JP2021512422A - ファンの動作やファン配置を最適化する方法 - Google Patents
ファンの動作やファン配置を最適化する方法 Download PDFInfo
- Publication number
- JP2021512422A JP2021512422A JP2020542015A JP2020542015A JP2021512422A JP 2021512422 A JP2021512422 A JP 2021512422A JP 2020542015 A JP2020542015 A JP 2020542015A JP 2020542015 A JP2020542015 A JP 2020542015A JP 2021512422 A JP2021512422 A JP 2021512422A
- Authority
- JP
- Japan
- Prior art keywords
- fan
- model
- algorithm
- behavior
- specific
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004088 simulation Methods 0.000 claims description 19
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000008602 contraction Effects 0.000 description 27
- 239000004519 grease Substances 0.000 description 23
- 238000001816 cooling Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 238000004804 winding Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000003679 aging effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
デジタルノウハウは、常に、増加している。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
− 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。
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。
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。
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。
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。
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。
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。
・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。
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。
・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。
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。
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。
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。
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。
・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。
・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。
・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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Claims (8)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018201709 | 2018-02-05 | ||
DE102018201709.3 | 2018-02-05 | ||
PCT/DE2019/200009 WO2019149326A1 (de) | 2018-02-05 | 2019-02-04 | Verfahren zum optimierten betrieb eines ventilators oder einer ventilator-anordnung |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021512422A true JP2021512422A (ja) | 2021-05-13 |
Family
ID=65951458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020542015A Pending JP2021512422A (ja) | 2018-02-05 | 2019-02-04 | ファンの動作やファン配置を最適化する方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20210034021A1 (ja) |
EP (1) | EP3750011A1 (ja) |
JP (1) | JP2021512422A (ja) |
CN (1) | CN111684369B (ja) |
BR (1) | BR112020014935A2 (ja) |
DE (1) | DE102019201412A1 (ja) |
WO (1) | WO2019149326A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019208637A1 (de) * | 2019-06-13 | 2020-12-17 | Ziehl-Abegg Se | Verfahren zum Bestimmen eines Zustands eines Elektromotors und entsprechender Elektromotor sowie Ventilator |
DE102019128655B4 (de) | 2019-10-23 | 2021-11-25 | Technische Universität Ilmenau | Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System |
US11751360B2 (en) * | 2020-03-17 | 2023-09-05 | International Business Machines Corporation | Intelligently deployed cooling fins |
EP3989024B1 (en) * | 2020-10-22 | 2023-06-14 | ABB Schweiz AG | Method, program and system of extending the lifetime of a rolling-element bearing |
CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
DE102021207107A1 (de) * | 2021-07-06 | 2023-01-12 | Ziehl-Abegg Se | Verfahren zur Ermittlung der Wicklungstemperatur eines Elektromotors |
TWI780913B (zh) * | 2021-09-15 | 2022-10-11 | 長聖儀器股份有限公司 | 可不斷改善風扇評估邏輯之方法及使用該方法之風扇評估裝置 |
CN115169251B (zh) * | 2022-09-06 | 2022-11-25 | 新华三人工智能科技有限公司 | 一种风扇转速控制方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005301582A (ja) * | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
EP1669226A1 (de) * | 2004-12-07 | 2006-06-14 | Behr-Hella Thermocontrol GmbH | Modellbasiertes Verfahren zur Regelung einer Kfz-Klimaanlage |
US20120060505A1 (en) * | 2010-09-14 | 2012-03-15 | United Technologies Corporation | Adaptive control for a gas turbine engine |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
US20170323274A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8145363B2 (en) * | 2009-05-28 | 2012-03-27 | American Power Conversion Corporation | Systems and methods for controlling load dynamics in a pumped refrigerant cooling system |
US8433450B2 (en) * | 2009-09-11 | 2013-04-30 | Emerson Process Management Power & Water Solutions, Inc. | Optimized control of power plants having air cooled condensers |
DE102010002294A1 (de) | 2010-02-24 | 2011-08-25 | Siemens Aktiengesellschaft, 80333 | System bzw. Verfahren zur Ermittlung eines Lagerzustandes |
CN102902203B (zh) * | 2012-09-26 | 2015-08-12 | 北京工业大学 | 时间序列预测与智能控制结合的参数在线整定方法与系统 |
CN104832445B (zh) * | 2015-04-22 | 2016-11-30 | 华南理工大学建筑设计研究院 | 一种基于物联网的风扇控制系统及方法 |
DE102015118289A1 (de) * | 2015-10-27 | 2017-04-27 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Produktselektor |
CN106050718B (zh) * | 2016-07-12 | 2017-12-01 | 邦彦技术股份有限公司 | 一种智能风扇控制方法和系统 |
US9881430B1 (en) * | 2017-02-22 | 2018-01-30 | General Electric Company | Digital twin system for a cooling system |
CN107563074A (zh) * | 2017-09-08 | 2018-01-09 | 哈尔滨工业大学 | 一种风扇/压气机端壁型线的优化设计方法与优化平台 |
-
2019
- 2019-02-04 US US16/967,698 patent/US20210034021A1/en not_active Abandoned
- 2019-02-04 WO PCT/DE2019/200009 patent/WO2019149326A1/de unknown
- 2019-02-04 CN CN201980011676.1A patent/CN111684369B/zh active Active
- 2019-02-04 EP EP19713691.4A patent/EP3750011A1/de active Pending
- 2019-02-04 DE DE102019201412.7A patent/DE102019201412A1/de active Pending
- 2019-02-04 BR BR112020014935-7A patent/BR112020014935A2/pt unknown
- 2019-02-04 JP JP2020542015A patent/JP2021512422A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005301582A (ja) * | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
EP1669226A1 (de) * | 2004-12-07 | 2006-06-14 | Behr-Hella Thermocontrol GmbH | Modellbasiertes Verfahren zur Regelung einer Kfz-Klimaanlage |
US20120060505A1 (en) * | 2010-09-14 | 2012-03-15 | United Technologies Corporation | Adaptive control for a gas turbine engine |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
US20170323274A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
Also Published As
Publication number | Publication date |
---|---|
WO2019149326A1 (de) | 2019-08-08 |
RU2020128978A (ru) | 2022-03-09 |
EP3750011A1 (de) | 2020-12-16 |
CN111684369B (zh) | 2023-08-04 |
DE102019201412A1 (de) | 2019-08-08 |
US20210034021A1 (en) | 2021-02-04 |
BR112020014935A2 (pt) | 2020-12-08 |
CN111684369A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021512422A (ja) | ファンの動作やファン配置を最適化する方法 | |
JP7254819B2 (ja) | 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 | |
US20210383041A1 (en) | In-situ thermodynamic model training | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
Elhoone et al. | Cyber-based design for additive manufacturing using artificial neural networks for Industry 4.0 | |
CN111684162B (zh) | 用于确定风扇的操作状态的方法 | |
KR20210042961A (ko) | 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법 | |
Goedtel et al. | Load torque identification in induction motor using neural networks technique | |
CN115398797A (zh) | 用于管理机电系统的系统、装置和方法 | |
Knödler et al. | The Potential of Data-Driven Engineering Models: An Analysis Across Domains in the Automotive Development Process | |
JP2020068029A (ja) | 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置 | |
WO2021256215A1 (ja) | 制御装置、上位コントローラ、制御方法、及び制御プログラム | |
RU2796809C2 (ru) | Способ оптимизированной эксплуатации вентилятора или вентиляторной системы | |
Todorov et al. | Digital twin definition based on virtual prototype evolution of an UPS with kinetic battery accumulator | |
RU2779855C2 (ru) | Способ оптимизации коэффициента полезного действия и/или эксплуатационных характеристик вентилятора или системы вентиляторов | |
Baronti et al. | Machine learning of electro-hydraulic motor dynamics | |
EP3945375A1 (en) | Machine controller and methods for configuring and using the machine controller | |
Mollocana et al. | Temperature control of an electric through virtual hardware in the loop technique | |
Adepoju et al. | Speed Forecast of DC Motor Using Artificial Neural Network | |
BR112020014573B1 (pt) | Método para a otimização da eficiência e/ou do desempenho de funcionamento de um ventilador, ou de um arranjo de ventiladores | |
US20220299984A1 (en) | Method and system for controlling a production plant to manufacture a product | |
US20220036207A1 (en) | Apparatus and method for drive selection using machine learning | |
Supeni et al. | NARMAX identification of DC motor model using repulsive particle swarm optimization | |
Tijani | Non-Parametric Modeling of Motion Control Systems Using an Hybrid MODE-NARX Algorithm | |
Koprda et al. | A design and simulation of fuzzy PID controller for the optimization of temperature and humidity in the thermodynamic system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230511 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240305 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240510 |