EP4646604A1 - Verfahren zum generieren einer self-organizing map - Google Patents

Verfahren zum generieren einer self-organizing map

Info

Publication number
EP4646604A1
EP4646604A1 EP24702231.2A EP24702231A EP4646604A1 EP 4646604 A1 EP4646604 A1 EP 4646604A1 EP 24702231 A EP24702231 A EP 24702231A EP 4646604 A1 EP4646604 A1 EP 4646604A1
Authority
EP
European Patent Office
Prior art keywords
asynchronous motor
anomaly
training
slip
som
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
EP24702231.2A
Other languages
English (en)
French (fr)
Inventor
Klaus Behringer
Julian Busch
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 EP4646604A1 publication Critical patent/EP4646604A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Definitions

  • the invention relates to a method, preferably a computer-implemented method, and a device for monitoring the condition of an asynchronous motor. 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.
  • MCSA motor current signature analysis
  • FFT fast Fourier transformation
  • An extension of the MCSA is the analysis with short-time FFTs or wavelets in order to analyze processes in a time-resolved manner.
  • the asynchronous motors work according to the principle of electromagnetic induction, i.e. 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 coincide exactly), broken rotor bars, defective bearings or misalignment change or modulate the amplitudes to frequencies characteristic of the faults with a constant slip. Due to the change in the amplitudes of these characteristic frequencies in the frequency spectrum, motor faults can be detected using MCSA.
  • the fault frequencies themselves are slip-dependent, i.e. a change in the slip changes the frequency position of the fault frequencies.
  • a high frequency resolution has been required for high-quality MCSA.
  • this requires long recording times, which leads to large feature vectors and quickly to the "curse of dimensionality".
  • the monitored system must remain quasi-stationary, which is hardly possible in reality.
  • One object of the present invention is improved condition monitoring of an asynchronous motor. This object is achieved according to the invention by a method with the features specified in claim 1.
  • training vectors for generating the SOM are each formed from a time series I(1...T) of current values I t of a current I which flows through the asynchronous motor due to the supply voltage U applied to the asynchronous motor, while the asynchronous motor (M) is in a good condition.
  • a training vector is a feature vector that is used to train the anomaly detector.
  • the method according to the invention is used to generate a SOM for monitoring the condition of an asynchronous motor.
  • the asynchronous motor is operated on an electrical power grid, which supplies the asynchronous motor with a supply voltage.
  • the electrical power grid can be a single-phase or multi-phase power grid, designed as an island network or as part of an interconnected network. In addition to the electric motor in question, the power grid can supply one or more other electrical loads with electrical energy.
  • the voltage in the power grid can be provided by one or more generators and/or by one or more batteries.
  • Self-organizing maps like most artificial neural networks, work in two modes: training and mapping. In training mode, an input data set (“input space”), here: the training vectors, is used to generate a map (“map space”) as a lower-dimensional representation of the input data. In mapping mode, additional input data is classified using the generated map. The goal of training is to represent a p-dimensional "input space", i.e.
  • a "map space” consists of components called nodes or neurons, arranged on a preferably hexagonal or rectangular grid with preferably two dimensions. The number of nodes and their position on the grid are determined in advance based on the goal pursued by analyzing and investigating 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, between the weight vector and the input data is minimized. without destroying the topology generated by the "map space".
  • the SOM generated in this way can be used to classify further "input space" vectors, i.e. observations in the "input space", here: time series of current values, by identifying the node whose weight vector is closest to the "input space” vector, i.e. has the smallest distance metric, e.g. the Euclidean distance.
  • the mostly discrete variable t is time, with the values t representing points in time or time intervals.
  • the object of the invention defined above is also achieved according to the invention by a method with the features specified in claim 3.
  • the method according to the invention is used to monitor the condition of an asynchronous motor and uses a SOM that was generated as described above.
  • the method according to the invention for condition monitoring has a step in which a time series I(1...T) of T current values of a current I that flows through the asynchronous motor due to the supply voltage applied to the asynchronous motor is recorded.
  • the method according to the invention for condition monitoring also has a step in which a slip value s i of the slip of the asynchronous motor is determined that the asynchronous motor has during the recording of the said time series I(1...T).
  • the method according to the invention for condition monitoring also has a step in which a feature vector Fx is generated from the current values of the recorded time series I(1...T) if the determined slip value s i , with a predetermined tolerance, was already present when generating one of the training vectors F ⁇ of the SOM.
  • the method for condition monitoring according to the invention also comprises a step in which a neuron N xy of said SOM and a neuron N xy assigned weight vector G xy .
  • the inventive method for condition monitoring also has a step in which an anomaly of the asynchronous motor is determined if the quantization error Ex exceeds a fixed threshold value E Threshold : Ex > E Threshold .
  • the inventive method for condition monitoring also has a step in which the anomaly is reported if an anomaly is determined.
  • the invention relates to an anomaly detection based on an unsupervised learning method. In the first part of a training phase, a so-called recording phase, an asynchronous motor is operated for a limited period of time in a "good state", i.e. in error-free operation, during which measured values, e.g. measured values of the current intensity of the current flowing through the motor windings, are recorded and training vectors are generated from them which describe this "good state".
  • a test phase also known as the detection phase, of the anomaly detector is activated, ie from this point onwards the anomaly detector monitors the asynchronous motor for operating states that deviate from the learned "good state" of the asynchronous motor and reports these to an operator.
  • the following phases are run through one after the other: 1. Training phase 1.1.
  • An anomaly detector such as that in the present invention can be trained “unsupervised”, ie exclusively with “good” data.
  • the "classic” MCSA ie a frequency analysis, uses discrete frequencies that result from the physical properties of the motor. Errors such as misalignment change the physical properties of the motor only to a very small extent (“eccentricity"), so that such an error is very difficult to detect.
  • a time domain analysis such as that in the present invention, on the other hand, can also reliably detect such errors.
  • a high-quality "classic" MCSA ie a frequency analysis, a high frequency resolution is required. However, this requires long recording times during which the system must remain stationary.
  • a time series I(1...T) of T current values I t of a current I is obtained, which flows through the asynchronous motor due to the supply voltage U applied to the asynchronous motor, while the asynchronous motor is in a good condition and the slip s of the asynchronous motor is in a predetermined slip tolerance band (- ⁇ s lo ; + ⁇ s hi ) around a slip value s i .
  • the slip s is therefore in the value interval [s i - ⁇ s lo ; s i + ⁇ s hi ].
  • a training vector F ⁇ with T vector elements is formed, where the T vector elements are formed by the T current values I t of the recorded time series I(1...T) and the training vector F ⁇ is assigned the slip value s i .
  • the two aforementioned steps are repeated once or several times with different slip values to obtain a group of training vectors as a training data set.
  • a matrix of X times Y neurons N xy is generated, where each of the neurons N xy is assigned a weight vector G xy of length T.
  • a neuron N xy is assigned those training vectors F ⁇ ,xy from the training data set whose vectorial distance ⁇ (F ⁇ ;N xy ) to the weight vector G xy of the neuron N xy does not exceed a predetermined distance limit value ⁇ max. And the weight vectors G xy of the neurons N xy are adjusted in such a way that the vectorial distance ⁇ (G;F ⁇ ,xy) of a weight vector G xy assigned to a neuron N xy to the training vectors F ⁇ ,xy assigned to the neuron N xy is minimal.
  • the analysis and detection of an anomaly is carried out by at least one trained AI function of the anomaly detector.
  • the method therefore uses machine methods to detect an anomaly.
  • the current variations that occur in reality can be very diverse because there are practically an infinite number of different possibilities for the structure and elements of a power grid and a drive train. It can therefore be difficult to define all the criteria for when an anomaly exists in advance in such a comprehensive manner that it can be clearly determined for each possible current variation that occurs whether an anomaly exists or not.
  • An AI function is advantageous in that it can constantly learn and develop further; the AI function can therefore be able to apply learned criteria to current variations that occur in reality and that an operator had not even thought of beforehand.
  • the trained artificial intelligence function or AI function for short
  • function output data is generated which contains information on anomalies in an asynchronous motor.
  • the trained anomaly detection function is able to extract information on the quality of the operating state of an asynchronous motor from the measured time series of current values.
  • a training structure can, for example, B. include a network structure of neurons of a neural network and/or weights of connections between the neurons, which are formed through training in such a way that the criteria are met as well as possible.
  • a neural network abbreviated to NN, is trained to recognize an anomaly in an asynchronous motor using predetermined temporal current profiles.
  • properties of the current profile pattern must be described and mathematically mapped. The more precisely the pattern can be described and the more evaluable information is available, the more reliably the pattern recognition works.
  • the trained function is part of a pattern recognition device.
  • the pattern recognition device has one or more trainable functions, i.e. algorithms that can be carried out in the pattern recognition device's computing modules and that implement machine learning methods in order to optimize pattern recognition through training.
  • trainable functions can be trained using known standard machine learning methods to recognize temporal current curves specified in input files as accurately as possible.
  • the more training data, i.e. files that can be used for training, are available, the more successful training is.
  • the training data should cover as large a range of possible constellations of the asynchronous motor as possible.
  • the training of the neural network NN aims to enable it to recognize a motor abnormality.
  • a SOM algorithm is used to train the neural network NN.
  • a trained function imitates cognitive abilities that people associate with the minds of other people.
  • a trained function is able to adapt to new circumstances and to discover and extrapolate patterns through training on the basis of training data.
  • parameters of a trained function can be adapted through training, i.e. learning.
  • supervised learning, semi-supervised learning, unsupervised learning, reinforcement learning and/or active learning can be used for this. can be used.
  • Representation learning also known as “feature learning”
  • feature learning can also be used.
  • the parameters of the trained functions can be adapted iteratively through several training steps.
  • the present invention uses unsupervised learning.
  • feature data is determined from the measured current values and is used to train the anomaly detector. Determining feature data, e.g. a mean value, minimum values and/or maximum values, average values, expected value and variance of a distribution, from measured current measurement series is usually accompanied by a reduction in the amount of data, which considerably simplifies and speeds up data processing: instead of using the extensive measured current measurement series, the anomaly detector then only has to calculate with the feature data.
  • E Threshold E max is chosen, where E max is the maximum of all quantization errors E ⁇ of the group of training vectors F ⁇ that are used as a training data set.
  • the "anomaly limit” is thus formed as the maximum deviation of the "good” data. A measurement whose quantization error Ex exceeds the value E max is then classified as an anomaly.
  • E min is the minimum and E max is the maximum of all quantization errors E ⁇ of the group of training vectors F ⁇ used as a training data set
  • L is defined as a sensitivity level L ⁇ [-1, ... ,1], and where percentile(E ⁇ ,Train ,L) indicates the value for which the anomaly score for (100 * L) % of the training examples is smaller than this value.
  • Case 2 L > 0.
  • the system should be "more sensitive".
  • the parameters N and p are defined such that an anomaly in the asynchronous motor is detected if at least (100 * p)% of the last N time windows have been classified as anomalies by the anomaly detector, and otherwise the normal state of the motor is assumed.
  • a pointer representation is used for monitoring, with a pointer that can move along a scale showing the quantization error of the feature vector belonging to the current time window. The pointer moves dynamically with each incoming time window.
  • An additional limit value E Warning ⁇ E Threshold is defined: from which an increased anomaly value already exists, but which is not yet classified as faulty.
  • the "green area” is defined by the range of the "good data”; a higher anomaly indicates a motor problem, the larger the anomaly, the worse: yellow or red.
  • L>0 (E Threshold > E max ) and E Warning E Max are selected.
  • An additional limit value E Warning ⁇ E Threshold is therefore defined, which indicates the error from which an increased anomaly value already exists, but which is not yet classified as faulty. In this way, a warning area can be defined in which a user is warned of an impending anomaly.
  • Another aspect of the invention is a device for monitoring the condition of a drive train that has an asynchronous motor operated on an electrical power grid.
  • the device has sensors for detecting a current resulting from a voltage applied to the motor, which flows through the asynchronous motor.
  • the device has a first sensor unit for detecting a time series of current values of a current which flows through the asynchronous motor due to the supply voltage applied to the asynchronous motor.
  • the device has a second sensor unit for determining the slip value of the slip of the asynchronous motor which the asynchronous motor has during the detection of said time series.
  • the device also has an output unit for reporting the anomaly.
  • a further aspect of the invention is a computer program which comprises instructions which, when the program is executed on a computer, cause the device for monitoring the condition of an asynchronous motor to carry out the method for monitoring the condition of an asynchronous motor.
  • a further aspect of the invention is a computer program which comprises instructions which, when the program is executed on a computer, cause the computer to carry out the method according to the invention for generating an SOM.
  • FIG. 3 is a flow chart of an embodiment of the method according to the invention for generating a SOM for monitoring the condition of an asynchronous motor
  • Fig. 4 is a flow chart of an embodiment of the method according to the invention for monitoring the condition of an asynchronous motor
  • Fig. 5 is an embodiment of a SOM
  • Fig. 6 histograms of a quantization error for normal states and error states for a first case
  • Fig. 7 a confusion matrix of the anomaly detector
  • Fig. 8 histograms of a quantization error for normal states and error states for a second case
  • Fig. 9 a pointer instrument for dynamic monitoring of anomaly detection.
  • N A f A *T A .
  • the N A current measurement values recorded by the current sensor 14 are sent from the current sensor 14 to a computing unit 16.
  • the process steps for determining the slip s of the asynchronous motor M 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 measurement values. This software is executed by the processor 18.
  • Input values such as the number of neurons can be transferred to the computing unit 16 by an input/output unit 22 connected to the computing unit, e.g. a PC. After de- If an anomaly is detected, the computing unit 16 sends a corresponding message to the input/output unit 22.
  • 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.
  • further electrical loads 24 are connected to the power grid N.
  • Fig. 3 shows a flow chart of an embodiment of the method according to the invention for generating an SOM for monitoring the condition of an asynchronous motor M to which a supply voltage U is applied.
  • a first step 310 T current values I t of an electric current I flowing through the electric motor M are recorded, which current 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 state" of the motor. These current values I t are then used to train the anomaly detector.
  • the following aspects are very important here: - The system should record as many load states or slip values s i as possible in the slip value range [s min , ..., s N ].
  • Step 320 Generate a training vector F ⁇ from the current values I t of the recorded time series, to which a slip value s i of the slip s of the asynchronous motor is assigned.
  • Step 330 Repeat steps 310 and 320 with different slip values s i to obtain a group of training vectors ⁇ F ⁇ 1, F ⁇ 2, F ⁇ 3, ... ⁇ as a training data set.
  • Step 340 Generate a matrix of X times Y neurons, where each of the neurons is assigned a weight vector G of length T.
  • Step 350 Assign to a neuron those training vectors F ⁇ from the training data set whose vectorial distance to the neuron, more precisely: to the weight vector G of the neuron, does not exceed a predetermined distance limit.
  • Step 360 Adjust the weight vectors G of the neurons such that the distance of the weight vector G to the training vectors (F ⁇ ) assigned to a neuron is minimal.
  • the learning phase follows the recording phase.
  • Fig. 4 shows a flow chart of an embodiment of the method according to the invention for monitoring the condition of an asynchronous motor M, to which a supply voltage U is applied, using a SOM.
  • Step 410 Acquiring a time series I(1...T) of T current values of a current I, which is determined based on the voltage applied to the asynchronous motor.
  • motor M flows through the asynchronous motor M.
  • Step 420 Determine the slip value s i of the slip s of the asynchronous motor M that the asynchronous motor M has during the acquisition of the said time series I(1...T).
  • Step 430 If the determined slip value s i , with a predetermined slip tolerance band (- ⁇ s lo ; + ⁇ s hi ), was already available when generating one of the training vectors F ⁇ according to the method for generating the SOM, generate a feature vector Fx from the current values of the acquired time series I(1...T).
  • Step 440 Assign, to the feature vector Fx, a neuron Nx of the said SOM and a weight vector Gx assigned to the neuron Nx.
  • Step 450: Calculate a quantization error Ex for the feature vector Fx as Ex
  • Step 460 Determine an anomaly of the asynchronous motor M if the quantization error Ex exceeds a fixed threshold value E Threshold : Ex > E Threshold .
  • Fig. 5 shows four different SOMs.
  • a SOM is a 2-dimensional visualization spanned by an x-axis and a y-axis. The idea of the SOM is to create a grid of X * Y neurons N. Each neuron N contains a weight vector whose length is identical to the length of a feature vector. Determining the number of neurons (X * Y) is a compromise between the amount of data / computational effort on the one hand and the desired reliability of the anomaly detector on the other.
  • a parameter X is plotted on the x-axis and a parameter Y on the y-axis, with X and Y defining the size of the SOM map.
  • the product X*Y gives the number of neurons represented as honeycombs in the SOM.
  • the SOM maps show the unoccupied neuron combs or those with “good” or “error” values; a neuron comb can also be “double-occupied”. The darker a neuron comb, the greater the “distance” to the neighboring neuron comb.
  • the optimal solution is when as many neuron combs as possible are occupied and there is as little “double-occupancy” as possible.
  • Learning the SOM is an iterative process. In the initial state, the weight vectors contain random values. The learning process now takes place in such a way that similar training 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. depending on the application, e.g. B. the Euclidean distance, the cosine distance, or the Manhattan distance can be used. Since the number ⁇ of generated feature vectors F ⁇ is usually significantly larger than the number of neurons, a neuron represents many feature vectors.
  • each neuron was assigned training vectors F ⁇ . vectors.
  • the trained SOM then represents a compact representation of the training data distribution.
  • a function is required that assigns a degree to which the feature vector represents an anomaly to a feature vector F ⁇ .
  • E x
  • is calculated from these values.
  • E Threshold E max , ie the maximum quantization error during the training phase is used as the threshold. If the distance between the test vector and the corresponding weight vector is too large, an anomaly has occurred.
  • E Threshold E max , ie the maximum quantization error during the training phase is used as the threshold. If the distance between the test vector and the corresponding weight vector is too large, an anomaly has occurred.
  • E Threshold E max , ie the maximum quantization error during the
  • the data is labeled "good” and without hatching. It is clear that the errors are subject to an unknown distribution, but the maximum error is around 0.16, which also corresponds to the detection threshold.
  • - E ⁇ ,Test denotes the errors of the feature vectors generated during the test phase.
  • the data is labeled "anomaly” and hatched. Here, too, it is clear that the errors are subject to an unknown distribution, but all errors are > 0.6, so that the anomaly is clearly recognized for each state.
  • the histogram shows the number of candidates/scenarios for the respective anomaly.
  • Fig. 7 shows that a correspondingly good truth matrix, also known as a confusion matrix, results for the anomaly detector.
  • Fig. 8 shows a histogram representation analogous to that in Fig. 6 for an application in which an error leads to only very small changes in the current signal. Training and testing was carried out with 900 "good” vectors and testing was carried out with a further 1800 "anomaly” vectors. Since the “good” and “anomaly” histograms cannot be completely separated, two possible types of misclassifications by the anomaly detector arise: - False Positive: The anomaly detector recognizes a normal state as faulty. - False Negative: The anomaly detector recognizes an error state as normal.
  • Both types of error can be of varying importance in different applications. In certain applications it is necessary to generate as few false alarms (false positives) as possible, since, for example, every alarm would lead to a manual inspection of the machine and would generate correspondingly high costs. In other applications, it is more important to indicate a problem as early as possible in order to be able to plan for a failure as far in advance as possible. In order to be able to guarantee the configurability of the anomaly detector in terms of reliability, a fixed threshold value for the detection of an anomaly is first determined. A sensible threshold value should be within a certain interval around E max . A smaller value leads to a higher sensitivity of the anomaly detector, ie more alarms and thus potentially more false alarms are produced.
  • a higher threshold leads to fewer alarms and thus potentially fewer false alarms, but also a potentially lower detection rate.
  • the user of the system first defines a "sensitivity level" L ⁇ [-1, ... , 1].
  • the threshold is then calculated as where returns the value for which the anomaly score for (100 * L) % of the training examples is smaller than this value.
  • L 0.
  • This value leads to a threshold value
  • E Threshold E max .
  • the maximum error during training defines i.e. the threshold for anomaly detection (as described above).
  • Case 2 L > 0.
  • Case 3 L ⁇ 0.
  • the system should be "less sensitive”. For this, a value between -1 and 0 is set so that a threshold E Threshold > E max can be achieved.
  • Fig. 9 shows a "pointer instrument" that can be used to monitor the system.
  • the "pointer instrument” can be used on a monitor, on the web, or on a cell phone.
  • the quantization error of the feature vector belonging to the current time window is shown on the axis 81 with the pointer 80.
  • the pointer 80 moves dynamically with each incoming time window.
  • the left area 82 (“green area”) would then correspond to the error range of the training data.
  • the pointer 80 moves to the middle area 83 (“warning area”).
  • the pointer 80 moves to the right area 84 (“red area”) as soon as the threshold value E Threshold is exceeded. If E Threshold is exceeded sufficiently often (see above), an alarm is also issued.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Generieren einer Self-Organizing Map (= SOM) zur Zustandsüberwachung eines Asynchronmotors (M), an dem eine Speisespannung U anliegt, wobei mehrere Trainings-Vektoren zum Generieren der SOM jeweils aus einer Zeitreihe I(1...T) von Stromwerten It eines Stroms I, welcher aufgrund der am Asynchronmotor (M) anliegenden Speisespannung U durch den Asynchronmotor (M) fließt, während sich der Asynchronmotor (M) in einem Gutzustand befindet, gebildet werden.

Description

Beschreibung Verfahren zum Generieren einer Self-Organizing Map Die Erfindung betrifft ein Verfahren zum Generieren einer Self-Organizing Map (= SOM) zur Zustandsüberwachung eines Asynchronmotors. Die Erfindung betrifft ein Verfahren, vor- zugsweise ein computerimplementiertes Verfahren, und eine Vorrichtung 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“). Eine bekannte Methode zum Condition Monitoring von Elektromo- toren ist die sog. Motorstromsignaturanalyse (= MCSA; engl.: Motor Current Signature Analysis), siehe z. B. EP3961230A1 (Siemens AG) 02.03.2022. Die Idee dahinter ist, die Ströme in den Zuleitungskabeln eines elektrischen Motors bzw. die elektrische Spannung an einem Anschlusspunkt zu messen. Diese Messwerte werden anschließend analysiert. Beispielweise ver- wendet man die Schnelle Fourier-Transformation (= FFT; engl.: Fast Fourier Transformation), um Fehler und Betriebszustände des Motors im Frequenzbereich zu detektieren bzw. zu quanti- fizieren. 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. Die Asynchronmotoren arbeiten nach dem Prinzip der elektro- magnetischen Induktion, d. h. Wechselwirkungen zwischen Strö- men bzw. Magnetfeldern im Stator und Rotor erzeugen ein Dreh- moment, welches die Rotorwelle antreibt. Motorfehler wie Ex- zentrizität, insbesondere Luftspalt-Exzentrizität (wenn die Rotationsachsen von Stator und Rotor des Motors nicht exakt zusammenfallen), gebrochene Rotorstäbe, defekte Lager oder Fehlausrichtung verändern bzw. modulieren bei einem konstan- ten Schlupf die Amplituden auf für die Fehler charakteristi- schen Frequenzen. Aufgrund der Veränderung der Amplituden dieser charakteristischen Frequenzen im Frequenzspektrum kön- nen also Motorfehler mittels MCSA erkannt werden. Die Fehler- frequenzen ihrerseits sind schlupfabhängig, d. h. eine Ände- rung des Schlupfes ändert die Frequenzlage der Fehlerfrequen- zen. Bislang ist für eine hochqualitative MCSA eine hohe Fre- quenzauflösung erforderlich. Dies erfordert allerdings lange Aufzeichnungszeiten, was zu großen Feature-Vektoren und schnell zum „Fluch der Dimensionalität“ führt. Außerdem muss für eine hochqualitative MCSA das überwachte System quasista- tionär bleiben, was in der Realität jedoch kaum zu erfüllen ist. Eine Aufgabe der vorliegenden Erfindung ist eine verbesserte Zustandsüberwachung eines Asynchronmotors. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den in Anspruch 1 angegebenen Merkmalen gelöst. Gemäß dem Verfahren zum Generieren einer SOM zur Zustandsüberwachung eines Asynchronmotors werden mehrere Trainings-Vektoren zum Generieren der SOM jeweils aus einer Zeitreihe I(1...T) von Stromwerten It eines Stroms I, welcher aufgrund der am Asyn- chronmotor anliegenden Speisespannung U durch den Asynchron- motor fließt, gebildet, während sich der Asynchronmotor (M) in einem Gutzustand befindet. Ein Trainings-Vektor ist Fea- ture-Vektor, der für das Training der Anomalie-Detektors ver- wendet wird. Das erfindungsgemäße Verfahren dient zum Generieren einer SOM zur Zustandsüberwachung eines Asynchronmotors. Der Asynchron- motor wird an einem elektrischen Stromnetz betrieben, welches dem Asynchronmotor eine Speisespannung liefert. Das elektri- sche Stromnetz kann ein ein– oder mehrphasiges Stromnetz, ausgebildet als ein Inselnetz oder als ein Teil eines Ver- bundnetzes, sein. Das Stromnetz kann, außer dem betrachteten Elektromotor, noch ein oder mehrere weitere elektrische Las- ten mit elektrischer Energie versorgen. Die Spannung im Stromnetz kann durch einen oder mehrere Generatoren und/oder durch eine oder mehrere Batterien bereitgestellt werden. Selbstorganisierende Karten (engl.: Self-organizing maps, ab- gekürzt: SOM) arbeiten, wie die meisten künstlichen neurona- len Netze, in zwei Moden: Training und Mapping. Im Training- Modus wird ein Eingabe-Datensatz ("input space"), hier: die Trainings-Vektoren, verwendet, um als eine niedriger- dimensionale Darstellungsweise der Eingabedaten eine Karte zu generieren ("map space"). Im Mapping-Modus werden zusätzliche Eingabedaten mithilfe der generierten Karte klassifiziert. 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 vorzugsweise hexagonalen oder rechtwinkligen Gitter mit vor- zugsweise 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. Nach dem Abschluss der Trainingsphase kann die auf diese Wei- se generierte SOM dazu verwendet werden, weitere "input 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. Eine Zeitreihe y ist eine Folge von T Beobachtungswerten yt mit t = 1,2,...,T und einer natürlichen Ordnung dergestalt, dass die Werte in der Reihenfolge y1, y2,... beobachtet wurden. Die meist diskrete Variable t ist die Zeit, wobei die Werte t Zeitpunkte oder Zeitintervalle darstellen. Die oben definierte Aufgabe der Erfindung wird erfindungsge- mäß außerdem durch ein Verfahren mit den in Anspruch 3 ange- gebenen Merkmalen gelöst. Das erfindungsgemäße Verfahren dient zur Zustandsüberwachung eines Asynchronmotors und ver- wendet eine SOM, die wie oben beschrieben generiert wurde. Das erfindungsgemäße Verfahren zur Zustandsüberwachung weist einen Schritt auf, in dem eine Zeitreihe I(1...T) von T Stromwerten eines Stroms I, welcher aufgrund der am Asyn- chronmotor anliegenden Speisespannung durch den Asynchronmo- tor fließt, erfasst wird. Das erfindungsgemäße Verfahren zur Zustandsüberwachung weist außerdem einen Schritt auf, in dem ein Schlupfwert si des Schlupfs des Asynchronmotors ermittelt wird, den der Asynchronmotor während der Erfassung der besag- ten Zeitreihe I(1...T) aufweist. Das erfindungsgemäße Verfah- ren zur Zustandsüberwachung weist außerdem einen Schritt auf, in dem aus den Stromwerten der erfassten Zeitreihe I(1...T) ein Feature-Vektor Fx generiert wird, falls der ermittelte Schlupfwert si, mit einer vorgegebenen Toleranz, bereits beim Generieren eines der Trainings-Vektoren Fν der SOM vorlag. Das erfindungsgemäße Verfahren zur Zustandsüberwachung weist außerdem einen Schritt auf, in dem dem Feature-Vektor Fx ein Neuron Nxy der besagten SOM und ein dem besagten Neuron Nxy zugeordneter Gewichtsvektor Gxy zugeordnet wird. Das erfin- dungsgemäße Verfahren zur Zustandsüberwachung weist außerdem einen Schritt auf, in dem ein Quantisierungs-Fehler Ex für den Feature-Vektor Fx als Ex = |Fx – Gx| berechnet wird. Das erfindungsgemäße Verfahren zur Zustandsüberwachung weist au- ßerdem einen Schritt auf, in dem eine Anomalie des Asynchron- motors festgestellt wird, falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwellwert EThreshold überschreitet: Ex > EThreshold. Das erfindungsgemäße Verfahren zur Zustandsüberwa- chung weist außerdem einen Schritt auf, in dem die Anomalie gemeldet wird, falls eine Anomalie festgestellt wird. Die Erfindung betrifft eine Anomaliedetektion, die auf einem unüberwachten Lernverfahren (engl.: unsupervised learning“) basiert. Dabei wird ein Asynchronmotor in einem ersten Teil einer Trainingsphase, einer sogenannten Aufzeichnungsphase, für einen begrenzten Zeitraum in einem „Gutzustand“, d. h. in einem fehlerfreien Betrieb, betrieben, wobei währenddessen Messwerte, z. B. Messwerte der Stromstärke des durch die Mo- torwicklungen fließenden Stroms, aufgezeichnet und daraus Trainings-Vektoren generiert werden, welche diesen „Gutzu- stand“ beschreiben. In einem zweiten Teil der Trainingsphase, einer sogenannten Lernphase, wird mit mehreren dieser Trai- nings-Vektoren ein Anomalie-Detektor (= AD) trainiert, d. h. der AD sieht nur den „Gutzustand“ des Asynchronmotors, kennt aber nicht den „Schlechtzustand“, d. h. einen fehlerhaften Betrieb, des Asynchronmotors. Nach Beendigung der Trainings- phase wird eine Testphase, auch als Detektionsphase bezeich- net, des Anomalie-Detektors aktiviert, d. h. ab diesem Zeit- punkt überwacht der Anomalie-Detektor den Asynchronmotor auf vom eingelernten „Gutzustand“ des Asynchronmotors abweichende Betriebszustände und meldet diese einem Betreiber. Im Detail werden also nacheinander folgende Phasen durchlaufen: 1. Trainingsphase 1.1. Aufzeichnungsphase (Generieren von Trainings- Vektoren des „Gutzustands“) 1.2. Lernphase (Einlernen des „Gutzustands“ des Asyn- chronmotors) 2. Testphase (Anomalie-Detektion) Als besonders geeignete Basis für eine derartige Anomaliede- tektion für Asynchronmotoren hat sich das Verfahren „Self- Organizing Map“, nach seinem Erfinder Prof. Teuvo Kohonen (1934 – 2021) auch als „Kohonen-Karte“ bezeichnet, erwiesen, welches durch Modifikationen zu einem Anomalie-Detektor er- weitert werden kann. Dafür werden Eingangswerte benötigt, die sogenannten „Trainings-Vektoren“, die aus den Eingangsdaten berechnet werden. Wie in der Theorie der MCSA beschrieben, ist das Frequenz- Spektrum des Motorstroms eines Asynchronmotors – und damit natürlich auch das Zeit-Signal des Motorstroms - in hohem Ma- ße abhängig vom Belastungszustand des Asynchronmotors, also vom Schlupf s des Asynchronmotors. Je nach Polpaarzahl und Anzahl der Rotorstäbe führen unterschiedliche Schlupfwerte si zu verschiedenen Modulations-Artefakten im Spektrum. Es wer- den folgende grundsätzliche Annahmen getroffen: • smin bezeichnet den minimalen Schlupf (= im Leerlauf). • sN bezeichnet den Schlupf bei Nennlast. • Trainings- und Testphase finden mit demselben oder einem identischen Asynchronmotor statt: dadurch ist sichergestellt, dass sich der Asynchronmotor nach der Trainingsphase nicht ändert - falls doch, muss der Anomalie-Detektor erneut ange- lernt werden. Bisher sind nur MCSA-Lösungen in Verbindung mit Supervised Learning bekannt. Zusätzlich verwendet die „klassische“ MCSA eine FFT. Die sich daraus ergebenden Nachteile und Probleme werden durch die vorliegende Erfindung gelöst: - Supervised Learning hat den Nachteil, dass sowohl mit „Gut“-Daten als auch mit „Schlecht“-Daten trainiert werden muss. In einer Kundenanlage ist eine Aufzeichnung von „Schlecht“-Daten, d. h. von Fehlerzuständen, für das Training meist nicht möglich, da hierzu ein Motor absichtlich beschä- digt werden müsste. Würde die Datenaufzeichnung beim Herstel- ler erfolgen, so müssten vom Hersteller Daten für eine Viel- zahl von verschiedenen Motoren geliefert werden. Außerdem würden die beim Hersteller aufgezeichneten Daten nicht die Einsatzumgebung beim Kunden berücksichtigen, was zu einer fehlerhaften Detektion führen könnte. Ein Anomalie-Detektor wie in der vorliegenden Erfindung kann hingegen „unsupervi- sed“ trainiert werden, d. h. ausschließlich mit „Gut“-Daten. - Die „klassische“ MCSA, d. h. eine Frequenzanalyse, verwen- det diskrete Frequenzen, die sich aus den physikalischen Ei- genschaften des Motors ergeben. Fehler wie z. B. eine Fehl- ausrichtung ändern die physikalischen Eigenschaften des Mo- tors nur in sehr geringem Maße („Exzentrizität“), sodass ein solcher Fehler nur sehr schwer erkannt werden kann. Eine Zeitbereichs-Analyse wie in der vorliegenden Erfindung hinge- gen kann auch derartige Fehler zuverlässig erkennen. - Für eine hochqualitative „klassische“ MCSA, d. h. eine Fre- quenzanalyse, ist eine hohe Frequenzauflösung erforderlich. Dies erfordert allerdings lange Aufzeichnungszeiten, in denen das System stationär bleiben muss. Außerdem ergeben sich sehr hoch-dimensionale Feature-Vektoren, was aufgrund des „Curse of Dimensionality“ die Performanz des Anomalie-Detektors be- einträchtigen würde. Mit einer Zeitbereichs-Analyse wie in der vorliegenden Erfindung werden diese Probleme umgangen. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Gemäß einer bevorzugten Ausgestaltung des Verfahrens zum Ge- nerieren einer SOM wird zunächst in einem ersten Schritt eine Zeitreihe I(1...T) von T Stromwerten It eines Stroms I erhal- ten, welcher aufgrund der am Asynchronmotor anliegenden Spei- sespannung U durch den Asynchronmotor fließt, während sich der Asynchronmotor in einem Gutzustand befindet und der Schlupf s des Asynchronmotors in einem vorgegebenen Schlupftoleranzband (-Δslo; +Δshi) um einen Schlupfwert si liegt. Der Schlupf s liegt also in dem Werteintervall [si - Δslo; si + Δshi]. Danach wird in einem zweiten Schritt ein Trainings-Vektor Fν mit T Vektorelementen gebildet, wobei die T Vektorelemente durch die T Stromwerte It der erfassten Zeitreihe I(1...T) gebildet werden und dem Trainings-Vektor Fν der Schlupfwert si zugeordnet wird. Es erfolgt ein ein- oder mehrmaliges Wiederholen der beiden besagten Schritte bei unterschiedlichen Schlupfwerten zur Gewinnung einer Gruppe von Trainings-Vektoren als ein Trainingsdatensatz. Es wird eine Matrix von X mal Y Neuronen Nxy erzeugt, wobei jedem der Neuronen Nxy jeweils ein Gewichtsvektor Gxy der Länge T zuge- ordnet wird. Einem Neuron Nxy werden diejenigen Trainings- Vektoren Fν,xy aus dem Trainingsdatensatz zugeordnet, deren vektorielle Distanz δ(Fν;Nxy) zu dem Gewichtsvektor Gxy des Neurons Nxy einen vorgegebenen Distanzgrenzwert δmax nicht überschreitet. Und die Gewichtsvektoren Gxy der Neuronen Nxy werden derart angepasst, dass jeweils die vektorielle Distanz δ(G;Fν,xy) eines einem Neuron Nxy zugeordneten Gewichtsvek- tors Gxy zu den dem Neuron Nxy zugeordneten Trainings-Vektoren Fν,xy minimal ist. Gemäß einer bevorzugten Ausgestaltung des Verfahrens zur Zu- standsüberwachung eines Asynchronmotors erfolgt das Analysie- ren und das Feststellen einer Anomalie durch zumindest eine trainierte KI-Funktion des Anomalie-Detektors. Das Verfahren bedient sich also maschineller Methoden, um eine Anomalie zu detektieren. Die in der Realität auftretenden Stromvariatio- nen können eine große Vielfalt aufweisen, weil es für den Aufbau und die Elemente eines Stromnetzes sowie eines An- triebsstrangs praktisch unendlich viele unterschiedliche Mög- lichkeiten gibt. Daher kann es also schwierig sein, alle Kri- terien, wann eine Anomalie vorliegt, bereits im Vorfeld so umfänglich zu definieren, dass für jede mögliche auftretende Stromvariation eindeutig festgestellt werden kann, ob eine Anomalie vorliegt oder nicht. Eine KI-Funktion ist insofern vorteilhaft, als sie ständig lernen und sich weiterentwickeln kann; die KI-Funktion kann also in der Lage sein, für in der Realität auftretende Stromvariationen, an die ein Bediener im Vorfeld gar nicht gedacht hat, gelernte Kriterien anzuwenden, die eine Klassifizierung erlauben, ob eine Anomalie vorliegt oder nicht. Durch die Anwendung der trainierten Funktion zur künstlichen Intelligenz, kurz: KI-Funktion, auf die gemessenen Zeitreihen von Stromwerten werden Funktionsausgabedaten erzeugt, welche Informationen zu Anomalien eines Asynchronmotors beinhalten. Die trainierte Funktion zur Anomalieerkennung ist in der La- ge, aus den gemessenen Zeitreihen von Stromwerten Informatio- nen hinsichtlich der Qualität des Betriebszustandes eines Asynchronmotors zu extrahieren. Die trainierte Funktion ist eine Funktion, die durch einen ML-Algorithmus trainiert wird (ML = Maschinelles Lernen; engl.: Machine Learning). Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingangsparametern eines parametrisierten Systemmodells, z. B. eines neuronalen Net- zes, auf einen oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu er- lernenden Kriterien während einer Trainingsphase optimiert. Als Kriterien können z. B. bei Mustererkennungsmodellen ein Prozentsatz von erfolgreich erkannten Mustern herangezogen werden. Eine Trainingsstruktur kann z. B. eine Vernetzungs- struktur von Neuronen eines neuronalen Netzes und/oder Ge- wichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die Kriterien möglichst gut erfüllt werden. Im vorliegenden Ausführungsbeispiel wird ein neuronales Netz, abgekürzt als NN bezeichnet, anhand von vorgegebenen zeitli- chen Stromverläufen darauf trainiert, eine Anomalie eines Asynchronmotors zu erkennen. Um ein bestimmtes Stromverlaufs- Muster von anderen Stromverlaufs-Mustern unterscheiden zu können, müssen Eigenschaften des Stromverlaufs-Musters be- schrieben und mathematisch abgebildet werden. Je genauer die Beschreibung des Musters möglich ist und je mehr auswertbare Informationen vorhanden sind, umso zuverlässiger arbeitet die Mustererkennung. Zur Messung der Motorqualität werden Stromverlaufdatensätze gebildet und zum Trainieren eines Anomalie-Detektors verwen- det. Die trainierte Funktion ist Teil einer Mustererkennungsein- richtung. Zur Konfiguration verfügt die Mustererkennungsein- richtung über ein oder mehrere trainierbare Funktionen, d. h. in Rechenmodulen der Mustererkennungseinrichtung durchführba- re Algorithmen, die Verfahren des maschinellen Lernens imple- mentieren, um durch Training die Mustererkennung zu optimie- ren. Diese trainierbaren Funktionen können mit bekannten Standardverfahren des maschinellen Lernens darauf trainiert werden, in Eingabe-Dateien vorgegebene zeitliche Stromverläu- fe möglichst genau wiederzuerkennen. In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d. h. zum Training verwendbare Dateien ver- fügbar sind. Insbesondere sollten die Trainingsdaten einen möglichst großen Bereich von möglichen Konstellationen des Asynchronmotors repräsentativ abdecken. Dazu zählen insbeson- dere Trainingsdaten zu unterschiedlichen Schlupfwerten des Asynchronmotors, d. h. bei unterschiedlichen Lastzuständen. Wie oben bereits erwähnt, wird gemäß der vorliegenden Erfin- dung durch das Training des neuronalen Netzes NN angestrebt, dass dieses eine Motoranomalie erkennt. Zum Training des neu- ronalen Netzes NN wird ein SOM-Algorithmus eingesetzt. Im Allgemeinen imitiert eine trainierte Funktion kognitive Fä- higkeiten, welche Menschen mit dem Verstand anderer Menschen assoziieren. Insbesondere ist eine trainierte Funktion durch das Training auf Basis von Trainingsdaten in der Lage, sich an neue Umstände anzupassen und Muster zu entdecken und zu extrapolieren. Im Allgemeinen können Parameter einer trainierten Funktion durch Training, d. h. Lernen, angepasst werden. Im Allgemei- nen kann dazu überwachtes Lernen, teilüberwachtes Lernen, un- überwachtes Lernen, bestärkendes Lernen und/oder aktives Ler- nen benutzt werden. Außerdem kann Repräsentations-Lernen, auch “Feature Learning” genannt, verwendet werden. Insbeson- dere können die Parameter der trainierten Funktionen iterativ durch mehrere Trainingsschritte angepasst werden. Die vorlie- gende Erfindung dagegen benutzt unüberwachtes Lernen. Gemäß einer bevorzugten Ausgestaltung der Erfindung werden aus den gemessenen Stromwerten Merkmalsdaten ermittelt, die zum Trainieren des Anomalie-Detektors verwendet werden. Ein Ermitteln von Merkmalsdaten, z. B. einem Mittelwert, minimale Werte und/oder maximale Werte, Durchschnittswerte, Erwar- tungswert und Varianz einer Verteilung, aus gemessenen Strom- messreihen geht in der Regel mit einer Verringerung der Da- tenmenge einher, was die Datenverarbeitung erheblich verein- facht und beschleunigt: anstatt mit den umfangreichen gemes- senen Strommessreihen muss der Anomalie-Detektor dann nur noch mit den Merkmalsdaten rechnen. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird ETh- reshold = Emax gewählt, wobei Emax das Maximum aller Quantisie- rungs-Fehler Eν der Gruppe von Trainings-Vektoren Fν ist, die als ein Trainingsdatensatz verwendet werden. Die „Anomalie- grenze“ wird also als die maximale Abweichung der „Gut“-Daten gebildet. Eine Messung, deren Quantisierungs-Fehler Ex den Wert Emax übertrifft, wird dann als eine Anomalie klassifi- ziert. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird gewählt, wobei Emin das Minimum und Emax das Maximum aller Quantisierungs-Fehler Eν der Gruppe von Trainings-Vektoren Fν ist, die als ein Trainingsdatensatz verwendet werden, L als ein Empfindlichkeits-Level L ∈[-1, … ,1] festgelegt ist, und wobei percentile(Eν,Train,L) denjenigen Wert angibt, für den gilt, dass der Anomalie-Score für (100 * L) % der Trainings- beispiele kleiner ist als dieser Wert. Dabei sind folgende Fälle möglich: Fall 1: L = 0. Dieser Wert führt zu einem Schwellwert EThreshold = Emax. Der maximale Fehler während des Trainings definiert also den Schwellwert für die Anomalie-Detektion (wie oben be- schrieben). Fall 2: L > 0. Das System soll „empfindlicher“ sein. Für L = 1 ergibt sich EThreshold = Emin, d.h. das System würde jeden Trainings-Vektor im Trainingsdatensatz als Anomalie klassifi- zieren. Das System wäre also maximal empfindlich. Allgemein lässt sich die Empfindlichkeit zwischen 0% und 100% festle- gen. Fall 3: L < 0. Das System soll „unempfindlicher“ sein. Dazu wird ein Wert zwischen -1 und 0 festgelegt, sodass ein Schwellwert EThreshold > Emax erreicht werden kann. Ein Wert von L = -1 führt hierbei zu einem Schwellwert von 2*Emax - Emin. Anschaulich wird in diesem Fall das Histogramm am Punkt E = Emax gespiegelt. Nachdem aus dem gewünschten Empfindlichkeits-Level L der op- timale Schwellwert EThreshold berechnet und eingestellt wurde, kann das System zur Anomalie-Erkennung eingesetzt werden. Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die Parameter N und p so definiert, dass eine Anomalie des Asynchronmotors festgestellt wird, falls mindestens (100 * p)% der letzten N Zeitfenster durch den Anomalie-Detektor als Anomalien klassifiziert worden, und ansonsten vom Normalzu- stand des Motors ausgegangen wird. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird zur Überwachung eine Zeigerdarstellung verwendet, wobei mit einem Zeiger, der sich entlang einer Skala bewegen kann, der Quan- tisierungs-Fehler des zum aktuellen Zeitfenster gehörigen Feature-Vektors abgebildet wird. Dabei bewegt sich der Zeiger dynamisch mit jedem eintreffenden Zeitfenster. Es wird ein zusätzlicher Grenzwert EWarning < EThreshold definiert: ab dem bereits ein erhöhter Anomalie-Wert vorliegt, der aber noch nicht als fehlerhaft klassifiziert wird. Somit erreicht man eine Visualisierung der Größe der Anomalie: der „grüne Be- reich“ wird durch die Bandbreite der „gut-Daten“ definiert; eine höhere Anomalie deutet auf ein Motorproblem hin, je grö- ßer, desto schlimmer: gelb bzw. rot. Gemäß einer bevorzugten Ausgestaltung der Zeigerdarstellung wird L>0 (EThreshold > Emax) und EWarning = EMax gewählt. Es wird also ein zusätzlicher Grenzwert EWarning < EThreshold definiert, der den Fehler angibt, ab dem bereits ein erhöhter Anomalie- Wert vorliegt, der aber noch nicht als fehlerhaft klassifi- ziert wird. Auf diese Weise kann ein Warnbereich definiert werden, in dem ein Nutzer bereits vor einer sich ankündigen- den Anomalie gewarnt wird. Ein weiterer Aspekt der Erfindung ist eine Vorrichtung zur Zustandsüberwachung eines Antriebsstrangs, der einen an einem elektrischen Stromnetz betriebenen Asynchronmotor aufweist. Die Vorrichtung weist Sensoren zum Erfassen eines aus einer am Motor anliegenden Spannung resultierenden Stroms, der durch den Asynchronmotor fließt, auf. Die Vorrichtung weist eine erste Sensoreinheit zum Erfassen einer Zeitreihe von Stromwerten eines Stroms, welcher aufgrund der am Asynchron- motors anliegenden Speisespannung durch den Asynchronmotor fließt, auf. Die Vorrichtung weist eine zweite Sensoreinheit zum Ermitteln des Schlupfwerts des Schlupfs des Asynchronmo- tors, den der Asynchronmotor während der Erfassung der besag- ten Zeitreihe aufweist, auf. Die Vorrichtung weist eine Re- cheneinheit auf, die angepasst ist zum Generieren eines Fea- ture-Vektors aus den Stromwerten der erfassten Zeitreihe, falls der ermittelte Schlupfwerts, mit einer vorgegebenen To- leranz, bereits beim Generieren eines der Trainings-Vektoren gemäß dem Verfahren zum Generieren einer SOM existierte, zum Zuordnen, zu dem Feature-Vektor, eines Neurons Nx der besag- ten SOM und eines dem Neuron Nx zugeordneten Gewichtsvektors Gx, der gemäß dem Verfahren zum Generieren einer SOM gebildet wurde, zum Berechnen eines Quantisierungs-Fehlers Ex für den Feature-Vektor Fν: Ex = |Fx – Gx|, und zum Feststellen einer Anomalie des Asynchronmotors, falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwellwert EThreshold überschreitet. Die Vorrichtung weist außerdem eine Ausgabeeinheit zum Melden der Anomalie auf. Ein weiterer Aspekt der Erfindung ist ein Computer-Programm, welches Anweisungen umfasst, die, wenn das Programm auf einem Computer ausgeführt wird, die Vorrichtung zur Zustandsüberwa- chung eines Asynchronmotors veranlassen, das Verfahren zur Zustandsüberwachung eines Asynchronmotors auszuführen. Ein weiterer Aspekt der Erfindung ist ein Computer-Programm, welches Anweisungen aufweist, die, wenn das Programm auf ei- nem Computer ausgeführt wird, den Computer veranlassen, das erfindungsgemäße Verfahren zum Generieren einer SOM auszufüh- ren. 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 zum Generieren einer SOM zur Zustandsüberwachung eines Asynchronmotors; Fig. 4 ein Ablaufdiagramm einer Ausgestaltung des erfin- dungsgemäßen Verfahrens zur Zustandsüberwachung ei- nes Asynchronmotors; Fig. 5 eine Ausgestaltung einer SOM; Fig. 6 Histogramme eines Quantisierungsfehler für Normal- zustände und Fehlerzustände für einen ersten Fall; Fig. 7 eine Konfusionsmatrix des Anomalie-Detektors; Fig. 8 Histogramme eines Quantisierungsfehler für Normal- zustände und Fehlerzustände für einen zweiten Fall; und Fig. 9 ein Zeigerinstrument zur dynamischen Überwachung der Anomalie-Erkennung. 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. Es werden jeweils Stromwer- te mit der Abtastfrequenz fA [1/T] für eine Dauer TA [T] auf- gezeichnet. Die Anzahl der Abtastwerte NA ist damit NA = fA*TA. Zum Beispiel sei fA = 3200 Hz und TA = 1,28 Sekunden, somit ergeben sich NA =4096 = 212 Abtastwerte. Die vom Stromsensor 14 aufgenommenen NA Strommesswerte werden von dem Stromsensor 14 zu einer Recheneinheit 16 gesendet. Aus diesen NA Stromwerten wird durch die Recheneinheit 16 jeweils ein Feature-Vektor der Länge LF = NA gebildet. Auch die Verfahrensschritte zur Ermittlung des Schlupfs s des Asynchronmotors M erfolgen durch die Recheneinheit 16. Dazu weist die Recheneinheit 16 einen Prozessor 18 und einen Da- tenspeicher 20 auf. Der Datenspeicher 20 speichert Software mit einem Algorithmus zum Bestimmen des Schlupfs s aus Strom- messwerten. Diese Software wird vom Prozessor 18 ausgeführt. Eingabewerte wie die Anzahl der Neuronen können der Rechen- einheit 16 durch eine mit der Recheneinheit verbundene Ein-/ Ausgabeeinheit 22, z. B. einen PC, übergeben werden. Nach De- tektion einer Anomalie sendet die Recheneinheit 16 eine ent- sprechende Meldung zu der Ein-/Ausgabeeinheit 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 zum Generieren einer SOM zur Zu- standsüberwachung eines Asynchronmotors M, an dem eine Spei- sespannung U anliegt. In einem ersten Schritt 310 werden T Stromwerte It eines durch den Elektromotor M fließenden elektrischen Stroms I er- fasst, welcher aufgrund der am Asynchronmotor M anliegenden Speisespannung U durch den Asynchronmotor M fließt. Man er- hält somit einer Zeitreihe I(1...T) von T Stromwerten It, während sich der Asynchronmotor M in einem Gutzustand befin- det. Während der Aufzeichnungsphase werden Stromwerte It auf- gezeichnet, die den „Gutzustand“ des Motors beschreiben. Die- se Stromwerte It werden im Anschluss für das Training des Anomalie-Detektors verwendet. Folgende Aspekte sind hierbei sehr wichtig: - Das System sollte möglichst viele Lastzustände bzw. Schlupf-Werte si im Schlupf-Wertebereich [smin, ..., sN] auf- zeichnen. Für jede Aufzeichnung sollte der jeweilige Schlupf- wert si als „Label“ Ls mitgeführt werden. - Wenn ein Lastzustand aufgezeichnet wird, so muss für die Dauer der Aufzeichnung TA der Lastzustand (= Schlupf) nähe- rungsweise konstant sein: Ls = constant. Es ist sinnlos, die Stromwerte bei starken Laständerungen (= Schlupfänderungen) aufzuzeichnen, weil es sonst zu einer Überlagerung verschie- dener Zustände und damit auch einer Überlagerung verschiede- ner Frequenz-Spektren kommen würde. - Die Aufzeichnungsphase ist beendet, wenn eine hinreichend große Variation von Schlupf-Werten aufgezeichnet wurde, bzw. wenn die maximale für die Aufzeichnung vorgesehene Zeit er- reicht wurde. Schritt 320: Generieren, aus den Stromwerten It der erfassten Zeitreihe, eines Trainings-Vektors Fν, dem ein Schlupfwert si des Schlupfes s des Asynchronmotors zugeordnet wird. Schritt 330: Wiederholen der Schritte 310 und 320 bei unter- schiedlichen Schlupfwerten si, zur Gewinnung einer Gruppe von Trainings-Vektoren {Fν1, Fν2, Fν3, ...} als ein Trainingsda- tensatz. Schritt 340: Erzeugen einer Matrix von X mal Y Neuronen, wo- bei jedem der Neuronen ein Gewichtsvektor G der Länge T zuge- ordnet ist. Schritt 350: Zuordnen, zu einem Neuron, derjenigen Trainings- Vektoren Fν aus dem Trainingsdatensatz, deren vektorielle Distanz zu dem Neuron, genauer: zu dem Gewichtsvektor G des Neurons, einen vorgegebenen Distanzgrenzwert nicht über- schreitet. Schritt 360: Anpassen der Gewichtsvektoren G der Neuronen derart, dass die Distanz des Gewichtsvektors G zu den einem Neuron zugeordneten Trainings-Vektoren (Fν) minimal ist. Nach der Aufzeichnungsphase folgt die Lernphase. Während die- ser Phase werden die aufgezeichneten und mit dem Schlupf- Label Ls gelabelten Trainings-Vektoren in die SOM eingelernt. Fig. 4 zeigt ein Ablaufdiagramm einer Ausgestaltung des er- findungsgemäßen Verfahrens zur Zustandsüberwachung eines Asynchronmotors M, an dem eine Speisespannung U anliegt, un- ter Verwendung einer SOM. Schritt 410: Erfassen einer Zeitreihe I(1...T) von T Strom- werten eines Stroms I, welcher aufgrund der am Asynchronmo- tors M anliegenden Speisespannung U durch den Asynchronmotor M fließt. Schritt 420: Ermitteln des Schlupfwerts si des Schlupfs s des Asynchronmotors M, den der Asynchronmotor M während der Er- fassung der besagten Zeitreihe I(1...T) aufweist. Schritt 430: Falls der ermittelte Schlupfwert si, mit einer vorgegebenen Schlupftoleranzband (-Δslo; +Δshi), bereits beim Generieren eines der Trainings-Vektoren Fν gemäß dem Verfah- ren zum Generieren der SOM vorlag, Generieren eines Feature- Vektors Fx aus den Stromwerten der erfassten Zeitreihe I(1...T). Schritt 440: Zuordnen, zu dem Feature-Vektor Fx, eines Neu- rons Nx der besagten SOM und eines dem Neuron Nx zugeordneten Gewichtsvektors Gx. Schritt 450: Berechnen eines Quantisierungs-Fehlers Ex für den Feature-Vektor Fx als Ex = |Fx – Gx|. Schritt 460: Feststellen einer Anomalie des Asynchronmotors M, falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwellwert EThreshold überschreitet: Ex > EThreshold. Schritt 470: bei einer Feststellung einer Anomalie, Melden der Anomalie. Fig. 5 zeigt vier unterschiedliche SOM. Eine SOM ist eine 2- dimensionale Visualisierung, aufgespannt durch eine x-Achse und eine y-Achse. Die Idee der SOM ist es, ein Gitter von X * Y Neuronen N zu erzeugen. Jedes Neuron N enthält dabei einen Gewichtsvektor, dessen Länge identisch ist zu der Länge eines Feature- Vektors. Die Bestimmung der Anzahl der Neuronen (X * Y) ist dabei ein Kompromiss zwischen der Datenmenge / Rechenaufwand einerseits und der gewünschten Zuverlässigkeit des Anomalie- Detektors andererseits. In bereits durchgeführten Tests haben 20 x 20 = 400 Neuronen zu sehr guten Ergebnissen geführt. Auf der x-Achse ist ein Parameter X, auf der y-Achse ein Pa- rameter Y aufgetragen, wobei durch X und Y die Größe der SOM- Karte definiert wird. Das Produkt X*Y ergibt die Anzahl der in der SOM als Waben dargestellten Neuronen. In der linken Spalte mit „X=20“ sind zwei SOM-Karten dargestellt mit X=Y=0, ..., 19, In der rechten Spalte mit „X=25“ sind zwei SOM- Karten dargestellt mit X=Y=0, ..., 24. Damit ergeben sich in der linken Spalte N=20*20=400 Neuronen-Waben und in der rech- ten Spalte N=25*25=625 Neuronen-Waben. Die beiden Spalten sind horizontal unterteilt in zwei Zeilen: die obere Zeile mit „AR=64“ zeigt die SOM-Karten, bei denen zur Generierung der Feature-Vektoren eine Autoregression AR mit Lag=64 ver- wendet wurde, also 64 Feature-Vektor-Elemente pro Feature- Vektor; die untere Zeile mit „AR=512“ zeigt die SOM-Karten, bei denen zur Generierung der Feature-Vektoren eine Autore- gression AR mit Lag=512 verwendet wurde, also 512 Feature- Vektor-Elemente pro Feature-Vektor. Die SOM-Karten zeigen die unbelegten bzw. mit „gut“ bzw „Fehler“ belegten Neuronen- Waben; dabei ist auch eine „Doppelbelegung“ einer Neuronen- Wabe möglich. Je dunkler eine Neuronen-Wabe, desto größer ist die „Distanz“ zur benachbarten Neuronen-Wabe. Optimal ist, wenn möglichst viele Neuronen-Waben belegt sind und möglichst keine „Doppelbelegung“ existiert. Das Lernen der SOM ist ein iterativer Prozess. Im Anfangszu- stand enthalten die Gewichtsvektoren zufällige Werte. Der Lernprozess erfolgt nun so, dass ähnliche Trainings-Vektoren aus dem Trainingsdatensatz demselben Neuron zugeordnet wer- den. „Ähnlich“ ist dabei in Sinne einer vektoriellen Distanz zu verstehen, d. h. je nach Anwendung kann z. B. die Euklidi- sche Distanz, die Kosinus-Distanz, oder die Manhattan-Distanz verwendet werden. Da die Anzahl ν der erzeugten Feature-Vektoren Fν in der Re- gel deutlich größer ist als die Anzahl der Neuronen, reprä- sentiert ein Neuron viele Feature-Vektoren. Während des Trai- nings wird der Gewichtsvektor G eines jeden Neurons derart angepasst, dass die Distanz des Gewichtsvektors G zu den dem Neuron zugeordneten Trainings-Vektoren Fν minimal ist. Bei einer optimal trainierten SOM wurden jedem Neuron Trainings- Vektoren zugewiesen. Die trainierte SOM stellt dann eine kom- pakte Repräsentation der Trainingsdaten-Verteilung dar. 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 |Fν – Gν| die vorher definierte vektorielle Distanz und Gν der je- weilige Gewichtsvektor des „optimalen“ Neurons, d. h. desje- nigen 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. Über alle Feature-Vektoren im Trainingsdatensatz werden nun der minimale Fehler Emin = min{Eν} und der maximale Fehler Emax = max{Eν} bestimmt. Während der der Lernphase folgenden Testphase, in der die Vorrichtung als ein Anomalie-Detektor arbeitet, werden nun, ähnlich wie in der Aufzeichnungsphase, folgende Schritte ab- gearbeitet: - Es werden wieder für die Zeit TA Abtastwerte aufgezeichnet. - Es wird geprüft, ob in dieser Zeit der Lastzustand des Mo- tors „stationär“ war, d. h. keine starken Last-Änderungen vorlagen, und ob der Schlupf während dieser Aufzeichnung in der Trainingsphase vorhanden war. Dabei kann eine geeignete Toleranz für den Schlupf definiert werden, da die Schlupf- Bestimmung nicht fehlerfrei erfolgen kann, bzw. es ist wäh- rend der Trainingsphase zu prüfen, welcher „Schlupf-Fehler“ zu einer „Anomalie“ führen würde. - Nach erfolgreicher Prüfung wird aus den Abtastwerten der Feature-Vektor Fx berechnet. - Für diesen Feature-Vektor liefert die SOM das zugehörige Neuron und den dem Neuron entsprechenden Gewichtsvektor Gx. - Aus diesen Werten wird der Quantisierungs-Fehler Ex = | Fx - Gx| berechnet. Die einfachste Variante eines Anomalie-Detektors ließe sich wie folgt realisieren: Es wird ein fester Schwellwert EThreshold für den Quantisierungs-Fehler definiert. Wird dieser über- schritten, so liegt mit hoher Wahrscheinlichkeit eine Anoma- lie vor. Es ist naheliegend, EThreshold = Emax zu wählen, d. h. der maximale Quantisierungs-Fehler während der Trainingsphase wird als Schwellwert verwendet. Wird also die Distanz zwi- schen dem Testvektor und dem entsprechenden Gewichtsvektor zu groß, so liegt eine Anomalie vor. Diese einfache Variante hat jedoch Nachteile, die anhand von Ergebnissen aus Experimenten mit echten Motordaten erklärt werden sollen. Dazu wird ein fehlerfreies System (Motor) mit 100 Feature-Vektoren trainiert („good“). Dabei werden ver- schiedene Lastzustände trainiert. In der Testphase werden diese 100 Feature-Vektoren im „gut“-Zustand getestet. An- schließend wird das System absichtlich „beschädigt“, z.B. wird der Motor falsch ausgerichtet („anomaly“). Der Test er- folgt nur bei Lastzuständen, die vorher trainiert wurden. Es werden insgesamt weitere 200 Feature-Vektoren getestet. Fig. 6 zeigt die Quantisierungsfehler der Feature-Vektoren, hier auf der x-Achse mit „error“ bezeichnet. Auf der y-Achse ist die Anzahl Anzahl der Kandidaten (= Szenarien) beim je- weiligen Fehler aufgetragen (Häufigkeit). Insgesamt gibt es 100 „Gut-Szenarien“ (NGD=100), und 200 Fehler-Szenarien (NAD=200); daher ist die Summe aller Balken gleich 100+200 = 300. Dabei bezeichnet - Eν,Train die Fehler der während der Trainingsphase generier- ten Trainings-Vektoren. Die Daten sind als „good“ bezeichnet, und ohne Schraffierung. Es ist klar zu sehen, dass die Fehler einer unbekannten Verteilung unterliegen, aber der maximale Fehler bei ca. 0,16 liegt, was auch der Detektionsschwelle entspricht. - Eν,Test die Fehler der während der Testphase generierten Fea- ture-Vektoren. Die Daten sind als „anomaly“ bezeichnet, und schraffiert. Auch hier ist klar zu sehen, dass die Fehler ei- ner unbekannten Verteilung unterliegen, aber alle Fehler > 0,6 sind, sodass die Anomalie für jeden Zustand eindeutig er- kannt wird. Das Histogramm stellt die Anzahl der Kandida- ten/Szenarien bei der jeweiligen Anomalie dar. Fig. 7 zeigt, dass sich eine entsprechend gute Wahrheits- matrix, auch als Konfusionsmatrix (engl.: confusion matrix) bezeichnet, für den Anomalie-Detektor ergibt. Alle 100 Trai- ningszustände beim „guten“ Motor werden als „gut“ (bzw. „healthy“) erkannt, die 200 Test-Zustände werden ebenfalls korrekt zugeordnet. Fig. 8 zeigt eine Histogramm-Darstellung analog zu der in Fig. 6 für einen Anwendungsfall, bei dem ein Fehler nur zu sehr geringen Änderungen im Stromsignal führt. Hierbei wurde mit 900 „good“-Vektoren trainiert und getestet und mit weite- ren 1800 „anomaly“-Vektoren getestet. Da die „good“- und „anomaly“-Histogramme nicht vollständig separierbar sind, er- geben sich zwei mögliche Arten von Fehlklassifikationen durch den Anomalie-Detektor: - False Positive: Der Anomalie-Detektor erkennt einen Normal- zustand als fehlerhaft. - False Negative: Der Anomalie-Detektor erkennt einen Fehler- zustand als normal. Beide Fehlertypen können in verschiedenen Anwendungen von un- terschiedlicher Wichtigkeit sein. In bestimmten Anwendungen ist es nötig, möglichst wenige Fehlalarme (False Positives) zu erzeugen, da bspw. jeder Alarm zu einer manuellen Inspek- tion der Maschine führen würde und entsprechend hohe Kosten erzeugen würde. In anderen Anwendungen ist ein möglichst frühzeitiger Hinweis auf ein Problem wichtiger, um einen Aus- fall möglichst weit im Voraus einplanen zu können. Um die Konfigurierbarkeit des Anomalie-Detektors bzgl. Zuver- lässigkeit gewährleisten zu können, wird zunächst ein fester Schwellwert für die Erkennung einer Anomalie bestimmt. Ein sinnvoller Schwellwert sollte innerhalb eines bestimmten In- tervalls um Emax liegen. Ein kleinerer Wert führt dabei zu ei- ner höheren Empfindlichkeit des Anomalie-Detektors, d.h. es werden grundsätzlich mehr Alarme und damit potenziell auch mehr Fehlalarme produziert. Ein höherer Schwellwert führt zu weniger Alarmen und damit potenziell weniger Fehlalarmen, aber auch einer potenziell geringeren Erkennungsrate. Die Fehler während der Lernphase liegen zwischen Emin = min{ Ev } und Emax = max{ Ev } mit der festen Verteilung Ev, Train, die durch das Histogramm visualisiert wird. Zur Bestimmung des Schwellwerts definiert zunächst der Benutzer des Systems ei- nen „Empfindlichkeits-Level“ L ∈ [-1, … , 1]. Der Schwellwert wird nun berechnet als wobei denjenigen Wert zurückgibt, für den gilt, dass der Anomalie-Score für (100 * L) % der Trainings- beispiele kleiner ist als dieser Wert. Dabei sind folgende Fälle möglich: Fall 1: L = 0. Dieser Wert führt zu einem Schwellwert EThreshold = Emax. Der maximale Fehler während des Trainings definiert also den Schwellwert für die Anomalie-Detektion (wie oben be- schrieben). Fall 2: L > 0. Das System soll „empfindlicher“ sein. Für L = 1 ergibt sich EThreshold = Emin, d.h. das System würde jeden Fea- ture-Vektor im Trainingsdatensatz als Anomalie klassifizie- ren. Das System wäre also maximal empfindlich. Allgemein lässt sich die Empfindlichkeit zwischen 0% und 100% festle- gen. Fall 3: L < 0. Das System soll „unempfindlicher“ sein. Dazu wird ein Wert zwischen -1 und 0 festgelegt, sodass ein Schwellwert EThreshold > Emax erreicht werden kann. Ein Wert von L = -1 führt hierbei zu einem Schwellwert von 2*Emax - Emin. Anschaulich wird in diesem Fall das Histogramm am Punkt E = Emax gespiegelt. Nachdem aus dem gewünschten Empfindlichkeits-Level L der op- timale Schwellwert EThreshold berechnet und eingestellt wurde, kann das System zur Anomalie-Erkennung eingesetzt werden. Um zusätzlich die Fehlalarmrate zu vermeiden, werden Alarme für isoliert auftretende Anomalien unterdrückt. Dazu werden zwei weitere Parameter N und p definiert. Sind mindestens (100 * p) % der letzten N Zeitfenster durch den Anomalie- Detektor als Anomalien klassifiziert worden, so wird ein Alarm ausgegeben. Ansonsten wird vom Normalzustand des Motors ausgegangen. Beispielsweise würde bei einer Aufzeichnungszeit von TA = 1,28 Sekunden und Werten N = 10 und p = 50 ein Alarm erst dann ausgegeben werden, wenn während der letzten 12,8 Sekunden mindestens die Hälfte aller Zeitfenster als Anomalien klassifiziert wurden. Fig. 9 zeigt ein „Zeigerinstrument“, das zur Überwachung des Systems verwendet werden kann. Das „Zeigerinstrument“ kann verwendet werden auf einem Monitor, im Web oder auf einem Handy. Auf der Achse 81 wird mit dem Zeiger 80 der Quantisierungs- Fehler des zum aktuellen Zeitfenster gehörigen Feature- Vektors abgebildet. Der Zeiger 80 bewegt sich dynamisch mit jedem eintreffenden Zeitfenster. Es wird ein zusätzlicher Grenzwert EWarning < EThreshold definiert, der angibt, ab welchem Fehler bereits ein erhöhter Anomalie-Wert vorliegt, der aber noch nicht als fehlerhaft klassifiziert wird. Beispielsweise könnte L>0 (EThreshold > EMax) und EWarning = EMax gewählt werden. Der linke Bereich 82 („grüner Bereich“) entspräche dann dem Fehlerbereich der Trainingsdaten. Sobald ein Zeitfenster mit einem Fehler größer als EMax eintrifft, bewegt sich der Zeiger 80 in den mittleren Bereich 83 („Warnbereich“). Der Zeiger 80 bewegt sich in den rechten Bereich 84 („roter Bereich“), so- bald der Schwellwert EThreshold überschritten wird. Wird EThreshold hinreichend oft überschritten (siehe oben), wird zusätzlich ein Alarm ausgegeben.

Claims

Patentansprüche 1. Verfahren zum Generieren einer Self-Organizing Map (= SOM) zur Zustandsüberwachung eines Asynchronmotors (M), an dem ei- ne Speisespannung U anliegt, wobei mehrere Trainings-Vektoren zum Generieren der SOM je- weils aus einer Zeitreihe I(1...T) von Stromwerten It eines Stroms I, welcher aufgrund der am Asynchronmotor (M) anlie- genden Speisespannung U durch den Asynchronmotor (M) fließt, während sich der Asynchronmotor (M) in einem Gutzustand be- findet, gebildet werden.
2. Verfahren nach Anspruch 1, mit folgenden Schritten: a) Erhalten einer Zeitreihe I(1...T) von T Stromwerten It ei- nes Stroms I, welcher aufgrund der am Asynchronmotor (M) an- liegenden Speisespannung U durch den Asynchronmotor (M) fließt, während sich der Asynchronmotor (M) in einem Gutzu- stand befindet und der Schlupf (s) des Asynchronmotors in ei- nem vorgegebenen Schlupftoleranzband (-Δslo; +Δshi) um einen Schlupfwert si liegt; b) Bilden eines Trainings-Vektors Fν mit T Vektorelementen, wobei die T Vektorelemente durch die T Stromwerte It der er- fassten Zeitreihe I(1...T) gebildet werden und dem Trainings- Vektor Fν der Schlupfwert si zugeordnet wird; c) Ein- oder mehrmaliges Wiederholen der Schritte a) und b) bei unterschiedlichen Schlupfwerten (si1, si2, si3, ...), zur Gewinnung einer Gruppe von Trainings-Vektoren (Fν1, Fν2, Fν3, ...) als ein Trainingsdatensatz; d) Erzeugen einer Matrix von X mal Y Neuronen Nxy, wobei je- dem der Neuronen Nxy jeweils ein Gewichtsvektor Gxy der Länge T zugeordnet wird; e) Zuordnen, zu einem Neuron Nxy, derjenigen Trainings- Vektoren Fν,xy aus dem Trainingsdatensatz (Fν1, Fν2, Fν3, ...), deren vektorielle Distanz δ(Fν;Nxy) zu dem Gewichtsvek- tor Gxy des Neurons Nxy einen vorgegebenen Distanzgrenzwert δmax nicht überschreitet; und f) Anpassen der Gewichtsvektoren Gxy der Neuronen Nxy derart, dass jeweils die vektorielle Distanz δ(G;Fν,xy) eines einem Neuron Nxy zugeordneten Gewichtsvektors Gxy zu den dem Neuron Nxy zugeordneten Trainings-Vektoren Fν,xy minimal ist.
3. Verfahren zur Zustandsüberwachung eines Asynchronmotors (M), an dem eine Speisespannung (U) anliegt, unter Verwendung einer SOM, die gemäß einem Verfahren nach einem der vorherge- henden Ansprüche generiert wurde, mit folgenden Schritten: a) Erfassen einer Zeitreihe I(1...T) von T Stromwerten eines Stroms I, welcher aufgrund der am Asynchronmotor (M) anlie- genden Speisespannung (U) durch den Asynchronmotor (M) fließt; b) Ermitteln eines Schlupfwerts si des Schlupfs (s) des Asyn- chronmotors (M), den der Asynchronmotor (M) während der Er- fassung der besagten Zeitreihe I(1...T) aufweist; c) Falls der ermittelte Schlupfwert si, mit einer vorgegebe- nen Toleranz (-Δs1; +Δs2), bereits beim Generieren eines der Trainings-Vektoren Fν der SOM vorlag, Generieren eines Fea- ture-Vektors Fx aus den Stromwerten der erfassten Zeitreihe I(1...T); d) Zuordnen, zu dem Feature-Vektor Fx, eines Neurons Nxy der besagten SOM und eines dem besagten Neuron Nxy zugeordneten Gewichtsvektors Gxy; e) Berechnen eines Quantisierungs-Fehlers Ex für den Feature- Vektor Fx als Ex = |Fx – Gx|. f) Feststellen einer Anomalie des Asynchronmotors (M), falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwell- wert EThreshold überschreitet: Ex > EThreshold; e) bei einer Feststellung einer Anomalie, Melden der Anoma- lie.
4. Verfahren nach Anspruch 3, wobei das Analysieren und das Feststellen einer Anomalie durch einen Anomalie-Detektor (16) mit zumindest einer trainierten KI-Funktion (18) erfolgt.
5. Verfahren nach einem Ansprüche 3 und 4, wobei EThreshold = Emax gewählt wird, wobei Emax das Maximum aller Quantisierungs- Fehler Eν der Gruppe von Trainings-Vektoren (Fν1, Fν2, Fν3, ...) ist, die als ein Trainingsdatensatz verwendet werden.
6. Verfahren nach einem der Ansprüche 3 bis 5, wobei gewählt wird, wobei Emin das Minimum und Emax das Maximum aller Quantisie- rungs-Fehler Eν der Gruppe von Trainings-Vektoren (Fν1, Fν2, Fν3, ...) ist, die als ein Trainingsdatensatz verwendet wer- den, L als ein Empfindlichkeits-Level L ∈[-1, … ,1] festgelegt ist, und wobei percentile(Eν,Train,L) derjenige Wert ist, für den gilt, dass der Anomalie-Score für (100 * L) % der Trainings- Vektoren kleiner ist als dieser Wert.
7. Verfahren nach einem der Ansprüche 3 bis 6, wobei die Parameter N und p so definiert, dass eine Anomalie des Asynchronmotors festgestellt wird, falls mindestens 100 * p % der letzten N Zeitfenster durch den Anomalie- Detektor als Anomalien klassifiziert worden, und ansonsten vom Normalzustand des Motors ausgegangen wird.
8. Verfahren nach einem der Ansprüche 3 bis 7, wobei zur Überwachung eine Zeigerdarstellung verwendet wird, wobei auf der Zeigerskala mit einem Zeiger der Quantisierungs-Fehler des zum aktuellen Zeitfenster gehörigen Feature-Vektors abge- bildet wird, wobei sich der Zeiger dynamisch mit jedem ein- treffenden Zeitfenster bewegt, und wobei ein zusätzlicher Grenzwert EWarning < EThreshold definiert wird, der angibt, ab welchem Fehler bereits ein erhöhter Anomalie-Wert vorliegt, der aber noch nicht als fehlerhaft klassifiziert wird.
9. Verfahren nach Anspruch 8, wobei L>0 und EWarning = EMax ge- wählt werden.
10. Vorrichtung zur Zustandsüberwachung eines Asynchronmotors (M), an dem eine Speisespannung (U) anliegt, unter Verwendung einer SOM, die gemäß einem Verfahren nach einem der Ansprüche 1 und 2 generiert wurde, aufweisend: eine erste Sensoreinheit zum Erfassen einer Zeitreihe (It) von T Stromwerten eines Stroms (I), welcher aufgrund der am Asynchronmotors (M) anliegenden Speisespannung (U) durch den Asynchronmotor (M) fließt; eine zweite Sensoreinheit zum Ermitteln des Schlupfwerts des Schlupfs (s) des Asynchronmotors (M), den der Asynchronmotor (M) während der Erfassung der besagten Zeitreihe (It) auf- weist; eine Recheneinheit, angepasst zum - Generieren eines Feature-Vektors (Fx) aus den Stromwerten der erfassten Zeitreihe (It), falls der ermittelte Schlupf- wert, mit einer vorgegebenen Toleranz, bereits beim Generie- ren eines der Trainings-Vektoren (Fν) existierte, - Zuordnen eines Neurons Nx der besagten SOM und eines dem Neuron Nx zugeordneten Gewichtsvektors Gx zu dem Feature- Vektor (Fx); - Berechnen eines Quantisierungs-Fehlers Ex für den Feature- Vektor Fν: Ex = |Fx – Gx|. - Feststellen einer Anomalie des Asynchronmotors (M), falls der Quantisierungs-Fehler Ex einen fest vorgegebenen Schwell- wert EThreshold überschreitet; und eine Ausgabeeinheit zum Melden der Anomalie.
11. Computer-Programm umfassend Anweisungen, die, wenn das Programm auf einem Computer ausgeführt wird, die Vorrichtung des Anspruchs 10 veranlassen, das Verfahren nach einem der Ansprüche 3 bis 9 auszuführen.
EP24702231.2A 2023-03-09 2024-01-09 Verfahren zum generieren einer self-organizing map Pending EP4646604A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023202109.9A DE102023202109A1 (de) 2023-03-09 2023-03-09 Verfahren zum Generieren einer Self-Organizing Map
PCT/EP2024/050349 WO2024183969A1 (de) 2023-03-09 2024-01-09 Verfahren zum generieren einer self-organizing map

Publications (1)

Publication Number Publication Date
EP4646604A1 true EP4646604A1 (de) 2025-11-12

Family

ID=89767453

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24702231.2A Pending EP4646604A1 (de) 2023-03-09 2024-01-09 Verfahren zum generieren einer self-organizing map

Country Status (4)

Country Link
EP (1) EP4646604A1 (de)
CN (1) CN120769991A (de)
DE (1) DE102023202109A1 (de)
WO (1) WO2024183969A1 (de)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6757665B1 (en) * 1999-09-28 2004-06-29 Rockwell Automation Technologies, Inc. Detection of pump cavitation/blockage and seal failure via current signature analysis
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
JP6646416B2 (ja) * 2015-11-24 2020-02-14 株式会社トーエネック 回転機の短絡診断装置および回転機の短絡診断方法
EP3961230A1 (de) 2020-08-28 2022-03-02 Siemens Aktiengesellschaft Maschinenzustandsüberwachungsverfahren und -system
EP4057093A1 (de) * 2021-03-12 2022-09-14 ABB Schweiz AG Zustandsüberwachung von rotierenden maschinen

Also Published As

Publication number Publication date
CN120769991A (zh) 2025-10-10
WO2024183969A1 (de) 2024-09-12
DE102023202109A1 (de) 2024-09-12

Similar Documents

Publication Publication Date Title
DE4436658B4 (de) Vorrichtung und Verfahren zur Störungsuntersuchung
DE69732569T2 (de) System zur erkennung von störungen von elektromotoren
DE69324296T2 (de) Verfahren zur Diagnose eines laufenden Prozesses
DE69718714T2 (de) Fehlererfassung während des Betriebes von elektrischer Gerätschaft
DE112018003079B4 (de) Drehmaschinensystem-Diagnosevorrichtung, Leistungsumsetzvorrichtung, Drehmaschinensystem und Drehmaschinensystem-Diagnoseverfahren
EP3876062B1 (de) Verfahren und recheneinheit zur überwachung des zustandes einer maschine
DE102006008482B4 (de) Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle
DE102016102328A1 (de) System zur Diagnose von Anomalien, Diagnoseverfahren und -vorrichtung
EP0768584B1 (de) Verfahren zur Überwachung einer Maschine oder Anlage
DE102020212277A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Restnutzungsdauer basierend auf einer prädiktiven Diagnose von Komponenten eines elektrischen Antriebssystems mithilfe Verfahren künstlicher Intelligenz
EP3876060A1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
EP4012426B1 (de) Verfahren zur korrektur eines zeitabhängigen messsignals einer motor-getriebeeinheit sowie verfahren zur erkennung von verschleiss und/oder einer beschädigung derselben mittels dieses korrekturverfahrens
WO2020192822A1 (de) Verfahren zum bestimmen einer eigenschaft einer maschine, insbesondere einer werkzeugmaschine, ohne messtechnisches erfassen der eigenschaft
DE102017009273A1 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Lernen einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt
EP3100064B2 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
WO2024223391A1 (de) Maschinengeführtes expertensystem für ein technisches system, verfahren, vorrichtung und computerprogrammprodukt
CH717054A2 (de) Verfahren zur Diagnose eines Lagers.
DE102023101527A1 (de) Verfahren zur Zustandsüberwachung einer technischen Einrichtung
DE4124501C2 (de) Neuronales Netz mit automatischer Installation von Zwischenneuronen
EP3151072A1 (de) Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil
EP4646604A1 (de) Verfahren zum generieren einer self-organizing map
DE102019125873B4 (de) Verfahren sowie sensor- und auswerteinrichtung zur dezentralen ermittlung von diagnoseinformationen über elektrische verbraucher einer maschinenanlage
WO2024183963A1 (de) Verfahren zur zustandsdiagnose eines elektromotors
DE102023202105A1 (de) Verfahren zur Zustandsüberwachung eines Antriebsstrangs
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft

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: 20250806

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