EP4646603A1 - Verfahren zur zustandsdiagnose eines asynchronmotors - Google Patents

Verfahren zur zustandsdiagnose eines asynchronmotors

Info

Publication number
EP4646603A1
EP4646603A1 EP24702229.6A EP24702229A EP4646603A1 EP 4646603 A1 EP4646603 A1 EP 4646603A1 EP 24702229 A EP24702229 A EP 24702229A EP 4646603 A1 EP4646603 A1 EP 4646603A1
Authority
EP
European Patent Office
Prior art keywords
current
voltage
spectral
amplitudes
frequency
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
EP24702229.6A
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 EP4646603A1 publication Critical patent/EP4646603A1/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

  • ASM asynchronous motors
  • PM predictive maintenance
  • MCSA motor current signature analysis
  • Measuring instruments such as for example, the current/voltage measurement module of the SIMOCODE engine management system from Siemens AG measures not only the current I but also the voltage U of the electrical phases. The measurements are carried out with a high sampling frequency and as well 202223006 2 as synchronously as possible. These measured values are then analyzed. For example, the Fast Fourier Transformation (FFT) is used to detect or quantify errors and operating states of the motor in the frequency range.
  • FFT Fast Fourier Transformation
  • the classic MCSA is used in the quasi-stationary case, ie 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.
  • ASM work according to the principle of electromagnetic induction, ie interactions between currents or magnetic fields in the stator and rotor generate a torque that drives the rotor shaft.
  • Motor faults such as eccentricity, particularly air gap eccentricity (when the rotation axes of the stator and rotor of the motor do not exactly coincide), broken rotor bars, defective bearings or misalignment change the amplitudes at frequencies characteristic of the faults when the slip is constant.
  • the fault frequencies themselves are slip-dependent, ie a change in the slip changes the frequency position of the fault frequencies. Due to the change in the amplitudes of these characteristic frequencies in the frequency spectrum, motor faults can be detected using the MCSA.
  • One task of the MCSA is therefore to determine the slip of asynchronous machines as accurately as possible.
  • f PSH [k•(R/p)•(1-s) ⁇ ⁇ ] • f supply Eq. (1)
  • f PSH the frequency of the Principal Slot Harmonics
  • f supply is the frequency of the supply voltage, e.g. 50 Hz
  • k is a natural number 202223006 3
  • Number of pole pairs Number of pole pairs
  • Number of rotor bars Number of rotor bars Slip odd numbers 1, 3, 5, 7, ...
  • f PSH Order of the harmonics of f supply
  • the PSH frequencies f PSH which are a function f of the number of rotor bars R (e.g. 28, 44, 150, ...), the number of pole pairs p and the slip s (usually between 0 and 0.05 (0-5%)):
  • f PSH f(R,p,s)
  • the evaluation can also be carried out in a spectrum of the reduced current amounts D and Q or in a spectrum of the total amplitude of the phase currents.
  • the reduced current values D and Q are the current values along the axes d and q of the two-axis coordinate system into which the three-phase values along the axes U, V, W are converted by the Park transformation.
  • One problem is that the amplitudes A(f PSH ) of the PSH frequencies f PSH outside the mains supply frequency f supply are very small compared to the amplitude A(f supply ) of the supply current: A(f PSH ) ⁇ 10 -2 A(f supply ).
  • Errors such as rotor bar breakage (BB), eccentricities (ECC), bearing errors, the influence of coupled machines, but also the load state of the machine can be detected in the frequency spectrum of the motor current by an amplitude change at characteristic frequencies.
  • knowledge of the number of rotor bars R is necessary. This can be known from the design or estimated using known methods. In reality, however, not only the above-mentioned theoretical fault frequencies often occur, but drive train-specific vibrations can lead to new, usually unknown frequencies in the current spectrum.
  • One step of the method comprises recording a voltage time series U t of the voltage U R,S,T (t) and a current time series I t of a three-phase motor current I R,S,T (t) which flows through the asynchronous motor due to the voltage U R,S,T (t) applied to the asynchronous motor.
  • a further step comprises calculating, using an FFT, a current spectrum I(f,t) and a voltage spectrum U(f,t) on the basis of the acquired time series (I t , U t ).
  • a further step comprises analyzing the calculated spectral quantities for an anomaly.
  • This step “analyzing the calculated spectral quantities” can comprise the following steps: forming a feature vector from one or more of the time-dependent spectral quantities; and using the formed feature vector as input values of an ML algorithm, ie as training data or as test data.
  • a further step of the method according to the invention comprises reporting the anomaly if an anomaly has been detected. 202223006 6
  • the invention uses known machine learning algorithms to detect the fault state of an electrical machine based on the frequencies according to the invention. One approach is to use an "unsupervised" anomaly detector.
  • a motor is trained in the "good” state for a certain time, ie the algorithm in the training phase only sees the “good” state, but does not know the “bad” state.
  • the anomaly detection is activated, ie if changes are detected from this time onwards, they are reported to the user.
  • input values the so-called “features”, are required. These must be obtained from the current sample values.
  • those features of a spectral amplitude distribution in one or more spectral types are used as features which: i) are as load-independent as possible, but have been shown in laboratory tests to be correlated with the error class - e.g. triple winding harmonics in the phase angle between current components ⁇ ab (f).
  • Alternative features are also e.g. ii) error frequencies that can be calculated classically using MCSA formulas and their spectral amplitudes/phases from one or more spectral types.
  • spectral amplitudes/phases of the spectral types that can be determined from a spectrum of selected frequency resolution.
  • the invention avoids problems of the "classic" MCSA, which are explained in the following points a) to d): a) Resolution vs. data length/recording time: On the one hand, a good frequency resolution is desired for the MCSA, but on the other hand, this leads to long recording times in which the system must remain "stationary" and thus to large feature vectors, which quickly leads to the "curse of dimensionality". b) The error frequencies of the classic MCSA are not sufficient in general applications to detect an existing error. c) The current amplitudes could be disturbed by voltage artifacts. d) The spectral types current and MCSA spectrum are not optimally suited to detecting all errors; sometimes errors can be detected more clearly in other spectral types.
  • the approach according to the invention a) avoids an excessively high frequency resolution for the features (WH are independent of slip) and b) minimizes amplitude influences by using phase relationships, e.g. phase angle ⁇ ab (f,t) between current components: if an artifact of the voltage is reflected in the current components I a and I b , this is divided out.
  • a typical time resolution according to the invention is 1 s; thus the feature spectra have a frequency resolution of 1 Hz.
  • a constant speed must be present within this period; sufficiently stationary operation exists if at least one of the following three conditions (i) to (iii), which can be read from the recorded data, is met: (i) if the efficiency factor cos ⁇ of the motor does not change too much during this time; e.g. this condition is considered to be fulfilled if the efficiency factor cos ⁇ of the motor changes by less than 3 times the standard deviation of the efficiency factor. ii) if the slip lines, ie spectral lines with slip such as PSH, ECC, BB, have a small width; e.g. this condition is considered to be fulfilled if the width of the slip lines is less than 3 times the frequency resolution.
  • the variance is a measure of dispersion which characterizes the distribution of values around the mean. It is the square of the standard deviation. The variance is calculated by dividing the sum of the squared deviations of all measured values from the arithmetic mean by the number of measured values.
  • the frequency resolution can be higher, since the WH frequency position does not change with the slip, ie more dynamic drives can be qualified and a significantly reduced computational effort is necessary.
  • the evaluation of only the WH frequencies can 202223006 9 can also be advantageously used in one or more other spectral types.
  • the evaluation according to i) ie the features of an algorithm e.g.
  • an anomaly detector or a classification according to WH frequencies is based on the knowledge that errors which, according to classic MCSA, manifest themselves in air gap variations, depending on slip, in that the rotor passing frequency induces a stator current, also manifest themselves in a superimposed manner in the mains frequency multiples (WH frequencies).
  • Advantageous embodiments and further developments of the invention are specified in the dependent claims.
  • the amplitudes of the calculated spectral variables are normalized to the amplitude at the supply frequency.
  • the spectral variables are determined with a frequency resolution in the range of up to approximately 0.01 to 5 Hz, preferably 1 Hz, and a time resolution of approximately 1 s.
  • the amplitudes of the current and/or the spectral variables are determined at the theoretical frequencies after determining the slip s from PSH frequencies with knowledge of the number of rotor bars R and using the determined amplitudes as a feature set.
  • This type of feature is referred to as an MCSA feature set - of a specific spectral type.
  • the amplitudes of the current and/or the spectral variables at all frequencies are used as a feature set.
  • all frequencies can include a so-called "MAX binning" in order to achieve a reduction in the number of frequencies.
  • MAX binning with a binning length N bin where in N bin samples a- 202223006 10 of an FFT with N FFT frequencies, the maximum is set as the new amplitude of the N bin -th frequency bin. This can also be done with an overlap of the bins.
  • the approach according to the invention significantly reduces the dimensionality of the feature space through binning. According to a preferred embodiment of the invention, only those features with the measured amplitude are shown which stand out significantly from the respective noise background.
  • the so-called significance analysis can be used to examine the environment of a maximum in a frequency band and, for example, to determine the standard deviation s of the measured values around the detected peak, whereby the determined peak value must be more than N xs larger than the environment to be considered a significant peak; N is an integer in the value range [1, ..., 6].
  • the environment can thus be limited to a fixed smallest value, based on the noise limit of the sensor signal chain, e.g. B. - 100 dB.
  • the noise limit of the sensor signal chain e.g. B. - 100 dB.
  • the approach according to the invention significantly reduces the dimensionality of the feature space through a significance analysis.
  • the significance analysis avoids false alarms in anomaly detection, which could result from noise values of non-significant frequencies that have changed compared to the learned state.
  • the amplitudes of the winding harmonics i.e. the harmonics of the supply frequency f supply
  • a distortion factor of the harmonics can be determined in relation to the fundamental frequency of the supply voltage.
  • WH- 202223006 11 Amplitudes have the advantage that their frequency position is independent of slip, meaning that error detection or anomaly deviation can be carried out on the basis of these features largely independently of the operating point.
  • the invention is explained below with the aid of the accompanying drawing. It shows schematically and not to scale: Fig. 1 a first embodiment of an inventive device for monitoring the condition of a drive train; Fig. 2 a second embodiment of an inventive device for monitoring the condition of a drive train; Fig. 3 a flow chart of an embodiment of the inventive method for diagnosing the condition of an asynchronous motor; Fig. 4 a typical MCSA-based amplitude spectrum; Fig. 5 the distortion factor as a load-dependent feature; Fig.
  • Fig. 7 is a plot of the positive, negative and triple WH amplitudes of the current for different load levels;
  • Fig. 8A and 8B are exemplary evaluations of two different asynchronous motors;
  • Fig. 9A, 9B and 9C are confidence matrices of an exemplary supervised classifier; 202223006 12
  • Fig. 10A Spectral type current amplitude for different set shaft alignment states;
  • Fig. 10B Spectral type admittance for different set shaft alignment states;
  • Fig. 10C Spectral type phase angle for different set shaft alignment states;
  • Fig. 11 exemplary anomaly detector results for the detection of misalignments;
  • Fig. 12 the spectrum type phase angle between current components of the triple WH.
  • Fig. 1 shows an arrangement with an asynchronous motor M which is electrically connected via supply lines 11 to a voltage source 10 which supplies a supply voltage U supply with a voltage frequency f supply .
  • the current I flowing via the supply lines 11 is measured by a current sensor 14, e.g. a shunt, a current transformer or a Hall sensor.
  • the voltage U applied to the supply lines 11 is measured by a voltage sensor 15, e.g. a shunt.
  • Current and voltage values are recorded synchronously with a sampling frequency f A [1/T] for a duration T A [T].
  • the current and voltage measured values recorded by the sensors 14, 15 are sent from the sensors 14, 15 to a computing unit 16.
  • the processing of the asynchronous motor M by the arithmetic unit 16 is carried out by the arithmetic unit 16.
  • the arithmetic unit 16 has a processor 18 and a data memory 20.
  • the data memory 20 stores software with an algorithm for carrying out the method steps.
  • Fig. 2 shows an alternative arrangement in which the asynchronous motor M 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 asynchronous motor M 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.
  • FIG. 3 shows a flow chart of an embodiment of the method according to the invention for diagnosing the condition of an asynchronous motor to which a three-phase voltage U R,S,T (t) with a supply frequency f U is applied.
  • T current values I t of an electrical current I flowing through the electric motor M are recorded, which flows through the asynchronous motor M due to the supply voltage U applied to the asynchronous motor M.
  • current values I t are recorded that describe the "good condition" of the motor.
  • a voltage time series U t of the voltage U R,S,T (t) and a current time series I t of a three-phase motor current I R,S,T (t) are recorded, which flows through the asynchronous motor M due to the voltage U R,S,T (t) applied to the asynchronous motor M.
  • a current spectrum I(f,t) and a voltage spectrum U(f,t) are calculated using an FFT on the basis of the recorded time series I t , U t .
  • a third step 330 one or more of the following time-dependent spectral quantities 330.1 to 330.6 are calculated: 330.1)
  • the current components I a (f,t), I b (f,t) are calculated, where I a (f,t) and I b (f,t) are formed from I R,S,T by Park transformation; 330.2)
  • the total current amplitude A I (f,t) ⁇ ((I a (f,t)) 2 + (I b (f,t)) 2 ) is calculated.
  • ⁇ UI arctan(U(f,t)/I(f,t)).
  • the admittance X(f,t) I(f,t)/U(f,t) is calculated.
  • the calculated spectral quantities are analyzed for anomalies.
  • This fourth step 340 “analyzing the calculated spectral quantities” can comprise the following steps: forming a feature vector from one or more of the time-dependent spectral quantities; and using the formed feature vector as input values of an ML algorithm, ie as training data or as test data.
  • a fifth step 350 if an anomaly is detected, the anomaly is reported.
  • Fig. 4 shows a typical MCSA-based amplitude spectrum (amplitude as a function of frequency) of a current signal, before (crosses) and after the significance analysis (solid lines). 202223006 15 never).
  • the amplitudes of the non-significant frequencies are set to 10 -12 .
  • the amplitudes of the so-called winding harmonics i.e.
  • the harmonics of the supply frequency f supply can be determined as characteristics. These can be calculated individually or as triple WH (3n), positive WH (3n+1) or negative WH (3n-1), as harmonics of the fundamental frequency. Alternatively, a distortion factor of the harmonics can be determined in relation to the fundamental frequency of the supply voltage.
  • These WH amplitudes, which are normalized to the fundamental frequency, have the advantage that their frequency position is independent of slip, meaning that error detection or anomaly deviation can be carried out on the basis of these characteristics largely independently of the operating point. Fig.
  • FIG. 5 shows the total harmonic distortion (THD) as a load-dependent characteristic for a well-aligned drive train "Healthy” and two increasingly severe misalignments "Misalign1", “Misalign2” as a function of torque.
  • the total harmonic distortion and THD represent the ratio of unwanted harmonic/non-linear distortions to the original signal.
  • the THD of the states can be separated because the spread or variance for each torque is smaller than the distance between the neighboring states, but it is load-dependent; rising separation lines would be inscribed.
  • Fig. 6 shows triple winding harmonics as a function of torque. In the phase angle ⁇ ab between current components, the triple winding harmonics can be recognized from approx.
  • FIG. 7 shows a plot of the positive, negative and triple WH amplitudes of the current for 7 different load levels, with the load first increasing step by step to the next higher level and then decreasing step by step to the next lower level.
  • Curve A0 indicates the amplitude at a mains frequency of 50 Hz.
  • the plot shows that the triple WH amplitudes in particular are largely independent of the load. Consequently, the quantities derived from the triple WH amplitudes also show only a slight load dependence, so that if the exact load state has not been determined beforehand, they are preferable as features for detecting errors.
  • Fig. 8A and 8B show example evaluations of two different asynchronous motors that are connected to loads using shaft couplings. Fig.
  • a good state (OK) with ideal alignment is considered in comparison to two states with increasingly severe misalignments (ALGN1, ALGN2).
  • ALGN1, ALGN2 two states with increasingly severe misalignments
  • the respective current spectra (samples over frequency) and the determinable confidence matrices (predicted label vs. true label) are shown using the "label” (supervised learning) for a) current amplitudes ("Currents”) and b) voltage amplitudes ("Voltage").
  • Fig. 9A with the spectrum type "FFT current spectrum I_Spec” shows a confidence matrix concerning the current I(f,t).
  • Fig. 9B with the spectrum type "FFT phase I ⁇ , I ⁇ ” shows a confidence matrix concerning the phase angle ⁇ ab (f,t) between current components.
  • Fig. 10A shows the spectral type current amplitude I(f,t).
  • Fig. 10A shows the spectral type admittance X(f,t).
  • Fig. 10A shows the spectral type phase angle ⁇ ab (f,t).
  • the main error frequency is around 175 Hz (slip-dependent) - see the outlined area.
  • a voltage disturbance of 10 Hz is superimposed. The voltage disturbance is suppressed in the X and phase spectrum types and is hardly measurable or visible.
  • a particular advantage is that for small loads (in each state block on the left) a better separability is achieved. For larger loads the 175 Hz interference line deviates from the 202223006 18 slip-affected error frequency is decreasing anyway.
  • the frequency resolution for the X and phase spectrum type can be selected to be larger, and an anomaly detector would not learn the interference lines as a false property of the good case, since they are not measurably present.
  • the motor load increases from left to right.
  • the purely electrically changed conditions of the rotor, by separating one or two rotor bars, result in a significantly changed phase position of the triple WH from approx. 50° to 25°.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Zustandsdiagnose eines Asynchronmotors (M), an dem eine dreiphasige Spannung UR,S,T(t) mit einer Versorgungsfrequenz (fU) anliegt, mit folgenden Schritten: a) Erfassen einer Spannungs-Zeitreihe (Ut) der Spannung UR,S,T(t) und einer Strom-Zeitreihe (It) eines dreiphasigen Motorstroms IR,S,T(t), welcher aufgrund der am Asynchronmotor (M) anliegenden Spannung UR,S,T(t) durch den Asynchronmotor (M) 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 zwischen Stromkomponenten φab(f,t) = arctan(Ia/Ib) 4) Phasenwinkel zwischen Strom- und Spannungskomponenten 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) d) Analysieren der berechneten Spektralgrößen auf eine Anoma- lie; e) bei einer Feststellung einer Anomalie, Melden der Anomalie.

Description

202223006 1 Beschreibung Verfahren zur Zustandsdiagnose eines Asynchronmotors Die vorliegende Erfindung betrifft ein Verfahren zur Zu- standsdiagnose eines Asynchronmotors. Aufgrund ihres kostengünstigen und robusten Designs sind Asynchronmotoren (= ASM) in der Industrie sehr verbreitet: sie finden sich in vielen Anwendungen wie z. B. Lüftern, Sä- gen 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 elektri- schen Energie. Wegen der weiten Verbreitung von Asynchronmo- toren ergibt sich ein enormes Potential im Hinblick auf Ver- fügbarkeit und Zuverlässigkeit und die damit verbundene Ein- sparung von Zeit und Geld. Es finden sich in diesem Kontext die Begriffe des „Condition Monitoring“ (= CM, dt.: „Zustand- süberwachung“) bzw. „Predictive Maintenance“ (= PM, dt.: „vorbeugende Wartung“). Eine bekannte Methode zur Erkennung von Fehlern bei Elektro- motoren ist die sog. 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 bildet die Erfassung der elektrischen Phasen, meist drei (L1, L2, L3), eines elektrischen Motors. Ergänzend zur MCSA werden die Spektralanteile der Spannung herangezogen, um CM zu be- treiben (= MVSA; engl.: Motor Voltage Signature Analysis). Messmittel wie z. B. das Strom-/ Spannungserfassungsmodul des Motormanagement-Systems SIMOCODE der Siemens AG messen neben dem Strom I auch die Spannung U der elektrischen Phasen. Die Messungen erfolgen mit einer hohen Abtastfrequenz und so gut 202223006 2 wie möglich zeitsynchron. Diese Messwerte werden anschließend analysiert. Beispielweise verwendet man die Schnelle Fourier- Transformation (= FFT; engl.: Fast Fourier Transformation), um Fehler und Betriebszustände des Motors im Frequenzbereich zu detektieren bzw. zu quantifizieren. Die klassische MCSA wird dabei im quasistationären Fall angewandt, d. h. bei no- minell konstanter Drehzahl. Eine Erweiterung der MCSA stellt die Analyse mit Kurzzeit-FFTs oder Wavelets dar, um Vorgänge zeitaufgelöst zu analysieren. ASM arbeiten nach dem Prinzip der elektromagnetischen Induk- tion, d. h. Wechselwirkungen zwischen Strömen bzw. Magnetfel- dern im Stator und Rotor erzeugen ein Drehmoment, welches die Rotorwelle antreibt. Motorfehler wie Exzentrizität, insbeson- dere Luftspalt-Exzentrizität (wenn die Rotationsachsen von Stator und Rotor des Motors nicht exakt zusammenfallen), ge- brochene Rotorstäbe, defekte Lager oder Fehlausrichtung ver- ändern bei einem konstanten Schlupf die Amplituden auf für die Fehler charakteristischen Frequenzen. Die Fehlerfrequen- zen ihrerseits sind schlupfabhängig, d. h. eine Änderung des Schlupfes ändert die Frequenzlage der Fehlerfrequenzen. Auf- grund der Veränderung der Amplituden dieser charakteristi- schen Frequenzen im Frequenzspektrum können also mithilfe der MCSA Motorfehler erkannt werden. Eine Aufgabe der MCSA ist daher die möglichst genaue Ermitt- lung des Schlupfs s von Asynchronmaschinen. Eine Möglichkeit, den Schlupf genau zu bestimmen, bietet die Frequenzbestimmung der sogenannten Principal Slot Harmonics (= PSH), also derje- nigen Frequenzen, die ihren Ursprung im Aufbau des Rotors ha- ben, siehe nachfolgende Gleichung: fPSH = [k•(R/p)•(1-s) ± ν] • fsupply Gl. (1) wobei fPSH Frequenz der Principal Slot Harmonics fsupply Frequenz der Versorgungsspannung, z. B. 50 Hz k natürliche Zahl 202223006 3 p Anzahl der Polpaare = Polpaarzahl R Anzahl der Rotorstäbe = Rotorstabzahl Schlupf ungerade Zahlen 1, 3, 5, 7, ... = Ordnung der Harmo- nischen von fsupply Dazu werden die PSH-Frequenzen fPSH, die eine Funktion f der Rotorstabzahl R (z. B. 28, 44, 150, ...), der Polpaarzahl p und des Schlupfs s (üblich zwischen 0 und 0,05 (0-5 %)) sind: fPSH = f(R,p,s), anhand des jeweiligen Stromsignals einer oder mehrerer elektrischer Phasen (L1, L2, L3) ausgewertet. Die Auswertung kann auch in einem Spektrum der reduzierten Strom- beträge D und Q oder in einem Spektrum der Gesamtamplitude der Phasenströme erfolgen. Dabei sind die reduzierten Strom- beträge D und Q diejenigen Strombeträge entlang der Achsen d und q des zweiachsigen Koordinatensystems, in das die drei- phasigen Größen entlang der Achsen U, V, W durch die Park- Transformation überführt werden. Ein Problem dabei ist, dass die Amplituden A(fPSH) der PSH-Frequenzen fPSH außerhalb der Netzspeisefrequenz fsupply im Vergleich zur Amplitude A(fsupply) des Speisestromes sehr klein sind: A(fPSH) < 10-2 A(fsupply). Fehler wie Rotorstabbruch (BB), Exzentrizitäten (ECC), Lager- fehler, Einfluss gekoppelter Maschinen, aber eben auch der Lastzustand der Maschine können im Frequenzspektrum des Mo- torstroms durch eine Amplitudenänderung bei charakteristi- schen Frequenzen detektiert werden. In der MCSA werden die Amplituden für verschiedenste Fehlerfälle ausgewertet: i) Gebrochene Rotorstäbe (BB = Broken Bars): fBB1 = (1 ± 2k•s) • fsupply Gl. (2) ii) Statische / Dynamische Rotor-Exzentrizität (= ECC; 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 202223006 4 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, ...) Nb Anzahl der Wälzkörper Db/Dp Charakteristische Durchmesser am Wälzlager ß Kontaktwinkel Für manche Fehlerarten ist die Kenntnis der Rotorstabzahl R notwendig. Diese kann aus der Konstruktion bekannt sein oder mittels bekannter Verfahren geschätzt werden. In der Realität treten jedoch häufig nicht nur die o. g. the- oretischen Fehlerfrequenzen auf, sondern Antriebsstrang- spezifische Schwingungen können zu neuen, zumeist unbekannten Frequenzen im Stromspektrum führen. Dies ist insbesondere der Fall für Unwuchten sowie Ausrichtfehler und ähnliche „mecha- nische“ Fehler, welche zu Luftspaltasymmetrien führen, die sich als Harmonische der Rotationsfrequenz zeigen und die demzufolge theoretisch zu einer Modulation auf der Versor- gungsfrequenz führen. Reale Antriebe können durch Eigen- und Resonanzschwingungen noch komplexere Schwingungsmodi aufwei- 202223006 5 sen. Es sind Fehlerfälle bekannt, in welchen die theoreti- schen Frequenzen nicht ausreichen, um die Fehler und deren Schwere im Stromspektrum auszuwerten. Eine Aufgabe der vorliegenden Erfindung ist daher eine ver- besserte Fehlererkennung basierend auf MCSA. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den in Anspruch 1 angegebenen Merkmalen gelöst. Das erfin- dungsgemäße Verfahren dient der Zustandsdiagnose eines Asyn- chronmotors, an dem eine dreiphasige Spannung UR,S,T(t) mit einer Versorgungsfrequenz anliegt. Ein Schritt des Verfahrens weist ein Erfassen einer Spannungs-Zeitreihe Ut der Spannung UR,S,T(t) und einer Strom-Zeitreihe It eines dreiphasigen Mo- torstroms IR,S,T(t) auf, welcher aufgrund der am Asynchronmo- tor anliegenden Spannung UR,S,T(t) durch den Asynchronmotor fließt. Ein weiterer Schritt weist ein Berechnen, mithilfe einer FFT, eines Stromspektrums I(f,t) und eines Spannungs- spektrums U(f,t) auf Basis der erfassten Zeitreihen (It, Ut) auf. Ein weiterer Schritt weist ein Berechnen einer oder meh- rerer folgender zeitabhängiger Spektralgrößen 1-6 auf: 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) Gesamt- stromamplitude AI(f,t) = √((Ia(f,t))2 + (Ib(f,t))2); 3) Pha- senwinkel φab zwischen Stromkomponenten: φab(f,t) = ar- ctan(Ia/Ib); 4) Phasenwinkel φUI zwischen Strom- und Span- nungskomponenten: φUI(f,t) = arctan(U(f,t)/I(f,t)); 5) momen- tane spektrale Leistung P(f,t) = U(f,t)*I(f,t); und 6) Admit- tanz X(f,t) = I(f,t)/U(f,t). Ein weiterer Schritt weist ein Analysieren der berechneten Spektralgrößen auf eine Anomalie auf. Dieser Schritt „Analysieren der berechneten Spektralgrö- ßen“ kann folgende Schritte aufweisen: Bilden eines Feature- Vektors aus einer oder mehreren der zeitabhängigen Spektral- größen; und Verwenden des gebildeten Feature-Vektors als Ein- gangswerte eines ML-Algorithmus, d. h. als Trainingsdaten oder als Testdaten. Ein weiterer Schritt des erfindungsgemä- ßen Verfahrens weist ein Melden der Anomalie auf, falls eine Anomalie festgestellt wurde. 202223006 6 Die Erfindung nutzt bekannte Algorithmen des Machine Learn- ing, um basierend auf den erfindungsgemäßen Frequenzen den Fehlerzustand einer elektrischen Maschine zu detektieren. Ein Ansatz ist es, einen „unsupervised“ Anomalie-Detektor zu verwenden. Dabei wird ein Motor für eine bestimmte Zeit im „gut“-Zustand trainiert, d. h. der Algorithmus in der Trai- ningsphase sieht nur den „gut“-Zustand, kennt aber nicht den „schlecht“-Zustand. Nach dieser Trainings-Phase wird die Ano- malie-Detektion aktiviert, d. h. werden ab dieser Zeit Ände- rungen erkannt, so werden diese dem Benutzer gemeldet. Für eine solche KI braucht man Eingangswerte, die sog. Merk- male (engl: „Features“). Diese gilt es aus den Strom- Abtastwerten zu gewinnen. Grundsätzlich könnte man die Ab- tastwerte des Stroms als „Features“ betrachten, das bringt aber keinen guten Erfolg, wie in den folgenden Punkten a) bis c) erläutert: a) Sehr große „Feature“-Vektoren: Bei typischen Abtastraten von 2 bis 20 kSps (Sps = Samples per second) er- geben sich bei einer Aufzeichnungsdauer von ca. 1 Sekunde Feature-Vektoren mit 2000 bis 20.000 Werten. Dabei ist der „Informationsgehalt“ eines einzelnen Wertes gering. Es gilt hier also, die Daten zu „verdichten“, bzw. die Entropie zu erhöhen. b) Phasenlage: Im Zeitbereich ergibt sich das Prob- lem der „Phasenlage“. Je nachdem, zu welchem Zeitpunkt die „Aufzeichnung“ der Stromwerte beginnt, ergibt sich eine zu- fällige Phasenlage. Es gibt prinzipiell die Möglichkeit, die „Aufzeichnung“ zu einem bestimmten Wert zu starten, aber da- mit ergibt sich eine „Unschärfe“ der Phasenlage. Man könnte auch ein PLL verwenden, dies ist aber auch technisch sehr aufwändig. c) Quantität: Die Stromwerte sind quantitativ ab- hängig von der Last, d.h. es fließt bei höherer Last ein hö- herer Motorstrom. Die Anomalie-Detektion sollte aber nicht eine Last-Änderung als eine Anomalie einstufen, sondern nur eine Anomalie des Motors. Die Stromwerte müssen deshalb „nor- malisiert“ werden. 202223006 7 Stattdessen werden erfindungsgemäß diejenigen Features einer spektralen Amplitudenverteilung in einer oder mehreren Spekt- raltypen als Features herangezogen, welche: i) möglichst lastunabhängig sind, sich jedoch in Laborver- suchen als korreliert zur Fehlerklasse herausgestellt haben - z. B. Triple Winding Harmonics im Phasenwinkel zwischen Stromkomponenten φab(f). Alternative Merkmale sind darüber hinaus z. B. ii) klassisch mittels MCSA-Formeln berechenbare Fehlerfre- quenzen und deren Spektralamplituden /-Phasen aus einem oder mehreren Spektraltypen. iii) Spektralamplituden /-Phasen der Spektraltypen, die sich aus einem Spektrum gewählter Frequenzauflösung ermitteln las- sen. Die Erfindung umgeht Probleme der „klassischen“ MCSA, die in den folgenden Punkten a) bis d) erläutert sind: a) Auflösung vs. Datenlänge/Aufzeichnungsdauer: Für die MCSA wird einerseits eine gute Frequenzauflösung gewünscht, andererseits führt genau dies zu langen Aufzeichnungszeiten, in welchen das System „stationär“ bleiben muss, und damit zu großen Feature-Vektoren, was schnell zum „Fluch der Dimensio- nalität“ führt (engl.: Curse of Dimensionality). b) Die Fehlerfrequenzen der klassischen MCSA sind in allge- meinen Applikationen nicht ausreichend für eine Detektion ei- nes vorliegenden Fehlers. c) Die Stromamplituden könnten durch Spannungsartefakte ge- stört sein. d) Die Spektraltypen Strom- und MCSA-Spektrum sind nicht für die Detektion aller Fehler optimal geeignet; manchmal sind Fehler in anderen Spektraltypen eindeutiger zu detektie- ren. Die Erfindung benutzt Spektraltypen, insbesondere Phasenbe- ziehungen, und Kombinationen aus schlupfunabhängigen WH- basierten Features mit nach MCSA-Formeln berechneten Features (WH = Winding Harmonics). 202223006 8 Die erfindungsgemäße Herangehensweise a) vermeidet eine zu hohe notwendige Frequenzauflösung für die Features (WH sind schlupfunabhängig) und b) minimiert Amplitudeneinflüsse durch die Verwendung von Phasenbeziehungen, z. B. Phasenwinkel φab(f,t) zwischen Stromkomponenten: sofern sich in den Strom- komponenten Ia und Ib ein Artefakt der Spannung abbildet, wird dieses herausdividiert. Eine typische erfindungsgemäße Zeitauflösung ist dabei 1 s; mithin haben die Feature-Spektren eine Frequenzauflösung von 1 Hz. Innerhalb diesem Zeitraum muss eine konstante Drehzahl vorliegen; ein ausreichend stationärer Betrieb liegt vor, falls mindestens eine der folgenden drei Bedingungen (i) bis (iii), die an den aufgenommenen Daten abgelesen werden kön- nen, erfüllt ist: (i) sofern sich in dieser Zeit der Wirkfaktor cos φ des Mo- tors nicht zu stark ändert; z.B. wird diese Bedingung als er- füllt betrachtet, falls sich der Wirkfaktor cos φ des Motors um weniger als die 3-fache Standardabweichung des Wirkfaktors ändert. ii) sofern die Schlupflinien, d.h. schlupfbehaftete Spektral- linien wie z.B. PSH, ECC, BB, eine geringe Breite haben; z.B. wird diese Bedingung als erfüllt betrachtet, falls die Breite der Schlupflinien kleiner als die 3-fache Frequenzauflösung ist. iii) sofern die Schlupflinienvarianz innerhalb df = 1 Hz liegt. Die Varianz ist ein Streuungsmaß, welches die Vertei- lung von Werten um den Mittelwert kennzeichnet. Sie ist das Quadrat der Standardabweichung. Berechnet wird die Varianz, indem die Summe der quadrierten Abweichungen aller Messwerte vom arithmetischen Mittel durch die Anzahl der Messwerte di- vidiert wird. Für Anomalie-Detektor-Features nach i) kann die Frequenzauf- lösung größer sein, da sich die WH-Frequenzlage nicht mit dem Schlupf ändert, d. h. es können dynamischere Antriebe quali- fiziert werden und es ist ein deutlich reduzierter Rechenauf- wand notwendig. Die Auswertung nur der WH-Frequenzen kann 202223006 9 auch in einem oder mehreren anderen Spektraltypen vorteilhaf- te Anwendung finden. Der Auswertung nach i) d. h. die Features eines Algorithmus z. B. eines Anomalie-Detektors oder einer Klassifikation nach WH-Frequenzen (in beliebigen Spektrumstypen oder Kombinatio- nen davon) liegt die Erkenntnis zugrunde, dass sich Fehler, welche sich nach klassischer MCSA in Luftspaltvariationen, schlupfabhängig, dadurch äußern, dass die Rotorpassierfre- quenz einen Statorstrom induziert, auch in den Netzfrequenz- Vielfachen (WH-Frequenzen) überlagert äußern. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Gemäß einer bevorzugten Ausgestaltung der Erfindung erfolgt ein Normieren der Amplituden der berechneten Spektralgrößen auf die Amplitude bei der Versorgungsfrequenz. Gemäß einer bevorzugten Ausgestaltung der Erfindung erfolgt ein Ermitteln der Spektralgrößen mit einer Frequenzauflösung im Bereich bis ca. 0,01 bis 5 Hz, vorzugsweise mit 1 Hz, und einer Zeitauflösung von ca. 1 s. Gemäß einer bevorzugten Ausgestaltung der Erfindung erfolgt ein Ermitteln der Amplituden des Stroms und/oder der Spekt- ralgrößen auf den theoretischen Frequenzen nach Ermittlung des Schlupfes s aus PSH-Frequenzen unter Kenntnis der Rotor- stabzahl R und Verwenden der ermittelten Amplituden als Merk- malsatz. Diese Art der Merkmale wird als MCSA-Merkmalssatz - eines bestimmten Spektraltyps - bezeichnet. Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die Amplituden des Stroms und/ oder der Spektralgrößen auf allen Frequenzen als Merkmalsatz verwendet. Der Begriff „alle Frequenzen“ kann dabei ein sog. “MAX-Binning“ beinhalten, um eine Reduktion der Anzahl der Frequenzen zu erzielen. MAX- Binning mit einer Binninglänge Nbin, wobei in Nbin Samples ei- 202223006 10 ner FFT mit NFFT Frequenzen das Maximum als neue Amplitude des Nbin-ten Frequenzbins gesetzt wird. Dies kann auch mit Über- lapp der Bins durchgeführt werden. Die erfindungsgemäße Her- angehensweise reduziert durch ein Binning die Dimensionalität des Merkmalsraums deutlich. Gemäß einer bevorzugten Ausgestaltung der Erfindung werden nur diejenigen Merkmale mit der gemessenen Amplitude darge- stellt, welche sich signifikant von dem jeweiligen Rauschun- tergrund abheben. Dabei kann mittels der sogenannten Signifi- kanzanalyse eine Umgebung eines Maximums in einem Frequenz- band untersucht werden und z. B. die Standardabweichung s der Messwerte um den detektierten Peak ermittelt werden, wobei der ermittelte Peakwert um mehr als N x s größer als die Um- gebung sein muss, um als signifikanter Peak zu gelten; dabei ist N eine ganze Zahl im Wertebereich [1, ..., 6]. Somit kann die Umgebung auf einen festen kleinsten Wert, orientiert an der Rauschgrenze der Messaufnehmer-Signalkette, z. B. - 100 dB, gesetzt werden. Dadurch resultieren geänderte Rauschwerte an nicht-signifikanten Frequenzen nicht als „Ano- malie“-Werte. Neu hinzutretenden Peaks, die sich aus dem Rau- schen abheben, erscheinen jedoch als neue Frequenzpeaks und dienen demnach der Fehlerdetektion. Die erfindungsgemäße Her- angehensweise reduziert durch eine Signifikanzanalyse die Di- mensionalität des Merkmalsraums deutlich. Insbesondere die Signifikanzanalyse vermeidet Fehl-Alarme der Anomalie- Detektion, welche durch gegenüber dem Anlernzustand geänderte Rauschwerte nicht signifikanter Frequenzen resultieren könn- ten. Gemäß einer bevorzugten Ausgestaltung der Erfindung erfolgt das Ermitteln der Amplituden der Winding Harmonics, also der Harmonischen der Versorgungsfrequenz fsupply, als Merkmalsatz. Diese können einzeln oder als Tripel (3n), positiv (3n+1) oder negative (3n-1), mit Harmonischen der Grundfrequenz be- rechnet werden. Alternativ kann auch ein Klirrfaktor der Har- monischen in Bezug zur Grundfrequenz der Versorgungsspannung ermittelt werden. Diese auf die Grundfrequenz normierten WH- 202223006 11 Amplituden haben den Vorteil, dass sie in ihrer Frequenzlage schlupfunabhängig sind, mithin eine Fehlerdetektion oder Ano- malie-Abweichung auf Basis dieser Merkmale weitgehend unab- hängig vom Betriebspunkt erfolgen kann. Im Folgenden wird die Erfindung unter Zuhilfenahme der bei- liegenden Zeichnung erläutert. Es zeigt jeweils schematisch und nicht maßstabsgetreu Fig. 1 eine erste Ausgestaltung einer erfindungsgemäßen Vorrichtung zur Zustandsüberwachung eines Antriebs- strangs; Fig. 2 eine zweite Ausgestaltung einer erfindungsgemäßen Vorrichtung zur Zustandsüberwachung eines Antriebs- strangs; Fig. 3 ein Ablaufdiagramm einer Ausgestaltung des erfin- dungsgemäßen Verfahrens zur Zustandsdiagnose eines Asynchronmotors; Fig. 4 ein typisches MCSA-basiertes Amplitudenspektrum; Fig. 5 den Klirrfaktor als lastabhängiges Merkmal; Fig. 6 Triple Winding Harmonics als Funktion des Drehmo- mentes; Fig. 7 eine Auftragung der positiven, negativen und trip- len WH-Amplituden des Stromes für verschiedene Laststufen; Fig. 8A und 8B beispielhafte Auswertungen zweier unter- schiedlicher Asynchronmotoren; Fig. 9A, 9B und 9C Konfidenzmatrizen eines beispielhaften Supervised Klassifikators; 202223006 12 Fig. 10A Spektraltyp Strom-Amplitude für verschieden einge- stellte Wellenausrichtungs-Zustände; Fig. 10B Spektraltyp Admittanz für verschieden eingestellte Wellenausrichtungs-Zustände; Fig. 10C Spektraltyp Phasenwinkel für verschieden einge- stellte Wellenausrichtungs-Zustände; Fig. 11 beispielhafte Anomalie-Detektor-Ergebnisse für die Detektion von Fehlausrichtungen; und Fig. 12 den Spektrumstyp Phasenwinkel zwischen Stromkompo- nenten der triplen WH. Fig. 1 zeigt eine Anordnung mit einem Asynchronmotor M, der über Versorgungsleitungen 11 mit einer Spannungsquelle 10, welche eine Versorgungsspannung Usupply mit einer Spannungsfre- quenz fsupply 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. Die an den Versorgungslei- tungen 11 anliegende Spannung U wird von einem Spannungs- sensor 15, z. B. einem Shunt, gemessen. Es werden jeweils Strom- und Spannungswerte synchron mit ei- ner Abtastfrequenz fA [1/T] für eine Dauer TA [T] aufgezeich- net. Die Anzahl der Abtastwerte NA ist damit jeweils NA = fA*TA. Zum Beispiel sei fA = 3200 Hz und TA = 1,28 Sekunden, somit ergeben sich NA =4096 = 212 Abtastwerte, jeweils für Strom und für Spannung. Die von den Sensoren 14, 15 aufgenom- menen Strom- und Spannungsmesswerte werden von den Sensoren 14, 15 zu einer Recheneinheit 16 gesendet. Die Verfahrensschritte zum Berechnen, mithilfe einer FFT, ei- nes Stromspektrums, zum Berechnen einer oder mehrerer zeitab- hängiger Spektralgrößen, zum Analysieren der berechneten Spektralgrößen und zum Generieren einer Meldung, die über ei- 202223006 13 ne Anomalie informiert, 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 Durchführen der Verfahrensschritte. Diese Software wird vom Prozessor 18 ausgeführt. Eingabewerte 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 Rechenein- heit 16 eine entsprechende Meldung zu der Ein-/ Ausgabeein- heit 22. Fig. 2 zeigt eine alternative Anordnung, bei der der Asyn- chronmotor M als eine Antriebsmaschine eines Antriebsstrangs D ausgebildet ist, der außerdem ein mechanisches Getriebe G und eine Arbeitsmaschine W aufweist. Ein von dem Asynchronmo- tor M bereitgestelltes Drehmoment wird über das Getriebe G an die Arbeitsmaschine W übertragen. Dabei kann die Arbeitsma- schine beispielsweise ein Förderband, eine Rolle oder eine Walze sein. Außer dem Asynchronmotor M des Antriebsstrangs D sind noch weitere elektrische Lasten 24 mit dem Stromnetz N verbunden. Fig. 3 zeigt ein Ablaufdiagramm einer Ausgestaltung des er- findungsgemäßen Verfahrens zur Zustandsdiagnose eines Asyn- chronmotors, an dem eine dreiphasige Spannung UR,S,T(t) mit einer Versorgungsfrequenz fU anliegt. werden T Stromwerte It eines durch den Elektromotor M flie- ßenden elektrischen Stroms I erfasst, welcher aufgrund der am Asynchronmotor M anliegenden Speisespannung U durch den Asyn- chronmotor M fließt. Man erhält somit einer Zeitreihe I(1...T) von T Stromwerten It, während sich der Asynchronmo- tor M in einem Gutzustand befindet. Während der Aufzeich- nungsphase werden Stromwerte It aufgezeichnet, die den „Gut- zustand“ des Motors beschreiben. Diese Stromwerte It werden im Anschluss für das Training des Anomalie-Detektors verwen- det. Folgende Aspekte sind hierbei sehr wichtig: 202223006 14 In einem ersten Schritt 310 wird eine Spannungs-Zeitreihe Ut der Spannung UR,S,T(t) und einer Strom-Zeitreihe It eines drei- phasigen Motorstroms IR,S,T(t) erfasst, welcher aufgrund der am Asynchronmotor M anliegenden Spannung UR,S,T(t) durch den Asynchronmotor M fließt. In einem zweiten Schritt 320 werden mithilfe einer FFT ein Stromspektrum I(f,t) und ein Spannungsspektrum U(f,t) auf Ba- sis der erfassten Zeitreihen It, Ut berechnet. In einem dritten Schritt 330 werden eine oder mehrere folgen- der zeitabhängiger Spektralgrößen 330.1 bis 330.6 berechnet: 330.1) Es werden die Stromkomponenten Ia(f,t), Ib(f,t) be- rechnet, wobei Ia(f,t) und Ib(f,t) durch Park-Transformation aus IR,S,T gebildet sind; 330.2) Es wird die Gesamtstromamplitude AI(f,t) = √((Ia(f,t))2 + (Ib(f,t))2)berechnet. 330.3) Es wird der Phasenwinkel φab zwischen den Stromkompo- nenten berechnet: φab(f,t) = arctan(Ia/Ib). 330.4) Es wird der Phasenwinkel φUI zwischen den Strom- und Spannungskomponenten berechnet: φUI(f,t) = ar- ctan(U(f,t)/I(f,t)). 330.5) Es wird die momentane spektrale Leistung P(f,t) = U(f,t)*I(f,t) berechnet. 330.6) Es wird die Admittanz X(f,t) = I(f,t)/U(f,t) berech- net. In einem vierten Schritt 340 werden die berechneten Spektral- größen auf eine hin Anomalie analysiert. Dieser vierte Schritt 340 „Analysieren der berechneten Spektralgrößen“ kann folgende Schritte aufweisen: Bilden eines Feature-Vektors aus einer oder mehreren der zeitabhängigen Spektralgrößen; und Verwenden des gebildeten Feature-Vektors als Eingangswerte eines ML-Algorithmus, d. h. als Trainingsdaten oder als Test- daten. In einem fünften Schritt 350 wird, falls eine Anomalie fest- gestellt wird, die Anomalie gemeldet. Fig. 4 zeigt ein typisches MCSA-basiertes Amplitudenspektrum (Amplitude als Funktion der Frequenz) eines Stromsignals, vor (Kreuze) und nach der Signifikanzanalyse (durchgezogene Li- 202223006 15 nie). Dabei sind zur Reduktion des Rauschens der FFT-Merkmale die Amplituden der nicht-signifikanten Frequenzen auf 10-12 gesetzt. Weiterhin können die Amplituden der sogenannten Winding Har- monics, also der Harmonischen der Versorgungsfrequenz fsupply, als Merkmale ermittelt werden. Diese können einzeln oder als Tripel-WH (3n), positive WH (3n+1) oder negative WH (3n-1), als Harmonischen der Grundfrequenz berechnet werden. Alterna- tiv kann auch ein Klirrfaktor der Harmonischen in Bezug auf die Grundfrequenz der Versorgungsspannung ermittelt werden. Diese auf die Grundfrequenz normierten WH-Amplituden haben den Vorteil, dass sie in Ihrer Frequenzlage schlupfunabhängig sind, mithin eine Fehlerdetektion oder Anomalie Abweichung auf Basis dieser Merkmale weitgehend unabhängig vom Betriebs- punkt erfolgen kann. Fig. 5 zeigt den Klirrfaktor (THD = Total Harmonic Distorti- on) als lastabhängiges Merkmal für einen gut ausgerichteten Antriebsstrang „Healthy“ und zwei zunehmend schwerere Fehl- ausrichtungen „Misalign1“, „Misalign2“ als Funktion des Dreh- momentes (torque). Klirrfaktor und THD stehen für das Ver- hältnis von ungewollten harmonischen/nichtlinearen Verzerrun- gen zum Originalsignal. THD der Zustände sind trennbar, da die Streubreiten oder Varianz zu jedem Torque kleiner ist als der Abstand der benachbarten Zustände, jedoch lastabhängig; es wären ansteigende Trenngeraden, die man einbeschreiben würde. Fig. 6 zeigt Triple Winding Harmonics als Funktion des Dreh- momentes (torque). In dem Phasenwinkel φab zwischen Stromkom- ponenten sind die Triple Winding Harmonics ab ca. 10 Nm als weitgehend lastunabhängiges Merkmal (es zeigen sich lediglich geringe Änderungen über dem Torque (Last)) für einen gut aus- gerichteten Antriebsstrang „Healthy“ und zwei zunehmend schwerere Fehlausrichtungen „Misalign1“, „Misalign2“ als Funktion des Drehmomentes zu erkennen. Insbesondere die Werte der schweren Fehlausrichtung "Misalign2" liegen ab ca. 10 Nm 202223006 16 über den beiden anderen Zuständen, und dies ohne einen merk- lichen Anstieg mit dem Lastniveau. Das Merkmal Triple Winding Harmonics kann daher unabhängig von der genauen Last als ein Merkmal zur Unterscheidung dienen. Fig. 7 zeigt eine Auftragung der positiven, negativen und triplen WH-Amplituden des Stromes für 7 verschiedene Laststu- fen, wobei die Last zunächst stufenweise zur jeweils nächst- höheren Stufe ansteigt und danach stufenweise zur jeweils nächstniedrigeren Stufe wieder abnimmt. Dabei gibt die Kurve A0 die Amplitude bei Netzfrequenz 50 Hz an. Die Auftragung zeigt, dass insbesondere die triplen WH-Amplituden weitgehend lastunabhängig sind. Folglich zeigen auch die aus den triplen WH-Amplituden abgeleiteten Größen nur eine geringe Lastabhän- gigkeit, so dass sie, falls eine vorherige Bestimmung des ge- nauen Lastzustandes nicht erfolgt ist, als Merkmale zur De- tektion von Fehlern bevorzugt einsetzbar sind. Fig. 8A und 8B zeigen beispielhafte Auswertungen zweier un- terschiedlicher Asynchronmotoren, die mit Wellenkupplungen mit Lasten verbunden sind. Fig. 8A betrifft einen Asynchron- motor mit einer Polpaarzahl p=1 und einer Rotorstabzahl R=20. Fig. 8B betrifft einen Asynchronmotor mit einer Polpaarzahl p=2 und einer Rotorstabzahl R=28. Betrachtet wird jeweils ein Gut-Zustand (OK) mit idealer Ausrichtung im Vergleich zu zwei Zuständen mit zunehmend schwereren Fehlausrichtungen (ALGN1, ALGN2). Dabei werden jeweils die jeweiligen Strom-Spektren (samples über frequency) sowie die ermittelbaren Konfidenz- matrizen (Predicted label vs. True label) unter Heranziehen des „Labels“ (Supervised learning) für a) Strom-Amplituden („Currents“) und b) Spannungs-Amplituden („Voltage“) darge- stellt. Die Konfidenzmatrizen unter Ausnutzung des Spektral- typs Spannung zeigen nahezu perfekte Klassifizierbarkeit. Fig. 9A, 9B und 9C zeigt Konfidenzmatrizen eines beispielhaf- ten Supervised Klassifikators für unterschiedlich schwer ge- schädigte Kugellager (True label und Predicted label jeweils von 0 = OK = „Gutzustand“ bis 9 = „end of life“) für ver- 202223006 17 schieden Spektrumstypen. Fig. 9A mit dem Spektrumstyp „FFT Stromspektrum I_Spec“ zeigt eine Konfidenzmatrix, die den Strom I(f,t) betrifft. Fig. 9B mit dem Spektrumstyp „FFT Pha- se Iα, Iβ“ zeigt eine Konfidenzmatrix, die den Phasenwinkel φab(f,t) zwischen Stromkomponenten betrifft. Fig. 9C mit Spektrumstyp "Best Accuracy Spec" zeigt eine Konfidenzmatrix, die „alle“ verfügbaren Spektraltypen 1) bis 6) nutzt, die im Folgenden aufgezählt werden: 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 zwischen Stromkomponenten: φab(f,t) = arctan(Ia/Ib) 4) Phasenwinkel φUI 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) Es zeigen sich von 9A bis 9C zunehmend bessere Trennbarkei- ten, und die Gesamt-Genauigkeit der Klassifikation steigt von 85.1% auf 93.6% bzw. 95.9% an. Fig. 10A, 10B und 10C zeigen Spektraltypen für verschieden eingestellte Wellenausrichtungs-Zustände (OK = Gute Wellen- ausrichtung = „Gutzustand“; ALGN = Fehlausrichtung). Fig. 10A zeigt den Spektraltyp Strom-Amplitude I(f,t). Fig. 10A zeigt den Spektraltyp Admittanz X(f,t). Fig. 10A zeigt den Spekt- raltyp Phasenwinkel φab(f,t). Innerhalb jedes Zustandes nimmt die Last in Stufen zwischen 0 % und 120 % Nennlast zu. Die hauptsächliche Fehlerfrequenz liegt bei ca. 175 Hz (schlupfabhängig) - siehe umrandeter Bereich. Hierbei ist im Zustand OK1 eine Spannungs-Störung mit 10 Hz überlagert. Die Spannungsstörung ist im X- und im Phasen-Spektrumstyp unter- drückt und kaum mess- bzw. sichtbar. Ein besonderer Vorteil ist, dass für kleine Lasten (in jedem Zustandsblock links) somit eine bessere Trennbarkeit erzielt wird. Für größere Lasten weicht die 175 Hz-Störlinie von der 202223006 18 schlupfbehafteten Fehlerfrequenz ohnehin zunehmend ab. Vor- teil: Die Frequenzauflösung für den X- und Phasen- Spektrumstyp kann größer gewählt werden, und ein Anomalie- Detektor würde die Störlinien nicht als fälschliche Eigen- schaft des Gutfalls anlernen, da nicht messbar vorhanden. Fig. 11 zeigt beispielhafte Anomalie-Detektor-Ergebnisse für die Detektion von Fehlausrichtungen (oben: DatenScenario = 2 mit Ausrichtfehlzuständen siehe Fig 8A; unten: DataScenario = 3 mit Ausrichtfehlzuständen siehe Fig 8B), wobei ausschließ- lich die WH-Strom-Amplituden („WHonly“) in der Lern- und De- tektionsphase herangezogen werden. Vorteil hier: keine Schlupfabhängigkeit der auszuwertenden Spektrallinien. Die Frequenzauflösung kann größer sein, es können dynamischere Antriebe qualifiziert werden und es ist nur ein signifikant reduzierter Rechenaufwand notwendig. Die Auswertung nur der WH-Frequenzen kann auch in einem oder mehreren anderen Spekt- raltypen vorteilhaft Anwendung finden. Fig. 12 zeigt den Spektrumstyp Phasenwinkel zwischen Strom- komponenten φab(f,t) der triplen WH bei 450 Hz für ein Bro- ken-Bar-Szenario für die Zustände OK, BB1, BB1.5 und BB2 (OK=Gutzustand; BB= Broken Bar; BB1 = ein Rotorstab des Mo- tors getrennt; BB1.5 = ein Rotorstab des Motors getrennt, ein zweiter Rotorstab des Motors zum Teil getrennt; BB2 = zwei Rotorstäbe des Motors getrennt). Dabei nimmt innerhalb jedes Zustandes die Motorlast von links nach rechts zu. Die rein elektrisch veränderten Verhältnisse des Rotors, durch Abtren- nung von ein bis zwei Rotorstäben, ergeben eine deutlich ge- änderte Phasenlage der triplen WH von ca. 50° auf 25°.

Claims

202223006 19 Patentansprüche 1. Verfahren zur Zustandsdiagnose eines Asynchronmotors (M), an dem eine dreiphasige Spannung UR,S,T(t) mit einer Versor- gungsfrequenz (fU) anliegt, mit folgenden Schritten: a) Erfassen einer Spannungs-Zeitreihe (Ut) der Spannung UR,S,T(t) und einer Strom-Zeitreihe (It) eines dreiphasigen Mo- torstroms IR,S,T(t), welcher aufgrund der am Asynchronmotor (M) anliegenden Spannung UR,S,T(t) durch den Asynchronmotor (M) 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 zwischen Stromkomponenten φab(f,t) = ar- ctan(Ia/Ib) 4) Phasenwinkel zwischen Strom- und Spannungskomponenten 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) d) Analysieren der berechneten Spektralgrößen auf eine Anoma- lie; und e) bei einer Feststellung einer Anomalie, Melden der Anoma- lie. 2. Verfahren nach Anspruch 1, mit folgendem Schritt: Normieren der Amplituden der berechneten Spektralgrößen auf die Amplitude bei der Versorgungsfrequenz. 3. Verfahren nach einem der vorhergehenden Ansprüche, mit folgendem Schritt: 202223006 20 Ermitteln der Spektralgrößen mit einer Frequenzauflösung im Bereich bis ca. 0,01 bis 5 Hz, vorzugsweise mit 1 Hz, und ei- ner Zeitauflösung von ca. 1 s. 4. Verfahren nach einem der vorhergehenden Ansprüche, mit folgenden Schritten: Ermitteln der Amplituden des Stroms und/ oder der Spektral- größen auf den theoretischen Frequenzen nach Ermittlung des Schlupfes s aus PSH-Frequenzen unter Kenntnis der Rotorstab- zahl R und Verwenden der ermittelten Amplituden als Merkmal- satz. 5. Verfahren nach einem der vorhergehenden Ansprüche, mit folgendem Schritt: Verwenden der Amplituden des Stroms und/ oder der Spektral- größen auf allen Frequenzen als Merkmalsatz. 6. Verfahren nach einem der vorhergehenden Ansprüche, mit folgendem Schritt: Darstellen nur derjenigen Merkmale mit der gemessenen Amplitude, welche sich signifikant von dem jeweiligen Rausch- untergrund abheben. 7. Verfahren nach einem der vorhergehenden Ansprüche, mit folgendem Schritt: Ermitteln der Amplituden der Winding Harmonics, also den Har- monischen der Versorgungsfrequenz fsupply, als Merkmalsatz.
EP24702229.6A 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines asynchronmotors Pending EP4646603A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023202107.2A DE102023202107A1 (de) 2023-03-09 2023-03-09 Verfahren zur Zustandsdiagnose eines Asynchronmotors
PCT/EP2024/050291 WO2024183966A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines asynchronmotors

Publications (1)

Publication Number Publication Date
EP4646603A1 true EP4646603A1 (de) 2025-11-12

Family

ID=89766983

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24702229.6A Pending EP4646603A1 (de) 2023-03-09 2024-01-08 Verfahren zur zustandsdiagnose eines asynchronmotors

Country Status (4)

Country Link
EP (1) EP4646603A1 (de)
CN (1) CN120752541A (de)
DE (1) DE102023202107A1 (de)
WO (1) WO2024183966A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
LU508341B1 (de) * 2024-09-24 2026-03-24 Siemens Ag Verfahren zur Überwachung und/oder Analyse des Zustands eines Antriebssystems
CN120863351B (zh) * 2025-09-26 2025-12-09 湖南工程学院 一种用于工程车辆电机运行状态的健康评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1183686A (ja) * 1997-09-01 1999-03-26 Nippon Steel Corp 機械設備の異常診断方法およびその装置
DE102009014333A1 (de) * 2009-03-21 2010-09-30 A. Eberle Gmbh & Co. Kg Einrichtung zur Überwachung von Stufenschaltern
US20200341063A1 (en) * 2012-06-08 2020-10-29 Schneider Electric USA, Inc. Systems and methods for analyzing operation of motors
CN106841949B (zh) * 2017-03-09 2020-01-10 杭州安脉盛智能技术有限公司 三相异步交流电机定子绝缘在线监测方法和装置
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质
EP3961230A1 (de) 2020-08-28 2022-03-02 Siemens Aktiengesellschaft Maschinenzustandsüberwachungsverfahren und -system

Also Published As

Publication number Publication date
DE102023202107A1 (de) 2024-09-12
WO2024183966A1 (de) 2024-09-12
CN120752541A (zh) 2025-10-03

Similar Documents

Publication Publication Date Title
DE112017007953T5 (de) Anomalie-diagnoseeinrichtung, anomalie-diagnoseverfahren und anomalie-diagnosesystem
WO2024183966A1 (de) Verfahren zur zustandsdiagnose eines asynchronmotors
DE112020002224T5 (de) Verfahren zum schätzen eines lagerdefekt-schweregrads für induktionsmotoren
DE102016102328B4 (de) System zur Diagnose von Anomalien, Diagnoseverfahren und -vorrichtung
EP2041591B1 (de) Verfahren und vorrichtung zur detektion von interlaminaren kurzschlüssen
DE112019007189T5 (de) Anomaliediagnosevorrichtung für Elektromotorausrüstungen, Anomaliediagnoseverfahren für Elektromotorausrüstungen und Anomaliediagnosesystem für Elektromotorausrüstungen
Gangsar et al. Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions
Bacha et al. Induction machine fault detection using stray flux EMF measurement and neural network-based decision
DE112017005650T5 (de) Anomalie-diagnoseeinrichtung für kraftübertragungsmechanismus und anomalie-diagnoseverfahren für kraftübertragungsmechanismus
EP3961230A1 (de) Maschinenzustandsüberwachungsverfahren und -system
Pineda-Sanchez et al. Transient motor current signature analysis via modulus of the continuous complex wavelet: A pattern approach
EP2204660A1 (de) Vorrichtung und Verfarhren zum Bestimmen von Teilentladungen an einer elektrischen Komponente
EP3967988B1 (de) Verfahren zum betreiben eines magnetisch-induktiven durchflussmessgeräts und entsprechendes magnetisch-induktives durchflussmessgerät
DE102009038011A1 (de) Verfahren zur automatischen Erfassung und Erkennung von Fehlern an einer Auswuchtmaschine
Abdi Monfared et al. Diagnosis of rotor broken bars faults in squirrel cage induction motor using continuous wavelet transform
DE112020007771T5 (de) Elektromotordiagnoseeinrichtung
DE112020007232T5 (de) Motor-diagnosevorrichtung
Choudhary et al. Fault diagnosis of induction motor under varying operating condition
DE102018127457A1 (de) Vorrichtung und Verfahren zur Zustandsüberwachung einer elektrischen Maschine
Pilloni et al. Fault detection in induction motors
Zhu et al. An approach to detect broken rotor bars based on instantaneous frequency of the fault characteristic harmonic during the start-up transient
Brigham et al. Simplified automatic fault detection in wind turbine induction generators
de Sena et al. Fuzzy diagnostics for gearbox failures based on induction motor current and wavelet entropy
DE112004002642B4 (de) Plausibilitätsprüfung eines elektrischen Drei-Phasen-Systems
EP3985377A1 (de) Verfahren zur fehlererkennung bei einem antrieb

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