JP2021512422A - ファンの動作やファン配置を最適化する方法 - Google Patents

Abstract

ファンまたはファン配置のデジタルレプリカと少なくとも１つの動作パラメータに固有のアルゴリズムとを用いて、ファンの動作またはファン配置を最適化する方法において、改善された「知的」アルゴリズムを生成することと同時に、製品革新を生み出すことを目標として、動作中に得られる前記データと所見とが、絶え間なく実施されている革新分析とアルゴリズム分析とに供給される。【選択図】図６

Description

本発明は、ファンまたはファン配置のデジタルレプリカと少なくとも１つの動作パラメータに固有のアルゴリズムとを用いて、ファンの動作またはファン配置を最適化する方法に関する。

１．デジタルツインとツインアルゴリズム

本発明は、ファンの全ての動作場所を考慮して、実現可能な最高の効率と最高の動作性能を確保するという基本概念に基づいている。
相反する動作パラメータの存在のために、これを達成することは困難である。

ファンの実用上、ボールベアリングとボールベアリンググリースは、ファンの寿命にとって重要なパラメータである。
ボールベアリングとボールベアリンググリースの寿命は、モーターの内部または表面の動作温度と、ボールベアリングに作用する機械的な力とに大きく依存する。
温度センサーも力センサーも、ベアリングのすぐ近傍に配置できないため、ベアリング温度もベアリングに作用するベアリング力も、測定することができない。
したがって、これらのパラメータは、間接的に測定するか、または、計算によって判断する必要がある。

特許文献１は、電気機器のベアリングの状態を判断するためのシステムおよび方法を開示している。
実際のセンサーユニットが、シミュレーションユニットに送信する測定値を判断する。
ベアリング電流値またはベアリング電流に依存する値のいずれかの結果値が、シミュレーションユニットによって判断される。
この結果値は、さらなる計算のために別のユニットに送信される。
必要とされるセンサー技術が原因で、この既知のシステムや方法は複雑になり、充分な設置スペースを確保できないため、ファン内で使用することが困難である。

独国特許出願公開第１０２０１０００２２９４号明細書

デジタルツインおよびツインアルゴリズムは、実際のファンのデジタルレプリカの作成に基づいている。
具体的には、数学計算モデルを用いてその特性を複製し、さらに、実際の測定データを適用することが可能な場合は、オプションで既知のデータを組み込む。
実際の測定データは、動作中の個々のモーターから得られる実際の測定データ（場合によっては、その履歴）とすることができる。
さらに、既知の状況や特性曲線などを考慮して、少なくとも１つの動作パラメータに固有のアルゴリズムが作成され、以降の計算に用いられる。

デジタルレプリカによって、ファンの部品の状態が、仮想センサーを用いて判断または計算される。
部品の状態は、動作固有のアルゴリズムまたは動作パラメータに固有のアルゴリズムまたは製品固有のアルゴリズムに供給される。
アルゴリズムは、部品の状態からファンに固有の動作パラメータを判断または計算し、ファンの動作に関係する予測、たとえば、ファンの寿命予測を提供する。
判断される部品の状態と実際の測定データとを組み合わせて使用可能である。

２つの異なるソフトウェア要素、具体的には、デジタルツインに関する第１のソフトウェア要素と、「知的」アルゴリズムと呼ぶ動作パラメータに固有のアルゴリズムに関する第２のソフトウェア要素とが、この目的で用いられる。

本発明のファンまたはファンシステムにおいて、デジタルツインとは、実際の個々の対象物のデジタルレプリカである。
デジタルツインは、計算モデルを用いて、必要であれば、ファンの既知のデータを用いて、ファンの特性を複製している。
デジタルツインの役割は、ファンの部品の部品状態を、仮想センサーを用いてそれぞれの動作状態の関数として計算することである。
このような計算に基づいて判断される部品の状態が、動作パラメータに固有のアルゴリズムに送信され、このアルゴリズムは、デジタルツインの動作データを用いて、ファンの動作パラメータや動作状態、例えば、ベアリングの寿命やベアリンググリースの寿命を判断、計算する。
その結果に基づいて、状況に適した制御が可能である。
動作パラメータと動作状態は、それらが計算可能な変数である限り、同等の関係である。

デジタルツインと動作パラメータに固有のアルゴリズムとの上述した組み合わせは、ファンのモーターに割り当てられているマイクロプロセッサ上でデジタルツインアルゴリズムとして実行可能であり、固定部品として、ファンに割り当てられていてもよい。

デジタルツインアルゴリズムは、ファンを表現するデジタルツインと、動作パラメータに固有になるように設計されている一種の知的アルゴリズムとの組み合わせである。

このように設計されたファンに対して、（たとえば、ベアリングやベアリンググリースの消耗が原因の）ファン故障を回避することを目的とした、メンテナンスの予測が可能になる。
ファンの寿命を可能な限り長くできるように、システムパラメータを状況に応じて調整可能にすることである。

ファンのデジタルレプリカと動作パラメータに固有のアルゴリズムとを用いてメンテナンスを予測することによって、ファンの部品の寿命を可能な限り完全に使い切り、同時にファンの故障を回避することを目標としている。
ファンの寿命は、計算された部品の状態とそこから得られる動作パラメータとに基づいて計算される。

デジタルツインは、物理的、数学的、統計的、経験的、または、それらを組み合わせたモデルを用いて、熱的および機械的な部品の状態を計算する。
物理モデルと非物理モデルと共に、数学的モデルが、いずれの場合においても用いられる。
動作パラメータに固有のアルゴリズム（知的アルゴリズム）では、任意の動作パラメータを判断するために（たとえば、ファンの故障を予測するために）、デジタルツインから判断される部品の状態が必要である。
ファンの寿命は、主に、ボールベアリングとボールベアリンググリースとに依存するため、ボールベアリンググリースとボールベアリングに焦点を当てた動作パラメータの計算が、非常に重要な役割を果たす。

実用経験から、ベアリンググリースの寿命は、動作温度に大きく依存することが知られている。
全使用期間にわたって動作温度が高いほど、ベアリンググリースの消耗が速くなる。
したがって、ベアリンググリースの寿命を判断するには、ベアリング温度を判断することが重要である。

ベアリングの温度を判断するには、ベアリングのすぐ近傍に温度センサーを配置する必要がある。
ファンまたはモーターの幾何学的および機能的状況により、これは、不可能である。
したがって、本発明の方法では、ベアリング温度などの部品の状態がデジタルツインと動作パラメータに固有のアルゴリズムとを用いて計算される。

この計算は、数学的モデルに基づいており、この数学的モデルは、縮約結合された熱磁気計算モデルに基づいている。
デジタルツインと動作パラメータに固有のアルゴリズムとを組み合わせることで、ファンモーターに関連する、熱源、ヒートシンクおよびシステム全体の熱状態が計算される。
したがって、ベアリンググリースの温度が、ファンやモーターの動作状態の関数として、デジタルツインの仮想センサーを介して判断可能になり、動作状態として動作パラメータに固有のアルゴリズムに供給可能になる。

仮想センサーを含むデジタルツインと動作パラメータに固有のアルゴリズムとの両方が、既存のマイクロプロセッサ上で、マシンコード（Ｃコード）で実行されてもよい。
これは、特定の知的マシンがファンに組み込まれることを意味している。

上述の説明では、少なくとも１つの動作パラメータに固有のアルゴリズムとファンのデジタルレプリカ（デジタルツイン）とを用いてファンの動作状態を判断する方法について説明した。
これにより、動作状態を計算する次の方法ステップの基礎が形成され、動作状態は、デジタルツインアルゴリズムに基づいて、仮想センサーを用いて判断される。
ファンに関するデジタルツインアルゴリズムを実行するワークフローが定義される。
特に、これにより、動作状態を判断するために、実際に使用されるセンサーの数が削減される。

２．知的ファン

ファンの効率および／または動作性能を最適化する方法を通して、疑似「知的」ファンが作成される。
その方法は、部品固有または機能固有の複数の詳細数値モデルから、部品固有または機能固有の複数の挙動モデルへのモデル縮約とデータ縮約（データ洗練）とを、少なくとも１つのアルゴリズムに基づいて実行し、前記複数の挙動モデルの前記縮約データを、システムシミュレーション内で結合または組み合わせることで、入力変数と出力変数とを有するシステム挙動モデルを形成し、前記システムを基本条件に応じて最適に制御するために、前記ファンの入力変数とこの入力変数に関連する出力変数とを前記システム挙動モデルからオプティマイザが選択肢として使用可能になる。

これを、「知的」ファンの文脈では、デジタルツインアルゴリズムと呼び、セクション１で説明したツインアルゴリズムをさらに洗練したものである。

デジタルツインアルゴリズムをさらに発展させると、全ての動作場所を考慮して、実現可能な最高の効率と最高の動作性能とを確保するために、ファンまたはファンシステムのシステムパラメータを、状況に適して独立に調整する。

最初に、例えば、熱モデル、磁気回路モデル、またはブレード位置と流れもしくは流れ条件とに関するモデルについての詳細数値モデルが作成される。
詳細モデルは、ファン環境（たとえば、システム全体に提供されるデータセンター）に関する、上述の導入での記載に対応するデジタルツインであってもよい。
詳細モデルは、ファン配置のデジタルツインにも関連可能である。

次のステップでは、モデル縮約として、詳細モデルが縮約される。
具体的には、挙動モデルとして知られているモデルに縮約される。
これにより、関連データが大幅に縮約される。

システムシミュレーションで、縮約データを有する挙動モデル同士を結合し、結合された挙動モデルを用いて挙動研究を行う。

システム全体に対して、均一に分散された入力変数の組み合わせを用いて、システム空間内でシミュレーションを実施する。
結果は、入力変数の組み合わせとそれに関連するシステム出力変数とを有する表として出力される。
この表は、システムの挙動モデル、具体的にはファンの入力変数とそれに関連する出力変数とを反映している。
これらの変数に基づいて最適化を行うことが可能である。

システムの動作中、オプティマイザは、周囲条件に基づいて、可能な限り最良のシステム出力変数（システム効率など）を求めて、挙動モデルの表をリアルタイムで検索する。
可能な限り最良のシステム出力変数が見つかるとすぐに、関連する入力変数を表から読み取ることができる。
システムは、これらの入力変数を用いてリアルタイムで、最適な方法で制御される。

上記のように、オプティマイザが、システム挙動表から最適なシステム効率を選択し、必要な入力変数を、制御システムに供給することが重要である。
このようにすると、絶え間なく最適化を行うことが可能である。

３．本発明による最適化

本発明の目的は、デジタルツインとツインアルゴリズムとに基づいて、かつ、ファン効率および／またはファンの動作性能の、「知的」ファンを用いた最適化に基づいて、一方では、デジタルツインアルゴリズムを絶え間なく改善し、他方では、製品革新を通して、具体的には計算された動作状態を用いて、製品（ファン）を改善することである。

上述の目的は、請求項１の特徴によって、具体的には、ファンまたはファン配置のデジタルレプリカと少なくとも１つの動作パラメータに固有のアルゴリズムとを用いて、ファンの動作またはファン配置を最適化する方法であって、製品革新を生み出すことと、改善された「知的」アルゴリズムを生成することとを目標として、動作中に得られる前記データと所見とを、絶え間なく実施されている革新分析とアルゴリズム分析とに供給する、ファンの動作またはファン配置を最適化する方法によって達成される。

本発明による方法は、セクション１およびセクション２での導入の記載に従って、デジタルツインとデジタルツインで用いるツインアルゴリズムとを用いることを基本としている。

一方では、革新分析を通して、他方では、アルゴリズム分析を通して、デジタルツインアルゴリズムは、絶え間なく改善され、新しい製品革新が生み出される。

本発明による方法は、デジタルツインアルゴリズムを基本としており、デジタルツインアルゴリズムは、動作中、すなわち顧客の構内で、ファンの動作状態を計算する。
これらの動作状態は、分析のためにクラウドに送信され、その後、さらに処理される。
分析は、特別なツールを、具体的にはクラウドでの機械学習のためのプログラムユニットを使用する。
「機械学習」は、経験から知識を人工的に生成するものとして理解されている。

このような人工システムは、デジタルツインアルゴリズムに従って計算された動作状態の実例から学習し、一旦、実際の学習フェーズが終了すると、これらの実例を一般化することができる。
このようなシステムでは、計算された動作状態に基づいて、学習データにおけるパターンと規則性とを認識する。

上述のようにして、製品革新とアルゴリズム改善を行うことができる。

新しい知識を得るために、特に、新製品の設計のために、部品状態の計算と記録とを用いることが、さらに重要である。
デジタルノウハウは、常に、増加している。

革新分析では、特定の要件プロファイルに基づいて、顧客がファンに関して実際に要求しているものを判断することもできる。
したがって、顧客ごとに個別に調整されたファン製品を通して、新しい革新がなされる。

本明細書の導入部のセクション２に記載のモデル縮約を通してスマートデータが得られ、革新分析によって、スマートデータの分析を通じて、「設計へのフィードバック」が得られる。

既存のアルゴリズムまたは改善されたアルゴリズムを用いて、寿命を計算したり、ファンの性能を最適化したりすることができ、既存のアルゴリズムまたは改善されたアルゴリズムを、分析の過程全体を通して改善可能である。
改善されたアルゴリズムにより、ファンは、「知的」になり、メンテナンスの予測をできる限り最適化することができる。
このことが、特に重要である。

最終的に、改善されたアルゴリズムと新しい製品革新とは、新しいファン製品の開発に用いられ、さらに、デジタルツインアルゴリズムの改善につながる。

本発明は、様々なオプションがある。
請求項１に従属する請求項と図面と実施形態を参照されたい。
図面の実施形態に関連して、本発明も説明される。

本発明による方法の原理を示す図。 ベアリンググリースの寿命計算のプロセスシーケンスを示す図。 重み係数を温度の関数として示す図。 本発明による方法の個々のステップを示す図。 本発明による方法の個々のステップを示す図。 本発明による方法のステップシーケンスの概略を示す図。 ファンの動作状態を判断する方法を示す図。 仮想センサーを用いる縮約熱モデルのデジタルツインを示す図。 仮想センサーを用いる縮約熱モデルのデジタルツインを示す図。 ファンの効率および／もしくは動作性能またはファン配置を最適化する方法のシーケンスを示す図 ファンシステムモデルおよび冷却回路モデルへの入力変数の入力を示す図。 挙動表への冷却システムモデル全体の変換を示す図。 オプティマイザが最良の入力パラメータの組み合わせを判断する方法を示す図。 実施可能な洗練例を示す図。 クラウドで自律的に実行されるワークフローを示す図。 クラウドでのアルゴリズム分析を示す図。

図１から図１６は、本発明による方法ステップを示し、図６に関連して説明する。

図１から図５は、知的ファンの基礎としてのデジタルツインおよびデジタルツインアルゴリズムに関連している。

図１は、デジタルツインと少なくとも１つの動作パラメータに固有のアルゴリズムとの組み合わせを示している。
この組み合わせを、以下では、デジタルツインアルゴリズムと呼ぶ。
これについて、ベアリンググリースやベアリングの寿命の例を用いて説明可能である。

上述のように、ベアリンググリースとベアリングの寿命は、モーターの動作温度と速度に依存する。
ベアリングのすぐ近傍に温度センサーを配置できないため、デジタルツインアルゴリズムを用いる本発明によれば、モデルを用いてベアリング温度を計算する必要がある。
デジタルツインアルゴリズムとは、デジタルツインと動作パラメータに固有のアルゴリズム（知的アルゴリズム）との組み合わせである。

デジタルツインは、磁気計算モデルと機械計算モデルとの縮約された組み合わせに基づいている数学的モデルにすぎない。
このデジタルツインは、モーターに関わるシステム全体の熱的および機械的状態を計算する。
そして、デジタルツインは、デジタルツインが有する仮想センサーを用いて、モーターの動作状態に基づいてベアリンググリースの温度を判断可能である。

知的アルゴリズムでは、データをさらに処理する（たとえば、ファンの故障を予測する）ために、部品の状態が必要である。
モーターの故障は、故障特性曲線に基づいて計算可能または推定可能である。
デジタルツインアルゴリズムに関連する全てのソフトウェアは、モーターのマイクロプロセッサ上で、マシンコード（Ｃコード）で実行されるため、追加の電子機器は必要ない。

図２は、ファンモーターのベアリンググリース寿命の計算におけるプロセスシーケンスを示している。
実際のファンのデジタルレプリカを作成するためには、詳細数値モデル、具体的には、熱モデル、磁気回路モデルなどが必要である。
さらに、グリースの寿命を計算するためのアルゴリズムが作成される。

その後、詳細モデルは、挙動モデルに縮約され、管理可能なデータ量になる。

そして、挙動モデルとベアリンググリースの寿命を計算するアルゴリズムとが、システムシミュレーション内で結合される。
具体的には、デジタルツインと動作パラメータに固有のアルゴリズムとが組み合わせられ、この場合は、ベアリンググリースの寿命を計算する。
Ｃコードが、システムシミュレーションから生成され、モーターのマイクロプロセッサ上で直接実行される。

上述のように、計算時間を短縮するには、詳細モデルから挙動モデルへのモデル縮約が必要である。
この結果、デジタルツインアルゴリズムをモーターのマイクロプロセッサ上で実行可能になる。
熱モデルの縮約には、さまざまな方法（クリロフ部分空間法など）が使用可能である。
この方法では、詳細モデルのデータが、モデルの次数を減らすことで縮約される。

詳細磁気モデルは、アルゴリズムまたは表を用いることで縮約可能である。
事前に計算された結果が、特定のグループ毎に表に定義されるため、複雑な計算を迅速な値検索に置き換えることができる。
このように縮約されたモデルを用いて、ベアリンググリースの温度とベアリングの温度とを計算可能である。
計算された温度に対して、動作パラメータに固有のアルゴリズム（この場合はベアリンググリースの寿命を計算するアルゴリズム）を用いて、ベアリングの寿命およびベアリンググリースの寿命を計算する。

動作温度に基づいて、ベアリングまたはベアリンググリースの消費寿命を指数関数的に重み付けすることも可能である。

図３は、このような重み係数の推移を、温度の関数として示している。
例として、ベアリンググリースの寿命の計算には、連続動作、ベアリングの種類、粘度、速度、グリース温度、および、動作時間または寿命などのパラメータが用いられる。
動作時間が４分の場合、計算例では、消費寿命が１５分となる。

デジタルツインの縮約モデルとベアリンググリースの寿命に関する動作パラメータに固有のアルゴリズムとが、システムシミュレーションに統合され、互いにリンクされる。
システムシミュレーションは、たとえば、ＭＡＴＬＡＢプログラムで作成可能である。
ＭＡＴＬＡＢコードジェネレータを使用すると、システムシミュレーションをＣコードに変換して、モーターマイクロプロセッサ上で実行可能になる。

図４および図５は、「知的」ファンを作成する方法の個々のステップを示し、図４は、ブレード角度の設定を示し、図５は、データセンターのファンの負荷分散を示している。
詳細モデルから、縮約モデル、システムシミュレーション、挙動モデルを作成または提供するまでの方法ステップは、どちらの場合も同じである。
挙動モデルを基礎として用いて、オプティマイザが、システム挙動表から最適なシステム効率を選択し、対応する入力変数をコントローラに転送する。
この制御は、リアルタイムで行われる。
プロシージャとデータは、Ｃコードで生成されるため、標準プロセッサ上で最適化可能である。

図４によれば、ファンブレードのブレード角度位置は、動作点に応じて最適なシステム効率が得られるように制御される。
適切なアルゴリズムに基づいて、縮約モデルが、詳細モデルから導出される。
この縮約モデルから、複数の詳細モデルに基づいて、システムシミュレーションの一部として、挙動モデルが生成されたり、挙動研究が実施されたりする。
オプティマイザが、システム挙動表から最適なシステム効率を選択し、最適化を実現可能な対応する入力変数を、制御メカニズムに転送する。
システム全体を、マイクロプロセッサ上でリアルタイムで制御する。
具体的には、最適化に用いられる挙動モデルとアルゴリズムとに基づいて、制御する。
プログラミングを介して、データとアルゴリズムとは、Ｃコードになる。

図５は、複数のファンを有するファン配置での負荷分散を示す。
データセンター内の全体的な温度に応じて最適なシステム効率が得られるように、流速とこの流速に応じて個々のファンに要求される負荷分散とを制御する。
ここでも、オプティマイザは、システム挙動表から最適なシステム効率を選択し、対応する入力変数を制御メカニズムに転送する。
これにより、システム全体をマイクロプロセッサ上でリアルタイムに制御することができる。
挙動モデルのデータは、ここで、再度、最適化に使用されるアルゴリズムに供給される。
ここで、プログラムは、標準プロセッサ上でＣコードで実行される。

上述のデータ縮約に基づくと、本発明の方法によって、標準的なマイクロプロセッサ上で動作可能なコンパクトなＣコードを生成可能になる。
ある種の（ビッグデータからスマートデータへの）洗練データが、マイクロプロセッサ上で実行され、これが計算結果になる。
圧縮され、洗練されたデータのみが、さらに処理され、または、たとえば、クラウドに送信される。
これにより、クラウドへの接続のストリーミングボリュームは、大幅に減少する。

さらに、デジタルツインと動作パラメータに固有のアルゴリズムとを用いて判断された動作パラメータは、ファンのメンテナンスおよびメンテナンスの予測に使用可能であり、同様に、ファンの設計と動作の最適化に使用可能である。
デジタルツインアルゴリズムは洗練され、システムパラメータを個々の状況に適合させる、すなわち、全ての動作場所を考慮して、実現可能な最高の効率と最高の動作性能とを保証する。

図６は、本発明の方法におけるステップのシーケンスを概略的に示し、デジタルツインアルゴリズムが、ファンの動作中にファンのモーターマイクロプロセッサ上で動作している。
動作状態が、仮想センサーを用いて計算される。
動作状態に基づいて、適応制御が可能であり、ファンの寿命を計算可能である。

データは、革新分析とアルゴリズム分析のために、モーターマイクロプロセッサからクラウドに転送される。

革新分析の一部として、機械学習が行われ、製品革新が絶え間なく行われる。

機械学習は、アルゴリズム分析の一部としても行われるため、アルゴリズムは、ますます知的になる。

革新分析とアルゴリズム分析との両方の分析の結果がフィードバックされ、「知的」アルゴリズムを目標として、デジタルツインとデジタルツインアルゴリズムとを改善し、「知的」ファンを作成する。

本発明では、請求項５の特徴の一部として、パターンと規則性とが認識されることが、特に重要である。
上記に加えて、以下のことも述べることができる。

「人工知能」は、通常人間の知能を必要とする役割を担う機械の動作を扱う、全ての研究分野を表すために用いられる総称である。
人工知能の１つのサブフィールドとして、「機械学習」が挙げられ、機械学習により、機械は経験から「知識」を生成可能であり、言い換えると、学習可能である。
人工ニューラルネットワークを用いる「深層学習」は、大量のデータの統計分析に基づく、永久機械学習の特に効率的な方法であり、したがって、人工知能において最も重要な未来志向の科学技術である。

「深層学習」は、機械学習の分野における１つの学習方法である。
ニューラルネットワークを用いると、機械自体が構造を認識し、この認識を評価し、順方向および逆方向の複数の動作において、個別に改善または最適化を行うことが可能になる。

この目的のために、人工ニューラルネットワークは、複数の層に分割される。
これらは、粗いものから細かいものまで機能する重み付きフィルターとして機能し、パターンを認識して正しい結果を出力する確率を高める。
これは、同様に機能する人間の脳をモデルにしている。

人工ニューラルネットワークは、行列として表現可能である。
こうすることで、必要な計算を非常に簡単に実行できるという利点が生まれる。
従来のマイクロプロセッサ上での計算や、ファンのマイクロプロセッサ上での計算も可能である。
これにより、インターネット接続を必要とせずに、知的ファンを実現可能である。

人工ニューラルネットワークを用いると、デジタルツインアルゴリズムを、メーカーのさまざまな製品や企業のさまざまな顧客用途に適応可能になる。
人工ニューラルネットワークを用いて、エラーパターンに基づいてファンの故障を予測することもできる。
電流の増加や電子機器の温度の上昇など、複数の関連要因が、この目的で用いられる。

近年のファンの開発は、ファンのデジタルツインとデジタルツインアルゴリズムの使用とに基づいていることが重要である。
ファンの動作から動作状態が判断されると、適応制御が実施され、寿命に影響を与える。
「知的」ファンを作成するというさらなる目標のために、革新分析とアルゴリズム分析とが、デジタルツインアルゴリズムにフィードバックされ、アルゴリズムを「知的」に実行するための改善のために提供される。

図７および図８の図を用いて、より詳細に説明する。

デジタルレプリカ、具体的には、ファンのデジタルツインを使用することが重要である。
デジタルツインは、データ処理を通して得られる。
具体的には、既知の入力変数またはセンサー測定値を、計算値および計算またはモデルと組み合わせることで得られる。
ファンの所定の場所での部品の温度、電流、損失などは、デジタルツインに基づいて判断される。
実際の値、たとえば、特定の部品の温度が、デジタルツインに基づいて、仮想的に判断される。
具体的には、ファンの特定の場所に、経済的または構造的に配置可能なセンサーを用いて測定を行う選択肢が無い場合に、実際の値をデジタルツインに基づいて仮想的に判断する。

動作パラメータに固有のアルゴリズムは、さらに重要である。
デジタルツインによって提供される結果またはデータに基づいて、たとえば、ベアリングの温度、パラメータ、たとえば、ファンまたはファンベアリングの故障の確率や消費寿命が判断される。
これらのパラメータは、ファンの現在の動作パラメータとその履歴とに依存している。
つまり、ファンが動作している、または、動作した動作場所と環境とに依存している。

図７および図８は、上述の記載を考慮して、ファンのデジタルレプリカを用いてファンの動作状態を判断する本発明の方法を、特定の例を用いて示している。

図７の左側の列は、測定または計算された入力変数であり、単位は、矢印の上に記載されている。
これらの入力変数は、既存の標準センサーを用いて測定されるか、または、既知の値である。

熱源とヒートシンクとが、これらの入力変数から計算される。
この計算は、銅損、鉄損、電子部品での熱損失などの熱源と、モーター冷却（放熱板、気流、周囲温度）などのヒートシンクとを考慮したシミュレーションベースのモデルに基づいている。
この計算により、仮想センサーを用いる縮約熱モデル用の入力変数が生成される。
この計算は、全て、熱モデルとしてのデジタルツインに対応する。

部品の温度は、仮想センサーを用いて、縮約熱モデルから計算される。
熱モデルは、ファンの物理特性を複製し、仮想センサーを用いて、ベアリング、巻線、磁石、および、さまざまな電子部品の温度を必要に応じて計算する。

図７に基づいて、図８は、縮約熱モデルから計算された出力変数が、場合によっては、追加のパラメータとともに、経年影響を計算するための入力変数として使用されることを示している。
基礎となる経年モデルは、履歴データに基づいており、特性曲線として保存可能である。
したがって、経年によって制限される残存寿命が、実際のファン履歴と現在の動作状況とに基づいて、場所ごとに個別に計算または修正可能である。

経年影響を計算するそれぞれのモデルは、寿命を日または時間で計算し、それを情報としてのみ使用可能である。
次に、関連する情報を用いて、さらなる予測、具体的には個々の部品またはファン全体の残存寿命を予測可能である。
この予測を、残存寿命の知的最適化に用いることができる。
速度を下げたり、複数のファンに負荷を知的に分散したりするなど、残存寿命を延ばすための手法を実施することが可能になる。
この手法は、修正変数を用いることによって実行可能である。

図９は、仮想センサーを用いる縮約熱モデルのデジタルツインを再度示し、ファンとモーターとが示されている。
前述のように、熱モデルは、ファンの物理特性を複製し、仮想センサーを用いてさまざまな温度を計算する。
仮想センサーは、さまざまな目的、目標、用途に使用される。
たとえば、次のようなキーワードである。

監視用：仮想センサーを用いて動作パラメータを判断し、これらのパラメータを監視用に用いる。
これらは、警告メッセージ、状態ＬＥＤ、可読エラーコードでのコメント、クラウドまたはアプリケーションでの画像、ユーザーインターフェースでの表示などでとすることができる。

メンテナンスの予測用：ボールベアリング、巻線、電子部品、磁石などの多数のサブシステムで構成されているファンの経年影響を判断し、残存寿命を予測する方法である。
たとえば、メンテナンス間隔の計画を立てたり、メンテナンスの前にできる限り長く使用したり（つまり、早すぎるメンテナンスをしない）、メンテナンスの予定を自動スケジューリングしたり、サービスの需要を報告したり、交換部品の自動注文をしたりする。

最適化用：製品性能に関連する動作状態、つまり、効率、部品温度、速度、出力、体積流量、体積、振動などを判断する方法である。

知的ファンの作成用：特定の動作状態に対応し、挙動を改善するか、または、特定の目標を達成する。

− 最適効率を得るために、動作場所を変更または制御パラメータを変更する。
− 動作場所を変更し、可能な限り寿命を長くする。
− 故障の可能性が非常に高い場合、速度を下げる。
− 夜間に可能な限り静かに使用するために、昼夜周期で動作場所を変更する。
− 付属システムまたは顧客の装置に（たとえばヒートポンプの制御や追加冷却に使用するための温度出力というような）修正変数を出力する。
− システムの重大な状態（共振、温度超過など）を意図的に回避する。

本発明をより理解するために、方法ステップの順序と、それらの内容が、重要である。
それぞれの方法ステップの順序は、基礎となるアルゴリズムの開発ワークフローに由来していてもよい。
この方法ステップは、図１０に示されており、最後のステップで、この方法をさらに発展可能である。

以下、詳細モデルの作成について、一般的に説明する。

モデルは、現実の複製または近似であり、ここでは、シミュレーションモデルの意味で定義する。
モデルは、対象レプリカ内の関心のある部分に常に限定されている。
さらに、モデルは、基本的には完全なものではなく、これは、必要な入力変数をより簡単に用いるためにモデルが縮約されているためであったり、モデル作成時に個々の要素の物理的な挙動が不明であったりするためである。
後の使用と目的に応じて、異なる種類のモデリングが必要である。
たとえば、検討する領域の違い、結果に必要な精度の違い、計算の速度の違いなどである。
非常に多種のモデルがあるが、技術分野では、モデルの多くは、数学的な表現（たとえば、代数方程式または不等式、常微分方程式または偏微分方程式のシステム、状態空間表現、表、グラフ）に関連している。

ＦＥシミュレーション（有限要素シミュレーション）を用いる仮想製品開発は、現在の製品開発プロセスでは不可欠である。
古典的には、物理ドメイン（強度、熱回路、磁気回路など）が、非常に大きなサイズ（１００ギガバイト規模）で計算集約型モデルに複製され、モデル内の数百万の点（ノード）で結果が判断される。
これは、詳細モデルの変形例である。
これらの詳細モデルの作成プロセスは、次のように大まかに書き下ろすことができる。

１．ＣＡＤシステムなどからの３Ｄ幾何形状をインポートする。
２．境界条件、つまり、固定拘束、材料定義、接触条件（接着箇所、滑り接続、断熱）を割り当てる。
３．ネットワーキングする（ジオメトリを、互いにリンクされた数百万の小さな要素に分割する）。
４．荷重（力）、熱源またはヒートシンク、磁場を適用する。
５．個々の要素ごとに微分方程式を自動で解き、それらを合わせてモデル全体の１つの大きな結果を形成する。
６．結果を評価する。

ファンまたはファンを有するシステム全体に関して、仮想センサーを有する詳細モデルの作成は、以下のようになる。

ファンやシステム全体の物理特性を複製できるようにするために、詳細モデルを作成する。
いわゆる、仮想センサーは、詳細モデル内に定義されている計算場所である。
この仮想センサーは、ファンの詳細熱モデルの巻線温度など、部品の状態を計算する。
詳細モデルは、計算時間、必要な計算能力、およびメモリ要件の観点で、複雑なシミュレーションモデルである。
このような詳細モデル、たとえば、熱モデル、磁気回路モデル、電子モデル、制御モデル、力モデル、または、振動モデルは、非線形動作状態の計算に用いられる。
ドメイン間の相互作用が、システムの物理的影響に含まれる。
そのため、個々のモデルは、システム全体で結合されているとみなす必要がある。
システム全体で詳細モデルを使用した計算は、相互作用をリアルタイムで評価できないため、計算時間の観点から実用的ではない。
したがって、モデル縮約が必要である。

縮約モデルは、次のように生成可能である。

モデル縮約は、たとえば、メモリ要件や計算速度を考慮してモデルを最適化するために、既存のモデルを非常に大まかに表現し、付加情報を削減している。
具体的な用途に応じて、次のような多くのモデル縮約の変形例がある。

・多項式関数などの単純な数学関数を近似し、係数のみを保存する。
・さまざまな入力変数の表を保存し、その後、これらの離散値を使用するか、または、値同士の間を補間する。
・以前の値から予測する統計モデルを近似する。
・例えば、Ｔ＞２００℃の場合、ファンが故障しているとするようなグラフまたは論理ゲートを作成する。

縮約モデルの生成−例ａ）

縮約モデルの基礎は、熱のＦＥモデルである。
ここでは、熱入力と熱出力との関数として、モデルの全ての点の温度を表現している。
この例では、縮約モデルは、１つの熱入力、１つの熱出力、点Ａで判断される１つの温度のみに単純化されており、「高」と「低」の値のみに単純化されている。
この目的のために、パラメータ検討が行われ、それによって、この「ルックアップテーブル」が生成される。

結果の使用方法には、いくつかの選択肢がある。

・表を直接、個別に使用する。例：４Ｗの熱入力と１Ｗの熱出力に対して点Ａの温度を予測する場合、４０℃の値だと直接推定する。
・表を用いて、値の間を線形補間する。例：５Ｗの熱入力と１Ｗの熱出力に対して点Ａの温度を予測する場合、線形補間によって６０℃の値と判断する。
・表を用いて、回帰分析によって温度予測関数を判断する。回帰先の関数の例として、多項式関数、線形関数、指数関数、統計関数、微分方程式などが挙げられる。その後、この関数を用いて温度を判断する。

縮約モデルの生成-例ｂ）

縮約モデルの基礎は、熱のＦＥモデルである。
ここでは、熱入力と熱出力との関数として、モデルの全ての点の温度を表現している。
その後、数学的推定、計算、および、変換（たとえば、ＬＴＩシステムまたはクリロフ部分空間法）を用いて、コンパクトな状態空間モデルをシミュレーションすることができる。
このモデルは、２つの必須の微分方程式または積分方程式と、システム全体を表す４つの行列（たとえば、スカラー数値からなる２００ｘ２００の行列）で構成される。
ただし、これらは、数百万のノードの温度を表すのではなく、選択されたいくつかの場所の温度のみを表している。
さらに、近似することで、状態空間モデルの大きさに応じて結果に偏差が生じる。
一般的に、モデルと行列とが大きいほど、偏差は、小さくなる。

状態空間モデルは、Ｍａｔｌａｂなどの多くのコンピューター代数プログラムで、または、プログラミング言語で、プロシージャ、モジュール、またはオブジェクトとして標準的に利用可能である。
このことは、行列をインポートするだけでこのようなモデルを計算可能であることを意味している。
この場合の入力変数は、たとえば、システムに入力される熱出力と対流によるヒートシンクとがあり、出力変数は、たとえば、特定の部品の温度（たとえば、３つの異なる部品の温度）である。

縮約モデルの生成-例ｃ）

この例では、実験結果から縮約モデルを生成する。
ここでは、例ａ）と同様に、測定結果の表が作成され、その後、同等の手順（離散使用、線形補間、または、数学関数による回帰）のプロセスが続く。

物理ドメインまたはさまざまなモデルを結合することで、さらに有用なものにしてもよい。

伝統的に、仮想的な製品開発では、複数のドメインが個別に検討される。
これは、複数のドメインをまとめて検討することは、非常に計算が集約されてメモリを集約し、実用的でないためである。
モデルを縮約することで、さまざまなドメインのモデルを結合可能になる。
たとえば、高性能計算クラスタでの計算時間が数日から数週間かかる詳細磁気回路モデルを、熱モデルと結合することは有用ではない。
多くの場合、実際の挙動をできるだけ正確に複製するためには、このようにする必要がある。

物理ドメインやさまざまなモデルの結合−例

・巻線抵抗は、銅の温度にほぼ直線的に依存する。巻線抵抗の関数として、巻線の電力損失はほぼ直線的に変化する。熱的挙動、たとえば巻線とベアリングの温度とは、電力損失の関数として、強く非線形的に変化する。これにより、巻線の抵抗に影響を与える。したがってこの場合、モデルの結果の要件に応じて、結合が必要である。
・必要トルクとファン速度とは、系の抵抗と、たとえば搬送媒体の圧力差と温度とに大きく依存する。磁気回路の挙動、つまり巻線を流れる電流、磁場、速度などは、負荷トルクの関数として変化する。したがって、消費電力、損失、達成可能速度も、この挙動の関数として変化する。ここでも、顧客用途の場合、それぞれの場合に応じて、ファンの挙動と設置状況とを結合することが考えられてもよい。

技術の実施形態の詳細-例ａ）

・ファンの熱ＦＥモデルを作成する。→多項式関数に加えて１，０００，０００の要素を有する計算集約型でありメモリ集約型であるＦＥモデルを作成する。熱源およびヒートシンクは、入力電流と速度とに依存する多項式関数として表現される。
・電子部品の温度を入力電流と速度との関数として表現する統計的手法により、縮約熱モデルを作成する。→入力電流と速度との関数として、温度を表現する多項式関数、すなわち、仮想温度センサーを作成する。
・温度の関数としての電子部品の寿命を示すデータシートから、特性曲線を用意する。→仮想温度センサーから故障の確率を計算する動作パラメータに固有のアルゴリズムを動作させる。
・メンテナンスの予測、監視または動作場所の最適化に使用する。→知的アルゴリズム。

技術の実施形態の詳細-例ｂ）

・統合電子機器または制御によって、電流指示器とモーター速度とを検出する。これにより、電磁動作点が導出される。
・この動作点に基づいて、モーターおよび電子部品での熱損失を、ルックアップテーブルから、または多項式関数を用いて、取得する。
・熱モデルが損失値を処理し、ボールベアリングや半導体部品などの重要なシステム部品の温度を判断する。
・同時に、部品の振動が、実際のセンサーによって記録される。局部的な振動が、挙動モデルを用いて仮想的にシステム全体に投影される。これにより、たとえば、振動に基づいてベアリング荷重を推定可能になる。
・動作パラメータに固有のアルゴリズムを用いて、判断された温度と振動値とを、部品寿命とファン寿命の評価に変換する。
・これにより、メンテナンスの予測などのさらなる手法が実行可能になる。
・同時に、損失がわかっているので、リード角を変化させるなどの制御工学調整を通して、動作場所とシステム効率を最適化できる。

詳細モデルのモデル縮約に関する上述の説明は、ファンおよび／またはファンシステムの実際の用途に適用され、次数の縮約は、クリロフ部分空間法を用いて実行してもよい。
目標は、計算時間、必要な計算能力、およびメモリ要件を最小限に抑え、リアルタイムでの計算を可能にすることである。
仮想センサーが、同様に用いられ、出力変数を提供する。

図１０によれば、次のステップで、縮約モデル同士がリンクされ、ファンシステムモデルを形成する。
具体的には、熱モデル、磁気回路モデル、ソフトウェアモデル、電子モデルなどの縮約モデルをリンクして、ファンシステムモデルを形成する。
ファンシステムモデルは、個々のファン、ファングループまたはファンシステムの物理特性を複製し、周囲の条件と動作状態の関数として、効率、動作性能、および個々のモデル間の相互作用を計算する。

次のステップでは、ファンシステムモデルが設備モデルにリンクされ、システムモデル全体が生成される。
システムモデル全体は、いくつかのファンと、コンプレッサやコンデンサなどを含む設備とで構成されている。
この設備モデルは、ファンシステムモデルと同じワークフローを用いて生成可能である。
ファンシステムモデルと設備モデルとをリンクして、システムモデル全体を形成可能である。

次のステップは、挙動研究、具体的には、入力パラメータの組み合わせを用いた応答変数の計算である。

挙動研究の目標は、システムモデル全体の挙動を判断し、この知識を用いてシステムをリアルタイムで制御することである。

システム全体の挙動に基づいて、モデル入力変数の効果および影響が、設計空間でモデル応答変数上に転送または表示される。

設計空間は、入力変数が取り得る範囲を示す、多次元空間である。
入力変数の数は、設計空間の次元に対応している。
１０個の入力変数がある場合、１０次元を意味する。

モデルの入力変数は、定められた制限内の値を取る。
これにより、多次元空間をむらなく網羅して表現する、パラメータの組み合わせが作成される。
効率や動作性能などのモデル応答変数は、パラメータの組み合わせを用いて計算される。
挙動研究は、入力変数の関数としての応答変数で満たされた設計空間を提供する。
この空間によって、システム全体の挙動が複製される。

図１１は、さまざまな入力変数が、ファンシステムモデルおよび冷却回路モデルにどのように入力されるかを示しており、これにより、冷却システムモデル全体が得られる。
対応する出力変数が、冷却システムモデル全体の成果物として認識される。
結果として得られた知識が、図１２に示されているように、挙動表に変換可能である。
システム全体の挙動がわかっている場合は、可能な限り最良の応答変数を取得するために、入力変数を調整可能である。

オプティマイザが、挙動表から、応答変数とその応答変数に関連する入力変数との組み合わせを調整または選択する。
具体的には、図１０に示す方法ステップに従って、オプティマイザが最良の応答変数を選択し、現在の動作状態にとって最良の入力パラメータの組み合わせを選択する。

図１３で、オプティマイザは、最良の応答変数を選択し、現在の動作状態にとって可能な限り最良の入力パラメータの組み合わせを判断する。
言い換えると、オプティマイザは、周囲条件／動作状態に基づいて、可能な限り最良のモデル応答を選択する。
入力変数の関連パラメータの組み合わせが調整される。
これにより、システムの制御を最適化可能になる。
冷却システム全体の挙動表は、任意のプロセッサ上で実行可能であり、ファンの一部として既に提供されているマイクロプロセッサ上で実行可能であることが好ましい。
制御は、このようにして実行可能である。

図１４は、実施可能な洗練の例を示しており、図１３に示す冷却システム全体の挙動表が、クラウド内で冷却回路のシステムシミュレーションを付加することにより、拡張されている。
このシステムは、ファンのデジタルツイン、冷却回路のデジタルツイン、検証ユニット、仮想コントローラ／オプティマイザを含んでいる。

ファンのデジタルツインと冷却回路のデジタルツインとが、システムを物理的に複製している。
図１３に示すような冷却システム全体の挙動表から得られる知識を、仮想コントローラに利用可能である。
さらに、たとえば、特定の顧客用途に関して、仮想コントローラは、機械学習を通して、このような知識をさらに学習可能である。
検証ユニットは、設定値と実際の値とを比較することでデジタルツインを改善する。
したがって、システムは、特定の顧客パターンをシミュレートし、その結果、得られる知識を基に、改善する能力を有している。

請求項１で特定される特徴の組み合わせによれば、革新分析は、特に重要である。
革新分析の目標は、効率と動作性能とを改善し、顧客用途から得た知識を通じて部品コストを削減することである。
実際の顧客先での動作のデジタルイメージが収集される。
パターン認識を通して、オプションでＡＩ（ＡＩ＝人工知能、機械学習）を用いて、顧客先での動作の特徴的な特性がフィルタリングされ、認識される。
顧客先での動作の特徴的な特性に基づいて、顧客モデルが作成される。
人工知能を用いて、モデルの短所を分析する。

この短所の一例として、最適な冷却がなされていない領域でのファンの動作が挙げられる。
このような状況では、効率は、カタログ測定と比較して低下する。
この短所を特定すると、顧客先での動作場所を考慮して効率を高めることが、最適化の目標になる。
オプティマイザによって、最適化のためにファンの詳細モデルと顧客パターンモデルとが使用される。
最適化の結果、例えば、巻線の調整、および／または幾何形状の調整をおこなうことで、ファンの冷却を改善してもよい。

図１５は、クラウドで自律的に実行されるワークフローを示している。

図１６は、クラウドでのアルゴリズム分析に関連している。

知的アルゴリズムの目標は、ファンの故障を分類および予測するアルゴリズムを、新たに改善および開発することである。
実際の顧客先での動作のデジタルイメージが収集される。
人工知能は、収集されたデータからパターンを作成し、故障が発生するまでの履歴内でパターンの特定の変化を認識する。
パターンの変化に基づいて、故障を分類し、故障を予測可能である。
これは、通常、ニューラルネットワークまたは自己学習システムに基づいて、アルゴリズムに変換される。
アルゴリズムが改善されるか、または、新しいアルゴリズムが作成されると、アルゴリズムは、顧客先での動作に転送され、周期的または定期的に改善が実行される。
図１６に示すように、ワークフローは、クラウドで自動的に実行される。

最後に、上述の実施形態は、特許請求される教示を説明するためだけに用いられ、この例示的な実施形態に限定するものではない。

Claims (8)

1. ファンまたはファン配置のデジタルレプリカと少なくとも１つの動作パラメータに固有のアルゴリズムとを用いて、ファンの動作またはファン配置を最適化する方法であって、
   改善された「知的」アルゴリズムを生成することと同時に、製品革新を生み出すことを目標として、動作中に得られる前記データと所見とを絶え間なく実施されている革新分析とアルゴリズム分析とに供給する、ファンの動作またはファン配置を最適化する方法。
2. 部品固有または機能固有の複数の数値詳細モデルが、モデル縮約とデータ縮約（データ洗練）とによって、部品固有または機能固有の複数の挙動モデルへ変換され、さらにシステムシミュレーション内で結合または組み合わせられることで、入力変数と出力変数とを有するシステム挙動モデルを形成する、部品固有または機能固有の複数の数値詳細モデルであって、該部品固有または機能固有の複数の数値詳細モデルを用いることで、前記システム挙動モデルから得られる前記ファンの前記入力変数と前記入力変数に関連する前記出力変数とを、オプティマイザが選択肢として利用可能にすることを特徴とする、請求項１に記載されたファンの動作またはファン配置を最適化する方法。
3. 動作状態または部品状態が、前記ファンの動作中に前記デジタルツインアルゴリズムを用いて計算され、クラウドを介してまたはクラウド内で前記革新分析と前記アルゴリズム分析のそれぞれに供給されることを特徴とする、請求項１または請求項２に記載されたファンの動作またはファン配置を最適化する方法。
4. 前記革新分析と前記アルゴリズム分析のそれぞれが、前記ファンの前記動作における経験から知識を人工的に生成するために、機械学習プログラムを用いることを特徴とする、請求項１乃至請求項３のいずれか一項に記載されたファンの動作またはファン配置を最適化する方法。
5. 前記デジタルツインアルゴリズムを用いて計算された前記動作状態または部品状態の計算例によって取得された学習データからパターンと規則性とが、導出されることを特徴とする、請求項１乃至請求項４のいずれか一項に記載されたファンの動作またはファン配置を最適化する方法。
6. 前記ファンの前記動作の前記要求に関する情報が、前記分析によって提供されることを特徴とする、請求項１乃至請求項５のいずれか一項に記載されたファンの動作またはファン配置を最適化する方法。
7. 前記顧客に個別調整されたファンに関する革新が、前記分析によって提供されることを特徴とする、請求項１乃至請求項６のいずれか一項に記載されたファンの動作またはファン配置を最適化する方法。
8. 前記アルゴリズムの前記改善を、前記ファンの寿命の前記計算を最適化するために、および／または前記ファンの前記動作を最適化するために、および／または前記ファンのメンテナンスをできる限り最善に予測するために、用いることを特徴とする、請求項１乃至請求項７のいずれか一項に記載されたファンの動作またはファン配置を最適化する方法。

Images