EP4684254A2 - Verfahren und systeme zum auslegen von antriebssystemen - Google Patents

Verfahren und systeme zum auslegen von antriebssystemen

Info

Publication number
EP4684254A2
EP4684254A2 EP24718056.5A EP24718056A EP4684254A2 EP 4684254 A2 EP4684254 A2 EP 4684254A2 EP 24718056 A EP24718056 A EP 24718056A EP 4684254 A2 EP4684254 A2 EP 4684254A2
Authority
EP
European Patent Office
Prior art keywords
drive
model
twin
simulation
level
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
EP24718056.5A
Other languages
English (en)
French (fr)
Inventor
Karl-Josef Amthor
Jochen Bretschneider
Erich Günther
Carsten Hamm
Christian Neugebauer
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 EP4684254A2 publication Critical patent/EP4684254A2/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Definitions

  • the present disclosure relates to a computer-aided method and a system for designing at least one drive system which directly influences a control system - and thus controls a process, in particular regulates it (in this case - controlled system), wherein the drive system and the control system together form an overall system.
  • the present disclosure relates to a computing device comprising an engineering platform which is configured to execute the aforementioned method or to orchestrate it.
  • the present disclosure relates to a computer program comprising instructions which, when processed by the aforementioned computing device, cause it to carry out the aforementioned method.
  • the present disclosure relates to a machine-readable medium with such a computer program.
  • Questions about the design of a drive system or its subsystem can be very complex.
  • the aim is usually optimization according to selected criteria (costs, performance, in particular the setting time of a controlled variable, energy consumption, space requirements, etc.). This includes both the selection of the right components and the selection of the right combination.
  • Suitable system components are selected for a task to be solved by the automation system, i.e. a system that contains automation components. This includes the design of the drive systems for the system components.
  • the design depends on a specific application scenario, such as support for commissioning, support for diagnosis, support for training measures, etc.
  • optimization is based on static data, i.e. catalog, nameplate data, etc., which are not updated and do not depend on the operating behavior of the drive system and/or the dynamics in the application scenario.
  • static data i.e. catalog, nameplate data, etc.
  • optimization based on (dynamic) properties of the system is not possible.
  • a design with only one optimization criterion size or price
  • the design cannot be automated or can only be automated incompletely, since the validation of the design only takes place with the real device or is left to the imagination and experience of the user.
  • Calculation results obtained using digital twins of the drive systems that can be integrated into simulation tools can also be used for the design.
  • a digital twin of a drive system is basically a virtual representation of the real drive system and can preferably be designed to be real-time capable, for example if it is updated in real time by data obtained from sensors and other data sources.
  • This digital twin can be based on a variety of data sources, such as operational data, design drawings and models, maintenance histories and other information collected over the life of the drive system.
  • the digital twin can enable a variety of functions, such as monitoring, simulating and predicting the performance and condition of the drive system. It can also serve as a digital model for optimizing maintenance processes and improving performance. In addition, it can also help reduce downtime and maintenance costs by identifying potential problems early and recommending appropriate actions. It can be used to also improve the efficiency of the drive system by identifying and suggesting optimal operating conditions and monitoring performance over time.
  • a digital twin of the drive system can provide a powerful way to optimize drive system performance and efficiency while reducing maintenance costs.
  • FMU Functional Mock-up Unit
  • FMUs can be linked together via so-called Functional Mock-up Interfaces, or FMIs for short (see https://fmi-standard.org/).
  • FMI is a standard interface for the exchange of model-based simulations between different simulation tools and environments.
  • FMUs comply with the FMI standard but can in principle be connected via other interfaces or integrated into other environments.
  • FMI defines a standardized data format for model-based simulations based on XML and binary files. It enables the exchange of model components and their connections between different simulation environments and tools. It allows creating complex systems from different components and models that can be embedded in different simulation environments and tools.
  • EMI supports dynamic (time-based) models based on different mathematical descriptions, such as differential equations, state machines, event-driven systems and more. Interfaces can also be defined in EMI that enable data exchange between the model components and their control by the simulation environment.
  • An executable digital image of the drive system that describes its behavior i.e., its digital twin represents a simulation that is parameterized with the same parameters as the real system.
  • parameter can be a software and hardware property.
  • the drive system directly influences the control path. This also includes cases in which the drive system acts as a "disturber" of the control path. This can be the case in particular with network interference (conducted EMC). This must be assessed according to various standards and guidelines (e.g. DIN 61000-4-7). In such a case, the method described here can be used to demonstrate conformity with such standards.
  • the drive system for example the converter, interferes with the network, and it must be demonstrated that certain interference levels are below which the side effect of the influence of the drive system on the network can be accepted.
  • the drive twin can be linked to the plant model, for example, in a design, simulation or engineering tool.
  • a simulation of a controlled operation can be carried out (drive system controls the Process ) in which the drive system, for example, influences the temperature of an environment or is operated in U/f mode.
  • the electronic control unit is coupled to the electric rotary machine in order to supply it with current and voltage with certain predeterminable characteristics (amplitude, frequency, etc.).
  • drive systems electronic control unit and electric rotary machine
  • the drive systems can drive the axes of a machine tool or a robot arm, pumps (hydraulic drive), conveyor belts, etc., which is why they are often referred to as "drives”.
  • drive trains are used in a variety of ways.
  • a non-exhaustive list of applications includes motion control; electromechanical drive systems in a machine tool; machine tool drive; DC motor application on the intermediate circuit; battery management; network-side applications, e.g. to achieve the correct design of the mains filters and much more.
  • the electronic control unit for example the converter, can then be regulated, controlled or act as a disruptor in these processes.
  • a corresponding optimum can be investigated in each of these scenarios using simulation with the digital twin and an optimal control strategy or minimal interference, etc. can be determined.
  • steps S3 to S7 may be repeated at least once.
  • the optimized parameter set is used as the initial or starting parameter set for each repetition - next or second design stage.
  • a mathematical optimization method can be used for the design if this is represented as an optimization problem of a multidimensional function.
  • optimization takes place with regard to different optimization objectives at different repetitions (in different design stages).
  • indications for changing the surrounding model in order to achieve better quality with regard to optimization criteria of the overall twin for example, a recommendation to change the load or travel profile, etc.
  • the drive twin is configurable with regard to its level of detail and/or the route model is configurable with regard to its level of detail, wherein the level of detail of the drive twin and/or the route model is changed immediately before or during optimization, wherein preferably the number and/or type of connection points and/or sampling rates are adjustable.
  • a model with a higher level of detail is usually more complex and accurate because it takes into account more specific variables and factors.
  • a higher level of detail can also result in higher computational costs and may make the model more difficult to understand and interpret.
  • the level of detail depends fundamentally on the application of the model and what information is relevant to the specific problem. In some cases, a slightly detailed model may be sufficient, while in other cases a higher level of detail is necessary to obtain accurate results.
  • the level of detail of the system model (before or during optimization) is increased by adding additional information (for example details on the mass distribution in the drive train, loss resistance in the lines, flow channels in the cooling system, etc.).
  • additional information for example details on the mass distribution in the drive train, loss resistance in the lines, flow channels in the cooling system, etc.
  • the information required and thus the amount of additional information can depend on the previous design stage.
  • the drive twin can be configured with regard to its level of detail and the route model with regard to its level of detail and during optimization the level of detail of the drive twin is adapted to the level of detail of the system model or vice versa.
  • the level of detail can be adjusted for each simulation model, e.g. in the corresponding domains.
  • being compatible with one another means, among other things, that when these simulation models are linked together, certain values are pre-assigned.
  • the threshold values may change or certain parameters may have different tolerance limits.
  • the simulation model is a thermal simulation model, an electrical simulation model, a mechanical simulation model, a magnetic model, an acoustic model, an information technology model, for example an information electromagnetic model or a control technology model, or a combination thereof.
  • the simulation model can be designed as a combination of an information electromagnetic model and a closed current control loop.
  • the selection of the appropriate drive twin or the appropriate simulation models, e.g., in the rough design can be made based on the interfaces and the known information. This selection can be made on a knowledge base of existing designs under similar boundary conditions (with specification of the degree of fulfillment) (for example using generative neural networks).
  • the variation can be controlled using known methods of global nonlinear optimization with constraints (e.g. nature-analogous methods (evolutionary, swarm-based algorithms)). For example, by varying a start design (different start parameter sets) and applying a genetic algorithm in several steps, a new start design (optimized start parameter set) can be found, which can be used to move on to the next level of detail (design level). In other words, this design can be carried out up to a termination criterion (e.g.
  • the determined optimized start parameter set can then be transferred to the drive twin, creating a drive twin with a higher level of detail.
  • these higher-level-of-detail DTs can also exist, which are parallel (e.g. different simulation domains) or build on each other serially (e.g. ever higher level of detail).
  • control path additionally has at least one feedback.
  • Control is a regulation without feedback.
  • a feedback also called feedback in control engineering refers refers to the process of feeding back a portion of the output signal of a system to modify the input signal and thus regulate the behavior of the system.
  • the simulation results include information about an interaction behavior of the drive twin with the plant model.
  • the simulation of the overall twin produces information about the interaction behavior of the drive twin with the environment model (system model).
  • This information can be, for example, a load profile of the drive, the effect of different multi-axis operations on one or parallel feeds and the surrounding system.
  • This information or the interaction behavior can serve as a basis for the subsequent design steps.
  • the design process for example at each design stage, provides feedback on how far the drive twin can still be refined.
  • the aforementioned simulation (of the entire twin or its parts) can be carried out on external resources, e.g. on a cloud platform.
  • variants can advantageously be calculated in parallel without increasing the time required.
  • the disclosed method makes use of different levels of detail of drive twins in order to offer a solution to a given problem with regard to predefined optimization criteria.
  • the design process via variant creation can also be integrated into an iterative detailing of the model.
  • FIG 1 a system for designing a drive system
  • FIG 2 is a flow chart of a method for designing a
  • FIG 3 shows a possible embodiment of the optimization step of FIG 2 .
  • FIG 1 shows a (not yet designed) drive system 100 which is to become part of an automation system (not shown here) (after design).
  • the drive system 100 can be designed as an electronic control unit 100a, for example a converter, in particular a frequency converter.
  • the drive system 100 can additionally comprise an electric rotary machine 100b, preferably an electric motor, for example an asynchronous motor.
  • the electronic control unit can be connected to the electric rotary machine in order to supply it with current and voltage with certain adjustable characteristics (amplitude, frequency, etc.) and thereby for example, reducing or increasing their torque to the required level to meet the requirements of the application.
  • certain adjustable characteristics amplitude, frequency, etc.
  • Such drive systems can, for example, drive axes of a machine tool or a robot arm, pumps (hydraulic drive), conveyor belts, etc., which is why they are often referred to as “drives” or “drive trains”.
  • the drive system 100 directly influences a (real) predetermined process 101.
  • a process is often used as a synonym for the term control system.
  • the application can, for example, support commissioning, support diagnosis, support training measures, etc.
  • the direct influence of the drive system 100 on the process 101 is indicated by an arrow 102.
  • the process 101 can have a feedback 104.
  • a control system (control system) with a feedback is called a control system (control system or control loop).
  • digital twins can be used to gain knowledge about the requirements placed by the process 101 on the drive system 100 before the automation system is put into operation.
  • a digital twin of the drive system 100 - a drive twin 105 and a model of the control system 101 - the system model 106 are provided. These are preferably provided as separate software modules, for example which can be linked to each other, for example via EMI (Functional Mock-Up Interface).
  • a link can be made, for example, in a configuration/parameterization tool or a design tool or an engineering tool 107 of an engineering platform.
  • the link creates a digital twin of the overall system 103 - the overall twin 108.
  • the link is not a purely application-related connection, but rather enables a data exchange 109 between the models, i.e. between the drive twin 105 and the system model 106.
  • the drive twin 105 can be selected, for example, based on the interfaces and the known information regarding the current application. This selection can be made on a knowledge base of existing designs under similar boundary conditions (with specification of the degree of fulfillment), for example using generative neural networks.
  • the aim of the design is to find a drive system 100 suitable for the process 101 .
  • the system model 106 is specified by the application or by the process 101.
  • the system model 106 can describe one or more of the following applications: PLC, application (e.g. mechanics), supply network, other drives, DC rail, cooling medium, and much more.
  • the plant model 106 is available in a time-based simulation language (optionally integrated in the design tool 107) in order to enable a simulation-programmatic problem description. Both the working twin 105 and the track model 106 are configurable.
  • the drive twin 105 can comprise several parameterizable, interconnectable and coordinated simulation models 105a, 105b, 105c, 105d, 105e, with different simulation models 105a to 105e preferably being assigned to different simulation domains.
  • the drive twin 105 can therefore comprise, for example, one or more of the following models 105a to 105e: thermal simulation model, electrical simulation model, mechanical simulation model, information technology model (for simulating control, logic, data pre-/post-processing, ...), a magnetic model, an acoustic model.
  • the simulation model can be designed as a combination of the information electromagnetic model and a closed current control loop.
  • “coordinated with one another” means above all that, when different simulation models are linked with one another, certain values of the parameters of the simulation models 105a to 105e are coordinated with one another and pre-assigned accordingly. In comparison to the unlinked simulation models 105a to 105e, this can mean, for example, that certain parameters have different threshold values and/or tolerance limits.
  • Each simulation model 105a to 105e can be designed as a static (time-independent) or as a dynamic simulation model, which enables a time-based simulation. This can, for example, enable an observation of speed control behavior or network harmonics.
  • the selection of the appropriate simulation models 105a to 105e can, like the selection of the drive twin 105 described above, be made based on the interfaces and the known information about the process 101 or the system model 106. This selection can be made on the basis of a knowledge base of existing designs under the same or similar boundary conditions (preferably with an indication of the degree of fulfillment), for example with the aid of generative neural networks.
  • the drive twin 105 can also be configured with regard to its level of detail. This means that, for example, each simulation model 105a to 105e included in the drive twin 105 can also be configured in detail. For example, the number and/or type of connection points and/or the sampling rates can be adjustable.
  • route model 106 can also be configurable with regard to its level of detail.
  • the drive twin 105 and/or the system model 106 can be designed in such a way that their refinement or coarsening can be carried out at any time.
  • the level of detail of the drive twin 105 can be adapted to the level of detail of the system model 106 or vice versa.
  • the drive twin 105 when linking, is first parameterized.
  • One or more 106 simulation models 105a to 105e that match the system model can be selected in the drive twin 105.
  • the start parameter set 110 can be used directly to design the drive system 100. In other words, a first "rough design" of the drive 100 can take place with the first link.
  • a possible initial parameterization can, for example, consist of automatic controller settings (and, if necessary, targeted additional inputs) (e.g. one-button tuning).
  • the focus in the first step of the rough design should be on the realization of the desired function of the application scenario, but not on the limitations of the potential solution portfolio.
  • one or more low-level-of-detail models 105a to 105e can be selected from the drive twin 105 and parameterized to the extent known from the drive system 100.
  • the simulation results 113 can be present, for example, in the form of a load curve or several load curves for actual load over time.
  • the simulation of the drive twin 105 (or its parts 105a to 105e) or of the entire twin 108 can be carried out internally, i.e. within the automation system, or on external resources, e.g. using a cloud infrastructure. In this case, variants can advantageously be calculated in parallel without increasing the time required.
  • the simulation results 113 can include information about the interaction behavior of the drive twin 105 with the plant model 106. These can contain at least one of: load profile of the drive; the effect of different multi-axis operations on one or parallel feeds and the surrounding system, etc.
  • the interaction behavior can be used to investigate an effect of the change in the system model 106 on the drive twin 105, i.e. on its parameterization.
  • a low-level simulation (rough design) of the entire twin 108 can be initiated and carried out up to a certain termination criterion, for example, until the drive selection (the parameterization of the drive twin 105) no longer changes.
  • the parameterization achieved in this way can be used as a start parameter set 110, for example to re-parameterize the drive twin 105.
  • the behavior of the overall system 103 is also investigated, with the drive system 100 of the overall system 103 being designed according to the start parameter set 110. In this process, real (experimental) data 114 are collected on the behavior of the overall system 103.
  • the simulation results 113 are compared 115 with the data 114 that characterize the behavior of the overall system 103.
  • the behavior of the overall system 103 in the first rough design deviates from the behavior of the overall twin 108, so that the simulation results 113 do not agree with the measured values 114.
  • a first step for example, it is achieved that the overall twin 108 behaves sufficiently consistently with the overall system 103, i.e. that the simulation results 113 from the simulation of the overall twin 108 are, for example, within defined limits and/or meet criteria.
  • This can be achieved by means of a mathematical optimization method in which one or more parameters from the start parameter set 110 are varied. It is understood that varying the parameters from the start parameter set 110 influences the simulation results. During optimization, a search is made for those changed, optimized parameters for which the deviation of the simulation results 113 from the behavior of the overall system 103 is the smallest or the simulation results are, for example, within defined limits and/or meet certain criteria.
  • a conventional optimization method can be used for this: Ansys optiSLang; Optimization Toolbox from MATLAB or Simcenter HEEDS.
  • the uncertainty of the model increases from the drive controller to the system model.
  • the software parameters and controller topology are identical, the configuration and component data of the drive system 100 are known (but may contain tolerances or be from a third-party manufacturer), but the control or regulated system 101 has the highest uncertainties. This means that the focus of the system to be calibrated is on the parts of the system that are "furthest away" from the drive system 100.
  • the deviation can provide insight into which aspects of the overall twin 108 and in particular of the drive twin 103 are in need of optimization.
  • the drive twin 105 can therefore be optimized with regard to a predetermined optimization goal 116 by varying those parameters from the start parameter set 110 of the drive twin 105 that are related to the optimization goal 116, and then examining the effect of the variation of the parameters on the simulation results 113 obtained from the simulation of the overall twin 108. In doing so, an optimum, preferably a minimum, can be sought under the condition that the simulation results 113 from the simulation of the overall twin 108 lie within defined limits and/or meet certain criteria. This results in an optimized parameter set 117 of the drive twin 105, which can be used to design the drive system 100.
  • One of many examples of the relationships between parameters and optimization goals is, for example, the performance (of the converter) and the costs.
  • the optimization can be carried out with regard to various optimization criteria or weighted individual criteria, such as: • Cost,
  • the result could be, for example, a detailed BOM (Bill of Materials) or the pre-commissioned project for transfer to the real drive system 100.
  • the level of detail of the drive twin 105 and/or the route model 106 can be changed.
  • the level of detail of the drive twin 105 or of the simulation models 105a to 105e can be automatically selected based on the environment model 106.
  • a refinement (if more details are required) or a coarsening (if certain details are not important) of the drive twin 105 and/or the route model 106 is possible.
  • an optimization of certain components of the drive twin 105 for example, the converter model and/or the model of the electric rotary machine and its operation in order to better adapt the drive twin 105 to the system model 106.
  • additional information 118 for example, details on the mass distribution in the drive train, loss resistances in the lines, flow channels in the cooling, etc.
  • additional information 118 for example, details on the mass distribution in the drive train, loss resistances in the lines, flow channels in the cooling, etc.
  • a calibrated model for example with the help of field data, or a model from component suppliers can be considered as additional information here.
  • the optimized parameter set 117 is then used to design the drive system 100. This results in an optimized or optimally designed drive system 100 for the control path 101.
  • a drive system 100 is now available in a next design stage. If the optimized parameters 117 are transferred to the drive twin 105 or to another digital twin, a higher-level-of-detail digital twin is obtained, which can parameterize the drive system 100 as part of an (automated) commissioning if necessary.
  • Several of these higher-level-of-detail digital twins can also be achieved, which can be used simultaneously/side by side (for example as different simulation domains) or serially. (for example, ever higher levels of detail) can build on one another.
  • the aforementioned steps - simulation, testing, optimization, transferring optimization results to the drive system 100 - can be repeated as often as required (see S70 in FIG 2).
  • the optimized parameter set from the previous design stage is used as the initial parameter set.
  • the optimization goal can be redefined with each repetition.
  • the level of detail of the drive twin 105 and/or the system model 106 can be changed or adapted. This allows optimization with regard to different optimization goals with different repetitions.
  • the information required for the drive twin 105 and/or for the system model 106 can depend on the previous design level.
  • the drive twin 105 and preferably the simulation models 105a to 105e are simulated with the same or a more detailed environment model 106 and checked with regard to definable quality criteria. This may be necessary depending on the target criterion.
  • the design cycle can be further refined iteratively until an appropriate termination criterion is available.
  • the result of the simulation with the overall twin 108 can provide information on changing the environment model 106 in order to achieve better quality with regard to the optimization criteria of the overall twin 108 (for example, a recommendation to change the load profile, the properties of the travel profile, or similar).
  • a recommendation to change the load profile, the properties of the travel profile, or similar for example, a recommendation to change the load profile, the properties of the travel profile, or similar.
  • the iterative approach to evaluating alternative variants of a system can also be used to perform a sensitivity analysis, the results of which can also be used to make trade-off assessments on the requirements side. This allows an improved offer to be defined in the portfolio. For example, "If the tolerance for the value 'x' can be reduced, then energy consumption will fall by 'y' - is this an option in the portfolio?"
  • FIG 2 shows a flow chart of a design method for a drive system, for example for the drive system 100.
  • FIG 2 can be viewed as a summary of the steps already described in connection with FIG 1.
  • a configurable digital twin of the drive system 100 - the drive twin 105 - and a configurable model of the control system 101 - the system model 106 - are provided.
  • the drive twin 105 is linked to the system model 106 to form an executable digital twin of the overall system 103 - the overall twin 108.
  • Linking means that the twins can exchange data.
  • the drive twin 105 is parameterized.
  • a start parameter set 110 of the drive twin 105 is available, which can function as the first rough design of the drive system 100.
  • a step S3 the behavior of the overall system 103 is simulated by executing the overall twin 108. This produces simulation results 113.
  • the following steps describe a verification of the simulation results, which can be carried out iteratively until the desired result is achieved.
  • Several design stages may be necessary to reach the desired result.
  • the desired result is usually implemented as a predefinable termination criterion. If the criterion is met at a design stage, the simulation results available at this stage are considered verified.
  • the corresponding parameter set can be used to design the drive system 100.
  • step S4 the drive system 100 of the overall system 103 is first designed according to the start parameter set 110 - the rough design is carried out.
  • a step S 6 it is first checked whether the behavior of the overall system 103 deviates from the simulation results 113 , which is usually often the case during the first rough design .
  • the start parameter set 110 is already considered verified and can be used to design the drive system 100 - step S 60 . In this case, the design ends after the start parameter set 110 has been adopted - step S 61 .
  • a deviation is detected, it can be analyzed to determine where optimization is needed. For example, it can be examined whether there is a specific domain (electrical, thermal, mechanical) where the simulation does not match the experimental data 114 or whether there are other selected parameters of the drive 100 that contribute to a non-optimal control of the process 101.
  • a specific domain electrical, thermal, mechanical
  • the drive twin 105 is optimized with respect to an optimization goal, whereby the optimization goal can be determined and set based on the analysis of the deviation. It may be useful to change the level of detail of the drive twin 105 and/or the route model 106 in order to obtain better optimization results.
  • step S6a for example, only the level of detail of the drive twin 105 is changed without changing the level of detail of the route model 106.
  • step S6b for example, only the level of detail of the route model 106 is changed without changing the level of detail of the drive twin 105. It is also conceivable that the level of detail of both the drive twin 105 and the route model 106 is changed.
  • the change may be a refinement or a coarsening of the aspects of the corresponding models.
  • connection points and/or sampling rates of the models can be changed.
  • a model e.g. the drive twin 105
  • changing a model may also make it necessary to adapt the system model 106.
  • the level of detail of the system model 106 is adapted to the level of detail of the drive twin 105 - step S6c.
  • step S6d the level of detail of the drive twin 105 is adapted to the level of detail of the route model 106.
  • an optimized parameter set 117 is generated for the drive twin 105 (see FIG 3), with which the drive system 100 can be designed.
  • the drive system 100 of the overall system 103 is designed according to the optimized parameter set 117. This creates an optimized drive system 100 for the control path 101.
  • step S3 - S70 the drive twin 105 is parameterized with the optimized parameter set 117 and not with the start parameter set 110 for the simulation.
  • the configuration or parameterization tool 107 can be stored in a computing device (not shown here) and executed by it.
  • the computing device can be designed, for example, as a system of computers communicating with one another, e.g. as a cloud infrastructure.
  • the computing device comprises an engineering platform.
  • the engineering platform can comprise and execute a configuration or parameterization tool 107.
  • the engineering platform comprises a corresponding solver to execute the aforementioned models.
  • the aforementioned models and in particular the overall twin 108 can also be executed as a co-simulation in the computing device.
  • an interprocess communication takes place between the engineering platform and, for example, the overall twin 108 or a part of the overall twin 108, e.g. the drive twin 105 or the line model 106.
  • the engineering platform processes a sub-process that supplies one or more of the aforementioned models (e.g. the overall twin 108, the drive twin 105, the line model 106, etc.) with the corresponding information required for the simulation and preferably the simulation is orchestrated.
  • the engineering platform does not contain a solver that is responsible for processing the corresponding model(s).
  • the solver can run on a remote computer, e.g. in the cloud.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Description

Beschreibung
Verfahren und Systeme zum Auslegen von Antriebssystemen
Unabhängig vom grammatikalischen Geschlecht eines bestimmten Begriffes sind Personen mit männlicher weiblicher oder anderer Geschlechteridentität mit umfasst.
Die vorliegende Offenbarung betrifft ein computergestütztes Verfahren ein System zum Auslegen zumindest eines Antriebssystems, welches eine Steuerstrecke unmittelbar beeinflusst - und somit einen Prozess steuert, insbesondere regelt (in dem Fall - Regelstrecke) , wobei das Antriebssystem und die Steuerstrecke gemeinsam ein Gesamtsystem bilden.
Darüber hinaus betrifft die vorliegende Offenbarung eine Recheneinrichtung umfassend eine Engineering-Plattform, welche dazu konfiguriert ist, das vorgenannte Verfahren auszuführen oder dieses zu orchestrieren.
Außerdem betrifft die vorliegende Offenbarung ein Computerprogramm, welches Befehle umfasst, die, wenn sie von der vorgenannten Recheneinrichtung abgearbeitet werden, diese dazu veranlassen, das vorgenannte Verfahren auszuführen.
Obendrein betrifft die vorliegende Offenbarung ein maschinenlesbares Medium mit einem solchen Computerprogramm.
Frage zur Auslegung eines Antriebssystems oder seines Teilsystems (Objekt, wie Umrichter, Motor, etc.) kann sehr komplex sein. Ziel ist meist die Optimierung nach gewählten Kriterien (Kosten, Performance, insbesondere die Einstelldauer einer Regelgröße, Energieverbrauch, Platzbedarf etc.) . Dies umfasst sowohl die Wahl der richtigen Komponenten als auch die Wahl der richtigen Kombination.
Bevor eine Automatisierung einer Anlage erfolgt beziehungsweise eine Automatisierungsanlage gebaut werden kann, muss sie proj ektiert werden . Dabei werden für eine durch die Automatisierungsanlage , d . h . eine Anlage , die Automatisierungskomponenten beinhaltet , zu lösende Aufgabe passende Anlagenkomponenten ausgewählt . Das schließt die Auslegung der Antriebssysteme für die Anlagenkomponenten mit ein .
Die Auslegung hängt dabei von einem konkreten Anwendungss zenario wie zum Beispiel eine Unterstützung einer Inbetriebnahme , eine Unterstützung einer Diagnose , eine Unterstützung von Trainingsmaßnahmen etc . ab .
Typischerweise erfolgt diese Optimierung auf Basis statischer Daten, d . h . Katalog- , Typenschilddaten, etc . , die insbesondere nicht aktualisiert werden und vom Betriebsverhalten des Antriebssystems und/oder von der Dynamik in dem Anwendungsszenario nicht abhängen . Besonders nachteilhaft dabei ist , dass eine Optimierung basierend auf ( dynamischen) Eigenschaften des Systems nicht möglich ist . Bekannt ist z . B . eine Auslegung mit nur einem Optimierungskriterium (Baugröße oder Preis ) . Dabei ist die Auslegung nicht oder nur unvollständig automatisierbar, da die Validierung der Pro ektierung erst mit dem realen Gerät erfolgt bzw . der Vorstellungskraft und der Erfahrung des Anwenders überlassen wird .
Zur Auslegung können auch Berechnungsergebnisse verwendet werden, die mithil fe in Simulationstools einbindbarer digitaler Zwillinge der Antriebssysteme erzielt werden .
Ein digitaler Zwilling eines Antriebssystems ist grundsätzlich eine virtuelle Repräsentation des realen Antriebssystems und kann vorzugsweise echt zeit fähig gestaltet werden, wenn er beispielsweise durch aus Sensoren und anderen Datenquellen gewonnenen Daten in Echtzeit aktualisiert wird . Dieser digitale Zwilling kann auf einer Viel zahl von Datenquellen basieren, wie z . B . Betriebsdaten, Konstruktions zeichnungen und Modellen, Wartungshistorien und anderen Informationen, die im Laufe der Lebensdauer des Antriebssystems gesammelt wurden . Der digitale Zwilling kann eine Viel zahl von Funktionen ermöglichen, wie z . B . Überwachung, Simulation und Vorhersage von Leistung und Zustand des Antriebssystems . Es kann auch als digitales Modell für die Optimierung von Wartungsprozessen und die Verbesserung der Leistung dienen . Darüber hinaus kann es auch dazu beitragen, Aus fall zeiten und Wartungskosten zu reduzieren, indem es potenzielle Probleme frühzeitig erkennt und entsprechende Maßnahmen empfiehlt . Er kann genutzt werden, um auch die Ef fi zienz des Antriebssystems zu verbessern, indem es optimale Betriebsbedingungen ermittelt und vorschlägt und die Leistung im Laufe der Zeit überwacht .
Außerdem kann ein digitaler Zwilling des Antriebssystems eine leistungsstarke Möglichkeit bieten, die Leistung und Ef fi zienz des Antriebssystems zu optimieren und gleichzeitig die Wartungskosten zu senken .
Unter dem digitalen Zwilling ( zu engl . : digital twin) eines Antriebssystems wird im Rahmen der vorliegenden Of fenbarung ein Simulationsmodell des Antriebssystems verstanden, das beispielsweise in Form eines FMU-Modells ( FMU = Functional Mock-up Unit ) vorliegen kann - z . B . als eine . fmu-Datei , mit dem zumindest ein ausgewählter Teilaspekt des Verhaltens des Antriebssystems simuliert werden kann .
Solche FMUs können über sogenannte Functional Mock-up Interface oder kurz FMI s miteinander verknüpft werden ( siehe https : / / fmi-standard . org/ ) . FMI ist eine Standard-Schnittstelle für den Austausch von modellbasierten Simulationen zwischen verschiedenen Simulationswerkzeugen und -Umgebungen . FMUs genügen dem FMI Standard können aber grundsätzlich über andere Schnittstellen verbunden oder in andere Umgebungen eingebunden werden .
FMI definiert ein standardisiertes Datenformat für modellbasierte Simulationen, das auf XML- und Binärdateien basiert . Es ermöglicht den Austausch von Modellkomponenten und deren Verbindungen zwischen verschiedenen Simulationsumgebungen und -Tools . Es ermöglicht Erstellen von komplexen Systemen aus verschiedenen Komponenten und Modellen, die in verschiedenen Simulationsumgebungen und -Tools eingebettet werden können .
Insbesondere unterstützt EMI dynamische ( zeitbasierte ) Modelle , die auf unterschiedlichen mathematischen Beschreibungen basieren, wie z . B . Di f ferentialgleichungen, Zustandsautomaten, Ereignisgesteuerte Systeme und mehr . Im EMI können auch Schnittstellen definiert werden, die den Datenaustausch zwischen den Modellkomponenten und deren Steuerung durch die Simulationsumgebung ermöglichen .
Die Auslegung mithil fe digitaler Zwillinge erfolgt heute weitestgehend singulär . D . h . beispielsweise , dass die Verknüpfung von verschiedenen Tools und den Digital Twins oder den Digital Twins untereinander, wenn mehrere Antriebssysteme ausgelegt werden sollen, manuell erfolgt . Z . B . kann für die Auslegung eine Momentaufnahme eines Lastverhaltens für einen Antriebsverbund (Regelungseinheit mit der elektrischen rotatorischen Maschine ) die Haupteingangsgröße sein . Der Nutzer muss dabei verschiedene dieser Momentaufnahmen manuell j eweils separat im Auslegungstool bewerten und die optimale Auslegung selbst ermitteln .
Auch bei komplexeren Anlagen, die mehrere Antriebsverbünde beinhalten können, muss der Nutzer die einzelnen Verbünde manuell bewerten (beispielsweise für die Auslegung einer Einspeisung bei einem Mehrachser oder Parallelschaltung von Einspeisungen und die Wechselwirkungen der netzseitigen Filtermodule ) .
Der vorliegenden Of fenbarung liegt somit die Aufgabe zugrunde , Verfahren und Systeme zur Auslegung von Antriebssystemen bereitzustellen, die im Vergleich zu den bereits bestehenden Auslegungsverfahren und -Systemen schneller und einfacher in Handhabung sind und dabei genauere Auslegungsergebnisse liefern . Diese Aufgabe wird mit einem eingangs genannten computergestützten Verfahren zum Auslegen zumindest eines Antriebssystems , d . h . , zum Festlegen von Parametern des realen Antriebssystems gelöst , wobei
Sl : ein konfigurierbarer digitaler Zwilling des Antriebssystems - ein Antriebs zwilling - und ein vorgegebenes konfigurierbares Modell der Steuerstrecke - ein Streckenmodell - bereitgestellt werden,
S2 : der Antriebs zwilling mit dem Streckenmodell zu einem ablauf fähigen digitalen Zwilling des Gesamtsystems - einem Gesamt zwilling - verknüpft wird, wobei beim Verknüpfen der Antriebs zwilling parametriert wird, wodurch ein Startparametersatz des Antriebs zwillings festgelegt wird,
S3 : der Gesamt zwilling ausgeführt wird, um das Verhalten des Gesamtsystems zu simulieren und dadurch Simulationsergebnisse zu erhalten,
S4 : das Antriebssystem des Gesamtsystems gemäß dem Startparametersatz ausgelegt wird,
S5 : die Simulationsergebnisse mit dem Verhalten des Gesamtsystem verglichen werden,
S 6 : bei Abweichen des Verhaltens des Gesamtsystem von den Simulationsergebnissen, zumindest der Antriebs zwilling hinsichtlich eines vorgegebenen Optimierungs ziels optimiert wird, indem über einen oder mehr mit dem vorgegebenen Optimierungs ziel zusammenhängenden Parameter aus dem Startparametersatz ( 110 ) variiert wird, um die Abweichung des Verhaltens des Gesamtsystem ( 103 ) von den Simulationsergebnissen ( 113 ) zu minimieren, wodurch ein optimierter Parametersatz des Antriebs zwillings erhalten wird,
S7 : das Antriebssystem des Gesamtsystems gemäß dem optimierten Parametersatz ausgelegt wird . Dabei wird ein optimiertes Antriebssystem für die Steuerstrecke festgelegt /geschaf fen .
Ein ablauf fähiges digitales Abbild des Antriebssystems , das sein Verhalten beschreibt , i . e . , sein digitaler Zwilling stellt eine Simulation dar, die mit gleichen Parametern wie das echte System parametriert wird .
Somit kann der Begri f f „Parameter" eine Soft- und Hardwareeigenschaft sein .
Mit anderen Worten ist alles , was in einem Modell (Antriebszwilling, Gesamt Zwilling) einstellbar ist ein Parameter . In einem echten Antrieb kann unter „Parameter" ein konkretes Datum der Regelungs-Software bezeichnet werden . So kann der optimierte Parametersatz in Form einer ( optimierten) Proj ektierungsdatei für die Antriebssoftware und/oder eines Vorschlags , einen optimaleren Motor einzusetzen, vorliegen und entsprechend bei dem echten Antriebssystem eingesetzt werden .
Aus Sicht der Simulation sind das beides - Pro ektierungsdatei für die Antriebssoftware und Beschreibung der Parameter eines optimaleren Motors - Parameter .
Das Antriebssystem beeinflusst die Steuerstrecke unmittelbar . Das umfasst auch die Fälle , in welchen das Antriebssystem als „Störer" der Steuerstrecke fungiert . Insbesondere kann dies der Fall bei Netzrückwirkungen ( leitungsgebundenen EMV) sein . Diese sind nach diversen Normen und Richtlinien zu bewerten (bspw . DIN 61000-4-7 ) . In einem solchen Fall kann das hier beschriebene Verfahren verwendet werden, um die Konformität gegenüber solchen Normen nachzuweisen . In diesem Kontext stört das Antriebssystem, beispielsweise der Umrichter das Netz , wobei nachgewiesen werden soll , dass man unter bestimmten Störpegeln ist , um den Nebenef fekt des Einflusses des Antriebssystems auf das Netz in Kauf zu nehmen .
Die Verknüpfung des Antriebs zwillings mit dem Streckenmodell kann beispielsweise in einem Auslegungs- , Simulations- , Engineeringtool erfolgen .
Nach der Verknüpfung kann grundsätzlich Simulation eines gesteuerten Betriebs erfolgen (Antriebssystem steuert den Prozess ) , bei welchem das Antriebssystem beispielsweise die Temperatur einer Umgebung beeinflusst oder im U/ f Betrieb betrieben wird .
Nach der Verknüpfung kann der Antriebs zwilling mit dem Streckenmodell Daten austauschen und beispielsweise als Regelschlei fe wirken . Hierdurch kann ein geregelter Betrieb simuliert werden .
Bei einer Aus führungs form kann es vorgesehen sein, dass mehrere Antriebssysteme ausgelegt werden, wobei mehrere Antriebs zwillinge miteinander und/oder mit dem Streckenmodell verknüpft werden können . Dabei kann es vorgesehen sein, dass unterschiedliche Antriebssysteme unterschiedliche Prozesse steuern und insbesondere regeln sollen, wobei die Prozesse sich gegenseitig beeinflussen können .
Zusammenfassend kann der Gesamt Zwilling eine Mehrzahl von Antriebs zwillingen und Streckenmodellen umfassen, die miteinander auf eine bestimmte , durch das Anwendungss zenario definierte Weise verknüpft sind .
Vorzugsweise ist ein Antriebssystem als eine elektronische Regelungseinheit , beispielsweise als ein Umrichter, insbesondere als ein Frequenzumrichter, ausgebildet .
Bei einer Aus führungs form kann es vorgesehen sein, dass das Antriebssystem zusätzlich eine elektrische rotatorische Maschine , vorzugsweise an einen Elektromotor, beispielsweise einen Synchronmotor (wegen einer höheren Dynamik) oder Asynchronmotor umfasst .
Insbesondere kann es vorgesehen sein, dass die elektronische Regelungseinheit an die elektrische rotatorische Maschine gekoppelt ist , um diese mit Strom und Spannung mit bestimmten vorgebbaren Charakteristika (Amplitude , Frequenz , etc . ) zu versorgen . Solche Antriebssysteme ( elektronische Regelungseinheit und elektrische rotatorische Maschine ) sind im Bereich der Automatisierungstechnik hinlänglich bekannt und dienen beispielsweise dazu, mechanische Einrichtungen einer Automatisierungsanlage in Bewegung zu setzen. Hierzu können die Antriebssysteme Achsen einer Werkzeugmaschine oder eines Robotearms, Pumpen (Hydraulikantrieb) , Förderbänder, etc. antreiben, weshalb sie oft auch als „Antriebe" bezeichnet werden .
Mit anderen Worten werden Antriebsstränge vielseitig eingesetzt. Eine nichtabschließende Aufzählung der Anwendungen umfasst Bewegungsführung; elektromechanische Antriebssysteme in einer Werkzeugmaschine; Antrieb der Werkzeugmaschine; DC Motor Anwendung am Zwischenkreis; Batteriemanagement; netzseitige Anwendungen, um z.B. richtige Auslegung der Netzfilter zu erzielen und viel mehr. Die elektronische Regelungseinheit, beispielsweise der Umrichter kann dann geregelt, gesteuert oder als Störer in diese Prozesse wirken. Ein entsprechendes Optimum kann man in jeden dieser Szenarien simu- lativ mit dem Digital Twin untersuchen und eine optimale Regel- /Steuerstrategie oder minimale Störeinwirkung etc. ermitteln .
Der Anfangspunkt der Auslegung (erste grobe Auslegung, erste Auslegungsstufe) , die zur Ermittlung des Startparametersatzes führt, kann ein Umgebungsmodell (speicherprogrammierbare Steuerung (SPS) , Applikation (Mechanik) , Versorgungsnetz, andere Antriebe, DC Schiene / DC Applikation, Kühlungsmedium. . . ) in einer zeitbasierter Simulationssprache sein (optional in Auslegungstool integriert) , um eine simulationsprogrammatische Problembeschreibung zu ermöglichen. Welche Teile konkret im Umgebungsmodell und welche im auszulegenden Objekt des Antriebssystems liegen, kann offengehalten werden. Beispielsweise kann auch die SPS im Antriebszwilling liegen und in verschiedenen Abstraktionsstufen (beispielsweise als Fuzzy Logic...) hinterlegt sein.
Bei einer Aus führungs form kann es vorgesehen sein, dass Schritte S3 bis S7 zumindest einmal wiederholt werden. Dabei wird der optimierte Parametersatz bei j eder Wiederholung als Anfangs- beziehungsweise Startparametersatz verwendet - nächste oder zweite Auslegungsstufe . Insbesondere kann damit ein mathematisches Optimierungsverfahren genutzt werden für die Auslegung, wenn diese als ein Optimierungsproblem einer mehrdimensionalen Funktion dargestellt wird .
Bei einer Aus führungs form kann es vorgesehen sein, dass bei unterschiedlichen Wiederholungen ( in unterschiedlichen Auslegungsstufen) hinsichtlich unterschiedlicher Optimierungs ziele optimiert wird .
Bei j eder Wiederholung kann es zweckmäßig sein, wenn der Antriebs zwilling und vorzugsweise die Simulationsmodelle mit dem gleichen oder einem ebenfalls detaillierteren Umgebungsmodell simuliert und hinsichtlich definierbarer Gütekriterien überprüft werden . Dies kann j e nach Zielkriterium nötig sein .
Zudem kann es (während des hier beschriebenen iterativen Auslegungsprozesses ) Hinweise zur Änderung des Umgebungsmodells geben, um hinsichtlich Optimierungskriterien des Gesamtzwillings eine bessere Güte zu erzielen (beispielsweise Empfehlung Last- oder Verfahrprofil zu ändern o .Ä. ) . Hierfür kann es zweckmäßig sein zu definieren, welche Parameter des umgebenden Modells mit Toleranzen behaftet sind .
Bei einer Aus führungs form kann es vorgesehen sein, dass der Antriebs zwilling hinsichtlich seines Detaillierungsgrads und/oder das Streckenmodell hinsichtlich seines Detaillierungsgrads konfigurierbar sind/ ist , wobei unmittelbar vor beziehungsweise bei dem Optimieren der Detaillierungsgrad des Antriebs zwillings und/oder des Streckenmodells geändert wird, wobei vorzugsweise Anzahl und/oder Typ der Anschlussstellen und/oder Abtastraten einstellbar sind .
Der Detaillierungsgrad eines Modells bezieht sich auf die Menge und Genauigkeit der Informationen, die in das Modell integriert werden . Ein hochdetailliertes Modell enthält eine große Menge an Informationen, die spezi fisch und detailliert sind, während ein geringfügig detailliertes Modell nur grundlegende Informationen enthält .
Ein Modell mit höherem Detaillierungsgrad ist in der Regel komplexer und genauer, da es mehr spezi fische Variablen und Faktoren berücksichtigt . Allerdings kann ein höherer Detaillierungsgrad auch zu höheren Rechenaufwänden führen und das Modell möglicherweise schwieriger zu verstehen und zu interpretieren machen .
Der Detaillierungsgrad hängt grundsätzlich von der Anwendung des Modells ab und davon, welche Informationen für das spezifische Problem relevant sind . In manchen Fällen kann ein geringfügig detailliertes Modell ausreichend sein, während in anderen Fällen ein höherer Detaillierungsgrad notwendig ist , um genaue Ergebnisse zu erzielen .
Vorliegend kann es also vorgesehen sein, dass die Detaillierung des Antriebs zwillings und/oder des Streckenmodells an j ede Auslegungsstufe angepasst wird . Dies kann wahlweise die Vertiefung (wenn mehr Details erforderlich sind) aber auch die Vergröberung von Teilaspekten (wenn es auf Details gerade nicht ankommt ) bedeuten .
Beispielsweise kann es vorgesehen sein, dass der Detaillierungsgrad des Streckenmodells (vor oder bei dem Optimieren) durch Zuführen von Zusatzinformationen (beispielsweise Details zur Masseverteilung im Antriebstrang, Verlustwiderständen in den Leitungen, Strömungskanäle in der Kühlung, etc . ) erhöht wird . Dabei findet eine Verfeinerung des Streckenmodells statt . Der Informationsbedarf und somit auch die Menge der Zusatzinformationen kann dabei abhängig von der vorherigen Auslegungsstufe sein .
Dabei kann es zweckdienlich sein, wenn der Antriebs zwilling hinsichtlich seines Detaillierungsgrads und das Streckenmodell hinsichtlich seines Detaillierungsgrads konfigurierbar sind und wobei bei dem Optimieren der Detaillierungsgrad des Antriebs zwillings an den Detaillierungsgrad des Streckenmodells oder umgekehrt angepasst wird .
Bei einer Aus führungs form kann es vorgesehen sein, dass der Antriebs zwilling mehrere parametrierbare , miteinander verknüpfbare , aufeinander abstimmbare oder miteinander kompatible Simulationsmodelle umfasst .
Es kann auch vorgesehen sein, dass bei j edem Simulationsmodell , z . B . in den entsprechenden Domänen, der Detaillierungsgrad angepasst werden kann .
Aufeinander abstimmbare oder miteinander kompatibel bedeutet vorliegend unter anderem, dass , wenn diese Simulationsmodelle miteinander verknüpft werden, bestimmte Werte vorbelegt werden . Dabei können sich die Schwellenwerte ändern, oder bestimmte Parameter andere Toleranzgrenzen aufweisen .
Bei einer Aus führungs form kann es vorgesehen sein, dass unterschiedliche Simulationsmodelle unterschiedlichen Simulationsdomänen zugeordnet sind .
Bei einer Aus führungs form kann es vorgesehen sein, dass j edes Simulationsmodell ein stationäres ( zeitunabhängig) oder dynamisches ( zeitbasiert ) Simulationsmodell ist .
Bei einer Aus führungs form kann es vorgesehen sein, dass das Simulationsmodell ein thermisches Simulationsmodell , ein elektrisches Simulationsmodell , ein mechanisches Simulationsmodell , ein magnetisches Modell , ein akustisches Modell , ein inf ormationstechnisches , beispielsweise ein informationselektromagnetisches oder ein regelungstechnisches Modell oder eine Kombination davon ist . Insbesondere kann das Simulationsmodell als eine Kombination von einem informationselektromagnetischen Modell und einem geschlossenen Stromregelkreis ausgebildet sein . Die Auswahl des passenden Antriebs zwillings beziehungsweise der passenden Simulationsmodelle , z . B . , bei der Grobauslegung kann anhand der Schnittstellen und der bekannten Informationen erfolgen . Diese Auswahl kann auf einer Knowledge Base von bestehenden Auslegungen unter ähnlichen Randbedingungen (mit Angabe des Erfüllungsgrads ) erfolgen (beispielsweise durch generative neuronale Netze ) .
Es kann vorgesehen sein, dass mehrere Varianten des Antriebszwillings ( z . B . parallel ) untersucht werden . Dabei können verschiedene Motorvarianten, Umrichtergrößen, SW-Optionen, etc . untersucht werden, welche den vorgegebenen Randbedingungen genügen, die durch das Streckenmodell vorgegeben sind . Die Steuerung der Variation kann über bekannte Methoden der globalen nichtlinearen Optimierung mit Nebenbedingungen erfolgen (bspw . naturanaloge Verfahren ( evolutorische , schwarmbasierte Algorithmen) ) . Z . B . kann durch Variationen einer Start-Auslegung (verschiedene Startparametersätze ) und Anwendung eines genetischen Algorithmus in mehreren Schritten eine neue Start-Auslegung ( optimierter Startparametersatz ) gefunden werden, mit der in die nächste Detaillierungsstufe (Auslegungsstufe ) gegangen werden kann . Mit anderen Worten kann diese Auslegung bis zu einem Abbruchkriterium erfolgen (beispielsweise Antriebsauswahl ändert sich nicht weiter ) , um verschiedene S zenarien des umgebenden Systems abzudecken . Der ermittelte optimierte Startparametersatz kann im Anschluss in den Antriebs zwilling übertragen werden, wodurch ein Antriebszwilling eines höheren Detaillierungsgrades erzeugt wird . Es können auch mehrere dieser higher-level-of-detail DTs existieren, die parallel stehen (bspw . unterschiedliche Simulationsdomänen) oder seriell (bspw . immer höherer Detailgrad) aufeinander aufbauen .
Bei einer Aus führungs form kann es vorgesehen sein, dass die Steuerstrecke zusätzlich zumindest eine Rückführung aufweist .
Steuerung ist eine Regelung ohne Rückführung . Eine Rückführung ( auch Feedback genannt ) in der Regelungstechnik bezieht sich auf den Prozess , bei dem ein Teil des Ausgangssignals eines Systems zurückgeführt wird, um das Eingangssignal zu modi fi zieren und somit das Verhalten des Systems zu regulieren . Konkret bedeutet dies , dass das Ausgangssignal des Systems ( z . B . die Geschwindigkeit eines Motors ) mit einem Sollwert verglichen wird, der vom Benutzer oder durch das System selbst festgelegt wird . Falls eine Abweichung zwischen dem Ausgangssignal und dem Sollwert besteht , wird ein Fehler erkannt , und ein Korrektursignal wird generiert und auf das Eingangssignal des Systems angewendet . Das Ergebnis ist ein Regelkreis , der das Verhalten des Systems kontinuierlich anpasst , um den Sollwert zu erreichen und auf recht zuerhalten .
Bei einer Aus führungs form kann es vorgesehen sein, dass die Simulationsergebnisse Informationen über ein Interaktionsverhalten des Antriebs zwillings mit dem Streckenmodell umfassen .
Mit anderen Worten, erzeugt die Simulation des Gesamtzwillings als Ergebnis Informationen über das Interaktionsverhalten des Antriebs zwillings mit der Umgebungsmodell ( Streckenmodell ) . Diese Informationen können beispielsweise ein Belastungsprofil des Antriebs , die Auswirkung unterschiedlicher Mehrachsbetriebe auf eine oder parallele Einspeisungen und das umgebende System .
Diese Informationen beziehungsweise das Interaktionsverhalten kann als Grundlage für die nachfolgenden Auslegungsschritte dienen .
Es kann vorgesehen sein, dass der Auslegungsprozess , beispielsweise bei j eder Auslegungsstufe , eine Rückmeldung gibt , wie weit der Antriebs zwilling noch verfeinerbar ist .
Die vorgenannte Simulation ( des Gesamt Zwillings oder seiner Teile ) kann auf externen Ressourcen erfolgen z . B . auf einer Cloud-Plattform . Hier können vorteilhaft Varianten parallel gerechnet werden, ohne den Zeitaufwand in die Höhe zu treiben . Zusammenfassend macht sich das of fenbarte Verfahren unterschiedliche Detailstufen von Antriebs zwillingen zunutze , um hinsichtlich vorgebbarer Optimierungskriterien eine Lösung für ein vorgegebenes Problem anzubieten . Der Auslegungsprozess über Variantenbildung kann zusätzlich in eine iterative Detaillierung des Modells eingebunden werden kann .
Die Erfindung wird nachfolgend anhand von Aus führungsbeispielen näher erläutert . Dabei zeigen :
FIG 1 ein System zum Auslegen eines Antriebssystems ,
FIG 2 ein Flussdiagramm eines Verfahrens zum Auslegen eines
Antriebssystems , und
FIG 3 mögliche Aus führungs forme des Optimierungsschrittes der FIG 2 .
Die in den Figuren verwendete Bezugs zeichen dienen ausschließlich zur Verbesserung der Lesbarkeit und sind nicht als einschränkend aus zulegen . Die gleichen Bezugs zeichen in unterschiedlichen Figuren bezeichnen im Wesentlichen gleiche Elemente beziehungsweise Gegenstände .
FIG 1 zeigt ein (noch nicht ausgelegtes ) Antriebssystem 100 , welches Teil eines Automatisierungssystems (hier nicht gezeigt ) werden soll (nach der Auslegung) . Das Antriebssystem 100 kann als eine elektronische Regelungseinheit 100a, beispielsweise ein Umrichter, insbesondere ein Frequenzumrichter, ausgebildet sein .
Außerdem kann das Antriebssystem 100 zusätzlich eine elektrische rotatorische Maschine 100b, vorzugsweise einen Elektromotor, beispielsweise einen Asynchronmotor umfassen .
Dabei kann die elektronische Regelungseinheit mit der elektrischen rotatorischen Maschine verbunden sein, um diese mit Strom und Spannung mit bestimmten einstellbaren Charakteristika (Amplitude , Frequenz , etc . ) zu versorgen und dadurch beispielsweise ihr Drehmoment auf das erforderliche Niveau zu reduzieren oder zu erhöhen, um die Anforderungen der Anwendung zu erfüllen .
Solche Antriebssysteme können beispielsweise Achsen einer Werkzeugmaschine oder eines Roboterarms , Pumpen (Hydraulikantrieb ) , Förderbänder, etc . antreiben, weshalb sie oft auch als „Antriebe" oder „Antriebsstränge" bezeichnet werden .
Das Antriebssystem 100 beeinflusst unmittelbar einen ( realen) vorgegebenen Prozess 101 . In der Regelungstechnik wird ein Prozess oft als Synonym zum Begri f f Steuerstrecke verwendet .
Die Anwendung kann dabei zum Beispiel eine Unterstützung einer Inbetriebnahme , eine Unterstützung einer Diagnose , eine Unterstützung von Trainingsmaßnahmen etc . sein .
Die unmittelbare Einwirkung des Antriebssystems 100 auf den Prozess 101 ist mit einem Pfeil 102 verdeutlicht .
Gemeinsam bilden das Antriebssystem 100 und der Prozess 101 ein Gesamtsystem 103 .
Zusätzlich beziehungsweise optional kann der Prozess 101 eine Rückführung 104 aufweisen . Eine Steuerung ( Steuerstrecke ) mit einer Rückführung wird Regelung (Regelungsstrecke beziehungsweise Regelungsschlei fe ) genannt .
Um beispielsweise noch vor einer Inbetriebnahme des Automatisierungssystems Kenntnisse über die Anforderungen zu erlangen, die von dem Prozess 101 an das Antriebssystem 100 gestellt werden, können digitale Zwillinge verwendet werden .
Vorliegend werden ein digitaler Zwilling des Antriebssystems 100 - ein Antriebs zwilling 105 und ein Modell der Steuerstrecke 101 - das Streckenmodell 106 bereitgestellt . Diese sind vorzugsweise als beispielsweise getrennte Software-Bausteine ausgeführt , die miteinander, beispielsweise über EMI ( Functional Mock-Up Interface ) verknüpfbar sind .
Eine Verknüpfung kann beispielsweise in einem Konf igurations- /Parametrierungstool beziehungsweise einem Auslegungstool beziehungsweise einem Engineering-Tool 107 einer Engineering- Plattform vorgenommen werden . Durch die Verknüpfung wird ein digitaler Zwilling des Gesamtsystems 103 - der Gesamt Zwilling 108 - erzeugt .
Die Verknüpfung ist dabei keine reine applikative Verbindung, sondern ermöglicht einen Datenaustausch 109 zwischen den Modellen, d . h . , zwischen dem Antriebs zwilling 105 und dem Streckenmodell 106 .
Die Auswahl des Antriebs zwillings 105 kann beispielsweise anhand der Schnittstellen und der bekannten Informationen betref fend den vorliegenden Anwendungs fall erfolgen . Diese Auswahl kann auf einer Knowledge Base von bestehenden Auslegungen unter ähnlichen Randbedingungen (mit Angabe des Erfüllungsgrads ) beispielsweise unter Verwendung von generativen neuronalen Netzen erfolgen .
Das Ziel der Auslegung ist , ein für den Prozess 101 passendes Antriebssystem 100 zu finden .
Das Streckenmodell 106 ist durch die Anwendung beziehungsweise durch den Prozess 101 vorgegeben . Dabei kann das Streckenmodell 106 eine oder mehr von folgenden Anwendungen beschreiben : SPS , Applikation ( z . B . Mechanik) , Versorgungsnetz , andere Antriebe , DC-Schiene , Kühlungsmedium, und viel mehr .
Vorzugsweise liegt das Streckenmodell 106 in einer zeitbasierten Simulationssprache ( optional im Auslegungstool 107 integriert ) vor, um eine simulationsprogrammatische Problembeschreibung zu ermöglichen . Sowohl der Arbeits zwilling 105 als auch das Streckenmodell 106 sind konfigurierbar .
Der Antriebs zwilling 105 kann mehrere parametrierbare , miteinander verknüpfbare , und aufeinander abstimmbare Simulationsmodelle 105a, 105b, 105c, 105d, 105e umfassen, wobei unterschiedliche Simulationsmodelle 105a bis 105e vorzugsweise unterschiedlichen Simulationsdomänen zugeordnet sind . Der Antriebs zwilling 105 kann also beispielsweise eines oder mehrere von folgenden Modellen 105a bis 105e umfassen : thermisches Simulationsmodell , elektrisches Simulationsmodell , mechanisches Simulationsmodell , inf ormationstechnisches Modell ( zum Simulieren von Regelung, Logik, Datenvor-/nachverarbei- tung, ... ) , ein magnetisches Modell , ein akustisches Modell . Insbesondere kann das Simulationsmodell als eine Kombination des informationselektromagnetischen Modells und eines geschlossenen Stromregelkreises ausgebildet sein .
Dabei bedeutet „aufeinander abstimmbar" vor allem, dass , wenn verschiedene Simulationsmodelle miteinander verknüpft werden, bestimmte Werte der Parameter der Simulationsmodelle 105a bis 105e aufeinander abgestimmt und entsprechend vorbelegt werden . Im Vergleich zu den nicht verknüpften Simulationsmodellen 105a bis 105e kann dies beispielsweise bedeuten, dass bestimmte Parameter andere Schwellenwerte und/oder Toleranzgrenzen aufweisen .
Jedes Simulationsmodell 105a bis 105e kann als ein statisches ( zeitunabhängiges ) oder als ein dynamisches Simulationsmodell , welches eine zeitbasierte Simulation ermöglicht , ausgeführt sein . Dabei kann beispielsweise eine Betrachtung von Drehzahlregelungsverhalten oder Netzoberschwingungen ermöglicht sein .
Die Auswahl der passenden Simulationsmodelle 105a bis 105e kann, wie die oben beschriebene Auswahl des Antriebs zwillings 105 , anhand der Schnittstellen und der bekannten Informationen zu dem Prozess 101 oder zu dem Streckenmodell 106 erfolgen . Diese Auswahl kann auf einer Knowledge Base von bestehenden Auslegungen unter gleichen oder ähnlichen Randbedingungen (vorzugsweise mit Angabe des Erfüllungsgrads ) , beispielsweise mit Hil fe von generativen neuronalen Netzen erfolgen .
Der Antriebs zwilling 105 kann darüber hinaus hinsichtlich seines Detaillierungsgrads konfigurierbar sein . Dies bedeutet , dass beispielsweise auch j edes vom Antriebs zwilling 105 umfasste Simulationsmodell 105a bis 105e in seinem Detail konfiguriert werden kann . Dabei kann beispielsweise die Anzahl und/oder der Typ der Anschlussstellen und/oder die Abtastraten einstellbar sein .
Außerdem kann auch das Streckenmodell 106 hinsichtlich seines Detaillierungsgrads konfigurierbar sein .
Mit anderen Worten können/ kann der Antriebs zwilling 105 und/oder das Streckenmodell 106 derart ausgebildet sein, dass ihre Verfeinerung oder Vergröberung j ederzeit vorgenommen werden kann .
Insbesondere kann der Detaillierungsgrad des Antriebs zwillings 105 and den Detaillierungsgrad des Streckenmodells 106 oder umgekehrt angepasst werden .
Zusammenfassend wird beim Verknüpfen zunächst der Antriebszwilling 105 parametriert . Dabei können ein oder mehrere zu dem Streckenmodell passende 106 Simulationsmodelle 105a bis 105e im Antriebs zwilling 105 gewählt werden . Hierdurch wird ein Startparametersatz 110 des Antriebs zwillings 105 festgelegt . Der Startparametersatz 110 kann unmittelbar zur Auslegung des Antriebssystems 100 verwendet werden . Mit anderen Worten kann mit der ersten Verknüpfung eine erste „Grobauslegung" des Antriebs 100 stattfinden .
Eine mögliche Initialparametrierung kann sich beispielsweise aus automatischen Reglereinstellungen (und gegebenenfalls mit gezielten Zusatzeingaben) ergeben (beispielsweise One-Button- Tuning) .
Mit anderen Worten soll der Fokus im ersten Schritt der Grobauslegung auf die Realisierung der gewünschten Funktion des Anwendungss zenarios gelegt werden, nicht aber die Beschränkungen des potenziellen Lösungsport folios .
Dabei können von dem Antriebs zwilling 105 ein oder mehrere low-level-of-detail Modelle 105a bis 105e ( generischer digitale Zwillinge ) ausgewählt und in j enem Umfang parametriert werden, der vom Antriebssystem 100 bekannt ist .
Mit dem (nun parametrierten) Gesamt Zwilling 108 ist eine Simulation des Gesamtsystems 103 möglich . Eine Simulation, bei welcher der Einfluss 102 des Antriebssystems 100 auf den Prozess 101 und vorzugsweise auch die Rückführung 104 simuliert werden ( Pfeile 111 , 112 ) , wird durchgeführt und dadurch Simulationsergebnisse 113 erhalten . Dabei können eine oder mehrere geschlossene Regelungsschlei fen 112 simuliert werden . Die Simulationsergebnisse 113 können beispielsweise in Form von einer Lastkurve beziehungsweise mehreren Lastkurven für tatsächliche Last über der Zeit vorliegen .
Dabei können, ermöglicht durch die Wählbarkeit und/oder die Konfigurierbarkeit des Antriebs zwillings 105 und seiner Simulationsmodelle 105a bis 105e , mehrere Varianten (beispielsweise parallel ) untersucht werden . Hierzu können beispielsweise Motorvarianten, Umrichtergrößen, ( Firmen- ) Software-Optionen variiert werden, welche den vorgegebenen Randbedingungen, die in dem vorgegebenen Prozess 101 beziehungsweise Streckenmodell 106 verankert sind, genügen . Die Steuerung der Variation kann über bekannte Methoden der globalen nichtlinearen Optimierung mit Nebenbedingungen erfolgen (beispielsweise naturanaloge Verfahren ( evolutorische , schwarmbasierte Algorithmen) ) . Z . B . kann durch Variieren der Start- bzw . Grobauslegung und Anwendung eines genetischen Algorithmus in mehreren Schritten eine neue Start-Auslegung gefunden werden, mit der in die nächste Detaillierungsstufe gegangen werden kann .
Die Simulation des Antriebs zwillings 105 ( oder seiner Teile 105a bis 105e ) oder auch des Gesamt Zwillings 108 kann intern, d . h . innerhalb der Automatisierungsanlage , oder auf externen Ressourcen erfolgen, z . B . unter Verwendung einer Cloud- Infra- struktur . Hier bei können vorteilhaft Varianten parallel gerechnet werden, ohne den Zeitaufwand in die Höhe zu treiben .
Die Simulationsergebnisse 113 können Informationen über das Interaktionsverhalten des Antriebs zwillings 105 mit dem Streckenmodell 106 umfassen . Diese können zumindest eines enthalten von : Belastungsprofil des Antriebs ; die Auswirkung unterschiedlicher Mehrachsbetriebe auf eine oder parallele Einspeisungen und das umgebende System, usw .
Dieses Interaktionsverhalten kann die Grundlage für die nachfolgenden Auslegungsschritte bilden (vgl . unten) .
Alternativ oder zusätzlich kann das Interaktionsverhalten dazu verwendet werden, um eine Auswirkung der Änderung des Streckenmodells 106 auf den Antriebs zwilling 105 , d . h . auf seine Parametrierung, zu untersuchen .
Mit anderen Worten kann eine low-level Simulation ( Grobauslegung) des Gesamt Zwillings 108 angestoßen und bis zu einem bestimmten Abbruchkriterium ausgeführt , beispielsweise , bis sich die Antriebsauswahl ( die Parametrierung des Antriebszwillings 105 ) nicht weiter ändert . Damit werden verschiedene Szenarien des umgebenden Systems 106 abgedeckt . Dabei ist es nicht notwendig, sich nur auf einen wiederum erfahrungswertabhängigen Worst-Case einzuschränken, sondern den Lösungsraum bewusst of fen zu halten . Die hierdurch erzielte Parametrierung kann als Startparametersatz 110 verwendet werden, um beispielsweise den Antriebs zwilling 105 neu zu para- metrieren . Anschließend oder parallel zu der Simulation wird auch das Verhalten des Gesamtsystems 103 untersucht , wobei das Antriebssystem 100 des Gesamtsystems 103 gemäß dem Startparametersatz 110 ausgelegt wurde . Dabei werden reale ( experimentelle ) Daten 114 über das Verhalten des Gesamtsystems 103 erhoben .
Die Simulationsergebnisse 113 werden mit den Daten 114 , die das Verhalten des Gesamtsystem 103 charakterisieren, verglichen 115 .
In der Regel weicht das Verhalten des Gesamtsystem 103 bei der ersten Grobauslegung von dem Verhalten des Gesamtzwillings 108 ab, sodass die Simulationsergebnisse 113 nicht mit den Messwerten 114 übereinstimmen .
An dieser Stelle kann eine Kalibrierung des Gesamt Zwillings 108 auf die realen Messwerte 114 erfolgen, um den notwendigen Fehlerabgleich zu gewährleisten .
In einem ersten Schritt wird beispielsweise erreicht , dass sich der Gesamt Zwilling 108 hinreichend konsistent zum Gesamtsystem 103 verhält , d . h . , dass die Simulationsergebnisse 113 aus der Simulation des Gesamt Zwillings 108 beispielsweise innerhalb definierter Grenzen liegen und/oder Kriterien erfüllen . Dies kann mittels eines mathematischen Optimierungsverfahrens erreicht werden, bei welchem ein oder mehr Parameter aus dem Startparametersatz 110 variiert werden . Es versteht sich, dass das Variieren der Parameter aus dem Startparametersatz 110 die Simulationsergebnisse beeinflusst . Beim Optimieren wird dabei nach j enen geänderten, optimierten Parametern gesucht , für welche die Abweichung der Simulationsergebnisse 113 von dem Verhalten des Gesamtsystems 103 am geringsten ist beziehungsweise die Simulationsergebnisse beispielsweise innerhalb definierter Grenzen liegen und/oder bestimmte Kriterien erfüllen . Hierzu kann ein herkömmliches Optimierungsverfahren verwendet werden Ansys optiSLang; Optimi zation Toolbox von MATLAB oder Simcenter HEEDS . Normalerweise wächst die Unsicherheit des Modells vom Antriebsregler hin zum Streckenmodell . Mit anderen Worten sind die Softwareparameter und Controller-Topologie sind identisch, die Konfiguration und Komponentendaten des Antriebssystems 100 sind bekannt ( können j edoch Toleranzen beinhalten oder von einem Fremdhersteller sein) , die Steuer- oder die Regelstrecke 101 hat hingegen die höchsten Unsicherheiten . Das heißt , der zu kalibrierende Schwerpunkt des Systems liegt auf den Teilen des Systems , die „am weitesten entfernt" vom Antriebssystem 100 sind .
Der Abweichung kann allerdings eine Erkenntnis darüber abgewonnen werden, welche Aspekte des Gesamt Zwillings 108 und insbesondere des Antriebs zwillings 103 optimierungsbedürftig sind .
Der Antriebs zwilling 105 kann also hinsichtlich eines vorgegebenen Optimierungs ziels 116 optimiert werden, indem über j ene Parameter aus dem Startparametersatz 110 des Antriebszwillings 105 variiert wird, die mit dem Optimierungs ziels 116 Zusammenhängen, und anschließend die Auswirkung der Variation der Parameter auf die aus der Simulation des Gesamtzwillings 108 erhaltenen Simulationsergebnisse 113 untersucht wird . Dabei kann nach einem Optimum, vorzugsweise nach einem Minimum unter der Bedingung gesucht werden, dass die Simulationsergebnisse 113 aus der Simulation des Gesamt Zwillings 108 innerhalb definierter Grenzen liegen und/oder bestimmte Kriterien erfüllen . Hierdurch wird ein optimierter Parametersatz 117 des Antriebs zwillings 105 erhalten, der zur Auslegung des Antriebssystems 100 dienen kann . Ein von vielen Beispielen der Zusammenhänge zwischen Parametern und Optimierungs zielen stellt z . B . die Leistung ( des Umrichters ) und die Kosten .
Die Optimierung kann hinsichtlich verschiedener Optimierungskriterien oder gewichteter Einzelkriterien erfolgen, wie z . B . : • Kosten,
• Regelgenauigkeit ,
• Regelgüte
• Performanz , insbesondere im Sinne von Durchsatz , Einstelldauer einer Regelgröße ,
• Energieverbrauch,
• Konsequenzen für die Peripherie (verfügbare Schnittstellen für Hil fsgrößen (bspw . Kühlung oder Spannungsebenen) ) ,
• Platzverbrauch, insbesondere kumulierter Platzverbrauch,
• Erscheinungsj ahr,
• prospektive Lebensdauer,
• prospektive Wartungsintensivität ,
• EMV-Klasse ,
• sonstige Normenklassen,
• etc .
Diese Kriterien können auch kombiniert und mit (unterschiedlichen) Gewichtungen belegt werden .
Als Ergebnis seien beispielsweise eine detaillierte BOM (Bill of Materials ) oder das vorinbetriebgenommene Proj ekt für die Übertragung in das reale Antriebssystem 100 zu nennen .
Unmittelbar vor oder bei dem Optimieren kann der Detaillierungsgrad des Antriebs zwillings 105 und/oder des Streckenmodells 106 geändert werden .
Beispielsweise kann der Detaillierungsgrad des Antriebs zwillings 105 oder auch der Simulationsmodelle 105a bis 105e basierend auf dem Umgebungsmodell 106 automatisch gewählt werden .
Insbesondere ist eine Verfeinerung (wenn mehr Details erforderlich sind) oder eine Vergröberung (wenn es auf bestimmte Details gerade nicht ankommt ) des Antriebs zwillings 105 und/oder des Streckenmodells 106 möglich . Dabei kann eine Optimierung bestimmter Bestandteile des Antriebs zwillings 105 , beispielsweise des Umrichter-Modells und/oder des Modells der elektrischen rotatorischen Maschine und deren Betriebs erfolgen, um den Antriebs zwilling 105 besser an das Streckenmodell 106 anzupassen .
Außerdem kann es zweckdienlich sein, das Streckenmodell 106 (vor oder bei dem Optimieren) durch Zusatzinformationen 118 (beispielsweise Details zur Masseverteilung im Antriebstrang, Verlustwiderständen in den Leitungen, Strömungskanäle in der Kühlung, etc . ) anzureichern beziehungsweise mit den Zusatzinformationen 118 zu verfeinern . Außerdem kommt als Zusatzinformationen hier beispielsweise ein kalibriertes Modell beispielsweise mit Hil fe von Felddaten oder ein Modell von Komponentenlieferanten in Betracht .
Der optimierte Parametersatz 117 wird anschließend zur Auslegung des Antriebssystems 100 verwendet . Hierdurch wird optimiertes beziehungsweise optimiert ausgelegtes Antriebssystem 100 für die Steuerstrecke 101 erhalten .
Der optimierte Parametersatz 117 ( eine Kopie davon) kann auch für eine spätere Nutzung im Betrieb gespeichert werden . Dabei kann der optimierte Parametersatz 117 beispielsweise in den Antriebs zwilling 105 oder in einen anderen digitalen Zwilling übertragen werden, um diesen digitalen Zwilling später, beispielsweise in Betrieb zu verwenden .
Mit anderen Worten liegt nun ein Antriebssystem 100 in einer nächsten Auslegungsstufe vor . Wenn die optimierten Parameter 117 in den Antriebs zwilling 105 oder in einen anderen digitalen Zwilling übertragen werden, erhält man einen higher-le- vel-of-detail digitalen Zwilling, der gegebenenfalls im Rahmen einer ( automatisierten) Inbetriebsetzung das Antriebssystem 100 parametrieren kann . Es können auch mehrere dieser higher-level-of-detail digitale Zwillinge erzielt werden, die gleichzeitig/nebeneinander verwendbar sein (beispielsweise als unterschiedliche Simulationsdomänen) oder seriell (beispielsweise immer höherer Detailgrad) aufeinander aufbauen können .
Die vorgenannten Schritte - Simulieren, Testen, Optimieren, Ergebnisse der Optimierung an das Antriebssystem 100 übertragen - können beliebig oft wiederholt werden ( siehe S70 in FIG 2 ) . Dabei wird der optimierte Parametersatz aus der vorherigen Auslegungsstufe bei als Anfangsparametersatz verwendet .
Außerdem kann bei j eder Wiederholung das Optimierungs ziel neu festgelegt werden . Darüber hinaus kann der Detaillierungsgrad des Antriebs zwillings 105 und/oder des Streckenmodells 106 verändert oder angepasst werden . So kann bei unterschiedlichen Wiederholungen hinsichtlich unterschiedlicher Optimierungs ziele optimiert werden . Dabei kann der Informationsbedarf für den Antriebs zwilling 105 und/oder für das Streckenmodells 106 von der vorherigen Auslegungsstufe abhängen .
Bei j eder Wiederholung kann es zweckmäßig sein, wenn der Antriebs zwilling 105 und vorzugsweise die Simulationsmodelle 105a bis 105e mit dem gleichen oder einem ebenfalls detaillierteren Umgebungsmodell 106 simuliert und hinsichtlich definierbarer Gütekriterien überprüft werden . Dies kann j e nach Zielkriterium nötig sein .
Auf Basis der Ergebnisse aus der Wiederholung kann der Auslegungs zyklus iterativ weiter verfeinert werden, bis ein entsprechendes Abbruchkriterium verfügbar ist .
Zudem kann als Ergebnis der Simulation mit dem Gesamt Zwilling 108 Hinweise zur Änderung des Umgebungsmodells 106 geben, um hinsichtlich der Optimierungskriterien des Gesamt Zwillings 108 eine bessere Güte zu erzielen (beispielsweise Empfehlung Änderung des Lastprofils , der Eigenschaften des Verfahrprofils o .Ä. ) . Hierfür kann es zweckmäßig sein zu definieren, welche Parameter des umgebenden Modells mit Toleranzen behaftet sind ( Probablistic Design /Stochastischer Ansatz Sören) . Mit dem iterativen Ansatz zur Bewertung von alternativen Varianten eines Systems kann auch eine Sensitivitätsanalyse erfolgen, mit deren Ergebnis auch Trade-of f Bewertungen auf der Anforderungsseite vorgenommen werden können . Dadurch kann im Portfolio ein verbessertes Angebot definiert werden . Z . B . „Wenn die Toleranz für den Wert „x" erniedrigt werden kann, dann sinkt der Energieverbrauch um „y" - ist dies im Portfolio eine Option?"
FIG 2 zeigt ein Flussdiagramm eines Auslegungsverfahrens für ein Antriebssystem, beispielsweise für das Antriebssystem 100 . Insofern kann FIG 2 als eine Zusammenfassung der bereits im Zusammenhang mit FIG 1 beschriebenen Schritte angesehen werden .
In einem Schritt S 1 werden ein konfigurierbarer digitaler Zwilling des Antriebssystems 100 - der Antriebs zwilling 105 - und ein konfigurierbares Modell der Steuerstrecke 101 - das Streckenmodell 106 - bereitgestellt .
In einem Schritt S2 erfolgt die Verknüpfung des Antriebs zwillings 105 mit dem Streckenmodell 106 zu einem ablauf fähigen digitalen Zwilling des Gesamtsystems 103 - dem Gesamt Zwilling 108 . Verknüpfen heißt dabei , dass die Zwillinge Daten austauschen können . Beim Verknüpfen wird der Antriebs zwilling 105 parametriert . Nach der Parametrierung liegt ein Startparametersatz 110 des Antriebs zwillings 105 vor, der als erste Grobauslegung des Antriebssystems 100 fungieren kann .
In einem Schritt S3 wird das Verhalten des Gesamtsystems 103 simuliert , indem der Gesamt Zwilling 108 ausgeführt wird . Dadurch werden Simulationsergebnisse 113 erzeugt .
Die nachfolgenden Schritte beschreiben eine Veri fi zierung der Simulationsergebnisse , die iterativ durchgeführt werden kann, bis das gewünschte Ergebnis erzielt ist . Dabei können mehrere Auslegungsstufen ( Iterationen) notwendig, um zu dem gewünschten Ergebnis zu gelangen . „Das gewünschte Ergebnis" wird meist als ein vorgebbares Abbruchkriterium implementiert . Wird das Kriterium bei einer Auslegungsstufe erfüllt , gelten die in der in dieser Stufe vorliegenden Simulationsergebnisse als veri fi ziert . Der korrespondierende Parametersatz kann zur Auslegung des Antriebssystems 100 verwendet werden .
Also wird in einem Schritt S4 das Antriebssystem 100 des Gesamtsystems 103 zunächst gemäß dem Startparametersatz 110 ausgelegt - es erfolgt die Grobauslegung .
In einem Schritt S5 werden die Simulationsergebnisse 113 mit dem Verhalten des Gesamtsystem 103 verglichen .
In einem Schritt S 6 wird zunächst geprüft , ob Verhaltens des Gesamtsystem 103 von den Simulationsergebnissen 113 abweicht , was in der Regel bei der ersten Grobauslegung oft der Fall sein dürfte .
Wird dennoch keine Abweichung festgestellt , gilt bereits der Startparametersatz 110 als veri fi ziert und kann zur Auslegung des Antriebssystems 100 verwendet werden - Schritt S 60 . In diesem Fall endet die Auslegung nach der Übernahme des Startparametersatzes 110 - Schritt S 61 .
Wird eine Abweichung festgestellt , kann sie analysiert werden, um fest zustellen, wo der Optimierungsbedarf besteht . Dabei kann es beispielsweise untersucht werden, ob es eine bestimmte Domäne ( elektrische , thermische , mechanische ) , bei der die Simulation nicht zu den experimentellen Daten 114 passt oder ob es andere gewählten Parameter des Antriebs 100 die zu einer nicht optimalen Steuerung des Prozesses 101 beitragen .
Jedenfalls wird der Antriebs zwilling 105 hinsichtlich eines Optimierungs ziels optimiert , wobei das Optimierungs ziel aufgrund der erfolgten Analyse der Abweichung ermittelt und festgelegt werden kann . Dabei kann es zweckmäßig sein, den Detaillierungsgrad des Antriebszwillings 105 und/oder des Streckenmodells 106 zu verändern, um bessere Optimierungsergebnisse zu erhalten.
Es sind beispielsweise folgende Teilschritte möglich (siehe FIG 3) . In Schritt S6a wird beispielsweise nur der Detaillierungsgrad des Antriebszwillings 105 geändert, ohne dass dabei der Detaillierungsgrad des Streckenmodells 106 geändert wird. In Schritt S6b wird beispielsweise umgekehrt nur der Detaillierungsgrad des Streckenmodells 106 geändert, ohne dass dabei der Detaillierungsgrad des Antriebszwillings 105 geändert wird. Denkbar ist es auch, dass der Detaillierungsgrad sowohl des Antriebszwillings 105 als auch des Streckenmodells 106 geändert wird.
Das Ändern eine Verfeinerung oder auch eine Vergröberung der Aspekte der entsprechenden Modelle sein.
Beispielsweise kann Anzahl und/oder Typ der Anschlussstellen und/oder Abtastraten der Modelle geändert werden.
Darüber hinaus kann die Änderung eines Modells, z.B. des Antriebszwillings 105 auch eine Anpassung des Streckenmodells 106 zweckdienlich machen. In diesem Fall wird der Detaillierungsgrad des Streckenmodells 106 an den Detaillierungsgrad des Antriebszwillings 105 angepasst - Schritt S6c.
Der umgekehrte Fall ist ebenfalls denkbar, in welchem - so wie in Schritt S6d - der Detaillierungsgrad des Antriebszwillings 105 an den Detaillierungsgrad des Streckenmodells 106 angepasst wird.
Im Rahmen dieser Optimierung S6, vorzugsweise S6a, S6b, S6c, oder S6d, wird ein optimierter Parametersatz 117 für den Antriebszwilling 105 erzeugt (vgl. FIG 3) , mit dem das Antriebssystem 100 ausgelegt werden kann. In einem Schritt S7 wird das Antriebssystem 100 des Gesamtsystems 103 gemäß dem optimierten Parametersatz 117 ausgelegt . Dadurch wird ein optimiertes Antriebssystem 100 für die Steuerstrecke 101 geschaf fen .
Nun kann auch der optimierte Parametersatz 117 veri fi ziert werden . Hierzu werden die vorgenannten Schritte ab Schritt S3 wiederholt - S70 , wobei zur Simulation der Antriebs zwilling 105 mit dem optimierten Parametersatz 117 und nicht mit dem Startparametersatz 110 parametriert wird .
Das Konf igurations- beziehungsweise Parametrierungstool 107 kann in einer Recheneinrichtung (hier nicht gezeigt ) gespeichert sein und von dieser ausgeführt werden . Die Recheneinrichtung kann beispielsweise als ein System von miteinander kommuni zierenden Rechnern, z . B . als eine Cloud- Inf rastruktur ausgebildet sein .
Die Recheneinrichtung umfasst eine Engineering-Plattform . Die Engineering-Plattform kann Konf igurations- beziehungsweise Parametrierungstool 107 umfassen und dieses aus führen . In diesem Fall umfasst die Engineering-Plattform einen entsprechenden Solver um die vorgenannten Modelle aus zuführen .
Die vorgenannten Modelle und insbesondere der Gesamt Zwilling 108 können aber auch als eine Co-Simulation in der Recheneinrichtung ausgeführt werden . D . h . die Modelle werden nicht durch die Engineering-Plattform ausgeführt und sind nicht als ein Teil der Engineering-Plattform ausgebildet . In diesem Fall findet eine Interprozess-Kommunikation zwischen der Engineering-Plattform und beispielsweise dem Gesamt Zwilling 108 oder einem Teil des Gesamt Zwillings 108 , z . B . dem Antriebszwilling 105 oder Streckenmodell 106 , statt . Bei dieser Interprozess-Kommunikation arbeitet die Engineering-Plattform einen Teil-Prozess ab, der das eine oder mehr der vorgenannten Modelle ( z . B . den Gesamt Zwilling 108 , den Antriebs zwilling 105 , das Streckenmodell 106 usw . ) mit entsprechenden für die Simulation notwendigen Informationen versorgt und vorzugsweise die Simulation orchestriert . Dabei enthält die Engineering-Plattform keinen Solver, der für das Abarbeiten des / der entsprechenden Modells / Modelle zuständig ist . Insbesondere kann der Solver auf einem entfernten Rechner, z . B . in der Cloud ablaufen .
Die Aufgabe dieser Beschreibung besteht lediglich darin, veranschaulichende Beispiele bereitzustellen und weitere Vorteile und Besonderheiten dieser Erfindung anzugeben . Somit kann sie nicht als Einschränkung des Anwendungsgebiets der Erfindung beziehungsweise der in den Ansprüchen beanspruchten Patentrechte interpretiert werden . Insbesondere können die im Zusammenhang mit den hier beschriebenen Verfahren of fenbarte Merkmale sinnvollerweise zur Weiterbildung der hier beschriebenen Systeme eingesetzt werden und vi ce versa .

Claims

Patentansprüche
1. Computergestütztes Verfahren zum Auslegen zumindest eines Antriebssystems (100) , welches eine Steuerstrecke (101) unmittelbar beeinflusst (102) , wobei das Antriebssystem (100) und die Steuerstrecke (101) gemeinsam ein Gesamtsystem (103) bilden, wobei
(51) ein konfigurierbarer digitaler Zwilling des Antriebssystems (100) - ein Antriebszwilling (105) - und ein vorgegebenes konfigurierbares Modell der Steuerstrecke (101) - ein Streckenmodell (106) - bereitgestellt werden,
(52) der Antriebszwilling (105) mit dem Streckenmodell (106) zu einem ablauf fähigen digitalen Zwilling des Gesamtsystems (103) - einem Gesamt Zwilling (108) - verknüpft wird, wobei beim Verknüpfen der Antriebszwilling (105) parametriert wird, wodurch ein Startparametersatz (110) des Antriebszwillings (105) festgelegt wird,
(53) der Gesamt Zwilling (108) ausgeführt wird, um das Verhalten des Gesamtsystems (103) zu simulieren und dadurch Simulationsergebnisse (113) zu erhalten,
(54) das Antriebssystem (100) des Gesamtsystems (103) gemäß dem Startparametersatz (110) ausgelegt wird,
(55) die Simulationsergebnisse (113) mit dem Verhalten des Gesamtsystem (103) verglichen werden,
(56) bei Abweichen des Verhaltens des Gesamtsystem (103) von den Simulationsergebnissen (113) , zumindest der Antriebszwilling (105) hinsichtlich eines vorgegebenen Optimierungsziels optimiert wird, indem über einen oder mehr mit dem vorgegebenen Optimierungsziel zusammenhängenden Parameter aus dem Startparametersatz (110) variiert wird, um die Abweichung des Verhaltens des Gesamtsystem (103) von den Simulationsergebnissen (113) zu minimieren, wodurch ein optimierter Parametersatz (117) des Antriebszwillings (105) erhalten wird,
(57) das Antriebssystem (100) des Gesamtsystems (103) gemäß dem optimierten Parametersatz (117) ausgelegt wird. 2. Verfahren nach Anspruch 1, wobei Schritte S3 bis S7 zumindest einmal wiederholt werden (S70) .
3. Verfahren nach Anspruch 2, wobei bei unterschiedlichen Wiederholungen hinsichtlich unterschiedlicher Optimierungsziele optimiert wird.
4. Verfahren nach Anspruch 1 bis 3, wobei der Antriebszwilling (105) hinsichtlich seines Detaillierungsgrads und/oder das Streckenmodell (106) hinsichtlich seines Detaillierungsgrads konfigurierbar sind/ist, wobei bei dem Optimieren (S6a, S6b) der Detaillierungsgrad des Antriebszwillings (105) und/oder des Streckenmodells (106) geändert wird.
5. Verfahren nach Anspruch 4, wobei Anzahl und/oder Typ der Anschlussstellen und/oder Abtastraten des Antriebszwillings
(105) und/oder des Streckenmodells (106) geändert werden.
6. Verfahren nach Anspruch 4 oder 5, wobei der Antriebszwilling (105) hinsichtlich seines Detaillierungsgrads und das Streckenmodell (106) hinsichtlich seines Detaillierungsgrads konfigurierbar sind und wobei bei dem Optimieren der Detaillierungsgrad des Antriebszwillings (105) an den Detaillierungsgrad des Streckenmodells (106) oder umgekehrt angepasst wird (S6c, S6d) .
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei der Antriebszwilling (105) mehrere parametrierbare, miteinander verknüpfbare, und aufeinander abstimmbare Simulationsmodelle (105a bis 105e) umfasst.
8. Verfahren nach Anspruch 7, wobei unterschiedliche Simulationsmodelle (105a bis 105e) unterschiedlichen Simulationsdomänen zugeordnet sind.
9. Verfahren nach Anspruch 7 oder 8, wobei jedes Simulationsmodell (105a bis 105e) ein stationäres oder dynamisches Simulationsmodell ist. 10. Verfahren nach Anspruch 9, wobei das Simulationsmodell (105a bis 105e) ein thermisches Simulationsmodell, ein elektrisches Simulationsmodell, ein mechanisches Simulationsmodell, ein magnetisches Modell, ein akustisches Modell, ein inf ormationstechnisches , beispielsweise ein informationselektromagnetisches oder ein regelungstechnisches Modell oder eine Kombination davon ist oder eine Kombination davon ist.
11. Verfahren nach einem der Ansprüche 1 bis 10, wobei die Steuerstrecke (101) zusätzlich zumindest eine Rückführung (104) aufweist.
12. Verfahren nach einem der Ansprüche 1 bis 11, wobei die Simulationsergebnisse (113) Informationen über ein Interaktionsverhalten des Antriebszwillings (105) mit dem Streckenmodell (106) umfassen.
13. Recheneinrichtung umfassend eine Engineering-Plattform, welche dazu konfiguriert ist, ein Verfahren nach einem der Ansprüche 1 bis 12 auszuführen oder zu orchestrieren.
14. Computerprogramm, welches Befehle umfasst, die, wenn sie von einer Recheneinrichtung nach Anspruch 13 abgearbeitet werden, diese dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 12 auszuführen.
15. Maschinenlesbares Medium mit einem Computerprogramm nach Anspruch 14.
EP24718056.5A 2023-05-05 2024-03-28 Verfahren und systeme zum auslegen von antriebssystemen Pending EP4684254A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP23171881.8A EP4459392A1 (de) 2023-05-05 2023-05-05 Verfahren und systeme zum auslegen von antriebssystemen
PCT/EP2024/058479 WO2024230983A2 (de) 2023-05-05 2024-03-28 Verfahren und systeme zum auslegen von antriebssystemen

Publications (1)

Publication Number Publication Date
EP4684254A2 true EP4684254A2 (de) 2026-01-28

Family

ID=86330079

Family Applications (2)

Application Number Title Priority Date Filing Date
EP23171881.8A Withdrawn EP4459392A1 (de) 2023-05-05 2023-05-05 Verfahren und systeme zum auslegen von antriebssystemen
EP24718056.5A Pending EP4684254A2 (de) 2023-05-05 2024-03-28 Verfahren und systeme zum auslegen von antriebssystemen

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP23171881.8A Withdrawn EP4459392A1 (de) 2023-05-05 2023-05-05 Verfahren und systeme zum auslegen von antriebssystemen

Country Status (3)

Country Link
EP (2) EP4459392A1 (de)
CN (1) CN121175628A (de)
WO (1) WO2024230983A2 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119717573A (zh) * 2024-12-20 2025-03-28 北京世冠金洋科技发展有限公司 一种基于多源异构集成仿真的控制预测方法及装置

Also Published As

Publication number Publication date
EP4459392A1 (de) 2024-11-06
WO2024230983A2 (de) 2024-11-14
CN121175628A (zh) 2025-12-19

Similar Documents

Publication Publication Date Title
DE102007017039B4 (de) Robuste Prozessmodellidentifikation bei modellbasierten Steuerungstechniken
DE102019128655B4 (de) Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
DE102019201412A1 (de) Verfahren zum optimierten Betrieb eines Ventilators oder einer Ventilator-Anordnung
EP3914979B1 (de) Virtueller sensor auf einer übergeordneten maschinenplattform
DE10021698A1 (de) Auf einem einzelnen Computer realisierte integrierende Funktionalität für ein verteiltes Prozessregelsystem
EP2799983B1 (de) Flexible Aufteilung der I/O Kanäle einer Hardware Komponente
EP2330469B1 (de) Verfahren und Entwicklungsumgebung zur Erzeugung eines ausführbaren Gesamtsteuerungsprogramms
EP3446185A1 (de) Verfahren und vorrichtung zur gestaltung eines produktionsprozesses zum produzieren eines aus mehreren teilprodukten zusammengesetzten produkts
AT511272A1 (de) Kopplungsmethodik für nicht-iterative co-simulation
DE102017120016A1 (de) Verfahren zur Konfiguration eines zum Testen eines elektronischen Steuergeräts eingerichteten Testgeräts sowie Konfigurationssystem
EP1917611A2 (de) System für den maschinengestützten entwurf technischer vorrichtungen
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
WO2024230983A2 (de) Verfahren und systeme zum auslegen von antriebssystemen
DE112016007339T5 (de) Simulationsvorrichtung
WO2013026636A1 (de) Verfahren zum erstellen eines modells
EP4066071B1 (de) Verfahren und system zur parametrierung eines anlagenmodells
WO2013092654A1 (de) Automatisierte projektierung einer leittechnik einer technischen anlage
DE102019126292A1 (de) System und Verfahren zum Vorhersagen einer analytischen Anomalie bei der rechnerischen Fluiddynamikanalyse
EP3921710B1 (de) Verfahren zur automatischen interpretation eines rohrleitungsschemas
EP2280322A1 (de) Verfahren zur automatisierten Inbetriebnahme und/oder zum automatisierten Betrieb von Reglern eines elektrischen Antriebssystems mit schwingungsfähiger Mechanik sowie zugehörige Vorrichtung
DE102023204194A1 (de) Verfahren und Systeme zum Auslegen von Antriebssystemen
WO2020229050A1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP3056994B1 (de) Vorrichtung und verfahren zur erfassung, überprüfung und speicherung von prozessdaten aus mindestens zwei prozessschritten
DE10325513B4 (de) Verfahren und Vorrichtung zum Erstellen eines Verhaltensaspekts einer Schaltung zur formalen Verifikation
WO2021063568A1 (de) Verfahren zur parameteridentifikation eines black-box-modells für eine oder mehrere energietechnische anlagen eines energiesystems

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: 20251022

AK Designated contracting states

Kind code of ref document: A2

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