EP4646602A1 - Verfahren zur zustandsüberwachung eines asynchronmotors - Google Patents

Verfahren zur zustandsüberwachung eines asynchronmotors

Info

Publication number
EP4646602A1
EP4646602A1 EP24702228.8A EP24702228A EP4646602A1 EP 4646602 A1 EP4646602 A1 EP 4646602A1 EP 24702228 A EP24702228 A EP 24702228A EP 4646602 A1 EP4646602 A1 EP 4646602A1
Authority
EP
European Patent Office
Prior art keywords
anomaly
asynchronous motor
slip
anomaly detector
operating range
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
EP24702228.8A
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 EP4646602A1 publication Critical patent/EP4646602A1/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

Definitions

  • Asynchronous motors Due to their cost-effective and robust design, asynchronous motors are very common in industry: they can be found in many applications such as fans, saws and pumps, from relatively small systems in the watt range to systems in the MW range. 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.
  • PM predictive maintenance
  • Motor faults such as eccentricity, particularly air gap eccentricity (when the rotation axes of the stator and rotor of the motor do not coincide exactly), broken rotor bars, defective bearings or misalignment change the amplitudes at frequencies characteristic of the faults when slip is constant.
  • the fault frequencies themselves are slip-dependent, i.e. a change in the slip changes the frequency position of the fault frequencies. Motor faults can therefore be detected based on the change in the amplitudes of these characteristic frequencies in the frequency spectrum.
  • EP3961230A1 (Siemens AG; Zettner, Jürgen) March 2, 2022.
  • FFT fast Fourier transformation
  • the classic MCSA is used in the quasi-stationary case, i.e. at a nominally constant speed.
  • An extension of the MCSA is the analysis with short-term FFTs or wavelets in order to analyze processes in a time-resolved manner.
  • machine learning or artificial intelligence, AI.
  • State-of-the-art anomaly detection relies on learning phases on the ASM to be monitored, during which the ASM is in a so-called "good state", i.e.
  • anomaly detection in the detection phase is then based on those features that the anomaly detector was trained to consider as "normal” during its learning phase.
  • the good state is learned under different operating conditions, in the hope that the mathematical model of the anomaly detector in the feature space covers all operating states of the good state.
  • Frequency-controlled drives, but also drive trains with mains machines, experience variations in rotor speed and torque due to the loads to be driven ( torque), temperature changes, aging or control / regulation.
  • the frequency spectrum of an asynchronous motor is highly dependent on the load state, i.e. on the slip s. It is also known from classic MCSA that frequency lines also change with the frequency of the supply voltage applied to the ASM ("supply frequency f supply ").
  • the MCSA mainly distinguishes between slip-dependent motor- 202218760 3 specific spectral lines, e.g. the Principal Slot Harmonics (PSHs), various slip-dependent error lines and the motor-specific Winding Harmonics (WHs), which are multiples of the supply frequency.
  • PSHs Principal Slot Harmonics
  • WHs motor-specific Winding Harmonics
  • an anomaly detector learns different operating states, caused either by a changing supply frequency f supply and/or by a changing torque (ASM with slip), as good states in the learning phase, a large number of motor-specific spectral lines and a large number of frequency bands change with the different operating states. In the event of a fault during a detection phase, there is therefore a relatively low probability of clearly finding a fault in the drive train. This is because the amplitudes of motor-specific frequencies overlap with those of error-specific frequencies in some operating states, see Fig. 6.
  • Fig. 6 shows a horizontal time axis t, above which a motor speed v motor of an electric motor is plotted in the lower area of Fig. 6.
  • the motor in question goes through 12 different operating states 62, characterized by different motor speeds, twice, starting from a highest speed and ending with a lowest speed.
  • the first run through the operating states takes place in a good state 63
  • the second run through the operating states takes place in an error state 64.
  • a frequency spectrum of the electric motor resulting from an MCSA is plotted. It can be seen that the amplitudes of motor-specific frequencies 60 overlap with those of error-specific frequencies 61 in some operating states. 202218760 5 This means: if all operating cases of the good state are taught into an anomaly detector, the 12 operating states shown in Fig.
  • One object of the present invention is therefore an improved MCSA. This object is achieved according to the invention by a method with the features specified in claim 1. The method is used to monitor the condition of an asynchronous motor.
  • the asynchronous motor Due to its design, the asynchronous motor has a slip during operation: the slip is defined as the speed difference between the stator rotating field (stator) and the rotor, usually given as a percentage value in relation to the speed of the stator rotating field.
  • a supply voltage is applied to the asynchronous motor, which, as the operating voltage of the asynchronous motor, leads to a current flow in the motor, through which the magnetic fields causing the rotor to rotate are generated inside the motor.
  • the supply voltage as an alternating voltage, has a frequency, the so-called supply frequency.
  • two or more different operating ranges of the asynchronous motor are defined as a function of the slip and as a function of the supply frequency: thus, two different operating ranges differ in relation to the slip and in relation to the supply frequency.
  • Each of the defined operating ranges is assigned at least 202218760 6 at least one associated anomaly detector is assigned, which is adapted to detect a fault state of the asynchronous motor in the respective operating range.
  • the at least one anomaly detector that is assigned to the current operating range is activated. The state of the asynchronous motor is monitored by the active anomaly detector.
  • the invention proposes using an anomaly detector that is specially trained for this range in different operating ranges of an asynchronous motor.
  • the procedure according to the invention has the following advantages: -
  • the invention improves the accuracy of anomaly detection for each speed/torque or operating point, since the variance of the features within an operating range is smaller.
  • the smaller an "operating range” is, the smaller the rate of real errors detected as "good” and the greater the accuracy: a smaller operating range can be evaluated better than a larger one.
  • the invention prevents an anomaly detector that is responsible for all operating ranges from recognizing all of these as operating ranges, but being "blind" to errors that occur.
  • the first method for obtaining input values is a method for diagnosing the condition of an electric motor to which an AC supply voltage with a supply frequency is applied, comprising the following steps: a) recording a time series of current values of a machine current that flows through the electric motor due to the supply voltage applied to the electric motor; b) describing the time series with an autoregression model ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ of order p; c) forming a feature vector with p vector elements, wherein the p vector elements are formed by the p parameters a i of the autoregression model; and d) using the formed feature vector in an ML algorithm as input values, i.e.
  • the so-called features which are required for training an AI for anomaly detection, are obtained from current or voltage samples, whereby one of the two aforementioned methods can be used, for example, it was recognized that features must be selected such that as much information as possible is contained in the features.
  • a SOM self organizing map
  • autoregression features or FFT frequency features could also train itself on noise and artifacts instead of error features, provided that an arbitrarily high number of features or many amplitudes in the noise equivalent are used for training.
  • the map size of an SOM is reduced by the invention, since there is less data in the training for each restricted operating range. This makes training easier and prediction faster, and storing individual operating range models more resource-efficient. Each individual model (anomaly detector) becomes more specific and smaller. The relationship between the slip s, the rotor speed n, the motor torque M and the supply frequency f S is explained below.
  • the supply frequency f S which is also called stator frequency or mains frequency, can also be simply symbolized with the letter f, without a subscript S.
  • the torque M of the motor is a function of the slip s.
  • voltage feature data sets are created, e.g. voltage spectrum or autoregression features, and used to train a voltage anomaly detector.
  • the idea of the SOM is to generate 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 mode measurement data is classified using the generated map, e.g. as normal or as anomalous. 202218760 11
  • Learning the SOM i.e. training, is an iterative process.
  • the weight vectors contain random values.
  • the learning process now takes place in such a way that similar feature vectors from the training data set are assigned to the same neuron.
  • Similar is to be understood in the sense of a vectorial distance, i.e.
  • 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, which are 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 with the analysis and investigation of the "input space”.
  • Each node of 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
  • the distance between the weight vector and the input data is minimized without destroying the topology generated by the "map space".
  • feature vectors that are "similar” to each other are grouped. This similarity is defined as the Euclidean distance, i.e. the smaller the distance between the feature vectors, the more similar the feature vectors are.
  • the maximum distance Dmax for each group is defined as the Euclidean distance, i.e. the smaller the distance between the feature vectors, the more similar the feature vectors are.
  • the SOM generated in this way can be used to create further "input 202218760 12 space” vectors, ie 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, ie has the smallest distance metric, e.g. the Euclidean distance.
  • a feature vector generated according to the invention with p vector elements, which were obtained by means of an AR method from a time series measured on an electric motor, is assigned to a neuron of the said SOM and a weight vector assigned to the neuron.
  • is the previously defined vectorial distance
  • G ⁇ 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.
  • an anomaly in the electric motor is detected if the quantization error Ex exceeds a fixed threshold value E Threshold : Ex > E Threshold .
  • E Threshold a fixed threshold value
  • anomaly detection takes place 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. 202218760 13 the minimum value is determined for all distances. If this value is greater than Dmax, an anomaly is present.
  • a slip value range of values of the slip that occur during operation of the asynchronous motor and a frequency value range of values of the supply frequency that occur during operation of the asynchronous motor are determined as a prerequisite for the operating point-specific design of the anomaly detector according to the invention.
  • the determined slip value range is divided into Q slip sub-ranges and the determined frequency value range is divided into R frequency sub-ranges (Q, R ⁇ N ⁇ .
  • Q x R operating ranges, defined by one of the said slip sub-ranges and one of the said frequency sub-ranges, are defined accordingly.
  • an anomaly detector A(q, r) has a feature space with the dimensionality K, i.e. K indicates the number of features of the anomaly detector A(q, r).
  • K indicates the number of features of the anomaly detector A(q, r).
  • Each anomaly detector is valid for an assigned operating range.
  • a detection phase a current operating range of the asynchronous motor is determined, then the anomaly detector that is assigned to the current operating range is activated, and the state of the asynchronous motor is determined by the active Anomaly detector is monitored.
  • a signal indicating the anomaly is generated by the active anomaly detector.
  • the anomaly detector associated with the current operating range is activated, as well as one or more anomaly detectors that 202218760 14 are assigned to the operating ranges of the asynchronous motor adjacent to the current operating range.
  • the state of the asynchronous motor is monitored by the active anomaly detectors.
  • Amplitude changes to error-specific frequencies in the event of an error differ significantly from the amplitudes of the now frequency-fixed motor-specific frequencies for this operating point.
  • the N anomaly detectors have the further advantage that majority decisions can also be made if, as in particular in Fig. 6, the error cannot be easily detected at only a few overlapping points of error and motor-specific frequencies, ie for certain operating points. However, the anomaly detectors of neighboring operating points, where this overlap does not exist to the same extent, can then arrive at decisions that anomaly exists with greater certainty. The presence of an error can then be retained from the majority of decisions of the neighboring operating points, even if the actual exact operating point does not allow detection through a frequency overlap.
  • a plurality of anomaly detectors are assigned to each of the defined operating ranges, with detection results of the assigned anomaly detectors then being available as a result vector.
  • determining the current operating range of the asynchronous motor comprises the following steps: First, values of the slip and values of the supply frequency are determined during a time sequence. The current operating range of the asynchronous motor is determined on the basis of the determined values of slip and supply frequency. According to a preferred embodiment of the invention, the time sequence is divided into sub-units of shorter duration, with a measure of the slip being determined in each of the sub-units. An anomaly detector is only activated if the differences in the measures of the slip do not exceed a predetermined difference value; otherwise, an anomaly detector is not activated.
  • a measure Ls, ⁇ for the slip can be determined in each sub-segment.
  • the measure of the slip can be determined from the position of the principal slot harmonics (PSH) in the frequency domain or from the cos ⁇ in the time domain. If the measures Ls, ⁇ for the sub-segments are not close enough to each other, the operating state will most likely change during T and no anomaly detector will be "armed". Alternatively, each anomaly detector A(n,m) is evaluated with the sub-operating points for Ls, ⁇ .
  • Fig. 1 an embodiment of a device according to the invention for monitoring the condition of an asynchronous motor
  • Fig. 2 an embodiment of an artificial neural network
  • Fig. 3 a flow chart of an embodiment of the method according to the invention
  • Fig. 4 the definition of the different operating ranges of the asynchronous motor
  • Fig. 5 the embodiment in which several anomaly detectors are responsible for one operating range
  • Fig. 1 an embodiment of a device according to the invention for monitoring the condition of an asynchronous motor
  • Fig. 2 an embodiment of an artificial neural network
  • Fig. 3 a flow chart of an embodiment of the method according to the invention
  • Fig. 4 the definition of the different operating ranges of the asynchronous motor
  • Fig. 5 the embodiment in which several anomaly detectors are responsible for one operating range
  • Fig. 1 an embodiment of a device according to the invention for monitoring the condition of an asynchronous motor
  • Fig. 2 an embodiment of an artificial neural network
  • Fig. 3 a flow chart of an embodiment of the method according
  • the 1 shows an asynchronous motor AM (hereinafter also simply referred to as: electric motor or as: electric motor), which is electrically connected to a power grid N by means of a branch 12.
  • the branch can be, for example, a three-phase electrical line that connects the three-phase network N to the connection terminals of the electric motor AM.
  • the electric motor AM is designed as a drive machine of a drive train D, which also has a mechanical transmission G and a working machine W. A torque provided by the electric motor AM is transmitted to the working machine W via the transmission G.
  • the working machine can be, for example, a conveyor belt, a roller or a cylinder.
  • other electrical loads 20 are connected to the power network N.
  • a first sensor S1 which is arranged, for example, on the branch 12, detects voltage values U m of an electrical supply voltage of the electric motor AM, e.g. a voltage between two phases of the branch 12 or between a phase of the branch 12 and a reference potential, and sends the detected voltage values U m via a transmission medium 10, e.g. a data cable, to a device 15 for monitoring the condition of the asynchronous motor AM.
  • a second sensor S2 which is arranged, for example, on the electric motor M, e.g. a shunt, a current transformer or a Hall sensor, detects current values I m of an electrical current flowing through the electric motor AM, and sends the current values I m via a transmission medium 11, e.g.
  • the current I flowing through the supply lines 11 is measured by a current sensor 14, e.g. with a measuring rate of 3200 measurements/sec.
  • the supply voltage U applied to the asynchronous motor AM is tapped at the supply lines 11 by a voltage sensor 15.
  • the current measured values recorded by the current sensor 14 and the voltage measured values recorded by the voltage sensor 15 are sent from the sensors 14, 15 to a computing unit 16.
  • the computing unit calculates the slip and the FFT(I) from the recorded current and voltage measured values.
  • the further process steps for determining the slip s are also 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 determining the slip s from current measured values. This software is executed by the processor 18. In order for the method according to the invention to be feasible, current and voltage must be measured and the slip, i.e. the actual speed, must be determined in order to be able to determine the operating point and the associated slip-dependent error frequencies. 202218760 18
  • the device 15 for monitoring the condition of the asynchronous motor AM has an anomaly detector 16, a user interface 17 and a data memory 19.
  • the anomaly detector 16 has a trained AI function 18.
  • the device 15 receives the recorded voltage values U m and the recorded current values I m and evaluates them using the trained AI function 18.
  • the AI function 18 analyzes the recorded measured values U m , I m and ...
  • the device 15 reports an error in the asynchronous motor AM if an anomaly has been detected.
  • the reports are made via the user interface 17, e.g. a display.
  • Fig. 2 shows an embodiment of an artificial neural network 100 as used in the trained AI function 18.
  • Alternative terms for “artificial neural network” are “neural network”, “artificial neural network” or “neural network”. 202218760 19
  • the artificial neural network 100 has nodes 120, ..., 132 and edges 140, 141, 142, where each edge 140, 141, 142 is a directed connection of a first node 120, ..., 132 to a second node 120, ..., 132.
  • first node 120, ..., 132 and the second node 120, ..., 132 are different nodes 120, ..., 132
  • edge 140 is a directed connection from node 120 to node 123
  • edge 142 is a directed connection from node 130 to node 132.
  • An edge 140, 141, 142 from a first node 120, ..., 132 to a second node 120, ..., 132 is also referred to as an "ingoing edge” with respect to the second node 120, ..., 132 and as an "outgoing edge” with respect to the first node 120, ..., 132: "ingoing edges" of a node are directed edges whose destination point is the node, "outgoing edges" of a node are directed edges whose origin is the node.
  • the nodes 120, ..., 132 of the artificial neural network 100 are arranged in layers 110, ..., 113, wherein the layers may have an intrinsic order introduced by the edges 140, 141, 142 between the nodes 120, ..., 132.
  • the edges 140, 141, 142 may only exist between adjacent layers of nodes.
  • the number of hidden layers 111, 112 can be chosen arbitrarily.
  • the number of nodes 120, 121, 122 in the input layer 110 is usually related to the number of input values of the neural network, and the number of nodes 131, 132 in the output layer 113 is usually 202218760 20 in relation to the number of output values of the neural network.
  • each node 120, ..., 132 of the neural network 100 can be assigned a (real) number as a value.
  • x (n) i means the value of the i-th node 120, ..., 132 of the n-th layer 110, ..., 113.
  • the values of the nodes 120, 121, 122 of the input layer 110 are equivalent to the input values of the neural network 100
  • the values of the nodes 131, and 132 of the output layer 113 are equivalent to the output values of the neural network 100.
  • each edge 140, 141, 142 may have a real number as a weight, in particular a real number in the interval [-1, 1] or the interval [0, 1].
  • w (m,n) i ,j denotes the weight of the edge between the i-th node 120, ..., 132 of the m-th layer 110, ..., 113 and the j-th node 120, ..., 132 of the n-th layer 110, ..., 113.
  • the abbreviation w (n) i ,j is defined as w (n,n+1) i ,j .
  • the input values are propagated through the neural network.
  • the function f is a transfer function (also referred to as “activation function”).
  • transfer functions are step functions, sigmoid functions (e.g. the logistic function, the generalized logistic function, the hyperbolic tangent, the arctangent function, the error function, the smoothstep function) or rectifier functions.
  • the transfer function is mainly used for normalization purposes. 202218760 21
  • the values are propagated layer by layer through the neural network, where values of the input layer 110 are given by the input to the neural network 100, values of the first hidden layer 111 can be calculated based on the values of the input layer 110 of the neural network 100, values of the second hidden layer 112 can be calculated based on the values of the first hidden layer 111, etc.
  • training data comprises training input data and training output data (denoted by t i ).
  • the neural network 100 is applied to the training input data to generate calculated output data.
  • the training data and the calculated output data have a number of values that is equal to the number of nodes of the output layer.
  • a comparison between the calculated output data and the training data is used to recursively adjust the weights in the neural network 100 (backpropagation algorithm).
  • Fig. 3 shows a flow chart of an embodiment of the method according to the invention.
  • a first step 31 two or more different operating ranges of the asynchronous motor are defined as a function of the slip and as a function of the supply frequency.
  • at least one associated anomaly detector which is adapted to detect an error state of the asynchronous motor in the respective operating range, is assigned to each of the defined operating ranges.
  • a current operating range of the asynchronous motor is determined.
  • at least one anomaly detector assigned to the current operating range is activated and the state of the asynchronous motor is monitored by the active anomaly detector.
  • a slip value range S [S min ; S max ] of values s i of the slip s that occur during operation of the asynchronous motor AM is first determined.
  • a frequency value range F [f min ; f max ] of values f i of the supply frequency f of the voltage that occur during operation of the asynchronous motor AM is also determined.
  • the determined slip value range S is divided into Q slip sub-ranges S q .
  • the determined frequency value range is also divided into R frequency sub-ranges F r .
  • Q x R operating ranges B(q, r) are defined, defined by one of the said slip sub-ranges S q 202218760 23 and one of the said frequency sub-ranges F r .
  • Q x R anomaly detectors A(q, r) are provided, wherein an anomaly detector A(q, r) for anomaly detection is assigned to a corresponding operating range B(q, r).
  • Fig. 5 shows the design in which several anomaly detectors are responsible for one operating range.
  • a detection phase after determining the current operating range B(q, r) of the asynchronous motor AM, activating the anomaly detector A(q, r) associated with the current operating range B(q, r), as well as one or more anomaly detectors A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r), A(q+1, r+1), the operating ranges B(q-1, r-1), B(q-1, r), B(q-1, r+1), B(q, r+1), B(q+1, r-1), adjacent to the current operating range B(q, r).
  • B(q+1, r), B(q+1, r+1) of the electric motor AM Subsequent monitoring of the state of the asynchronous motor AM by the active anomaly detectors A(q, r), A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r-1), A(q+1, r), A(q+1, r+1).

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Zustandsüberwachung eines Asynchronmotors (AM) mit einem Schlupf (s), an dem eine Speisespannung (U) mit einer Speisefrequenz (f) anliegt, mit folgenden Schritten: - Definieren von zwei oder mehr unterschiedliche Betriebsbereiche (B) des Asynchronmotors (AM) als eine Funktion des Schlupfs (s) und als eine Funktion der Speisefrequenz (f); - Zuordnen, zu jedem der definierten Betriebsbereiche (B), jeweils mindestens eines zugehörigen Anomalie-Detektors (Ai-1, Ai, Ai+1), der zur Detektion eines Fehlerzustands (E) des Asynchronmotors (AM) in dem jeweiligen Betriebsbereich (B) angepasst ist; - Feststellen eines aktuellen Betriebsbereichs (B) des Asynchronmotors (AM); - Aktivieren des mindestens einen Anomalie-Detektors (A), der dem aktuellen Betriebsbereich (B) zugeordnet ist, und Überwachen des Zustands des Asynchronmotors (AM) durch den aktiven Anomalie-Detektor (A); und - Im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor (A), Generieren eines entsprechenden Signals.

Description

202218760 1 Beschreibung Verfahren zur Zustandsüberwachung eines Asynchronmotors Die Erfindung betrifft ein Verfahren zur Zustandsüberwachung eines Asynchronmotors. Aufgrund ihres kostengünstigen und robusten Aufbaus sind Asynchronmotoren in der Industrie sehr verbreitet: sie finden sich in vielen Anwendungen wie z. B. Lüftern, Sägen und Pum- pen, von relativ kleinen Anlagen im Watt-Bereich bis zu Anla- gen im MW-Bereich. Asynchronmotoren gehören damit zu den größten Verbrauchern der weltweit erzeugten elektrischen Energie. Wegen der weiten Verbreitung von Asynchronmotoren ergibt sich ein enormes Potential im Hinblick auf Verfügbar- keit und Zuverlässigkeit und die damit verbundene Einsparung von Zeit und Geld. Es finden sich in diesem Kontext die Be- griffe des „Condition Monitoring“ (= CM, dt.: „Zustandsüber- wachung“) bzw. „Predictive Maintenance“ (= PM, dt.: „vorbeu- gende Wartung“). ASM (= Asynchronmotor(en)) arbeiten nach dem Prinzip der elektromagnetischen Induktion, d. h. Wechselwirkungen zwi- schen Strömen bzw. Magnetfeldern im Stator und Rotor erzeugen ein Drehmoment, welches die Rotorwelle antreibt. Motorfehler wie Exzentrizität, insbesondere Luftspalt-Exzentrizität (wenn die Rotationsachsen von Stator und Rotor des Motors nicht exakt zusammenfallen), gebrochene Rotorstäbe, defekte Lager oder Fehlausrichtung verändern bei einem konstanten Schlupf die Amplituden auf für die Fehler charakteristischen Frequen- zen. Die Fehlerfrequenzen ihrerseits sind schlupfabhängig, d. h. eine Änderung des Schlupfes ändert die Frequenzlage der Fehlerfrequenzen. Aufgrund der Veränderung der Amplituden dieser charakteristischen Frequenzen im Frequenzspektrum kön- nen also Motorfehler erkannt werden. Hierzu kann die sog. Motorstromsignaturanalyse (= MCSA; engl.: Motor Current Signature Analysis) verwendet werden, 202218760 2 siehe z. B. EP3961230A1 (Siemens AG; Zettner, Jürgen) 02.03.2022. Beispielweise verwendet man eine Schnelle Fou- rier-Transformation (= FFT; engl.: Fast Fourier Transformati- on), um Fehler und Betriebszustände des Motors im Frequenzbe- reich zu detektieren bzw. zu quantifizieren. Die klassische MCSA wird dabei im quasistationären Fall angewandt, d. h. bei nominell konstanter Drehzahl. Eine Erweiterung der MCSA stellt die Analyse mit Kurzzeit-FFTs oder Wavelets dar, um Vorgänge zeitaufgelöst zu analysieren. Es gibt aber auch den Ansatz des maschinellen Lernens (bzw. der künstlichen Intel- ligenz, KI). Die Anomaliedetektion im Stand der Technik setzt auf Einlern- phasen am zu überwachenden ASM, während derer ein sogenannter „Gutzustand“ des ASM vorliegt, also ein Zustand, in dem der ASM „normal“, d.h. ohne wesentliche Fehler, läuft (was als „normal“ und was als ein wesentlicher Fehler angesehen werden soll, muss im Vorfeld durch einen Betreiber des ASM definiert werden); die Anomaliedetektion in der Detektionsphase basiert dann auf denjenigen Merkmalen, die dem Anomaliedetektor wäh- rend seiner Einlernphase als „normal“ antrainiert wurden. Üb- licherweise wird während der Einlernphase, auch als: Trai- ningsphase bezeichnet, der Gutzustand in unterschiedlichen Betriebsbedingungen eingelernt, in der Hoffnung, dass das ma- thematische Modell des Anomaliedetektors im Merkmalsraum alle Betriebszustände des Gutzustands abdeckt. Frequenzgeregelte Antriebe, aber auch Antriebsstränge mit Netzmaschinen erfahren durch anzutreibende Lasten (= Drehmo- ment), Temperaturänderungen, Alterung oder durch Steuerung / Regelung Variationen der Rotor-Drehzahl und des Drehmoments. Wie in der Theorie der MCSA beschrieben, ist das Frequenz- Spektrum eines Asynchronmotors (Lage der Frequenzlinien) in hohem Maße abhängig vom Belastungszustand, also vom Schlupf s. Außerdem ist aus der klassischen MCSA bekannt, dass sich Frequenzlinien auch mit der Frequenz der am ASM anliegenden Speisespannung („Speisefrequenz fsupply“) ändern. Die MCSA un- terscheidet hauptsächlich zwischen schlupfabhängigen motor- 202218760 3 spezifischen Spektrallinien, z. B. den Principal Slot Harmo- nics (PSHs), diversen schlupfabhängigen Fehlerlinien und den motorspezifischen Winding Harmonics (WHs), die Vielfache der Speisefrequenz sind. Es gelten für die PSH: fPSH = [k•(R/p)•(1-s) ± ν] • fsupply Gl. (1) und für die typischen Fehler: i) Gebrochene Rotorstäbe (Broken Bars BB): fBB1 = (1 ± 2k•s) • fsupply Gl. (2) ii) Statische / Dynamische Rotor-Exzentrizität (siehe ISO 20958:2013) fecc1 = [1 ± (k/p)•(1-s)] • fsupply Gl. (3) fecc2 = [(R ± nd)•(k/p)•(1-s) ± ν] • fsupply Gl. (4) iii) Lagerschäden am Wälzlager fo = [(Nb/2)•(1 – (Db/Dp)•cos(β)] • frot Gl. (5) fi = [(Nb/2)•(1 + (Db/Dp)•cos(β)/Dp)] • frot Gl. (6) wobei fBB1 Frequenz bei Rotorstabbruch fsupply Frequenz der Versorgungsspannung, z. B. 50 Hz fecc1 Frequenz der Exzentrizität (1. Familie) fecc2 Frequenz der Exzentrizität (2. Familie) fPSH Frequenz der Principal Slot Harmonics (= PSH) fo Frequenz des Lager-Außenrings (o = outer) fi Frequenz des Lager-Innenrings (i = inner) frot Rotationsfrequenz des Wälzlagers k natürliche Zahl p Anzahl der Polpaare = Polpaarzahl R Anzahl der Rotorstäbe = Rotorstabzahl s Schlupf ν ungerade Zahlen 1, 3, 5, 7, ... = Ordnung der Harmo- nischen von fsupply nd Index, der vom Exzentrizitäts-Typ abhängt (statisch: nd = 0; dynamisch: nd = 1, 2, 3, 4, ...) 202218760 4 Nb Anzahl der Wälzkörper Db/Dp Charakteristische Durchmesser am Wälzlager ß Kontaktwinkel Je nach Polpaarzahl P und Anzahl der Rotorstäbe hängen ver- schiedene Modulations-Artefakte im Spektrum vom Schlupf s des ASM ab. Durch eine Änderungen der Last und somit des Schlupfs s kommt es zu einer Überlagerung verschiedener Zustände und damit auch einer Überlagerung verschiedener Frequenz- Spektren. Lernt ein Anomaliedetektor also unterschiedliche Betriebszustände, bedingt entweder durch eine sich ändernde Speisefrequenz fsupply und/oder durch ein sich änderndes Dreh- moment (ASM mit Schlupf), in der Lernphase als Gutzustände ein, so ändern sich mit den unterschiedlichen Betriebszustän- den eine Vielzahl von motorspezifischen Spektrallinien und eine Vielzahl von Frequenzbändern. In einem Fehlerfall wäh- rend einer Detektionsphase besteht daher eine relativ geringe Wahrscheinlichkeit, einen Fehler im Antriebsstrang eindeutig zu finden. Dies ist dadurch bedingt, dass sich die Amplituden motorspezifischer Frequenzen mit denen von fehlerspezifischen Frequenzen in einigen Betriebszuständen überlagern, siehe Fig. 6. Fig. 6 zeigt eine waagrechte Zeitachse t, über der im unteren Bereich von Fig. 6 eine Motorgeschwindigkeit vmotor eines elektrischen Motors aufgetragen ist. Man erkennt, dass der betrachtete Motor 12 unterschiedliche Betriebszustände 62, gekennzeichnet durch unterschiedliche Motorgeschwindigkeiten, zweimal durchläuft, und zwar beginnend bei einer höchsten Ge- schwindigkeit zu einer geringsten Geschwindigkeit. Der erste Durchlauf durch die Betriebszustände erfolgt im Gutzustand 63, der zweite Durchlauf Durchlauf durch die Betriebszustände erfolgt in einem Fehlerzustand 64. Im oberen Bereich von Fig. 6 ist, ebenfalls über der Zeitachse t, ein sich aus einer MCSA ergebendes Frequenz-Spektrum des elektrischen Motors aufgetragen. Man erkennt, dass sich dass sich die Amplituden motorspezifischer Frequenzen 60 mit denen von fehlerspezifi- schen Frequenzen 61 in einigen Betriebszuständen überlagern. 202218760 5 Das heißt: werden alle Betriebsfälle des Gutzustandes in ei- nen Anomaliedetektor eingelernt, so sind die in Fig. 6 ge- zeigten 12 Betriebszustände und deren Vorhandensein der zuge- hörigen Amplituden bei den motorspezifischen Frequenzen als „OK“ eingeordnet. Liegt dann ein Fehler mit Anzeige auf einer der fehlerspezifischen Frequenzen vor, so ist die Trennung zum Gutfall nicht mehr unbedingt gegeben, da die Amplitude der Fehlerfrequenz als OK-Linie einsortiert war, zumal die Amplituden bei den Fehlerfrequenzen klein sein können gegen- über den Amplituden bei den motorspezifischen Amplituden. Es besteht also Bedarf nach einem Verfahren, mit dem mit ei- ner größeren Wahrscheinlichkeit ein Fehler im Antriebsstrang eindeutig identifiziert werden kann. Eine Aufgabe der vorlie- genden Erfindung ist also eine verbesserte MCSA. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den in Anspruch 1 angegebenen Merkmalen gelöst. Das Verfahren dient der Zustandsüberwachung eines Asynchron- motors. Der Asynchronmotor weist konstruktionsbedingt während seines Betriebs einen Schlupf auf: der Schlupf ist definiert als die Drehzahl-Differenz zwischen dem Ständerdrehfeld (Sta- tor) und dem Läufer (Rotor), meist angegeben als Prozentwert bezogen auf die Drehzahl des Ständerdrehfelds. An dem Asyn- chronmotor liegt eine Speisespannung an, die als Betriebs- spannung des Asynchronmotors zu einem Stromfluss im Motor führt, durch den die eine Drehung des Läufers hervorrufenden Magnetfelder im Inneren des Motors erzeugt werden. Dabei weist die Speisespannung als Wechselspannung eine Frequenz, die sogenannte Speisefrequenz, auf. Gemäß dem Verfahren werden zwei oder mehr unterschiedliche Betriebsbereiche des Asynchronmotors als eine Funktion des Schlupfs und als eine Funktion der Speisefrequenz definiert: somit unterscheiden sich zwei verschiedene Betriebsbereiche in Bezug auf den Schlupf und in Bezug auf die Speisefrequenz. Jedem der definierten Betriebsbereiche wird jeweils mindes- 202218760 6 tens ein zugehöriger Anomalie-Detektor zugeordnet, der zur Detektion eines Fehlerzustands des Asynchronmotors in dem je- weiligen Betriebsbereich angepasst ist. Nachdem festgestellt wurde, in welchem der definierten Betriebsbereiche sich der Asynchronmotor aktuell befindet („aktueller Betriebsbe- reich“), wird der mindestens eine Anomalie-Detektor akti- viert, der dem aktuellen Betriebsbereich zugeordnet ist. Der Zustand des Asynchronmotors wird durch den aktiven Anomalie- Detektor überwacht. Falls der den aktiven Anomalie-Detektor eine Anomalie des Asynchronmotors detektiert, wird ein Signal generiert, das die Detektion einer Anomalie anzeigt. Die Erfindung schlägt vor, in verschiedenen Betriebsbereichen eines Asynchronmotors jeweils einen eigens für diesen Bereich trainierten Anomalie-Detektor einzusetzen. Das erfindungsge- mäße Vorgehen hat folgende Vorteile: - Die Erfindung verbessert die Genauigkeit einer Anomalie- Detektion für jede Drehzahl/ jedes Drehmoment bzw. den Be- triebspunkt, da die Varianz der Merkmale innerhalb eines Be- triebsbereichs kleiner ist. Je kleiner ein „Betriebsbereich“ ist, desto kleiner wird die Quote der als „gut“ detektierten realen Fehler und desto größer wird die Genauigkeit („Ac- curacy“): Ein kleinerer Betriebsbereich kann besser ausgewer- tet werden als ein größerer. - Die Erfindung vermeidet, dass ein Anomalie-Detektor, der für alle Betriebsbereiche zuständig ist, zwar alle diese als Betriebsbereiche erkennt, jedoch „blind“ ist für auftretende Fehler. Das bedeutet, dass die Wahrscheinlichkeit eines Feh- lers zweiter Art (false negative: „Gutmeldung“, obwohl ein Fehler vorliegt) wird minimiert. - Es sind eine Minimalzahl von Merkmalen in einem beliebigen Betriebspunkt zu errechnen. Die Eingangswerte eines Anomalie- Detektors, die sogenannten Merkmale (engl: Features), die für das Anlernen einer KI zur Anomaliedetektion benötigt werden, können auf verschiedene Art und Weise gewonnen werden. Ein 202218760 7 erstes Verfahren zum Gewinnen von Eingangswerten ist ein Ver- fahren zur Zustandsdiagnose eines Elektromotors, an dem eine AC-Speisespannung mit einer Versorgungsfrequenz anliegt, mit folgenden Schritten: a) Erfassen einer Zeitreihe von Stromwerten eines Maschinen- stroms, der aufgrund der an dem Elektromotor anliegenden Speisespannung durch den Elektromotor fließt; b) Beschreiben der Zeitreihe mit einem Autoregressions-Modell ^^௧ ൌ ^^ ^ ^^௧ ^ ∑ ^ ^ୀ^ ^^^ ^^௧ି^ der Ordnung p; c) Bilden eines Feature-Vektors mit p Vektorelementen, wobei die p Vektorelemente durch die p Parameter ai des Autoregres- sions-Modells gebildet werden; und d) Verwenden des gebildeten Feature-Vektors in einem ML- Algorithmus als Eingangswerte, d. h. als Trainingsdaten oder als Testdaten. Ein weiteres Verfahren zum Gewinnen von Eingangswerten ist ein Verfahren zur Zustandsdiagnose eines Asynchronmotors, an dem eine dreiphasige Spannung mit einer Versorgungsfrequenz anliegt, mit folgenden Schritten: a) Erfassen einer Spannungs-Zeitreihe Ut der Spannung und ei- ner Strom-Zeitreihe It eines dreiphasigen Motorstroms, wel- cher aufgrund der am Asynchronmotor anliegenden Spannung durch den Asynchronmotor fließt; b) Berechnen, mithilfe einer FFT, eines Stromspektrums I(f,t) und eines Spannungsspektrums U(f,t) auf Basis der erfassten Zeitreihen It, Ut; c) Berechnen einer oder mehrerer folgender zeitabhängiger Spektralgrößen 1-6: 1) Stromkomponenten Ia(f,t), Ib(f,t), wobei Ia(f,t) und Ib(f,t) durch Park-Transformation aus IR,S,T gebildet sind; 2) Gesamtstromamplitude AI(f,t) = √((Ia(f,t))2 + (Ib(f,t))2) 3) Phasenwinkel φab(f,t) zwischen Stromkomponenten: φab(f,t) = arctan(Ia/Ib) 4) Phasenwinkel φUI(f,t) zwischen Strom- und Spannungskompo- nenten: φUI(f,t) = arctan(U(f,t)/I(f,t)) 5) momentane spektrale Leistung P(f,t) = U(f,t)*I(f,t) 6) Admittanz X(f,t) = I(f,t)/U(f,t) 202218760 8 d) Bilden eines Feature-Vektors aus einer oder mehreren der zeitabhängigen Spektralgrößen; und e) Verwenden des gebildeten Feature-Vektors als Eingangswerte eines ML-Algorithmus, d. h. als Trainingsdaten oder als Test- daten eines Anomalie-Detektors. Im Zusammenhang mit einem Verfahren zur Zustandsdiagnose ei- nes Elektromotors auf Basis des maschinellen Lernens, bei dem die Eingangswerte, die sogenannten Merkmale (engl: Features), die für das Anlernen einer KI zur Anomaliedetektion benötigt werden, aus Strom- oder Spannungs-Abtastwerten gewonnen wer- den, wobei z. B. eines der beiden vorgenannten Verfahren zur Anwendung kommen kann, wurde erkannt, dass Merkmale so zu wählen sind, dass möglichst viel Information in den Merkmalen enthalten ist. Auch eine SOM (= self organizing map), die entweder Autoregressionsmerkmale oder FFT-Frequenz-Merkmale verwendet, könnte sich auf Rauschen und Artefakte eintrainie- ren anstatt auf Fehlermerkmale, sofern eine beliebig hohe An- zahl von Merkmalen oder viele Amplituden im Rauschäquivalent zum Training verwendet werden. - Die Größe eines einzelnen Anomalie-Modells A(q,r), z. B. die Kartengröße einer SOM, wird durch die Erfindung kleiner, da pro eingeschränktem Betriebsbereich weniger Daten im Trai- ning vorliegen. Mithin wird das Training erleichtert und die Prädiktion schneller, die Ablage einzelner Betriebsbereichs- modelle wird ressourceneffizienter. Jedes einzelne Modell (Anomaliedetektor) wird spezifischer und kleiner. Im Folgenden wird der Zusammenhang zwischen dem Schlupf s, der Läufer-Drehzahl n, dem Motor-Drehmoment M und der Spei- sefrequenz fS erläutert. Die Drehfeld-Drehzahl nS am Stator (Einheit Umdrehungen pro Sekunde) ist eine Funktion der Speisefrequenz fS (Einheit Hz) und der Polpaarzahl p: nS = fS / p (I) 202218760 9 Die Speisefrequenz fS, die auch als Statorfrequenz oder Netz- frequenz bezeichnet wird, kann auch einfach mit dem Buchsta- ben f, ohne ein tiefgestelltes S, symbolisiert werden. Der Schlupf s ist die Differenz zwischen der Drehfeld- Drehzahl nS am Stator (Einheit Umdrehungen pro Sekunde) und der Läufer-Drehzahl n (Rotor), meist angegeben als Prozent- wert bezogen auf die Drehfeld-Drehzahl nS: s = (nS - n) / nS <=> n = nS (1 - s) (II) Je größer das am Läufer verlangte Drehmoment M ist, desto stärker fällt die Läufer-Drehzahl n ab und desto größer wird der Schlupf s. Das Drehmoment M des Motors ist eine Funktion des Schlupfes s. Den Zusammenhang des Drehmoments M einer Asynchronmaschine mit dem Schlupfwert s, dem Kippschlupf sK und dem Kippmoment MK gibt näherungsweise die Kloßsche Gleichung: M = 2⋅MK / (sK/s + s/sK) (III) Außerdem gelten folgende Zusammenhänge: Pel = η Pmech (IV) Pel = 3 U I cos φ (V) Pmech = ω M = 2 π n M (VI) wobei Pel dem Motor zugeführte elektrische Wirkleistung η Wirkungsgrad des Motors Pmech an der Welle des Motors abgegebene mechanische Leistung U Speisespannung I Motorstrom φ Phasenverschiebungswinkel ω Kreisfrequenz 202218760 10 Aus der Gleichung VI ergibt sich durch aufeinanderfolgendes Einsetzen der Gleichungen II, I, IV und V das Motordrehmoment M zu: Die Erfindung benutzt einen Anomalie-Detektor für die Span- nungssignale. Dies kann eine SOM (self organizing map) oder ein Autoencoder sein, welcher Abweichungen von ungestörten („guten“) Sinus-Spannungsverläufen detektiert. Zur Messung der Spannungs-/ Netzqualität werden Spannungsmerkmaldatensät- ze gebildet, z. B. Spannungsspektrum oder Autoregressions- merkmale, und zum Trainieren eines Spannungsanomalie- Detektors verwendet. 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 künst- lichen neuronalen Netze, in zwei Moden: Training und Mapping. Im Training-Modus wird ein Eingabe-Datensatz ("input space") verwendet, um als eine niedriger-dimensionale Darstellungs- weise der Eingabedaten eine Karte zu generieren ("map space"). Im Mapping-Modus werden Messdaten mithilfe der gene- rierten Karte klassifiziert, z. B. als normal oder als ano- mal. 202218760 11 Das Lernen der SOM, also das Training, ist ein iterativer Prozess. Im Anfangszustand enthalten die Gewichtsvektoren zu- fällige Werte. Der Lernprozess erfolgt nun so, dass ähnliche Feature-Vektoren aus dem Trainingsdatensatz demselben Neuron zugeordnet werden. „Ähnlich“ ist dabei in Sinne einer vekto- riellen 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 zugeord- net, 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 angenä- hert, d. h. die Distanz, z. B. die Euklidische Distanz, zwi- schen dem Gewichtsvektor und den Eingabe-Daten wird mini- miert, ohne dass die vom "map space" generierte Topologie zerstört wird. Es werden während der Trainingsphase Feature-Vektoren grup- piert, 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 Wei- se generierte SOM dazu verwendet werden, weitere "input 202218760 12 space"-Vektoren, d. h. Beobachtungen im "input space", hier: Zeitreihen von Stromwerten, zu klassifizieren, indem derjeni- ge Knoten identifiziert wird, dessen Gewichtsvektor dem "in- put space"-Vektor am nächsten liegt, d. h. die geringste Dis- tanzmetrik, z. B. die Euklidische Distanz, aufweist. Ein erfindungsgemäß generierter Feature-Vektor mit p Vekto- relementen, die mittels eines AR-Verfahrens aus einer an ei- nem Elektromotor gemessenen Zeitreihe gewonnen wurden, wird einem Neuron der besagten SOM und einem dem Neuron zugeordne- ten Gewichtsvektor zugeordnet. Um die trainierte SOM als Anomalie-Detektor nutzen zu können, wird eine Funktion benötigt, die einem Feature-Vektor Fν ei- nen Grad zuweist, zu dem der Feature-Vektor eine Anomalie darstellt. Für diesen Zweck wird für jeden Feature-Vektor Fν der „Quantisierungs-Fehler“ Eν berechnet: Eν = | Fν – Gν| für alle ν, also für alle Feature-Vektoren. Dabei ist |...| die vorher definierte vektorielle Distanz und Gν der jeweili- ge Gewichtsvektor des „optimalen“ Neurons, d. h. desjenigen Neurons, dessen Gewichtsvektor G die minimale Distanz zum Feature-Vektor aufweist. Der Quantisierungs-Fehler E be- schreibt, wie gut der jeweilige Feature-Vektor auf die Ver- teilung 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 Elekt- romotors, falls der Quantisierungs-Fehler Ex einen fest vor- gegebenen Schwellwert EThreshold überschreitet: Ex > EThreshold. 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 202218760 13 allen Distanzen wird der minimale Wert bestimmt. Ist dieser Wert größer als Dmax, so liegt eine Anomalie vor. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird ein Schlupf-Wertebereich von Werten des Schlupfs, die während des Betriebs des Asynchronmotors auftreten, und ein Frequenz- Wertebereich von Werten der Speisefrequenz, die während des Betriebs des Asynchronmotors auftreten, ermittelt, als Vo- raussetzung für die erfindungsgemäße Betriebspunkt- spezifische Ausbildung des Anomalie-Detektors. Dabei wird der ermittelte Schlupf-Wertebereich in Q Schlupf-Teilbereiche und der ermittelte Frequenz-Wertebereich in R Frequenz- Teilbereiche aufgeteilt (Q, R ^ ℕ^. Entsprechend werden Q x R Betriebsbereiche, definiert durch einen der besagten Schlupf- Teilbereiche und einen der besagten Frequenz-Teilbereiche, definiert. Erfindungsgemäß wird demnach nicht ein Anomalie- Detektor, sondern Q x R Anomalie-Detektoren A(q, r) trai- niert; ein Anomalie-Detektor A(q, r) besitzt dazu einen Merk- malsraum mit der Dimensionalität K, d.h. K gibt die Anzahl der Merkmale des Anomaliedetektors A(q,r) an. Jeder Anomalie Detektor ist für einen zugeordneten Betriebsbereich gültig. In einer Detektionsphase wird ein aktueller Betriebsbereich des Asynchronmotors festgestellt, dann derjenige Anomalie- Detektor aktiviert, der dem aktuellen Betriebsbereich zuge- ordnet ist, und der Zustands des Asynchronmotors durch den aktiven Anomalie-Detektor überwacht. Im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor wird ein Signal, welches die Anomalie anzeigt, durch den aktiven Ano- malie-Detektor generiert. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird in einer Detektionsphase, nach dem Feststellen des aktuellen Be- triebsbereichs des Asynchronmotors, derjenige Anomalie- Detektor aktiviert, der dem aktuellen Betriebsbereich zuge- ordnet ist, sowie ein oder mehrere Anomalie-Detektoren, die 202218760 14 an den aktuellen Betriebsbereich angrenzenden Betriebsberei- chen des Asynchronmotors zugeordnet sind. Des Zustand des Asynchronmotors wird durch die aktiven Anomalie-Detektoren überwacht. Ein sich daraus ergebender Vorteil ist, dass jeder der Anomaliedetektoren die für "seinen" Betriebspunkt einge- lernten motorspezifischen Frequenzen kennt. Im Gutzustand können nur diese vorkommen bzw. in den K Merkmalen der R- Frequenzen ist der Gutzustand gemäß des Trainings optimal be- schrieben. Amplitudenänderungen auf Fehlerspezifische Fre- quenzen im Fehlerfall unterscheiden sich deutlich von den Amplituden der nun frequenzfesten motorspezifischen Frequen- zen für diesen Betriebspunkt. Die N Anomaliedetektoren haben den weiteren Vorteil, dass sich auch Mehrheitsentscheidungen treffen lassen falls sich, wie insbesondere in Fig 6, nur an wenigen Überlappungspunkten von fehler- und motorspezifischen Frequenzen, d. h. für be- stimmte Betriebspunkte, keine gute Erkennbarkeit des Fehlers ergeben sollte. Es können dann aber die Anomaliedetektoren benachbarter Betriebspunkte, in denen diese Überlappung nicht im gleichen Maß gegeben ist, zu Entscheidungen „Anomalie vor- handen“ mit höherer Sicherheit gelangen. Das Vorliegen eines Fehlers kann dann aus der Mehrheit der Entscheidungen der be- nachbarten Betriebspunkte erhalten bleiben, selbst wenn der eigentliche exakte Betriebspunkt die Erkennbarkeit durch ei- nen Frequenzüberlapp nicht erlaubt. Es mag auch Fehler geben, die sich nur in gewissen Bereich von Betriebspunkten auswir- ken (Kavitation wäre ein Beispiel: angenommen, Kavitation kommt nur vor, wenn für die Drehzahl n gilt: 3000rpm > n > 2400rpm), so dass die Mehrheitsentscheidung der angrenzenden Anomaliedetektoren für diesen Betriebspunktsbereich dann aber entscheidend wäre, um mit hoher Wahrscheinlichkeit zu detek- tieren, dass auch im eigentlichen Betriebspunkt (beispiels- weise im Bereich 2600-2650 rpm, für den aber dieser Anomalie- detektor eine Überlappung zwischen Fehler- und Motorlinien hat) ein Fehler eingetreten sein muss. 202218760 15 Gemäß einer bevorzugten Ausgestaltung der Erfindung werden zu jedem der definierten Betriebsbereiche mehrere Anomalie- Detektoren zugeordnet, wobei dann Detektionsergebnisse der zugeordneten Anomalie-Detektoren als ein Ergebnis-Vektor vor- liegen. Auf den Ergebnis-Vektor wird eine Mehrheitsentschei- dung angewandt, um auf eine Anomalie zu entscheiden. Gemäß einer bevorzugten Ausgestaltung der Erfindung weist das Feststellen des aktuellen Betriebsbereichs des Asynchronmo- tors folgende Schritte auf: Zunächst werden Werte des Schlupfs und von Werten der Speisefrequenz während einer Zeitsequenz ermittelt. Auf Basis der ermittelten Werte von Schlupf und Speisefrequenz wird der aktuelle Betriebsbereich des Asynchronmotors festgestellt. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird die Zeitsequenz in Untereinheiten kürzerer Dauer unterteilt, wo- bei in jeder der Untereinheiten ein Maß für den Schlupf be- stimmt wird. Ein Anomalie-Detektor wird nur aktiviert, falls die Differenzen der Maße für den Schlupf einen vorgegebenen Differenzwert nicht überschreiten; andernfalls wird eine Ak- tivierung eines Anomalie-Detektors unterlassen. Da auch die Bestimmung des Schlupfes oder der Speisefrequen- zen ein gewisse Zeitspanne T benötigt, kann es vorkommen, dass sich innerhalb der Erfassungszeit der Betriebspunkt än- dert. Durch eine Unterteilung einer Zeitsequenz T in ν Un- tereinheiten kürzerer Dauer Tν, kann in jedem Untersegment ein Maß Ls,ν für den Schlupf bestimmt werden. Dabei kann das Maß für den Schlupf aus der Lage der Principal Slot Harmonics (PSH) im Frequenzbereich oder aus dem cos φ im Zeitbereich ermittelt werden. Liegen die Maße Ls,ν für die Untersegmente nicht nahe genug beieinander, so ändert sich der Betriebszustand mit hoher Wahrscheinlichkeit während T und es wird kein Anomalie Detek- tor „scharf“ geschaltet. Alternativ wird jeder Anomalie De- tektor A(n,m) mit den Unterbetriebspunkten zu Ls,ν ausgewer- 202218760 16 tet, eine Anomalie jedoch nur ausgegeben, falls genügend vie- le betriebspunktspezifische Anomalien akkumuliert wurden, was während einer Änderung unwahrscheinlich ist. Im Folgenden wird die Erfindung unter Zuhilfenahme der bei- liegenden Zeichnung erläutert. Es zeigt jeweils schematisch und nicht maßstabsgetreu Fig. 1 eine Ausgestaltung einer erfindungsgemäßen Vorrich- tung zur Zustandsüberwachung eines Asynchronmotors; Fig. 2 eine Ausgestaltung eines künstlichen neuronalen Netzwerks; Fig. 3 ein Ablaufdiagramm einer Ausgestaltung des erfin- dungsgemäßen Verfahrens; Fig. 4 das Definieren der unterschiedlichen Betriebsberei- che des Asynchronmotors; Fig. 5 die Ausgestaltung, dass mehrere Anomalie-Detektoren für einen Betriebsbereich zuständig sind; Fig. 1 zeigt einen Asynchronmotor AM (im Folgenden auch ein- fach als: elektrischer Motor oder als: Elektromotor bezeich- net), der mittels eines Abzweigs 12 mit einem Stromnetz N elektrisch verbunden ist. Der Abzweig kann beispielweise eine dreiphasige Elektroleitung sein, welche das Drehstromnetz N mit den Anschlussklemmen des Elektromotors AM verbindet. Der Elektromotor AM ist als eine Antriebmaschine eines Antriebs- strangs D ausgebildet, der außerdem ein mechanisches Getriebe G und eine Arbeitsmaschine W aufweist. Ein von dem Elektromo- tor AM bereitgestelltes Drehmoment wird über das Getriebe G an die Arbeitsmaschine W übertragen. Dabei kann die Arbeits- maschine beispielsweise ein Förderband, eine Rolle oder eine Walze sein. Außer dem Elektromotor AM des Antriebsstrangs D sind noch weitere elektrische Lasten 20 mit dem Stromnetz N verbunden. 202218760 17 Ein erster Sensor S1, der z. B. an dem Abzweig 12 angeordnet ist, erfasst Spannungswerte Um einer elektrischen Versor- gungsspannung des Elektromotors AM, z. B. einer Spannung zwi- schen zwei Phasen des Abzweigs 12 oder zwischen einer Phase des Abzweigs 12 und einem Referenzpotential, und sendet die erfassten Spannungswerte Um über ein Übertragungsmittel 10, z. B. ein Datenkabel, an eine Vorrichtung 15 zur Zustands- überwachung des Asynchronmotors AM. Ein zweiter Sensor S2, der z. B. an dem Elektromotor M angeordnet ist, , z. B. ein Shunt, ein Stromwandler oder ein Hall-Sensor, erfasst Strom- werte Im eines elektrischen Stroms, der durch den Elektromo- tor AM fließt, und sendet die Stromwerte Im über ein Übertra- gungsmittel 11, z. B. ein Datenkabel, an die Vorrichtung 15 zur Zustandsüberwachung des Asynchronmotors AM. Der über die Versorgungsleitungen 11 fließende Strom I wird von einem Stromsensor 14 gemessen, z. B. mit einer Messrate von 3200 Messungen/Sek. Die an dem Asynchronmotor AM anlie- gende Speisespannung U wird an den Versorgungsleitungen 11 durch einen Spannungssensor 15 abgegriffen. Die vom Stromsensor 14 aufgenommenen Strommesswerte und die vom Span- nungssensor 15 aufgenommenen Spannungsmesswerte werden von den Sensoren 14, 15 zu einer Recheneinheit 16 gesendet. Die Recheneinheit berechnet aus den aufgenommenen Strom- und Spannungsmesswerten den Schlupf und die eine FFT(I). Auch die weiteren Verfahrensschritte zur Ermittlung des Schlupfs s er- folgen durch die Recheneinheit 16. Dazu weist die Rechenein- heit 16 einen Prozessor 18 und einen Datenspeicher 20 auf. Der Datenspeicher 20 speichert Software mit einem Algorithmus zum Bestimmen des Schlupfs s aus Strommesswerten. Diese Soft- ware wird vom Prozessor 18 ausgeführt. Damit das erfindungs- gemäße Verfahren durchführbar ist, müssen Strom und Spannung gemessen werden, und es muss eine Bestimmung des Schlupfs, also der tatsächlich vorliegenden Drehzahl, erfolgen, um den Betriebspunkt und auch die zugehörigen schlupfabhängigen Feh- ler-Frequenzen bestimmen zu können. 202218760 18 Die Vorrichtung 15 zur Zustandsüberwachung des Asynchronmo- tors AM weist einen Anomalie-Detektor 16, eine Benutzer- schnittstelle 17 und einen Datenspeicher 19 auf. Der Anoma- lie-Detektor 16 weist eine trainierte KI-Funktion 18 auf. Die Vorrichtung 15 empfängt die erfassten Spannungswerte Um und die erfassten Stromwerte Im und wertet sie mittels der trai- nierten KI-Funktion 18 aus. Die KI-Funktion 18 analysiert die erfassten Messwerte Um, Im und ... Definieren von zwei oder mehr unterschiedliche Betriebsberei- che (B) des Asynchronmotors (AM) als eine Funktion des Schlupfs (s) und als eine Funktion der Speisefrequenz (f); - Zuordnen, zu jedem der definierten Betriebsbereiche (B), jeweils mindestens eines zugehörigen Anomalie-Detektors (Ai-1, Ai, Ai+1), der zur Detektion eines Fehlerzustands (E) des Asynchronmotors (AM) in dem jeweiligen Betriebsbereich (B) angepasst ist; - Feststellen eines aktuellen Betriebsbereichs (B) des Asyn- chronmotors (AM); - Aktivieren des mindestens einen Anomalie-Detektors (A), der dem aktuellen Betriebsbereich (B) zugeordnet ist, und Überwa- chen des Zustands des Asynchronmotors (AM) durch den aktiven Anomalie-Detektor (A); und - Im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor (A), Generieren eines entsprechenden Sig- nals. Die Vorrichtung 15 meldet einen Fehler im Asynchronmotors AM, falls eine Anomalie festgestellt wurde. Die Meldungen erfolgt mittels der Benutzerschnittstelle 17, z. B. ein Display. Fig. 2 zeigt eine Ausgestaltung eines künstlichen neuronalen Netzwerks 100, wie es in der trainierten KI-Funktion 18 zum Einsatz kommt. Alternative Bezeichnungen für “künstliches neuronales Netzwerk“ sind “Neuronales Netzwerk”, “Künstliches Neuronales Netz” oder “Neuronales Netz”. 202218760 19 Das künstliche neuronale Netz 100 weist Knoten (engl.: nodes) 120, ..., 132 und Kanten (engl.: edges) 140, 141, 142 auf, wobei jede Kante 140, 141, 142 eine gerichtete Verbindung ei- nes ersten Knoten 120, ..., 132 mit einem zweiten Knoten 120, ..., 132 ist. Während im Allgemeinen der erste Knoten 120, ..., 132 und der zweite Knoten 120, ..., 132 unterschiedliche Knoten 120, ..., 132 sind, ist es auch möglich, dass der ers- te Knoten 120, ..., 132 und der zweite Knoten 120, ..., 132 identisch sind. Zum Beispiel ist in Fig. 6 die Kante 140 eine gerichtete Verbindung von dem Knoten 120 zu dem Knoten 123, und die Kante 142 ist eine gerichtete Verbindung von dem Kno- ten 130 zu dem Knoten 132. Eine Kante 140, 141, 142 von einem ersten Knoten 120, ..., 132 zu einem zweiten Knoten 120, ..., 132 wird auch als „eingehende Kante“ (engl.: ingoing edge; incoming edge) bezüglich des zweiten Knotens 120, ..., 132 und als „ausgehende Kante“ (engl.: outgoing edge) bezüglich des ersten Knotens 120, ..., 132 bezeichnet: „eingehende Kan- ten“ eines Knotens sind gerichtete Kanten, deren Zielpunkt der Knoten ist, „ausgehende Kanten“ eines Knotens sind ge- richtete Kanten, deren Ursprung der Knoten ist. In dieser Ausgestaltung sind die Knoten 120, ..., 132 des künstlichen neuronalen Netzwerks 100 in Schichten 110, ..., 113 angeordnet, wobei die Schichten eine intrinsische Ordnung aufweisen können, die durch die Kanten 140, 141, 142 zwischen den Knoten 120, ..., 132 eingeführt wird. Insbesondere können die Kanten 140, 141, 142 nur zwischen benachbarten Schichten von Knoten existieren. Im gezeigten Ausführungsbeispiel gibt es eine Eingabeschicht 110, die nur die Knoten 120, 121, 122 ohne eine eingehende Kante aufweist, eine Ausgabeschicht 113, die nur die Knoten 131, 132 ohne eine ausgehende Kante auf- weist, und versteckte Schichten 111, 112 zwischen der Einga- beschicht 110 und der Ausgabeschicht 113. Im Allgemeinen kann die Anzahl der versteckte Schichten 111, 112 willkürlich ge- wählt werden. Die Anzahl an Knoten 120, 121, 122 in der Ein- gabeschicht 110 steht üblicherweise in Beziehung zu der An- zahl an Eingabewerten des Neuronalen Netzes, und die Anzahl an Knoten 131, 132 in der Ausgabeschicht 113 steht üblicher- 202218760 20 weise in Beziehung zu der Anzahl an Ausgabewerten des neuro- nalen Netzes. Insbesondere kann jedem Knoten 120, ..., 132 des neuronalen Netzwerks 100 eine (reelle) Zahl als Wert zugewiesen werden. Hier bedeutet x(n) i den Wert des i-ten Knoten 120, ..., 132 der n-ten Schicht 110, …, 113. Die Werte der Knoten 120, 121, 122 der Eingabeschicht 110 sind äquivalent zu den Eingabewer- ten des neuronalen Netzwerks 100, die Werte der Knoten 131, und 132 der Ausgabeschicht 113 sind äquivalent zu den Ausga- bewerten des neuronalen Netzwerks 100. Außerdem kann jede Kante 140, 141, 142 eine reelle Zahl als Gewicht aufweisen, insbesondere eine reelle Zahl in dem Intervall [-1, 1] oder dem Intervall [0, 1]. Hier bezeichnet w(m,n) i,j das Gewicht der Kante zwischen dem i-ten Knoten 120, ..., 132 der m-ten Schicht 110, ..., 113 und dem j-ten Knoten 120, ..., 132 der n-ten Schicht 110, ..., 113. Darüber hinaus ist die Abkürzung w(n) i,j definiert als w(n,n+1) i,j. Insbesondere werden, um die Ausgabewerte des neuronalen Netz- werks zu berechnen, die Eingabewerte durch das neuronale Netzwerk propagiert. Insbesondere können die Werte der Knoten 120, ..., 132 der (n+1)-ten Schicht 110, ..., 113 aus Basis der Werte der Knoten 120, ..., 132 der n-th Schicht 110, ..., 113 berechnet werden wie folgt: x(n+1) j = f( Σi x(n) i ∙ w(n) i,j ). Hierbei ist die Funktion f eine Transferfunktion (auch be- zeichnet als “Aktivierungsfunktion“). Bekannte Transferfunk- tionen sind Stufenfunktionen, Sigmoidfunktionen (z.B. die Lo- gistische Funktion, die generalisierte Logistische Funktion, der Hyperbeltangens, die Arkustangens-Funktion, die Fehler- funktion, die Smoothstep-Funktion) oder Rectifier-Funktionen. Die Transferfunktion wird hauptsächlich zu Normalisierungs- zwecken verwendet. 202218760 21 Insbesondere werden die Werte schichtweise durch das neurona- le Netzwerk propagiert, wobei Werte der Eingabeschicht 110 durch die Eingabe in das Neuronale Netzwerks 100 gegeben sind, Werte der ersten versteckten Schicht 111 auf Basis der Werte der Eingabeschicht 110 des Neuronalen Netzwerks 100 be- rechnet werden können, Werte der zweiten versteckten Schicht 112 auf Basis der Werte der ersten versteckten Schicht 111 berechnet werden können, etc. Um die Gewichte w(m,n) i,j für die Kanten festzusetzen, muss das Neuronale Netzwerk 100 unter Verwendung von Trainingsdaten trainiert werden. Insbesondere weisen Trainingsdaten Trai- nings-Eingabedaten und Trainings-Ausgabedaten auf (bezeichnet mit ti). Für einen Trainingsschritt wird das Neuronale Netz- werk 100 auf die Trainings-Eingabedaten angewendet, um be- rechnete Ausgabedaten zu erzeugen. Insbesondere weisen die Trainingsdaten und die berechnete Ausgabedaten eine Anzahl von Werten auf, die gleich der Anzahl der Knoten der Ausgabe- schicht ist. Insbesondere wird ein Vergleich zwischen den berechnete Aus- gabedaten und den Trainingsdaten benutzt, um die Gewichte in dem Neuronale Netzwerk 100 rekursiv anzupassen (Backpropaga- tionsalgorithmus). Insbesondere werden die Gewichte geändert gemäß wobei γ die Lernrate ist, und die Zahlen δ(n) j rekursiv be- rechnet werden können wie folgt: δ(n) j = (Σk δ(n+1) k ∙ w(n+1) j,k) ∙ f'(Σi x(n) i ∙ w(n) i,j) basierend auf δ(n+1) j, falls die (n+1)-te Schicht nicht die Ausgabeschicht ist, und δ(n) j = (x(n+1) k - t(n+1) j) ∙ f'(Σi x(n) i ∙ w(n) i,j) 202218760 22 falls die (n+1)-te Schicht die Ausgabeschicht 113 ist, wobei f' die erste Ableitung der Aktivierungsfunktion und t(n+1) j der Vergleichs-Trainingswert für den j-ten Knoten der Ausgabe- schicht 113 ist. Fig. 3 zeigt ein Ablaufdiagramm einer Ausgestaltung des er- findungsgemäßen Verfahrens. In einem ersten Schritt 31 werden zwei oder mehr unterschiedliche Betriebsbereiche des Asyn- chronmotors als eine Funktion des Schlupfs und als eine Funk- tion der Speisefrequenz definiert. In einem dem ersten Schritt 31 nachfolgenden zweiten Schritt 32 werden zu jedem der definierten Betriebsbereiche jeweils mindestens ein zuge- höriger Anomalie-Detektor, der zur Detektion eines Fehlerzu- stands des Asynchronmotors in dem jeweiligen Betriebsbereich angepasst ist, zugeordnet. In einem dem zweiten Schritt 32 nachfolgenden dritten Schritt 33 wird ein aktueller Betriebs- bereich des Asynchronmotors festgestellt. In einem dem drit- ten Schritt 33 nachfolgenden vierten Schritt 34 wird mindes- tens ein Anomalie-Detektor, der dem aktuellen Betriebsbereich zugeordnet ist, aktiviert und der Zustand des Asynchronmotors durch den aktiven Anomalie-Detektor überwacht. Und in einem dem vierten Schritt 34 nachfolgenden fünften Schritt 35 wird im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor ein entsprechendes Signal generiert. Fig. 4 zeigt das Definieren der unterschiedlichen Betriebsbe- reiche des Asynchronmotors. In den Schritten unter a) wird zunächst ein Schlupf-Wertebereich S = [Smin; Smax] von Werten si des Schlupfs s, die während des Betriebs des Asynchronmo- tors AM auftreten, ermittelt. Auch wird ein Frequenz- Wertebereich F = [fmin; fmax] von Werten fi der Speisefrequenz f der Spannung, die während des Betriebs des Asynchronmotors AM auftreten, ermittelt. In den Schritten unter b) wird der ermittelte Schlupf-Wertebereich S in Q Schlupf-Teilbereiche Sq unterteilt. Auch wird der ermittelte Frequenz-Wertebereich in R Frequenz-Teilbereiche Fr unterteilt. In den Schritten unter c) werden Q x R Betriebsbereichen B(q, r) definiert, definiert durch einen der besagten Schlupf-Teilbereiche Sq 202218760 23 und einen der besagten Frequenz-Teilbereiche Fr. Dazu werden Q x R Anomalie-Detektoren A(q, r) bereitgestellt, wobei ein Anomalie-Detektor A(q, r) für eine Anomalie-Detektion einem korrespondierenden Betriebsbereich B(q, r) zugeordnet ist. Fig. 5 zeigt die Ausgestaltung, dass mehrere Anomalie- Detektoren für einen Betriebsbereich zuständig sind. In einer Detektionsphase, nach dem Feststellen des aktuellen Betriebs- bereichs B(q, r) des Asynchronmotors AM, Aktivieren desjeni- gen Anomalie-Detektors A(q, r), der dem aktuellen Betriebsbe- reich B(q, r) zugeordnet ist, sowie von einem oder mehreren Anomalie-Detektoren A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r-1), A(q+1, r), A(q+1, r+1), die an den aktuellen Betriebsbereich B(q, r) angrenzenden Betriebs- bereichen B(q-1, r-1), B(q-1, r), B(q-1, r+1), B(q, r-1), B(q, r+1), B(q+1, r-1), B(q+1, r), B(q+1, r+1) des elektri- schen Motors AM zugeordnet sind. Nachfolgend Überwachen des Zustands des Asynchronmotors AM durch die aktiven Anomalie- Detektoren A(q, r), A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r-1), A(q+1, r), A(q+1, r+1).

Claims

202218760 24 Patentansprüche 1. Verfahren zur Zustandsüberwachung eines Asynchronmotors (AM) mit einem Schlupf (s), an dem eine Speisespannung (U) mit einer Speisefrequenz (f) anliegt, mit folgenden Schrit- ten: - Definieren von zwei oder mehr unterschiedliche Betriebsbe- reiche (B) des Asynchronmotors (AM) als eine Funktion des Schlupfs (s) und als eine Funktion der Speisefrequenz (f); - Zuordnen, zu jedem der definierten Betriebsbereiche (B), jeweils mindestens eines zugehörigen Anomalie-Detektors (Ai-1, Ai, Ai+1), der zur Detektion eines Fehlerzustands (E) des Asynchronmotors (AM) in dem jeweiligen Betriebsbereich (B) angepasst ist; - Feststellen eines aktuellen Betriebsbereichs (B) des Asyn- chronmotors (AM); - Aktivieren des mindestens einen Anomalie-Detektors (A), der dem aktuellen Betriebsbereich (B) zugeordnet ist, und Überwa- chen des Zustands des Asynchronmotors (AM) durch den aktiven Anomalie-Detektor (A); und - Im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor (A), Generieren eines entsprechenden Sig- nals. 2. Verfahren nach Anspruch 1, mit folgenden Schritten: - Ermitteln eines Schlupf-Wertebereichs (S) von Werten (si) des Schlupfs (s), die während des Betriebs des Asynchronmo- tors (AM) auftreten; - Ermitteln eines Frequenz-Wertebereichs (F) von Werten (fi) der Speisefrequenz (f), die während des Betriebs des Asyn- chronmotors (AM) auftreten; - Unterteilen des ermittelten Schlupf-Wertebereichs (S) in Q Schlupf-Teilbereiche (Sq); - Unterteilen des ermittelten Frequenz-Wertebereichs in R Frequenz-Teilbereiche (Fr); - Definieren von Q x R Betriebsbereichen (B(q, r)), definiert durch einen der besagten Schlupf-Teilbereiche (Sq) und einen der besagten Frequenz-Teilbereiche (Fr); 202218760 25 - Bereitstellen von Q x R Anomalie-Detektoren (A(q, r)), wo- bei ein Anomalie-Detektor (A(q, r)) für eine Anomalie- Detektion einem korrespondierenden Betriebsbereich (B(q, r)) zugeordnet ist; - In einer Trainingsphase, Trainieren der Anomalie-Detektoren (A(q, r)); - In einer Detektionsphase, Feststellen eines aktuellen Be- triebsbereichs (B(q, r)) des Asynchronmotors, Aktivieren des- jenigen Anomalie-Detektors (A(q, r)), der dem aktuellen Be- triebsbereich (B(q, r)) zugeordnet ist, und Überwachen des Zustands des Asynchronmotors (AM) durch den aktiven Anomalie- Detektor (A(q, r)); und - Im Falle einer Detektion einer Anomalie durch den aktiven Anomalie-Detektor (A(q, r)), Generieren eines Signals, wel- ches die Anomalie anzeigt, durch den aktiven Anomalie- Detektor (A(q, r)). 3. Verfahren nach Anspruch 2, aufweisend folgende Schritte: - In einer Detektionsphase, nach dem Feststellen des aktuel- len Betriebsbereichs (B(q, r)) des Asynchronmotors (AM), Ak- tivieren desjenigen Anomalie-Detektors (A(q, r)), der dem ak- tuellen Betriebsbereich (B(q, r)) zugeordnet ist, sowie von einem oder mehreren Anomalie-Detektoren (A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r-1), A(q+1, r), A(q+1, r+1)), die an den aktuellen Betriebsbereich (B(q, r)) angrenzenden Betriebsbereichen des elektrischen Motors zugeordnet sind; und - Überwachen des Zustands des Asynchronmotors (AM) durch die aktiven Anomalie-Detektoren (A(q, r), A(q-1, r-1), A(q-1, r), A(q-1, r+1), A(q, r-1), A(q, r+1), A(q+1, r-1), A(q+1, r), A(q+1, r+1)). 4. Verfahren nach Anspruch 1, aufweisend: - Zuordnen, zu jedem der definierten Betriebsbereiche (Bi), mehrerer Anomalie-Detektoren (Ai-1, Ai, Ai+1), wobei dann De- tektionsergebnisse der zugeordneten Anomalie-Detektoren (Ai-1, Ai, Ai+1) als ein Ergebnis-Vektor vorliegen; 202218760 26 - Anwenden einer Mehrheitsentscheidung auf den Ergebnis- Vektor, um auf eine Anomalie zu entscheiden. 5. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Feststellen des aktuellen Betriebsbereichs (B) des Asyn- chronmotors (AM) folgende Schritte aufweist: - Ermitteln von Werten (si) des Schlupfs (s) und von Werten (fi) der Speisefrequenz (f) während einer Zeitsequenz T; - Auf Basis der ermittelten Werte von Schlupf (s) und Spei- sefrequenz (f), Bestimmen des aktuellen Betriebsbereichs (B) des Asynchronmotors (AM). 6. Verfahren nach Anspruch 5, mit folgenden Schritten: - Unterteilung der Zeitsequenz T in ν Untereinheiten kürzerer Dauer Tν, wobei in jeder Untereinheit ein Maß Ls,ν für den Schlupf bestimmt wird; - Aktivieren eines Anomalie-Detektors (A), falls die Diffe- renzen der Maße Ls,ν einen vorgegebenen Differenzwert nicht überschreiten, und andernfalls Unterlassen einer Aktivierung eines Anomalie-Detektors (A).
EP24702228.8A 2023-03-09 2024-01-08 Verfahren zur zustandsüberwachung eines asynchronmotors Pending EP4646602A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023202108.0A DE102023202108A1 (de) 2023-03-09 2023-03-09 Verfahren zur Zustandsüberwachung eines Asynchronmotors
PCT/EP2024/050289 WO2024183965A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsüberwachung eines asynchronmotors

Publications (1)

Publication Number Publication Date
EP4646602A1 true EP4646602A1 (de) 2025-11-12

Family

ID=89767535

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24702228.8A Pending EP4646602A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsüberwachung eines asynchronmotors

Country Status (4)

Country Link
EP (1) EP4646602A1 (de)
CN (1) CN120752543A (de)
DE (1) DE102023202108A1 (de)
WO (1) WO2024183965A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008093615A1 (ja) * 2007-01-31 2008-08-07 The Nippon Synthetic Chemical Industry Co., Ltd. ポリビニルアルコール系樹脂組成物およびフィルム
EP3474029B1 (de) * 2016-06-21 2022-03-30 Mitsubishi Electric Corporation Lastabweichungdetektionsvorrichtung
WO2019167086A1 (en) * 2018-03-01 2019-09-06 Aurobinda Routray A system for assessment of multiple faults in induction motors
US11378947B2 (en) * 2020-07-02 2022-07-05 AB Cognitive Systems Inc. System and methods of failure prediction and prevention for rotating electrical machinery
EP3961230A1 (de) 2020-08-28 2022-03-02 Siemens Aktiengesellschaft Maschinenzustandsüberwachungsverfahren und -system
KR102473124B1 (ko) * 2021-01-08 2022-11-30 서울대학교산학협력단 전동기의 고장 검출 장치 및 방법
KR102480899B1 (ko) * 2021-04-08 2022-12-22 서울대학교산학협력단 다채널 신호를 이용한 모터 고장 진단 방법 및 장치
CN114690038B (zh) * 2022-06-01 2022-09-20 华中科技大学 一种基于神经网络的电机故障识别方法、系统及存储介质

Also Published As

Publication number Publication date
CN120752543A (zh) 2025-10-03
DE102023202108A1 (de) 2024-09-12
WO2024183965A1 (de) 2024-09-12

Similar Documents

Publication Publication Date Title
DE112017005650B4 (de) Kraftübertragungsmechanismus-anomalie-diagnoseeinrichtung und kraftübertragungsmechanismus-anomalie-diagnoseverfahren
DE102016102328B4 (de) System zur Diagnose von Anomalien, Diagnoseverfahren und -vorrichtung
DE69732569T2 (de) System zur erkennung von störungen von elektromotoren
DE112017007953T5 (de) Anomalie-diagnoseeinrichtung, anomalie-diagnoseverfahren und anomalie-diagnosesystem
WO2010046274A2 (de) Vorrichtung und verfahren zur überwachung und/oder analyse von rotoren von elektrischen maschinen im betrieb
DE3141016A1 (de) &#34;einrichtung und verfahren zum diagnostizieren der funktionsweise von anlagen&#34;
DE112018005613B4 (de) Diagnosevorrichtung und diagnoseverfahren
EP3961230A1 (de) Maschinenzustandsüberwachungsverfahren und -system
WO2020008036A1 (de) Windenergiesystem und verfahren zum erkennen niederfrequenter schwingungen in einem elektrischen versorgungsnetz
EP3100064B2 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
EP4012426A1 (de) Verfahren zur korrektur eines zeitabhängigen messsignals einer motor-getriebeeinheit sowie verfahren zur erkennung von verschleiss und/oder einer beschädigung derselben mittels dieses korrekturverfahrens
WO2024183966A1 (de) Verfahren zur zustandsdiagnose eines asynchronmotors
DE102023101527A1 (de) Verfahren zur Zustandsüberwachung einer technischen Einrichtung
EP4646602A1 (de) Verfahren zur zustandsüberwachung eines asynchronmotors
EP4226494A1 (de) Verfahren zur überwachung eines oder mehrerer elektrischer antriebe einer elektromechanischen anlage
WO2015140015A1 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
DE102023202105A1 (de) Verfahren zur Zustandsüberwachung eines Antriebsstrangs
DE102023202109A1 (de) Verfahren zum Generieren einer Self-Organizing Map
EP3985377A1 (de) Verfahren zur fehlererkennung bei einem antrieb
EP4331110A1 (de) Verfahren zur kontaktlosen ermittlung eines betriebszustandes
DE102017119015A1 (de) Überwachung von sachanlagen unter verwendung von görtzel-filtern
DE112004002642T5 (de) Plausibilitätsprüfung eines elektrischen Drei-Phasen-Systems
DE102023202112A1 (de) Verfahren zur Zustandsdiagnose eines Elektromotors
WO2022218460A1 (de) Verfahren und system zur überwachung eines vorrichtungszustands einer vorrichtung
DE102023207762A1 (de) Verfahren zum Ermitteln einer unharmonischen Störfrequenz einer Asynchronmaschine, Steuer- und/oder Diagnoseeinrichtung einer Asynchronmaschine sowie Computerprogrammprodukt

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