HU223725B1 - Állapotfigyelő rendszer és eljárás villamos motorokhoz, továbbá modellalapú hibajelző és diagnosztikai eljárás - Google Patents
Állapotfigyelő rendszer és eljárás villamos motorokhoz, továbbá modellalapú hibajelző és diagnosztikai eljárás Download PDFInfo
- Publication number
- HU223725B1 HU223725B1 HU9903554A HUP9903554A HU223725B1 HU 223725 B1 HU223725 B1 HU 223725B1 HU 9903554 A HU9903554 A HU 9903554A HU P9903554 A HUP9903554 A HU P9903554A HU 223725 B1 HU223725 B1 HU 223725B1
- Authority
- HU
- Hungary
- Prior art keywords
- motor
- error
- motors
- engine
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000003745 diagnosis Methods 0.000 title description 2
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003908 quality control method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000013154 diagnostic monitoring Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
A találmány tárgya motorállapot-figyelő rendszer és eljárás egy motor(10) működési állapotának a figyelésére, amely rendszer tartalmaz egysor érzékelőt a motor (10) működési paramétereinek a mérésére,tartalmaz továbbá egy számítógépet, amely az érzékelőkkel van amotorhoz (10) csatlakoztatva. A rendszer lényege az, hogy a számítógéptartalmazza a motornak (10) a modelljét, valamint olyan eszközöket,amelyek a mért működési paraméterre vonatkozó jeleket használják felegy lineáris diszkrét időállapot-egyenlet megoldására, továbbákiszámolnak egy maradó értéket az állapotegyenlet által kínáltmegoldásnak egy, a modell által javasolt megoldással történőösszehasonlításához, a számítás és összehasonlítás alapjánmeghatározza a számítógép, hogy a motor (10) hiba nélkül működik-e, amaradó értéket egy hibaértékkel korrelálja akkor, ha a motor (10)jelzett hibával működik, majd a hibának a jelenlétére vonatkozókommunikációs jelet továbbít, hogy meg lehessen akadályozni a motor(10) egyébként előre nem látható meghibásodását, majd ezeket alépéseket adott időintervallumokként a motor (10) működése soránmegismétli. A rendszert alkalmazó eljárás során a többváltozóskísérleti modell értékeit hasonlítják össze a mért értékekkel, és azebből képezett maradó értéket analizálják, és ennek alapján állapítjákmeg, hogy egy motor (10) hiba nélkül működik-e, vagy valamilyen, azösszehasonlítás alapján megállapítható hibával működik. ŕ
Description
A találmány tárgya állapotfigyelő rendszer és eljárás villamos motorokhoz, továbbá modellalapú hibajelző és diagnosztikai eljárás. Még pontosabban a találmány tárgya olyan rendszer és eljárás, amelynek segítségével villamos motorok állapota figyelhető, és a karbantartás szükségessége előzetesen megmondható.
A különféle villamos motorokat ipari berendezésekben és folyamatokban széles körben alkalmazzák, például ilyen motorokat alkalmaznak különféle termékeknek egy adott szerelővonal mentén történő mozgatására egyik munkaállomástól a másikig, vagy ilyen villamos motorokat alkalmaznak például nagy teljesítményű, a szerelést végzők által használt szerszámok működtetésére.
Ilyen berendezésre példaként említjük a légkompresszorokat, amelyek összenyomott levegőt továbbítanak például egy nagy teljesítményű csavarhúzóhoz, festékszóróhoz, vagy egyéb kisebb kéziberendezésekhez. A nagyobb teljesítményű villamos motorok adott környezetet biztosítanak azáltal, hogy a különféle épületekben vagy járművekben hűtést, fűtést és légáramoltatást hoznak létre hűtő- és fűtőrendszereken keresztül. Háztartásokban és egyéb hivatali környezetben a villamos motorokat szintén széles körben alkalmazzák kezdve a számítógépektől a porszívókig. Általánosságban ismert az is, hogy az ilyen jellegű felhasználások zajt és rezgéseket hoznak létre, és mint ilyenek fő zajforrásként és rezgésforrásként működnek. Egyre növekvő azonban az igény, amely a piac részéről merül fel, hogy csendesebb és rezgésmentesebb motorok kerüljenek felhasználásra, amely kívánalmak azonban csak úgy teljesíthetők, ha vibrációmentes és csöndesebb motorokat tervezünk.
Különféle gyártókömyezetben a motornak a nem várt meghibásodása egyrészt nemkívánatos, másrészt pedig költséges dolog. Ipari környezetben a motorok meghibásodásának jelentős pénzügyi kihatása is lehet abban az esetben, ha például a motor meghibásodása miatt egy gyártósort kell leállítani, mert így az idő, ami alatt a motort megjavítják, vagy a motort egy másik motorral helyettesítik, jelentős időkiesést eredményezhet. Az előzőeken túlmenően vannak olyan gyártási folyamatok, amilyen például a félvezetőgyártás, ahol egy adott kritikus motornak a meghibásodása az egész termékben jelentős károsodást hozhat létre, ha például a környezetnek a szabályozása nem megfelelő, azaz a gyártósornak nincsenek megfelelő környezeti feltételek biztosítva.
Fentiek alapján tehát növekvő az igény olyan villamos motorok iránt, amelyeknek a megbízhatósága az előzőeknél kedvezőbb, és amelyeknél, elsődlegesen ipari környezetben, jelezni lehet egy várható, jövőben bekövetkező hibát úgy, hogy a motort a rutinkarbantartás során meg lehessen javítani, vagy ki lehessen cserélni ahelyett, hogy akkor kelljen a motorral foglalkozni, amikor a hiba már bekövetkezett. Ugyancsak kívánatos a villamos motorok megbízhatóságának a növelése abból a szempontból is, hogy a minőségi ellenőrzés a motorok gyártása során az előzőeknél körültekintőbben történjen. Kívánatos továbbá az is, hogy a motor meghibásodását még a katasztrofális meghibásodás előtt tudjuk jelezni a motor paramétereinek és a motorban fellépő jelenségeknek a működés közbeni figyelése alapján.
Az utóbbi időben különféle, olyan hibajelző és diagnosztikai eljárásokat fejlesztettek ki, amelynek során egy komplex rendszer kimenőjeleit hasonlítják össze egy hibamentes rendszer matematikai modelljéből nyert kimenőjelekkel. A jeleknek az összehasonlítása egy maradó érték létrehozásával történik, amely maradó érték lényegében a komplex rendszer kimenőjelei és a hibamentes rendszer matematikai modelljének a kimenőjelei közötti különbségeket tükrözi. Ezen maradó értékek analízisével határozzák meg a hiba forrását. Ez az analízis olyan statisztikai módszert is tartalmaz, amelynek során a mindenkori érzékelt maradó értéket összehasonlítják egy adatbázisban tárolt maradó értékekkel, amelyekhez már az is hozzá van rendelve, hogy az adott meghibásodásnak mi volt az oka.
Az EP 659996 számú szabadalmi leírás egy olyan elrendezést ismertet, amely érzékelőkhöz van csatlakoztatva, és amely egy processzort tartalmaz a jelek feldolgozására és kiválasztására. Egy semleges hálózat van az érzékelőkkel összekapcsolva, és a processzor úgy van kialakítva, hogy a komplex rendszer feltételeinek megfelelően dolgozza fel a jelet. Az elrendezéshez tartozik még egy számítógéprendszer is, amely tartalmaz egy mikroprocesszort, amely az egyes alkatrészek közötti kapcsolatot biztosítja, és a kijelzőn keresztül megjeleníti. Az érzékelők lehetnek áram- és feszültségmérők, levegőnyomás-mérők, különféle szabályozóelemek és/vagy mikrofonok. Ezek az elemek lényegében egy általánosan ismert szabályozórendszernek a részei.
Az EP 632,283 számú leírás egy olyan eljárást ismertet, amely már egy többfázisú villamos motor legalább egy paraméterének a meghatározására szolgál, és amely eljárás az alábbi lépésekből áll:
- az egynél több fázisú motornál mérik a pillanatnyi áramot, és a pillanatnyi feszültséget, mindkettőt az idő függvényében,
- a mért áram- és feszültségértékek alapján egy amplitúdóban demodulált áram- és feszültségjelet hoznak létre az idő függvényében,
- a feszültség- és áramjelek fázisdemodulálását is elvégzik az idő függvényében, és végül az amplitúdóban demodulált áram- és feszültségjeleket, és a fázisdemodulált áram- és feszültségjeleket használják fel a villamos motor alábbi paraméterei közül legalább az egyiknek a meghatározására: valós teljesítmény, látszólagos teljesítmény fázisonként, össz-teljesítménytényező, fázisonkénti teljesítménytényező, fázisonkénti impedancia, villamos kiegyenlítettség.
Ezen megoldások egyike sem tartalmaz olyan hibajelzési megoldást, amelynél a motor paraméterei ismeretlen terhelés mellett is megfelelően figyelhetők, és nem tartalmaznak utalást a találmány szerinti megoldás célkitűzésére sem, nevezetesen, hogy a mért értékek alapján előre meg lehetne jósolni, hogy mikor következik be a motorban egy meghibásodás.
A legutóbbi időkig nehézkesnek bizonyult pontos valós idejű modellek létrehozása sokváltozós rendsze2
HU 223 725 Bl rek esetében, mivel ezek a rendszerek egynél több beés/vagy kimenettel rendelkeznek. Ha a rendszer modellezése nem megfelelően pontos, akkor a maradó értékek modellezési hibákat is tartalmaznak, amelyeket azután nagyon nehéz megkülönböztetni az aktuális hibáknak a hatásától.
Egy további hiányossága ezeknek a hibajelző és diagnosztikai, röviden FDD (Fault Detection and Diagnostic) eljárásoknak az, hogy nagyon nehéz olyan adatbázist létrehozni, amely a maradó értékek statisztikai vizsgálatára alkalmas annak érdekében, hogy megfelelően osztályozni és behatárolni lehessen a hibát. Az ilyen adatbázisoknak a kifejlesztése eleve rengeteg információ begyűjtését teszi szükségessé minden egy hibával, illetve azok hatásával kapcsolatosan, továbbá azzal kapcsolatosan, hogy egy adott esetben bekövetkező hibának a hatása a maradó értékekben hogyan nyilvánul meg.
Ily módon tehát egy adott időtartamra van szükség, amellyel a hibás, illetve a megfelelően működő berendezéseket figyelni kell, és ezek alapján kell egy olyan adatbázist kialakítani, amely magában foglalja mindazokat a hibajeleket, amelyek lehetővé teszik, hogy a mindenkori maradó értékek alapján a hibák okát be lehessen határolni. Ez az eljárás egyrészt nagyon költséges, másrészt pedig nagyon időigényes. Ezen túlmenően pedig ezen adatbázisnak rendkívül sok speciális követelménynek kell eleget tennie egy adott rendszer esetében.
Mivel a mechanikus hibák mindig valamilyen rezgések eredményei, a rezgéseknek az analízise a különféle ismert érzékelőrendszereknek egyik közös eleme. A rezgések analízise egy olyan könyvtár kialakítását teszi szükségessé, amely megmutatja azt, hogy a korábban már megfigyelt motorok rezgései hogyan alakultak ki, és az egyes rezgések hogyan hozhatók összhangba az adott esetben érzékelt hibával.
A mechanikushiba-érzékelő rendszerek közös hiányossága, hogy ezeknél a rendszereknél eleve szükség van arra, hogy hibajelek jöjjenek létre annak érdekében, hogy a mért jelhez kapcsolódó aktuális hibát el lehessen hárítani. Ezek a hibaelhárítási folyamatok igen költséges adatbázisok kifejlesztését, továbbá megfelelő laboratóriumi analízisek elvégzését teszik szükségessé, azonkívül pedig az adott motorról megfelelő szakértői véleményre is szükség van.
A mechanikushiba-érzékelők további hátránya azzal a nehézséggel kapcsolódik, amely a mérések reprodukálására vonatkozik. Ha például a rezgés méréséhez egy gyorsulásmérőt alkalmazunk, úgy a mért érték nagymértékben függ az érzékelőnek az elhelyezésétől, valamint a mérési eljárástól, és így nagyon nehéz egy olyan elrendezést megvalósítani, amely megismételhető hibajelzést biztosít. Még a megfelelő érzékelőelhelyezés és -felszerelés esetében is magának az érzékelő által kibocsátott jelnek a mérése is adott esetben megzavarható a háttérrezgéssel, és a működési paraméterek megváltozásával, így például a felfutási sebesség, a bemeneti feszültség vagy a motoron lévő terhelés megváltozásával.
Azt tapasztaltuk, hogy megvan annak a valószínűsége, hogy csak a mechanikushiba-érzékelésen alapuló rendszerrel történő hibák hibás jelzésének a valószínűsége nagy. Példaként említjük, hogy a motorcsapágyazás megfelelő viszonyainak a kiértékelése során a motor mechanikai rezgéseit úgy kell analizálni, hogy kiválasztjuk azokat a speciális frekvenciákat, amelyek kizárólag a csapágy törésére vonatkoznak, és/vagy a különbségi frekvenciákat és azok felharmonikusait. Sajnálatos módon azonban a lehetséges koincidenciáknak a jelenléte az egyéb rezgésekkel a rezgés spektrumában gyakran azt eredményezi, hogy ezek a rezgések a kívánt jel mérésekor ezzel a jellel interferenciába lépnek. Nagyon költséges és bonyolult rendszerekre van szükség ahhoz, hogy a kívánt információt meg tudjuk kapni, és az ilyen rendszer alkalmazásának a sikere egy adott hiba mérésében, illetve a hiba bekövetkezésének az előjelzésében több mint kívánatos.
Ugyancsak kívánatos az, hogy azokat a komplikációkat kiküszöböljük, amelyek a hibáknak a modellezése során esetleg fellépnek, továbbá kiküszöböljük a hamis jelzéseket, vagy pedig a motorban bekövetkező paraméterváltozás érzékelésének a hiányát. Kívánatos továbbá az is, hogy elkerüljük azt, hogy igen költséges adatbázisok kifejlesztésére legyen szükség, továbbá azt is, hogy szakemberek által elvégzett laboratóriumi analízisre legyen szükség a villamos motorban fellépő hibák okairól. További előfeltétel egy újszerű megoldás kidolgozásánál az, hogy kiküszöbölhető legyen a költséges és bonyolult berendezéseknek az alkalmazása az információ megszerzésében és feldolgozásában, azokra az információkra vonatkozóan, amelyek azt jelzik, hogy egy hiba bekövetkezhet.
A találmány tárgya olyan motorállapot-figyelő rendszer és eljárás, amely villamos motorok, előnyösen kis teljesítményű motorok figyelésére és annak előjelzésére van kiképezve, hogy mikor szükséges a karbantartás, vagy előzetes javítás. A találmány szerinti rendszer segítségével a villamos motor működési körülmények között, ismeretlen terhelési viszonyok mellett bekövetkező mechanikus hibája közelgő bekövetkezésének a korai diagnózisát lehet felállítani. Mivel egy ilyen jellegű eljárás és berendezés feltétlenül szükségessé teszi egy megfelelő szoftver alkalmazását, valamint olyan adatok alkalmazását, amelyeket nem roncsolásos mérésekkel értünk el, a költségei ennek az eljárásnak, illetve az eljárást megvalósító berendezésnek mindenképpen kisebbek lesznek, mint a korábbi karbantartási eljárások költségei.
A találmány tárgya motorállapot-figyelő rendszer egy motor működési állapotának a figyelésére, amely rendszer tartalmaz egy sor érzékelőt a motor működési paramétereinek a mérésére, tartalmaz továbbá egy számítógépet, amely az érzékelőkkel van a motorhoz csatlakoztatva.
A rendszer lényege az, hogy a számítógép tartalmazza a motor modelljét, valamint olyan eszközöket, amelyek a mért működési paraméterre vonatkozó jeleket használják fel egy lineáris diszkrét időállapotegyenlet megoldására, továbbá kiszámolnak egy mara3
HU 223 725 Bl dó értéket az állapotegyenlet által kínált megoldásnak egy, a modell által javasolt megoldással történő összehasonlításához, a számítás és összehasonlítás alapján meghatározza a számítógép, hogy a motor hiba nélkül működik-e, a maradó értéket egy hibaértékkel korrelálja akkor, ha a motor jelzett hibával működik, majd a hibának a jelenlétére vonatkozó kommunikációs jelet továbbít, hogy meg lehessen akadályozni a motor egyébként előre nem látható meghibásodását, majd ezeket a lépéseket adott időintervallumokként a motor működése során megismétli.
Előnyös a találmány szerinti motorállapot-figyelő rendszer, ha a modell kimeneti feszültségét a pillanatnyi bemeneti feszültség, és a motorhoz vezetett áram alapján számítjuk ki, továbbá, ha tartalmaz egy, az adott motor mechanikus hibáit osztályozó elemet oly módon, hogy a működési paraméterek pillanatnyi értékeit előre megadott referenciaértékekkel hasonlítja össze.
Előnyös, ha az alkalmazott érzékelők analóg érzékelők, valamint az érzékelők között van feszültségérzékelő, áramérzékelő és fordulatszám-érzékelő.
Előnyös akkor is, ha tartalmaz egy többfunkciós bemeneti-kimeneti egységet, amely az érzékelők kimenőjeleit fogadja, és az analóg jeleket digitális jelekké alakítja, és az átalakított jeleket a számítógép felé továbbítja.
Előnyösen alkalmazható a találmány, ha a motor 736 W-nál kisebb teljesítményű villamos motor.
A találmány tárgya még eljárás egy villamos motor állapotának a figyelésére, és olyan hibáknak a jelzésére, amelyek a motor meghibásodását okozhatják.
A találmány szerinti eljárás lényege, hogy a következő lépésekből áll :
- az adott motornak számítógépen elkészítjük a modelljét;
- a motort egy sor érzékelővel a számítógéphez csatlakoztatjuk;
- az érzékelőkkel a motor működési paramétereit megmérjük;
- a mért paraméterértékeket használjuk fel egy lineáris diszkrét időállapot-egyenlet konkrét megoldására;
- egy számított maradó értéket hozunk létre, hogy az állapotegyenletet a modell általi megoldással összehasonlítsuk, és
- a számítás és az összehasonlítás alapján meghatározzuk, hogy a motor jelzett hiba nélkül működik-e;
- a maradó értéket egy olyan hibaértékkel korreláljuk, amely egy olyan motorra vonatkozik, amely mért hibával rendelkezik, és ezen hiba jelenlétét továbbítjuk azért, hogy a motor nem várt meghibásodását megelőzzük, és
- ezeket a lépéseket ismételjük egy kiválasztott időintervallum-alapon, a motor működése során.
Előnyös az eljárás akkor is, ha a modell által létrehozott lépések az alábbi lépéseket tartalmazzák:
- a villamos motor feszültségét, áramát és sebességét megmérjük;
- az adott villamos motorra vonatkozó mért feszültség-, áram- és sebességértékeket egy invariánssal megszorozzuk, hogy egy hibamentes rendszer leképezéséhez nyerjünk adatokat,
- az alábbi diszkrét állapotegyenleteket megoldjuk és rögzítjük:
x(k+1)=A*x(k)+B*u(k) y(k)=C*x(k), ahol x, u és v az állapotvektor, a bemenővektor és a kimenővektor, k pedig egy diszkrét időnövekményt jelent, A*, B* és C* pedig ismert névleges mátrixok az adott villamos motorra;
a szorzást és mérési műveleteket megismételjük; a diszkrét állapotegyenletek eredményét kiszámítjuk az aktuálisan mért értékekre:
xf(k+ l)=A*fxf(k)+B*fuf(k) yf(k)=C*fx(k) megnézzük a különbséget az y(k) és az yf(k) függvény között;
megismételjük az ismétlő, számoló és összehasonlító lépéseket mindaddig, amíg a különbség egy előre megadott küszöbértéket túllép.
Előnyös a találmány szerinti eljárás, ha a működési paraméterek sokaságának a mérésekor mérjük a motor kimeneti áramát a motorra kapcsolt feszültséget, és az adott kiválasztott intervallum alatt a motor sebességét.
Előnyös továbbá, ha a motor modelljének a kialakítása során a motor invariánsai közé felvesszük az induktivitás, az ellenállás, az inercianyomatékot, a súrlódási tényezőt az adott motorra vonatkozóan, és ezeket az invariánsokat a mért jelekkel az alábbiak szerinti egyenletbe helyezzük:
L di/dt+Ri=V+klwi és
J dw/dt+fw=k2i2+M, ahol ki a motorállandó, M pedig a motor terhelése.
A találmány szerinti eljárás továbbá előnyös akkor, ha a korrelációs és kommunikációs lépéssorozat az alábbi lépéseket tartalmazza: a kiegyenlítetlen forgórészjelzése, ha az L di/dt paraméter megváltozik;
kollektor hibájának a jelzése, ha az Ri paraméter változik;
csapágy hibajelzése, ha az L di/dt paraméter oszcillációsán megváltozik; és csapágy (18) hibajelzése, ha az L di/dt és az f (w) paraméter együtt megváltozik.
Előnyös az is, ha az eljárás során a mérési intervallum 400 és 1000 ms között van, valamint ha a működési paraméterek 500 Hz és 24 kHz közötti frekvenciatartományban vannak mintavételezve.
A találmány szerinti eljárás előnyös akkor is, hogy abban az esetben, ha a lépéssorozat eredményeként olyan különbség jön létre, amely egy előre kiválasztott hibaértéket túllép, akkor a következő lépést végezzük el:
kiválasztunk egy küszöbérték-paramétert az induktivitásra, a motor ellenállására, a motor inercianyomatékára és a motorkonstansokra és mindegyik L di/dt, Ri, Jdw/dt, fw, klwi és i2 k2 értéket a megfelelő kiválasztott küszöbértékkel összehasonlítunk, valamint, ha az összehasonlítási lépések eredményeit kijelezzük.
HU 223 725 Β1
A találmány tárgya még olyan modellalapú hibajelző és diagnosztikai eljárás azonos típusú motorok motorjainak a hibái jelzésére, továbbá diagnosztikai információ a hiba korrekciójára, amely eljárás az alábbi lépésekből áll:
a motorokra jellemző modellezett állapotot hozunk létre, ahol ez a modellezett állapot egy olyan küszöbértéket tartalmaz, amely sok motor adataiból lett levezetve;
minden egyes motornak a számos motor közül megmérjük a működési paramétereit, és így hozunk létre minden egyes motorhoz egy modellezett állapotot;
a számos motorból létrehozott modellezett állapotot összehasonlítjuk az egyes motorok modellezett állapotaival;
ennek alapján meghatározzuk, hogy a motorok közül van-e hibás motor;
az összehasonlítási lépést követően a motorok közül eltávolítjuk a hibás motort; a hibás motor észlelését követően a modellezett állapotnak a küszöbértékeit megváltoztatjuk; és az összehasonlítási, mérési, kiválasztási és megváltoztatási lépéseket a motorok közül mindegyik motorra megismételjük.
Előnyös az is, ha a fenti eljárás az alábbi lépéseket tartalmazza még:
a sok motor közül kiválasztunk egy sort, amely olyan motorokat tartalmaz, amelyek hibamentesek, és olyan motorokat, amelyek egy vagy több, ismeretlen hibával rendelkeznek, mindegyik motornál megmérjük a működési paramétereket a motorok sorozatában; ezeket a működési paramétereket használjuk fel diszkrét állapotegyenletek megoldásához a motorokhoz, ahol a diszkrét állapotegyenletek formája a következő:
x(k+l)=A*x(k)+B*u(k) y(k)=C*x(k), ahol x, u és y az állapotvektor, bemeneti vektor és kimeneti vektor, k a diszkrét időnövekmény, és A*, B* és C* a motorok sokaságának a névleges mátrixai; a diszkrét állapotegyenletek megoldásait, amelyeket az egyes motorokra vettünk fel a motorok sokaságában, összehasonlítjuk az összes motor diszkrét állapotegyenlet-készletével, hogy kiválasszuk a hibás motort;
a motorok közül eltávolítjuk a hibás motort, és egy másik motorsort hozunk létre; és az első diszkrét állapotegyenleteket a második sorozat motorra újraszámoljuk.
Előnyös a hibajelző és diagnosztikai eljárás akkor is, ha a mérés az alábbi lépéseket tartalmazza:
minden egyes motorra megmérjük a feszültség-, áram- és sebességértékeket az érzékelőkkel; a mért feszültséget, az áramot és a sebességet minden egyes motorra egy kiválasztott invariánssal megszorozzuk az alábbi motorinvariáns-egyenleteknek megfelelően:
L di/dt+Ri=V+klwi
J dw/dt+fw=k2 i2+M, ily módon kapjuk meg a motorinvariánsokat az induktivitásra, az ellenállásra, az inercianyomatékra és a súrlódási tényezőre a motorsorozatból mindegyikre, továbbá a ki és k2 a motorállandók, M minden egyes motornál a terhelés.
Előnyös még, ha az eljárás a további lépéseket tartalmazza :
a motorok sorozatában minden egyes motorra kapott invariáns-egyenletkészletet összehasonlítjuk egy olyan motorinvariáns-egyenletkészlettel, amelyet a motorsorozatra hoztunk létre, hogy meghatározzuk a hibás motort;
a hibás motort a motorok sorozatából eltávolítjuk, és így létrehozunk egy második sorozat motort, és a motorinvariáns-egyenleteket a második motorsorozatra is újraszámoljuk.
Előnyös a találmány szerinti hibajelző és diagnosztikai eljárás, ha meghatározzuk, hogy a motorsorozatban minden egyes motor hibás-e, valamint, ha az eljárási lépés során a motorsorozatában az egyes motorokhoz kapcsolódó hibákat osztályozzuk, továbbá, ha az eljárás során egy olyan küszöbértéket választunk ki, amely két szabványos eltérésen alapul egy átlagérték körül, amelyet a működési jelek sokaságából hozunk létre.
Előnyös továbbá, ha az eljárás során: a motorok sorozatából egy diagnosztikai modellt hozunk létre, ez a diagnosztikai modell tartalmaz fizikális paramétereket és adott eltérésértékeket, amelyek az adott fizikai paraméterekkel kapcsolódnak, a diagnosztikai modellnél minden egyes fizikai paraméterhez egy küszöbértéket is társítunk; a motorsorozatban megmérjük minden egyes motorhoz a kiválasztott fizikai paramétert; minden egyes motornál a kiválasztott fizikai paramétert a diagnosztikai modellel összehasonlítjuk; és minden egyes motornál legalább egy hibát jelzünk akkor, ha a kiválasztott fizikai paraméterek közül legalább egy, amely az adott fizikai paraméternek megfelel, a diagnosztikai modellben megadott küszöbértéket túllépi.
Előnyös még, ha az eljárás során az azonosítási lépések eredményeit kijelezzük, valamint, ha az eljárásban az azonosítási lépés az alábbiakat tartalmazza:
kiegyenlítetlen forgórészt jelzünk akkor, ha az első egyenletben az L di/dt-ben változás következik be; kollektorhibát jelzünk, ha az első egyenletben, az Ri-ben változás következik be;
csapágyhibát jelzünk, ha az első egyenletben az
L di/dt-ben oszcillációs változás következik be; csapágyhibát jelzünk akkor, ha L di/dt-ben és az f w-ben változás együtt következik be az első és a második egyenleteknél.
A találmány szerinti rendszer a maradó értékeket analizálja, és megállapítja, hogy a motor hibamentes-e, vagy pedig másképpen működik, mint ahogyan egy hibamentes motornak működnie kell. Ha a motor hibamentesen üzemel, a maradó érték ideális esetben nullával egyenlő. A működés során egy előre megadott kü5
HU 223 725 Β1 szöbértékhatárt lehet kiválasztani, amely a modellezési hibát, a zajt, és az egyéb zavaró jellemzőket foglalja magában. Ha a motor paraméterei romlanak, azaz a motor az előre megadott működési tartományán kívül eső értékekkel üzemel, vagy pedig valamilyen hiba lép fel, a maradó érték egy olyan nullától eltérő értéket vesz föl, amely az előbb megadott és előre megadott határértékeken és küszöbértékeken kívül esik. Amikor tehát a számítógép nem nulla maradó értéket jelez, úgy egy közelgő fenyegető hiba bekövetkezésére utal, és megfelelő figyelmeztető jelzés kiadására kerül sor, hogy a megfelelő intézkedéseket meg lehessen tenni ezen hatás kiküszöbölésére, vagy legalábbis a hatás minél kisebbé tételére, mint amilyen akkor következne be, ha a hiba bekövetkezik, és a motor nem működik. Egy közelgő hibára utaló jelzés érzékelésekor az érzékelőrendszer a motor mért változóit kiértékeli, meghatározza ezeknek a változóknak az eltérését a referenciaértéktől, és létrehoz egy olyan diagnózist, amely a már meghibásodott vagy meghibásodó komponensre utal.
Ha a találmány szerinti rendszert 736 W-nál kisebb teljesítményű villamos motorokra alkalmazzuk, ahelyett, hogy költséges adatbázist kellene kidolgozni a hibáknak a korrelációjára a mért jelekkel, a találmány szerinti megoldás a hibamentes motor matematikai modelljét foglalja magában, és méri a motornak a paramétereit olyan vizsgálati körülmények között, amelyek a környezeti, működési és egyéb szerelési körülményekkel szemben érzéketlenek. Ez a példakénti kiviteli alak különösen jól alkalmazható minőség-ellenőrző vizsgálatok elvégzéséhez. Azt követően, hogy számos motor legyártásra került, egy többváltozós rendszert azonosító algoritmust használnak egy olyan alapmodell kialakításához, amely az összes elérhető motorokat magában foglalja. Nyilvánvaló, hogy ez a számos motor adataiból álló adatbázis egy sor hibás motort is magában foglal, úgyhogy adott esetben szükség lehet a modellnek a finomítására úgy, hogy a tolerancia-küszöbértékeket változtatjuk, és újravizsgálunk minden motort a modellhez képest. Azok a motorok, amelyeknél a mért paraméterek a küszöbértéken kívül esnek, a motorok sokaságából eltávolításra kerülnek, majd a megmaradó motorokat használjuk föl arra, hogy az átdolgozott, illetve javított alapmodellt kialakítsuk. Az ily módon kijavított alapmodell adatait a számítógépben tároljuk, és ennek segítségével a jövőben gyártásra kerülő összes motor minőségi ellenőrző vizsgálatait fogjuk elvégezni.
Ha minőségi ellenőrző vizsgálat során a különböző paraméterek, így például az induktivitás, a motor ellenállása, a súrlódási tényező vagy az inercianyomaték mért értékei azon a megadott küszöbértéken kívül esnek, amely küszöbértéket az alapmotormodellhez állapítottunk meg, akkor a vizsgált motor úgy kerül beosztályozásra, mint hibás motor. A motor paramétereinek a vizsgálat során történő összehasonlítása az alapmotormodellel különféle tolerancia-határértékek között lehetővé teszi, hogy a motor hibáját tovább osztályozzuk, és megfelelő diagnosztikai információt hozzunk létre.
A találmányt a továbbiakban példakénti kiviteli alakjai segítségével, a mellékelt ábrákon ismertetjük részletesebben. Az
1. ábrán látható a találmány szerinti rendszerben alkalmazott villamos motor vázlatos rajza, a
2. ábrán egy tipikus motorburkolat felülnézete látható, a
3. és 4. ábrán a találmány egyik példakénti kiviteli alakjánál tipikusan mérhető bemeneti és kimeneti jelalakok láthatók a mérési mintavétel függvényében, az
5. ábrán a találmány szerinti rendszer egyik példakénti kiviteli alakja látható, a
6. ábrán a találmány szerinti motorállapot-jelző és diagnosztikai rendszer egy példakénti kiviteli alakjának blokkvázlata látható, a
7a., 7b. és a 8a., 8b. ábrákon pedig a találmány szerinti rendszer példakénti kiviteli alakjaira vonatkozó folyamatábrák láthatók.
Az 1. ábrán látható a találmány szerinti rendszer, amely tartalmaz egy villamos motort, a továbbiakban röviden egy 10 motort, amely például 736 W-nál kisebb teljesítményű villamos motor. A jobb megértés céljából feltüntettük a 10 motorhoz tartozó 12 forgórészt, a 14 állórészt, a 16 tengelyt, valamint a 18 csapágyakat, amelyek a 16 tengely végeinél vannak elhelyezve. A 16 tengelyt az ábrán külön fel nem tüntetett terheléshez egy 20 csigahajtás csatlakoztatja. Az ábrán látható még a 22 kollektor, amely az áramot a 12 forgórészhez vezeti, illetve onnan elvezeti, látható továbbá a 24 armatúra, amely a 14 állórésszel együtt a mágneses térerőt létrehozza, amely mágneses térerő hatására végül is a 10 motor mozog. A területen jártas szakember számára nyilvánvaló, hogy a 10 motornak olyan 12 forgórésze is lehet, amely sem kommutátort, sem pedig tekercselést nem tartalmaz. A 10 motor 26 házban mint burkolatban van elhelyezve, amely a port, nedvességet és egyéb zavaró, illetve idegen anyagokat kiküszöböli, azaz megfelelően tömít. A 2. ábrán a 10 motor 26 házának a felülnézete látható, ahol a 26 háznak az alapja egy megfelelő fedélhez 28 csavaros rögzítéssel van csatlakoztatva és rögzítve, amely önmagában ismert megoldás.
Az 5. ábrán látható a találmány szerinti 30 motorállapot-figyelő rendszer egy példakénti kiviteli alakja, amellyel tehát a 10 motor állapotát lehet figyelni. A 30 motorállapot-figyelő rendszerhez tartozik egy 32 tápegység, amely akár lehet a vonali feszültség, vagy pedig, például a Hewlett Packard által 6010A márkanéven gyártott tápegysége. Látható továbbá három, 34, 35 és 36 érzékelő, egy többfunkciós 37 bemeneti/kimeneti egység és egy 42 számítógép. Amikor feszültséget kapcsolunk a 10 motorra, úgy általában a működési sebességét 25 ms-on belül éri el, azaz a 16 tengely ekkor azzal a sebességgel fog forogni, amely a 10 motorra csatlakoztatott feszültség és a rákapcsolt terhelés függvénye. A 10 motornak a sebességét, illetve a fordulatszámát 36 érzékelővel érzékeljük, amely egy tachométer, és amelynek analóg kimenőjelét a többfunkciós 37 bemeneti/kimeneti egység alakítja át digitális jellé, és továbbítja a 42 számítógéphez. A fordulatszám- 36 érzékelő
HU 223 725 Bl lehet egy forgásisebesség-kódoló, vagy pedig egy beépített tachométer, amely a 10 motorban van elhelyezve. A többfunkciós 37 bemeneti/kimeneti egységhez van csatlakoztatva a 34 érzékelő is, amely a 32 tápegység kimenőfeszültségét érzékeli, amely adott esetben egy 1/100-as feszültségosztó pl., és csatlakoztatva van egy 35 érzékelő, amely a 32 tápegység felől a 10 motor felé folyó áramot érzékeli, és amelynek a reagálási ideje min. 23 nanosecundum. Az áramot mérő 35 érzékelő magában foglalhatja a Tektronix 6303 10A ac/dc áramérzékelőjét, a Tektronix 502a tápegység modulját, valamint a Tektronix 503b ac/dc áramerősítőjét. A 34 és 35 érzékelők kimenőjele szintén a 37 bemeneti/kimeneti egység bemenetére van elvezetve, ahol megfelelően feldolgozásra kerül, majd innen a 42 számítógéphez van továbbítva. A 42 számítógép a 34, 35 és 36 érzékelők adatait az ábrán külön nem jelölt memóriájában tárolja.
A 42 számítógép a hibajelzést és diagnosztizálást az ideális motor 44 modellje alapján végzi el, amely ideális motor adatai a memóriájában vannak tárolva. A példakénti kiviteli alaknál a 10 motor 44 modellje úgy van kialakítva, hogy egy többváltozós rendszermodellező algoritmust, röviden EMT-algoritmust tartalmaz, amelyet Ahmet Duyar fejlesztett ki, és amely a kereskedelemben az Advanced Prognostic Systems Inc. által forgalmazva szerezhető be. Az EMT-algoritmus egy kísérleti modell, amely matematikai egyenletek formájában a kimeneti és bemeneti adatok közötti dinamikus viselkedést írja le, amelyet kísérletek alapján hoztak létre, és amely a rendszer paramétereire vonatkozóan a lehetséges üzemmódok közül bármelyik kiválasztott tartományra megfelelő adatokat szolgáltat. Ezek az információs adatok a rendszer sávszélességére, az optimális letapogatási sebességére, és az időtartamra vonatkoznak, és egyetlen bemenőjel elég a rendszernek az indításához a rendszer teljes sávszélességében. A területen jártas szakember számára ismeretes, hogy a kísérleti modellezés matematikai viszonyok kiválasztásával hozható létre, amelyek lényegében a figyelt kimeneti és bemeneti adatokhoz illeszkednek. Ily módon tehát a modellezés alatt olyan egyenleteket hoztak létre, amely a rendszer különböző elemeinek a viselkedését, valamint ezen elemek összekapcsolásait írja le.
A rendszer kísérleti modelljét differenciálegyenletek sorozatával írjuk le, amelyek mátrix formájában vannak azután megadva. Az EMT-algoritmus meghatározza a rendszernek a szerkezetét, a rendszer nagyságrendjét, a differenciálegyenletek változóinak állandó tényezőit és paramétereit. A példakénti kiviteli alaknál a rendszert úgy határozzuk meg, hogy egy információs mátrixot hozunk létre, amely a bemeneti és kimeneti adatokat használja föl. A mátrixnak a soronkénti kiértékelését használjuk föl a rendszer szerkezetének a meghatározásához. Az elvi koncepciót a soronkénti kiértékeléshez részletesebben a következő dokumentumokban találhatjuk meg: State Space Representation of the Open-Loop Dynamics of the Space Shuttle Main Engine, by Ahmet Duyar, Vasfi Eldem, Walter C. Merrill és Ten-Huei Guo, 1991. december, 113. szám, Journal of Dynamic Systems, Measurement, and Control, 684-690. oldal.
Ha a rendszer szerkezetét meghatároztuk, akkor már ismert a differenciálegyenletekben lévő paraméterek száma is. A mért adatokat differenciálegyenletekkel együtt alkalmazzuk, amely differenciálegyenletek ismeretlen tényezőket is tartalmaznak a különböző egyenletek létrehozásához. A létrehozott egyenletek száma azonban több kell hogy legyen, mint az ismeretlen tényezőknek a száma. A legkisebb négyzetes közelítés elvét alkalmazzuk a nem ismert tényezők meghatározásánál, amely önmagában ismert módszer, és az előbb említett anyagokban részletes kitanítás található az alkalmazására.
A találmány szerinti modellalapú hibajelző és diagnosztikai rendszer a hibamentes motort egy sor egyenlettel írja le, ahol az egyenleteket az alábbiakban részletesen is megadjuk. Mivel a 10 motor meghibásodása esetén a paraméterek változnak, a 10 motorra vonatkozó egyenletek el fognak témi azoktól a várható egyenletektől, amelyeket a 44 modell alapján hozunk létre. A találmány felismerése az analitikus redundancia elvén alapul, ahol a jeleket, amelyeket a 44 modell hoz létre, összehasonlítjuk a 10 motorból nyert mért jelekkel annak érdekében, hogy megállapítsuk azt, hogy a 10 motor megfelelően működik-e. Ez a 44 modell helyettesíti a technika állásából ismert megoldásoknál az előzetesen szükséges információk iránti igényt a 10 motorra vonatkozóan. Az összehasonlítás alapján a 42 számítógép meghatározza, hogy a 10 motor hibamentesen üzemel-e. A mérés úgy történik, hogy maradó értékeket hoz létre a rendszer, és ezeket analizálja. A találmány szerint olyan előzetes információkat hozunk létre, amely lehetővé teszi, hogy a 10 motort fenyegető, esetleges várható hibát korán lehessen diagnosztizálni, és a diagnosztizálást működés közben terhelés alatt lehessen elvégezni.
A hibamentes rendszert a következő diszkrét állapotú egyenletekkel írjuk le:
x(K+l)=A*x(k)+B*u(k) (1) y(k)=C*x(k) (2), ahol x, u és y az ηχ 1 állapotvektor, pxl bemeneti vektor és q χ 1 kimeneti vektor, k pedig a diszkrét időnövekményeket adja meg. Az (1) és (2) egyenletben az A*, B* és C* ismert névleges mátrixok (paraméterek), amelyek a rendszerre vonatkozóan vannak megadva megfelelő dimenzióban. A 736 W-nál kisebb villamos motorok esetében például a kísérleti 44 modell a leképezésnél 38 bementi feszültséget, bemeneti áramot és sebességre, illetve fordulatszámra vonatkozó adatokat dolgoz fel.
A 3. ábrán látható a 38 bemeneti feszültség, amelyet a 10 motor 32 tápegysége továbbít. A példakénti kiviteli alaknál a 38 bemeneti feszültség ugrásszerű bemenőjelként indul, és ez a kísérleti 44 modellben mint egy sorvektor szerepel, amely a mért feszültségértéket tartalmazza. A 4. ábrán látható a kísérleti úton meghatározott 39 kimeneti áram és 40 kimeneti feszültség, míg ugyanezen az ábrán a folytonos vonal a mért kimenőáramot, és a mért 40 kimenőfeszültséget mutatja. A rendszereredőben a (3) és (4) egyenletekkel írható le, ahol az A* mátrix például a következő formában írható fel:
HU 223 725 Bl
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -0.0010 | 93.3676 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.0000 | 0.0020 |
| 1.0000 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -0.1857 | -260.2940 |
| 0 | 1.0000 | 0 | 0 | 0 | 0 | 0 | 0 | -0.0001 | -0.0920 |
| 0 | 0 | 1.0000 | 0 | 0 | 0 | 0 | 0 | 0.0258 | 487.7519 |
| 0 | 0 | 0 | 1.0000 | 0 | 0 | 0 | 0 | 0.0001 | 1.0220 |
| 0 | 0 | 0 | 0 | 1.0000 | 0 | 0 | 0 | 0.4119 | -636.3152 |
| 0 | 0 | 0 | 0 | 0 | 1.0000 | 0 | 0 | -0.0002 | -2.7525 |
| 0 | 0 | 0 | 0 | 0 | 0 | 1.0000 | 0 | 0.5182 | 315.4224 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.0000 | 0.0002 | 2.8204 |
A B* mátrix formája pedig a következő:
-2.6188
0.0012 15
4.3719 0.0092 -3.5824 -0.0259
1.0257 20
0.0156 1.0915 0.0000
A C* mátrix mint kimenőmátrix, amely a kimenettel kapcsolatos változókhoz kapcsolódik, formája a következő :
0000000010 000000000 1.
Azon túlmenően, hogy meghatároztuk a diszkrét A*, B* és C* mátrixokat, amelyek a rendszerhez tartoznak, és amelyeket a modellezőprogram segítségével határoztunk meg, meghatározunk egy várható névleges hiba, röviden SEE-értéket is. Ezt a névleges értéket esetleges szabványos hibaértékként is jelölhetjük. Az SEE-érték egy várható modellezési hibát állapít meg azáltal, hogy a modell kimenetét a mért kimenőjellel összehasonlítja. Ha például a várható szabványos hibaérték a modellre 2,8% az áramkimenetre, és 0,67% a feszültségkimenetre, lehet egy példakénti kiviteli alak.
Amikor a 10 motorban valamilyen hiba következik be, a paraméterek és ennek következtében a 30 motorállapot-figyelő rendszernek a válaszjelei is megváltoznak. A hibás paraméterek és változók beírásával a hibás rendszerre vonatkozó egyenlet a következő lesz:
xf(k+l)=A*fxf(k)+B*fuf(k) (3) yf(k)=C*fxf(k) (4)
A legegyszerűbb formájában a maradó r(k) vektor úgy definiálható, mint a hibátlan rendszer kimenőjele és a hibás rendszer kimenőjele közötti különbség, azaz r(k)=yf(k)-y(k) (5).
Abban az esetben, ha a modellezésben nincs hiba, és egyébként zajmentes a környezet is, a maradó r(k) vektor nulla akkor, ha a 10 motor hibátlanul üzemel.
A maradó r(k) vektor nullától eltérő értéke valamilyen hibára utal. Abban az esetben, ha modellezési hiba vagy zaj van jelen a rendszerben, akkor ennek a hatását el kell tudni választani a 10 motor hibájának a hatásától. Ez úgy történik, hogy a maradó értéknek a nagyságát egy kiválasztott küszöbérték-tartománnyal hasonlítjuk össze. A maradó értékek eloszlásának figyelembe vételével hibamentes üzemmódban ezeket a küszöbértékeket úgy határozzuk meg, hogy megállapítunk egy biztonsági szintet (három várható és szabályosnak tekinthető eltérés megválasztásával) úgy, hogy a hibás jelzést és a hibaérzékelést minimálisra csökkentsük.
A 6. ábrán látható kiviteli alaknál egy többváltozós azonosító EMT-algoritmust alkalmazunk, hogy a 10 motor alap kísérleti 44 modelljét létrehozzuk. A kísérleti 44 modell a különböző egyenletek, A*, B* és C* mátrixparamétereit, valamint nagyságrendjét, például n tartalmazza az (1) és (2) egyenletekben. Az elvileg le25 vezetett modellek paramétereivel ellentétben a kísérletimodell-paramétereknek nincs fizikai értelmezése. Más szavakkal a paraméterekben bekövetkező változások nem értelmezhetők úgy, hogy eseti hatásokat hoznak létre. Azáltal, hogy a paraméterek fizikai értelme30 zése kiesett, a kísérleti 44 modell elegendően pontos reprezentálása lesz a 10 motornak, mivel azt nem kellett elvonatkoztatások alapján létrehozni. A 30 motorállapot-figyelő rendszer csökkenti azt az igényt, amely a technika állásából ismert megoldásoknál szükséges, 35 nevezetesen, hogy a 10 motor szerkezetéről információ legyen. Az egyetlen információ, amit figyelembe kell venni, hogy a 10 motor kiindulási helyzetében hibamentes.
A 44 modell kimeneteit az EMT-algoritmus értékeli 40 ki a 42 számítógép segítségével oly módon, hogy a feszültségmérő- 34 érzékelő, a fordulatszám mérésére használt 36 érzékelő és az áram érzékelésére használt 35 érzékelőnek a mért értékeit használja fel a 44 modell kimeneti értékeinek a meghatározásához. A 44 modell 45 kimeneti értékeit azután egy 46 összegző áramkörben összehasonlítjuk a 10 motor mért paramétereivel, és a 46 összegző áramkör kimenetén keletkezik a maradó érték, illetve maradó r(k) függvény. Egy 48 komparátor segítségével, amely a 46 összegző áramkör kimenetére 50 van csatlakoztatva, határozzuk meg, hogy a maradó r(k) vektor nulla vektorral egyenlő-e. Ha igen, a 10 motor hibamentesen üzemel. Ha a 48 komparátor azt állapítja meg, hogy a maradó r(k) vektor értéke hullától eltérő, ez egy vagy több hiba jelenlétére utal. Mivel valamennyi 55 zaj- és modellezési hiba tipikusan megfigyelhető, ezért a maradó r(k) vektor értékét először kiválasztott küszöbértékekkel hasonlítjuk össze, hogy ily módon is csökkentsük a hibás kiolvasás lehetőségét. Ha tehát a maradó érték kisebb, mint a küszöbérték, és többé-kevésbé 60 nem nulla érték, akkor az a nullától eltérő érték, ami a
HU 223 725 Bl küszöbértéken belül van, a zaj, illetve a modellezési hiba következtében lép fel, és a 10 motort hibamentesnek tekinthetjük. A 30 motorállapot-figyelő rendszer ezután a rendszernek a hibamentes állapotáról ad információt. Ez történik az 50 egységben. Ha azonban a maradó érték a küszöbértéket túllépi, úgy ez a hibajelentésre utal a rendszerben, és az 52 egység elkezdi a hibás paraméter analizálását. Az 52 egység által végzett analízis alapján a hibát osztályozzák, és az 54 egységben azután a felhasználó felé a hibaosztályozás eredménye jelenik meg, és adott esetben a 42 számítógép ezeket az adatokat mint jövőbeni referenciaértékeket is tárolja.
A 44 modell alapján végzett diagnosztikai vizsgálat használata során a 10 motornak az áram válaszjele hibamentes üzem esetén könnyen lemodellezhető, és ezt követően lehet ezt összehasonlítani ugyanennek a 10 motornak a működés során mérhető áramértékével. A találmány szerinti megoldásnál a 42 számítógép tartalmaz olyan elemeket, amelyek iterációt végeznek a hibaérzékelő algoritmusban annak érdekében, hogy előre megjósolják az esetlegesen fellépő hibát a 10 motorban, mérjék a 10 motort és a fellépő hibát, és ezen túlmenően pedig osztályozzák is a hibákat. A 30 motorállapot-figyelő rendszer, valamint az ezzel kapcsolódó eljárás mind gyártósorokban, mind pedig különféle működő környezetekben alkalmazható.
A hibák osztályozása összekapcsolódik azzal, hogy meghatározzuk azokat a változásokat, amelyek a 10 motor paramétereiben bekövetkeznek, és ezeket a változásokat összekapcsoljuk a 10 motor hibáival úgy, hogy az elvileg létrehozott fizikai paramétereit használjuk föl ehhez. Az egyszerűsített elvi egyenlet, az alábbiakban leírt (6) és (7) egyenlet, írja le egy univerzális motor működését, amely lehet egyenáramú vagy váltóáramú és egyenfeszültségű bemenete:
L di/dt+Ri=V+kl wi (6)
J dw/dt+fw=k2i2+M (7), ahol az L a 10 motor induktivitását, az R a 10 motor ellenállását, a J az inercianyomatékot, az f pedig a súrlódási tényezőt jelenti, míg ki és k2 a 10 motor állandói. A (6) és (7) egyenletekben a kimeneti változók, az i áram és a w sebesség, míg a bemeneti változó, a V feszültség, M pedig a terhelés.
A 30 motorállapot-figyelő rendszer MCM-algoritmusában az M terhelés nem könnyen érzékelhető, és nem is mérhető könnyen. Éppen ezért van szükség a (6) és (7) egyenletek értékelése során, hogy itt a diagnosztikai megfigyeléskor az M terhelés minél kisebb súllyal kerüljön figyelembevételre. Az egyik kiviteli alaknál a megfigyelés egyszerűen a (6)-os egyenlet alapján történik, amely az M terheléstől független. Némi részleges információ a diagnosztikai megfigyeléshez is rendelkezésre áll ezeknél a kiviteli alakoknál, de a 10 motor f súrlódási tényezője és a k2 állandó nem érzékelhető, és ezért nagyobb százalékban fordulhat elő ismeretlen hibajelzés. Ha ilyen információra szükség van, akkor a (7) egyenletet vesszük figyelembe, amely az M terhelés hatását oly módon küszöböli ki, hogy konstans M terhelést vesz figyelembe. A területen jártas szakember számára természetesen kézenfekvő, hogy az előzőektől eltérő matematikai modellek is alkalmazhatók a terhelés kiküszöbölésére, így például a (6) és (7) egyenletek mátrix formában is felírhatok úgy, hogy mindkét oldalt egy megfelelő mátrixoperátorral szorozzuk meg.
Visszatérve ismét az 1. és 2. ábrára, a mechanikai jellegű hibák származhatnak, például a nem megfelelően kiegyensúlyozott 12 forgórészből, az egyenetlenül meghúzott 28 csavaros rögzítésből, a nem megfelelő vagy hibás 18 csapágyakból, a 22 kollektorból vagy a 20 csigahajtásból. Egyéb mechanikai hibákat okozhat például a rezgés és a zaj abban az esetben, ha a 10 motor beszerelésre került, és egy M terhelésre van csatlakoztatva. A mechanikai rezgések fizikai paraméterek megváltozásakor jelentkeznek, az a rezgés, amelyet a 18 csapágyak okoznak, periodikus elmozdulást jelent a 16 tengely számára. A 10 motornál a 16 tengelyt az armatúraszerelvény forgatja.
A mechanikai hibák a 12 forgórészre is kedvezőtlenül hatnak, amelynek következtében a légrések nemszimmetrikussá válnak, megváltozhat az L induktivitás, az R ellenállás, és a 10 motornak mindazok a paraméterei, amelyek a (6) egyenletben szerepelnek.
Mivel a 10 motoron átfolyó áram részben függvénye annak a mágneses térerőnek, amely a 12 forgórész és a 14 állórész közötti légrésben fellép, a periodikus elmozdulás, amely a 16 tengelyben érzékelhető, a légrésnek a szimmetriájára hat, és ezáltal a légrésben fellépő mágneses térerőre is. A légrésben fellépő mágneses térerő pedig a 10 motoron átfolyó áramra van hatással. Mivel a légrésben lévő mágneses térerő periodikus és ismert frekvenciájú, ugyanilyen hatás érzékelhető az áramra is.
Ennek megfelelően tehát az L induktivitás névleges értékében fellépő változás minden esetben nem kiegyensúlyozott 12 forgórészhibára utal. Az R ellenállásban bekövetkező változást úgy tekintjük, mint annak jelzését, hogy a 22 kollektor meghibásodott. A 18 csapágyak hibájára akkor következtethetünk, ha az L induktivitás változik, és oszcillációs jellegű viselkedése lesz; és/vagy mind az L induktivitás, mind pedig a súrlódási tényező oszcilláló jelleggel, tehát ide-oda változik.
Hibamentes vagy hibás paraméterek és szabványos előre megadott eltérések a hibamentes paraméterek esetére az 1. és 2. táblázatban találhatók meg. Az 1. táblázatban egy adott V feszültségre és egy adott M terhelésre az áram- és a sebességkimenetek értékeinek a várható nagysága van kiszámítva a 44 modell segítségével, és itt láthatók a kiválasztott toleranciaparaméterek (három szabványos eltérés), valamint egy áramértékre és sebességértékre példa. Itt jegyezzük meg, hogy az áram mért értéke az előre megadott értéknél 3 szabvány eltérésnél több értékkel tér el, ez tehát hibát jelent.
1. táblázat
| Kimenetek | Az alapmotor esetében a várható szabványos hiba | Három szabványos eltérés | Példa: a motor induktivitásának a kiolvasása |
| i | 0.0072 | 0.0072 | 0.0098 |
| ω | 0.0197 | 0.0025 | 0.0245 |
HU 223 725 Β1
Egy hibás 10 motor paramétereit a 2. táblázatban vizsgáljuk meg. A hibás 10 motor L induktivitása a 44 modell által megadott induktivitás-paraméterértéket több mint egy szabványeltéréssel lépi túl, míg az összes többi paraméter értéke kisebb, mint az előre megadott érték plusz egy szabványos eltérés. Ez a hiba akkor lép fel, ahogyan erre már az előbbiekben is utaltunk, ha a 12 forgórész tekercse kiegyensúlyozatlan, és ahogy ezt az 54 egység, ahol a hiba osztályozása történik, jelzi is.
2. táblázat
| Alapmo- tor-para- mctcrck | Alapmo- tor-para- méterck szabványos eltérései | Példa: hibásmo- tor-para- méter | |
| L (induktivitás) di/dt | 0.0434 | 0.0005 | 0.0445 |
| R (ellenállás) i | 1.6269 | 0.1087 | 1.7236 |
| f (súrlódási tényező) ω | 1.1517 | 0.0270 | 1.1632 |
| kt (motor állandó) i | 377.4760 | 3.3765 | 374.7121 |
A 7A-7B. ábrákon egy MCM-algoritmus folyamatábrát adunk meg, melyek az A-B pontokon kapcsolódnak. Ez a 30 motorállapot-fígyelő rendszer működésére utal akkor, ha már a 44 modell készen van. Előre megadott időintervallumokban a 42 számítógép a 44 modell adatait a memóriába viszi be a 62. lépésben, a 64. lépésben pedig a képernyő kijelzi a 42 számítógép információinak egy részét a felhasználó számára. Abban az esetben, ha a rendszer instrukciót kap, hogy a 10 motor figyelését kezdje el, akkor előre megadott időintervallumonként, vagy folyamatosan a 30 motorállapot-figyelő rendszer elkezdi az adatokat venni a 66, és 68. lépésekben a 34 36 érzékelőkről. Az adatok érzékelése olyan sebességgel történik, amelyet a felhasználó tud meghatározni. A 42 számítógép a 70. lépésben kiszámítja a maradó r(k) vektorértékeket, amelyet azután a 72. lépésben a 44 modell által adott várható maradó értékkel hasonlítunk össze. Ha a maradó érték adott küszöbértékek között van, úgy a 10 motor hibamentesen működik, és ezt az információt a 42 számítógép a kijelzőjén a 74. lépésben a felhasználó számára ki is jelzi. Ha azonban hiba kerül érzékelésre, úgy ez is kijelzésre kerül a 76. lépésben.
Ha egyszer a 30 motorállapot-fígyelő rendszer hibát érzékelt, képes arra is, hogy ezt a hibát kiértékelje, és a felhasználó számára a megfelelő diagnosztikai információt megadja. A találmány szerinti megoldásnál, az előre jósló jellegét felhasználva, lehetőség van arra ily módon, hogy elkerüljük a költséges és nemvárt katasztrofális meghibásodásokat. Ahogyan ez a 7B. ábrán látható, a diagnosztikai megfigyelő része a 44 modellnek kiértékeli a fizikai paramétereket, azaz az i áramot, a w sebességet, amely a 10 motorra vonatkozik, és mindezt a 78. lépésben teszi meg, majd mindezeket a paramétereket a 44 modell megfelelő paramétereivel összehasonlítja (lásd 2. táblázat). Az összehasonlítás 80. lépése eredményeként az MCM-algoritmus osztályozza és kijelzi a mechanikai hibákat, vagy pedig adott esetben, a motor paramétereiben bekövetkező bármilyen romlást. Ez a 82. lépésben történik. A 44 modell tehát fölöslegessé teszi előzetes információk gyűjtését az adott 10 motorról.
A 42 számítógép MCM-algoritmusa, ahogyan a 7A. és a 7B. ábrán bemutattuk, az úgynevezett motorállapot-figyelő eljárás. A 10 motor viszonyainak a figyelésében alapvető szempont az, hogy akár szakaszosan, akár folyamatosan figyeljük a paraméterváltozásokat azokhoz a paraméterekhez képest, amelyeket akkor értékeltünk ki, amikor a 10 motor megfelelően működött, például amikor először üzembe helyeztük, és amikor tudtuk róla, hogy a 10 motor hibamentesen üzemel. Az ezt követő 10 motor üzeme során a kimeneti értékek eltérését vizsgáljuk a referenciaérték-kimenetekhez képest. Ezt az eltérést hasonlítjuk össze azután előre megadott küszöbértékekkel. Abban az esetben, ha az összehasonlítás eredményeként a mért érték a küszöbértékektől eltér, azaz azokon kívül esik, hiba kerül érzékelésre. A hibának az osztályozása úgy történik, hogy a 44 modell paramétereit kiértékeljük, és ismételten összehasonlítjuk a paramétereket a kezdeti értékkel, és ekkor is ugyanezekre a paraméterekre vonatkozó, megfelelő küszöbértékeket vesszük figyelembe.
A 10 motorok gyártása során lehetőségünk van arra is, hogy egy olyan 44 modellt alakítsunk ki, amely ahelyett, hogy egyetlenegy 10 motor paramétereit használná fel, a gyártási folyamat során szóba jöhető változásokat is figyelembe veszi. Ez a megfontolás használható olyan eljárások kifejlesztésére, amely a villamos 10 motorok mechanikai hibáit értékeli és diagnosztizálja, és amely a gyártási folyamat során is egy tesztelőfolyamat részét képezi, különösen pedig akkor, amikor a minőségi vizsgálatokat végezzük, amelyet a legtöbb gyártó közvetlenül azelőtt végez, mielőtt a 10 motort kiszállítanák. A minőségi vizsgálatoknál az eljárás és a minőségellenőrző algoritmus, az úgynevezett MQMalgoritmus alkalmazható, amely a találmány szerinti eljárás részét képezi, és amelyet az alábbiakban ismertetünk részletesebben.
Az MQM-algoritmus alapfunkciói közé tartozik a 10 motor bevizsgálása, a vizsgálati eredmények kijelzése, a kísérleti vizsgálatok szabályozása, azaz olyan alapmodellnek a kifejlesztése, amelyet a későbbiekben részletesen ismertetünk is, valamint a mért és digitalizált adatok tárolása egy memóriában archiválási célokkal.
Mivel olyan megbízható technikai megoldás vagy mérés nincs, amelynek segítségével egy hibamentes 10 motort azonosítani lehet, először egy olyan eljárást kellett kidolgozni, amellyel egy tipikus hibamentes alapmodellt megvalósító eljárást hozunk létre.
A MQM-algoritmus folyamatábrája a 8A-8F. ábrákon látható, melyek az A-F pontokon kapcsolódnak egymással. A MQM-algoritmus két alapfunkcióval rendelkezik: (1) az alapmodell kifejlesztése, és (2) a 736 W-nál kisebb motorok minőségi vizsgálatának az elvégzése, és az adott felhasználó a 42 számítógép kijelzőjén megjelenő menüből tudja bármelyik funkciót
HU 223 725 Β1 kiválasztani. A példakénti kiviteli alaknál a felhasználó által definiált paramétereket bevisszük, a küszöbértékeket beállítjuk, a vizsgálandó motorok számára vonatkozó adatokat bevisszük, például mielőtt a felhasználó a három lehetőség közül az egyiket kiválasztja: „alapmodell kialakítása”, „alapmodell kiválasztása” vagy „minőségi vizsgálat”.
Ha az alapmodell nem hozzáférhető, ez a 90. lépésben történik, akkor az alapmodell-kialakítási lehetőség - amely a 92. lépéstől történik - az, amelyet először ki kell választani, ahol a felhasználót a rendszer megkéri, hogy a 3. táblázatban feltüntetett információkat táplálja be, ha az eltérő a 94. lépésben beállított értékektől.
3. táblázat
| A felhasználó által betáplált információ | Az információ leírása | Beállítások és/vagy opciók |
| Letapogatási sebesség bevitele | Az adatlekérés mintavételi frekvenciája | 500 Hz-24 kHz Kezdeti beállítás 24 kHz-re |
| Letapogatási idő beállítása | Az adatlekérés időtartama | 0,4 s-1 s |
| Adatfájl (loc/name) bevitele | Azoknak a fájloknak a helye és neve, ahol a mérési adatok tárolásra kerülnek | c:\fajlID |
| Toleranciaszorzó bevitele | Beállítási tényező: szorzó-szabványeltérések a küszöbérték-változók megállapításához | Tipikusan háromszoros |
| Alapmodell nevének bevitele | A modellezendő motor típusának azonosítása | Univerzális motor |
Az alapmodell kiválasztási lehetősége kötelező akkor, ha a MQM-algoritmust először installáljuk. A felhasználónak megvan a lehetősége, hogy az alapmodellt különböző típusú motorokra alakítsa ki, vagy adott esetben ugyanolyan típusú villamos motorokra, de különböző toleranciaszorzókkal. A motornak a modellje, a paraméterei és a szabványos eltérései ily módon elérhetők, és egy kijelölt fájlban tárolhatók.
Az alapmodellt ismert motorok sokaságából alakítottuk ki, és egy adott csoporthoz tartozó mérési adatokat, azaz tesztelési adatokat a 96. lépésbe vittünk be, amely adatok többségében hibamentes motorokra vonatkoznak. A találmány egyik előnyös kiviteli alakjánál a villamos 10 motorok csoportjára vonatkozó adatokat arra használjuk fel, hogy az alapmodellt létrehozzuk. A területen jártas szakember számára nyilvánvaló az is, hogy egy ilyen motorcsoport hibamentes 10 motorokat foglal magában, de természetesen néhány hibás 10 motor adata is bekerülhet a gyártási és a tesztelési eljárás nem tökéletes volta miatt.
Az EMT-algoritmus használatával a kiválasztott motortípusra egy olyan kísérleti modellt hozunk létre, amely a kiválasztott 10 motor paramétereit foglalja magában. Ez a kiválasztás a 98-102. lépésben történik, ahol a 98. lépésben a rendelkezésre álló adatokat egy 10 motor adataival kombináljuk, a 100. lépésben a csoportot képviselő motor adataival elkészítjük a modellprogramot, a 102. lépésben pedig a modellezési hibák, a főértékek és a szabványeltérések kiértékelése történik. A következő 104. lépésben a küszöbértékek kiértékelése történik a modellezési hibákra.
Egy adott motoré soportból kialakított alapmodell alkalmazása esetén a csoporthoz tartozó minden egyes 10 motor bevizsgálható egy kísérleti alapmodellhez képest úgy, hogy az SEE-értékre a szabványos eltérési adatokból nyert toleranciaértékeket használjuk. Ez a folyamatábrának az a lépése, amely a 8F. ábrán látható első 106. lépés. Ha az adott csoportba tartozó egyetlen 10 motornak a kimenete a kísérleti 44 modell kimeneteitől a megfelelő toleranciaértékeknél nagyobb mértékben tér el, úgy azt a 10 motort a csoportból kivesszük, és ezt az adatfájlt úgy alakítjuk át, hogy a hibás adatokat eltávolítjuk. Mindezeket a 108-112. lépésekben végezzük el. A 108. lépésben történik a modellezési hibaértékeknek az ellenőrzése a küszöbértékekhez képest, a 110. lépésben az adott csoporthoz tartozó fájlból a hibás adatokat kizárjuk, a 112. lépésben pedig a fájl adatait ennek értelmében felfrissítjük. Az alapmodellre vonatkozó további finomítás a mérési, azaz tesztelési adatok alkalmazásával történik a csoportban maradó 10 motorok egy-egy alkészletére. Azt követően, hogy mindazokat a 10 motorokat, amelyeknek a kimeneti adatai az adott toleranciakészleten kívül esnek, a kísérleti modellből kiküszöböltük, lehetőség van arra, hogy a kísérleti 44 modellt tovább finomítsuk azáltal, hogy a modellezési hibákat is kiértékeljük, és a fő- és a szabványos eltéréseket az adott csoportban megvizsgáljuk. Ez a 114. lépésben történik mindaddig, amíg az adott csoport csak olyan 10 motorokat foglal magában, amelyeknek kimeneti jelei a toleranciafaktorral kiválasztott értékbe esnek a kísérleti 44 modellnél. Egy iterációs eljárás megismétlésével a kísérleti 44 modell már hibamentes 10 motorok paramétereit foglalja magában, amelyek ugyanazon specifikációk szerint kerültek gyártásra. A kísérleti 44 modell adatait azután mint alapmodellt az adatbázisban tároljuk a 42 számítógép egyik memóriájában az esetleges jövőbeni felhasználáshoz, mint referenciaérték. Ez történik a 116. lépésben.
Ha az alapmodell már megvan, úgy a fenti folyamat azáltal rövidíthető le, hogy az alapmodellt csupán újra bevisszük a 42 számítógép aktív memóriájába, és a felhasználó a „válaszd az alapmodellt” lépést tudja kiválasztani adott esetben, és ezután kezdődik a minőségi vizsgálat. A felhasználó számára egyéb kiválasztási lehetőségek is rendelkezésre állnak. Maga az alapmodell lehet például univerzális osztott pólusú indukciós motor, szinkronmotor, vagy egyéb más, 1 LE-nél kisebb teljesítményű villamos motor. A 8A. ábrán látható az alapmodell a motorok közül, amikor a 42 számítógép memóriájába betápláljuk a megfelelő vizsgálati lépést, azaz a „válaszd az alapmodellt” kerül kiválasztásra, vagy pedig a „minőségigarancia-vizsgálat” kerül kivá11
HU 223 725 Bl lasztásra, ekkor a vizsgálat elkezdődik a 120. lépésben a szóban forgó motortípusra. Ebben az időben a felhasználó számára lehetőség van, hogy beállítsa a toleranciaszorzókat a hibajelzéshez, beállítsa a hibaosztályozást, ezeket a 122. és a 124. lépésben tudja megtenni. Az MQM-algoritmus ezután kiszámolja a hibákat, és elvégzi a megfelelő hibaosztályozást a kiválasztott küszöbértékek vonatkozásában, mindezeket a 126. és 128. lépésben teszi meg.
A 120. lépésben tehát az alapmodell adatainak bevitele történik, a 122. lépésben a hibamérésnél alkalmazott toleranciaszorzók, a 124. lépésben a hibaosztályozásánál alkalmazott toleranciaszorzók, a 126. lépésben a hibaérzékelési küszöbértékek kiszámítása történik, a 128. lépésben pedig a hiba osztályozása és a hibaparaméterek számítása.
A 8B. ábrán látható az MQM-algoritmus folyamatábrája, amely a 10 motor mért értékeit az alapmodell kimeneti értékeivel hasonlítja össze úgy, hogy a kiválasztott küszöbértékeket használja a 10 motor ellenőrzéséhez és a minőségvizsgálathoz. A küszöbértékeket úgy határozza meg, hogy a kísérleti alapmodell kialakításánál alkalmazott toleranciaértékeket egy toleranciatényezővel szorozza meg. Az MQM-algoritmus lehetővé teszi, hogy a szorzókat a minőségvizsgálatot tervező szakemberek adják meg, akik figyelembe veszik a kimeneti értékeknek azokat a változásait, amelyek még elfogadhatók, ha a gyártás a normál gyártási körülmények között történt. Ha az eltérések az előre megadott küszöbértékeket túllépik, az a 10 motor, amely vizsgálatra került, úgy kerül kiértékelésre, mint hibás 10 motor.
Ha az alapmodell kiválasztásra kerül, úgy a felhasználó az, aki beviszi a szükséges paramétereket a „minőségi vizsgálat” elvégzéséhez a 130-134. lépésekben, ahogyan ez összegzésre kerül a 4. táblázatban.
4. táblázat
| Felhasználó által betáplált információ | Információ leírása | Beállítások és/vagy opciók |
| Letapogatási sebesség bevitele | A mért adatok mintavételi frekvenciája | 500 Hz |
| Letapogatási idő bevitele | Az adatmérés időtartama | 0,5 s |
| Toleranciaszorzók bevitele hibaérzékeléshez | Beállítási tényező: A szabványos eltéréseket megszorozza, hogy a hibahatárérték megállapításához szükséges küszöbérték-változót megkapjuk | 3χ |
| A toleranciaszorzó bevitele a hibaosztályozáshoz | Beállítási tényező: A szabványos eltéréseket megszorozza, hogy a hibaosztályozáshoz szükséges küszöbértékváltozót megkapjuk | lx |
A „minőségi vizsgálat” program futásakor az algoritmus kiszámolja a hibajelzéshez és a hibaosztályozáshoz tartozó határértékeket a kiválasztott motortípusnak megfelelően, a megfelelő toleranciaszorozók figyelembe vételével. Az algoritmus inicializálja az adatok mérését, és valós idejű feszültség-, sebesség- és árammérést valósít meg a vizsgálat alatt álló 10 motorból, ez a 134. lépésben történik. Ezeket a jeleket azután digitális jellé alakítja úgy, hogy a már korábban bevitt letapogatási sebességet és letapogatási időt választja ki, ez történik a 130-132. lépésben. A digitalizált jeleket azután memóriában tárolja, ez a 136. lépést a 138. kiolvasáslépés követi, és a zaj csökkentése, melyhez egy „butterworth” szoftverszűrőt használ, vagy bármilyen egyéb kereskedelemben kapható szűrőt. Ez utóbbi a 140. lépésben történik.
A valós idejű feszültség-, sebesség- és áramjeleket az alapmodell arra használja föl, hogy meghatározza a modellezett motor állapotát terhelés alatt. Ez történik a 142-144. lépésben, ahol is a 142. lépésben vesszük az alapmodellt, a 144. lépésben meghatározzuk az alapmodell várható áram- és sebességértékeit. A 146. lépésben az alapmodell várható maradó értékeit és a vizsgálat alatt álló 10 motor aktuális maradó értékeit számítjuk ki, és ezt a két értéket a 148. lépésben egymással összehasonlítjuk. A számított maradó értékek közötti eltérést azután összehasonlítjuk a hiba jelzését jelentő küszöbértékekkel. Ha a vizsgálat alatt álló 10 motor kimeneti jeleiben tapasztalható eltérés adott tolerancia-határértékeken belül van, a 10 motort, mint hibamentes motort azonosítjuk, és ez az üzenet kijelzésre kerül, vagy valamilyen módon feljegyzésre kerül a 150. lépésben.
Ha a 10 motor a mérés alapján hibásnak minősül, úgy ez az üzenet a 152. lépésben kerül kijelzésre, és ahogyan a 154. lépésben az eljárás folytatódik, a hibának az osztályozása a fentiekben leírthoz hasonlóan a 44 modell segítségével történik. Összegezve tehát a (6) és (7) egyenletek írják le azt a 10 motort, amely modellként kerül felhasználásra. A 44 modell fizikai paramétereit kísérleti úton határozzuk meg a már korábban említett motorcsoportból nyert adatok alapján. A 44 modell fizikai paraméterei, valamint a megfelelő szabványos eltérések a 42 számítógép memóriájában vannak tárolva.
Ha a 10 motort hibásnak értékeljük ki, úgy a hibás 10 motor fizikai paramétereit az MQM-algoritmussal kiértékeljük, és összehasonlítjuk az alapmodell megfelelő paramétereivel. Az összehasonlítás eredményét és az eltérés mértékét használjuk fel a 10 motor hibájának az osztályozására, és a diagnosztikai információ kijelzésére. Mindez a 156-162. lépésben történik. A 156. lépésben az kerül megállapításra, hogy a hibaparaméter egy adott küszöbérték alatt van-e, a 158-ban, hogy a hibaparaméter 2 egy adott küszöbérték alatt van-e, a 160. lépésben azt nézzük, hogy a hibaparaméter „n” egy adott küszöbérték alatt van-e, a 162. lépésben pedig, hogy az összes hibás paraméter egy adott küszöbérték alatt van-e vagy sem.
Ha a maradó értékek eltérései az adott küszöbértékek fölött vannak, úgy a 10 motornak a státusza úgy
HU 223 725 Bl kerül osztályozásra, hogy „hibát talált”, vagy hasonló, mindenesetre informatív rész, amely a 42 számítógép kijelzőjén információként megjelenik. Ha egyszer azonosításra került, a következő lépésben a hibás 10 motor fizikai paraméterei kerülnek kiértékelésre. Ezeket a paramétereket az alapmodell paramétereivel hasonlítjuk össze úgy, hogy a hibaosztályozás küszöbértékeit használjuk föl (lásd 4. táblázat). Univerzális villamos 10 motor esetében a fizikai paraméterek az L induktivitás, az R ellenállás, az f súrlódási tényező és a 10 motor k állandói, amelyek az (5) és (6) egyenletekben szerepelnek. Minden egyes, a hibás 10 motorból származó paramétert az előbb említett, és az adott hibaosztályozáshoz tartozó küszöbértékekkel hasonlítunk össze. Egy lehetséges döntési fára vonatkozó reprezentatív mintát a hiba osztályozására a 164-170. lépésekben írunk le.
Ha például a hibás 10 motornak az L induktivitása lépi túl az ehhez tartozó küszöbértéket, úgy a számítógépes program által hozott határozat azt jelzi ki, hogy „ellenőrizd az egyensúlyt”. Ha a hibás 10 motornak az R ellenállása az, amely a hibamegállapításhoz szükséges küszöbértéket túllépi, úgy a kijelzőn az „ellenőrizd a kollektort” kijelzés és döntés jelenik meg.
Ha mind az f súrlódási tényező, mind pedig az L induktivitás értéke a hibás értékhez tartozó küszöbértékeket túllépi, úgy a képernyőn megjelenik az „ellenőrizd a csapágyakat”.
Ha egynél több küszöbérték lépi túl egyidejűleg az előre megadott értékeket, úgy az összes határozat és döntés kijelzésre kerül.
Ha az összes paraméternek a nagysága kisebb, mint a megfelelő küszöbérték, úgy a kijelzőn - mint információs rész - megjelenik az „osztályozás nélkül”. Ez azt jelenti, hogy a 10 motor kimenetén lévő mindegyik paraméterben változás következett be, és ezeknek a hatása összegződött. Ebben az esetben az adott 44 modellnek több, de kisebb hibája lehet, amelyek együttesen eredményezik azt, hogy a 44 modell kimenőértékei a küszöbértékeket túllépik. Mivel azonban a küszöbértékeket a felhasználó választja ki, lehetőség van arra, hogy minden egyes paraméternél a toleranciaértékeket szűkítsük, és így meg tudjuk állapítani és ki tudjuk jelezni a hibaértékeket, amelyek az előbbi esetben léphetnek fel.
Az MQM-algoritmus különösen jól alkalmazható a villamos motorokat javító műhelyekben, ezzel ugyanis a hibákat lehet diagnosztizálni, és megelőző intézkedéseket lehet tenni a javítások, illetve az ellenőrzések során. Ilyen esetben az alapmodellek különböző villamos motorokhoz a gyártó által változó méretnek megfelelően a 42 számítógépben vannak tárolva. Ha egy hibás 10 motor kerül vételre, úgy a javító személy kiválasztja a vizsgálandó 10 motorhoz tartozó alapmotor- 44 modellt, és elvégzi a hibamérő és -diagnosztizáló folyamatot.
A találmány szerinti rendszer és eljárás állapotfigyelésre, és az ellenőrzés során a várható paraméterekben bekövetkező romlás megfigyelésére is felhasználható. Ennél a kiviteli alaknál, amely a 3. kiviteli alak, az MQM-algoritmus helyettesíti az MCM-algoritmust akár szakaszos, akár folyamatos állapotfigyelés céljából.
Egy további kiviteli alaknál az MQM-algoritmust és az MCM-algoritmust közvetlenül a meglévő szavatossági minőség-ellenőrző rendszerrel alkalmazzák, vagy pedig állapotfigyelő rendszerekben, ahol az adatvételi lehetőség a feszültség, a sebesség és az áram mérésére tehát már megvan.
Végeredményként azt mondhatjuk el, hogy az MCM-algoritmus és az MQM-algoritmus nagyon hasonló egymáshoz, de egyik a másiktól két szempontban különbözik. Elsősorban különbség, hogy az MCM-algoritmus esetében a rendszer nem alkalmaz alapmodellt. Ez az állapotfigyelés természetéből következik, ahol a rendszert úgy használjuk, hogy egy 10 motort csak figyel. Éppen ezért az MCM-algoritmus során a figyelni kívánt 10 motor szükségletekhez igazított modelljét használja fel. Ezt a szükségletekhez igazított 44 modellt akkor dolgozzák ki, amikor ismert már az, hogy a 10 motor hibamentes viszonyok között üzemel. Ezzel ellentétben az MQM-algoritmus egy olyan alapmodellt tartalmaz, amely igen nagy számú 10 motorra vonatkozó változatot foglal magában. Lehetőség van arra, hogy szélsőséges paraméterek között ellenőrizzük a 10 motort úgy, hogy az MQM-algoritmus által beállított küszöbértékekre vizsgáljuk, de könnyen előfordulhat az, hogy egy fokozatosan bekövetkező romlás az MCM-algoritmus alkalmazásával feltáratlan marad, mivel az MCM-algoritmus az adott 10 motor speciális paramétereihez illeszkedik.
A másik különbség, amely a két algoritmus között található, hogy az MCM-algoritmus szükségszerűen működési előírásokhoz van kötve, például a 10 motorhoz kapcsolt 38 bemeneti feszültség a felhasználó által adott követelményeknek megfelelő kell hogy legyen. Előfordulhat az is, hogy a 44 modellhez a 38 bemeneti feszültség nem fogja elérni azt a 38 bemeneti feszültséget, amelyet az MQM-algoritmus a vizsgálat és ellenőrzés során, mint bemenőjelet, alkalmazunk. Az MCM-algoritmus segítségével történő vizsgálat során a 10 motorra kapcsolt aktuális terhelés ismeretlen, és adott időtartam alatt változhat is, amelynek során a 34-36 érzékelőktől a mért értékeket levesszük. Ilyen körülmények között a 44 modellnek csak az a része van leképezve, amely független a terheléstől. Példaként említjük, hogy csak a (6) egyenlet az, amely leképezi azokat az áramjeleket, amely a mért feszültség- és sebesség-bemenőjeleket is felhasználja akkor, amikor a diagnosztikai eredményt létrehozza. Egy másik kiviteli alaknál, amikor a (7) egyenletet vesszük figyelembe, amikor is a terhelés konstans, a nem kívánt terhelési hatásokat ki tudjuk küszöbölni. Ezeknél a példakénti kiviteli alakoknál a (6) egyenlet, valamint a (7) egyenletből levont következtetések kombinálhatok, és így tudjuk a megfelelő diagnosztikai eredményt elérni.
Claims (15)
1. Motorállapot-figyelő rendszer (30) egy motor (10) működési állapotának a figyelésére, amely rendszer tartalmaz egy sor érzékelőt (34, 35, 36) a motor (10) működési paramétereinek a mérésére, tartalmaz továbbá egy számítógépet (42), amely az érzékelőkkel (34, 35, 36) van a motorhoz (10) csatlakoztatva, azzal jellemezve, hogy a számítógép (42) tartalmazza a motornak a modelljét (44), valamint olyan eszközöket, amelyek a mért működési paraméterre vonatkozó jeleket használják fel egy lineáris diszkrét időállapot-egyenlet megoldására, továbbá kiszámolnak egy maradó értéket az állapotegyenlet által kínált megoldásnak egy, a modell (44) által javasolt megoldással történő összehasonlításához, a számítás és összehasonlítás alapján meghatározza a számítógép (42), hogy a motor (10) hiba nélkül működik-e, a maradó értéket egy hibaértékkel korrelálja akkor, ha a motor (10) jelzett hibával működik, majd a hibának a jelenlétére vonatkozó kommunikációs jelet továbbít, hogy meg lehessen akadályozni a motor (10) egyébként előre nem látható meghibásodását, majd ezeket a lépéseket adott időintervallumokként a motor (10) működése során megismétli.
2. Az 1. igénypont szerinti motorállapot-vizsgáló rendszer, azzal jellemezve, hogy a modell (44) kimeneti feszültségét (40) a pillanatnyi bemeneti feszültség (38) és a motorhoz (10) vezetett áram alapján számítjuk ki.
3. Az 1. igénypont szerinti motorállapot-figyelő rendszer, azzal jellemezve, hogy tartalmaz egy, az adott motor (10) mechanikus hibáit osztályozó elemet oly módon, hogy a működési paraméterek pillanatnyi értékeit előre megadott referenciaértékekkel hasonlítja össze.
4. Az 1. igénypont szerinti motorállapot-figyelő rendszer, azzal jellemezve, hogy az alkalmazott érzékelők (34, 35, 36) analóg érzékelők.
5 26. A 24. igénypont szerinti eljárás, azzal jellemezve, hogy az azonosítási lépés az alábbiakat tartalmazza :
kiegyenlítetlen forgórészt (12) jelzünk akkor, ha az első egyenletben az L di/dt-ben változás követke10 zik be;
kollektor- (22) hibát jelzünk, ha az első egyenletben, az Ri-ben változás következik be; csapágy- (18) hibát jelzünk, ha az első egyenletben az L di/dt-ben oszcillációs változás következik be;
5. Az 1. igénypont szerinti motorállapot-figyelő rendszer, azzal jellemezve, hogy az érzékelők (34, 35, 36) között van feszültségérzékelő (34), áramérzékelő (35) és fordulatszám-érzékelő (36).
6. Az 1-5. igénypontok bármelyike szerinti motorállapot-figyelő rendszer, azzal jellemezve, hogy tartalmaz egy többfunkciós bemeneti-kimeneti egységet (37), amely az érzékelők (34, 35, 36) kimenőjeleit fogadja, és az analóg jeleket digitális jelekké alakítja, és az átalakított jeleket a számítógép (42) felé továbbítja.
7. Az 1-6. igénypontok bármelyike szerinti motorállapot-figyelő rendszer, azzal jellemezve, hogy a motor (10) 736 W-nál kisebb teljesítményű villamos motor.
8. Eljárás egy villamos motor állapotának a figyelésére és olyan hibáknak a jelzésére, amelyek a motor (10) meghibásodását okozhatják, azzal jellemezve, hogy az eljárás a következő lépésekből áll:
- az adott motornak (10) számítógépen (42) elkészítjük a modelljét (44);
- a motort (10) egy sor érzékelővel (34, 35, 36) a számítógéphez csatlakoztatjuk;
- az érzékelőkkel (34, 35, 36) a motor (10) működési paramétereit megmérjük;
- a mért paraméterértékeket használjuk fel egy lineáris diszkrét időállapot-egyenlet konkrét megoldására;
- egy számított maradó értéket hozunk létre, hogy az állapotegyenletet a modell (44) általi megoldással összehasonlítsuk, és
- a számítás és az összehasonlítás alapján meghatározzuk, hogy a motor (10) jelzett hiba nélkül működik-e;
- a maradó értéket egy olyan hibaértékkel korreláljuk, amely egy olyan motorra (10) vonatkozik, amely mért hibával rendelkezik, és ezen hiba meglétét továbbítjuk azért, hogy a motor (10) nem várt meghibásodását megelőzzük, és
- ezeket a lépéseket ismételjük egy kiválasztott időintervallum-alapon a motor (10) működése során.
9. A 8. igénypont szerinti eljárás, azzal jellemezve, hogy a modell (44) által létrehozott lépések az alábbi lépéseket tartalmazzák:
- a villamos motor (10) feszültségét, áramát és sebességét megmérjük;
- az adott villamos motorra (10) vonatkozó mért feszültség- (V), áram- (i) és sebesség- (w) értékeket egy invariánssal megszorozzuk, hogy egy hibamentes rendszer leképezéséhez nyerjünk adatokat,
- az alábbi diszkrét állapotegyenleteket megoldjuk és rögzítjük:
x(k+1)=A*x(k)+B*u(k) y(k)=C* x(k), ahol x, u és v az állapotvektor, a bemenővektor és a kimenővektor, k pedig egy diszkrét időnövekményt jelent, A*, B* és C* pedig ismert névleges mátrixok az adott villamos motorra (10);
a szorzást és mérési műveleteket megismételjük; a diszkrét állapotegyenletek eredményét kiszámítjuk az aktuálisan mért értékekre:
xf(k+ l)=A*f xf (k)+B*f uf(k) yf(k)=C*f x(k) megnézzük a különbséget az y(k) és az yf(k) függvény között;
megismételjük az ismétlő, számoló és összehasonlító lépéseket mindaddig, amíg a különbség egy előre megadott küszöbértéket túllép.
10. A 9. igénypont szerinti eljárás, azzal jellemezve, hogy a működési paraméterek sokaságának a mérésekor mérjük a motor (10) áramát (i) a motorra (10) kapcsolt feszültséget (V), és az adott kiválasztott intervallum alatt a motor (10) sebességét (w).
11. A 9. igénypont szerinti eljárás, azzal jellemezve, hogy a motor (10) modelljének (44) a kialakítása során a motor (10) invariánsai közé felvesszük az induktivitást (L), az ellenállást (R), az inercianyomatékot (J), a súrlódási tényezőt (f) az adott motorra (10) vonatkozóan, és ezeket az invariánsokat a mért jelekkel az alábbiak szerinti egyenletbe helyezzük:
L di/dt+Ri=V+kl wi és
J dw/dt+fw=k2 i2 + M, ahol ki a motorállandó, M pedig a motor (10) terhelése.
HU 223 725 Bl
12. A 11. igénypont szerinti eljárás, azzal jellemezve, hogy a korrelációs és kommunikációs lépéssorozat az alábbi lépéseket tartalmazza:
kiegyenlítetlen forgórész (12) jelzése, ha az L di/dt paraméter megváltozik;
kollektor (22) hibájának a jelzése, ha az Ri paraméter változik;
csapágy (18) hibajelzése, ha az L di/dt paraméter oszcillációsán megváltozik; és csapágy (18) hibajelzése, ha az L di/dt és az f(w) paraméter együtt megváltozik.
13. A 9. igénypont szerinti eljárás, azzal jellemezve, hogy a mérési intervallum 400 és 1000 ms között van.
14. A 10. igénypont szerinti eljárás, azzal jellemezve, hogy a működési paraméterek 500 Hz és 24 kHz közötti frekvenciatartományban vannak mintavételezve.
15. A 8. igénypont szerinti eljárás, azzal jellemezve, hogy abban az esetben, ha a lépéssorozat eredményeként olyan különbség jön létre, amely egy előre kiválasztott hibaértéket túllép, akkor a következő lépést végezzük el: kiválasztunk egy küszöbérték-paramétert az induktivitásra (L di/dt), a motor (10) ellenállására (Ri), a motor (10) inercianyomatékára (J dw/dt) és a motor(10) konstansokra (fw, klwi és i2 k2), és mindegyik L di/dt, Ri, Jdw/dt, fw, klwi és i2 k2 értéket a megfelelő kiválasztott küszöbértékkel összehasonlítjuk.
16. A 15. igénypont szerinti eljárás, azzal jellemezve, hogy az összehasonlítási lépések eredményeit kijelezzük.
17. Modellalapú hibajelző és diagnosztikai eljárás azonos típusú motorok (10) hibái jelzésére, továbbá diagnosztikai információ a hiba korrekciójára, azzal jellemezve, hogy eljárás az alábbi lépésekből áll:
a motorokra (10) jellemző modellezett állapotot hozunk létre, ahol ez a modellezett állapot egy olyan küszöbértéket tartalmaz, amely sok motor (10) adataiból lett levezetve;
minden egyes motornak (10) a számos motor (10) közül megméijük a működési paramétereit, és így hozunk létre minden egyes motorhoz (10) egy modellezett állapotot;
a számos motorból (10) létrehozott modellezett állapotot összehasonlítjuk az egyes motorok (10) modellezett állapotaival;
ennek alapján meghatározzuk, hogy a motorok (10) közül van-e hibás motor (10); az összehasonlítási lépést követően a motorok (10) közül eltávolítjuk a hibás motort (10); a hibás motor (10) észlelését követően a modellezett állapotnak a küszöbértékeit megváltoztatjuk; és az összehasonlítási, mérési, kiválasztási és megváltoztatási lépéseket a motorok (10) közül mindegyik motorra (10) megismételjük.
18. A 17. igénypont szerinti eljárás, azzal jellemezve, hogy az alábbi lépéseket tartalmazza még:
a sok motor (10) közül kiválasztunk egy sort, amely olyan motorokat (10) tartalmaz, amelyek hibamentesek, és olyan motorokat (10), amelyek egy vagy több, ismeretlen hibával rendelkeznek, mindegyik motornál (10) megmérjük a működési paramétereket a motorok (10) sorozatában; ezeket a működési paramétereket használjuk fel diszkrét állapotegyenletek megoldásához a motorokhoz (10), ahol a diszkrét állapotegyenletek formája a következő:
x(k+ l)=A*x(k)+B*u(k) y(k)=C*x(k), ahol x, u és y az állapotvektor, bemeneti vektor és kimeneti vektor, k a diszkrét időnövekmény, és A*, B* és C* a motorok (10) sokaságának a névleges mátrixai;
a diszkrét állapotegyenletek megoldásait, amelyeket az egyes motorokra (10) vettünk fel a motorok (10) sokaságában, összehasonlítjuk az összes motor (10) diszkrét állapotegyenlet-készletével, hogy kiválasszuk a hibás motort (10), a motorok (10) közül eltávolítjuk a hibás motort (10), és egy másik motor- (10) sort hozunk létre; és az első diszkrét állapotegyenleteket a második sorozat motorra (10) újraszámoljuk.
19. A 18. igénypont szerinti eljárás, azzal jellemezve, hogy a mérés az alábbi lépéseket tartalmazza:
minden egyes motorra (10) megmérjük a feszültség-, áram- és sebességértékeket az érzékelőkkel; a mért feszültséget (V), az áramot (i) és a sebességet (w) minden egyes motorra (10) egy kiválasztott invariánssal megszorozzuk az alábbi motorinvariáns-egyenleteknek megfelelően:
L di/dt+Ri=V+klwi
J dw/dt+fw=k2 i2+M, ily módon kapjuk meg a motorinvariánsokat az induktivitásra (L), az ellenállásra (R), az inercianyomatékra (J) és a súrlódási tényezőre (f) a motor(10) sorozatból mindegyikre, továbbá a ki és k2 a motorállandók, M minden egyes motornál (10) a terhelés.
20. A 19. igénypont szerinti eljárás, azzal jellemezve, hogy az eljárás a további lépéseket tartalmazza:
a motorok (10) sorozatában minden egyes motorra (10) kapott invariáns-egyenletkészletet összehasonlítjuk egy olyan motorinvariáns-egyenletkészlettel, amelyet a motor- (10) sorozatra hoztunk létre, hogy meghatározzuk a hibás motort (10);
a hibás motort (10) a motorok (10) sorozatából eltávolítjuk, és így létrehozunk egy második sorozat motort (10), és a motorinvariáns-egyenleteket a második motor(10) sorozatra is újraszámoljuk.
21. A 20. igénypont szerinti eljárás, azzal jellemezve, hogy meghatározzuk, hogy a motorsorozatban minden egyes motor (10) hibás-e.
22. A 21. igénypont szerinti eljárás, azzal jellemezve, hogy ezen lépés során a motor (10) sorozatában az egyes motorokhoz (10) kapcsolódó hibát osztályozzuk.
23. A 18. igénypont szerinti eljárás, azzal jellemezve, hogy egy olyan küszöbértéket választunk ki, amely két szabványos eltérésen alapul egy átlagérték körül, amelyet a működési jelek sokaságából hozunk létre.
HU 223 725 Β1
24. A 17. igénypont szerinti eljárás, azzal jellemezve, hogy:
a motorok (10) sorozatából egy diagnosztikai modellt (44) hozunk létre, ez a diagnosztikai modell (44) tartalmaz fizikális paramétereket és adott eltérésértékeket, amelyek az adott fizikai paraméterekkel kapcsolódnak, a diagnosztikai modellnél (44) minden egyes fizikai paraméterhez egy küszöbértéket is társítunk, a motorsorozatban megmérjük minden egyes motorhoz (10) a kiválasztott fizikai paramétert; minden egyes motornál (10) a kiválasztott fizikai paramétert a diagnosztikai modellel (44) összehasonlítjuk; és minden egyes motornál (10) legalább egy hibát jelzünk akkor, ha a kiválasztott fizikai paraméterek közül legalább egy, amely az adott fizikai paraméternek megfelel, a diagnosztikai modellben (44) megadott küszöbértéket túllépi.
25. A 24. igénypont szerinti eljárás, azzal jellemezve, hogy az azonosítási lépések eredményeit kijelezzük.
15 csapágy- (18) hibát jelzünk akkor, ha L di/dt-ben és az f w-ben együtt változás következik be az első és a második egyenleteknél.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TR96/00527A TR199600527A2 (xx) | 1996-06-24 | 1996-06-24 | Elektrik motorlar� i�in model bazl� hata tespit ve te�his sistemi. |
| PCT/TR1997/000008 WO1997049977A1 (en) | 1996-06-24 | 1997-06-20 | Model-based fault detection system for electric motors |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| HUP9903554A2 HUP9903554A2 (hu) | 2000-02-28 |
| HUP9903554A3 HUP9903554A3 (en) | 2000-05-29 |
| HU223725B1 true HU223725B1 (hu) | 2004-12-28 |
Family
ID=21620853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| HU9903554A HU223725B1 (hu) | 1996-06-24 | 1997-06-20 | Állapotfigyelő rendszer és eljárás villamos motorokhoz, továbbá modellalapú hibajelző és diagnosztikai eljárás |
Country Status (17)
| Country | Link |
|---|---|
| EP (1) | EP0909380B1 (hu) |
| JP (1) | JP2000513097A (hu) |
| CN (1) | CN1143126C (hu) |
| AT (1) | ATE289681T1 (hu) |
| AU (1) | AU3201797A (hu) |
| BR (1) | BR9710152A (hu) |
| CA (2) | CA2260773C (hu) |
| CZ (1) | CZ295659B6 (hu) |
| DE (1) | DE69732569T2 (hu) |
| HU (1) | HU223725B1 (hu) |
| IL (1) | IL127686A (hu) |
| PL (1) | PL331205A1 (hu) |
| RU (1) | RU2155328C1 (hu) |
| SI (1) | SI9720042A (hu) |
| SK (1) | SK179098A3 (hu) |
| TR (2) | TR199600527A2 (hu) |
| WO (1) | WO1997049977A1 (hu) |
Families Citing this family (66)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2127153B1 (es) * | 1997-07-29 | 1999-12-01 | Univ Oviedo | Metodo para la proteccion y deteccion de fallos incipientes en el aislamiento de motores electricos mediante automatas programables. |
| US6529135B1 (en) * | 1999-10-12 | 2003-03-04 | Csi Technology, Inc. | Integrated electric motor monitor |
| US7191037B2 (en) | 2000-08-07 | 2007-03-13 | Mitsui Chemicals, Inc. | Method for controlling production process |
| US7031950B2 (en) * | 2000-12-14 | 2006-04-18 | Siemens Corporate Research, Inc. | Method and apparatus for providing a virtual age estimation for remaining lifetime prediction of a system using neural networks |
| EP1724717A3 (en) * | 2001-03-08 | 2009-07-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| EP1752898A3 (en) * | 2001-03-08 | 2009-07-22 | California Institute Of Technology | Exception analysis for multimissions |
| DE60236351D1 (de) * | 2001-03-08 | 2010-06-24 | California Inst Of Techn | Raumzeitliche echtzeit-kohärenzschätzung zur autonom-modusidentifikation und invarianzverfolgung |
| US6892127B2 (en) * | 2003-02-28 | 2005-05-10 | General Electric Company | Methods and apparatus for assessing gas turbine engine damage |
| DE102006025010A1 (de) † | 2006-05-26 | 2007-11-29 | Khs Ag | Stellantrieb |
| US8676356B2 (en) * | 2009-01-09 | 2014-03-18 | Eaton Corporation | System and method for motor parameter estimation |
| DE102009054959B4 (de) * | 2009-12-18 | 2022-08-25 | Robert Bosch Gmbh | Verfahren zur Fehlererkennung in einem Steuergerät |
| KR20120049672A (ko) * | 2010-11-09 | 2012-05-17 | 현대자동차주식회사 | 정기적 차량 관리 시스템 및 그 방법 |
| CN102680233A (zh) * | 2011-03-17 | 2012-09-19 | 北汽福田汽车股份有限公司 | 电动机故障诊断设备及方法 |
| RU2479096C2 (ru) * | 2011-04-18 | 2013-04-10 | Государственное образовательное учреждение высшего профессионального образования "Южно-Российский государственный технический университет (Новочеркасский политехнический институт)" | Способ диагностирования электрических и механических повреждений асинхронного двигателя с короткозамкнутым ротором |
| KR101218441B1 (ko) * | 2011-05-04 | 2013-01-04 | 한양대학교 산학협력단 | 매입형 영구자석 동기 모터 제어 시스템 및 그의 센서 고장 검출 방법 |
| JP5644666B2 (ja) * | 2011-05-17 | 2014-12-24 | 東芝三菱電機産業システム株式会社 | 電動機の予防保全装置 |
| EP2538376B1 (fr) * | 2011-06-20 | 2019-06-12 | Safran Helicopter Engines | Système de prescription de maintenance d'un moteur d'hélicoptère |
| US9845012B2 (en) * | 2011-07-06 | 2017-12-19 | General Electric Company | System and method for predicting mechanical failure of a motor |
| CN102435948B (zh) * | 2011-09-30 | 2014-07-09 | 深圳众为兴技术股份有限公司 | 一种动负荷模拟测试仪及模拟测试方法 |
| CA2831060C (en) | 2011-10-06 | 2016-05-10 | Cae Inc. | Method of developing a mathematical model of dynamics of a vehicle for use in a computer-controlled vehicle simulator |
| CN102494894A (zh) * | 2011-11-17 | 2012-06-13 | 高丙团 | 风力发电机组音频监测和故障诊断系统及其方法 |
| EP2788624B1 (en) * | 2011-12-07 | 2020-03-18 | Flow Control LLC. | Pump using multi voltage electronics with run dry and over current protection |
| CN102866016B (zh) * | 2012-10-18 | 2015-07-22 | 徐州重型机械有限公司 | 移动起重机发动机故障快速诊断仪以及诊断方法 |
| KR101432786B1 (ko) | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
| EP2933647A1 (en) | 2014-04-14 | 2015-10-21 | ABB Technology AG | A model based diagnostic of induction machine |
| EP2988187B1 (en) * | 2014-08-22 | 2017-03-29 | ABB Schweiz AG | A method for assessing the condition of rotating machinery connected to an electric motor |
| CN104680232A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 基于rvm的发动机故障检测方法 |
| CN104569819B (zh) * | 2015-01-12 | 2017-06-16 | 清华大学 | 一种异步牵引电机的故障检测方法 |
| WO2016184451A1 (de) * | 2015-05-21 | 2016-11-24 | Kastanienbaum GmbH | Verfahren und vorrichtung zur steuerung/regelung eines aktorisch angetriebenen robotergelenks |
| WO2016198128A1 (en) * | 2015-06-12 | 2016-12-15 | Siemens Aktiengesellschaft | A method and apparatus for performing a model-based failure analysis of a complex industrial system |
| EP3151072B1 (de) * | 2015-09-29 | 2020-07-29 | Siemens Aktiengesellschaft | Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil |
| CN105277883A (zh) * | 2015-10-28 | 2016-01-27 | 林蓉瑶 | 一种电机故障监测及报警装置 |
| JP6583057B2 (ja) * | 2016-03-02 | 2019-10-02 | トヨタ自動車株式会社 | 車両の制御装置 |
| CN105974796A (zh) * | 2016-06-16 | 2016-09-28 | 航天恒星科技有限公司 | 一种多驱动网络设备的故障诊断与容错控制方法 |
| CN106199261B (zh) * | 2016-07-04 | 2019-03-05 | 芯海科技（深圳）股份有限公司 | 基于互联网的电器老化度持续检测系统及检测方法 |
| EP3489700B1 (en) | 2016-07-25 | 2020-08-19 | Mitsubishi Electric Corporation | Electric motor diagnosis device |
| CN106646192A (zh) * | 2016-11-25 | 2017-05-10 | 广州周立功单片机科技有限公司 | 电机驱动器硬件自检方法和系统 |
| EP3549111B1 (en) * | 2016-12-02 | 2024-03-27 | S.A. Armstrong Limited | Performance parameterization of process equipment and systems |
| LU93350B1 (de) * | 2016-12-12 | 2018-07-03 | Phoenix Contact Gmbh & Co Kg Intellectual Property Licenses & Standards | Verfahren zur Überwachung einer elektromechanischen Komponente eines Automatisierungssystems |
| CN106707119A (zh) * | 2016-12-23 | 2017-05-24 | 中国二冶集团有限公司 | 大型电机轴承的绝缘检测方法 |
| US10928814B2 (en) | 2017-02-24 | 2021-02-23 | General Electric Technology Gmbh | Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis |
| CN107178514B (zh) * | 2017-05-04 | 2019-08-20 | 山东大学 | 风机机组非侵入式能效诊断方法与系统 |
| CN108983090B (zh) * | 2017-06-02 | 2022-04-08 | 天津市松正电动汽车技术股份有限公司 | 一种电机霍尔零点调节装置及其调节方法 |
| US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
| RU181087U1 (ru) * | 2017-10-19 | 2018-07-04 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Устройство диагностики двигателей переменного тока с преобразователем частоты |
| RU2716172C2 (ru) * | 2018-03-14 | 2020-03-06 | Федеральное государственное бюджетное образовательное учреждение высшего образования Иркутский государственный университет путей сообщения (ФГБОУ ВО ИрГУПС) | Способ диагностики асинхронных двигателей с короткозамкнутым ротором |
| DE102018204669A1 (de) * | 2018-03-27 | 2019-10-02 | Continental Teves Ag & Co. Ohg | Verfahren zum Überwachen einer Steuerung |
| CN108777556B (zh) * | 2018-06-29 | 2022-03-18 | 江苏大学 | 两电机调速系统的无模型自适应鲁棒解耦控制方法 |
| EP3648337B1 (en) * | 2018-10-30 | 2022-06-08 | Roche Diagnostics GmbH | Method of estimating an operating state of a drive system and drive system |
| US10495544B1 (en) * | 2019-01-15 | 2019-12-03 | Caterpillar Inc. | Failure detection device for detecting an issue with a part of a machine |
| CN110007232B (zh) * | 2019-05-23 | 2021-09-03 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
| CN110907824A (zh) * | 2019-11-06 | 2020-03-24 | 天津工业大学 | 一种基于高频信号耦合注入的电机故障检测系统 |
| DE102020200667A1 (de) | 2020-01-21 | 2021-07-22 | Volkswagen Aktiengesellschaft | Verfahren zur Bestimmung des Verbrauchs eines elektrischen Antriebsmotors |
| CN111459906B (zh) * | 2020-03-02 | 2022-11-15 | 西安工业大学 | 一种电机数据库的建立方法 |
| CN111476471B (zh) * | 2020-03-30 | 2023-10-27 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断系统及方法 |
| CN111409113A (zh) * | 2020-05-09 | 2020-07-14 | 廊坊市智恒机器人科技有限公司 | 一种机器人故障检测系统 |
| JP7409222B2 (ja) * | 2020-05-14 | 2024-01-09 | マツダ株式会社 | 移動体の制御装置 |
| CN112648140B (zh) * | 2020-12-21 | 2022-03-18 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
| CN112684235B (zh) * | 2020-12-24 | 2024-02-23 | 浙江可胜技术股份有限公司 | 定日镜用减速机在线智能故障诊断方法及系统 |
| CN112688608B (zh) * | 2020-12-25 | 2022-08-02 | 北京航空航天大学 | 一种三相永磁同步电机控制系统的故障诊断方法 |
| WO2022186382A1 (ja) * | 2021-03-05 | 2022-09-09 | 株式会社タダノ | 故障予兆検出システムおよび作業車 |
| US20240151608A1 (en) * | 2021-03-10 | 2024-05-09 | KSB SE & Co. KGaA | Method of detecting vibration anomalies in an electronic device and associated system |
| CN114063456B (zh) * | 2021-11-15 | 2023-06-02 | 哈尔滨工业大学 | 利用自回归模型和卡尔曼滤波算法的故障预测与预警方法 |
| CN114545908B (zh) * | 2022-04-28 | 2022-07-19 | 中汽研汽车检验中心（天津）有限公司 | 车用液压系统模型构建和仿真方法，及整车仿真系统 |
| CN117332233A (zh) * | 2023-10-07 | 2024-01-02 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
| CN117289129B (zh) * | 2023-11-27 | 2024-02-06 | 四川省医学科学院·四川省人民医院 | 用于手术机器人的微型减速电机检测实验台及检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5519300A (en) * | 1993-06-29 | 1996-05-21 | Liberty Technologies, Inc. | Method and apparatus for analysis of polyphase electrical motor systems |
| DE4421950C2 (de) * | 1993-12-09 | 1998-06-04 | Peter Mueller | Einrichtung zum Diagnostizieren und Regeln eines Verbrennungs- oder Elektromotors |
-
1996
- 1996-06-24 TR TR96/00527A patent/TR199600527A2/xx unknown
-
1997
- 1997-06-20 SI SI9720042A patent/SI9720042A/sl not_active IP Right Cessation
- 1997-06-20 WO PCT/TR1997/000008 patent/WO1997049977A1/en active IP Right Grant
- 1997-06-20 CA CA002260773A patent/CA2260773C/en not_active Expired - Lifetime
- 1997-06-20 SK SK1790-98A patent/SK179098A3/sk unknown
- 1997-06-20 PL PL97331205A patent/PL331205A1/xx unknown
- 1997-06-20 CZ CZ19984308A patent/CZ295659B6/cs not_active IP Right Cessation
- 1997-06-20 IL IL12768697A patent/IL127686A/en not_active IP Right Cessation
- 1997-06-20 DE DE69732569T patent/DE69732569T2/de not_active Expired - Lifetime
- 1997-06-20 CA CA002356538A patent/CA2356538C/en not_active Expired - Lifetime
- 1997-06-20 AU AU32017/97A patent/AU3201797A/en not_active Abandoned
- 1997-06-20 BR BR9710152-4A patent/BR9710152A/pt not_active Application Discontinuation
- 1997-06-20 JP JP10502852A patent/JP2000513097A/ja not_active Abandoned
- 1997-06-20 TR TR1998/02541T patent/TR199802541T2/xx unknown
- 1997-06-20 EP EP97927586A patent/EP0909380B1/en not_active Expired - Lifetime
- 1997-06-20 AT AT97927586T patent/ATE289681T1/de not_active IP Right Cessation
- 1997-06-20 CN CNB971974519A patent/CN1143126C/zh not_active Expired - Fee Related
- 1997-06-20 HU HU9903554A patent/HU223725B1/hu not_active IP Right Cessation
- 1997-06-20 RU RU99101059/06A patent/RU2155328C1/ru not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| HUP9903554A3 (en) | 2000-05-29 |
| SI9720042A (sl) | 1999-12-31 |
| CA2356538C (en) | 2005-08-23 |
| IL127686A0 (en) | 1999-10-28 |
| EP0909380A1 (en) | 1999-04-21 |
| TR199802541T2 (xx) | 1999-02-22 |
| CA2260773C (en) | 2002-09-10 |
| CA2356538A1 (en) | 1997-12-31 |
| PL331205A1 (en) | 1999-07-05 |
| CN1143126C (zh) | 2004-03-24 |
| RU2155328C1 (ru) | 2000-08-27 |
| CA2260773A1 (en) | 1997-12-31 |
| DE69732569T2 (de) | 2006-01-26 |
| CZ9804308A3 (cs) | 2005-01-12 |
| WO1997049977A1 (en) | 1997-12-31 |
| SK179098A3 (en) | 2000-02-14 |
| JP2000513097A (ja) | 2000-10-03 |
| ATE289681T1 (de) | 2005-03-15 |
| IL127686A (en) | 2001-04-30 |
| EP0909380B1 (en) | 2005-02-23 |
| BR9710152A (pt) | 2000-01-11 |
| TR199600527A2 (xx) | 1998-01-21 |
| CZ295659B6 (cs) | 2005-09-14 |
| AU3201797A (en) | 1998-01-14 |
| CN1233325A (zh) | 1999-10-27 |
| HUP9903554A2 (hu) | 2000-02-28 |
| DE69732569D1 (de) | 2005-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| HU223725B1 (hu) | Állapotfigyelő rendszer és eljárás villamos motorokhoz, továbbá modellalapú hibajelző és diagnosztikai eljárás | |
| US6393373B1 (en) | Model-based fault detection system for electric motors | |
| US5922963A (en) | Determining narrowband envelope alarm limit based on machine vibration spectra | |
| CA2202771C (en) | Vibration monitoring system | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| CA2508008C (en) | A method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like | |
| EP3413154B1 (en) | Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program | |
| KR20190072165A (ko) | 모터 고장 진단 시스템 | |
| KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
| US5710715A (en) | Vibration analysis method | |
| CN116500441B (zh) | 一种电机故障检测定位方法及系统 | |
| KR100532237B1 (ko) | 전기모터용모델기초오류검출시스템 | |
| KR102470804B1 (ko) | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 | |
| JPH0664664B2 (ja) | 故障予知装置 | |
| CN111829783A (zh) | 一种用于可变速旋转机构的实时缺陷检测系统 | |
| MXPA99000473A (en) | Fault detection system based on model for electri motors | |
| RU2769990C1 (ru) | Способ вибродиагностики электродвигателей постоянного тока с применением метода вейвлет-анализа | |
| US20230213375A1 (en) | Vibro-electric condition monitoring | |
| Sun et al. | Defect-sensitive testing data analysis method for industrial robots quality inspection | |
| KR100915720B1 (ko) | 기술 장비를 진단하기 위한 방법 | |
| Martins et al. | Data Analytics Towards Predictive Maintenance for Industrial Ovens | |
| GB2623130A (en) | Apparatus, System and Method | |
| Costa | Predictive Maintenance Support System in Industry 4.0 Scenario | |
| JP2003232703A (ja) | 異常診断装置 | |
| CN113607270A (zh) | 汽轮机瓦振传感器故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| HFG4 | Patent granted, date of granting |
Effective date: 20041105 |
|
| MM4A | Lapse of definitive patent protection due to non-payment of fees |