DE69718714T2

DE69718714T2 - Fehlererfassung während des Betriebes von elektrischer Gerätschaft

Info

Publication number: DE69718714T2
Application number: DE69718714T
Authority: DE
Inventors: Stephen J. Hanson; Angelo R. Marcantonio; Thomas Petsche
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens Corp
Priority date: 1996-06-28
Filing date: 1997-06-27
Publication date: 2003-11-06
Anticipated expiration: 2017-06-28
Also published as: EP0816860A2; US6006170A; EP0816860A3; DE69718714D1; EP0816860B1

Description

Die Erfindung betrifft das Erfassen von Unregelmäßigkeiten beim Betrieb elektrischer Anlagen und insbesondere von Unregelmäßigkeiten bei Elektromotoren.
Elektromotoren werden in zahlreichen Phasen der industriellen Fertigung in sehr großen Stückzahlen eingesetzt. Das unerwartete Versagen eines Elektromotors ist ein hochgradig unerwünschtes Ereignis, da es zu zahlreichen nicht gewollten und manchmal unannehmbaren Entwicklungen führt, die Schwierigkeiten, Unterbrechungen der industriellen Abläufe, Produktverluste, Sicherheitsprobleme usw. umfassen.
Der offenbarte Gegenstand dieser Anmeldung ist verwandt mit dem Gegenstand der Patentschrift Nr. 08/269466 mit dem Titel A NEURAL NETWORK AUTOASSOCIATOR AND METHOD FOR INDUCTION MOTOR MONITORING, eingereicht unter dem Namen von Thomas Petsche et al. am 30 Juni 1994, und der Patentschrift Nr. 08/269465 mit dem Titel A RADIAL BASIS FUNCTION NEURAL NETWORK AUTOASSOCIATE AND METHOD FOR INDUCTION MOTOR MONITORING, eingereicht unter dem Namen von Thomas Petsche et al. am 30 Juni 1994.
Asynchronmotoren sind für zahlreiche industrielle Anwendungen besonders gut geeignet, da sie eine Anzahl Vorteile aufweisen. Sie benötigen beispielsweise keinen Kommutator, sind einfach aufgebaut, weisen eine allgemein geeignete Drehmomentencharakteristik auf, im Wesentlichen konstante Drehzahl sowie geringes elektrisches und akustisches Rauschen.
Generell wird im heutigen industriellen Umfeld die Gesundheit von Asynchronmotoren entweder solange nicht überwacht, bis eine Schwierigkeit auftritt, oder auf zufälliger Basis überwacht, indem man einfach einen Mechaniker am Motor horchen lässt, ob übermäßige oder ungewöhnliche Geräusche auftreten.
Mechanische Probleme bei Asynchronmotoren teilt man in zwei große Kategorien ein, nämlich Läuferfehler und Wellendrehzahlschwingungen. Rührt beispielsweise der Läuferfehler von einer Unsymmetrie her, so wird der Luftspaltfluss mit einer Frequenz gestört, die gleich der Drehzahl der Motorwelle ist. Die Frequenzen der im Luftspaltfluss vorhandenen Spektralanteile sind durch die folgende Gleichung gegeben. Dabei bezeichnet F&sub1; die Netzfrequenz, p die Polzahl, k eine positive ganze Zahl und s den Einheitsschlupf, der den Drehzahlunterschied zwischen dem Läufer und dem Magnetfeld darstellt.
F = F&sub1;((2 k/p)(1 - s) ± s)
Ist der Fehler durch eine Schwingung in der Wellendrehzahl des Motors verursacht, so verwendet man einen geringfügig veränderten Ausdruck zum Auffinden der Fehlerharmonischen.
F = F&sub1;((2 k/p)(1 - s) ± )
Zu den Nachteilen der derzeitigen Überwachungsverfahren der Motorgesundheit gehört, dass sie auf einer Beurteilung durch den Menschen beruhen und daher leicht subjektiv sind, und dass es beim Erkennen eines Problems bereits zu spät sein kann, eine ungeplante Stillstandszeit für Wartung oder Ersatz zu vermeiden.
Demgemäß wünscht man, dass sich anbahnende Schwierigkeiten mit einem Motor in der Entstehungsphase erkannt werden, bevor sie ein Versagen im Betrieb mit unerwünschten Folgen verursachen. Man wünscht auch, dass sämtliche Überwachungen für gerade entstehende Fehlermodi mit geringstmöglicher Störung des Motorbetriebs und mit geringen Kosten erfolgen, und zwar insbesondere darum, weil die Kosten für industrielle Asynchronmotoren in einem von starkem Wettbewerb geprägten Markt relativ gering sind.
Bekanntlich weist der Verlauf des Versorgungsstroms eines Asynchronmotors Komponenten auf, die Information über den Betriebszustand des Motors und die Art seiner Nutzlast enthalten, und zwar einschließlich von Daten, die möglicherweise einen regelwidrigen Betrieb anzeigen, z. B. einen sich anbahnenden Fehler oder ein Problem. Man wünscht daher, nützliche Vorhersageinformationen aus Datenproben abzuleiten, die man aus den Verläufen des Motorspeisestroms gewinnt. Diese Anmeldung beschreibt die Einzelheiten der Gewinnung derartiger Proben. Weitere Einzelheiten bezüglich dieses Aspekts sind den angegebenen Patentschriften von Petsche zu entnehmen.
Man wünscht auch, die Datenproben, die die Gesundheit eines Asynchronmotors repräsentieren, danach zu klassifizieren, ob sie von einem gesunden Motor oder einem kranken Motor stammen. Diese Funktion erfolgt bevorzugt am laufenden Motor in einer industriellen Umgebung, so dass das Ausgangssignal des Störungserkenners als Hinweis für das Wartungspersonal verwendet werden kann.
Man wünscht auch, das Problem zu lösen, das sich durch die Ungewissheit des Versagens eines Asynchronmotors stellt, sowie die Schwierigkeiten, die durch ungeplante Stillstandszeiten für Motorwartung oder Ersatz auftreten.
Man wünscht zudem, die Vorzüge eines Frühwarnsystems für Motorversagen bereitzustellen, um das Wartungspersonal zu alarmieren, wenn sich bei einem Asynchronmotor eine Schwierigkeit anzubahnen beginnt. Dadurch gewinnt man eine Aufschubfrist, in der die Wartung zeitlich besser geplant werden kann.
Arbeiten über die Zustandsüberwachung von Asynchronmotoren mit Frequenzbereichsuntersuchungen sind beispielsweise gut dokumentiert in: P. J. Tavner and J. Penman, "Condition Monitoring of Electrical Machines", Research Studies Press Ltd., Letchworth, Hetfordshire, England, 1987; I. Morito and H. Okitsu, "Signature frequency analysis for diagnosis of induction motor systems", Electrical Engineering in Japan, 109 (4), 1989; und G, B. Kli man and J. Stein, "Induction motor fault detection via passive current monitoring", in International Conference an Electrical Machines, August 1990. In diesem Bereich wurden Untersuchungen angestellt. In gleicher Weise ist der Einsatz der Clusteranalyse umfassend dokumentiert, beispielsweise in G. J. McLachlan, "The Classification and Mixture Maximum Likelihood Approaches to Cluster Analysis", Chapter o, pp. 199-208, North-Holland Publishing Company, 1982; D. Anderson, M. Aitkin and J. Hinde, "Statistical modelling of data on teaching styles", in Journal of Royal Statistical Society, pp. 419-461, 1981; und J. Zupan, "Clustering of Large Data Sets", Research Studies Press, Chichester, 1982.
Siehe hierzu auch beispielsweise L. Kaufman and P. J. Rousseeuw, "Findings Groups In Data, An Introduction to Cluster Analysis", Chapter #5, Wiley-Interscience, 1990, pp. 230- 234; und H. C. Romesburg, "Cluster Analysis for Researchers", Chapter #9.4, pp, 129-135, Robert E. Krieger, 1990.
Das Dokument Schoen R R et al. 'An Unsupervised, On-line System for Induction Motor Fault Detection using Stator Current Monitoring' IEEE Transactions on Industry Applications, vol. 31, no. 6, 1. November 1995, pages 1280-1286, offenbart ein Verfahren für die Motorfehlererkennung bei Betrieb, umfassend das Entnehmen von Proben des Ständerstroms, das Bilden von Clustern mit Hilfe eines Clustererzeugungsalgorithmus in einem neuronalen Netzwerk, und - falls während des Normalbetriebs eine Probe aus den Clustern herausfällt - das "Markieren" dieser Probe als möglicherweisefehlerhaft. Man benötigt jedoch eine nach bestimmten Regeln aufgebaute Frequenzfilterstufe vor der Clusterbildungsstufe. Die Regeln, die bestimmen, welche Frequenzen an das neuronale Netzwerk übergeben werden, erfordern den Eingriff eines Fachmannes.
Das Dokument Beilharz J et al: 'Statistische und neuronale Verfahren zum nicht überwachten Klassifikatorenentwurf in der Motorendiagnose' Automatisierungstechnik-at, vol. 43, no. 1, 1. Januar 1995, Seite 46-53, offenbart eine statistische Clusteranalyse bei der Diagnose von Elektromotoren. Die Anzahl der zu bildenden Cluster ist jedoch vorbestimmt. Dies erfordert ein "Vorab-Wissen" über den zu prüfenden Elektromotor.
Die Erfindung ist in den unabhängigen Ansprüchen bestimmt. Weitere Aspekte der Erfindung sind in den abhängigen Ansprüchen bestimmt.
Die Anzahl der Cluster wird mit Hilfe einer iterativen Prozedur bestimmt, die den Namen Approximate Weight of Evidence (AWE) hat. Dies ist ein Bayes-Ansatz, in dem die logarithmischen Wahrscheinlichkeiten zum Schätzen der Wahrscheinlichkeit der Clusteranzahl verwendet werden. Siehe beispielsweise J. D. Banfield and A. E. Raftery, "Model-based gaussian and non-gaussian clustering", Biometrics, 1992. Nach dem Gruppieren dieser anfänglichen repräsentativen Probe der Daten des gesunden Motors werden neue Datenvektoren dadurch geprüft, dass man ihren Abstand vom Schwerpunkt eines jeden Datenclusters für den gesunden Motor misst. Fällt ein neuer Datenpunkt innerhalb irgendeines p-dimensionalen Sphäroids für gesunde Daten, dessen Radius durch den am Weitesten vom Schwerpunkt des Clusters entfernten Punkt definiert ist, so werden die Daten als nicht neu betrachtet und daher als von einem gesunden Motor stammend bezeichnet. Fällt dagegen der neue Datenpunkt außerhalb aller Datenclusters für einen gesunden Motor, so wird er als neu betrachtet und zeigt damit ein Motorproblem an.
Die Erfindung wird nunmehr zur besseren Darstellung und um zu zeigen, wie sie ausgeführt werden kann, beispielhaft mit Bezug auf die beiliegenden Zeichnungen beschrieben.
Es zeigt:
Fig. 1 ein Flussdiagramm eines Verfahrens der Erfindung;
Fig. 2 Einzelheiten der in der Erfindung verwendeten Clusterbildungsprozedur;
Fig. 3 ein Beispiel von Clusterbildungsergebnissen, die gemäß der Erfindung anhand von tatsächlichen Asynchronmotordaten gewonnen wurden;
Fig. 4 einen Datensatz, der 40 zweidimensionale Eingabevektoren enthält;
Fig. 5 eine Zeichnung des Approximate Weight of Evidence, das für die Daten in Fig. 4 berechnet wurde;
Fig. 6 eine Darstellung der Clusterzuweisungen; und
Fig. 7 ein System der Erfindung in Form eines Blockdiagramms.
Die oberen sechs Kästchen des Flussdiagramms, siehe Fig. 1, skizzieren die beim Auffinden der gesunden Motorgruppen vorkommenden Schritte, das Berechnen des Approximate Weight of Evidence und das Berechnen der Größe eines jeden Clusters für den gesunden Motor. Diese Schritte bilden die Trainingsphase.
Diese Schritte umfassen die Initialisierung (Schritt 1), das Einlesen des Trainingsdatensatzes für den "gesunden" Motor (Schritt 2), das Berechnen eines Satzes schnellet Fou¬ riertransformationen (FFT) aus dem Trainingsdatensatz, der dann wie erforderlich bearbeitet wird, um eine Merkmalsmenge zu erzeugen (Schritt 3). Der Ablauf fährt mit dem Schritt des Berechnens aller möglicher Eingabevektorzuweisungen für die Clustergruppierungen 1 bis n mit Hilfe des Ward-Clusterbildungsverfahrens fort (Schritt 4). Anschließend wird das Approximate Weight of Evidence (AWE) für die Clustetgruppierungen 1 bis n berechnet und die Gruppierung ausgewählt, die zu einem größten AWE gehört. Diese Nummer wird mit s bezeichnet. Dieser "dendritische" Fortschritt des Clusterbildungsverfahrens wird daher auf der Ebene s abgeschnitten, da dies die bestmögliche Wahl unter den Kriterien des verwendeten AWE-Algorithmus darstellt. Der Vorgang fährt für jeden Cluster 1 bis s mit dem Schritt des Auffindens des Mitgliedsvektors fort, der am Weitesten vom Clusterschwerpunkt entfernt ist; dieser wird als Clusterradius bezeichnet (Schritt 6).
Nach dem Aufbau der Cluster für den gesunden Motor tritt die Prozedur in die Überwachungsphase bei laufendem Betrieb ein, die in den Schritten in den drei unteren Kästchen des Flussdiagramms skizziert ist.
Diese Schritte, siehe Fig. 1, umfassen das Einlesen einer einzelnen Eingabeprobe, das Berechnen der FFT und das Erzeugen eines Merkmalsvektors (Schritt 7), das Prüfen, ob sich der neu erzeugte Merkmalsvektor innerhalb irgendeines gesunden Datenclusters befindet (Schritt 8), und das Ausgeben eines Warnsignals an das Wartungspersonal (Schritt 9). Ist die Antwort im Schritt 8 zustimmend, so kehrt das System zum Schritt 7 zurück; andernfalls durchläuft der Vorgang den Schritt 8. Wird im Schritt 9 das Warnsignal ausgegeben, so kehrt das System zum Schritt 7 zurück und arbeitet weiter.
Damit werden in dieser Phase wie angegeben nacheinander Eingabeproben eines Asynchronmotor-Ständerstroms verarbeitet und Merkmalsvektoren erzeugt. Der euklidische Abstand zwischen dem Merkmalsvektor und jedem Clusterschwerpunkt für den gesunden Motor wird nun berechnet. In diesem Schritt wird die Neuartigkeits-Erkennung verwendet. Fällt der Merkmalsvektor in irgendeinen Cluster für den gesunden Motor, so durchläuft die Prozedur einfach die Schleife zum Einlesen der folgenden Probe. Fällt dagegen der Merkmalsvektor nicht in irgendeinen Cluster für den gesunden Motor, so wird er als neuartig betrachtet, da er außerhalb der gesunden Gruppen liegt und es wird ein Signal zum Alarmieren des Wartungspersonals ausgegeben.
Das Diagramm in Fig. 2 zeigt Einzelheiten der tatsächli¬ chen Clusterbildungsprozedur, die in der dargestellten beispielhaften Ausführungsform verwendet wird. Hinsichtlich des Ward-Clusterbildungsverfahrens und der folgenden Beschreibung des Approximate Weight of Evidence wird für die Definition der verwendeten Symbole auf die angeführte Literatur Bezug genommen.
Bekanntlich ist das Ward-Clusterbildungsverfahren ein hierarchisch-zusammenfassendes Verfahren, das eine Zuweisung der Eingabebeobachtung bzw. des Eingabevektors zu allen möglichen Gruppierungen von 1 bis n liefert, wobei n die Gesamtzahl der Beobachtungen ist. Daher ist ein bestimmter Weg erforderlich, der als Führung beim Wählen der Clusteranzahl oder Gruppen dient. Ein Ansatz besteht darin, das Approximate Weight of Evidence (AWE) einzusetzen, bei dem die logarithmischen Wahrscheinlichkeiten zum Schätzen der Wahrscheinlichkeit dienen, dass die Clusteranzahl den Wert s hat, wobei s zwischen 1 und n liegt.
In der AWE wird die Kovarianz- bzw. Kreuzproduktmatrix verwendet:
und der Fokus liegt auf der Varianz tr (Wk).
Die AWE ist eine Funktion der Wahrscheinlichkeit:
L = c·5np(log(tr(W) + (1 - log(np))))
wobei c eine Konstante ist, n die Anzahl der Beobachtungen und p die Anzahl der Parameter.
Die Spur von W ist definiert als
wobei s die Anzahl der Cluster ist.
tr(W) = tr(Wk)
Die AWE kann nun wie folgt berechnet werden:
- Werden die Cluster I und j im Schritt r vereinigt, so ist der Wert der Wahrscheinlichkeit im Schritt r + 1 gegeben durch
Lr+1 = Lr + tr (Wij) - (tr(Wi) + tr(Wj))
- Die Differenz der logarithmischen Wahrscheinlichkeiten ist:
λr = np(log(Lr+1) - log(Lr))
- Beim Übergang vom Schritt r zum Schritt r + 1 beträgt die Änderung in der Approximate Weight of Evidence:
wobei nr,r+1 die Anzahl der Beobachtungen im vereinigten Cluster und σr die Anzahl der Parameter ist.
- Das Approximate Weight of Evidence von s Clustern ist:
Fs = Et
- Man wählt diejenige Clusteranzahl, die Fs so groß wie möglich macht;
s* = argmaxsFs.
Die Schritte in Fig. 2 beinhalten: nach der Initialisierung im Schritt 1 das Setzen von K (die Anzahl der betrachteten Gruppen) auf n (die Anzahl der Eingabevektoren) (Schritt 2), das Setzendes "besten Werts" Z[pk_1, qk_1, k - 1] auf einen gewissen großen Anfangswert und das Einstellen von I auf das kleinste j, das gleich der ersten aktiven Kennzeichnungszahl ist (Schritt 3), das Setzen von j auf die erste aktive Kennzeichnungszahl, die größer ist als I (Schritt 4), das Berechnen von Z[I, j, k - 1], das zur hypothetischen Vereinigung der Mengen I und j gehört (Schritt S), und das Feststellen, ob Z[I, j, k - 1] bis zu diesem Vergleich besser ist als der beste Wert Z[pk_1, qk_1, k - 1] (Schritt 6). Ist die Antwort ja, so folgt Schritt 7, in dem der alte Wert von Z[pk_1, qk_1, k - 1] durch Z[I, j, k - 1] ersetzt wird, pk_1 = I und qk_1 = j gesetzt und mit dem Schritt 8 fortgefahren wird; ist die Antwort nein, so folgt der Schritt 8, in dem festgestellt wird, ob j gleich der letzten aktiven Kennzeichnungszahl ist (Schritt 8). Ist die Antwort nein, so setze j auf die nächst höhere aktive Kennzeichnungszahl (Schritt 9) und kehre zum Schritt 5 zurück; ist die Antwort ja, fahre mit dem Schritt 10 fort und bestimme, ob I gleich der nächst höheren aktiven Kennzeichnungszahl ist (Schritt 11) und kehre zum Schritt 4 zurück; falls ja fahre mit dem Schritt 12 fort, in dem eine beste Vereinigung von 2 Mengen gefunden wird und mit den Kennzeichnungszahlen pk_1 und qk_1 gekennzeichnet wird, wobei der zu ihrer Vereinigung gehörende Wert Z[pk_1, qk_1, k - 1] ist. Gehe nun zu Schritt 13 und kennzeichne die neue Vereinigung mit der Zahl pk_1 und deaktiviere die Kennzeichnungszahl qk_1. Anschließend berechne Spurwerte für 2 Cluster, die zusammengefügt wurden, und für den neuen Cluster, der durch die Vereinigung entstanden ist (Schritt 14). Berechne nun lambda_r und E_r für diesen Schritt in der Clustererzeugungsprozedur (Schritt 15). Stelle jetzt fest, ob k (die Anzahl der betrachteten Gruppen) gleich 2 ist (Schritt 16). Trifft dies nicht zu, setze k auf k - 1 (Schritt 17) und kehre zum Schritt 2 zurück. Ist die Antwort ja, fahre mit dem Berechnen des Approximate Weight of Evidence für alle Schritte von 1 bis n - 1 fort (Schritt 18) und gelange so zum Ende (Schritt 19).
Fig. 3 zeigt ein Beispiel der Clusterbildungsergebnisse, die auf tatsächlichen Asynchronmotordaten beruhen, die mit einem Datenerfassungssystem gesammelt wurden. Die Datenproben werden bevorzugt mit einer Geschwindigkeit von 1920 Hz entnommen und liefern harmonische Energien ungefähr alle 0,5 Hz zwischen 0 und 960 Hz. In diesem Beispiel wurden vom AWE 10 Cluster vorgeschlagen. In Fig. 3 stellt jede der mit 1 bis 10 bezeichneten Zeilen einen Cluster dar, der aus den Clustermitgliedern dieser Zeile gebildet ist. Die Prüfbedingungen sind in den Prüfbedingungen oben in Fig. 3 angegeben. Damit gelten die Eingaben für einen im Gleichgewicht befindlichen Motor mit 10 FFTs je Lastzustand. Jede FFT stellt einen Durchschnitt aus 12 "rohen" FFTs dar. Im Bereich von 0 Hz bis 58,59 Hz werden zweiundvierzig Eingabemerkmale verwendet, wobei jedes Merkmal ein Mittelwert aus 3 Frequenzen ist, die 1,4036 Hz überspannen.
Die numerierten Cluster entsprechen jeweils den 10 Lasten, die der Asynchronmotor beim Datensammeln angetrieben hat, siehe die Auflistung der Prüfbedingungen in Fig. 3. Damit entsprechen die Vektoren 1-10 einer Belastung mit der halben konstanten Nennlast des Motors. Die Vektoren 21-30 entsprechen einer Nennlast, die sich sinusförmig ändert. Die Vektoren 91-100 entsprechen einer Nennlast, die mit einer Rate von 30 Hz in Rechteckform aussetzend aufgebracht wird. Die weiteren Vektoren entsprechen jeweils den Angaben.
In Fig. 4 ist ein Datensatz mit 40 · 2 Daten aufgelistet, die sich von den Daten in Fig. 3 unterscheiden. Jeder der 40 Vektoren umfasst den Dezibelwert bei 2 getrennten Frequenzen, den die FFT liefert. Es hat sich gezeigt, dass sich diese Frequenzen für diesen besonderen Datensatz zum Herausheben von Asynchronmotorfehlern eignen. Bei diesem Versuch wurde das Clusterbildungsprogramm mit allen 40 Eingabevektoren trainiert, um die Wirksamkeit der beiden Frequenzen beim Abtrennen der Fehlergruppen zu bestimmen.
Fig. 5 zeigt das für die Daten in Fig. 4 berechnete Approximate Weight of Evidence. Man kann sehen, dass sich in der Nähe von 7 Clustern ein breites Maximum ergibt. Natürlich kann man auch andere Clusterbildungskriterien einsetzen. Die Anzahl der Cluster ist notwendig ein Kompromiss zwischen einerseits der Ähnlichkeit der Mitglieder eines Clusters, die so groß wie möglich gemacht werden soll, und andererseits der Verschiedenheit oder Eigenständigkeit der Cluster selbst, die ebenfalls so groß wie möglich gemacht werden soll.
Fig. 6 zeigt eine Darstellung der Clusterzuweisungen entsprechend zu diesen Daten.
Fig. 7 zeigt ein System der Erfindung in Form eines Blockdiagramms. Ein Asynchronmotor 10 treibt eine Lastvorrichtung 12, die zum Zweck der Datenerzeugung programmierbar und veränderbar sein kann. Die Stromversorgungsleitungen 14 zum Motor 10 laufen durch eine Stromdaten-Entnahmevorrichtung 16, aus der digitale Informationen über Stromproben in eineh programmierten Computer 18 eingespeist werden.
Der Computer 18 ist auch mit einer Warn- bzw. Signalgebervorrichtung 20 verbunden.
Die Erfindung ist anhand einer beispielhaften Ausführungsform beschrieben worden. Für einen Fachmann auf diesem Gebiet ist klar, dass man verschiedene Änderungen und Abwandlungen vornehmen kann, um das gleiche Ergebnis zu erzielen, wobei das gleiche erfinderische Konzept verwendet wird. Die beschriebene beispielhafte Anwendung ist auf Motoren ausgerichtet. Natürlich ist die Erfindung auch auf andere elektrische Einrichtungen anwendbar, von denen man ein elektrisches Signal erhalten kann, das Information enthält, die zum Erkennen von unnormalem Verhalten oder unregelmäßigen Zuständen verwendbar ist. Das elektrische Signal kann von der Stromversorgung stammen, muss es jedoch nicht. Es kann sich um einen repräsentativen Strom oder eine repräsentative Spannung irgendwo in der Vorrichtung handeln.
Man kann beispielsweise auch einen anderen Clusterbildungsalgorithmus als den von Ward verwenden. Weiterhin kann man eine andere Regel als das hier verwendete Approximate Weight of Evidence einsetzen. Die Breite der spektralen Fenster, das spektrale Mittelungsverfahren und das Kriterium des euklidischen Abstands können alle durch andere geeignete Alternativen ersetzt werden.
Die hier offenbarte beispielhafte Umsetzung ist nicht dafür gedacht, die Erfindung einzuschränken.

Claims

1. Verfahren zum Erfassen von Unregelmäßigkeiten des Betriebs in einer elektrischen Einrichtung, umfassend:

in einer Trainingsphase das Gewinnen eines Satzes von Datenproben, die die Signalform elektrischer Signale einer gesunden elektrischen Einrichtung angeben;

das Verarbeiten des Satzes Datenproben zum Erzeugen mindestens eines Datenclusters, wobei der oder jeder Datencluster einen Schwerpunkt und einen größten vom Schwerpunkt ausgehenden Radius hat, die die Position und den Umfang des betroffenen Clusters definieren, und der Cluster oder jeder derartige Cluster einen Normalbetriebszustand der elektrischen Einrichtung definieren;

in einer Beobachtungsphase das Gewinnen einer erfassten Datenprobe, die eine Signalformprobe der elektrischen Einrichtung bei Betrieb der Einrichtung angibt;

das Vergleichen der erfassten Datenprobe mit den Datenclustern, um festzustellen, ob die erfasste Datenprobe in einen Datencluster fällt; und

das Erfassen und Vergleichen einer neuen Signalformprobe, falls die erfasste Datenprobe in einen Datencluster fällt, oder das Erzeugen eines Warnsignals, falls die erfasste Datenprobe nicht in einen Datencluster fällt.

2. Verfahren nach Anspruch 1, wobei der Verarbeitungsschritt das Erzeugen von schnellen Fouriertransformationen, d. h. FFTs, der Datenproben enthält.

3. Verfahren nach Anspruch 1 oder 2, wobei der Verarbeitungsschritt das Berechnen von Eingabevektorzuweisungen mit dem Ward-Verfahren enthält.

4. Verfahren nach Anspruch 1, 2 oder 3, wobei der Verarbeitungsschritt das Erzeugen zahlreicher Cluster, das Berechnen des Approximate Weight of Evidence, AWE, für die Cluster und das Auswählen des Clusters enthält, der das größte AWE aufweist.

5. Verfahren nach Ansprüch 1 bis 3, wobei der Verarbeitungsschritt das Bereitstellen einer Anzahl Cluster und das Auswählen von Clustern gemäß einem Bayes-Ansatz mit Hilfe von logarithmischen Wahrscheinlichkeiten enthält.

6. Verfahren nach Anspruch 5, wobei der Verarbeitungsschritt das. Verwenden euklidischer Abstände zwischen Clusterschwerpunkten enthält.

7. Verfahren nach irgendeinem der vorhergehenden Ansprüche, wobei die erfasste Datenprobe einer FFT-Verarbeitung unterzögen wird.

8. Verfahren nach irgendeinem der vorhergehenden Ansprüche, wobei die elektrische Einrichtung ein Elektromotor ist.

9. Verfahren nach Anspruch 8, wobei das Verfahren mit Hilfe eines Computers umgesetzt wird.

10. Verfahren nach Anspruch 9, wobei die FFTs auf Kurven der elektrischen Signalproben eines gesunden Motors beruhen und damit einen Merkmalssatz von Eingabevektoren erzeugen.

11. Verfahren nach Anspruch 10, wobei der Verarbeitungs¬ schritt das Berechnen aller möglichen Eingabevektorzuweisungen für die Cluster 1 bis n mit Hilfe des Ward-Verfahrens enthält, und n die Anzahl der p-dimensionalen Eingabevektoren ist.

12. Verfahren nach Anspruch 11, wobei der Veratbeitungsschritt das Berechnen des AWE für die Cluster 1 bis n enthält.

13. Verfahren nach Anspruch 12, wobei der Verarbeitungsschritt das Bezeichnen des Clusterzählers, der das größte AWE aufweist, mit s enthält, und für jeden Cluster 1 bis s das Finden des Vektors, der am Weitesten vom Clusterschwerpunkt entfernt ist, und das Definieren dieses Vektors als Clusterradius.

14. Verfahren nach Anspruch 13, wobei der Schritt des Gewinnens eines Satzes Datenproben für einen gesunden Elektromotor das Entnehmen des Stroms umfasst, der in einer Wicklung des Elektromotors fließt.

15. Verfahren nach Anspruch 14, bei dem, falls die erfasste Datenprobe nicht in einen Datencluster fällt, die erfasste Datenprobe als kennzeichnend für ein Motorproblem bezeichnet wird.

16. Verfahren nach Anspruch 15, wobei der Verfahrensschritt, bei dem euklidische Abstände zwischen Clusterschwerpunkten verwendet werden, den Gebrauch einer Abstandsmetrik umfasst, die die Summe der quadrierten euklidischen Abstände so groß wie möglich macht.

17. System zum Erfassen von Unregelmäßigkeiten beim Betrieb einer elektrischen Einrichtung, umfassend:

eine Vorrichtung zum Gewinnen eines Satzes Datenproben, die die Signalkurven der elektrischen Signale einer gesunden elektrischen Einrichtung angeben;

eine Vorrichtung zum Verarbeiten des Satzes Datenproben zum Erzeugen mindestens eines Datenclusters, wobei der oder jeder Datencluster einen Schwerpunkt und einen größten vom Schwerpunkt ausgehenden Radius hat, die die Position und den Umfang des betreffenden Clusters definieren, und der Cluster oder jeder derartige Cluster einen Normalbetriebszustand der elektrischen Einrichtung definieren;

eine Vorrichtung zum Gewinnen einer erfassten Datenprobe, die eine Signalverlaufsprobe für die elektrische Einrichtung liefert, wenn die Einrichtung in Betrieb ist;

eine Vorrichtung zum Vergleichen der erfassten Datenprobe mit den. Datenclustern, die feststellt, ob die erfasste Datenprobe in einen Datencluster fällt; und

eine Vorrichtung zum Erfassen und Vergleichen einer neuen Signalverlaufsprobe, falls die erfasste Datenprobe in einen Datencluster fällt, oder zum Erzeugen eines Warnsignals, falls die erfasste Datenprobe nicht in einen Datencluster fällt.