- matisierter Vergleich von angeforderter und bezogener Motor- drehzahl ohne jeglichen manuellen Aufwand möglich. Dies wird ermöglicht durch ein datenbasiertes Antrainieren des Normal- zustandes und dem daraus resultierenden Fehler für neue Da- tenpunkte. In Verbindung mit der Datenvorbereitung und der Betrachtung der Gesamtfehlersumme können die wirklichen Ano- malien erkannt werden, während irrelevante Ausreißer igno- riert werden. Ein weiterer Vorteil ist es, dass die Übergänge zwischen Trainings- und Anwendungsphase absolut automatisiert erfolgen können. Es wird so lange trainiert, bis die Modelpa- rameter konvergieren, wodurch keine manuelle Vorauswahl an Gut/Schlechtdaten nötig ist. Während der Anwendung wird ins- besondere dauerhaft überprüft, ob das Referenzmodell noch ak- tuell ist und automatisiert ein neuer Trainingsvorgang ange- stoßen. Die erwartete Beziehung der Signale wird anhand von Maschinendaten trainiert, wodurch die detaillierte Betrach- tung der Umrichterparameter wegfällt. Ein aufwendig erstell- tes Expertenmodell wird durch ein einfaches Datenmodell er- setzt. Das heißt, einfache Skalierbarkeit und Anwendbarkeit auf beliebige Assets, also auf unterschiedlichen elektrischen Maschinen. Die Merkmale der einzelnen beanspruchten bzw. beschriebenen Gegenstände und Verfahren sind ohne Weiteres miteinander kom- binierbar. Im Folgenden wird die Erfindung beispielhaft an- hand von Figuren näher dargestellt und erläutert. Die in den Figuren gezeigten Merkmale können fachmännisch zu neuen Aus- führungsformen kombiniert werden, ohne die Erfindung zu ver- lassen. Es zeigen: FIG 1 den Einsatz von Modellen und FIG 2 Trainingsphasen und Anwendungsphasen. 202214353 Auslandsfassung 12 Die Darstellung nach Figur 1 zeigt den Einsatz von Modellen, insbesondere das Zusammenspiel automatisierter Trainings- und Anwendungsphasen. Die Darstellung nach Figur 2 zeigt Trainingsphasen und Anwen- dungsphasen zusammen mit einer Übergangszeit über einen Zeit- strahl 7. Über diesen Zeitstrahl ist das Training 1, 1´ und die Anwendung des Referenzmodells (RM) im Zeitstrahl 7 ge- zeigt. Nach einer Phase des Trainings 1` des Referenzmodells (Modells) ist dieses fertig und kommt zur Anwendung in der Anwendungsphase 2. Die Anwendungsphase 2 weist normale Phasen 6, 6´, 6´´ auf, welche unauffällig sind und Phasen auf, wel- che nicht normal sind, also eine Anomalie darstellen. Dies Phasen mit der Anomalie sind die Anomaliephasen 5, 5´, 5´´. Durch zumindest eine der Anomaliephasen kann erkannt werden, dass das Modell (RM) veraltet ist. Damit ergibt sich einer Übergangszeit 8, in welcher das Modell veraltet ist. Danach erfolgt ein neues Training 1´, mit einer anschließenden An- wendung 2´des Modells mit einer neuen ersten normalen Phase 6 in der Anwendung 2´. Die Darstellung nach Figur 1 zeigt hierzu die Abfolge in ei- nem Blockdiagramm. Es wird insbesondere eine Menge an Maschi- nendaten verwendet, um ein Referenzmodell (Modell), welches einen Normalzustand beschreibt, in einer Trainingsphase 1 an- zutrainieren. Hierzu werden die vorverarbeiteten, relevanten Daten verwendet. Das Training erfolgt so lange bis es fertig ist. Hierzu wird das Modell iterativ, bzw. in einer Schleife, abgefragt 3 und eine Antwort 4,5 ermittelt. Wenn das Modell fertig ist, folgt eine Anwendungsphase 2. Dabei wird itera- tiv, bzw. in einer Schleife, abgefragt, ob das Modell alt, also veraltet ist. Hieraus ergeben sich die Antworten 4´ für ja und 5´für nein, welche in die entsprechende nachfolgende Schleife führen. Die Antwort, ob ein veraltetes Modell vor- liegt, ergibt sich aus einer Auswertung der erkannten Anoma- lien. Im laufenden Betrieb wird also das trainierte Modell in der Anwendungsphase 2 verwendet, um die Zeitpunkte in normal oder anormal zu klassifizieren. Dazu wird z.B. ein aus dem 202214353 Auslandsfassung 13 Referenzmodell resultierende Fehler zu einer Gesamtfehlersum- me hinzuaddiert und anhand eines festen Grenzwertes bewertet. Der aktuelle Zeitstempel wird als normal oder anormal klassi- fiziert. Das Zusammenspiel der beiden Phasen verdeutlichen die Darstellungen nach Figur 1 und Figur 2. Liegen Daten, insbesondere aus der Vergangenheit, vor kann eine Trainings- phase beginnen. Sobald das Referenzmodell konvergiert, d.h. sobald sich die Modelparameter nicht mehr signifikant verän- dern, gilt es als fertig trainiert und kann für neue Daten- punkte in der Anwendungsphase verwendet werden. Innerhalb der Anwendungsphase werden die Zeitpunkte in normal bzw. anormal klassifiziert. Somit werden ungewöhnliche Zustände erkannt und einem Anwender gemeldet. Hält der ungewöhnliche Zustand an, kann von einer grundlegenden System- oder Betriebsände- rung ausgegangen werden. Der ursprünglich trainierte „Normal- zustand“ deckt die Realität nicht mehr ab und muss neu ange- lernt werden. Eine Übergangzeit (z.B. eine Woche oder ein Mo- nat) stellt sicher, dass die Veränderung als Anomalie sicht- bar gemacht wird. Auf Basis des beschriebenen Verfahrens kann darauf reagiert werden. Als Reaktion kann das Referenzmodell selbständig, also automatisiert, erneuert werden, woraufhin ein neuer Normalzustand definiert wird.

Claims

202214353 Auslandsfassung 14 Patentansprüche 1. Verfahren zur Überwachung einer elektrischen Maschine, wo- bei die Überwachung für wiederkehrende Betriebszustände der elektrischen Maschine erfolgt, wobei zur Überwachung dreh- zahlbezogene Daten verwendet werden, wobei anhand von Trai- ningsdaten ein lineares Regressionsmodell angelernt wird, wo- bei eine Gesamtfehlersumme berechnet wird, wobei bei Über- schreiten eines Grenzwertes durch die Gesamtfehlersumme ein Fehler erkannt wird und/oder eine Klassifizierung erfolgt und/oder ein neues Modell angelernt wird. 2. Verfahren nach Anspruch 1, wobei eine Überwachung von rea- len Daten einer Regelung der dynamoelektrischen Maschine mit erwarteten Daten erfolgt, wobei die Daten drehzahlbezogen sind, wobei Abweichungen der realen Daten und der erwarteten Daten abhängig von der Zeit kumuliert werden, wobei mittels der Abweichungen eine Klassifizierung des Verhaltens der Re- gelung durchgeführt wird, wobei die Klassifizierung der Rege- lung über die Zeit überwacht wird, wobei abhängig von der Überwachung der Klassifizierung die erwarteten Daten verän- dert werden. 3. Verfahren nach Anspruch 1 oder 2, wobei die Daten eine Drehzahl und/oder ein Moment der elektrischen Maschine be- treffen. 4. Verfahren nach einem der Ansprüche 1 bis 3, wobei die Ku- mulierung über die Zeit Minuten, Stunden, Tage und/oder Mona- te betrifft. 5. Verfahren nach einem der Ansprüche 1 bis 4, wobei zur Ge- nerierung der erwarteten Daten ein Modell verwendet wird, welches die elektrische Maschine betrifft. 6. Verfahren nach Anspruch 5, wobei abhängig von der Klassi- fizierung ein neues Modell erzeugt wird. 202214353 Auslandsfassung 15 7. Verfahren nach Anspruch 5 oder 6, wobei das Modell und/oder das neue Modell trainiert sind und/oder trainiert werden.
EP23787033.2A 2022-09-30 2023-09-29 Verfahren zur überwachung einer elektrischen maschine Pending EP4555619A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22198924.7A EP4346086A1 (de) 2022-09-30 2022-09-30 Verfahren zur überwachung einer elektrischen maschine
PCT/EP2023/077112 WO2024068958A1 (de) 2022-09-30 2023-09-29 Verfahren zur überwachung einer elektrischen maschine

Publications (1)

Publication Number Publication Date
EP4555619A1 true EP4555619A1 (de) 2025-05-21

Family

ID=83689513

Family Applications (2)

Application Number Title Priority Date Filing Date
EP22198924.7A Pending EP4346086A1 (de) 2022-09-30 2022-09-30 Verfahren zur überwachung einer elektrischen maschine
EP23787033.2A Pending EP4555619A1 (de) 2022-09-30 2023-09-29 Verfahren zur überwachung einer elektrischen maschine

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP22198924.7A Pending EP4346086A1 (de) 2022-09-30 2022-09-30 Verfahren zur überwachung einer elektrischen maschine

Country Status (3)

Country Link
EP (2) EP4346086A1 (de)
CN (1) CN119968770A (de)
WO (1) WO2024068958A1 (de)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112019007222B4 (de) * 2019-04-16 2024-11-21 Mitsubishi Electric Corporation Motorsteuereinrichtung
DE102019110721B4 (de) * 2019-04-25 2025-08-07 Carl Zeiss Industrielle Messtechnik Gmbh Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
DE102019135608A1 (de) * 2019-12-20 2021-06-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung und System zur Detektion von anomalen Betriebszuständen eines Geräts
WO2022042866A1 (en) * 2020-08-31 2022-03-03 Siemens Aktiengesellschaft Method and device for monitoring a milling machine

Also Published As

Publication number Publication date
WO2024068958A1 (de) 2024-04-04
CN119968770A (zh) 2025-05-09
EP4346086A1 (de) 2024-04-03

Similar Documents

Publication Publication Date Title
DE60026796T2 (de) Hybrides Diagnosesystem
EP1543394B1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
EP2145112B2 (de) Einrichtung und verfahren zur störungsüberwachung
DE102017211737B4 (de) Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems
EP3774267A1 (de) VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK
DE202016008654U1 (de) Umrichter zum Speisen eines elektrisch erregten Motors
DE112019001115B4 (de) Diagnoseunterstützungsvorrichtung, rotierendes Maschinensystem und Diagnoseunterstützungsverfahren
DE102019213019B4 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
DE102012215984A1 (de) Kostenoptimierte modellbasierte Verlängerung der Systemlebensdauer
DE102023210663A1 (de) Steuerverfahren für eine Gießmaschine, Steuersystem für eine Gießmaschine und computerlesbares Speichermedium
EP3151072B1 (de) Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil
EP4178101B1 (de) Schwingungsbasierten zustandsüberwachung von elektrischen rotatorischen maschinen
EP4555619A1 (de) Verfahren zur überwachung einer elektrischen maschine
EP3763643A1 (de) System und verfahren zur zustandsüberwachung beim betrieb eines fördersystems
DE112021008470T5 (de) Diagnosevorrichtung und diagnoseverfahren für elektromotor
EP4105900A1 (de) Verfahren zur ermittlung und/oder überprüfung eines status eines türsystems, statusermittlungseinrichtung, system, computerprogrammprodukt
EP3961333A1 (de) System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger
EP2206024B1 (de) Verfahren zur überwachung der güte eines regelkreises in einem kraftwerk
DE102023208156A1 (de) Automatisierte Defekt-Früherkennung bei elektrischen Einrichtungen
AT527297B1 (de) Diagnoseverfahren zum Erkennen von Störungen eines Brennstoffzellenstapels
DE102023126529B3 (de) Verfahren und Vorrichtung zum Bestimmen eines Verschleißzustands einer Gleitlageranordnung
DE102022121211B4 (de) Verfahren zum Betreiben einer Sensor-Anordnung und Sensor-Anordnung sowie Einrichtung zur Datenverarbeitung und Vorrichtung
EP4302163B1 (de) Verfahren und system zur evaluierung einer notwendigen instandhaltungsmassnahme für eine maschine, insbesondere für eine pumpe
EP2189863A1 (de) Verfahren zur Erfassung eines Maschinenzustandes
EP4287499A1 (de) Überwachung einer synchronmaschine

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: 20250214

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 ME 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)