202218759 1 Beschreibung Verfahren zur Zustandsüberwachung eines Antriebsstrangs Die Erfindung betrifft ein Verfahren, vorzugsweise ein compu- terimplementiertes Verfahren, und eine Vorrichtung zur Zu- standsüberwachung eines Antriebsstrangs. Die Erfindung be- trifft außerdem ein computerimplementiertes Verfahren zum Be- reitstellen einer trainierten Funktion zur Anomalieerkennung. Aufgrund ihres kostengünstigen und robusten Aufbaus sind Asynchronmotoren in der Industrie sehr verbreitet: sie finden sich in vielen Anwendungen wie z. B. Lüftern, Sägen und Pum- pen, von relativ kleinen Anlagen im Watt-Bereich bis zu Anla- gen im MW-Bereich. Elektromotoren gehören damit zu den größ- ten Verbrauchern der weltweit erzeugten elektrischen Energie. Wegen der weiten Verbreitung von Asynchronmotoren ergibt sich ein enormes Potential im Hinblick auf Verfügbarkeit und Zu- verlässigkeit und die damit verbundene Einsparung von Zeit und Geld. Es finden sich in diesem Kontext die Begriffe des „Condition Monitoring“ (= CM, dt.: „Zustandsüberwachung“) bzw. „Predictive Maintenance“ (= PM, dt.: „vorbeugende War- tung“). Eine bekannte Methode zum Condition Monitoring von Elektromo- toren ist die sog. Motorstromsignaturanalyse (= MCSA; engl.: Motor Current Signature Analysis), siehe z. B. EP3961230A1 (Siemens AG) 02.03.2022. Die Idee dahinter ist, die Ströme in den Zuleitungskabeln eines elektrischen Motors bzw. die elektrische Spannung an einem Anschlusspunkt zu messen. Diese Messwerte werden anschließend analysiert. Beispielweise ver- wendet man die Schnelle Fourier-Transformation (= FFT; engl.: Fast Fourier Transformation), um Fehler und Betriebszustände des Motors im Frequenzbereich zu detektieren bzw. zu quanti- fizieren. Die klassische MCSA wird dabei im quasistationären Fall angewandt, d. h. bei nominell konstanter Drehzahl. Eine Erweiterung der MCSA stellt die Analyse mit Kurzzeit-FFTs oder Wavelets dar, um Vorgänge zeitaufgelöst zu analysieren.
202218759 2 Die Asynchronmotoren arbeiten nach dem Prinzip der elektro- magnetischen Induktion, d. h. Wechselwirkungen zwischen Strö- men bzw. Magnetfeldern im Stator und Rotor erzeugen ein Dreh- moment, welches die Rotorwelle antreibt. Motorfehler wie Ex- zentrizität, insbesondere Luftspalt-Exzentrizität (wenn die Rotationsachsen von Stator und Rotor des Motors nicht exakt zusammenfallen), gebrochene Rotorstäbe, defekte Lager oder Fehlausrichtung verändern bei einem konstanten Schlupf die Amplituden auf für die Fehler charakteristischen Frequenzen. Aufgrund der Veränderung der Amplituden dieser charakteristi- schen Frequenzen im Frequenzspektrum können also Motorfehler mittels MCSA erkannt werden. Die Fehlerfrequenzen ihrerseits sind schlupfabhängig, d. h. eine Änderung des Schlupfes än- dert die Frequenzlage der Fehlerfrequenzen. Treten nun jedoch in der Versorgungsspannung des Motors er- hebliche Verzerrungen auf, d. h. die Eingangsspannung am Mo- tor besitzt erhebliche Anteile höherer Harmonischer der Ver- sorgungsfrequenz oder, allgemeiner formuliert, die Eingangs- spannung am Motor weist Spannungs-Störfrequenzen (engl.: spu- rious frequencies) auf, so resultieren erhebliche Störfre- quenzen im Strom. Diese Störfrequenzen im Strom beeinträchti- gen die MCSA und können zu falschen Schlüssen führen, die im Folgenden unter Fall a und Fall b beschrieben sind. Dabei wird vorausgesetzt, dass zur Detektion von Stromanomalien im Rahmen einer MCSA ein Detektionsalgorithmus mit einer KI- Funktion zur Anwendung kommt, die in einer Trainingsphase zu- nächst mittels Trainingsdaten angelernt wird, bevor sie in einer nachfolgenden Detektionsphase selbständig Anomalien er- kennen kann (KI = Künstliche Intelligenz). Fall a: Wurde der Detektionsalgorithmus in seiner Trainings- phase mit Trainingsdaten angelernt, die keine Ereignisse von Spannungs-Störfrequenzen, sondern nur Ereignisse von Strom- Störfrequenzen enthalten, die Ihre Ursache in einem Motorfeh- ler haben, so wird in der Detektionsphase bei Vorliegen von Spannungs-Störfrequenzen und daraus resultierenden Strom- Störfrequenzen das Motorstromspektrum als „fehlerhaft“ detek-
202218759 3 tiert („Anomalie“) und ein Motorfehler diagnostiziert werden. Die Ursache für diese detektierte Anomalie ist jedoch nicht ein Motorfehler, sondern lediglich eine Abweichung der Quali- tät der Versorgungsspannung, aus der, aufgrund von I = U/Z, eine Abweichung des Motorstromspektrums resultiert (Der durch den Elektromotor fließende Strom I entspricht dem Quotienten der am Elektromotor anliegenden Spannung U und der Impedanz Z des Elektromotors: I = U/Z.). Im Detektionsalgorithmus kommt es folglich zu hohen „Falsch-Positiv“-Raten. Fall b: Wurde hingegen der Detektionsalgorithmus in seiner Trainingsphase mit Trainingsdaten angelernt, die auch Ereig- nisse von Spannungs-Störfrequenzen enthalten, so ist es mög- lich, dass in der Detektionsphase Strom-Frequenzlinien, die aus den Spannungs-Störfrequenzen resultieren, vorliegende Fehlerzustands-Spektrallinien, die einen tatsächlich einge- tretenen Fehler des Motors anzeigen, überdecken. Im Detekti- onsalgorithmus kommt es folglich zu hohen „Falsch-Negativ“- Raten. WO00/29902A2 (General Electric Company) 25.05.2000 beschreibt ein MCSA-Verfahren, um zu verhindern, dass eine Störung im Stromnetz fälschlich als eine Störung oder ein Defekt des überwachten Elektromotors interpretiert wird. Dabei werden Strom-Störsignale, die durch eine Störung im Stromnetz (Span- nungsanomalien, Störungen in der Spannungsfrequenz) hervorge- rufen wurden, aus den Strommesswerten entfernt, bevor diese der MCSA des Elektromotors zugeführt werden. Hierzu wird ein „aktives“ Motormodell des Elektromotors verwendet, welches das Verhalten des - fehlerfrei laufenden - Elektromotors si- mulieren kann. WO00/29902A2 beschreibt auf Seite 4, Zeilen 5- 11 das Verfahren wie folgt: „The method includes acquiring simultaneous measurements of voltage and current at the mo- tor, applying the measured voltage to the motor model and de- termining an equivalent current produced in the motor model by the applied voltage, subtracting the equivalent current from the measured current to produce a corrected motor cur-
202218759 4 rent and then processing the corrected motor current through conventional motor current signature analysis.” Nachteilig an diesem Verfahren ist, dass derartige nichtline- are Motormodelle in der Regel einen hohen Rechenaufwand er- fordern und mit erheblichen Unsicherheiten bei der Erstellung und Parametrierung behaftet sind. Eine Aufgabe der vorliegenden Erfindung ist eine verbesserte Zustandsüberwachung eines Antriebsstrangs. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den in Anspruch 1 angegebenen Merkmalen gelöst. Das erfindungsgemäße Verfahren dient zur Zustandsüberwachung eines Antriebsstrangs. Der Antriebsstrang weist einen Elekt- romotor auf, der an einem elektrischen Stromnetz betrieben wird. Der Elektromotor kann ein Asynchronmotor sein, ist aber nicht auf diesen Typ beschränkt; jede andere Art von Elektro- motor, z. B. Permanenterregte Synchronmaschine, Einphasen- Reihenschlussmotor ist ebenfalls geeignet für das erfindungs- gemäße Verfahren. Es ist alternativ auch möglich, das erfin- dungsgemäße Verfahren anstatt mit einem Elektromotor mit ei- nem Generator durchzuführen. Das elektrische Stromnetz kann ein ein– oder mehrphasiges Stromnetz, ausgebildet als ein Inselnetz oder als ein Teil eines Verbundnetzes, sein. Das Stromnetz kann, außer dem be- trachteten Elektromotor, noch ein oder mehrere weitere elekt- rische Lasten mit elektrischer Energie versorgen. Die Span- nung im Stromnetz kann durch einen oder mehrere Generatoren und/oder durch eine oder mehrere Batterien bereitgestellt werden. Ein Schritt des Verfahrens ist das Erfassen von Messwerten einer am Elektromotor anliegenden Spannung, welche von dem elektrischen Stromnetz bereitgestellt wird. Die von dem elektrischen Stromnetz bereitgestellte Spannung kann in Bezug
202218759 5 auf Amplitude, Frequenz und Kurvenform schwanken, z. B. auf- grund von weiteren Lasten, die elektrische Energie aus dem Stromnetz entnehmen, und aufgrund von Rückwirkungen auf das Stromnetz. Dieses Erfassen von Spannungs-Messwerten kann durch Spannungssensoren, z. B. Shunt-Widerstände, erfolgen, welche die Spannung an Zuleitungen misst, welche elektrische Anschlüsse des Elektromotors mit dem Stromnetz elektrisch leitend verbindet. Ein weiterer Schritt des Verfahrens ist das Erfassen von Messwerten eines elektrischen Stroms, wel- cher aufgrund der am Elektromotor anliegenden Spannung durch den Elektromotor fließt. Der durch den Elektromotor fließende Strom I entspricht dem Quotienten der am Elektromotor anlie- genden Spannung U und der Impedanz Z des Elektromotors: I = U/Z. Dieses Erfassen von Strom-Messwerten kann durch Stromsensoren, z. B. einen Shunt, Hallsensoren, GMR-Sensor, erfolgen, welche den Strom messen, der durch die elektrischen Anschlüsse des Elektromotors fließt. Ein weiterer Schritt des Verfahrens ist das Analysieren der erfassten Messwerte; die Analyse erfolgt durch einen Dualen Anomalie-Detektor. Falls die erfasste Spannung außerhalb ei- nes definierten Bereichs der Spannungsqualität liegt, wird eine Spannungsanomalie festgestellt. Falls der erfasste Strom nicht eine erwartete, definierte Stromantwort, zum Beispiel I = U/Z, auf die erfasste Spannung zeigt, wird eine Stromanoma- lie festgestellt. Nachdem die Feststellung erfolgt ist, ob eine Spannungsanoma- lie, eine Stromanomalie oder beides vorliegt, wird daraus der Zustand des Antriebsstrangs abgeleitet: Falls nur eine Stromanomalie, aber keine Spannungsanomalie festgestellt wur- de, wird ein Fehler im Antriebsstrang gemeldet. Falls eine Spannungsanomalie festgestellt wurde, wird ein Fehler im Stromnetz gemeldet. Die Erfindung schlägt also eine Zustandsüberwachung eines An- triebsstrangs vor, wobei die Zustandsüberwachung sowohl den Spannungsverlauf der am Elektromotor anliegenden Netzspannung
202218759 6 als auch den Stromverlauf des durch den Elektromotor fließen- den Stroms I, der sich letztlich gemäß I=U/Z aus der am Elektromotor anliegenden Spannung und der Impedanz Z des Elektromotors ergibt, analysiert. Da bei dem erfindungsgemä- ßen Anomalie-Detektionsverfahren sowohl die Spannung als auch der Strom auf Anomalien hin untersucht werden, wird der De- tektor als „Dualer“ Anomalie-Detektor bezeichnet. Dabei kön- nen in einer Trainingsphase Spannungsartefakte mitgelernt werden. Treten also Störfrequenzen in der Spannung auf, so ist dann auch das resultierende Stromspektrum eingelernt. Durch die Erfindung kann eine MCSA, welche eine Analyse eines Motorstroms eines Elektromotors des zu überwachenden An- triebsstrangs ist, um eine Überwachung der Qualität einer am Elektromotor anliegenden Spannung, d.h. der Spannungsqualität im Stromnetz, erweitert werden. Dadurch werden Fehlalarme in Bezug auf den Maschinenzustand reduziert und „Falsch Nega- tiv“-Alarme vermieden. Darüber hinaus liegt die Information „Spannungsanomalie“ dediziert und gegebenenfalls mit Angabe der möglichen Ursache vor. Die Erfindung benötigt kein aktives Maschinenmodell, um Strommerkmale zu errechnen, welche bei speziellen Spannungs- anomalien folgen. Diese Art nichtlinearer Modelle sind in der Regel mit einem hohen Rechenaufwand und erheblichen Unsicher- heiten bei der Erstellung und Parametrierung im Feld verse- hen, wodurch diese die Strombeiträge in Spannungsstörfällen nicht sicher vorhersagen. Es ist weiterhin bekannt, dass sich Fehlerarten wie z. B. fehlausgerichtete Wellen in Antriebssträngen (= Motor + ange- triebene Maschine(n)) durch Abweichungen in theoretischen MCSA-Spektrallinien äußern, vornehmlich in spannungsbasierten Merkmalen (MCSA-U) und nur eingeschränkt in strombasierten Merkmalen (MCSA-I). Die sichere Detektion derartiger An- triebsstrang-Zustandsfehler kann also nur bei Betrachtung so- wohl von Strommerkmalen als auch von Spannungsmerkmalen er- reicht werden. Der Duale Anomalie-Detektor vermeidet die
202218759 7 Nachteile bisheriger Lösungsansätze und kombiniert die Strom- und Spannungsmerkmalsdatensätze optimal. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfin- dung sind in den abhängigen Ansprüchen angegeben. Gemäß einer bevorzugten Ausgestaltung der Erfindung erfolgt das Analysieren und das Feststellen einer Spannungsanomalie und/oder einer Stromanomalie durch zumindest eine trainierte KI-Funktion des Dualen Anomalie-Detektors. Das Verfahren be- dient sich also maschineller Methoden, um eine Anomalie zu detektieren. Die in der Realität auftretenden Spannungs- und Stromvariationen können eine große Vielfalt aufweisen, weil es für den Aufbau und die Elemente eines Stromnetzes sowie eines Antriebsstrangs praktisch unendlich viele unterschied- liche Möglichkeiten gibt. Daher kann es also schwierig sein, alle Kriterien, wann eine Anomalie vorliegt, bereits im Vor- feld so umfänglich zu definieren, dass für jede mögliche auf- tretende Spannungs- und Stromvariation eindeutig festgestellt werden kann, ob eine Anomalie vorliegt oder nicht. Eine KI- Funktion ist insofern vorteilhaft, als sie ständig lernen und sich weiterentwickeln kann; die KI-Funktion kann also in der Lage sein, für in der Realität auftretende Spannungs- und Stromvariationen, an die ein Bediener im Vorfeld gar nicht gedacht hat, gelernte Kriterien anzuwenden, die eine Klassi- fizierung erlauben, ob eine Anomalie vorliegt oder nicht. Durch die Anwendung der trainierten Funktion zur künstlichen Intelligenz, kurz: KI-Funktion, auf die Strommerkmale und die Spannungsmerkmalen werden Funktionsausgabedaten erzeugt, wel- che Informationen zu Strom- und Spannungsanomalien beinhal- ten. Die trainierte Funktion zur Anomalieerkennung ist in der Lage, aus den Messwerten von Spannung und Strom Informationen hinsichtlich der Qualität der Spannungsversorgung und Infor- mationen darüber zu extrahieren, ob der Motorstrom mit der aktuell gemessenen Qualität der Spannungsversorgung konsis- tent ist.
202218759 8 Die trainierte Funktion ist eine Funktion, die durch einen ML-Algorithmus trainiert wird (ML = Maschinelles Lernen; engl.: Machine Learning). Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingangsparametern eines parametrisierten Systemmodells, z. B. eines neuronalen Net- zes, auf einen oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu er- lernenden Kriterien während einer Trainingsphase optimiert. Als Kriterien können z.B. bei Mustererkennungsmodellen ein Prozentsatz von erfolgreich erkannten Mustern herangezogen werden. Eine Trainingsstruktur kann z.B. eine Vernetzungs- struktur von Neuronen eines neuronalen Netzes und/oder Ge- wichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die Kriterien möglichst gut erfüllt werden. Im vorliegenden Ausführungsbeispiel wird ein neuronales Netz, abgekürzt als NN bezeichnet, anhand von vorgegebenen zeitli- chen Spannungs- und Stromverläufen oder Spannungs- und Strom- Frequenzspektren darauf trainiert, eine Spannungs-Anomalie in einer Versorgungsspannung eines Elektromotors eines Antriebs- strangs und/oder eine Strom-Anomalie im Motorstrom eines Elektromotors eines Antriebsstrangs zu erkennen. Um ein be- stimmtes Spannungs- bzw. Strom-Muster von anderen Spannungs- bzw. Strom-Mustern unterscheiden zu können, müssen Eigen- schaften des Spannungs- bzw. Strom-Musters beschrieben und mathematisch abgebildet werden. Je genauer die Beschreibung des Musters möglich ist und je mehr auswertbare Informationen vorhanden sind, umso zuverlässiger arbeitet die Mustererken- nung. Zur Messung der Spannungs-/ Netzqualität werden Spannungs- merkmaldatensätze gebildet, z. B. Spannungsspektrum oder Au- toregressionsmerkmale, und zum Trainieren eines Spannungsano- malie-Detektors verwendet. Die trainierte Funktion ist Teil einer Mustererkennungsein- richtung. Zur Konfiguration verfügt die Mustererkennungsein-
202218759 9 richtung über ein oder mehrere trainierbare Funktionen, d. h. in Rechenmodulen der Mustererkennungseinrichtung durchführba- re Algorithmen, die Verfahren des maschinellen Lernens imple- mentieren, um durch Training die Mustererkennung zu optimie- ren. Diese trainierbaren Funktionen können mit bekannten Standardverfahren des maschinellen Lernens darauf trainiert werden, in Eingabe-Dateien vorgegebene zeitliche Spannungs- und Stromverläufe oder Spannungs- und Strom-Frequenzspektren möglichst genau wiederzuerkennen. Zu diesem Zweck kann z. B. ein jeweiliges von der Funktion in Eingabe-Dateien erkanntes Muster mit einem in den Eingabe-Dateien tatsächlich vorhande- nen Muster verglichen werden und die Funktion darauf trai- niert werden, eine Abweichung zu minimieren. Ein solches Lernverfahren wird häufig auch als überwachtes Lernen be- zeichnet. In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d.h. zum Training verwendbare Dateien verfüg- bar sind. Insbesondere sollten die Trainingsdaten einen mög- lichst großen Bereich von möglichen Konstellationen eines elektromotorisch betriebenen Antriebsstrangs repräsentativ abdecken. Wie oben bereits erwähnt, wird gemäß der vorliegenden Erfin- dung durch das Training des neuronalen Netzes NN angestrebt, dass dieses eine Spannungs- und/oder Stromanomalie erkennt. Zu diesem Zweck werden die vom neuronalen Netz NN ausgegebe- nen Funktionsausgabedaten mit den tatsächlich in den Eingabe- daten enthaltenen Anomalien verglichen. Im Rahmen des Ver- gleichs wird eine Abweichung bzw. Differenz D zwischen den Funktionsausgabedaten und der oder den korrespondierenden, tatsächlich vorliegenden Anomalien gebildet. Die Differenz D repräsentiert einen Erkennungsfehler des neuronalen Netzes NN. Die Differenz D wird zum neuronalen Netz NN zurückge- führt, das darauf trainiert wird, die Differenz D zu minimie- ren, d. h. die Art einer Anomalie möglichst genau zu erken- nen.
202218759 10 Zum Training des neuronalen Netzes NN kann eine Vielzahl von Standard-Trainingsverfahren für neuronale Netze, insbesondere des überwachten Lernens, eingesetzt werden. Die zu minimie- rende Abweichung D kann dabei durch eine geeignete Kosten- funktion repräsentiert werden. Zur Minimierung der Abweichung D kann insbesondere eine Gradienten-Abstiegsmethode verwendet werden. Im Allgemeinen imitiert eine trainierte Funktion kog- nitive Fähigkeiten, welche Menschen mit dem Verstand anderer Menschen assoziieren. Insbesondere ist eine trainierte Funk- tion durch das Training auf Basis von Trainingsdaten in der Lage, sich an neue Umstände anzupassen und Muster zu entde- cken und zu extrapolieren. Im Allgemeinen können Parameter einer trainierten Funktion durch Training, d. h. Lernen, angepasst werden. Insbesondere kann dazu überwachtes Lernen, teilüberwachtes Lernen, unüber- wachtes Lernen, bestärkendes Lernen und/oder aktives Lernen benutzt werden. Außerdem kann Repräsentations-Lernen, auch “Feature Learning” genannt, verwendet werden. Insbesondere können die Parameter der trainierten Funktionen iterative durch mehrere Trainingsschritte angepasst werden. Insbesondere kann eine trainierte Funktion ein neuronales Netzwerk, eine Support Vector Machine, einen Entscheidungs- baum und/oder ein Bayessches Netz aufweisen, und/oder die trainierte Funktion kann auf k-means clustering, Qlearning, Genetischen Algorithmen und/oder Assoziierungsregeln basie- ren. Insbesondere kann ein neuronales Netzwerk ein Tiefes Neuronales Netzwerk (engl.: Deep Neural Network), ein Falten- des Neuronales Netzwerk (engl.: convolutional neural network) oder ein Tiefes Faltendes Neuronales Netzwerk (engl.: convo- lutional deep neural network) sein. Ferner kann ein neurona- les Netzwerk ein Adversarial Network, ein Deep Adversarial Network und/oder ein Generative Adversarial Network sein. Gemäß einer bevorzugten Ausgestaltung der Erfindung wird ein Feature-Vektor zur Zustandsüberwachung mithilfe einer Selbst-
202218759 11 organisierende Karte (engl.: Self-organizing map, abgekürzt: SOM) eingesetzt. Die Idee der SOM ist es, ein Gitter von X * Y Neuronen N zu erzeugen. Jedes Neuron N enthält dabei einen Gewichtsvektor der Länge LF, also gleich der Länge eines Feature-Vektors. Die Bestimmung der Anzahl der Neuronen (X * Y) ist dabei ein Kompromiss zwischen der Datenmenge / Rechenaufwand einerseits und der gewünschten Zuverlässigkeit eines Anomalie-Detektors andererseits. In bereits durchgeführten Tests haben 20 x 20 = 400 Neuronen zu sehr guten Ergebnissen geführt. Selbstorganisierende Karten arbeiten, wie die meisten künst- lichen neuronalen Netze, in zwei Moden: Training und Mapping. Im Training-Modus wird ein Eingabe-Datensatz ("input space") verwendet, um als eine niedriger-dimensionale Darstellungs- weise der Eingabedaten eine Karte zu generieren ("map space"). Im Mapping-Modus werden Messdaten mithilfe der gene- rierten Karte klassifiziert, z. B. als normal oder als ano- mal. ^ Das Lernen der SOM, also das Training, ist ein iterativer Prozess. Im Anfangszustand enthalten die Gewichtsvektoren zu- fällige Werte. Der Lernprozess erfolgt nun so, dass ähnliche Feature-Vektoren aus dem Trainingsdatensatz demselben Neuron zugeordnet werden. „Ähnlich“ ist dabei in Sinne einer vekto- riellen Distanz zu verstehen, d. h. je nach Anwendung kann z. B. die Euklidische Distanz, die Kosinus-Distanz, oder die Manhattan-Distanz verwendet werden. Das Ziel des Trainings ist es, einen p-dimensionalen "input space", d. h. mit p Variablen, als einen 2-dimensionalen "map space" darzustellen. Ein "map space" besteht aus Komponenten, die als Knoten oder Neuronen bezeichnet werden und auf einem hexagonalen oder rechtwinkligen Gitter mit zwei Dimensionen angeordnet sind. Die Anzahl der Knoten und ihre Position auf dem Gitter werden im Vorfeld festgelegt, basierend auf dem
202218759 12 Ziel, das mit der Analyse und Untersuchung des "input space" verfolgt wird. Jedem Knoten des "map space" ist ein Gewichtsvektor zugeord- net, der die Position des Knotens im "input space" definiert. Während die Knoten im "map space" an ihrer Position verankert bleiben, werden die Gewichtsvektor den Eingabe-Daten angenä- hert, d. h. die Distanz, z. B. die Euklidische Distanz, zwi- schen dem Gewichtsvektor und den Eingabe-Daten wird mini- miert, ohne dass die vom "map space" generierte Topologie zerstört wird. Es werden während der Trainingsphase Feature-Vektoren grup- piert, die sich „ähnlich“ sind. Diese Ähnlichkeit wird dabei als die Euklidsche Distanz definiert, d.h. je kleiner die Distanz der Feature-Vektoren, desto ähnlicher sind sich die Feature-Vektoren. Für jede „Gruppe“ von ähnlichen Feature- Vektoren werden eine oder mehrere Repräsentanten gewählt, ebenso die maximale Distanz Dmax für jede Gruppe. Nach dem Abschluss der Trainingsphase kann die auf diese Wei- se generierte SOM dazu verwendet werden, weitere "input space"-Vektoren, d. h. Beobachtungen im "input space", hier: Zeitreihen von Stromwerten, zu klassifizieren, indem derjeni- ge Knoten identifiziert wird, dessen Gewichtsvektor dem "in- put space"-Vektor am nächsten liegt, d. h. die geringste Dis- tanzmetrik, z. B. die Euklidische Distanz, aufweist. Ein erfindungsgemäß generierter Feature-Vektor mit p Vekto- relementen, die mittels eines AR-Verfahrens aus einer an ei- nem Elektromotor gemessenen Zeitreihe gewonnen wurden, wird einem Neuron der besagten SOM und einem dem Neuron zugeordne- ten Gewichtsvektor zugeordnet. Um die trainierte SOM als Anomalie-Detektor nutzen zu können, wird eine Funktion benötigt, die einem Feature-Vektor Fν ei- nen Grad zuweist, zu dem der Feature-Vektor eine Anomalie
202218759 13 darstellt. Für diesen Zweck wird für jeden Feature-Vektor Fν der „Quantisierungs-Fehler“ Eν berechnet: Eν = | Fν – Gν| für alle ν, also für alle Feature-Vektoren. Dabei ist |...| die vorher definierte vektorielle Distanz und Gν der jeweili- ge Gewichtsvektor des „optimalen“ Neurons, d. h. desjenigen Neurons, dessen Gewichtsvektor G die minimale Distanz zum Feature-Vektor aufweist. Der Quantisierungs-Fehler E be- schreibt, wie gut der jeweilige Feature-Vektor auf die Ver- teilung der Daten abgebildet werden kann, mit denen die SOM trainiert wurde. Ein hoher Fehler zeigt dabei an, dass der Feature-Vektor sehr unterschiedlich zu den Trainingsdaten ist und daher ein anomales Verhalten des Motors beschreibt. In der Praxis erfolgt ein Feststellen einer Anomalie des Elekt- romotors, falls der Quantisierungs-Fehler Ex einen fest vor- gegebenen Schwellwert EThreshold überschreitet: Ex > EThreshold. Nach dem Training erfolgt eine Anomalie-Erkennung wie folgt: Es wird aus den Eingangswerten, wie oben beschrieben, ein Feature-Vektor erzeugt. Für diesen Vektor wird jeweils die Euklidsche Distanz zu den gelernten „Gruppen“ bestimmt. Von allen Distanzen wird der minimale Wert bestimmt. Ist dieser Wert größer als Dmax, so liegt eine Anomalie vor. Gemäß einer bevorzugten Ausgestaltung der Erfindung werden für die Analyse der Messwerte des Motorstroms des Elektromo- tors und für die Entscheidung, ob eine Stromanomalie vor- liegt, Verfahren einer MCSA verwendet. Bei der MCSA wird aus einer Zeitreihe von Messwerten des Motorstroms ein Frequenz- spektrum generiert, z. B. mithilfe einer Fast Fourier Trans- formation (= FFT). Falls der überwachte Elektromotor einen Motorfehler aufweist, verändert sich das Frequenzspektrum des Motorstroms im Vergleich zu dem eines „gesunden“, d. h. eines fehlerfrei laufenden Elektromotors. Die bei einer MCSA einge- setzten Verfahren sind dem Fachmann seit Langem bekannt und in vielen Publikationen beschrieben. Gemäß einer bevorzugten
202218759 14 Ausgestaltung der Erfindung werden Verfahren einer MCSA ana- log für die Analyse der Messwerte der Versorgungsspannung des Elektromotors und für die Entscheidung, ob eine Spannungsano- malie vorliegt, verwendet. Dazu kann – analog zur typischen MCSA-Anwendung auf eine Zeitreihe von Stromwerten des Elekt- romotors - ein MCSA-Verfahren zur Bestimmung von FFT- Amplituden auf eine Zeitreihe von Spannungswerten des Elekt- romotors angewendet werden, um die Frequenzspektrums- Amplituden bei den im Folgenden angegebenen Frequenzen, siehe Gl. (1) bis (6) unten, zu ermitteln. Wie in der Theorie der MCSA beschrieben, ist das Frequenz- Spektrum eines Asynchronmotors (Lage der Frequenzlinien) in hohem Maße abhängig vom Belastungszustand, also vom Schlupf s. Außerdem ist aus der klassischen MCSA bekannt, dass sich Frequenzlinien auch mit der Frequenz der am ASM anliegenden Speisespannung („Speisefrequenz fsupply“) ändern. Die MCSA un- terscheidet hauptsächlich zwischen schlupfabhängigen motor- spezifischen Spektrallinien, z. B. den Principal Slot Harmo- nics (PSHs), diversen schlupfabhängigen Fehlerlinien und den motorspezifischen Winding Harmonics (WHs), die Vielfache der Speisefrequenz sind. Es gelten für die PSH: fPSH = [k•(R/p)•(1-s) ± ν] • fsupply Gl. (1) und für typische Motorfehler: i) Gebrochene Rotorstäbe (Broken Bars BB): fBB1 = (1 ± 2k•s) • fsupply Gl. (2) ii) Statische / Dynamische Rotor-Exzentrizität (siehe ISO 20958:2013) fecc1 = [1 ± (k/p)•(1-s)] • fsupply Gl. (3) fecc2 = [(R ± nd)•(k/p)•(1-s) ± ν] • fsupply Gl. (4) iii) Lagerschäden am Wälzlager fo = [(Nb/2)•(1 – (Db/Dp)•cos(β)] • frot Gl. (5) fi = [(Nb/2)•(1 + (Db/Dp)•cos(β)/Dp)] • frot Gl. (6)
202218759 15 wobei fBB1 Frequenz bei Rotorstabbruch fsupply Frequenz der Versorgungsspannung, z. B. 50 Hz oder 60 Hz fecc1 Frequenz der Exzentrizität (1. Familie) fecc2 Frequenz der Exzentrizität (2. Familie) fPSH Frequenz der Principal Slot Harmonics (= PSH) fo Frequenz des Lager-Außenrings (o = outer) fi Frequenz des Lager-Innenrings (i = inner) frot Rotationsfrequenz des Wälzlagers k natürliche Zahl p Anzahl der Polpaare = Polpaarzahl R Anzahl der Rotorstäbe = Rotorstabzahl s Schlupf ν ungerade Zahlen 1, 3, 5, 7, ... = Ordnung der Harmo- nischen von fsupply nd Index, der vom Exzentrizitäts-Typ abhängt (statisch: nd = 0; dynamisch: nd = 1, 2, 3, 4, ...) Nb Anzahl der Wälzkörper Db/Dp Charakteristische Durchmesser am Wälzlager ß Kontaktwinkel Gemäß einer bevorzugten Ausgestaltung der Erfindung werden aus den gemessenen Strom- und/oder Spannungswerten Merkmals- daten ermittelt, die zur Bewertung, ob die erfasste Spannung innerhalb eines definierten Qualitätsbereichs liegt und/oder ob der erfasste Strom eine definierte Stromantwort auf die erfasste Spannung zeigt, verwendet werden und/oder die zum Trainieren des Dualen Anomalie-Detektors verwendet werden. Ein Ermitteln von Merkmalsdaten, z. B. einem Mittelwert, mi- nimale Werte und/oder maximale Werte, Durchschnittswerte, Er- wartungswert und Varianz einer Verteilung, aus gemessenen Strom- und/oder Spannungsmessreihen geht in der Regel mit ei- ner Verringerung der Datenmenge einher, was die Datenverar- beitung erheblich vereinfacht und beschleunigt: anstatt mit den umfangreichen gemessenen Strom- und/oder Spannungsmess- reihen muss der Dualen Anomalie-Detektor dann nur noch mit den Merkmalsdaten rechnen.
202218759 16 Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die Merkmalsdaten auf Basis von Messwerten einer oder mehre- rer folgender Größen bzw. Parameter ermittelt: Spannungsfre- quenz, Frequenz von Spannungseinbrüchen und -anstiegen, Span- nungsasymmetrie, ein Spannungsspektrum, Autoregressionsmerk- male, die elektrische Wirkleistung P, die elektrische Blind- leistung Q, die elektrische Scheinleistung S, Symmetrie der Spannung in Außenleitern, Verteilung der Netzfrequenzharmoni- schen in mindestens einem der Spannungsfrequenzspektren. Dazu können herkömmliche Messgeräte zur Erfassung der elektrischen Basisgrößen in der Niederspannungs-Energieverteilung verwen- det werden, wie der folgende Auszug aus dem Siemens System- handbuch SENTRON PAC4200 Messgerät zur Erfassung der elektri- schen Basisgrößen in der Niederspannungs-Energieverteilung zeigt (SENTRON Multifunktionsmessgerät SENTRON PAC4200 Sys- temhandbuch, Ausgabe 05/2019, A5E02316180A-05, Siemens AG, Smart Infrastructure, Low Voltage & Products, Postfach 1009 53, 93009 Regensburg, Deutschland, 3ZX1012-0kM42-3AB0, (C) Siemens AG 2019, Seite 11-12): Kapitel 2 - Beschreibung - 2.1 Leistungsmerkmale - Messung ● Messung in 2-, 3- und 4-Leiter-Netzen. Geeignet für TN-, TT- und IT-Netze ● Messung aller relevanten elektrischen Größen eines Wechsel- stromsystems ● Erfassung Minimal- und Maximalwerte alle Messgrößen ● Echt-Effektivwert Ermittlung für Spannung und Strom bis zur 63. Oberschwingung ● 4 Quadrantenmessung (Bezug und Abgabe) ● Mittelwertbildung aller Messwerte direkt im Gerät in zwei voneinander unabhängigen und frei konfigurierbaren Stufen (Aggregation) ● Messung der Oberschwingungen 1. bis 64. (gerade und ungera- de) ● Berechnung der Durchschnittswerte über alle Phasen für Spannung und Strom. ● Lückenlose Abtastung (engl.: zero blind measurement)
202218759 17 ● Hohe Messgenauigkeit: Z. B. Genauigkeitsklasse 0,2 nach IEC 61557-12 für die Wirkenergie. D. h.: Eine Genauigkeit von 0,2 % bezogen auf den Messwert unter Referenzbedingungen ● Erkennung von Spannungseinbrüchen, Überspannung und Span- nungsunterbrechungen mit benutzerdefinierten Schwellwerten ● Erfassung des N-Leiterstroms ● Erfassung des Differenz- und PE-Leiterstroms über externen Summenstromwandler ● Erfassen physikalischer Größen (z. B. Temperatur, Druck, Feuchtigkeit) mit externen 0/4 mA bis 20 mA Messumformer Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die Versorgungsharmonischen Amplituden im Verhältnis zur Grundwellenamplitude oder zeitabhängige Schwankungen der Amplitude (RMS = Root Means Square) und Grundwellenfrequenz ermittelt. Vorgenannte Größen sind in Anlehnung an die DIN EN 61000-4-7 „Verfahren und Geräte zur Messung von Oberschwin- gungen und Zwischenharmonischen in Stromversorgungsnetzen und angeschlossenen Geräten“ und die DIN EN 61000-4-30 „Prüf- und Messverfahren - Verfahren zur Messung der Spannungsqualität“ gewählt, die auch die Grundlage für die Definition von In- dustrie/Versorgungsnetzen bilden, mit dem Ziel, die Versor- gungspannung innerhalb definierter Grenzen derart zu gewähr- leisten, dass elektrische Maschinen einwandfrei funktionieren können. Die Versorgungsnetze werden diese Anforderung in der Regel erfüllen und die Qualität wird in entsprechenden Gerä- ten oft auch mitgemessen. Die zu einem beliebigen Zeitpunkt vorgenommenen Strommessun- gen zur Zustandsanalyse elektrischer Maschinen werden jedoch von den zu diesem Zeitpunkt herrschenden 3-phasigen Span- nungssignalen direkt beeinflusst. Durch Bestimmen der wesent- lichen Größen der Netzqualität kann die strombasierte Zu- standsdiagnose verbessert werden. Gemäß einer bevorzugten Ausgestaltung der Erfindung ist der Duale Anomalie-Detektor eine Self Organizing Map oder ein Au- toencoder, welcher eine Abweichung von Spannungs-Messwerten
202218759 18 von einer vorgegebenen Netzqualität detektiert. Dieser als eine SOM oder ein Autoencoder ausgebildete Anomalie-Detektor kann beispielweise Abweichungen von ungestörten Sinus- Spannungsverläufen detektieren. Abweichungen von ungestörten Sinus-Spannungsverläufen sind in den Oberwellenanteilen ent- halten und die Verteilung der Oberwellen in der Versorgung kann zur Korrektur der resultierenden Oberwellanteile des Strom genutzt werden, um die Oberwellenanteile, die aus dem Motor resultieren, auswerten zu können. Ein weiterer Aspekt der Erfindung ist eine Vorrichtung zur Zustandsüberwachung eines Antriebsstrangs, der einen an einem elektrischen Stromnetz betriebenen Elektromotor aufweist. Die Vorrichtung weist Sensoren zum Erfassen von Messwerten einer am Elektromotor anliegenden Spannung und eines aus der anlie- genden Spannung resultierenden Stroms, der durch den Elektro- motor fließt, auf. Die Vorrichtung weist einen Dualen Anoma- lie-Detektor zum Analysieren der erfassten Messwerte auf, wo- bei der Duale Anomalie-Detektor trainiert wurde, eine Span- nungsanomalie zu detektieren, falls die erfasste Spannung ei- ne vorgegebene Netzqualität nicht erfüllt, und eine Stromano- malie zu detektieren, falls der erfasste Strom nicht eine er- wartete Stromantwort auf die erfasste Spannung zeigt. Dabei meldet der Duale Anomalie-Detektor a) einen Fehler im An- triebsstrang, falls er nur eine Stromanomalie, aber keine Spannungsanomalie detektiert, oder b) einen Fehler im Strom- netz meldet, falls er eine Spannungsanomalie detektiert. Ein weiterer Aspekt der Erfindung ist ein Computer-Programm, welches Anweisungen umfasst, die, wenn das Programm auf einem Computer ausgeführt wird, die Vorrichtung zur Zustandsüberwa- chung eines Antriebsstrangs veranlassen, das Verfahren zur Zustandsüberwachung eines Antriebsstrangs auszuführen. Ein weiterer Aspekt der Erfindung ist ein Verfahren zur Be- reitstellung eines trainierten Duale Anomalie-Detektors zur Erkennung von Anomalien in einem Antriebsstrang. Der An- triebsstrang weist dabei einen an einem elektrischen Strom-
202218759 19 netz betriebenen Elektromotor auf, sowie Sensoren zur Messung von Spannungs- und Stromwerten. Ein Schritt des Verfahrens ist ein Empfangen von Eingangs-Trainingsdaten, welche von den Sensoren gewonnene Messdaten, d. h. Messwerte, repräsentie- ren. Ein weiterer Schritt des Verfahrens ist ein Empfangen von Ausgangs-Trainingsdaten, welche Anomalien in den Messda- ten repräsentieren. Ein weiterer Schritt des Verfahrens ist ein Trainieren einer KI-Funktion des Duale Anomalie-Detektors basierend auf den Eingangs-Trainingsdaten und den Ausgangs- Trainingsdaten derart, dass die künstliche Intelligenz Span- nungs- und/oder Stromanomalien detektiert. In der Trainings- phase kann auch ein Anlernen des Dualen Anomalie-Detektors mit Spannungsmerkmaldatensätzen und korrespondierenden Strom- merkmalsdatensätzen erfolgen. Ein weiterer Schritt des Ver- fahrens ist ein Bereitstellen des trainierten Dualen Anoma- lie-Detektors. Dabei ist der trainierte Duale Anomalie- Detektor zum Detektieren von Stromanomalien und von Span- nungsanomalien in Strom- und Spannungs-Messreihen angepasst. Ein weiterer Aspekt der Erfindung ist ein Computer-Programm, welches Anweisungen umfasst, die, wenn das Programm auf einem Computer ausgeführt wird, den Computer veranlassen, das er- findungsgemäße Verfahren zur Bereitstellung eines trainierten Duale Anomalie-Detektors auszuführen. Im Folgenden wird die Erfindung unter Zuhilfenahme der bei- liegenden Zeichnung erläutert. Es zeigt jeweils schematisch und nicht maßstabsgetreu Fig. 1 eine Ausgestaltung einer erfindungsgemäßen Vorrich- tung zur Zustandsüberwachung eines Antriebsstrangs; Fig. 2 ein Ablaufdiagramm einer Ausgestaltung des erfin- dungsgemäßen Verfahrens; Fig. 3 eine Ausgestaltung eines künstlichen neuronalen Netzwerks;
202218759 20 Fig. 4 ein Ablaufdiagramm eines Computerprogramms gemäß einem Ausführungsbeispiel der vorliegenden Erfin- dung. Fig. 1 zeigt einen Elektromotor M, der mittels eines Abzweigs 12 mit einem Stromnetz N elektrisch verbunden ist. Der Ab- zweig kann beispielweise eine dreiphasige Elektroleitung sein, welche das Drehstromnetz N mit den Anschlussklemmen des Elektromotors M verbindet. Der Elektromotor M ist als eine Antriebmaschine eines Antriebsstrangs D ausgebildet, der au- ßerdem ein mechanisches Getriebe G und eine Arbeitsmaschine W aufweist. Ein von dem Elektromotor M bereitgestelltes Drehmo- ment wird über das Getriebe G an die Arbeitsmaschine W über- tragen. Dabei kann die Arbeitsmaschine beispielsweise ein Förderband, eine Rolle oder eine Walze sein. Außer dem Elekt- romotor M des Antriebsstrangs D sind noch weitere elektrische Lasten 20 mit dem Stromnetz N verbunden. Ein erster Sensor S1, der z. B. an dem Abzweig 12 angeordnet ist, erfasst Spannungswerte Um einer elektrischen Versor- gungsspannung des Elektromotors M, z. B. einer Spannung zwi- schen zwei Phasen des Abzweigs 12 oder zwischen einer Phase des Abzweigs 12 und einem Referenzpotential, und sendet die erfassten Spannungswerte Um über ein Übertragungsmittel 10, z. B. ein Datenkabel, an eine Vorrichtung 15 zur Zustands- überwachung des Antriebsstrangs D. Ein zweiter Sensor S2, der z. B. an dem Elektromotor M angeordnet ist, erfasst Stromwer- te Im eines elektrischen Stroms, der durch den Elektromotor M fließt, und sendet die Stromwerte Im über ein Übertragungs- mittel 11, z. B. ein Datenkabel, an die Vorrichtung 15 zur Zustandsüberwachung des Antriebsstrangs D. Die Vorrichtung 15 zur Zustandsüberwachung des Antriebs- strangs D weist einen Dualen Anomalie-Detektor 16, eine Be- nutzerschnittstelle 17 und einen Datenspeicher 19 auf. Der Duale Anomalie-Detektor 16 weist eine trainierte KI-Funktion 18 auf. Die Vorrichtung 15 empfängt die erfassten Spannungs-
202218759 21 werte Um und die erfassten Stromwerte Im und wertet sie mit- tels der trainierten KI-Funktion 18 aus. Die KI-Funktion 18 analysiert die erfassten Messwerte Um, Im. Die KI-Funktion 18 stellt eine Spannungsanomalie Uanomal fest, falls die erfasste Spannung Um außerhalb eines definierten Qualitätsbereichs Uqual liegt, der durch Bereichsgrenzwerte definiert ist, die in dem Datenspeicher 19 hinterlegt sind. Die KI-Funktion 18 stellt eine Stromanomalie Ianomal fest, falls der erfasste Strom Im keine vorgegebene Stromantwort Iresp auf die erfasste Spannung Um zeigt; vorgegebene Strom- antworten sind in dem Datenspeicher 19 hinterlegt. Die Vorrichtung 15 meldet einen Fehler im Antriebsstrang D, falls nur eine Stromanomalie Ianomal, aber keine Spannungsano- malie Uanomal festgestellt wurde. Die Vorrichtung 15 meldet ei- nen Fehler im Stromnetz N, falls eine Spannungsanomalie Uanomal festgestellt wurde. Die Meldungen erfolgt mittels der Benut- zerschnittstelle 17, z. B. ein Display. Fig. 2 zeigt ein Ablaufdiagramm einer Ausgestaltung des er- findungsgemäßen Verfahrens. In einem ersten Schritt 201 wer- den Spannungswerte Um einer elektrischen Versorgungsspannung des Elektromotors M und Stromwerte Im eines durch den Elekt- romotor M fließenden elektrischen Stroms erfasst. In einem zweiten Schritt 202 werden diese erfassten Messwerte analysiert: es wird geprüft, a) ob die erfassten Spannungs- werte Um innerhalb eines definierten Qualitätsbereichs Uqual liegen, und b) ob die erfassten Stromwerte Im eine vorgegebe- ne Stromantwort Iresp auf die erfasste Spannung Um zeigen. In einem nächsten Schritt 203 wird in Abhängigkeit der Ergebnis- se der Analyse festgestellt, ob eine Spannnungsanomalie Uanomal und/oder eine Stromanomalie Ianomal vorliegt; dabei muss eine der vier in der Tabelle 204 gezeigten möglichen Zustände vor- liegen, wobei 0 = false und 1 = true den Wahrheitswert der Aussagen „Spannnungsanomalie Uanomal liegt vor?“ bzw. „Stroma- nomalie Ianomal liegt vor?“ anzeigen:
202218759 22 - ein erster Zustand {Uanomal = 0; Ianomal = 0} wird festge- stellt, falls die erfassten Spannungswerte Um innerhalb eines definierten Qualitätsbereichs Uqual liegen und die erfassten Stromwerte Im eine vorgegebene Stromantwort Iresp auf die er- fasste Spannung Um zeigen; - ein zweiter Zustand {Uanomal = 0; Ianomal = 1} wird festge- stellt, falls die erfassten Spannungswerte Um innerhalb eines definierten Qualitätsbereichs Uqual liegen und die erfassten Stromwerte Im keine vorgegebene Stromantwort Iresp auf die er- fasste Spannung Um zeigen; - ein dritter Zustand {Uanomal = 1; Ianomal = 0} wird festge- stellt, falls die erfassten Spannungswerte Um außerhalb eines definierten Qualitätsbereichs Uqual liegen und die erfassten Stromwerte Im eine vorgegebene Stromantwort Iresp auf die er- fasste Spannung Um zeigen; - ein vierter Zustand {Uanomal = 1; Ianomal = 1} wird festge- stellt, falls die erfassten Spannungswerte Um außerhalb eines definierten Qualitätsbereichs Uqual liegen und die erfassten Stromwerte Im keine vorgegebene Stromantwort Iresp auf die er- fasste Spannung Um zeigen. Falls der erste Zustand {Uanomal = 0; Ianomal = 0} festgestellt wird, wird kein Fehler gemeldet 205. Falls der zweite Zustand {Uanomal = 0; Ianomal = 1} festgestellt wird, wird ein Fehler ED im Antriebsstrang D gemeldet 206. Falls der dritte Zustand {Uanomal = 1; Ianomal = 0} oder der vierte Zustand {Uanomal = 1; Ianomal = 1} festgestellt wird, wird ein Fehler EN im Stromnetz N gemeldet 207. Fig. 3 zeigt eine Ausgestaltung eines künstlichen neuronalen Netzwerks 100, wie es in der trainierten KI-Funktion 18 zum Einsatz kommt. Alternative Bezeichnungen für “künstliches neuronales Netzwerk“ sind “Neuronales Netzwerk”, “Künstliches Neuronales Netz” oder “Neuronales Netz”. Das künstliche neuronale Netz 100 weist Knoten (engl.: nodes) 120, ..., 132 und Kanten (engl.: edges) 140, 141, 142 auf, wobei jede Kante 140, 141, 142 eine gerichtete Verbindung ei-
202218759 23 nes ersten Knoten 120, ..., 132 mit einem zweiten Knoten 120, ..., 132 ist. Während im Allgemeinen der erste Knoten 120, ..., 132 und der zweite Knoten 120, ..., 132 unterschiedliche Knoten 120, ..., 132 sind, ist es auch möglich, dass der ers- te Knoten 120, ..., 132 und der zweite Knoten 120, ..., 132 identisch sind. Zum Beispiel ist in Fig. 6 die Kante 140 eine gerichtete Verbindung von dem Knoten 120 zu dem Knoten 123, und die Kante 142 ist eine gerichtete Verbindung von dem Kno- ten 130 zu dem Knoten 132. Eine Kante 140, 141, 142 von einem ersten Knoten 120, ..., 132 zu einem zweiten Knoten 120, ..., 132 wird auch als „eingehende Kante“ (engl.: ingoing edge; incoming edge) bezüglich des zweiten Knotens 120, ..., 132 und als „ausgehende Kante“ (engl.: outgoing edge) bezüglich des ersten Knotens 120, ..., 132 bezeichnet: „eingehende Kan- ten“ eines Knotens sind gerichtete Kanten, deren Zielpunkt der Knoten ist, „ausgehende Kanten“ eines Knotens sind ge- richtete Kanten, deren Ursprung der Knoten ist. In dieser Ausgestaltung sind die Knoten 120, ..., 132 des künstlichen neuronalen Netzwerks 100 in Schichten 110, ..., 113 angeordnet, wobei die Schichten eine intrinsische Ordnung aufweisen können, die durch die Kanten 140, 141, 142 zwischen den Knoten 120, ..., 132 eingeführt wird. Insbesondere können die Kanten 140, 141, 142 nur zwischen benachbarten Schichten von Knoten existieren. Im gezeigten Ausführungsbeispiel gibt es eine Eingabeschicht 110, die nur die Knoten 120, 121, 122 ohne eine eingehende Kante aufweist, eine Ausgabeschicht 113, die nur die Knoten 131, 132 ohne eine ausgehende Kante auf- weist, und versteckte Schichten 111, 112 zwischen der Einga- beschicht 110 und der Ausgabeschicht 113. Im Allgemeinen kann die Anzahl der versteckte Schichten 111, 112 willkürlich ge- wählt werden. Die Anzahl an Knoten 120, 121, 122 in der Ein- gabeschicht 110 steht üblicherweise in Beziehung zu der An- zahl an Eingabewerten des Neuronalen Netzes, und die Anzahl an Knoten 131, 132 in der Ausgabeschicht 113 steht üblicher- weise in Beziehung zu der Anzahl an Ausgabewerten des neuro- nalen Netzes.
202218759 24 Insbesondere kann jedem Knoten 120, ..., 132 des neuronalen Netzwerks 100 eine (reelle) Zahl als Wert zugewiesen werden. Hier bedeutet x(n) i den Wert des i-ten Knoten 120, ..., 132 der n-ten Schicht 110, …, 113. Die Werte der Knoten 120, 121, 122 der Eingabeschicht 110 sind äquivalent zu den Eingabewer- ten des neuronalen Netzwerks 100, die Werte der Knoten 131, und 132 der Ausgabeschicht 113 sind äquivalent zu den Ausga- bewerten des neuronalen Netzwerks 100. Außerdem kann jede Kante 140, 141, 142 eine reelle Zahl als Gewicht aufweisen, insbesondere eine reelle Zahl in dem Intervall [-1, 1] oder dem Intervall [0, 1]. Hier bezeichnet w(m,n) i,j das Gewicht der Kante zwischen dem i-ten Knoten 120, ..., 132 der m-ten Schicht 110, ..., 113 und dem j-ten Knoten 120, ..., 132 der n-ten Schicht 110, ..., 113. Darüber hinaus ist die Abkürzung w(n) i,j definiert als w(n,n+1) i,j. Insbesondere werden, um die Ausgabewerte des neuronalen Netz- werks zu berechnen, die Eingabewerte durch das neuronale Netzwerk propagiert. Insbesondere können die Werte der Knoten 120, ..., 132 der (n+1)-ten Schicht 110, ..., 113 aus Basis der Werte der Knoten 120, ..., 132 der n-th Schicht 110, ..., 113 berechnet werden wie folgt: x(n+1) j = f( Σi x(n) i ∙ w(n) i,j ). Hierbei ist die Funktion f eine Transferfunktion (auch be- zeichnet als “Aktivierungsfunktion“). Bekannte Transferfunk- tionen sind Stufenfunktionen, Sigmoidfunktionen (z.B. die Lo- gistische Funktion, die generalisierte Logistische Funktion, der Hyperbeltangens, die Arkustangens-Funktion, die Fehler- funktion, die Smoothstep-Funktion) oder Rectifier-Funktionen. Die Transferfunktion wird hauptsächlich zu Normalisierungs- zwecken verwendet. Insbesondere werden die Werte schichtweise durch das neurona- le Netzwerk propagiert, wobei Werte der Eingabeschicht 110 durch die Eingabe in das Neuronale Netzwerks 100 gegeben sind, Werte der ersten versteckten Schicht 111 auf Basis der
202218759 25 Werte der Eingabeschicht 110 des Neuronalen Netzwerks 100 be- rechnet werden können, Werte der zweiten versteckten Schicht 112 auf Basis der Werte der ersten versteckten Schicht 111 berechnet werden können, etc. Um die Gewichte w(m,n) i,j für die Kanten festzusetzen, muss das Neuronale Netzwerk 100 unter Verwendung von Trainingsdaten trainiert werden. Insbesondere weisen Trainingsdaten Trai- nings-Eingabedaten und Trainings-Ausgabedaten auf (bezeichnet mit ti). Für einen Trainingsschritt wird das Neuronale Netz- werk 100 auf die Trainings-Eingabedaten angewendet, um be- rechnete Ausgabedaten zu erzeugen. Insbesondere weisen die Trainingsdaten und die berechnete Ausgabedaten eine Anzahl von Werten auf, die gleich der Anzahl der Knoten der Ausgabe- schicht ist. Insbesondere wird ein Vergleich zwischen den berechnete Aus- gabedaten und den Trainingsdaten benutzt, um die Gewichte in dem Neuronale Netzwerk 100 rekursiv anzupassen (Backpropaga- tionsalgorithmus). Insbesondere werden die Gewichte geändert gemäß w'(n) i,j = w(n) i,j – γ ∙ δ(n) j ∙ x(n) i wobei γ die Lernrate ist, und die Zahlen δ(n) j rekursiv be- rechnet werden können wie folgt: δ(n) j = (Σk δ(n+1) k ∙ w(n+1) j,k) ∙ f'(Σi x(n) i ∙ w(n) i,j) basierend auf δ(n+1) j, falls die (n+1)-te Schicht nicht die Ausgabeschicht ist, und δ(n) j = (x(n+1) k - t(n+1) j) ∙ f'(Σi x(n) i ∙ w(n) i,j) falls die (n+1)-te Schicht die Ausgabeschicht 113 ist, wobei f' die erste Ableitung der Aktivierungsfunktion und t(n+1) j der Vergleichs-Trainingswert für den j-ten Knoten der Ausgabe- schicht 113 ist.
202218759 26 Fig. 4 zeigt ein Ablaufdiagramm eines Computerprogramms gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. In ei- nem ersten Schritt 41 erfolgt ein Erfassen von Messwerten ei- ner am Elektromotor anliegenden Spannung, welche von dem elektrischen Stromnetz bereitgestellt wird, und von Messwer- ten eines Stroms, welcher aufgrund der am Elektromotor anlie- genden Spannung durch den Elektromotor fließt. In einem dem ersten Schritt 41 nachfolgenden zweiten Schritt 42 werden die Messwerte analysiert. In einem dem zweiten Schritt 42 nach- folgenden dritten Schritt 43 wird eine Spannungsanomalie festgestellt, falls die erfasste Spannung außerhalb eines de- finierten Qualitätsbereichs liegt. In einem dem dritten Schritt 43 nachfolgenden vierten Schritt 44 wird eine Stroma- nomalie festgestellt, falls der erfasste Strom keine vorgege- bene Stromantwort auf die erfasste Spannung zeigt. In einem dem vierten Schritt 44 nachfolgenden fünften Schritt 45 wird eine Fehlermeldung eines Fehlers im Antriebsstrang erzeugt, falls nur eine Stromanomalie, aber keine Spannungsanomalie festgestellt wurde. In einem dem fünften Schritt 45 nachfol- genden sechsten Schritt 46 wird eine Fehlermeldung, die auf einen Fehler im Stromnetz hinweist, erzeugt, falls eine Span- nungsanomalie festgestellt wurde.
202218759 1 Description Method for monitoring the condition of a drive train The invention relates to a method, preferably a computer-implemented method, and a device for monitoring the condition of a drive train. The invention also relates to a computer-implemented method for providing a trained function for anomaly detection. Due to their cost-effective and robust design, asynchronous motors are very common in industry: they can be found in many applications such as fans, saws and pumps, from relatively small systems in the watt range to systems in the MW range. Electric motors are therefore among the largest consumers of electrical energy generated worldwide. Due to the widespread use of asynchronous motors, there is enormous potential in terms of availability and reliability and the associated savings in time and money. In this context, the terms “condition monitoring” (= CM) and “predictive maintenance” (= PM) are used. A well-known method for condition monitoring of electric motors is the so-called motor current signature analysis (= MCSA), see e.g. EP3961230A1 (Siemens AG) March 2, 2022. The idea behind it is to measure the currents in the supply cables of an electric motor or the electrical voltage at a connection point. These measured values are then analyzed. For example, the fast Fourier transformation (= FFT) is used to detect or quantify errors and operating states of the motor in the frequency range. The classic MCSA is used in the quasi-stationary case, i.e. at a nominally constant speed. An extension of MCSA is the analysis with short-time FFTs or wavelets in order to analyze processes in a time-resolved manner. 202218759 2 The asynchronous motors work according to the principle of electromagnetic induction, ie interactions between currents or magnetic fields in the stator and rotor generate a torque that drives the rotor shaft. Motor faults such as eccentricity, in particular air gap eccentricity (when the rotation axes of the stator and rotor of the motor do not coincide exactly), broken rotor bars, defective bearings or misalignment change the amplitudes at frequencies characteristic of the faults with a constant slip. Due to the change in the amplitudes of these characteristic frequencies in the frequency spectrum, motor faults can be detected using MCSA. The fault frequencies themselves are slip-dependent, ie a change in the slip changes the frequency position of the fault frequencies. However, if there are significant distortions in the motor's supply voltage, i.e. the input voltage on the motor has significant proportions of higher harmonics of the supply frequency or, more generally, the input voltage on the motor has spurious frequencies, this results in significant spurious frequencies in the current. These spurious frequencies in the current impair the MCSA and can lead to incorrect conclusions, which are described below under case a and case b. It is assumed that a detection algorithm with an AI function is used to detect current anomalies within the framework of an MCSA, which is initially taught in a training phase using training data before it can independently detect anomalies in a subsequent detection phase (AI = Artificial Intelligence). Case a: If the detection algorithm was taught in its training phase with training data that does not contain any events of voltage interference frequencies, but only events of current interference frequencies that have their cause in a motor fault, then in the detection phase, if voltage interference frequencies and resulting current interference frequencies are present, the motor current spectrum will be detected as "faulty". 202218759 3 detected ("anomaly") and a motor fault diagnosed. The cause of this detected anomaly is not a motor fault, but merely a deviation in the quality of the supply voltage, which, due to I = U/Z, results in a deviation in the motor current spectrum (the current I flowing through the electric motor corresponds to the quotient of the voltage U applied to the electric motor and the impedance Z of the electric motor: I = U/Z). This results in high "false positive" rates in the detection algorithm. Case b: If, however, the detection algorithm was taught in its training phase with training data that also contains events from voltage interference frequencies, it is possible that in the detection phase, current frequency lines resulting from the voltage interference frequencies cover existing fault state spectral lines that indicate an actual fault in the motor. This results in high "false negative" rates in the detection algorithm. WO00/29902A2 (General Electric Company) 25.05.2000 describes an MCSA method to prevent a fault in the power grid from being incorrectly interpreted as a fault or defect in the monitored electric motor. Current interference signals caused by a disturbance in the power grid (voltage anomalies, disturbances in the voltage frequency) are removed from the current measurements before they are fed to the MCSA of the electric motor. For this purpose, an "active" motor model of the electric motor is used, which can simulate the behavior of the - fault-free - running electric motor. WO00/29902A2 describes the method on page 4, lines 5-11 as follows: "The method includes acquiring simultaneous measurements of voltage and current at the mo- tor, applying the measured voltage to the motor model and determining an equivalent current produced in the motor model by the applied voltage, subtracting the equivalent current from the measured current to produce a corrected motor cur- 202218759 4 rent and then processing the corrected motor current through conventional motor current signature analysis.” A disadvantage of this method is that such non-linear motor models usually require a high level of computational effort and are associated with considerable uncertainties when creating and parameterizing. One object of the present invention is improved condition monitoring of a drive train. This object is achieved according to the invention by a method with the features specified in claim 1. The method according to the invention is used to monitor the condition of a drive train. The drive train has an electric motor that is operated on an electrical power grid. The electric motor can be an asynchronous motor, but is not limited to this type; any other type of electric motor, e.g. permanent magnet synchronous machine, single-phase series motor is also suitable for the method according to the invention. Alternatively, it is also possible to carry out the method according to the invention with a generator instead of an electric motor. The electrical power grid can be a single-phase or multi-phase power grid, designed as an island network or as part of an interconnected network. The power grid can supply one or more other electrical loads with electrical energy in addition to the electric motor in question. The voltage in the power grid can be provided by one or more generators and/or by one or more batteries. One step of the method is to record measured values of a voltage applied to the electric motor, which is provided by the electrical power grid. The voltage provided by the electrical power grid can be related to 202218759 5 in terms of amplitude, frequency and waveform, e.g. due to other loads that draw electrical energy from the power grid and due to feedback effects on the power grid. This recording of voltage measurements can be carried out by voltage sensors, e.g. shunt resistors, which measure the voltage on supply lines that electrically connect the electrical connections of the electric motor to the power grid. A further step in the method is the recording of measured values of an electrical current that flows through the electric motor due to the voltage applied to the electric motor. The current I flowing through the electric motor corresponds to the quotient of the voltage U applied to the electric motor and the impedance Z of the electric motor: I = U/Z. This recording of current measurements can be carried out by current sensors, e.g. a shunt, Hall sensors, GMR sensor, which measure the current flowing through the electrical connections of the electric motor. A further step of the method is the analysis of the recorded measured values; the analysis is carried out by a dual anomaly detector. If the recorded voltage is outside a defined range of the voltage quality, a voltage anomaly is detected. If the recorded current does not show an expected, defined current response, for example I = U/Z, to the recorded voltage, a current anomaly is detected. After determining whether a voltage anomaly, a current anomaly or both is present, the state of the drive train is derived from this: If only a current anomaly but no voltage anomaly was detected, an error in the drive train is reported. If a voltage anomaly was detected, an error in the power grid is reported. The invention therefore proposes a condition monitoring of a drive train, whereby the condition monitoring monitors both the voltage curve of the mains voltage applied to the electric motor and the voltage profile of the mains voltage applied to the electric motor. 202218759 6 and the current profile of the current I flowing through the electric motor, which ultimately results from the voltage applied to the electric motor and the impedance Z of the electric motor according to I = U / Z. Since the anomaly detection method according to the invention examines both the voltage and the current for anomalies, the detector is referred to as a "dual" anomaly detector. Voltage artifacts can be learned in a training phase. If interference frequencies occur in the voltage, the resulting current spectrum is also learned. The invention enables an MCSA, which is an analysis of a motor current of an electric motor in the drive train to be monitored, to be expanded to include monitoring of the quality of a voltage applied to the electric motor, i.e. the voltage quality in the power grid. This reduces false alarms in relation to the machine status and avoids "false negative" alarms. In addition, the "voltage anomaly" information is available in a dedicated manner and, if necessary, with an indication of the possible cause. The invention does not require an active machine model to calculate current characteristics that follow from specific voltage anomalies. These types of nonlinear models are usually associated with a high computational effort and considerable uncertainties when creating and parameterizing in the field, which means that they do not reliably predict the current contributions in voltage faults. It is also known that types of faults such as misaligned shafts in drive trains (= motor + driven machine(s)) manifest themselves through deviations in theoretical MCSA spectral lines, primarily in voltage-based characteristics (MCSA-U) and only to a limited extent in current-based characteristics (MCSA-I). The reliable detection of such drive train condition errors can therefore only be achieved by considering both current characteristics and voltage characteristics. The dual anomaly detector avoids the 202218759 7 disadvantages of previous approaches and optimally combines the current and voltage feature data sets. Advantageous embodiments and further developments of the invention are specified in the dependent claims. According to a preferred embodiment of the invention, the analysis and detection of a voltage anomaly and/or a current anomaly is carried out by at least one trained AI function of the dual anomaly detector. The method therefore uses machine methods to detect an anomaly. The voltage and current variations that occur in reality can be very diverse because there are practically an infinite number of different possibilities for the structure and elements of a power grid and a drive train. It can therefore be difficult to define all the criteria for when an anomaly exists in advance in such a comprehensive manner that it can be clearly determined for each possible voltage and current variation that occurs whether an anomaly exists or not. An AI function is advantageous in that it can constantly learn and evolve; that is, the AI function may be able to apply learned criteria to real-world voltage and current variations that an operator had not previously thought of, allowing a classification of whether or not an anomaly is present. By applying the trained artificial intelligence function, or AI function for short, to the current characteristics and the voltage characteristics, function output data is generated that contains information on current and voltage anomalies. The trained anomaly detection function is able to extract information about the quality of the power supply and information about whether the motor current is consistent with the currently measured quality of the power supply from the voltage and current measurements. 202218759 8 The trained function is a function that is trained by an ML algorithm (ML = Machine Learning). Training is generally understood to mean an optimization of a mapping of input parameters of a parameterized system model, e.g. a neural network, to one or more target parameters. This mapping is optimized according to predetermined, learned and/or to-be-learned criteria during a training phase. In pattern recognition models, for example, a percentage of successfully recognized patterns can be used as criteria. A training structure can, for example, include a network structure of neurons in a neural network and/or weights of connections between the neurons, which are trained through training so that the criteria are met as well as possible. In the present exemplary embodiment, a neural network, abbreviated to NN, is trained on the basis of predetermined temporal voltage and current profiles or voltage and current frequency spectra to detect a voltage anomaly in a supply voltage of an electric motor of a drive train and/or a current anomaly in the motor current of an electric motor of a drive train. In order to be able to distinguish a certain voltage or current pattern from other voltage or current patterns, properties of the voltage or current pattern must be described and mathematically mapped. The more precisely the pattern can be described and the more information that can be evaluated, the more reliably the pattern recognition works. To measure the voltage/network quality, voltage feature data sets are created, e.g. voltage spectrum or autoregression features, and used to train a voltage anomaly detector. The trained function is part of a pattern recognition device. For configuration, the pattern recognition device has 202218759 9 device has one or more trainable functions, ie algorithms that can be carried out in computing modules of the pattern recognition device and that implement machine learning methods in order to optimize pattern recognition through training. These trainable functions can be trained using known standard machine learning methods to recognize temporal voltage and current curves or voltage and current frequency spectra specified in input files as accurately as possible. For this purpose, for example, a respective pattern recognized by the function in input files can be compared with a pattern actually present in the input files and the function can be trained to minimize a deviation. Such a learning method is often also referred to as supervised learning. As a rule, the more training data, ie files that can be used for training, are available, the more successful the training is. In particular, the training data should cover as large a range of possible configurations of an electric motor-driven drive train as possible. As already mentioned above, according to the present invention, the training of the neural network NN aims to enable it to recognize a voltage and/or current anomaly. For this purpose, the function output data output by the neural network NN are compared with the anomalies actually contained in the input data. As part of the comparison, a deviation or difference D is formed between the function output data and the corresponding, actually present anomaly(s). The difference D represents a detection error of the neural network NN. The difference D is fed back to the neural network NN, which is trained to minimize the difference D, i.e. to recognize the type of anomaly as accurately as possible. 202218759 10 A variety of standard training methods for neural networks, in particular supervised learning, can be used to train the neural network NN. The deviation D to be minimized can be represented by a suitable cost function. In particular, a gradient descent method can be used to minimize the deviation D. In general, a trained function imitates cognitive abilities that people associate with the minds of other people. In particular, through training on the basis of training data, a trained function is able to adapt to new circumstances and discover and extrapolate patterns. In general, parameters of a trained function can be adapted through training, i.e. learning. In particular, supervised learning, semi-supervised learning, unsupervised learning, reinforcement learning and/or active learning can be used for this purpose. In addition, representation learning, also called “feature learning”, can be used. In particular, the parameters of the trained functions can be adapted iteratively through several training steps. In particular, a trained function can have a neural network, a support vector machine, a decision tree and/or a Bayesian network, and/or the trained function can be based on k-means clustering, Qlearning, genetic algorithms and/or association rules. In particular, a neural network can be a deep neural network, a convolutional neural network or a convolutional deep neural network. Furthermore, a neural network can be an adversarial network, a deep adversarial network and/or a generative adversarial network. According to a preferred embodiment of the invention, a feature vector for condition monitoring is generated using a self- 202218759 11 self-organizing map (SOM for short) is used. The idea of the SOM is to generate a grid of X * Y neurons N. Each neuron N contains a weight vector of length L F , i.e. equal to the length of a feature vector. Determining the number of neurons (X * Y) is a compromise between the amount of data / computational effort on the one hand and the desired reliability of an anomaly detector on the other. In tests already carried out, 20 x 20 = 400 neurons have led to very good results. Self-organizing maps, like most artificial neural networks, work in two modes: training and mapping. In training mode, an input data set ("input space") is used to generate a map ("map space") as a lower-dimensional representation of the input data. In mapping mode, measurement data is classified using the generated map, e.g. as normal or as abnormal. ^ Learning the SOM, i.e. training, is an iterative process. In the initial state, the weight vectors contain random values. The learning process now takes place in such a way that similar feature vectors from the training data set are assigned to the same neuron. "Similar" is to be understood in the sense of a vectorial distance, i.e. depending on the application, the Euclidean distance, the cosine distance, or the Manhattan distance can be used. The goal of training is to represent a p-dimensional "input space", i.e. with p variables, as a 2-dimensional "map space". A "map space" consists of components called nodes or neurons and arranged on a hexagonal or rectangular grid with two dimensions. The number of nodes and their position on the grid are determined in advance, based on the 202218759 12 Goal pursued with the analysis and investigation of the "input space". Each node of the "map space" is assigned a weight vector that defines the position of the node in the "input space". While the nodes in the "map space" remain anchored to their position, the weight vectors are approximated to the input data, i.e. the distance, e.g. the Euclidean distance, between the weight vector and the input data is minimized without destroying the topology generated by the "map space". During the training phase, feature vectors that are "similar" to each other are grouped. This similarity is defined as the Euclidean distance, i.e. the smaller the distance between the feature vectors, the more similar the feature vectors are. For each "group" of similar feature vectors, one or more representatives are selected, as is the maximum distance Dmax for each group. After completion of the training phase, the SOM generated in this way can be used to classify further "input space" vectors, i.e. observations in the "input space", here: time series of current values, by identifying the node whose weight vector is closest to the "input space" vector, i.e. has the smallest distance metric, e.g. the Euclidean distance. A feature vector generated according to the invention with p vector elements, which were obtained using an AR method from a time series measured on an electric motor, is assigned to a neuron of the said SOM and a weight vector assigned to the neuron. In order to be able to use the trained SOM as an anomaly detector, a function is required that assigns a degree to a feature vector Fν to which the feature vector indicates an anomaly. 202218759 13. For this purpose, the "quantization error" Eν is calculated for each feature vector Fν: Eν = | Fν – Gν| for all ν, i.e. for all feature vectors. Here, |...| is the previously defined vectorial distance and Gν is the respective weight vector of the "optimal" neuron, i.e. the neuron whose weight vector G has the minimum distance to the feature vector. The quantization error E describes how well the respective feature vector can be mapped to the distribution of the data with which the SOM was trained. A high error indicates that the feature vector is very different from the training data and therefore describes anomalous behavior of the motor. In practice, an anomaly in the electric motor is detected if the quantization error Ex exceeds a fixed threshold value E Threshold : Ex > E Threshold . After training, anomaly detection takes place as follows: a feature vector is generated from the input values as described above. For this vector, the Euclidean distance to the learned "groups" is determined. The minimum value of all distances is determined. If this value is greater than Dmax, an anomaly is present. According to a preferred embodiment of the invention, MCSA methods are used to analyze the measured values of the motor current of the electric motor and to decide whether a current anomaly is present. In MCSA, a frequency spectrum is generated from a time series of measured values of the motor current, e.g. using a Fast Fourier Transformation (= FFT). If the monitored electric motor has a motor fault, the frequency spectrum of the motor current changes compared to that of a "healthy" electric motor, ie a motor running without faults. The methods used in an MCSA have long been known to the expert and are described in many publications. According to a preferred 202218759 14 embodiment of the invention, methods of an MCSA are used analogously for the analysis of the measured values of the supply voltage of the electric motor and for deciding whether a voltage anomaly is present. For this purpose - analogous to the typical MCSA application to a time series of current values of the electric motor - an MCSA method for determining FFT amplitudes can be applied to a time series of voltage values of the electric motor in order to determine the frequency spectrum amplitudes at the frequencies specified below, see Eqs. (1) to (6) below. As described in the theory of the MCSA, the frequency spectrum of an asynchronous motor (position of the frequency lines) is highly dependent on the load condition, i.e. on the slip s. In addition, it is known from classical MCSA that frequency lines also change with the frequency of the supply voltage applied to the ASM ("supply frequency f supply "). The MCSA mainly distinguishes between slip-dependent motor-specific spectral lines, e.g. the Principal Slot Harmonics (PSHs), various slip-dependent error lines and the motor-specific Winding Harmonics (WHs), which are multiples of the supply frequency. The following apply to the PSH: f PSH = [k•(R/p)•(1-s) ± ν] • f supply Eq. (1) and for typical motor faults: i) Broken rotor bars (Broken Bars BB): f BB1 = (1 ± 2k•s) • f supply Eq. (2) ii) Static / Dynamic rotor eccentricity (see ISO 20958:2013) f ecc1 = [1 ± (k/p)•(1-s)] • f supply Eq. (3) f ecc2 = [(R ± n d )•(k/p)•(1-s) ± ν] • f supply Eq. (4) iii) Bearing damage to the rolling bearing f o = [(N b /2)•(1 – (D b /D p )•cos(β)] • f rot Equation (5) f i = [(N b /2)•(1 + (D b /D p )•cos(β)/D p )] • f rot Equation (6) 202218759 15 where f BB1 frequency at rotor bar breakage f supply frequency of the supply voltage, e.g. B. 50 Hz or 60 Hz f ecc1 Frequency of the eccentricity (1st family) f ecc2 Frequency of the eccentricity (2nd family) f PSH Frequency of the principal slot harmonics (= PSH) f o Frequency of the bearing outer ring (o = outer) f i Frequency of the bearing inner ring (i = inner) f rot Rotation frequency of the rolling bearing k Natural number p Number of pole pairs = Number of pole pairs R Number of rotor bars = Number of rotor bars s Slip ν Odd numbers 1, 3, 5, 7, ... = Order of the harmonics of f supply n d Index that depends on the eccentricity type (static: n d = 0; dynamic: n d = 1, 2, 3, 4, ...) N b Number of rolling elements D b /D p Characteristic diameters on the rolling bearing ß Contact angle According to a preferred embodiment of the invention, the measured current and/or voltage values, feature data is determined that is used to evaluate whether the detected voltage is within a defined quality range and/or whether the detected current shows a defined current response to the detected voltage and/or that is used to train the dual anomaly detector. Determining feature data, e.g. a mean value, minimum values and/or maximum values, average values, expected value and variance of a distribution, from measured current and/or voltage measurement series is usually accompanied by a reduction in the amount of data, which significantly simplifies and speeds up data processing: instead of the extensive measured current and/or voltage measurement series, the dual anomaly detector then only has to calculate with the feature data. 202218759 16 According to a preferred embodiment of the invention, the feature data are determined on the basis of measured values of one or more of the following variables or parameters: voltage frequency, frequency of voltage dips and increases, voltage asymmetry, a voltage spectrum, autoregression features, the electrical active power P, the electrical reactive power Q, the electrical apparent power S, symmetry of the voltage in outer conductors, distribution of the network frequency harmonics in at least one of the voltage frequency spectra. For this purpose, conventional measuring devices can be used to record the basic electrical quantities in low-voltage power distribution, as shown in the following extract from the Siemens system manual SENTRON PAC4200 Measuring device for recording the basic electrical quantities in low-voltage power distribution (SENTRON Multifunction measuring device SENTRON PAC4200 System Manual, Edition 05/2019, A5E02316180A-05, Siemens AG, Smart Infrastructure, Low Voltage & Products, Postfach 1009 53, 93009 Regensburg, Germany, 3ZX1012-0kM42-3AB0, (C) Siemens AG 2019, pages 11-12): Chapter 2 - Description - 2.1 Performance characteristics - Measurement ● Measurement in 2-, 3- and 4-wire networks. Suitable for TN, TT and IT networks ● Measurement of all relevant electrical quantities in an alternating current system ● Recording of minimum and maximum values for all measured quantities ● Determination of true effective value for voltage and current up to the 63rd harmonic ● 4 quadrant measurement (supply and output) ● Averaging of all measured values directly in the device in two independent and freely configurable stages (aggregation) ● Measurement of harmonics 1st to 64th (even and odd) ● Calculation of average values across all phases for voltage and current. ● Zero blind measurement 202218759 17 ● High measurement accuracy: e.g. accuracy class 0.2 according to IEC 61557-12 for active energy. This means: an accuracy of 0.2% based on the measured value under reference conditions ● Detection of voltage dips, overvoltage and voltage interruptions with user-defined threshold values ● Detection of the N conductor current ● Detection of the differential and PE conductor current via external summation current transformer ● Detection of physical quantities (e.g. temperature, pressure, humidity) with external 0/4 mA to 20 mA measuring transducers According to a preferred embodiment of the invention, the supply harmonic amplitudes are determined in relation to the fundamental wave amplitude or time-dependent fluctuations in the amplitude (RMS = Root Means Square) and fundamental wave frequency. The above-mentioned values are based on DIN EN 61000-4-7 "Methods and equipment for measuring harmonics and interharmonics in power supply systems and connected equipment" and DIN EN 61000-4-30 "Test and measurement techniques - Methods for measuring voltage quality", which also form the basis for the definition of industrial/supply networks, with the aim of ensuring the supply voltage within defined limits so that electrical machines can function properly. The supply networks will usually meet this requirement and the quality is often also measured in corresponding devices. However, the current measurements taken at any time to analyze the condition of electrical machines are directly influenced by the 3-phase voltage signals prevailing at that time. By determining the essential values of the network quality, the current-based condition diagnosis can be improved. According to a preferred embodiment of the invention, the dual anomaly detector is a self-organizing map or an autoencoder, which detects a deviation from voltage measurements 202218759 18 of a predetermined network quality. This anomaly detector, designed as a SOM or an autoencoder, can, for example, detect deviations from undisturbed sinusoidal voltage curves. Deviations from undisturbed sinusoidal voltage curves are contained in the harmonic components and the distribution of the harmonics in the supply can be used to correct the resulting harmonic components of the current in order to be able to evaluate the harmonic components resulting from the motor. A further aspect of the invention is a device for monitoring the condition of a drive train which has an electric motor operated on an electrical power network. The device has sensors for recording measured values of a voltage applied to the electric motor and a current resulting from the applied voltage which flows through the electric motor. The device has a dual anomaly detector for analyzing the recorded measured values, wherein the dual anomaly detector has been trained to detect a voltage anomaly if the recorded voltage does not meet a predetermined network quality and to detect a current anomaly if the recorded current does not show an expected current response to the recorded voltage. The dual anomaly detector reports a) a fault in the drive train if it only detects a current anomaly but not a voltage anomaly, or b) a fault in the power grid if it detects a voltage anomaly. Another aspect of the invention is a computer program which comprises instructions which, when the program is executed on a computer, cause the device for monitoring the condition of a drive train to carry out the method for monitoring the condition of a drive train. A further aspect of the invention is a method for providing a trained dual anomaly detector for detecting anomalies in a drive train. The drive train has a sensor connected to an electrical power supply. 202218759 19 mains-operated electric motor, as well as sensors for measuring voltage and current values. One step of the method is receiving input training data which represents measurement data obtained from the sensors, i.e. measured values. Another step of the method is receiving output training data which represents anomalies in the measurement data. Another step of the method is training an AI function of the dual anomaly detector based on the input training data and the output training data such that the artificial intelligence detects voltage and/or current anomalies. In the training phase, the dual anomaly detector can also be taught with voltage feature data sets and corresponding current feature data sets. Another step of the method is providing the trained dual anomaly detector. The trained dual anomaly detector is adapted to detect current anomalies and voltage anomalies in current and voltage measurement series. A further aspect of the invention is a computer program which includes instructions which, when the program is executed on a computer, cause the computer to carry out the inventive method for providing a trained dual anomaly detector. The invention is explained below with the aid of the accompanying drawing. It shows schematically and not to scale: Fig. 1 an embodiment of an inventive device for monitoring the condition of a drive train; Fig. 2 a flow chart of an embodiment of the inventive method; Fig. 3 an embodiment of an artificial neural network; 202218759 20 Fig. 4 is a flow chart of a computer program according to an embodiment of the present invention. Fig. 1 shows an electric motor M which is electrically connected to a power grid N by means of a branch 12. The branch can, for example, be a three-phase electrical line which connects the three-phase network N to the connection terminals of the electric motor M. The electric motor M is designed as a drive machine of a drive train D, which also has a mechanical transmission G and a work machine W. A torque provided by the electric motor M is transmitted to the work machine W via the transmission G. The work machine can, for example, be a conveyor belt, a roller or a cylinder. In addition to the electric motor M of the drive train D, further electrical loads 20 are connected to the power grid N. A first sensor S1, which e.g. B. is arranged on the branch 12, records voltage values U m of an electrical supply voltage of the electric motor M, e.g. a voltage between two phases of the branch 12 or between a phase of the branch 12 and a reference potential, and sends the recorded voltage values U m via a transmission medium 10, e.g. a data cable, to a device 15 for monitoring the condition of the drive train D. A second sensor S2, which is arranged e.g. on the electric motor M, records current values I m of an electrical current flowing through the electric motor M, and sends the current values I m via a transmission medium 11, e.g. a data cable, to the device 15 for monitoring the condition of the drive train D. The device 15 for monitoring the condition of the drive train D has a dual anomaly detector 16, a user interface 17 and a data memory 19. The dual anomaly detector 16 has a trained AI function 18. The device 15 receives the detected voltage 202218759 21 values U m and the recorded current values I m and evaluates them using the trained AI function 18. The AI function 18 analyzes the recorded measured values U m , I m . The AI function 18 detects a voltage anomaly U anomalous if the recorded voltage U m is outside a defined quality range U qual , which is defined by range limit values stored in the data memory 19. The AI function 18 detects a current anomaly I anomalous if the recorded current I m does not show a predetermined current response I or to the recorded voltage U m ; predetermined current responses are stored in the data memory 19. The device 15 reports an error in the drive train D if only a current anomaly I anomalous but no voltage anomaly U anomalous was detected. The device 15 reports a fault in the power grid N if a voltage anomaly U anomalous has been detected. The reports are made via the user interface 17, e.g. a display. Fig. 2 shows a flow chart of an embodiment of the method according to the invention. In a first step 201, voltage values U m of an electrical supply voltage of the electric motor M and current values I m of an electrical current flowing through the electric motor M are recorded. In a second step 202, these recorded measured values are analyzed: it is checked a) whether the recorded voltage values U m are within a defined quality range U qual , and b) whether the recorded current values I m show a predetermined current response I resp to the recorded voltage U m . In a next step 203, depending on the results of the analysis, it is determined whether a voltage anomaly U anomalous and/or a current anomaly I anomalous is present; One of the four possible states shown in Table 204 must be present, where 0 = false and 1 = true indicate the truth value of the statements “Voltage anomaly U anomalous is present?” or “Current anomaly I anomalous is present?”: 202218759 22 - a first state {U anomal = 0; I anomal = 0} is determined if the recorded voltage values U m are within a defined quality range U qual and the recorded current values I m show a predetermined current response I or to the recorded voltage U m ; - a second state {U anomal = 0; I anomal = 1} is determined if the recorded voltage values U m are within a defined quality range U qual and the recorded current values I m do not show a predetermined current response I or to the recorded voltage U m ; - a third state {U anomal = 1; I anomal = 0} is determined if the recorded voltage values U m are outside a defined quality range U qual and the recorded current values I m show a predetermined current response I or to the recorded voltage U m ; - a fourth state {U anomal = 1; I anomal = 1} is determined if the recorded voltage values U m are outside a defined quality range U qual and the recorded current values I m do not show a predetermined current response I or to the recorded voltage U m . If the first state {U anomal = 0; I anomal = 0} is determined, no error is reported 205. If the second state {U anomal = 0; I anomal = 1} is determined, an error E D in the drive train D is reported 206. If the third state {U anomal = 1; I anomal = 0} or the fourth state {U anomal = 1; I anomal = 1} is determined, an error E N in the power grid N is reported 207. Fig. 3 shows an embodiment of an artificial neural network 100 as used in the trained AI function 18. Alternative terms for “artificial neural network” are “neural network”, “artificial neural network” or “neural network”. The artificial neural network 100 has nodes 120, ..., 132 and edges 140, 141, 142, where each edge 140, 141, 142 is a directed connection of a 202218759 23 nes first node 120, ..., 132 with a second node 120, ..., 132. While in general the first node 120, ..., 132 and the second node 120, ..., 132 are different nodes 120, ..., 132, it is also possible that the first node 120, ..., 132 and the second node 120, ..., 132 are identical. For example, in Fig. 6, edge 140 is a directed connection from node 120 to node 123, and edge 142 is a directed connection from node 130 to node 132. An edge 140, 141, 142 from a first node 120, ..., 132 to a second node 120, ..., 132 is also referred to as an "ingoing edge" with respect to the second node 120, ..., 132 and as an "outgoing edge" with respect to the first node 120, ..., 132: "ingoing edges" of a node are directed edges whose destination point is the node, "outgoing edges" of a node are directed edges whose origin is the node. In this embodiment, the nodes 120, ..., 132 of the artificial neural network 100 are arranged in layers 110, ..., 113, wherein the layers may have an intrinsic order introduced by the edges 140, 141, 142 between the nodes 120, ..., 132. In particular, the edges 140, 141, 142 may only exist between adjacent layers of nodes. In the embodiment shown, there is an input layer 110 which only has the nodes 120, 121, 122 without an incoming edge, an output layer 113 which only has the nodes 131, 132 without an outgoing edge, and hidden layers 111, 112 between the input layer 110 and the output layer 113. In general, the number of hidden layers 111, 112 can be chosen arbitrarily. The number of nodes 120, 121, 122 in the input layer 110 is usually related to the number of input values of the neural network, and the number of nodes 131, 132 in the output layer 113 is usually related to the number of output values of the neural network. 202218759 24 In particular, each node 120, ..., 132 of the neural network 100 can be assigned a (real) number as a value. Here, x (n) i means the value of the i-th node 120, ..., 132 of the n-th layer 110, ..., 113. The values of the nodes 120, 121, 122 of the input layer 110 are equivalent to the input values of the neural network 100, the values of the nodes 131, and 132 of the output layer 113 are equivalent to the output values of the neural network 100. In addition, each edge 140, 141, 142 can have a real number as a weight, in particular a real number in the interval [-1, 1] or the interval [0, 1]. Here, w (m,n) i ,j denotes the weight of the edge between the i-th node 120, ..., 132 of the m-th layer 110, ..., 113 and the j-th node 120, ..., 132 of the n-th layer 110, ..., 113. In addition, the abbreviation w (n) i ,j is defined as w (n,n+1) i ,j . In particular, in order to calculate the output values of the neural network, the input values are propagated through the neural network. In particular, the values of the nodes 120, ..., 132 of the (n+1)-th layer 110, ..., 113 can be calculated based on the values of the nodes 120, ..., 132 of the n-th layer 110, ..., 113 as follows: x (n+1) j = f( Σ i x (n) i ∙ w (n) i ,j ). Here, the function f is a transfer function (also referred to as “activation function”). Well-known transfer functions are step functions, sigmoid functions (e.g. the logistic function, the generalized logistic function, the hyperbolic tangent, the arctangent function, the error function, the smoothstep function) or rectifier functions. The transfer function is mainly used for normalization purposes. In particular, the values are propagated layer by layer through the neural network, whereby values of the input layer 110 are given by the input to the neural network 100, values of the first hidden layer 111 based on the 202218759 25 values of the input layer 110 of the neural network 100 can be calculated, values of the second hidden layer 112 can be calculated based on the values of the first hidden layer 111, etc. In order to set the weights w (m, n) i ,j for the edges, the neural network 100 must be trained using training data. In particular, training data comprises training input data and training output data (denoted by t i ). For a training step, the neural network 100 is applied to the training input data to generate calculated output data. In particular, the training data and the calculated output data have a number of values that is equal to the number of nodes of the output layer. In particular, a comparison between the calculated output data and the training data is used to recursively adjust the weights in the neural network 100 (backpropagation algorithm). In particular, the weights are changed according to w' (n) i ,j = w (n) i ,j – γ ∙ δ (n) j ∙ x (n) i where γ is the learning rate, and the numbers δ (n) j can be recursively calculated as follows: δ (n) j = (Σ k δ (n+1) k ∙ w (n+1) j ,k ) ∙ f'(Σ i x (n) i ∙ w (n) i ,j ) based on δ (n+1) j if the (n+1)-th layer is not the output layer, and δ (n) j = (x (n+1) k - t (n+1) j) ∙ f'(Σ i x (n) i ∙ w (n) i ,j ) if the (n+1)-th layer is the output layer 113, where f' is the first derivative of the activation function and t (n+1) j is the comparison training value for the j-th node of the output layer 113. 202218759 26 Fig. 4 shows a flow chart of a computer program according to an embodiment of the present invention. In a first step 41, measured values of a voltage applied to the electric motor, which is provided by the electrical power network, and measured values of a current which flows through the electric motor due to the voltage applied to the electric motor are recorded. In a second step 42 following the first step 41, the measured values are analyzed. In a third step 43 following the second step 42, a voltage anomaly is determined if the detected voltage is outside a defined quality range. In a fourth step 44 following the third step 43, a current anomaly is determined if the detected current does not show a predetermined current response to the detected voltage. In a fifth step 45 following the fourth step 44, an error message of a fault in the drive train is generated if only a current anomaly but no voltage anomaly was detected. In a sixth step 46 following the fifth step 45, an error message indicating a fault in the power grid is generated if a voltage anomaly was detected.