KR20230116947A - 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한방법 및 시스템 - Google Patents

전기 회전 기계의 시뮬레이션 모델을 제공하기 위한방법 및 시스템 Download PDF

Info

Publication number
KR20230116947A
KR20230116947A KR1020237024979A KR20237024979A KR20230116947A KR 20230116947 A KR20230116947 A KR 20230116947A KR 1020237024979 A KR1020237024979 A KR 1020237024979A KR 20237024979 A KR20237024979 A KR 20237024979A KR 20230116947 A KR20230116947 A KR 20230116947A
Authority
KR
South Korea
Prior art keywords
machine
input data
simulation model
parameter values
electric rotating
Prior art date
Application number
KR1020237024979A
Other languages
English (en)
Inventor
크리스티안 디그
Original Assignee
지멘스 악티엔게젤샤프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 지멘스 악티엔게젤샤프트 filed Critical 지멘스 악티엔게젤샤프트
Publication of KR20230116947A publication Critical patent/KR20230116947A/ko

Links

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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B17/00—Systems with reflecting surfaces, with or without refracting elements
    • G02B17/02—Catoptric systems, e.g. image erecting and reversing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Optics & Photonics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Control Of Electric Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

본 발명은 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 컴퓨터 구현 방법에 관한 것으로, 시뮬레이션 모델은 파라미터 값에 의해 정의되며,
입력 데이터가 획득되고(S1), 이 입력 데이터는 기계(2)에 따라 작동 전압에 연결되지 않은 상태에서 수집될 수 있고 기계(2)의 특성을 나타내며,
상기 입력 데이터로부터 훈련된 함수(F)의 도움으로 파라미터 값이 결정되며(S2),
상기 결정된 파라미터 값이 제공된다(S3).

Description

전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템{METHOD AND SYSTEMS FOR PROVIDING A SIMULATION MODEL OF AN ELECTRIC ROTATING MACHINE}
본 발명은 전기 회전 기계를 플랫폼, 바람직하게는 소프트웨어 플랫폼, 특히 클라우드 플랫폼에 연결하는 방법 및 작동 전압에 연결되고 예를 들어 플랫폼에 연결된 전기 회전 기계의 작동 거동을 결정하는 방법에 관한 것이다.
또한, 본 발명은 작동 전압에 연결된 전기 회전 기계의 작동 거동을 결정하기 위한 장치에 관한 것으로, 이 장치는 센서 장치 및 계산 장치를 포함한다.
또한, 훈련된 함수를 제공하기 위한 컴퓨터 구현 방법이 개시된다.
또한, 전술한 훈련된 함수를 사용하여 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 컴퓨터 구현 방법이 개시되며, 시뮬레이션 모델은 파라미터 값에 의해 정의된다.
또한, 상응하는 명령어를 포함하는 컴퓨터 프로그램이 개시되며, 이는 해당 프로그램이 컴퓨터에 의해 실행될 때 컴퓨터가 전술한 방법 중 하나 및/또는 다른 하나를 실행하게 한다.
또한, 전술한 시뮬레이션 모델에 기반한 추가 시뮬레이션 모델을 갖는 컴퓨터 판독 가능 매체를 가진 센서 장치가 개시된다.
또한, 전술한 시뮬레이션 모델 및/또는 전술한 컴퓨터 프로그램(들)을 전송하는 데이터 캐리어 신호가 개시된다.
끊임없이 발전하는 산업 디지털화의 맥락에서 새로운 자산(asset)의 온보딩은 중요한 측면을 나타낸다. 현장 장치(field device), 기계, 소프트웨어 등을 일반적으로 설비 부품의 레벨에서 자산이라고 한다.
오래된 산업 설비의 디지털화 시, 설비 내에서 기계, 예컨대 전기 회전 기계, 특히 비동기 기계, 예컨대 비동기 모터 및 비동기 제너레이터에 대해 가용한 정보가, 기계의 충분히 정확한 시뮬레이션 모델을 생성하고 예를 들어 온보딩을 수행하거나 기계의 작동 시점을 결정하기에 충분하지 않다는 문제에 종종 직면한다.
비동기 모터의 등가 회로(시뮬레이션 모델)가 공지되어 있더라도("그린필드"), 작동 거동을 결정하기가 어려운 경우가 많다. 이 "그린필드" 문제의 한 가지 가능한 해결책이 출원인의 문헌 EP 20 173 618.8에 제안되어 있으며, 그 내용은 이에 의해 본 출원의 주제에 통합된다. 이를 위해 종종 고가의 센서를 사용한 복잡한 측정이 필요하다.
예를 들어 예전 시리즈의 많은 모터에서는 가용 정보가 훨씬 더 적다. 정보는 종종 명판(rating plate)에 있는 데이터("브라운필드")로만 제한된다.
문제를 해결하고 작동 거동을 결정하는 한 가지 가능한 접근 방식은 더 간단한 방법(예: 선형 보간)으로 전환하는 것이다. 그러나 이 방법은 정확성이 현저히 떨어지고 토크에 대한 정보만 제공할 뿐, 예를 들어 효율 및 역률과 같은 더 상세한 정보는 제공하지 않는다.
예를 들어, 농형 비동기 모터의 작동 효율을 예측하는 방법을 대상으로 하는 중국 특허 출원 CN 110007232 A호로부터 또 다른 접근 방식이 공지되어 있다. 이 방법에서는 농형 비동기 모터의 시뮬레이션 모델을 생성하고, 농형 비동기 모터 시뮬레이션 모델에 고조파 전압을 입력하여 시뮬레이션 데이터를 얻는다. 그런 다음, BP 신경망 예측 모델을 얻기 위해 시뮬레이션 데이터를 기반으로 BP 신경망을 학습시킨다. 그런 다음 현재 농형 비동기 모터의 작동 효율을 얻기 위해 현재 농형 비동기 모터의 실제 작동 데이터를 검출하여 BP 신경망 예측 모델에 입력한다.
또한, 중국 특허 출원 CN 102368672 A호로부터 모터의 소프트 스타트를 위한 시뮬레이션 장치 및 시뮬레이션 방법이 공지되어 있다.
또한, 유럽 특허 출원 EP 3 322 088 A1호로부터 전기 회전 기계의 작동을 모니터링하는 방법이 공지되어 있다. 회전 전기 기계의 구조적 변경 없이 상기 방법을 수행할 수 있도록 하기 위해, 기계 하우징 외부에서 기계 고정자의 제1 물리적 변수와 기계 회전자의 제2 물리적 변수를 측정하는 것이 제안되며, 상기 제1 물리적 변수 및 제2 물리적 변수로부터 전기 회전 기계의 적어도 하나의 상태 변수가 결정된다.
따라서 본 발명의 과제는, 전기 회전 기계의 시뮬레이션 모델을 제공하고, 예를 들어 가용한 소량의 정보만 사용해서 전기 회전 기계의 온보딩을 가능하게 하며, 그렇게 해서 예컨대 무부하(전위 계열) 및 부하(부하 계열)에서의 회전 측정과 결합된 정지 상태에서의 측정(예: 냉기 저항 측정)과 같이 복잡한 고가의 측정을 생략하는 것이다.
상기 과제는 언급한 유형의 전기 회전 기계의, 파라미터 값에 의해 정의되는 시뮬레이션 모델을 제공하기 위한 컴퓨터 구현 방법을 이용하여 본 발명에 따라 하기의 프로세스로 해결된다:
- 입력 데이터가 획득되고, 이 입력 데이터는 작동 전압에 연결되지 않은 상태에서 기계에 의해 수집될 수 있고 기계의 특성을 나타내며, 전기 회전 기계의 축 높이, 극쌍(pole pair) 수 및 명판 정보를 포함하며,
- 상기 입력 데이터로부터 훈련된 함수의 도움으로 파라미터 값이 결정되고, 훈련된 함수(F)는 아래에 언급된 방법에 따라 제공되며, 훈련된 함수는 축 높이 및 극쌍 수를 기반으로 손실- 및 표유 계수(loss and stray coefficient)를 결정하고(S20), 결정된 손실- 및 표유 계수와 명판 정보(LSA)로부터 파라미터 값이 결정되며,
- 상기 결정된 파라미터 값이 제공된다.
본 발명과 관련하여 "~의 도움으로"라는 용어는 파라미터 값의 결정이 복수의 하위 단계를 포함할 수 있는 것으로 이해되어야 하며, 이 경우, 훈련된 함수(F)가 모든 하위 단계에서 적용될 필요는 없다. 예를 들어, 본원 방법은 분석적 수학 공식의 도움으로 수행할 수 있는 하위 단계를 포함할 수 있다. 이는 계산 시간과 관련하여 유리할 수 있다.
본 발명과 관련하여 "작동 전압에 연결된"이라는 말은 기계가 레벨 및 주파수가 일정한 작동 전압(정전압망) 또는 가변적인 작동 전압(컨버터 작동 모드)에 접속된 전기 회전 기계의 상태로 이해될 수 있다.
바람직하게는 컨버터의 제어 방법이 공지되어 있으며, 이로써 미지의 컨버터 출력 전압이 센서에 의해 결정된 주파수(f1)로부터 결정될 수 있다.
일 실시예에서, 시뮬레이션 모델이 등가 회로도로서 구성될 수 있다.
시뮬레이션 모델이 상호 관련된 방정식들의 형태 또는 표 형식인 경우도 생각할 수 있다.
일 실시예에서, 훈련된 함수는 신경망, 회귀, 바람직하게는 다변량 회귀(multivariate regression)에 기반할 수 있다.
나아가, 바람직하게는 입력 데이터에 대해 타당성 검사가 수행될 수 있다.
일 실시예에서, 입력 데이터가 명판 정보로 구성될 수 있다.
이 경우, 파라미터 값의 일부가 명판 정보에 의해 결정될 수 있다. 그로 인해, 특정 파라미터의 값이 명판 정보로부터 바로 계산됨으로써 방법이 간소화될 수 있다.
입력 데이터가 축 높이와 극쌍 수로만 구성되는 점을 충분히 생각할 수 있다. 이러한 입력 데이터로 좋은 결과를 얻을 수 있다.
다변량 회귀의 장점 및 특히 신경망의 장점도, 훈련 입력 데이터를 제한할 필요가 없고 의도적으로 찾을 필요도 없다는 데 있다. 이는, 시뮬레이션 모델 파라미터를 결정하기 위해 입력 데이터가 2개 이상의 입력 변수(예: 축 높이 및 극쌍 수), 예를 들어 복수의 입력 변수를 포함하고 신경망에 상기 입력 변수가 공급되는 경우에 특히 유리하다.
더욱이, 상기 과제는 상기 유형의 훈련된 함수를 제공하기 위한 컴퓨터 구현 방법을 이용해서 하기의 프로세스로 해결된다:
- 전기 회전 기계의 특성을 나타내고/전기 회전 기계를 대표하고, 작동 전압에 연결되지 않은 상태에서 기계에 의해 수집될 수 있는 훈련 입력 데이터가 획득되며, 훈련 입력 데이터는 축 높이 및 극쌍 수를 포함하고,
- 파라미터 값을 대표하고 손실- 및 표유 계수를 포함하는 훈련 출력 데이터가 획득되고, 상기 파라미터 값은 전기 회전 기계의 시뮬레이션 모델을 정의하며,
- 훈련 입력 데이터 및 훈련 입력 데이터를 기반으로 함수가 훈련되며,
- 상기 훈련된 함수가 제공된다.
일 실시예에서, 훈련 입력 데이터 및 훈련 출력 데이터를 포함하는 훈련 데이터 세트는 상기 훈련 데이터 세트를 기초로 함수가 훈련되기 전에 전처리될 수 있다. 전처리는 예를 들어 데이터를 상대적이고 정규화된 형태로 가져오는 것을 포함할 수 있다.
함수는 회귀, 바람직하게는 다변량 회귀에 기반하는 것이 바람직할 수 있다.
함수는 신경망에 기반할 수도 있으며, 그에 따라 앞서 언급한 훈련된 함수도 신경망에 기반할 수 있다.
상기 과제는 또한, 제1 컴퓨터 프로그램을 사용하여 본 발명에 따라, 상기 프로그램이 컴퓨터에 의해 실행될 때 상기 컴퓨터가 시뮬레이션 모델 파라미터 값을 결정하게 하는 명령을 제1 컴퓨터 프로그램이 포함함으로써 해결된다.
즉, 컴퓨터 프로그램은 입력 데이터를 입력으로서 얻고, 시뮬레이션 모델 파라미터 값을 출력으로서 출력한다. 시뮬레이션 모델이 시뮬레이션 모델 파라미터 값에 의해 정의되기 때문에, 시뮬레이션 모델이 제공된다고 말하거나 시뮬레이션 모델 파라미터 값이 결정된다고 말할 수 있다.
상기 과제는, 제2 컴퓨터 프로그램을 사용해서도 본 발명에 따라, 상기 프로그램이 컴퓨터에 의해 실행될 때 상기 컴퓨터가 훈련된 함수를 제공하게 하는 명령을 제2 컴퓨터 프로그램이 포함함으로써 해결된다.
제1 및/또는 제2 컴퓨터 프로그램은 컴퓨터 판독 가능 매체에 저장될 수 있거나, 데이터 전송 신호로써, 예를 들어 코딩된 형태로 전송될 수 있다.
본 발명의 과제는 또한, 전기 회전 기계를 플랫폼, 바람직하게는 소프트웨어 플랫폼, 특히 언급한 유형의 클라우드 플랫폼에 연결하는 방법을 이용하여 본 발명에 따라 하기 프로세스로 해결된다:
- 작동 전압에 연결되지 않은 상태에서 기계에 의해 축 높이, 극쌍 수 및 기계의 명판 정보를 포함하는 입력 데이터가 수집되며, 이 입력 데이터는 기계의 특성을 나타내고 구성 애플리케이션 소프트웨어에 대한 입력으로서 입력되며,
- 구성 애플리케이션 소프트웨어는 입력 데이터를 플랫폼으로 전송하며, 이 플랫폼은, 전기 회전 기계의 시뮬레이션 모델을 제공하기 위해 전술한 방법이 플랫폼에 의해 실행되게 하는 명령을 포함하고,
- 바람직하게는 시뮬레이션 모델이 구성 애플리케이션 소프트웨어로 전송되고, 이 구성 애플리케이션 소프트웨어는 기계에 배치된, 바람직하게는 고정된 센서 장치에 시뮬레이션 모델을 전송한다.
또한, 본 발명의 과제는, 작동 전압에 연결되고 예를 들어 플랫폼에 연결된 전기 회전 기계의 작동 거동을 결정하기 위한 방법을 이용하여 본 발명에 따라 하기 프로세스로 해결된다:
A) 기계 외부의 표유 자계(stray magnetic field)가 검출되고,
B) 검출된 표유 자계로부터 슬립 주파수(f2) 및 동기 주파수 또는 동기 속도(f1)가 계산되고,
C) 슬립 주파수(f2) 및 동기 주파수 또는 동기 속도(f1)로부터 슬립(s)이 계산되고,
D) 전술한 방법에 따라 시뮬레이션 모델이 제공되며,
E) 슬립(s), 동기 주파수(f1) 및 제공된 시뮬레이션 모델에 기초하여 기계의 작동 거동, 특히 작동점이 결정된다.
또한, 본 발명의 과제는 전술한 유형의 장치를 이용하여 본 발명에 따라, 센서 장치가 기계 외부의 표유 자계를 검출하고, 검출된 표유 자계로부터 슬립 주파수(f2) 및 동기 주파수(f1)를 계산하여 이를 계산 장치로 전송함으로써 해결되며, 상기 계산 장치에는 전술한 방법에 따라 제공된 시뮬레이션 모델이 저장되어 있고, 이 계산 장치는 계산된 슬립 주파수(f2) 및 동기 주파수(f1)에 기초하여 슬립(s)을 결정한 후에 시뮬레이션 모델을 사용하여 기계의 작동 거동을 결정하도록 구성된다.
본 발명은 하기에서 도면에 예시된 실시예를 참고로 더 상세히 설명된다.
도 1은 등가 회로도를 제공하기 위한 컴퓨터 구현 방법의 흐름도이다.
도 2 내지 도 4는 가능한 등가 회로도이다.
도 5는 훈련된 함수를 제공하기 위한 컴퓨터 구현 방법의 흐름도이다.
도 6은 산업 IT 환경을 나타낸 도면이다.
도 7은 전기 회전 기계의 작동 거동을 결정하기 위한 방법의 흐름도이다.
실시예들 및 도면들에서 동일하거나 동일하게 작용하는 요소에는 각각 동일한 도면 부호를 부여하였다.
먼저, 도 1을 참조한다. 도 1에는 전기 회전 기계(2)의 시뮬레이션 모델을 제공하기 위한 컴퓨터 구현 방법의 실시예가 흐름도로 도시되어 있다. 하기에서는 시뮬레이션 모델의 예로서 등가 회로도(EC1, EC2, EC3)가 고려된다. 예를 들어 상호 관련된 방정식들의 형태 또는 표 형식의 시뮬레이션 모델과 같은 다른 시뮬레이션 모델의 사용도 가능하다.
등가 회로도(EC1, EC2, EC3)는 미리 결정된 파라미터의 값에 의해 정의된다. 도 2 내지 도 4에는 상이한 등가 회로도(EC1, EC2, EC3)의 예가 도시되어 있다. 도 2는 T형 등가 회로도(EC1)에 관한 것이고, 도 3은 분리된 회전자 저항을 갖는, 도 2의 T형 등가 회로도와 등가인 T형 등가 회로도(EC2)에 관한 것이며, 도 4는 다음 파라미터를 갖는 확장된 등가 회로도(EC3)이다: 주 인덕턴스 Xh(주 자속), 고정자 인덕턴스 X1 및 회전자 인덕턴스 X'2(표유 자속), 회전자 저항 R'2(회전자 권선 손실), 고정자 저항 R1(고정자 권선 손실), Rfe(철 손실) 및 Rzus(추가 손실).
본 개시의 범위를 제한함이 없이 예시의 단순화를 위해, 하기에서 "등가 회로도"라는 용어는 확장된 등가 회로도(EC3)를 의미한다.
방법의 단계(S1)에서 입력 데이터가 획득된다. 이 입력 데이터는 기계(2)에 의해 작동 전압에 연결되지 않은 상태에서 수집될 수 있고, 기계(2)의 특성을 나타낸다. 입력 데이터는 예를 들어 제1 인터페이스를 통해 계산 장치에 공급될 수 있으며, 예를 들어 입력으로서 구성 앱(configuration App)에 입력될 수 있다. 입력 데이터는 기계(2)를 식별하는 데이터이다. 입력 데이터는 예를 들어 측정점에서(100% 부하에서) 기계를 특성화하는 명판 정보(LSA - 제조업체 정보, 표준 정보, 규정 정보 등)를 포함한다. 연결되지 않은 기계에 의해 수집될 수 있으나 예를 들어 명판에 명시될 필요가 없는 여타의 입력 데이터는 예를 들어 극쌍의 수, 축 높이 등이다.
또한, 이 방법은 입력 데이터의 타당성 검사를 포함할 수 있다(여기에는 도시되지 않음). 이 경우, 예를 들어, 측정점에서의 효율 및 역률이 주어진 경우 이들이 정격 전압 및 정격 전류에 기초하여 기계적 정격 출력을 계산할 때 충분히 작은 오차를 초래하는지의 여부가 검사될 수 있다.
단계(S2)에서는 상기 입력 데이터로부터 훈련된 함수(F)의 도움으로 등가 회로도(EC3)의 파라미터 값이 결정된다.
본 발명과 관련하여 "~의 도움으로"라는 용어는 파라미터 값의 결정이 복수의 하위 단계를 포함할 수 있는 것으로 이해되어야 하며, 이 경우, 훈련된 함수(F)가 모든 하위 단계에서 적용될 필요는 없다.
도 1에는 단계(S2)가 2개의 하위 단계, 즉, 제1 하위 단계(S20) 및 제2 하위 단계(S21)를 포함하는 실시예가 도시되어 있다. 제1 하위 단계(S20)는 예를 들어, 훈련된 함수(F)가 입력 데이터의 적어도 일부에 적용되는 단계일 수 있다. 상기 입력 데이터의 일부는 예를 들어 축 높이 및 기계(2)의 극쌍 수를 포함한다. 훈련된 함수(F)는 예를 들어 입력 데이터의 적어도 일부로부터 기계(2)의 등가 회로도(EC3)의 파라미터 값을 결정하기 위한 손실 계수 및 표유 계수를 결정할 수 있다.
훈련된 함수(F)는 예컨대 회귀, 바람직하게는 다변량 회귀에 기반할 수 있다.
제1 하위 단계(S20)에서 결정된 파라미터, 예를 들어 손실- 및 표유 계수와 입력 데이터의 나머지 부분, 즉, 명판 정보(LSA)에 기초하여, 제2 하위 단계(S21)에서 예를 들어 다른 물리적 변수를 사용하여, 바람직하게는 미리 결정된 수학 공식(들)의 도움으로 등가 회로도 파라미터의 파라미터 값이 계산될 수 있다.
단계(S2)에서, 바람직하게는 제2 하위 단계(S21)에서 결정되고, 바람직하게는 미리 결정된 수학 공식(들)의 도움으로 계산될 수 있는 물리적 변수의 미확정 목록(non exhaustive list)은 다음과 같다: 극쌍 수, 동기 속도, 슬립, 입력 전력, 추가 손실, 개별 고정자 권선 손실, 철 손실 및 마찰 손실 및 그 합계, 고정자 저항, 총 무효 전력, 가능한 최대 표유 계수 등.
예를 들어, 극쌍 수, 동기 속도 및 정격 슬립은 명판 상에 명시될 수 있는 정격 주파수(fN) 및 정격 속도(nN)로부터 결정될 수 있다. 또한, 측정점에서의 전기 입력 전력(모터로서 작동)은 (각각 측정점에서의) 전류, 전압 및 역률로부터 또는 (마찬가지로 각각 측정점에서의) 기계 출력 전력 및 효율로부터 계산될 수 있다.
추가 손실은 예를 들어 표준 또는 규격에 따라, 예컨대 IEC60034-2-1 또는 EN60034-2-1에 따른 방법에 따라 계산될 수 있다.
추가 단계(S3)에서는 결정된 파라미터 값, 즉, 주 인덕턴스 Xh(주 자속), 고정자 인덕턴스 X1 및 회전자 인덕턴스 X'2(표유 자속), 회전자 저항 R'2(회전자 권선 손실), 고정자 저항 R1(고정자 권선 손실), Rfe(철 손실) 및 Rzus(추가 손실)가 제공된다. 이는 예를 들어 출력에 의해 제2 인터페이스를 통해 실행될 수 있다(예를 들어, 도 6 참조). 예를 들어, 결정된 파라미터 값을 갖는 등가 회로도(EC3)는 파라미터를 데이터베이스(8), 예를 들어 클라우드(4)에 저장함으로써 저장될 수 있다.
도 5에는 훈련된 함수, 예를 들어 전술한 훈련된 함수(F)를 제공하기 위한 컴퓨터 구현 방법의 한 가능한 실시예가 도시되어 있다.
단계(T1)에서는 예를 들어 제1 훈련 인터페이스에 의해 훈련 입력 데이터가 획득된다. 훈련 입력 데이터는 전기 회전 기계의 특성을 나타내거나 전기 회전 기계를 대표하며, 작동 전압에 연결되지 않은 상태에서 기계에 의해 수집될 수 있다. 훈련 입력 데이터는 축 높이 및 극쌍 수를 포함한다.
단계(T2)에서는 예를 들어 제1 훈련 인터페이스에 의해, 파라미터 값을 나타내고 손실- 및 표유 계수를 포함하는 훈련 출력 데이터가 획득되며, 상기 파라미터 값은 전기 회전 기계의 등가 회로도를 정의한다.
즉, 훈련 데이터 세트는 이미 공지된 등가 회로도 파라미터 값을 갖는 기계의 데이터를 포함한다. 이는 예를 들어 공지된 유형의 비동기 모터 또는 비동기 제너레이터와 같은 비동기 기계의 데이터일 수 있다.
훈련 입력 데이터 및 훈련 출력 데이터를 포함하는 훈련 데이터 세트는 상기 훈련 데이터 세트를 기초로 함수가 훈련되기 전에 전처리된다. 전처리는 예를 들어 데이터를 상대적이고 정규화된 형태로 가져오는 것을 포함할 수 있다.
단계(T3)에서는 훈련 입력 데이터 및 훈련 출력 데이터를 기반으로 함수가 훈련된다.
단계(T4)에서는 예를 들어 제2 훈련 인터페이스에 의해 훈련된 함수(F)가 제공된다.
이 함수는 예컨대 회귀, 바람직하게는 다변량 회귀에 기반할 수 있다.
훈련 입력 데이터는 축 높이(예: 63mm 내지 450mm), 바람직하게는 축 높이 및 극쌍 수(예: 2개 내지 8개)를 포함할 수 있고, 훈련 출력 데이터는 손실- 및 표유 계수를 포함할 수 있다. 이 방법은 다른 축 높이(예: 63mm 미만 및 455mm 초과) 및 극쌍 수에도 적용되는 점은 자명하다.
따라서 훈련 데이터 세트는 축 높이에 대한 또는 축 높이와 극쌍 수에 대한 등가 회로도 파라미터의 종속성이 공지되어 있는, 예컨대 동일하거나 유사한 유형의 비동기 기계와 같은 전기 회전 기계의 데이터를 포함할 수 있다.
훈련된 함수 또한 검증될 수 있다. 이는 예를 들어 50 내지 125%의 부하 범위에서 수행될 수 있다.
훈련 데이터 세트는 상이한 유형의 1000개 내지 2000개의 비동기 기계의 데이터를 포함할 수 있다.
함수는 신경망에 기반할 수도 있으며, 그에 따라 앞서 언급한 훈련된 함수(F)도 신경망에 기반할 수 있다.
앞서 언급한 각각의 컴퓨터 구현 방법은 컴퓨터 프로그램의 명령 형태일 수 있으며, 이 명령은, 컴퓨터 프로그램이 컴퓨터에 의해 또는 일반적으로 데이터 처리 시스템에 의해 실행될 때, 컴퓨터 또는 데이터 처리 시스템으로 하여금 상응하는 방법을 실행하게 한다.
컴퓨터 프로그램(들)은 컴퓨터 판독 가능 매체에 저장될 수 있거나 데이터 캐리어 신호에 의해 전송될 수 있다. 이는 방법의 산물, 즉, 결정된 파라미터 값을 갖는 등가 회로도(EC1, EC2, EC3) 및 훈련된 함수(F)에도 적용되며, 이들은 컴퓨터 판독 가능 매체에 저장될 수 있거나 데이터 캐리어 신호에 의해 전송될 수 있다.
도 6에는 새로운 자산{여기서는 전기 회전 기계(2)}을 플랫폼(3)에 연결하거나 온보딩하기 위한 방법의 일 실시예가 실행될 수 있는 산업 IT 환경(1)이 도시되어 있다. 플랫폼은 예를 들어 소프트웨어 플랫폼으로서, 특히 클라우드(4)에 기반한 플랫폼(3), 즉, 클라우드 플랫폼(3)으로서 구성될 수 있다. 클라우드는 예를 들어 IoT 클라우드, 특히 IIoT 클라우드(4)로 구현될 수 있다.
클라우드 플랫폼(3)은 하나 이상의 계산 유닛을 포함할 수 있다. 클라우드 플랫폼(3)은 예를 들어 전술한 컴퓨터 프로그램을 포함할 수 있으며, 이를 이용하여 기계(2)의 등가 회로도에 대한 파라미터 값이 제공될 수 있다. 이 컴퓨터 프로그램은 예를 들어 백엔드 서버(5)의 클라우드(4)에 저장될 수 있다.
본 예시에서는 예비 부품 다이어그램과 기계(2)의 등가 회로도 파라미터 모두 모른다고 가정된다. 기계(2)는 예를 들어 확장된 등가 회로도(EC3)에 의해 기술된다고 가정할 수 있다. 이 등가 회로도에 대한 파라미터 값은 예를 들어 방법의 전술한 실시예의 도움으로 후술되는 바와 같이 결정될 수 있다.
기계(2)의 등가 회로도 파라미터를 알고 있다면, IT 환경(1)은 예를 들어 전술한 바와 같이 함수(F)를 훈련하는 데 사용될 수 있다. 이러한 목적으로, 예를 들어, 백엔드 서버(5)는 상응하는 명령을 갖는 컴퓨터 프로그램을 가질 수 있다.
우선, 기계(2), 예를 들어 비동기 모터 또는 비동기 제너레이터에 의해, 작동 전압에 연결되지 않은 상태에서 기계(2)의 특성을 나타내며 구성 애플리케이션 소프트웨어에 입력으로서 입력될 수 있는 입력 데이터가 수집된다.
이는 예를 들어 먼저 자산, 예를 들어 기계, 특히 비동기 모터와 관련된 데이터를 수집하는 사용자에 의해, 이 사용자가 예컨대 비동기 모터(2)의 축 높이를 측정하는 명판(LS)의 정보를 읽어냄으로써 수행된다. 또한, 극쌍 수는 예를 들어 전술한 방법을 사용하여 명판 정보로부터 계산될 수 있다.
비동기 모터 또는 비동기 제너레이터(2)를 설정할 때, 사용자는 획득한 입력 데이터를 이른바 온보딩의 범주에서 모바일 장치(6), 예컨대 스마트폰/휴대용 기기의 구성 앱에 입력할 수 있다.
구성 앱은 데이터 연결(7), 예를 들어 WLAN 또는 GSM 이동 통신을 통해 IoT 클라우드(4), 특히 백엔드 서버(5)로 입력 데이터를 전송할 수 있다.
입력 데이터는 데이터베이스(8)에 저장될 수 있으며, 데이터베이스(8)는 (여기에 도시된) 클라우드 플랫폼(3)의 데이터베이스로서 또는 (여기에 도시되지 않은) 제3의 클라우드 데이터베이스로서 구현될 수 있다.
백엔드 서버(5)에 저장된 컴퓨터 프로그램은 데이터베이스(8)에 액세스할 수 있다.
그런 다음 컴퓨터 프로그램은 입력 데이터에 액세스하고, 비동기 모터(2)에 대해 관련 시뮬레이션 모델(EC3), 즉, 파라미터 값을 생성/결정한다.
이 방법은 각각의 신규 자산에 대해 반복될 수 있다.
이어서 중간 단계에서, 정보 보안을 위해 시뮬레이션 모델의 정보 내용이 감소할 수 있다. 이 경우, 결정된 파라미터 값을 갖는 확장된 등가 회로도(EC3)는 압축되거나 축소된 등가 회로도로 변환될 수 있다.
축소된 등가 회로도는 확장된 등가 회로도보다 더 적은 정보 내용을 갖는다. 축소된 등가 회로도에서는 등가 회로도 요소가 결합될 수 있거나 완전히 제거될 수 있다. iot 기기에서의 계산 시, 감소된 정보 내용은 (타당성 있는) 가정이 이루어짐으로써 적어도 부분적으로 다시 보충되지만, 상기 가정은 개별 모터에만 적용되며 반드시 정확하지는 않다. 따라서 작동 거동에 대한 설명은 매우 제한적일 수 있으며, 토크와 출력으로만 제한된다.
이어서, 결정된 파라미터 값을 갖는 시뮬레이션 모델 등가 회로도(EC3)는, 온보딩의 추가 과정에서 구성 앱을 위해 검색할 수 있도록 또는 중간 저장 없이 구성 앱으로 전송할 수 있도록, 예를 들어 플랫폼 데이터베이스(8) 또는 백엔드 서버(5)에 저장될 수 있다.
구성 앱에 시뮬레이션 모델이 구비되면, 구성 앱은 예를 들어 블루투스 또는 WLAN과 같은 무선 기반 데이터 연결(9)을 통해 시뮬레이션 모델을 비동기 모터(2)에 배치된, 바람직하게는 부착된 iot 기기(10)로 전송할 수 있다.
IoT 기기(10)는, 예를 들어 센서 데이터로부터 현재 모터 작동점 또는 자산 KPI(핵심 성과 지표에 대한 KPI)의 시뮬레이션 모델 데이터의 도움으로 계산하기 위해, 센서 데이터를 생성하고 시뮬레이션 모델{결정된 파라미터 값을 갖는 등가 회로도(EC3) 또는 축소된 등가 회로도}을 사용하도록 구성되고 구축된 센서 장치로서 구성될 수 있다. 이를 위해, IoT 기기(10)에 계산 유닛 및/또는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다(여기에 도시되지 않음).
IoT 기기(10)는 바람직하게 기계(2)의 내부에 (또는 외부에도) 있는 어떤 기계 센서에도 연결되지 않는다. 여기에 기술된 작동 거동 결정을 위해(예컨대 도 7의 설명 참조), 예를 들어 전류 또는 전압을 측정할 수 있는, 유지 보수가 복잡한 고가의 센서는 불필요하다. 따라서, IoT 기기(10)는 매우 저렴하고 유지 보수가 용이하다. 이 경우, 예를 들어 토크 및/또는 출력, 예를 들어 기계적 샤프트 출력 및/또는 역률 및/또는 효율이 결정될 수 있다.
계산된 자산 KPI{비동기 모터(2)의 작동 거동}는 또 다른, 바람직하게는 무선 기반의 데이터 연결(11), 예를 들어 WLAN을 통해 예를 들어 조정 가능한 (시간) 간격으로 IoT 클라우드 플랫폼(3)으로 전송될 수 있다. 그곳에서 자산 KPI는 추가 IT 처리를 거치거나 데이터베이스(8) 또는 백엔드 서버(5)에 저장될 수 있다. 또한, 자산 KPI는 예를 들어 IoT 클라우드 플랫폼의 프론트 엔드에 배치된 디스플레이 장치에, 예를 들어 대시보드(12)에 표시될 수 있다.
데이터 연결(7, 9, 11)은 바람직하게 모두 양방향이다.
(여기에는 도시되지 않은) 일 실시예에서, IoT 기기(10)로의 시뮬레이션 모델의 전송이 생략될 수 있다. 이 경우, 전술한 등가 회로도의 압축도 생략될 수 있고, 그로 인해 더 나은 결과를 얻을 수 있다. 그 대신 자산 KPI{비동기 모터 또는 비동기 제너레이터(2)의 작동 거동)의 계산이 IoT 클라우드 플랫폼(3)으로 재배치될 수 있다.
도 7에는 기계(2)가 작동될 때 위에서 간략하게 논의된, 기계의 작동 거동 결정을 위한 방법의 일 실시예의 흐름도가 도시되어 있다.
단계(A)에서, 기계(2) 외부의 표유 자계가 검출된다. 단계(B)에서, 검출된 표유 자계로부터 슬립 주파수(f2) 및 동기 주파수(f1)가 계산된다. 단계(C)에서, 슬립 주파수(f2) 및 동기 주파수(f1)로부터 슬립(s)이 계산된다. 이는 예를 들어 신호 처리 소프트웨어를 사용하여 수행될 수 있다. 단계(D)에서, 전술한 바와 같이, 등가 회로도(결정된 등가 회로도 파라미터 값)가 {예를 들어, 모바일 장치(6)로부터의 데이터 전송에 의해} 제공된다. 모바일 장치(6)로부터의 데이터 전송에 의한 등가 회로도의 제공이 측정 시퀀스 또는 계산 시퀀스 동안에는 바람직하게 실시되지 않는다. 그 대신, 온보딩 중에 등가 회로도를 전송하여 IIOT 기기에 저장할 수 있다.
단계(E)에서, 슬립(s), 동기 주파수(f1) 및 제공된 등가 회로도(결정된 등가 회로도 파라미터 값)에 기초하여 기계(2)의 작동 거동 그리고 특히 그 작동점이 결정된다.
단계 A 내지 C 및 E는 모두 예를 들어 IoT 기기(10)를 사용하여 실행될 수 있다.
그와 달리, IoT 기기(10)가 단계 A 내지 C 중 하나 이상의 단계만을 수행하고, 나머지 단계는 다른 계산 유닛, 예를 들어 로컬 서버 또는 백엔드 서버(5)에 의해 수행되는 점도 생각할 수 있다. 예를 들어, IoT 기기(10)는 추가 처리 및 분석을 위해 상기 계산 유닛으로 표유 자계 데이터를 전송할 수 있다.
이로써, 작동 전압에 연결된 전기 회전 기계(2)의 작동 거동을 결정하기 위한 장치 및 방법의 단계(A 내지 E)가 실행되도록 구성되고 상호작용하는 센서 장치(10) 및 계산 장치를 포함한다. 계산 장치는 예를 들어 백엔드 서버(5), 모바일 장치(6), 데이터베이스(8) 및 디스플레이 장치(12)를 포함할 수 있다(도 6 참조).
본 발명이 실시예에 의해 더 상세하게 예시되고 기술되었더라도, 본 발명은 개시된 실시예에 의해 제한되지 않는다. 하기 청구 범위에 의해 정의되는 바와 같은 본 발명의 보호 범위를 벗어나지 않으면서 통상의 기술자에 의해 상기 실시예의 변형이 유도될 수 있다. 특히, 상기 기술된 등가 회로도 제공 방법은 훈련된 함수를 제공하기 위한 방법과 관련하여 기술되거나 청구된 특징에 의해 개선될 수 있으며, 그 반대의 경우도 마찬가지이다. 이는 전기 회전 기계를 플랫폼에 연결하는 방법, 작동 전압에 연결된 전기 회전 기계의 작동 거동을 결정하는 방법 및 작동 전압에 연결된 전기 회전 기계의 작동 거동을 결정하기 위한 장치에 준용된다.

Claims (21)

  1. 훈련된 함수(F)의 제공을 위한 컴퓨터 구현 방법으로서,
    - 전기 회전 기계들의 특성을 나타내고 작동 전압에 연결되지 않은 상태에서 기계들을 이용하여 수집될 수 있는 훈련 입력 데이터가 획득되고(T1), 훈련 입력 데이터는 축 높이들 및 극쌍(pole pair) 수를 포함하고,
    - 파라미터 값들을 나타내고 손실 및 표유 계수들(loss and stray coefficients)을 포함하는 훈련 출력 데이터가 획득되고(T2), 파라미터 값들은 전기 회전 기계들의 시뮬레이션 모델들을 정의하고,
    - 훈련 입력 데이터 및 훈련 출력 데이터를 기반으로 함수가 훈련되고(T3),
    - 훈련된 함수가 제공되는(T4), 방법.
  2. 제1항에 있어서, 함수는 신경망 및 회귀 중 적어도 하나에 기반하는, 방법.
  3. 제2항에 있어서, 함수는 다변량 회귀에 기반하는, 방법.
  4. 제1항에 있어서, 훈련 입력 데이터 및 훈련 출력 데이터를 포함하는 훈련 데이터 세트는 훈련 데이터 세트를 기초로 함수가 훈련되기 전에 전처리되는, 방법.
  5. 제4항에 있어서, 전처리하는 것은 데이터를 상대적이고 정규화된 형태로 가져오는 것을 포함하는, 방법.
  6. 전기 회전 기계의 시뮬레이션 모델의 제공을 위한 컴퓨터 구현 방법으로서, 시뮬레이션 모델은 파라미터 값들에 의해 정의되고,
    - 입력 데이터가 얻어지고(S1), 입력 데이터는 작동 전압에 연결되지 않은 상태에서 전기 회전 기계(2)를 이용하여 수집될 수 있고 전기 회전 기계(2)의 특성을 나타내고 전기 회전 기계(2)의 축 높이, 극쌍 수 및 명판 정보(LSA)를 포함하고,
    - 파라미터 값들은 훈련된 함수(F)의 도움으로 입력 데이터로부터 결정되고(S2), 훈련된 함수(F)는 제1항에 따른 방법에 따라 제공되고, 훈련된 함수는 축 높이 및 극쌍 수를 기반으로 손실 및 표유 계수들을 결정하고(S20), 결정된 손실 및 표유 계수들 및 명판 정보(LSA)로부터 파라미터 값들이 결정되고,
    - 결정된 파라미터 값들이 제공되는(S3), 방법.
  7. 제6항에 있어서, 훈련된 함수(F)는 신경망 및 회귀 중 적어도 하나에 기반하는, 방법.
  8. 제7항에 있어서, 훈련된 함수(F)는 다변량 회귀에 기반하는, 방법.
  9. 제6항에 있어서, 입력 데이터는 타당성 검사를 받는, 방법.
  10. 제7항에 있어서, 입력 데이터는 명판 정보(LSA)로 구성되는, 방법.
  11. 제10항에 있어서, 파라미터 값들의 적어도 일부는 명판 정보(LSA)에 의해 정의되는, 방법.
  12. 제6항에 있어서, 입력 데이터는 단지 축 높이 및 극쌍 수로 구성되는, 방법.
  13. 제6항에 있어서, 시뮬레이션 모델은 등가 회로도로서 배치되는, 방법.
  14. 제13항에 있어서, 등가 회로도는 확장된 등가 회로도인 방법.
  15. 비-일시적 컴퓨터 판독가능 저장 매체 상에 저장된 컴퓨터 프로그램으로서, 프로그램이 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금 제1항 내지 제5항 중 어느 한 항에 따른 방법 또는 제6항 내지 제14항 중 어느 한 항에 따른 방법을 수행하게 하는 명령들을 포함하는, 컴퓨터 판독가능 저장 매체 상에 저장된 컴퓨터 프로그램.
  16. 전기 회전 기계(2)를 플랫폼(3)에 연결하기 위한 방법으로서,
    - 작동 전압에 연결되지 않은 상태에서 기계(2)를 이용하여 입력 데이터가 수집되고, 입력 데이터는 기계(2)의 축 높이, 극쌍 수 및 명판 정보(LSA)을 포함하고, 입력 데이터는 기계(2)의 특성을 나타내며 계산 장치(6)의 구성 애플리케이션 소프트웨어에 대한 입력으로서 입력되고,
    - 구성 애플리케이션 소프트웨어는 계산 장치(6)로 하여금 입력 데이터를 플랫폼(3)으로 전송하게 하고, 플랫폼(3)은 전기 회전 기계(2)의 시뮬레이션 모델을 제공하기 위해 제6항 내지 제14항 중 어느 한 항에 따른 방법이 플랫폼(3)에 의해 실행되게 하는 명령들을 포함하고,
    - 시뮬레이션 모델은 구성 애플리케이션 소프트웨어로 전송되고, 구성 애플리케이션 소프트웨어는 계산 장치(6)로 하여금 시뮬레이션 모델을 기계(2) 상에 배치되거나 기계(2)에 고정된 센서 장치(10)로 전송하게 하는, 방법.
  17. 제16항에 있어서, 플랫폼(3)은 소프트웨어 플랫폼인, 방법.
  18. 제16항에 있어서, 플랫폼(3)은 클라우드 플랫폼인, 방법.
  19. 작동 전압에 연결된 전기 회전 기계(2)의 작동 거동을 결정하기 위한 방법으로서,
    A) 센서 장치(10)에 의해, 기계(2) 외부의 표유 자계가 검출되고,
    B) 센서 장치(10)에 의해, 결정된 표유 자계로부터 슬립 주파수 및 동기 주파수가 계산되고,
    C) 계산 장치(5, 6, 8, 12)에 의해, 슬립 주파수 및 동기 주파수로부터 슬립이 계산되고,
    D) 제6항 내지 제14항 중 어느 한 항에 따른 방법에 따라 계산 장치(5, 6, 8, 12)에 의해 시뮬레이션 모델이 제공되고,
    E) 슬립, 동기 주파수 및 제공된 시뮬레이션 모델을 이용하여 계산 장치(5, 6, 8, 12)에 의해 기계(2)의 작동 거동이 결정되는, 방법.
  20. 제19항에 있어서, 기계의 작동점은 슬립, 동기 주파수 및 제공된 시뮬레이션 모델에 기초하여 결정되는, 방법.
  21. 작동 전압에 연결된 전기 회전 기계(2)의 작동 거동을 결정하기 위한 장치로서, 이 장치는 센서 장치(10) 및 계산 장치(5, 6, 8, 12)를 포함하고,
    센서 장치(10)는 기계(2) 외부의 표유 자계를 검출하고, 검출된 표유 자계로부터 슬립 주파수 및 동기 주파수를 계산하고, 이를 계산 장치(5, 6, 8, 12)로 전송하도록 구성되고,
    제6항 내지 제14항 중 어느 한 항에 따른 방법에 따라 제공된 시뮬레이션 모델(EC1, EC2, EC3)은 계산 장치(5, 6, 8, 12)에 저장되고, 계산 장치(5, 6, 8, 12)는 계산된 슬립 및 동기 주파수를 이용하여 슬립을 결정하고 이에 후속하여 시뮬레이션 모델(EC1, EC2, EC3)을 사용하여 기계(2)의 작동 거동을 결정하도록 구성되는, 장치.
KR1020237024979A 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한방법 및 시스템 KR20230116947A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP20173646.9 2020-05-08
EP20173646.9A EP3907568A1 (de) 2020-05-08 2020-05-08 Verfahren und systeme zum bereitstellen eines simulationsmodells einer elektrischen rotatorischen maschine
KR1020227043130A KR102559570B1 (ko) 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템
PCT/EP2021/060340 WO2021224003A1 (de) 2020-05-08 2021-04-21 Verfahren und systeme zum bereitstellen eines simulationsmodells einer elektrischen rotatorischen maschine

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020227043130A Division KR102559570B1 (ko) 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20230116947A true KR20230116947A (ko) 2023-08-04

Family

ID=70680235

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020227043130A KR102559570B1 (ko) 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템
KR1020237024979A KR20230116947A (ko) 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한방법 및 시스템

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020227043130A KR102559570B1 (ko) 2020-05-08 2021-04-21 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템

Country Status (7)

Country Link
US (2) US11790135B2 (ko)
EP (3) EP3907568A1 (ko)
KR (2) KR102559570B1 (ko)
CN (2) CN116931450A (ko)
BR (1) BR112022022148A2 (ko)
MX (1) MX2022013958A (ko)
WO (1) WO2021224003A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116794997B (zh) * 2022-03-13 2024-07-09 中国航天科工飞航技术研究院（中国航天海鹰机电技术研究院） 基于半实物仿真平台的直线电机仿真建模方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6713978B2 (en) * 2001-07-18 2004-03-30 Texas A&M University System Method and system for determining induction motor speed
CN102368672B (zh) * 2011-07-19 2014-05-28 株洲变流技术国家工程研究中心有限公司 一种电动机软起动仿真装置及其方法
EP3322088A1 (de) * 2016-11-10 2018-05-16 Siemens Aktiengesellschaft Verfahren zum überwachen des betriebes einer elektrischen rotierenden maschine
CN108595798A (zh) 2018-04-11 2018-09-28 广东电网有限责任公司 一种适用于机电暂态仿真的负荷模型参数计算方法
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
EP3907878A1 (de) 2020-05-08 2021-11-10 Siemens Aktiengesellschaft Anordnung und verfahren zur betriebsverhaltensermittlung einer elektrischen rotatorischen maschine

Also Published As

Publication number Publication date
CN116931450A (zh) 2023-10-24
KR102559570B1 (ko) 2023-07-25
WO2021224003A1 (de) 2021-11-11
BR112022022148A2 (pt) 2022-12-13
EP3907568A1 (de) 2021-11-10
EP4118496C0 (de) 2024-02-07
CN115516385A (zh) 2022-12-23
EP4118496A1 (de) 2023-01-18
US20230419002A1 (en) 2023-12-28
EP4303673A2 (de) 2024-01-10
US11790135B2 (en) 2023-10-17
MX2022013958A (es) 2022-11-30
EP4118496B1 (de) 2024-02-07
EP4303673A3 (de) 2024-03-13
US20230222270A1 (en) 2023-07-13
KR20230003300A (ko) 2023-01-05

Similar Documents

Publication Publication Date Title
US10184986B2 (en) System for condition monitoring of electric machine, mobile phone and method thereof
CN108141169B (zh) 用于识别机电系统的离散瞬时角速度的方法
JP6945728B2 (ja) 電動機の診断装置
KR102559570B1 (ko) 전기 회전 기계의 시뮬레이션 모델을 제공하기 위한 방법 및 시스템
CN108390617B (zh) 电机转子温度监测方法、装置、存储介质和计算机设备
Gajjar et al. Analysis of a nonintrusive efficiency estimation technique for induction machines compared to the IEEE 112B and IEC 34-2-1 standards
Lu et al. A survey of efficiency estimation methods of in-service induction motors with considerations of condition monitoring requirements
CN108303249A (zh) 一种用于齿轮箱电信号残差信号的提取方法
CN102841290B (zh) 用于在监视同步机器中使用的系统和方法
US20210123832A1 (en) Conformance Test Apparatus, Sensor System, and Processes
CN110913362A (zh) 通过客户端与测试设备来实现无线信号测试的方法和装置
US20230396201A1 (en) Arrangement and method for determining the operational performance of a rotating electric machine
Lane et al. Investigation of reductions in motor efficiency and power factor caused by stator faults when operated from an inverter drive under open loop and sensorless vector modes
Ayyappan et al. Genetic algorithm & fuzzy logic-based condition monitoring of induction motor through estimated motor losses
CN113820600B (zh) 交流电阻测试系统、方法、装置及计算机可读存储介质
CN112234892B (zh) 一种直线电机推力波动的抑制方法、相关设备和介质
Adissi et al. Implementation and deployment of an intelligent industrial wireless system for induction motor monitoring
Lu Energy usage evaluation and condition monitoring for electric machines using wireless sensor networks
Ramírez‐Niño et al. On‐line fault monitoring system for hydroelectric generators based on spectrum analysis of the neutral current
Anbazhagu et al. A proficient approach for monitoring induction motor by integrating embedded system with wireless sensor network
CN105608260A (zh) 一种交流电动机有绕组定子模态精确计算方法
CN113408739A (zh) 定子温度的监控方法、装置、设备和存储介质
Sobczyk et al. A distributed system for diagnostics of induction motors
EP4383556A1 (en) A method and an arrangement for identification of lateral vibration characteristics of an electric machine
CN112234893B (zh) 一种直线电机推力波动的抑制方法、相关设备和介质

Legal Events

Date Code Title Description
A107 Divisional application of patent