EP4646601A1 - Verfahren zur zustandsdiagnose eines elektromotors - Google Patents

Verfahren zur zustandsdiagnose eines elektromotors

Info

Publication number
EP4646601A1
EP4646601A1 EP24702226.2A EP24702226A EP4646601A1 EP 4646601 A1 EP4646601 A1 EP 4646601A1 EP 24702226 A EP24702226 A EP 24702226A EP 4646601 A1 EP4646601 A1 EP 4646601A1
Authority
EP
European Patent Office
Prior art keywords
feature vector
electric motor
time series
vector
phase
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
EP24702226.2A
Other languages
English (en)
French (fr)
Inventor
Klaus Behringer
Daniel PIRSTAT
Jürgen ZETTNER
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.)
Siemens AG
Siemens Corp
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 EP4646601A1 publication Critical patent/EP4646601A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Program control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors

Definitions

  • the present invention relates to a method for diagnosing the condition of an electric motor.
  • MCSA motor current signature analysis
  • Measured values are then analyzed: usually a frequency spectrum is generated from the measured time series using a fast Fourier transformation (EFT).
  • EFT fast Fourier transformation
  • the MCSA is used to observe changes in the amplitudes of characteristic frequencies in the frequency spectrum in order to detect or quantify errors and operating states of the electric motor in the frequency range.
  • EFT EFT
  • a high frequency resolution is desired in order to be able to clearly identify engine faults.
  • this requires a relatively long recording time in an operating state that is as constant as possible, ie a large amount of measurement data.
  • a quasi-stationary operating state over a relatively long period is unrealistic, and on the other, handling large amounts of data is complex.
  • An object of the present invention is therefore an improved method for monitoring the condition of an electrical machine.
  • AC Alternating Current
  • a time series of current values of a machine current is recorded, which flows through the electric motor due to the supply voltage applied to the electric motor.
  • the machine current which flows through the wire coils of the electric motor, generates a magnetic field, which, in interaction with a second magnetic field (permanent or electromagnet), causes a rotor of the electric motor to rotate.
  • a feature vector with p vector elements is formed, where the p vector elements are formed by the determined p parameters a ⁇ of the autoregression model.
  • the invention is based on the finding that it is possible to use autoregression to "condense" the information relevant for anomaly detection from time values of a time series into a few values, so that disturbing information is eliminated, important information is retained, and the amount of data to be processed is significantly reduced.
  • AI artificial intelligence
  • the input values required for the AI, the so-called features, are obtained from the current samples using an AR model.
  • AR(p) A p-th order autoregression model, notation: AR(p) , can be written as:
  • AR autoregression
  • AR models are usually used to analyze systematic relationships in the past or to make predictions for the future in discrete time series y(t) , also written as y t .
  • y(t) also written as y t .
  • an autoregression model is also very well suited to provide the features for an ML algorithm.
  • the parameters a ⁇ determined by the AR model form the vector elements of a feature vector which represents the essential information of the input signal, i.e. the time series.
  • the time series itself i.e. the sample values y t of the current
  • a recording time of approx. 1 second results in feature vectors with 2000 to 20,000 values, i.e. with a size which is difficult to handle.
  • Quantity The current values are quantitatively dependent on the load, i.e. a higher load leads to a higher motor current.
  • a condition diagnosis procedure should not classify a load change as an anomaly, but only an anomaly of the engine.
  • the invention circumvents the above-mentioned disadvantage of large data volumes, whereby 2000 to 20,000 current measurement values form a feature vector, by compressing the data using an AR model; such a compression is useful because the information content of a single current measurement value is relatively tively is small and an increase in entropy by autoregression is easily feasible.
  • Another advantage of the method according to the invention is that it solves the problem of "data quality", which is important for ML.
  • many features frequency lines
  • these can be static elements, i.e. they have no "useful” information for the system; on the other hand, these "noise” features can lead to completely incorrect models during learning because these features have values other than 0. Filtering out these "noise components" in advance is very difficult because, on the one hand, a threshold for the filter would have to be known, and on the other hand, the frequencies vary depending on the load state.
  • ARMA AutoRegressive Moving Average
  • ARMAX AutoRegressive Moving Average with exogenous inputs
  • ARIMA AutoRegressive Integrated Moving Average
  • a feature vector generated according to the invention can be used for various AI and ML methods, both for supervised learning methods, e.g. classification and regression algorithms, and for unsupervised learning methods.
  • said electric motor is an asynchronous motor.
  • Asynchronous motors are therefore among the largest consumers of electrical energy generated worldwide. Due to the widespread use of asynchronous motors, there is enormous potential in terms of availability and reliability and the associated savings in time and money.
  • the time series of current values is recorded in a phase-locked manner, i.e. the current values are sampled synchronously with the mains frequency, resulting in a constant phase.
  • the current measurements are therefore always recorded ("sampled") at times at which the current signal has predefined phases, e.g. 64 samples per full wave of the AG current.
  • This phase-locked sampling can significantly improve the condition diagnosis process.
  • the sampling frequency also always adapts to the mains frequency, i.e. the "start phase” is always constant.
  • the current measurements can initially be sampled with a fixed sampling frequency.
  • a "soft PLL”, i.e. a PLL implemented using software or firmware, is applied to the current measurement values.
  • a sampling grid is calculated in such a way that a fixed “start phase” is obtained and the sampling frequency is a constant multiple of the mains frequency.
  • the method also comprises the following steps: At least one first feature vector is used as training data of the ML Algorithm is used. At least a second feature vector is used as test data of the ML algorithm. A diagnosis of a state ("state diagnosis") of the electric motor, which is documented in the form of the second feature vector (test data), is made using the ML algorithm on the basis of a comparison of the at least one second feature vector (test data) with the at least one first feature vector (training data).
  • state diagnosis a state of the electric motor, which is documented in the form of the second feature vector (test data)
  • test data is documented in the form of the second feature vector (test data)
  • a so-called learning phase an ML algorithm is trained using several of these feature vectors, i.e. the ML algorithm only sees the "good state” of the electric motor, but does not know the "bad state", i.e. faulty operation of the electric motor.
  • a test phase also known as the detection phase, of the ML algorithm is activated, i.e.
  • the ML algorithm monitors the electric motor for operating states that deviate from the learned "good state” of the electric motor, so-called “anomalies", and reports these to an operator.
  • the following phases are run through one after the other: a training phase a recording phase (generating feature vectors of the "good state") a2 learning phase (learning the "good state” of the electric motor) b test phase (condition monitoring)
  • a supervised learning process has the disadvantage compared to an unsupervised learning process that "good” and "bad” data must be trained. This is usually not possible in a customer system. If the training has to be done by the manufacturer, a large number of models must be supplied. In “unsupervised” learning, on the other hand, the system is only trained with “good”data; after training, the system recognizes "bad” data as an “anomaly”.
  • the method comprises the following three steps: it comprises the first step of detecting the phase angle at the beginning of the time series for the at least one first feature vector which is used as training data. For each time series of current values, the phase angle at the beginning of the time series, the so-called "start phase", is recorded. The respective start phase is recorded for all time series in the training phase, and all recorded start phases are documented, e.g. saved as an entry in a list or in a file.
  • the method also has the second step of recording the phase angle at the beginning of the time series for at least one second feature vector that is to be used as test data. In the test phase following the training phase, the start phase is also determined from the recorded time series.
  • the method also has the third step of only using the at least one second feature vector as test data for the ML algorithm if the phase angle assigned to the second feature vector at the beginning of the time series matches a phase angle assigned to a first feature vector at the beginning of the time series.
  • the data are "internally standardized", i.e. the phase position and amplitude of the signal are automatically adjusted by the algorithm; in this way, no effort is required for the user.
  • information criteria are also calculated, e.g. the Akaike Information Criterion (AIC).
  • AIC Akaike Information Criterion
  • the Akaike Information Criterion states that a model should not be unnecessarily complex and should find a balance between maximum goodness of fit and minimum complexity of the model.
  • the goodness of fit is a measure of how well the model replicates the real data, e.g. measured by the residual sum of squares.
  • the complexity of the model can be measured, for example, with the number of model parameters. Since the p parameters a ⁇ of the AR model are used as vector elements of a feature vector for the ML algorithm, the "lag" determines the size of the feature vector.
  • An information criterion can be used to estimate whether the "lag" size was chosen appropriately (too large, too small, optimal); Based on an information criterion, the lag size can be optimized.
  • the feature vector is used for condition monitoring with the help of a self-organizing map (SOM for short).
  • SOM self-organizing map
  • the idea of the SOM is to create a grid of X * Y neurons N.
  • Self-organizing maps like most artificial neural networks, work in two modes: training and mapping.
  • training mode an input data set ("input space") is used to generate a map (“map space”) as a lower-dimensional representation of the input data.
  • map space is used to generate a map as a lower-dimensional representation of the input data.
  • mapping mode measurement data is classified using the generated map, e.g. as normal or as anomalous.
  • Similar is to be understood in the sense of a vectorial distance, i.e. depending on the application, the Euclidean distance, the cosine distance, or the Manhattan distance can be used.
  • the goal of training is to represent a p-dimensional input space, i.e. with p variables, as a 2-dimensional map space.
  • a map space consists of components called nodes or neurons arranged on a hexagonal or rectangular grid with two dimensions. The number of nodes and their position on the grid are determined in advance based on the goal pursued by analyzing and studying the input space.
  • Each node in the map space is assigned a weight vector that defines the position of the node in the input space. While the nodes in the map space remain anchored to their position, the weight vectors are approximated to the input data, i.e. the distance, e.g. the Euclidean distance, between the weight vector and the input data is minimized without destroying the topology generated by the map space.
  • the SOM generated in this way can be used to classify further "input space” vectors, i.e. observations in the "input space", here: time series of current values, by identifying the node whose weight vector is closest to the "input space” vector, i.e. has the smallest distance metric, e.g. the Euclidean distance.
  • Ev I Fv - Gv
  • is the previously defined vectorial distance
  • Gv is the respective weight vector of the "optimal" neuron, i.e. the neuron whose weight vector G has the minimum distance to the feature vector.
  • the quantization error E describes how well the respective feature vector can be mapped to the distribution of the data with which the SOM was trained. A high error indicates that the feature vector is very different from the training data and therefore describes anomalous behavior of the motor. In practice, an anomaly in the electric motor is detected if the quantization error Ex exceeds a fixed threshold value E Thr eshoid: Ex > E Thr eshoid-
  • anomaly detection is carried out as follows: A feature vector is generated from the input values as described above. The Euclidean distance to the learned "groups” is determined for this vector. The minimum value of all distances is determined. If this value is greater than Dmax, an anomaly is present.
  • Fig. 1 shows an embodiment of a drive train with an electric motor
  • Fig. 2 is a flow diagram of an embodiment of the method according to the invention.
  • Fig. 3 is a flow diagram of another embodiment of the method according to the invention.
  • Fig. 4 shows an embodiment of a SOM.
  • Fig. 1 shows an arrangement with an asynchronous motor 12, which is connected via supply lines 11 to an AC voltage source 10, which supplies a supply voltage U suppiy with a voltage frequency f suppiy , is electrically connected.
  • the current I flowing through the supply lines 11 is measured by a current sensor 14, e.g. a shunt, a current transformer or a Hall sensor.
  • current measurements are recorded with the sampling frequency f A [1/T] for a measuring duration T A [T].
  • the process steps for determining the feature vectors are carried out by the computing unit 16.
  • the computing unit 16 has a processor 18 and a data memory 20.
  • the data memory 20 stores software with an algorithm for forming a feature vector from the current measurement values. This software is executed by the processor 18.
  • Input values such as the measurement duration T A can be transferred to the computing unit 16 by an input/output unit 22 connected to the computing unit, e.g. a PC.
  • the computing unit 16 sends a corresponding message to the input/output unit 22.
  • Fig. 2 shows a flow diagram of an embodiment of the method according to the invention for the condition diagnosis of an electric motor M to which a supply voltage U with a supply frequency is applied.
  • a first step 210 a time series I t of current values of a machine current I is recorded, which flows through the electric motor M due to the supply voltage U applied to the electric motor M.
  • a feature vector F x is formed with p vector elements, where the p vector elements are formed by the p parameters a ⁇ of the autoregression model.
  • the formed feature vector Fx is used in an ML algorithm as training data or as test data.
  • the recording phase is followed by the learning phase. During this phase, the recorded feature vectors labeled with a slip label L s are learned into a SOM.
  • Each feature is understood as a vector of length L.
  • the similarity is defined as the Euclidean distance, i.e. the smaller the distance, the more similar the features are (https://de.wikipedia.org/wiki/Euklidischer_Abstand).
  • One or more representatives are chosen for each "group", as is the maximum distance Dmax for each group.
  • Fig. 3 shows a flow diagram of an embodiment of the method according to the invention for diagnosing the condition of an electrical romotor M, to which a supply voltage U with a supply frequency is applied, by means of a SOM.
  • a first step 310 current values I m of an electric current flowing through the electric motor M are recorded. This gives a time series I t of L F current values I m of a current I which flows through the asynchronous motor M due to the supply voltage U applied to the asynchronous motor M while the asynchronous motor M is in a good state. During the recording phase, current values I m are recorded which describe the "good state" of the motor. These current values I m are then used to train the anomaly detector. The following aspects are very important here:
  • the system should record as many load conditions or slip values as possible in the slip value range [ Smin , . . . , sNJ ]. For each recording, the respective slip should be included as a "label" Ls .
  • the recording phase is finished when a sufficiently large variation of slip values has been recorded or when the maximum time allotted for recording has been reached.
  • a feature vector Fv with p vector elements is formed from the current values I t of the recorded time series, wherein the p vector elements are formed by the p parameters a ⁇ of the autoregression model.
  • a slip value of the slip s of the asynchronous motor is assigned to this feature vector Fv.
  • steps 310 and 320 are repeated with different slip values to obtain a set of feature vectors Fv as a training dataset .
  • a matrix of X times Y neurons is generated, with each of the neurons being assigned a weight vector G of length L F .
  • a neuron is assigned those feature vectors Fv from the training data set whose vectorial distance to the neuron does not exceed a predetermined distance limit.
  • a sixth step 360 the weight vectors G of the neurons are adjusted such that the distance of the weight vector G to the feature vectors Fv assigned to a neuron is minimal.
  • anomaly detection is carried out as follows: A feature vector is generated from the input values as described above. For this vector, the Euclidean distance to the learned "groups" is determined. The minimum value of all distances is determined. If this value is greater than Dmax, an anomaly is present.
  • Fig. 4 shows four different SOMs.
  • a SOM is a 2-dimensional visualization, spanned by an x-axis and a y-axis.
  • the idea of the SOM is to create a grid of X * Y neurons N .
  • a parameter X is plotted on the x-axis and a parameter Y on the y-axis, where X and Y define the size of the SOM map.
  • the product X*Y gives the number of neurons represented as honeycombs in the SOM.
  • the SOM maps show the neuron honeycombs that are unoccupied or have "good” or "error”values; a "double occupancy" of a neuron honeycomb is also possible. The darker a neuron honeycomb, the greater the "distance" to the neighboring neuron honeycomb. It is optimal if as many neuron honeycombs as possible are occupied and if there is as little "double occupancy” as possible.
  • Similar is to be understood in the sense of a vectorial distance, i.e. depending on the application, the Euclidean distance, the cosine distance, or the Manhattan distance can be used.
  • each neuron Since the number v of feature vectors Fv generated is usually significantly larger than the number of neurons, one neuron represents many feature vectors.
  • the weight vector G of each neuron is adjusted such that the distance of the weight vector G to the training vectors Fv assigned to the neuron is minimal.
  • each neuron In an optimally trained SOM, each neuron has been assigned training vectors.
  • the trained SOM then represents a compact representation of the training data distribution.
  • a function is needed that assigns a degree to which a feature vector Fv represents an anomaly. For this purpose, the "quantization error" Ev is calculated for each feature vector Fv:
  • Ev
  • is the previously defined vectorial distance
  • Gv is the respective weight vector of the "optimal" neuron, i.e. the neuron whose weight vector G has the minimum distance to the feature vector.
  • the quantization error E describes how well the respective feature vector can be mapped to the distribution of the data with which the SOM was trained. A high error indicates that the feature vector is very different from the training data and therefore describes anomalous behavior of the motor.
  • E max max ⁇ Ev ⁇ determined .
  • the feature vector F x is calculated from the sample values.
  • the SOM provides the corresponding neuron and the weight vector G x corresponding to the neuron.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Zustandsdiagnose eines Elektromotors (M), an dem eine AC-Speisespannung (U) mit einer Versorgungsfrequenz (fU) anliegt. Das Verfahren weist folgende Schritte auf: a) Erfassen einer Zeitreihe (It) von Stromwerten eines Maschinenstroms (I), der aufgrund der an dem Elektromotor (M) anliegenden Speisespannung (U) durch den Elektromotor (M) fließt; b) Beschreiben der Zeitreihe (It) mit einem Autoregressions-Modell (Formel I) der Ordnung p; c) Bilden eines Feature-Vektors (Fx) mit p Vektorelementen, wobei die p Vektorelemente durch die p Parameter ai des Autoregressions-Modells gebildet werden; und d) Verwenden des gebildeten Feature-Vektors (Fx) in einem ML-Algorithmus als Trainingsdaten oder als Testdaten.

Description

Beschreibung
Verfahren zur Zustandsdiagnose eines Elektromotors
Die vorliegende Erfindung betrifft ein Verfahren zur Zustandsdiagnose eines Elektromotors.
Ein bekanntes Verfahren zur Zustandsdiagnose eines Elektromotors ist die sogenannte Motorstromsignaturanalyse (= MCSA; engl . : Motor Current Signature Analysis) , siehe z. B. EP3961230A1 (Siemens AG) 02.03.2022 und Kumar, K. Vinoth et al. : A Review of Voltage and Current Signature Diagnosis in Industrial Drives. International Journal of Power Electronics and Drive Systems (IJPEDS) Volume 1, Number 1, September 2011, pages 75 - 82, ISSN 2088-8694. Die Grundlage der MCSA wird durch die Erfassung der elektrischen Phasen, meist drei (LI, L2, L3) , eines Elektromotors gebildet. Die erfassten
Messwerte werden anschließend analysiert: in der Regel erzeugt man aus der gemessenen Zeitreihe mithilfe einer Schnellen Fourier-Transformation (= EFT; engl. : Fast Fourier Transformation) ein Frequenzspektrum. Mit der MCSA werden Veränderungen der Amplituden von charakteristischen Frequenzen in dem Frequenzspektrum beobachtet, um Fehler und Betriebszustände des Elektromotors im Frequenzbereich zu detektieren bzw. zu quantifizieren.
Die Verwendung der EFT birgt einen Konflikt zwischen Frequenzauflösung und Aufzeichnungsdauer: Es wird einerseits eine hohe Frequenzauflösung gewünscht, um Motorfehler eindeutig identifizieren zu können. Andererseits setzt genau dies eine relativ lange Aufzeichnungsdauer in einem möglichst konstanten Betriebszustand voraus, d. h. eine große Datenmenge an Messdaten. Zum Einen ist aber ein quasi-stationärer Betriebszustand über eine relativ lange Dauer unrealistisch, zum Anderen ist ein Handling von großen Datenmengen aufwändig. Eine Aufgabe der vorliegenden Erfindung ist daher ein verbessertes Verfahren zur Zustandsüberwachung einer elektrischen Maschine .
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den in Anspruch 1 angegebenen Merkmalen gelöst .
Es handelt sich dabei um ein Verfahren zur Zustandsdiagnose eines Elektromotors . Dabei liegt an dem Elektromotor eine AC- Speisespannung mit einer Versorgungs frequenz an (AC = Alternating Current ; dt . : Wechselstrom) . In einem ersten Schritt wird eine Zeitreihe von Stromwerten eines Maschinenstroms erfasst , der aufgrund der an dem Elektromotor anliegenden Speisespannung durch den Elektromotor fließt . Dabei generiert der Maschinenstrom, der durch Drahtspulen des Elektromotors fließt , ein Magnetfeld, das in Wechselwirkung mit einem zweiten Magnetfeld ( Permanent- oder Elektromagnet ) zu einer Drehung eines Rotors des Elektromotors führt . In einem nachfolgenden Schritt wird die erfasste Zeitreihe mit einem Autoregressions-Modell yt = c + £t + ai Vt-i der Ordnung p beschrieben : Es werden die Konstante c, der Rauschterm st und die p Parameter a±, die als Gewichtungskoef fi zienten bezeichnet werden können, ermittelt , mit denen sich ein Wert yt der Zeitreihe aus den p vorhergehenden Werten yt-i der Zeitreihe zusammensetzt , mit i = 1 , . . . , p . In einem nachfolgenden Schritt wird ein Feature-Vektor mit p Vektorelementen gebildet , wobei die p Vektorelemente durch die ermittelten p Parameter a± des Autoregressions-Modells gebildet werden . In einem nachfolgenden Schritt wird der gebildete Feature-Vektor in einem ML-Algorithmus als Trainingsdaten oder als Testdaten verwendet (ML = Maschinelles Lernen; engl . : Machine Learning) .
In dem Verfahren zur Zustandsdiagnose können nacheinander folgende Phasen durchlaufen werden : a Trainingsphase al Auf zeichnungsphase ( Generieren von Feature-Vektoren des „Gut zustands" ) a2 Lernphase (Einlernen des „Gut zustands" des Elektromotors ) b Testphase (Zustandsüberwachung)
Der Erfindung liegt die Erkenntnis zugrunde, dass es mittels der Autoregression möglich ist, aus Zeitwerten einer Zeitreihe die für die Anomaliedetektion relevante Information auf wenige Werte zu „verdichten", so dass störende Information wegfällt, wichtige Information erhalten bleibt und die zu verarbeitende Datenmenge erheblich verringert wird.
Die vorliegende Erfindung stellt ein Verfahren zur Zustandsdiagnose eines Elektromotors auf Basis des maschinellen Lernens (engl. : Machine Learning) bzw. der KI (= Künstliche Intelligenz; engl . : AI = Artificial Intelligence) bereit. Die für die KI benötigten Eingangswerte, die sogenannten Merkmale (engl: Features) , werden dabei mithilfe eines AR-Modells aus den Strom-Abtastwerten gewonnen.
Ein Autoregressions-Modell p-ter Ordnung (engl. : p-th order) , Notation: AR(p) , kann geschrieben werden als:
Das Signal yt setzt sich aus einer Konstanten c, einem Rauschterm st und einem gewichteten, gleitenden Mittel der p vorhergehenden Signalwerte yt-i zusammen, wobei die AR- Parameter a±, mit i = 1, . . . , p, die Gewichte sind (AR = Autoregression) . Im Rahmen der vorliegenden Erfindung gilt das Interesse aber nicht dem Signal yt selbst, sondern der Frage, wie der AR-Algorithmus das Signal yt „modelliert". Dabei ist der wichtigste Eingangswert außer den Signalwerten yt-i der „Lag" bzw. die „Order" (= Ordnung) . Der „Lag" ist die Anzahl der Perioden p, die das AR-Modell zur Ermittlung der Signals yt verwendet. Hat ein Autoregressives Modell 1. Ordnung (engl. : 1st order) = AR ( 1 ) : yt = c + Et + a yt- lediglich einen einzigen „Lag value" yt-i, so hat ein Autoregressives Modell 2. Ordnung (engl. : 2nd order) = AR(2) : bereits zwei „Lag values" yt-i und yt 2 • Autoregressive Modelle p. Ordnung haben dann entsprechend p „Lag values".
AR-Modelle werden normalerweise verwendet, um bei diskreten Zeitreihen y(t) , auch geschrieben als yt, systematische Zusammenhänge der Vergangenheit zu analysieren, oder Prognosen für die Zukunft zu erstellen. Es hat sich aber gezeigt, dass ein Autoregressionsmodell auch sehr gut geeignet ist, die Features für einen ML-Algorithmus zu liefern.
Die durch das AR-Modell ermittelten Parameter a± bilden erfindungsgemäß die Vektorelemente eines Feature-Vektors, der die wesentliche Information des Eingangssignals, d. h. der Zeitreihe, abbildet. Grundsätzlich könnte man auch die Zeitreihe selbst, also die Abtastwerte yt des Stroms, als „Features" verwenden, das bringt aber Probleme mit sich, wie in den folgenden Punkten a) und b) erläutert: a) Sehr große „Feature"-Vektoren : Bei typischen Abtastfrequenzen von 2000 bis 20.000 sps (sps = samples per second) ergeben sich bei einer Aufzeichnungsdauer von ca. 1 Sekunde Feature-Vektoren mit 2000 bis 20.000 Werten, d.h. mit einer Größe, die sich nur aufwändig handhaben lässt. b) Quantität: Die Stromwerte sind quantitativ abhängig von der Last, d. h. es fließt bei höherer Last ein höherer Motorstrom. Ein Verfahren zur Zustandsdiagnose sollte aber nicht eine Last-Änderung als eine Anomalie einstufen, sondern nur eine Anomalie des Motors.
Die Erfindung umgeht den oben erwähnten Nachteil der großen Datenmengen, wobei 2000 bis 20.000 Strommesswerte einen Feature-Vektor bilden, durch eine Verdichtung der Daten mithilfe eines AR-Modells; eine solche Verdichtung ist sinnvoll, weil der Informationsgehalt eines einzelnen Strommesswertes rela- tiv gering ist und eine Erhöhung der Entropie durch die Autoregression gut durchführbar ist.
Im Gegensatz zur einer herkömmlichen MCSA verwendet die vorliegende Erfindung keine Spektralanteile, d. h. Werte im Frequenzbereich, sondern Strommesswerte, d. h. Werte im Zeitbereich. Erfindungsgemäß werden auch keine physikalischen Modelle verwendet, sondern das Verfahren arbeitet ausschließlich „generisch" mit Methoden des Machine Learning bzw. der AI (= Artificial Intelligence) .
Ein weiterer Vorteil des erfindungsgemäßen Verfahrens ist, dass damit das für ML wichtige Problem der „Datenqualität" gelöst wird. Bei der Spektralanalyse bilden viele Features (Frequenzlinien) nur „Rauschen" ab. Dies können einerseits statische Elemente sein, d. h. sie haben keine „nützliche" Information für das System; andererseits können diese „Rausch"- Features beim Einlernen, weil diese Features Werte ungleich 0 sind, zu völlig falschen Modellen führen. Diese „Rauschanteile" im Vorfeld auszufiltern ist sehr schwer, weil einerseits eine Schwelle für den Filter bekannt sein müsste, andererseits variieren die Frequenzen je nach Lastzustand.
Alternativ zu den „Standard"-Autoregressionsverf ahren können auch modifizierte AR-Verfahren wie ARMA (= AutoRegressive Moving Average) , ARMAX (= AutoRegressive Moving Average with exogenous inputs) und ARIMA (= AutoRegressive Integrated Moving Average) verwendet werden.
Ein erfindungsgemäß generierter Feature-Vektor kann für verschiedene AI- und ML-Verfahren eingesetzt werden, sowohl für überwachte Lernverfahren (engl. : supervised learning) , z. B. Klassif ikations- und Regressions-Algorithmen, als auch für unüberwachte Lernverfahren (engl. : unsupervised learning) .
Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben. Gemäß einer bevorzugten Ausgestaltung der Erfindung ist der besagte Elektromotor ein Asynchronmotor . Aufgrund ihres kostengünstigen und robusten Designs sind Asynchronmotoren (= ASM) in der Industrie sehr verbreitet : sie finden sich in vielen Anwendungen wie z . B . Lüftern, Sägen und Pumpen, von relativ kleinen Anlagen im Watt-Bereich bis zu Anlagen im MW- Bereich . Asynchronmotoren gehören damit zu den größten Verbrauchern der weltweit erzeugten elektrischen Energie . Wegen der weiten Verbreitung von Asynchronmo-toren ergibt sich ein enormes Potential im Hinblick auf Verfügbarkeit und Zuverlässigkeit und die damit verbundene Einsparung von Zeit und Geld .
Gemäß einer bevorzugten Ausgestaltung der Erfindung wird die Zeitreihe von Stromwerten phasenstarr ( engl . : phase-locked) erfasst , d . h . die Abtastung der von Stromwerte erfolgt synchron zur Netz frequenz , wodurch sich eine konstante Phase ergibt . Die Strommesswerte werden also stets zu Zeitpunkten erfasst ( „abgetastet" ) , an denen das Stromsignal vordefinierte Phasen aufweist , z . B . 64 Abtastwerte pro Vollwelle der AG-Stroms . Durch diese phasenstarre Abtastung kann das Verfahren zur Zustandsdiagnose deutlich verbessert werden . Die phasenstarre Abtastung kann dabei entweder mithil fe von Hardware in Form einer PLL (= Phase-Locked Loop ) realisiert werden . Dabei passt sich auch die Abtastfrequenz immer der Netzfrequenz an, d . h . die „Startphase" ist immer konstant . Alternativ können die Strommesswerte zunächst mit einer festen Abtastfrequenz abgetastet werden . In einem nachgelagerten Schritt wird auf die Strommesswerte eine „Soft-PLL" , also eine durch Software bzw . Firmware realisierte PLL, angewendet . Durch eine Interpolation der Werte wird ein Abtastraster in der Form errechnet , dass sich eine feste „Startphase" ergibt und die Abtastfrequenz ein konstantes Viel faches der Netz frequenz ist .
Gemäß einer bevorzugten Ausgestaltung der Erfindung weist das Verfahren außerdem folgende Schritte auf . Es wird mindestens ein erster Feature-Vektor als Trainingsdaten des ML- Algorithmus verwendet. Es wird mindestens ein zweiter Feature-Vektor als Testdaten des ML-Algorithmus verwendet. Es wird eine Diagnose eines Zustands („Zustandsdiagnose") des Elektromotors, der in Form des zweiten Feature-Vektor (Testdaten) dokumentiert ist, mithilfe des ML-Algorithmus' auf Basis eines Vergleichs des mindestens einen zweiten Feature- Vektors (Testdaten) mit dem mindestens einen ersten Feature- Vektor (Trainingsdaten) getroffen. Diese Ausgestaltung betrifft eine Zustandsüberwachung, die auf einem unüberwachten Lernverfahren (engl. : unsupervised learning") basiert. Dabei wird ein Elektromotor in einem ersten Teil einer Trainingsphase, einer sogenannten Aufzeichnungsphase, für einen begrenzten Zeitraum in einem „Gut zustand" , d. h. in einem fehlerfreien Betrieb, betrieben, wobei währenddessen Messwerte, z. B. Messwerte der Stromstärke des durch die Motorwicklungen fließenden Stroms, auf gezeichnet und daraus erfindungsgemäß Feature-Vektoren generiert werden, welche diesen „Gutzustand" beschreiben. In einem zweiten Teil der Trainingsphase, einer sogenannten Lernphase, wird mit mehreren dieser Feature- Vektoren ein ML-Algorithmus trainiert, d. h. der ML- Algorithmus sieht nur den „Gutzustand" des Elektromotors, kennt aber nicht den „Schlecht zustand" , d. h. einen fehlerhaften Betrieb, des Elektromotors. Nach Beendigung der Trainingsphase wird eine Testphase, auch als Detektionsphase bezeichnet, des ML-Algorithmus aktiviert, d. h. ab diesem Zeitpunkt überwacht der ML-Algorithmus den Elektromotor auf vom eingelernten „Gutzustand" des Elektromotors abweichende Betriebszustände, sogenannte „Anomalien", und meldet diese einem Betreiber. Im Detail werden also nacheinander folgende Phasen durchlaufen: a Trainingsphase al Aufzeichnungsphase (Generieren von Feature-Vektoren des „Gut zustands" ) a2 Lernphase (Einlernen des „Gut zustands" des Elektromotors ) b Testphase (Zustandsüberwachung) Ein überwachtes Lernverfahren hat gegenüber einem unüberwachten Lernverfahren den Nachteil , dass „Gut" und „Schlecht"- Daten trainiert werden müssen . In einer Kundenanlage ist das meist nicht möglich . Muss das Anlernen beim Hersteller erfolgen, so muss eine Viel zahl von Modellen geliefert werden . Beim „unsupervised" learning dagegen wird das System wird nur mit „gut"-Daten trainiert ; nach dem Training erkennt das System „schlecht"-Daten als „Anomalie" .
Gemäß einer bevorzugten Ausgestaltung der Erfindung weist das Verfahren folgende drei Schritte auf : es weist den ersten Schritt auf , dass zu dem mindestens einen ersten Feature- Vektor, der als Trainingsdaten verwendet wird, der Phasenwinkel zu Beginn der Zeitreihe erfasst wird . Es wird also für j ede Zeitreihe von Stromwerten der Phasenwinkel zu Beginn der Zeitreihe , die sogenannte „Startphase" , erfasst . Die Erfassung der j eweiligen Startphase wird für alle Zeitreihen in der Trainingsphase durchgeführt und alle erfassten Startphasen werden dokumentiert , z . B . als ein Eintrag in einer Liste bzw . in einer Datei gespeichert . Außerdem weist das Verfahren den zweiten Schritt auf , dass zu mindestens einem zweiten Feature-Vektor, der als Testdaten verwendet werden soll , der Phasenwinkel zu Beginn der Zeitreihe erfasst wird . In der der Trainingsphase nachfolgenden Testphase wird also ebenfalls von den erfassten Zeitreihen j eweils die Startphase ermittelt . Außerdem weist das Verfahren den dritten Schritt auf , dass der mindestens eine zweite Feature-Vektor als Testdaten des ML-Algorithmus nur verwendet wird, falls der dem zweiten Feature-Vektor zugeordnete Phasenwinkel zu Beginn der Zeitreihe mit einem einem ersten Feature-Vektor zugeordneten Phasenwinkel zu Beginn der Zeitreihe übereinstimmt . Es werden also nur diej enigen Zeitreihen ausgewertet , für die in der Trainingsphase ein Eintrag mit der gleichen Startphase vorhanden ist ; zwei Phasen gelten dabei als gleich, wenn sie im Rahmen einer vorgegebenen Toleranz übereinstimmen . Es werden in der Testphase also nur Zeitreihen mit „bekannter" Startphase ausgewertet . Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die Daten „intern normiert", d. h. die Phasenlage und Amplitude des Signals werden durch den Algorithmus automatisch angepasst; auf diese Weise entsteht für den Anwender kein Aufwand. Die Zeitbereichswerte des Stroms I werden vorzugsweise vor der AR-Berechnung auf einen Maximalwert des Absolutwerts des Stroms normiert, d. h. es wird aus einem gemessenen Strommesswert I ein normierter Strommesswert Inorm = 1/ (max(abs (I) ) berechnet. Damit werden die Features unabhängig von der Signal-Amplitude . Die Erfindung umgeht durch diese Normierung der Stromwerte den oben erwähnten Nachteil der quantitativen Abhängigkeit der Stromwerte von der Last.
Gemäß einer bevorzugten Ausgestaltung der Erfindung werden neben den Parametern a± des AR-Modells auch Informationskriterien berechnet, z. B. das Akaike'sche Informationskriterium (engl. : Akaike Information Criterion, kurz: AIC) . Das A- kaike'sche Informationskriterium sagt aus, dass ein Modell nicht unnötig komplex sein und eine Balance zwischen maximaler Anpassungsgüte und minimaler Komplexität des Modell finden soll. Die Anpassungsgüte ist ein Maß, wie gut das Modell die realen Daten nachbildet, z. B. gemessen durch die Residuenquadratsumme. Die Komplexität des Modell kann z. B. mit der Anzahl der Modell-Parameter gemessen werden. Da die p Parameter a± des AR-Modells als Vektorelemente eines Feature- Vektors für den ML-Algorithmus verwendet werden, bestimmt der „Lag" die Größe des Feature-Vektors. Mit einem Informationskriterium lässt sich abschätzen, ob die „Lag"-Größe geeignet gewählt wurde (zu groß, zu klein, optimal) ; basierend auf einem Informationskriterium kann die Lag-Größe optimiert werden .
Gemäß einer bevorzugten Ausgestaltung der Erfindung wird der Feature-Vektor zur Zustandsüberwachung mithilfe einer Selbstorganisierende Karte (engl. : Self-organizing map, abgekürzt: SOM) eingesetzt. Die Idee der SOM ist es, ein Gitter von X * Y Neuronen N zu erzeugen. Jedes Neuron N enthält dabei einen Gewichtsvektor der Länge LF, also gleich der Länge eines Feature-Vektors. Die Bestimmung der Anzahl der Neuronen (X * Y) ist dabei ein Kompromiss zwischen der Datenmenge / Rechenaufwand einerseits und der gewünschten Zuverlässigkeit eines Anomalie-Detektors andererseits. In bereits durchgeführten Tests haben 20 x 20 = 400 Neuronen zu sehr guten Ergebnissen geführt.
Selbstorganisierende Karten arbeiten, wie die meisten künstlichen neuronalen Netze, in zwei Moden: Training und Mapping. Im Training-Modus wird ein Eingabe-Datensatz ("input space") verwendet, um als eine niedriger-dimensionale Darstellungsweise der Eingabedaten eine Karte zu generieren ("map space") . Im Mapping-Modus werden Messdaten mithilfe der generierten Karte klassifiziert, z. B. als normal oder als anomal .
Das Lernen der SOM, also das Training, ist ein iterativer Prozess. Im Anfangszustand enthalten die Gewichtsvektoren zufällige Werte. Der Lernprozess erfolgt nun so, dass ähnliche Feature-Vektoren aus dem Trainingsdatensatz demselben Neuron zugeordnet werden. „Ähnlich" ist dabei in Sinne einer vektoriellen Distanz zu verstehen, d. h. je nach Anwendung kann z. B. die Euklidische Distanz, die Kosinus-Distanz, oder die Manhattan-Distanz verwendet werden.
Das Ziel des Trainings ist es, einen p-dimensionalen "input space", d. h. mit p Variablen, als einen 2-dimensionalen "map space" darzustellen. Ein "map space" besteht aus Komponenten, die als Knoten oder Neuronen bezeichnet werden und auf einem hexagonalen oder rechtwinkligen Gitter mit zwei Dimensionen angeordnet sind. Die Anzahl der Knoten und ihre Position auf dem Gitter werden im Vorfeld festgelegt, basierend auf dem Ziel, das mit der Analyse und Untersuchung des "input space" verfolgt wird. Jedem Knoten des "map space" ist ein Gewichtsvektor zugeordnet, der die Position des Knotens im "input space" definiert. Während die Knoten im "map space" an ihrer Position verankert bleiben, werden die Gewichtsvektor den Eingabe-Daten angenähert, d. h. die Distanz, z. B. die Euklidische Distanz, zwischen dem Gewichtsvektor und den Eingabe-Daten wird minimiert, ohne dass die vom "map space" generierte Topologie zerstört wird.
Es werden während der Trainingsphase Feature-Vektoren gruppiert, die sich „ähnlich" sind. Diese Ähnlichkeit wird dabei als die Euklidsche Distanz definiert, d.h. je kleiner die Distanz der Feature-Vektoren, desto ähnlicher sind sich die Feature-Vektoren. Für jede „Gruppe" von ähnlichen Feature- Vektoren werden eine oder mehrere Repräsentanten gewählt, ebenso die maximale Distanz Dmax für jede Gruppe.
Nach dem Abschluss der Trainingsphase kann die auf diese Weise generierte SOM dazu verwendet werden, weitere "input space"-Vektoren, d. h. Beobachtungen im "input space", hier: Zeitreihen von Stromwerten, zu klassifizieren, indem derjenige Knoten identifiziert wird, dessen Gewichtsvektor dem "input space"-Vektor am nächsten liegt, d. h. die geringste Distanzmetrik, z. B. die Euklidische Distanz, aufweist.
Ein erfindungsgemäß generierter Feature-Vektor mit p Vektorelementen, die mittels eines AR-Verf ährens aus einer an einem Elektromotor gemessenen Zeitreihe gewonnen wurden, wird einem Neuron der besagten SOM und einem dem Neuron zugeordneten Gewichtsvektor zugeordnet.
Um die trainierte SOM als Anomalie-Detektor nutzen zu können, wird eine Funktion benötigt, die einem Feature-Vektor Fv einen Grad zuweist, zu dem der Feature-Vektor eine Anomalie darstellt. Für diesen Zweck wird für jeden Feature-Vektor Fv der „Quantisierungs-Fehler" Ev berechnet:
Ev = I Fv - Gv | für alle v, also für alle Feature-Vektoren. Dabei ist | . . . | die vorher definierte vektorielle Distanz und Gv der jeweilige Gewichtsvektor des „optimalen" Neurons, d. h. desjenigen Neurons, dessen Gewichtsvektor G die minimale Distanz zum Feature-Vektor aufweist. Der Quantisierungs-Fehler E beschreibt, wie gut der jeweilige Feature-Vektor auf die Verteilung der Daten abgebildet werden kann, mit denen die SOM trainiert wurde. Ein hoher Fehler zeigt dabei an, dass der Feature-Vektor sehr unterschiedlich zu den Trainingsdaten ist und daher ein anomales Verhalten des Motors beschreibt. In der Praxis erfolgt ein Feststellen einer Anomalie des Elektromotors, falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwellwert EThreshoid überschreitet: Ex > EThreshoid-
Nach dem Training erfolgt eine Anomalie-Erkennung wie folgt: Es wird aus den Eingangswerten, wie oben beschrieben, ein Feature-Vektor erzeugt. Für diesen Vektor wird jeweils die Euklidsche Distanz zu den gelernten „Gruppen" bestimmt. Von allen Distanzen wird der minimale Wert bestimmt. Ist dieser Wert größer als Dmax, so liegt eine Anomalie vor.
Im Folgenden wird die Erfindung unter Zuhilfenahme der beiliegenden Zeichnung erläutert. Es zeigt jeweils schematisch und nicht maßstabsgetreu
Fig. 1 eine Ausgestaltung eines Antriebsstrangs mit einem Elektromotor;
Fig. 2 ein Ablauf diagramm einer Ausgestaltung des erfindungsgemäßen Verfahrens;
Fig. 3 ein Ablauf diagramm einer anderen Ausgestaltung des erfindungsgemäßen Verfahrens; und
Fig. 4 eine Ausgestaltung einer SOM.
Fig. 1 zeigt eine Anordnung mit einem Asynchronmotor 12, der über Versorgungsleitungen 11 mit einer AC-Spannungsquelle 10, welche eine Versorgungsspannung Usuppiy mit einer Spannungsfrequenz fsuppiy liefert, elektrisch leitend verbunden ist. Der über die Versorgungsleitungen 11 fließende Strom I wird von einem Stromsensor 14, z. B. einem Shunt, einem Stromwandler oder einem Hall-Sensor, gemessen. Es werden jeweils Strommesswerte mit der Abtastfrequenz fA [1/T] für eine Messdauer TA [T] auf gezeichnet . Die Anzahl der Abtastwerte NA ist damit NA = fA *TA. Zum Beispiel sei fA = 3200 Hz, und TA = 1,28 Sekunden, somit NA =4096 = 212 Abtastwerte. Bei einer Spannungsfrequenz fsuppiy = 50 Hz Signal werden pro AC-Schwingung 3200/50 = 64 Abtastwerte aufgenommen, d. h. 32 Abtastwerte pro AC-Halbschwingung . Die vom Stromsensor 14 auf genommenen NA Strommesswerte werden von dem Stromsensor 14 zu einer Recheneinheit 16 gesendet. Aus diesen NA Strommesswerten wird durch die Recheneinheit jeweils ein Feature-Vektor gebildet. Als minimaler Lag wird Lag = 64 gewählt. Damit werden bereits sehr gute Ergebnisse erreicht. Das bedeutet, dass bereits mit 64 (statt 4096) Werten die wesentliche Information des Zeitsignals abgebildet werden kann. Als maximalen Lag wird Lag = 512 verwendet.
Die Verfahrensschritte zur Ermittlung der Feature-Vektoren erfolgen durch die Recheneinheit 16. Dazu weist die Recheneinheit 16 einen Prozessor 18 und einen Datenspeicher 20 auf. Der Datenspeicher 20 speichert Software mit einem Algorithmus zum Bilden eines Feature-Vektors aus den Strommesswerten. Diese Software wird vom Prozessor 18 ausgeführt. Eingabewerte wie die Messdauer TA können der Recheneinheit 16 durch eine mit der Recheneinheit verbundene Ein-/ Ausgabeeinheit 22, z. B. einen PC, übergeben werden. Nach Detektion einer Anomalie sendet die Recheneinheit 16 eine entsprechende Meldung zu der Ein-/Ausgabeeinheit 22.
Fig. 2 zeigt ein Ablauf diagramm einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Zustandsdiagnose eines Elektromotors M, an dem eine Speisespannung U mit einer Versorgungsfrequenz anliegt. In einem ersten Schritt 210 wird eine Zeitreihe It von Stromwerten eines Maschinenstroms I erfasst, der aufgrund der an dem Elektromotor M anliegenden Speisespannung U durch den Elektromotor M fließt.
In einem zweiten Schritt 220 wird die Zeitreihe It mit einem Autoregressions-Modell yt = c + Et + ai Vt-i der Ordnung p beschrieben .
In einem dritten Schritt 230 wird ein Feature-Vektor Fx mit p Vektorelementen gebildet, wobei die p Vektorelemente durch die p Parameter a± des Autoregressions-Modells gebildet werden .
In einem vierten Schritt 240 wird der gebildete Feature- Vektor Fx in einem ML-Algorithmus als Trainingsdaten oder als Testdaten verwendet.
Nach der Aufzeichnungsphase folgt die Lernphase. Während dieser Phase werden die auf gezeichneten und mit einem Schlupf- Label Ls gelabelten Feature-Vektoren in eine SOM eingelernt.
Exemplarisch wird beschrieben, wie die Features die Basis für einen Anomalie-Detektor bilden. Das Ziel hier ist „unsupervi- sed" learning, d.h. das System wird nur mit „gut"-Daten trainiert, und sollte „schlecht"-Daten nach dem Training als „Anomalie" erkennen.
Es werden während der Trainingsphase Features gruppiert, die sich „ähnlich" sind. Diese Ähnlichkeit ist dabei wie folgt definiert: Jedes Feature wird aufgefasst als ein Vektor der Länge L. Die Ähnlichkeit wird dabei als die Euklid'sche Distanz definiert, d.h. je kleiner die Distanz, desto ähnlicher sind sich die Features (https://de.wikipedia.org/wiki/Euklidischer_Abstand) . Für jede „Gruppe" werden eine oder mehrere Repräsentanten gewählt, ebenso die maximale Distanz Dmax für jede Gruppe.
Fig. 3 zeigt ein Ablauf diagramm einer Ausgestaltung des erfindungsgemäßen Verfahrens zur Zustandsdiagnose eines Elekt- romotors M, an dem eine Speisespannung U mit einer Versorgungs frequenz anliegt , mithil fe einer SOM .
In einem ersten Schritt 310 werden Stromwerte Im eines durch den Elektromotor M fließenden elektrischen Stroms erfasst . Man erhält somit eine Zeitreihe It von LF Stromwerten Im eines Stroms I , welcher aufgrund der am Asynchronmotor M anliegenden Speisespannung U durch den Asynchronmotor M fließt , während sich der Asynchronmotor M in einem Gutzustand befindet . Während der Auf zeichnungsphase werden Stromwerte Im aufgezeichnet , die den „Gutzustand" des Motors beschreiben . Diese Stromwerte Im werden im Anschluss für das Training des Anomalie-Detektors verwendet . Folgende Aspekte sind hierbei sehr wichtig :
- Das System sollte möglichst viele Lastzustände bzw . Schlupf-Werte im Schlupf-Wertebereich [ Smin, . . . , sNJ aufzeichnen . Für j ede Auf zeichnung sollte der j eweilige Schlupf als „Label" Ls mitgeführt werden .
- Wenn ein Lastzustand auf gezeichnet wird, so muss für die Dauer der Auf zeichnung TA der Lastzustand (= Schlupf ) näherungsweise konstant sein : Ls = constant . Es macht keinen Sinn, die Stromwerte bei starken Laständerungen (= Schlupfänderungen) auf zuzeichnen, weil es sonst zu einer Überlagerung verschiedener Zustände und damit auch einer Überlagerung verschiedener Frequenz-Spektren kommen würde .
- Die Auf zeichnungsphase ist beendet , wenn eine hinreichend große Variation von Schlupf-Werten auf gezeichnet wurde , bzw . wenn die maximale für die Auf zeichnung vorgesehene Zeit erreicht wurde .
In einem zweiten Schritt 320 wird aus den Stromwerten It der erfassten Zeitreihe ein Feature-Vektor Fv mit p Vektorelementen gebildet , wobei die p Vektorelemente durch die p Parameter a± des Autoregressions-Modells gebildet werden . Diesem Feature-Vektor Fv wird ein Schlupfwert des Schlupfes s des Asynchronmotors zugeordnet .
In einem dritten Schritt 330 werden die Schritte 310 und 320 bei unterschiedlichen Schlupfwerten wiederholt , zur Gewinnung einer Gruppe von Feature-Vektoren Fv als ein Trainingsdatensatz .
In einem vierten Schritt 340 wird eine Matrix von X mal Y Neuronen erzeugt , wobei j edem der Neuronen ein Gewichtsvektor G der Länge LF zugeordnet ist .
In einem fünften Schritt 350 werden einem Neuron diej enigen Feature-Vektoren Fv aus dem Trainingsdatensatz zugeordnet , deren vektorielle Distanz zu dem Neuron einen vorgegebenen Distanzgrenzwert nicht überschreitet .
In einem sechsten Schritt 360 werden die Gewichtsvektoren G der Neuronen derart angepasst , dass die Distanz des Gewichtsvektors G zu den einem Neuron zugeordneten Feature-Vektoren Fv minimal ist .
Nach dem Training erfolgt eine Anomalie-Erkennung wie folgt : Es wird aus den Eingangswerten wie oben beschrieben ein Feature-Vektor erzeugt . Für diesen Vektor wird j eweils die Euklid' sehe Distanz zu den gelernten „Gruppen" bestimmt . Von allen Distanzen wird der minimale Wert bestimmt . I st dieser Wert größer als Dmax, so liegt eine Anomalie vor .
Fig . 4 zeigt vier unterschiedliche SOM . Eine SOM ist eine 2- dimensionale Visualisierung, aufgespannt durch eine x-Achse und eine y-Achse .
Die Idee der SOM ist es , ein Gitter von X * Y Neuronen N zu erzeugen . Jedes Neuron N enthält dabei einen Gewichtsvektor, dessen Länge identisch ist zu der Länge eines Feature- Vektors . Die Bestimmung der Anzahl der Neuronen (X * Y) ist dabei ein Kompromiss zwischen der Datenmenge / Rechenaufwand einerseits und der gewünschten Zuverlässigkeit des Anomalie- Detektors andererseits . In bereits durchgeführten Tests haben 20 x 20 = 400 Neuronen zu sehr guten Ergebnissen geführt .
Auf der x-Achse ist ein Parameter X, auf der y-Achse ein Parameter Y aufgetragen, wobei durch X und Y die Größe der SOM- Karte definiert wird . Das Produkt X*Y ergibt die Anzahl der in der SOM als Waben dargestellten Neuronen . In der linken Spalte mit „X=20" sind zwei SOM-Karten dargestellt mit X=Y=0 , 19 , In der rechten Spalte mit „X=25" sind zwei SOM- Karten dargestellt mit X=Y=0 , 24 . Damit ergeben sich in der linken Spalte N=20* 20=400 Neuronen-Waben und in der rechten Spalte N=25* 25=625 Neuronen-Waben . Die beiden Spalten sind hori zontal unterteilt in zwei Zeilen : die obere Zeile mit „AR=64" zeigt die SOM-Karten, bei denen zur Generierung der Feature-Vektoren eine Autoregression AR mit Lag=64 verwendet wurde , also 64 Feature-Vektor-Elemente pro Feature- Vektor ; die untere Zeile mit „AR=512" zeigt die SOM-Karten, bei denen zur Generierung der Feature-Vektoren eine Autoregression AR mit Lag=512 verwendet wurde , also 512 Feature- Vektor-Elemente pro Feature-Vektor . Die SOM-Karten zeigen die unbelegten bzw . mit „gut" bzw „Fehler" belegten Neuronen- Waben; dabei ist auch eine „Doppelbelegung" einer Neuronen- Wabe möglich . Je dunkler eine Neuronen-Wabe , desto größer ist die „Distanz" zur benachbarten Neuronen-Wabe . Optimal ist , wenn möglichst viele Neuronen-Waben belegt sind und möglichst keine „Doppelbelegung" existiert .
Das Lernen der SOM ist ein iterativer Prozess . Im Anfangs zustand enthalten die Gewichtsvektoren zufällige Werte . Der Lernprozess erfolgt nun so , dass ähnliche Trainings-Vektoren aus dem Trainingsdatensatz demselben Neuron zugeordnet werden . „Ähnlich" ist dabei in Sinne einer vektoriellen Distanz zu verstehen, d . h . j e nach Anwendung kann z . B . die Euklidische Distanz , die Kosinus-Distanz , oder die Manhattan-Distanz verwendet werden .
Da die Anzahl v der erzeugten Feature-Vektoren Fv in der Regel deutlich größer ist als die Anzahl der Neuronen, repräsentiert ein Neuron viele Feature-Vektoren . Während des Trainings wird der Gewichtsvektor G eines j eden Neurons derart angepasst , dass die Distanz des Gewichtsvektors G zu den dem Neuron zugeordneten Trainings-Vektoren Fv minimal ist . Bei einer optimal trainierten SOM wurden j edem Neuron Trainings- Vektoren zugewiesen . Die trainierte SOM stellt dann eine kompakte Repräsentation der Trainingsdaten-Verteilung dar . Um die trainierte SOM als Anomalie-Detektor nutzen zu können, wird eine Funktion benötigt, die einem Feature-Vektor Fv einen Grad zuweist, zu dem der Feature-Vektor eine Anomalie darstellt. Für diesen Zweck wird für jeden Feature-Vektor Fv der „Quantisierungs-Fehler" Ev berechnet:
Ev = | Fv - Gv | für alle v, also für alle Feature-Vektoren. Dabei ist | Fv - Gv | die vorher definierte vektorielle Distanz und Gv der jeweilige Gewichtsvektor des „optimalen" Neurons, d. h. desjenigen Neurons, dessen Gewichtsvektor G die minimale Distanz zum Feature-Vektor aufweist. Der Quantisierungs-Fehler E beschreibt, wie gut der jeweilige Feature-Vektor auf die Verteilung der Daten abgebildet werden kann, mit denen die SOM trainiert wurde. Ein hoher Fehler zeigt dabei an, dass der Feature-Vektor sehr unterschiedlich zu den Trainingsdaten ist und daher ein anomales Verhalten des Motors beschreibt.
Uber alle Feature-Vektoren im Trainingsdatensatz werden nun der minimale Fehler
Emin = min{Ev} und der maximale Fehler
Emax = max{Ev} bestimmt .
Während der der Lernphase folgenden Testphase, in der die Vorrichtung als ein Anomalie-Detektor arbeitet, werden nun, ähnlich wie in der Aufzeichnungsphase, folgende Schritte abgearbeitet :
- Es werden wieder für die Zeit TA Abtastwerte auf gezeichnet .
- Es wird geprüft, ob in dieser Zeit der Lastzustand des Motors „stationär" war, d. h. keine starken Last-Änderungen vorlagen, und ob der Schlupf während dieser Aufzeichnung in der Trainingsphase vorhanden war . Dabei kann eine geeignete Toleranz für den Schlupf definiert werden, da die Schlupf- Bestimmung nicht fehlerfrei erfolgen kann, bzw . es ist während der Trainingsphase zu prüfen, welcher „Schlupf-Fehler" zu einer „Anomalie" führen würde .
- Nach erfolgreicher Prüfung wird aus den Abtastwerten der Feature-Vektor Fx berechnet .
- Für diesen Feature-Vektor liefert die SOM das zugehörige Neuron und den dem Neuron entsprechenden Gewichtsvektor Gx .
- Aus diesen Werten wird der Quantisierungs-Fehler Ex = | Fx
- Gx | berechnet .
Die einfachste Variante eines Anomalie-Detektors ließe sich wie folgt realisieren : Es wird ein fester Schwellwert EThreshoid für den Quantisierungs-Fehler definiert . Wird dieser überschritten, so liegt mit hoher Wahrscheinlichkeit eine Anomalie vor . Es ist naheliegend, EThreshoid = Emax zu wählen, d . h . der maximale Quantisierungs-Fehler während der Trainingsphase wird als Schwellwert verwendet . Wird also die Distanz zwischen dem Testvektor und dem entsprechenden Gewichtsvektor zu groß , so liegt eine Anomalie vor .
Diese einfache Variante hat j edoch Nachteile , die anhand von Ergebnissen aus Experimenten mit echten Motordaten erklärt werden sollen . Dazu wird ein fehlerfreies System (Motor ) mit 100 Feature-Vektoren trainiert ( „good" ) . Dabei werden verschiedene Lastzustände trainiert . In der Testphase werden diese 100 Feature-Vektoren im „gut"-Zustand getestet . Anschließend wird das System absichtlich „beschädigt" , z . B . wird der Motor falsch ausgerichtet ( „anomaly" ) . Der Test erfolgt nur bei Last zuständen, die vorher trainiert wurden . Es werden insgesamt weitere 200 Feature-Vektoren getestet .

Claims

Patentansprüche
1. Verfahren zur Zustandsdiagnose eines Elektromotors (M) , an dem eine AC-Speisespannung (U) mit einer Versorgungsfrequenz (fu) anliegt, mit folgenden Schritten: a) Erfassen einer Zeitreihe (It) von Stromwerten eines Maschinenstroms (I) , der aufgrund der an dem Elektromotor (M) anliegenden Speisespannung (U) durch den Elektromotor (M) fließt ; b) Beschreiben der Zeitreihe (It) mit einem Autoregressions- Modell der Ordnung p; c) Bilden eines Feature-Vektors (Fx) mit p Vektorelementen, wobei die p Vektorelemente durch die p Parameter a± des Auto- regressions-Modells gebildet werden; und d) Verwenden des gebildeten Feature-Vektors (Fx) in einem ML- Algorithmus als Trainingsdaten oder als Testdaten.
2. Verfahren nach Anspruch 1, wobei der besagte Elektromotor (M) ein Asynchronmotor ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Zeitreihe (It) phasenstarr erfasst wird.
4. Verfahren nach einem der vorhergehenden Ansprüche mit folgenden Schritten:
- Verwenden mindestens eines ersten Feature-Vektors (Fx) als Trainingsdaten des ML-Algorithmus;
- Verwenden mindestens eines zweiten Feature-Vektors (Fx) als Testdaten des ML-Algorithmus;
- Treffen einer Zustandsdiagnose durch den ML-Algorithmus auf Basis eines Vergleichs des mindestens eines ersten Feature- Vektors (Fx) mit dem mindestens einen zweiten Feature-Vektor
(Fx) .
5. Verfahren nach Anspruch 4, mit folgenden Schritten:
- Erfassen, zu dem mindestens einen ersten Feature-Vektor (Fx) , der als Trainingsdaten verwendet wird, des Phasenwinkels zu Beginn der Zeitreihe (It) ; - Erfassen, zu mindestens einem zweiten Feature-Vektor (Ex) , der als Testdaten verwendet werden soll, des Phasenwinkels zu Beginn der Zeitreihe (It) ;
- Verwenden des mindestens einen zweiten Feature-Vektors (Ex) als Testdaten des ML-Algorithmus nur, falls der dem zweiten Feature-Vektor (Ex) zugeordnete Phasenwinkel zu Beginn der Zeitreihe (It) mit einem einem ersten Feature-Vektor (Ex) zugeordneten Phasenwinkel zu Beginn der Zeitreihe (It) übereinstimmt .
EP24702226.2A 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines elektromotors Pending EP4646601A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023202112.9A DE102023202112A1 (de) 2023-03-09 2023-03-09 Verfahren zur Zustandsdiagnose eines Elektromotors
PCT/EP2024/050287 WO2024183963A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines elektromotors

Publications (1)

Publication Number Publication Date
EP4646601A1 true EP4646601A1 (de) 2025-11-12

Family

ID=89767742

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24702226.2A Pending EP4646601A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines elektromotors

Country Status (4)

Country Link
EP (1) EP4646601A1 (de)
CN (1) CN120769990A (de)
DE (1) DE102023202112A1 (de)
WO (1) WO2024183963A1 (de)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
EP3961230A1 (de) 2020-08-28 2022-03-02 Siemens Aktiengesellschaft Maschinenzustandsüberwachungsverfahren und -system
EP4089595A1 (de) * 2021-05-11 2022-11-16 Siemens Aktiengesellschaft Computer-implementiertes verfahren zum bereitstellen eines trainierten maschinellen lernmodells zur erkennung mindestens eines ereignisses in bezug auf ein technisches system

Also Published As

Publication number Publication date
DE102023202112A1 (de) 2024-09-12
CN120769990A (zh) 2025-10-10
WO2024183963A1 (de) 2024-09-12

Similar Documents

Publication Publication Date Title
DE112016007498B4 (de) Untersuchungseinrichtung und untersuchungsverfahren
DE60316517T2 (de) Verfahren und Vorrichtung zur Aufnahme von Störsignalen
DE69818275T2 (de) Qualitätsmessung der schweissung
DE69930501T2 (de) Ultrasensitive überwachung von sensoren und prozessen
DE102006008482B4 (de) Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle
EP4196805B1 (de) Batteriemanagementsystem zum klassifizieren eines batteriemoduls
DE102017009273A1 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Lernen einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt
DE112020007541T5 (de) Datenverarbeitungsgerät, Datenverarbeitungsverfahren und Speichermedium
DE102024115705A1 (de) Entfernung von audioverzerrung basierend auf einer menge von referenzaudiosamples
DE102023101527A1 (de) Verfahren zur Zustandsüberwachung einer technischen Einrichtung
DE4124501C2 (de) Neuronales Netz mit automatischer Installation von Zwischenneuronen
DE102023104927A1 (de) Verfahren und Vorrichtung zur Erkennung einer Anomalie im Verhalten eines dynamischen Systems
WO2018083147A1 (de) Verfahren zur diagnose eines technischen systems
EP4646601A1 (de) Verfahren zur zustandsdiagnose eines elektromotors
EP3959498B1 (de) Akustische analyse eines zustands einer maschine
DE4434197A1 (de) Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors
DE102019134113A1 (de) Datensortiervorrichtung und datensortierverfahren und überwachungs- und diagnosevorrichtung
WO2020216452A1 (de) Zustandsanalyse einer anlage
EP0939308B1 (de) Vorrichtung zur Erkennung oder zur Analyse von Maschinenschäden
DE102021212728A1 (de) Verfahren zum Erzeugen von Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens
WO2024183969A1 (de) Verfahren zum generieren einer self-organizing map
WO2021151534A1 (de) Monitoring von leistungsschaltern
DE112020007637T5 (de) Lerneinrichtung, fehler-erfassungseinrichtung und fehler-erfassungsverfahren
DE102019127145A1 (de) Vorrichtung zum Diagnostizieren einer Analyse und Verfahren dafür
DE10225344A1 (de) Verfahren zur Bestimmung des Rausch-Niveaus eines als Folge von digitalisierten Messwerten repräsentierten Signals

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: 20250807

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