WO2020259917A1 - Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes - Google Patents

Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes Download PDF

Info

Publication number
WO2020259917A1
WO2020259917A1 PCT/EP2020/063514 EP2020063514W WO2020259917A1 WO 2020259917 A1 WO2020259917 A1 WO 2020259917A1 EP 2020063514 W EP2020063514 W EP 2020063514W WO 2020259917 A1 WO2020259917 A1 WO 2020259917A1
Authority
WO
WIPO (PCT)
Prior art keywords
volume flow
output
input
neuron
neural network
Prior art date
Application number
PCT/EP2020/063514
Other languages
English (en)
French (fr)
Inventor
Walter Eberle
Original Assignee
Ebm-Papst Mulfingen Gmbh & Co. Kg
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 Ebm-Papst Mulfingen Gmbh & Co. Kg filed Critical Ebm-Papst Mulfingen Gmbh & Co. Kg
Priority to CN202080012112.2A priority Critical patent/CN113383166A/zh
Priority to KR1020217025417A priority patent/KR20210132654A/ko
Priority to US17/437,371 priority patent/US20220186970A1/en
Priority to EP20727594.2A priority patent/EP3881141A1/de
Publication of WO2020259917A1 publication Critical patent/WO2020259917A1/de

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/0001—Control or safety arrangements for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Definitions

  • the present invention relates to a method and a device for sensorless determination of the volume flow or the pressure for regulating a fan of a ventilation device operated by an EC motor.
  • ventilation devices with ventilation ducts and air shafts are used for the air flow.
  • supply or exhaust air is conveyed, which is moved by a fan or several fans of the ventilation system in order to achieve a volume flow rate that is required and as constant as possible.
  • Pipe lengths, pipe diameters, pipe materials, but also the design of other parts of a ventilation system, such as the design of an air outlet, are determined very individually by the manufacturer of the ventilation device. Such design features and influencing factors of the application are generally not known to a manufacturer of the fan used in the ventilation device.
  • a ventilation system should be designed as optimally as possible for individual circumstances. The theoretically only calculated and necessary volume flows must then be observed in actual operation.
  • DE 10 2008 057 870 A1 describes a control of a ventilation device that regulates the motor of the fan to the lowest possible distance between the electrical power consumed and the desired electrical power according to the speed.
  • DE 10 2004 060 206 B3 describes a method for operating a converter-fed compressor as a function of a torque characteristic
  • DE 10 2005 045 137 A1 describes a method for operating a fan unit with a predetermined constant air volume or operating pressure, the fan unit having an electric motor to drive a fan wheel and a motor controller, and the motor controller providing the motor voltage for the operating point determined on the basis of characteristics.
  • a fan has what is known as a fan characteristic curve, which describes its behavior without any control influence.
  • a desired target volume flow rate of a ventilation device is calculated when planning a ventilation system based on various parameters of the specific application. If the volume flow falls below the nominal value, too little air is conveyed. It is therefore desirable to provide fans which have the steepest possible fan characteristic curve in their respective working area, that is to say can maintain a constant volume flow for as long as possible with an increasing back pressure.
  • EC motors Brushless DC motors are referred to as EC motors.
  • the motor windings are z. B. controlled depending on the position of a permanent magnet on a rotor. This creates a magnetic field that is almost ideally applied to the rotor, which enables the EC motor to be highly efficient.
  • it is necessary that the position of the rotor in relation to the stator is known. This can be done in various ways known per se, e.g. B. by means of a Hall sensor and a magnet. With an EC motor, you can achieve significant savings in power consumption compared to other motors.
  • EC motors often have an internal control system in which, however, only the power consumption of the EC motor is kept roughly constant.
  • the disadvantage of using EC motors in ventilation technology is their Fan curve.
  • the fan characteristic therefore lacks the "desired" slope. It is therefore known to provide a more complex control device when using an EC motor in a ventilation device in order to keep the volume flow as constant as possible with varying back pressure. It is customary to use sensors to record sensor data and, based on this, to be able to change the speed of the fan in a targeted manner with variable counterpressure in order to maintain the specified target volume flow or target pressure.
  • volume flow sensors for this purpose.
  • the use of such sensors has the disadvantage of high technical complexity, especially since in typical ventilation applications very low values of the back pressure occur compared with atmospheric pressure and therefore very sensitive sensors for pressure or volume flow have to be used.
  • the use of sensors is therefore not only expensive and complex, but is also subject to further disadvantages, such as failure of sensors, contamination of the sensors and the like.
  • volume flows such.
  • a technical solution or a method for sensorless control of a fan operated by an EC motor is therefore desirable Ventilation device to a certain volume flow and / or working point, to achieve and maintain a predetermined target volume flow rate or a target pressure.
  • the present invention is therefore based on the object of overcoming the aforementioned disadvantages in the prior art and proposing a simple and inexpensive solution for sensorless control of an EC motor-operated fan of a ventilation device to a specific volume flow, pressure and / or operating point .
  • a basic idea of the invention relates to the sequential learning of an artificial neural network, whereby the respective current volume flow or the current pressure can then be determined from input parameters by means of the learned neural network. If the neural network has been learned in after a sufficient learning process, the volume flow and / or pressure can be determined for this type of fan and regulated during operation.
  • the relevant parameters from which the volume flow (or pressure) is determined are therefore the input variables of the neural network.
  • the relevant parameters are those parameters that have a physical influence on the volume flow. These are e.g. B. the coil current or, if it cannot be measured, the current that flows into the DC link of the EC motor of the fan, the speed of the fan and the current modulation level of the motor. If the neural network is to determine the volume flow or the pressure even with fluctuating input voltage or intermediate circuit voltage or at different temperatures, the network input voltage and the current temperature are also used as input parameters. Should the volume flow be independent of the current Air pressure can be determined, this can also be used as an input variable.
  • the number of input parameters determines the number of input neurons of the artificial neural network.
  • the measurement data containing at least the i input parameters and the output parameter (s) to be determined and then the artificial neural network with this input and output parameters is learned on the basis of a predetermined algorithm having several variables, and the variables of the algorithm are determined in each computing sequence of the neural network so that the output of the neural network increasingly matches the measured data.
  • the artificial neural network is formed from a feed-forward network, and in particular the artificial neural network Network has an input layer P ,, at least one intermediate layer Z with activation function f z and an output layer A with activation function f 0 .
  • the intermediate layer Z has a selectable number N of neurons, the number N being selectable as a function of the number of input variables and the desired degree of determination accuracy.
  • each neuron in the intermediate layer Z outputs its state to the output layer A via the activation function f z .
  • activation function f z preferably uses a hyperbolic tangent function as follows: in which:
  • Wji ⁇ Weighting of the k-th input neuron on the j-th neuron of the intermediate layer
  • the output layer A consists of one or two neurons, a linear function being used as the activation function for the output neuron
  • N number of neurons in the intermediate layer. It is advantageous if the parameters b j , W jk , qk and b 0 for learning the neural network are gradually adapted for each calculation sequence, until the output neurons determined by the neural network represent a volume flow and / or pressure that corresponds to the actual measured volume flow and / or pressure with a deviation smaller than a predetermined maximum permissible deviation corresponds. To put it another way, the neural network is then sufficiently learned in order to be able to determine the desired variables with sufficient accuracy without sensors. Another aspect of the present invention relates to a device for
  • the device being equipped with a fan in a ventilation device, a number of sensors for detecting input and output parameters, a measuring device for determining the input and output parameters on the basis of the sensors recorded physical measurement data and a data processing unit with an artificial neural network of a predetermined topology, the data processing unit having at least one interface to transfer the recorded input parameters to a few at least to transmit the input layer.
  • the output parameters are transmitted to the data transmission unit.
  • 1 shows a schematic conceptual drawing of the implementation of an artificial neural network
  • Fig. 3 shows an error curve showing the relative error in determining the volume flow in an alternative exemplary embodiment from.
  • FIG. 1 there is a schematic conceptual drawing of the implementation of an artificial neural network, which is designed as a feed-forward network.
  • the artificial neural network has an input layer Pj, the intermediate layer Z with its activation functions f z and an output layer A with an activation function f 0 .
  • the weighted parameters W jk namely wn; W12, w 2i , w 2 2, ..- are shown, each denoting the weighting of the k-th input neuron on the j-th neuron of the intermediate layer.
  • the bias neurons are designated by b, bi, b 2 ... b n , namely b j means the j-th bias neuron of the intermediate layer.
  • A denotes the output of the output neuron. This corresponds to the determined volume flow.
  • the activation function f 0 of the output layer is also shown, as well as the weight q k of the k-th neuron of the intermediate layer Z on the output neuron.
  • Fig. 2 an error curve is shown which shows the relative error in determining the volume flow in a first exemplary Ausure approximately example, which shows a network topology with two input neurons, namely an input neuron for the current and an input neuron for the speed.
  • the intermediate layer consists of 10 neurons and the output layer consists of one neuron.
  • a hyperbolic tangent was used as the activation function of the intermediate layer f z and a linear function was used as the activation function of the output layer.
  • the relative error is the error between the approximated and measured volume flow divided by the measured volume flow in% over the measured volume flow (errors greater than 20% were limited to 20%). It can be seen that the error becomes increasingly smaller as a result of the relative error (approximated error - measured error).
  • Fig. 3 an error curve is shown, which shows the relative error in determining the volume flow in an alternative exemplary embodiment
  • the example shows a network topology with three input neurons, namely one input neuron for the current and one input neuron for the speed and another for the current modulation level of the motor.
  • the intermediate layer consists of 15 neurons and the output layer also consists of one neuron.
  • a hyperbolic tangent was used as the activation function of the intermediate layer f z
  • a linear function was also used as the activation function of the output layer.
  • the embodiment of the invention is not limited to the preferred exemplary embodiments specified above. Rather, a number of variants are conceivable which make use of the solution shown even in the case of fundamentally different designs.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Ventilation (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen des Volumenstromes oder Drucks zum Regeln eines vorzugsweise mit einem EC-Motor betriebenen Ventilators eines bestimmten Lüftungsgeräts auf einen bestimmten Arbeitspunkt, zum Erzielen und Halten einer vorgegebenen Soll-Volumenstromstärke oder Soll-Drucks des Lüftungsgeräts ohne Verwendung eines Druck- oder Volumenstromsensors, wobei der Volumenstrom mittels eines künstlichen neuronalen Netzes auf Basis eines sequentiellen Lernverfahrens aus einer Anzahl an Lernschritten bestimmt wird, bei der eine Verknüpfung von n künstlichen Neuronen in einer oder mehreren Schichten vorgesehen sind und wenigstens eine Eingangsschicht Pi vorgesehen ist, um eine Anzahl von i Eingangsparametern zu verarbeiten, welche einen direkten oder indirekten Einfluss auf den Volumenstrom in dem Lüftungsgerät haben.

Description

Verfahren und eine Vorrichtung zum sensorlosen Bestimmen des Volumenstromes und Druckes
Beschreibung:
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum sensorlosen Bestimmen des Volumenstromes oder des Druckes zum Regeln eines mit einem EC-Motor betriebenen Ventilators eines Lüftungsgeräts. Für die Be- und Entlüftung von Gebäuden und Einrichtungen mit Lüftungs systemen ist es typischerweise erforderlich, dass Lüftungsgeräte mit Lüf tungskanälen und Luftschächten für die Luftführung verwendet werden. In der Luftführung wird Zu- oder Abluft befördert, welche durch einen Ventilator oder mehrere Ventilatoren des Lüftungssystems bewegt wird, um eine erfor derliche und möglichst konstante Volumenstromstärke zu erzielen.
Rohrlängen, Rohrdurchmesser, Rohrmaterialien, aber auch die Gestaltung weiterer Teile eines Lüftungssystems, wie etwa die Gestaltung eines Luftaus lasses, werden vom Hersteller des Lüftungsgeräts sehr individuell bestimmt. Derartige Gestaltungsmerkmale und Einflussfaktoren der Applikation sind einem Hersteller des im Lüftungsgerät verwendeten Ventilators in aller Regel nicht bekannt.
Ein Lüftungssystem soll möglichst optimal auf individuelle Begebenheiten ausgelegt sein. Die theoretisch lediglich berechneten und notwendigen Vo- lumenströme müssen dann im tatsächlichen Betrieb eingehalten werden.
Insbesondere sollen sie nicht von den vorab berechneten Werten abweichen und nach Möglichkeit wenig bis gar nicht schwanken.
Aus DE 10 2011 106 962 A1 ist ein Gebläse für ein Lüftungssystem mit ei nem Motor und einer zugehörigen Steuerung bekannt, die über einen Ist- Soll-Vergleich eines Motorstromes den Motor auf die Förderung einer kon stanten Luftmenge hin steuert.
In DE 10 2008 057 870 A1 ist eine Steuerung eines Lüftungsgerätes be schrieben, die den Motor des Gebläses auf einen möglichst geringen Ab stand zwischen aufgenommener elektrischer Leistung und entsprechend der Drehzahl gewünschter elektrischer Leistung hin regelt.
In DE 10 2004 060 206 B3 ist ein Verfahren zum Betrieb eines stromrichtergespeisten Verdichters abhängig von einer Momentenkennlinie beschrieben und in der DE 10 2005 045 137 A1 ist ein Verfahren zum Betrieb einer Lüftereinheit mit einem vorgegebenen konstanten Luftvolumen oder Betriebsdruck beschrieben, wobei die Lüftereinheit einen Elektromotor zum An trieb eines Lüfterrades und eine Motorsteuerung aufweist und wobei die Mo- torsteuerung die Motorspannung für den Betriebspunkt anhand von Kennli nien ermittelt.
Es ist ebenfalls bekannt, dass ein Ventilator eine so genannte Ventilator kennlinie besitzt, die sein Verhalten ohne Regeleinfluss beschreibt. Ein ge wünschter Soll-Volumenstrom eines Lüftungsgeräts wird in der Planung ei- nes Lüftungssystems aufgrund verschiedener Parameter des konkreten Ein satzfalls berechnet. Wird der Soll-Volumenstrom unterschritten, wird zu we nig Luft gefördert. Es ist daher wünschenswert, Ventilatoren bereitzustellen, die in ihrem jeweiligen Arbeitsbereich eine möglichst steile Ventilatorkennlinie haben, also bei einem steigenden Gegendruck möglichst lange einen kon- stanten Volumenstrom halten können.
Weiterhin ist es aus dem Stand der Technik bereits hinreichend bekannt, Ventilatoren von Lüftungsgeräten mit sogenannten EC-Motoren auszustat ten. Als EC-Motor werden bürstenlose Gleichstrommotoren bezeichnet. Die Motorwicklungen werden dabei z. B. abhängig von der Lage eines Perma- nentmagneten auf einem Rotor angesteuert. So wird ein Magnetfeld erzeugt, welches nahezu ideal am Rotor anliegt, was eine hohe Effizienz des EC- Motors ermöglicht. Für diese Art der Ansteuerung ist es aber erforderlich, dass die Lage des Rotors zum Stator bekannt ist. Dies kann auf verschiedene an sich bekannte Weisen erfolgen, z. B. mittels eines Hall-Sensors und eines Magneten. Man kann mit einem EC-Motor im Vergleich zu anderen Motoren eine deutliche Ersparnis bei der Leistungsaufnahme erzielen. EC- Motoren haben häufig eine interne Regelung, bei der jedoch lediglich die Leistungsaufnahme des EC-Motors in etwa konstant gehalten wird. Nachteilig bei Anwendungen von EC-Motoren in der Lüftungstechnik ist deren Ventilatorkennlinie. Der Volumenstrom von Ventilatoren, die mit einem EC- Motor betrieben werden, sinkt ausgehend von einer Volumenstromstärke im freiblasenden Betrieb mit steigendem Gegendruck kontinuierlich. Der
Ventilatorkennlinie fehlt also die„gewünschte“ Steilheit. Es ist daher bekannt, bei Verwendung eines EC-Motors in einem Lüftungsgerät eine aufwändigere Regelvorrichtung vorzusehen, um den Volumenstrom bei variierendem Gegendruck möglichst konstant zu halten. Üblich ist die Verwendung von Sensoren, um Sensordaten zu erfassen und darauf basie rend die Drehzahl des Ventilators bei veränderlichem Gegendruck zur Ein- haltung des vorgegebenen Soll-Volumenstroms oder Soll-Druckes gezielt verändern zu können.
Es ist weiterhin aus dem Stand der Technik bekannt, zu diesem Zweck alter nativ oder zusätzlich Volumenstrom-Sensoren zu verwenden. Die Verwen dung solcher Sensoren hat jedoch den Nachteil eines hohen technischen Aufwands, zumal in typischen Lüftungsanwendungen im Vergleich mit dem Atmosphärendruck sehr geringe Werte des Gegendrucks auftreten und da her sehr empfindliche Sensoren für Druck oder Volumenstrom verwendet werden müssen. Die Verwendung von Sensoren ist demnach nicht nur teuer und aufwändig, sondern unterliegt weiteren Nachteilen, wie Ausfällen von Sensoren, Verschmutzung der Sensoren und dergleichen.
Ferner ist es bei genau zu steuernden Volumenströmen, z. B. in Laboran wendungen erforderlich, zusätzliche Sensoren zur Erfassung des Volumenstroms einzusetzen. So sind z. B. Thermosensoren an Bauteilen angebracht, welche gekühlt werden sollen. Steigt die Temperatur, so wird die Drehzahl des Ventilators erhöht, ohne dabei den genauen Einfluss auf den Volumenstrom oder Druck zu kennen.
Wünschenswert ist daher eine technische Lösung oder ein Verfahren zum sensorlosen Regeln eines mit einem EC-Motor betriebenen Ventilators eines Lüftungsgeräts auf einen bestimmten Volumenstrom und/oder Arbeitspunkt, zum Erzielen und Halten einer vorgegebenen Soll-Volumenstromstärke oder einem Soll-Druck.
Der vorliegenden Erfindung liegt daher die Aufgabe zu Grunde, vorbesagte Nachteile im Stand der Technik zu überwinden und eine einfach und kosten günstig realisierbare Lösung zum sensorlosen Regeln eines mit einem EC- Motor betriebenen Ventilators eines Lüftungsgeräts auf einen bestimmten Volumenstrom, Druck und/oder Arbeitspunkt vorzuschlagen.
Diese Aufgabe wird durch die Merkmalskombination gemäß Anspruch 1 ge- löst.
Ein Grundgedanke der Erfindung betrifft das sequentielle Anlernen eines künstlichen neuronalen Netzes, wodurch dann mittels des angelernten neuronalen Netzes der jeweils aktuelle Volumenstrom bzw. der aktuelle Druck aus Eingangsparametern ermittelt werden kann. Ist das neuronale Netzt nach ausreichendem Anlernprozess eingelernt, so lassen sich für diesen Ventilatortyp der Volumenstrom und/oder Druck bestimmen und im Betrieb regeln.
Die relevanten Parameter, aus denen der Volumenstrom (bzw. Druck) be stimmt wird, sind demnach die Eingangsgrößen des neuronalen Netzes. Die relevanten Parameter sind diejenigen Parameter, die physikalisch Einfluss auf den Volumenstrom haben. Diese sind z. B. der Spulenstrom oder falls dieser nicht gemessen werden kann, der Strom, der in den Zwischenkreis des EC-Motors des Lüfters fließt, die Drehzahl des Ventilators und der aktuelle Aussteuergrad des Motors. Soll das neuronale Netz den Volumenstrom bzw. den Druck auch bei schwankender Eingangsspannung oder Zwischen kreisspannung oder bei unterschiedlichen Temperaturen bestimmen, werden auch die Netzeingangsspannung und die aktuelle Temperatur als Eingangs parameter verwendet. Soll der Volumenstrom unabhängig vom aktuellen Luftdruck bestimmt werden, kann dieser ebenfalls als Eingangsvariable ver wendet werden. Die Anzahl der Eingangsparameter bestimmt die Anzahl der Eingangsneuronen des künstlichen neuronalen Netzes.
Erfindungsgemäß wird hierzu ein Verfahren zum Bestimmen des Volumen stromes oder Drucks zum Regeln eines vorzugsweise mit einem EC-Motor betriebenen Ventilators eines bestimmten Lüftungsgeräts auf einen bestimm ten Arbeitspunkt, zum Erzielen und Halten einer vorgegebenen Soll- Volumenstromstärke (oder Drucks) des Lüftungsgeräts ohne Verwendung eines Druck- oder Volumenstromsensors entwickelt, wobei der Volumen strom mittels eines künstlichen neuronalen Netzes auf Basis eines sequenti ellen Lernverfahrens aus einer Anzahl an Lernschritten bestimmt wird, bei der eine Verknüpfung von n künstlichen Neuronen in einer oder mehreren Schichten vorgesehen sind und wenigstens eine Eingangsschicht Pi vorge sehen ist, um eine Anzahl von i Eingangsparametern zu verarbeiten, welche einen direkten oder indirekten Einfluss auf den Volumenstrom in dem Lüftungsgerät haben.
Besonders vorteilhaft ist es, wenn zunächst eine Anzahl an tatsächlichen Messdaten von physikalischen Größen des Ventilators über seinen gesam ten Betriebsbereich erfasst werden, wobei die Messdaten mindestens die i Eingangsparameter enthalten sowie den oder die zu bestimmenden Ausga beparameter und dann das künstliche neuronale Netz mit diesen Eingangs und Ausgangsparametern auf Basis eines mehre Variablen aufweisenden vorbestimmten Algorithmus angelernt wird und die Variablen des Algorithmus in jeder Rechensequenz des neuronalen Netzes so bestimmt werden, dass die Ausgabe des neuronalen Netzes möglichst zunehmend mit den gemes senen Daten übereinstimmt.
Weiter vorteilhaft ist es, wenn das künstliche neuronale Netz aus einem Feed-Forward-Netz gebildet wird und insbesondere das künstliche neuronale Netz eine Eingangsschicht P,, wenigstens eine Zwischenschicht Z mit Akti vierungsfunktion fz und eine Ausgangsschicht A mit Aktvierungsfunktion f0 aufweist.
In einer besonders vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass die Zwischenschicht Z eine auswählbare Anzahl N an Neuronen besitzt, wobei die Anzahl N von der Anzahl der Eingangsgrößen und dem gewünsch ten Maß der Bestimmungsgenauigkeit abhängig auswählbar ist.
Weiter vorteilhaft ist es dabei, wenn jedes Neuron der Zwischenschicht Z seinen Zustand über die Aktivierungsfunktion fz auf die Ausgabeschicht A ausgibt.
In einer ebenfalls vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass die Aktivierungsfunktion fz vorzugsweise eine Tangens-Hyperbolicus- Funktion wie folgt verwendet:
Figure imgf000009_0001
wobei:
Outj! Ausgabe des j-ten Neurons des Zwischenlayers
fz: die Aktivierungsfunktion des Zwischenlayers Z
Wji<: Gewichtung des k-ten Eingangsneurons auf das j-ten Neuron des Zwischenlayers
bj: Bias des j-ten Neurons des Zwischenlayers
i: Anzahl der Eingangsneuronen.
Weiter vorteilhaft ist es, wenn die Ausgabeschicht A aus einem oder zwei Neuronen besteht, wobei als Aktivierungsfunktion für das Ausgangsneuron eine lineare Funktion verwendet wird
Figure imgf000010_0001
wobei
A: Ausgabe des Neurons
f0: Aktivierungsfunktion der Ausgangsschicht
qk: Gewicht des k-tenNeurons des Zwischenlayers Z auf das Aus gangsneuron
b: Bias des Ausgangsneurons
N: Anzahl der Neuronen des Zwischenlayers. Es ist dabei günstig, wenn die Parameter bj, Wjk, qk und b0 zum Anlernen des neuronalen Netzes schrittweise je Rechensequenz angepasst werden, so lange bis die vom neuronalen Netz ermittelten Ausgangsneuronen einen Vo lumenstrom und/oder Druck repräsentieren, der dem tatsächlichen gemes senen Volumenstrom und/oder Druck mit einer Abweichung kleiner als einer vorgegebenen maximal zulässigen Abweichung entspricht. Anders aus gedrückt, ist dann das neuronale Netzt ausreichend eingelernt, um die ge wünschten Größen sensorlos mit ausreichender Genauigkeit bestimmen zu können. Ein weiterer Aspekt der vorliegenden Erfindung betrifft eine Vorrichtung zur
Durchführung eines wie zuvor beschriebenen Verfahrens, wobei die Vorrich tung ausgestattet ist mit einem Ventilator in einem Lüftungsgerät, einer An zahl an Sensoren zum Erfassen von Eingangs- und Ausgangsparametern, einer Messeinrichtung zum Bestimmen der Eingangs- und Ausgangsparame- ter auf Basis der von den Sensoren erfassten physikalischen Messdaten und einer Datenverarbeitungseinheit mit einem künstlichen neuronalen Netz einer vorgegebenen Topologie, wobei die Datenverarbeitungseinheit wenigstens eine Schnittstelle aufweist, um die erfassten Eingangsparametern an wenigs- tens die Eingangsschicht zu übertragen. Die Ausgangsparamter werden an die Datenübertragungseinheit übertragen.
Andere vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprü- chen gekennzeichnet bzw. werden nachstehend zusammen mit der Be schreibung der bevorzugten Ausführung der Erfindung anhand der Figuren näher dargestellt.
Es zeigt:
Fig. 1 eine schematische Konzeptzeichnung der Realisierung eines künstlichen neuronalen Netzes,
Fig. 2 eine Fehlerkurve, die den relativen Fehler bei der Bestimmung des Volumenstroms bei einem ersten beispielhaften Ausfüh rungsbeispiel zeigt und
Fig. 3 eine Fehlerkurve, die den relativen Fehler bei der Bestimmung des Volumenstroms bei einem alternativen beispielhaften Aus führungsbeispiel zeigt.
Im Folgenden wird die Erfindung anhand der beiden gezeigten Ausführungs beispiele mit Bezug auf die Figuren 1 bis 3 näher beschrieben, wobei gleiche Bezugszeichen in den Figuren auf gleiche strukturelle und/oder funktionale Merkmale hinweisen.
In der Figur 1 findet sich eine schematische Konzeptzeichnung der Realisie rung eines künstlichen neuronalen Netzes, welches als ein Feed-Forward- Netz ausgebildet ist. Das künstliche neuronale Netz besitzt eine Eingangs schicht Pj, die Zwischenschicht Z mit ihren Aktivierungsfunktionen fz und eine Ausgangsschicht A mit Aktivierungsfunktion f0. Ferner sind in der Netztopologie die gewichteten Parameter Wjk, nämlich wn; W12, w2i, w22,..- gezeigt, die jeweils die Gewichtung des k-ten Eingangsneu rons auf das j-te Neuron des Zwischenlayers bezeichnen. Mit b, bi,b2... bn sind die Bias-Neuronen bezeichnet und zwar bedeutet bj das j-te Bias- Neurons des Zwischenlayers.
In der Ausgangsschicht ist mit A die Ausgabe des Ausgangs-Neurons be zeichnet. Dieses entspricht dem ermittelten Volumenstrom. Ebenfalls ist die Aktivierungsfunktion f0 der Ausgangsschicht gezeigt, sowie das Gewicht qk des k-ten Neurons des Zwischenlayers Z auf das Ausgangsneuron.
In der Fig. 2 ist eine Fehlerkurve dargestellt, die den relativen Fehler bei der Bestimmung des Volumenstroms bei einem ersten beispielhaften Ausfüh rungsbeispiel zeigt, welches eine Netztopologie mit zwei Eingangsneuronen, nämlich einem Eingangsneuron für den Strom und einem Eingangsneuron für die Drehzahl zeigt.
Die Zwischenlayerschicht bestehend bei diesem Beispiel aus 10 Neuronen und die Ausgabeschicht aus einem Neuron. Als Aktivierungsfunktion des Zwischenlayers fz wurde ein Tangens hyperbolicus und als Aktivierungsfunk- tion der Ausgangsschicht wurde eine lineare Funktion verwendet.
Der relative Fehler ist der Fehler zwischen approximierten und gemessenen Volumenstrom dividiert durch den gemessenen Volumenstrom in % aufge tragen über den gemessenen Volumenstrom (Fehler größer als 20% wurden auf 20% begrenzt). Es ist zu erkennen, dass der Fehler zunehmend geringer infolge des relativen Fehlers (approximierter Fehler - gemessener Fehler) wird.
In der Fig. 3 ist eine Fehlerkurve dargestellt, die den relativen Fehler bei der Bestimmung des Volumenstroms bei einem alternativen beispielhaften Aus- führungsbeispiel zeigt, welches eine Netztopologie mit drei Eingangsneuro nen, nämlich einem Eingangsneuron für den Strom und einem Eingangsneu ron für die Drehzahl und einem weiteren für den aktuellen Aussteuergrad des Motors zeigt. Die Zwischenlayerschicht bestehend bei diesem Beispiel aus 15 Neuronen und die Ausgabeschicht ebenfalls aus einem Neuron. Als Aktivierungsfunkti on des Zwischenlayers fz wurde ebenfalls wie in dem Beispiel zur Figur 2 ein Tangens hyperbolicus und als Aktivierungsfunktion der Ausgangsschicht wurde ebenfalls eine lineare Funktion verwendet.
Die Erfindung beschränkt sich in ihrer Ausführung nicht auf die vorstehend angegebenen bevorzugten Ausführungsbeispiele. Vielmehr ist eine Anzahl von Varianten denkbar, welche von der dargestellten Lösung auch bei grundsätzlich anders gearteten Ausführungen Gebrauch macht.
* * * * *

Claims

Ansprüche
1. Verfahren zum Bestimmen des Volumenstromes oder Drucks zum
Regeln eines vorzugsweise mit einem EC-Motor betriebenen Ventila tors eines bestimmten Lüftungsgeräts auf einen bestimmten Arbeits punkt, zum Erzielen und Halten einer vorgegebenen Soll- Volumenstromstärke oder eines Solldrucks des Lüftungsgeräts ohne Verwendung eines Druck- oder Volumenstromsensors, wobei der Vo- lumenstrom mittels eines künstlichen neuronalen Netzes auf Basis ei nes sequentiellen Lernverfahrens aus einer Anzahl an Lernschritten bestimmt wird, bei der eine Verknüpfung von n künstlichen Neuronen in einer oder mehreren Schichten vorgesehen sind und wenigstens ei ne Eingangsschicht Pi vorgesehen ist, um eine Anzahl von i Ein- gangsparametern zu verarbeiten, welche einen direkten oder indirekten Einfluss auf den Volumenstrom in dem Lüftungsgerät haben.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass zunächst eine Anzahl an tatsächlichen Messdaten von physikalischen Größen des Ventilators über seinen gesamten Betriebsbereich erfasst werden, wobei die Messdaten mindestens die i Eingangsparameter enthalten sowie den oder die zu bestimmenden Ausgabeparameter und dann das künstliche neuronale Netz mit diesen Eingangs- und Ausgangsparametern auf Basis eines mehre Variablen aufweisenden vorbestimm- ten Algorithmus angelernt wird und die Variablen des Algorithmus in jeder Rechensequenz des neuronalen Netzes so bestimmt werden, dass die Ausgabe des neuronalen Netzes möglichst zunehmend mit den gemessenen Daten übereinstimmt.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das künstliche neuronale Netz aus einem Feed-Forward-Netz besteht.
4. Verfahren nach Anspruch 1 , 2 oder 3, dadurch gekennzeichnet, dass das künstliche neuronale Netz eine Eingangsschicht Pi, wenigstens eine Zwischenschicht Z mit Aktivierungsfunktion fz und eine Aus gangsschicht A mit Akivierungsfunktion fo aufweist.
5. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Zwi- schenschicht Z eine auswählbare Anzahl N an Neuronen besitzt, wo bei die Anzahl N von der Anzahl der Eingangsgrößen und dem ge wünschten Maß der Bestimmungsgenauigkeit auswählbar ist.
6. Verfahren nach einem der vorhergehenden Ansprüche 3 oder 4, da- durch gekennzeichnet, dass jedes Neuron der Zwischenschicht Z sei nen Zustand über die Aktivierungsfunktion fz auf die Ausgabeschicht A ausgibt.
7. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die Akti- vierungsfunktion fz vorzugsweise eine Tangens-Hyperbolicus-Funktion wie folgt verwendet:
Figure imgf000015_0001
wobei:
Out,: Ausgabe des j-ten Neurons des Zwischenlayers
fz: die Aktivierungsfunktion des Zwischenlayers Z
Wjk: Gewichtung des k-ten Eingangsneurons auf das j-ten Neuron des Zwischenlayers
bj: Bias des j-ten Neurons des Zwischenlayers
i: Anzahl der Eingangsneuronen.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch ge kennzeichnet, dass die Ausgabeschicht A aus einem oder zwei Neu ronen besteht, wobei als Aktivierungsfunktion für das Ausgangsneuron eine lineare Funktion verwendet wird
Figure imgf000016_0001
wobei
A: Ausgabe des Neurons
f0: Aktivierungsfunktion der Ausgangsschicht
qk: Gewicht des k-tenNeurons des Zwischenlayers Z auf das Aus gangsneuron
b0: Bias des Ausgangsneurons
N: Anzahl der Neuronen der Zwischenschicht.
9. Verfahren nach Anspruch 7 und 8, dadurch gekennzeichnet, dass die
Parameter bj, wjk, qk und b0 zum Anlernen des neuronalen Netzes schrittweise je Rechensequenz angepasst werden, solange bis die vom neuronalen Netz ermittelten Ausgangsneuronen einen Volumen strom und/oder Druck repräsentieren, der dem tatsächlichen gemes- senen Volumenstrom und/oder Druck mit einer Abweichung kleiner als einer vorgegebenen maximal zulässigen Abweichung entspricht.
10. Vorrichtung zur Durchführung eines Verfahrens gemäß einem der An sprüche 1 bis 9 mit einem Ventilator in einem Lüftungsgerät, eine An- zahl an Sensoren zum Erfassen von Eingangs- und Ausgangsparame tern, eine Messeinrichtung zum Bestimmen der Eingangs- und Aus gangsparameter auf Basis der von den Sensoren erfassten physikali schen Messdaten und eine Datenverarbeitungseinheit mit einem künstlichen neuronalen Netz einer vorgegebenen Topologie, wobei die Datenverarbeitungseinheit wenigstens eine Schnittstelle aufweist, um die erfassten Eingangsparameter an wenigstens die Eingangsschicht zu übertragen.
PCT/EP2020/063514 2019-06-27 2020-05-14 Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes WO2020259917A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202080012112.2A CN113383166A (zh) 2019-06-27 2020-05-14 无传感器确定体积流量和压力的方法和装置
KR1020217025417A KR20210132654A (ko) 2019-06-27 2020-05-14 체적 유량 및 압력을 센서없이 확인하는 방법 및 장치
US17/437,371 US20220186970A1 (en) 2019-06-27 2020-05-14 Method and a device for sensorless ascertaining of volume flow and pressure
EP20727594.2A EP3881141A1 (de) 2019-06-27 2020-05-14 Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019117339.6A DE102019117339A1 (de) 2019-06-27 2019-06-27 Verfahren und eine Vorrichtung zum sensorlosen Bestimmen des Volumenstromes und Druckes
DE102019117339.6 2019-06-27

Publications (1)

Publication Number Publication Date
WO2020259917A1 true WO2020259917A1 (de) 2020-12-30

Family

ID=70802843

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/063514 WO2020259917A1 (de) 2019-06-27 2020-05-14 Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes

Country Status (6)

Country Link
US (1) US20220186970A1 (de)
EP (1) EP3881141A1 (de)
KR (1) KR20210132654A (de)
CN (1) CN113383166A (de)
DE (1) DE102019117339A1 (de)
WO (1) WO2020259917A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904721A (zh) * 2021-01-18 2021-06-04 武汉大学 可变速抽水蓄能机组协联控制方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021206476A1 (de) 2021-06-23 2022-12-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bereitstellen eines trainierten Algorithmus des maschinellen Lernens zum sensorlosen Steuern von wenigstens einer Antriebsfunktion einer mobilen Arbeitsmaschine

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004060206B3 (de) 2004-12-14 2006-06-14 Siemens Ag Verfahren zum Betrieb eines stromrichtergespeisten Verdichters
DE102005045137A1 (de) 2005-09-22 2007-04-05 Minebea Co., Ltd., Kitasaku Lüftereinheit mit einer vorgegebenen künstlichen Kennlinie und Verfahren zu dessen Betrieb
DE102008057870A1 (de) 2007-11-19 2009-05-28 Ebm-Papst St. Georgen Gmbh & Co. Kg Lüfteranordnung
DE102011106962A1 (de) 2010-07-08 2012-02-23 Johnson Electric S.A. Gebläse
CN103611861A (zh) * 2013-11-29 2014-03-05 浙江理工大学 伺服压力机无压力传感器控制装置及方法
DE102017117370A1 (de) * 2017-08-01 2019-02-07 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2932342T3 (da) * 2012-12-12 2021-07-26 S A Armstrong Ltd Koordineret følerløst reguleringssystem
CN104964719A (zh) * 2015-06-30 2015-10-07 安徽工业大学 一种基于bp神经网络的户用电子水表流量计量方法
DE102015012462B3 (de) * 2015-09-29 2017-03-16 LUNOS Lüftungstechnik GmbH für Raumluftsysteme Verfahren und eine Vorrichtung zum sensorlosen Regeln eines mit einem EC-Motor betriebenen Ventilators eines Lüftungsgeräts
DE102016115617A1 (de) * 2016-08-23 2018-03-01 Ebm-Papst Mulfingen Gmbh & Co. Kg Verfahren zur Volumenstromregelung eines Ventilators
DE202019100227U1 (de) * 2019-01-16 2019-01-30 Ebm-Papst Mulfingen Gmbh & Co. Kg Volumenstrombestimmung

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004060206B3 (de) 2004-12-14 2006-06-14 Siemens Ag Verfahren zum Betrieb eines stromrichtergespeisten Verdichters
DE102005045137A1 (de) 2005-09-22 2007-04-05 Minebea Co., Ltd., Kitasaku Lüftereinheit mit einer vorgegebenen künstlichen Kennlinie und Verfahren zu dessen Betrieb
DE102008057870A1 (de) 2007-11-19 2009-05-28 Ebm-Papst St. Georgen Gmbh & Co. Kg Lüfteranordnung
DE102011106962A1 (de) 2010-07-08 2012-02-23 Johnson Electric S.A. Gebläse
CN103611861A (zh) * 2013-11-29 2014-03-05 浙江理工大学 伺服压力机无压力传感器控制装置及方法
DE102017117370A1 (de) * 2017-08-01 2019-02-07 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BHIM SINGH: "Recent advances in permanent magnet brushless DC motors", SADHANA., vol. 22, no. 6, 1 December 1997 (1997-12-01), IN, pages 837 - 853, XP055633803, ISSN: 0256-2499, DOI: 10.1007/BF02745848 *
SALEH SHAHINFAR ET AL: "Prediction of Breeding Values for Dairy Cattle Using Artificial Neural Networks and Neuro-Fuzzy Systems", COMPUTATIONAL AND MATHEMATICAL METHODS IN MEDICINE, vol. 2012, 1 January 2012 (2012-01-01), pages 1 - 9, XP055720795, ISSN: 1748-670X, DOI: 10.1155/2012/127130 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904721A (zh) * 2021-01-18 2021-06-04 武汉大学 可变速抽水蓄能机组协联控制方法

Also Published As

Publication number Publication date
CN113383166A (zh) 2021-09-10
DE102019117339A1 (de) 2020-12-31
US20220186970A1 (en) 2022-06-16
EP3881141A1 (de) 2021-09-22
KR20210132654A (ko) 2021-11-04

Similar Documents

Publication Publication Date Title
DE69823271T2 (de) Verbesserter adaptiver Durchflussregler
WO2020259917A1 (de) Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes
DE102007022348A1 (de) Einrichtung und Verfahren zur Störungsüberwachung
DE102010040503B4 (de) Verfahren zur Steuerung eines Verdichters
DE19830341C1 (de) Verfahren zum Betreiben einer Regelungseinrichtung und Vorrichtung zur Durchführung des Verfahrens
DE10035829C2 (de) Verfahren zum Betreiben einer Lüftungseinrichtung sowie Lüftungseinrichtung
EP3203330B1 (de) Softsensor zur identifikation und regelung oder steuerung eines lüftungssystems
EP0897155A1 (de) Verfahren zur Steuerung von Prozessvorgängen
DE102017203925A1 (de) Verfahren zur Bestimmung der Temperatur des Fördermediums in einer Umwälzpumpe sowie Umwälzpumpe
DE102019204934A1 (de) Verfahren zum Regeln eines Elektromotors, Regeleinrichtung sowie entsprechende Systeme
EP1550925A1 (de) Temperaturregelung
DE112020000352T5 (de) Steuersystem für eine elektrische flüssigkeitsbewegungsvorrichtung
EP2933502B1 (de) Digitalhydraulisches Antriebssystem
DE202019100227U1 (de) Volumenstrombestimmung
DE3034489A1 (de) Leistungs- und pumpregler
DE102011014669A1 (de) Verfahren zum Steuern/Regeln der Konzentration einer Komponente eines Gasgemisches, das in einer Garkammer, insbesondere Lebensmittel-Garöfen, rückgeführt wird
DE102020107172A1 (de) Verfahren zur Steuerung eines Fluggeräts, Steuerungseinrichtung für ein Fluggerät und Fluggerät mit einer solchen Steuerungseinrichtung
EP4012190A1 (de) Verfahren zur bestimmung und erkennung von zuständen, zustandsänderungen und fehlern einer strömungsmaschine
DE102021105582A1 (de) Motorregler für elektrische gebläse
EP3887683B1 (de) Volumenstrombestimmung
EP3916236B1 (de) Verfahren zum betreiben eines ventilatorsystems und ventilatorsystem mit einem rückwärtsgekrümmten radialventilator
EP3707386A1 (de) Parameterkonstanz
DE102015209253A1 (de) Antriebssystem
DE102017200014A1 (de) Elektromotor
EP3480529A1 (de) Verfahren zur klimatisierung von raumeinheiten eines gebäudes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20727594

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020727594

Country of ref document: EP

Effective date: 20210617

NENP Non-entry into the national phase

Ref country code: DE