PatentDe  


Dokumentenidentifikation DE10148882A1 20.06.2002
Titel Verfahren und Vorrichtung zur Detektion eines Statorwicklungsfehlers in einem Wechselstrommotor
Anmelder Eaton Corp., Cleveland, Ohio, US
Erfinder Habetler, Thomas G., Snellville, Ga., US;
Gritter, David James, Milwaukee, Wis., US;
Harley, Ronald G., Lawrenceville, Ga., US;
Tallam, Rangarajan M., Atlanta, Ga., US
Vertreter WAGNER & GEYER Partnerschaft Patent- und Rechtsanwälte, 80538 München
DE-Anmeldedatum 04.10.2001
DE-Aktenzeichen 10148882
Offenlegungstag 20.06.2002
Veröffentlichungstag im Patentblatt 20.06.2002
IPC-Hauptklasse H02H 7/09
IPC-Nebenklasse H02H 6/00   
Zusammenfassung Ein Statorwicklungsfehlerdetektionssystem und ein Verfahren, das in der Lage der Echtzeitdetektion eines Statorwicklungsfehlers in einem Elektromotor ist, werden vorgesehen. Der Statorwicklungsfehlerdetektor weist ein feed-forward neuronales Netzwerk auf, das, wenn es trainiert ist, unter Nutzung von Fundamentalfrequenzsequenzkomponenten der Spannung und des Stroms, die den Elektromotor versorgen, eine Fundamentalfrequenzsequenzkomponente des Stroms schätzt, die anzeigend ist für einen Statorwicklungsfehler. Ein Verfahren zur Detektion eines Statorwicklungsfehlers in einem Elektromotor sowie ein Verfahren für das Trainieren eines feed-forward neuronalen Netzwerks zur Verwendung mit dem Statorwicklungsfehlerdetektor werden offenbart.

Beschreibung[de]
Hintergrund der Erfindung

Die vorliegende Erfindung bezieht sich auf ein Elektromotorüberwachungssystem und insbesondere auf eine Vorrichtung und ein Verfahren zur Detektion eines Statorwicklungsfehlers in einem Wechselstrom- bzw. AC-Motor.

Elektrische Motoren, wie beispielsweise Drei-Phasen-AC-Induktionsmotoren, werden in einer Vielzahl von kommerziellen und industriellen Umgebungen genutzt. Kühlsysteme, Druckerpressen, Fertigungs- bzw. Zusammenbaulinien und aberfach andere Anwendungen nützen solche Motoren. Unabhängig von der Anwendung, ist eine rechtzeitige Detektion eines Motorfehlers von äußerster Wichtigkeit. Allgemein wird ein Motorfehler nicht detektiert bis zu einem vollständigen Zusammenbruch bzw. Ausfall des elektrischen Motors, wodurch eine Situation erzeugt wird, die geplagt ist von unnötigen Kosten, Auszeitverzögerungen für Reparaturen sowie potentiell gefährlichen Bedingungen. Daraus resultiert, dass es notwendig ist, effizient und wirksam einen Motorfehler zu detektieren, im Speziellen einen Statorwicklungsfehler vor einem vollständigen Ausfall des elektrischen Motors.

Überwachungstechniken im Stand der Technik für elektrische Motoren sehen nicht ausreichend eine Ausfalldetektion eines Statorwicklungsfehlers vor. Typischerweise detektieren Elektromotorüberwachungssysteme Motorfehler, die aus einem Defekt im Rotor resultieren, und Defekte, die nur während der Drehung detektiert werden können. Diese bekannten Systeme interpretieren Änderungen in den Harmonischen des Spektrums, das durch den Rotor während der Drehung erzeugt wird. Der Stator eines elektrischen Motors ist jedoch ein stationäres Glied und ein Defekt erzeugt demgemäß keine zusätzlichen Harmonischen. Daher ist eine Anwendung solcher konventionellen Techniken zur Detektion eines Motorfehlers resultierend aus einem Ausfall bzw. einer Fehlfunktion in den Statorwicklungen eines elektrischen Motors nicht möglich.

Statorfehlerdetektionssysteme des Standes der Technik sind ebenso mit Problemen behaftet. Diese bekannten Statorwicklungsfehlerdetektionssysteme sind ineffizient und zeitraubend. Viele Verfahren nutzen Modelle eines idealen, balancierten Motors und versagen wegen der Nicht-Idealität in einer tatsächlichen Maschine. In einem Verfahren ist es notwendig, eine "Nachschlagtabelle" bzw. "Look-Up-Tabelle" herzuleiten, die Daten für eine Überfülle von Betriebsbedingungen des Elektromotors aufweist. Um ausreichend Daten zu sammeln, so dass die Nachschlagtabelle nützlich ist, ist es notwendig, den Elektromotor durch zahlreiche Zyklen unter verschiedenen Betriebsbedingungen laufen zu lassen. Um dann das Vorliegen eines Statorwindungs- bzw. Statorwicklungsfehlers zu bestimmen, werden Betriebsdaten, die zu einem bestimmten Zeitpunkt während eines Normalbetriebs des Elektromotors gesammelt wurden, mit den Daten der Nachschlagtabelle für den Elektromotor unter ähnlichen Betriebsparametern verglichen. Die Effektivität zur Bestimmung eines Wicklungsfehlers hängt vom Umfang und Ausmaß der Nachschlagtabelle ab. Je größer der Umfang und das Ausmaß der Nachschlagtabelle ist, desto höher sind die Kosten. Somit sind bekannte Statorwicklungsfehlerdetektionspläne deutlich begrenzt und/ oder teuer. Demgemäß kann die Nachschlagtabelle nicht Daten für alle möglichen Betriebsbedingungen umfassen.

Ferner nützen diese Statorfehlerdetektionssysteme des Standes der Technik eine gewichtete Fast-Fourier-Transformation (WFFT = Weighted Fast Fourier Transform). Die WFFT erfordert mehrere Datensätze über einem Zeitintervall zur Durchführung der Transformation.

Es wäre daher wünschenswert, eine Statorwicklungsfehlerdetektionsvorrichtung und ein Verfahren zu konstruieren, das Motorfehler assoziiert mit dem Stator des Elektromotors detektieren kann, sowie die Notwendigkeit beseitigt, eine Nachschlagtabelle herzustellen, die jeden und alle vorstellbaren Betriebszustände speichert.

Zusammenfassung der Erfindung

Die vorliegende Erfindung bezieht sich auf ein Verfahren und System zum Eliminieren der Notwendigkeit der Herstellung einer Betriebsparameterreferenztabelle zur Detektion von Motorfehlern und sie ermöglicht die Nutzung eines Insitu- bzw. On-the- fly-Computernetzwerks, das die zuvor genannten Probleme überwindet.

Die vorliegende Erfindung sieht einen Weg vor, um leicht die zuvor erwähnte Nachschlagtabelle und die Notwendigkeit zu ersetzen, jeden und alle Betriebsparameter eines Motors zu schätzen oder zu erzeugen, und zwar durch Nutzung eines feed- forward neuronalen Netzwerks. Die vorliegende Erfindung umfasst das Erhalten von Spannungs- und Stromdaten eines Elektromotors unter bekannten gesunden Betriebsbedingungen. Ein Computerprogramm wird vorgesehen, das die vorliegenden Spannungs- und Stromdaten transformiert, so dass charakteristische Daten leicht erhalten und für die spätere Verwendung gespeichert werden können. Das System weist ebenso Mittel auf für das Erhalten von momentanen Daten von einem Elektromotor unter tatsächlichen Betriebsbedingungen. Die Momentandaten werden verglichen mit geschätzten Daten, die durch das feed-forward neuronale Netzwerk erzeugt werden. Basierend auf dem Vergleich der zuvor erwähnten Daten kann der Anfang eines Statorwicklungsfehlers in einem Elektromotor genau identifiziert werden.

Demgemäß wird gemäß einem Aspekt dieser Erfindung ein Statorwicklungsfehlerdetektor für einen Elektromotor offenbart. Der Detektor weist eine Vielzahl von Sensoren auf, um Strom- und Spannungssignale, die den Elektromotor versorgen, zu erhalten. Sequenzkomponenten der Strom- und Spannungsdaten werden dann durch einen Prozessor berechnet, der mit der Vielzahl von Sensoren verbunden ist sowie mit einem feed-foward neuronalen Netzwerk verbunden ist. Das feed-forward neuronale Netzwerk empfängt die Strom- und Spannungswerte oder zumindest Teile davon, und berechnet geschätzte Werte, die an einen Vergleicher ausgegeben werden. Basierend auf einer Analyse der geschätzten Werte und der Momentanwerte kann der Anfang bzw. das Einsetzen eines Statorwicklungsfehlers bestimmt werden.

Gemäß einem anderen Aspekt der Erfindung wird ein Statorwicklungsfehlerdetektionssystem offenbart, das einen Mikroprozessor und ein computerlesbares Speichermedium umfasst. Bei einer Anweisung eines Computerprogramms, das auf dem computerlesbaren Speichermedium gespeichert ist, empfängt der Mikroprozessor, und zwar durch zumindest einen Eingang, Fundamentalfrequenzdaten mit einer positiven und einer negativen Sequenzkomponente der Leitungsspannung und eine positive Sequenzkomponente des Leitungsstroms, die einen Elektromotor versorgen. Der Mikroprozessor initiiert weiter bei einer Anweisung durch das Computerprogramm ein feed-forward neuronales Netzwerk, das basierend auf den zuvor erwähnten Daten, eine geschätzte negative Sequenzkomponente des Leitungsstroms bestimmt. Die vorliegende Erfindung umfasst auch zumindest einen Ausgang zur Ausgabe der geschätzten negativen Sequenzkomponente des Leitungsstroms.

In noch einem anderen Aspekt der vorliegenden Erfindung weist eine Vorrichtung zur Detektion eines Statorwicklungsfehlers in einem Elektromotor Mittel für den Empfang von Leitungsspannungssignalen und Leitungsstromsignalen von einem Elektromotor auf, bei dem bekannt ist, dass er richtig funktioniert. Ein Transformationsmittel zur Bestimmung der Sequenzkomponenten von zumindest einem Teil der Spannungs- und Stromsignale, und zwar kontinuierlich in der Zeit, ist ebenso vorgesehen. Die vorliegende Erfindung weist ferner Mittel für das Ausgeben von geschätzten Stromwerten basierend auf den zuvor erwähnten Sequenzkomponenten auf. Die geschätzten Stromwerte werden aufeinanderfolgend verglichen, und zwar in Echtzeit, mit momentan akquirierten Stromwerten durch ein Vergleichsmittel.

Gemäß einem weiteren Aspekt der Erfindung wird ein Computerprogramm offenbart zur Detektion eines Statorwicklungsfehlers in einem Elektromotor. Bei Ausführung veranlasst das Computerprogramm einen Computer zur Akquirierung von Fundamentalfrequenzdaten eines Elektromotors während eines Betriebs im guten Arbeitszustand. Das Computerprogramm wird ferner bewirken, dass zumindest ein Teil der Fundamentalfrequenzdaten in ein feed-forward neuronales Netzwerk mit einer Anzahl von Gewichten bzw. Gewichtungen eingegeben werden. Der Computer wird dann das feed-forward neuronale Netzwerk trainieren bzw. es lehren, jedes Gewicht auf einen Wert zu konvergieren und den Wert im Speicher zu speichern. Der Computer wird dann auch Fundamentalfrequenzdaten vom Elektromotor während momentaner Betriebe erhalten. Die momentanen Fundamentalfrequenzparameter werden dann in das feed-foward neuronale Netzwerk eingegeben. Der Computer wird dann einen geschätzten Fundamentalfrequenzparameter des momentanen Betriebs des Motors erhalten und diesen Parameter mit dem momentanen Fundamentalfrequenzparameter vergleichen, um einen Wicklungsfehler im AC-Motor zu bestimmen.

In einem weiteren Aspekt der vorliegenden Erfindung wird eine Vorrichtung zur Detektion eines Statorwicklungsfehlers in einem Wechselstrom- bzw. AC- Induktionsmotor offenbart. Die Vorrichtung weist zumindest zwei Stromsensoren für den Erhalt von zumindest zwei AC-Motorstromsignalen auf, sowie zumindest zwei Spannungssensoren für den Erhalt von AC-Motorspannungssignalen. Die AC- Motorstromsignale und die AC-Motorspannungssignale werden in einen Analog-zu- Digital-Wandler eingegeben, um digitalisierte Stromsignale und digitalisierte Spannungssignale zu erzeugen. Es ist ebenso ein Mikroprozessor in der vorliegenden Erfindung in Erwägung gezogen, um die digitalisierten Signale zu interpretieren zur Berechnung von Fundamentalfrequenzsequenzparametern eines AC-Motorbetriebs. Geschätzte Fundamentalfrequenzparameter des Betriebs des AC-Motors werden durch ein feed-forward neuronales Netzwerk bestimmt.

Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung wird ein Verfahren offenbart zur Detektion des Vorliegens eines Statorwicklungsfehlers in einem Elektromotor, das die Schritte der Akquirierung von Fundamentalfrequenzlernparametern vom Elektromotor umfasst während gesunder Betriebsbedingungen des Elektromotors. Das Verfahren zur Detektion eines Statorwicklungsfehlers umfasst auch die Bestimmung von Sequenzphasoren bzw. Sequenzzeigervektoren von den Fundamentalfrequenzlernparametern zur Bestimmung von geschätzten Fundamentalfrequenzwerten des Normalbetriebs des Elektromotors und die Bestimmung dieser geschätzten Fundamentalfrequenzwerte. Vorzugsweise weist das Verfahren die zusätzlichen Schritte der Akquirierung von momentanen Fundamentalfrequenzwerten vom Elektromotor während seines Dienstes auf. Das Verfahren vergleicht als nächstes die momentanen Fundamentalfrequenzwerte mit den geschätzten Fundamentalfrequenzwerten des Betriebs zum Bestimmen eines Fehlerwertes und zur Anzeige des Fehlerwertes basierend auf dem Vergleich. Der Fehlerwert ist anzeigend für das Vorliegen eines Statorwicklungsfehlers innerhalb des Elektromotors.

In einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Verfahren zur Bestimmung des Vorliegens eines Statorwicklungsfehlers in einem AC- Induktionsmotors die Schritte der Auswahl von Sequenzphasorenparametern eines feed-forward neuronalen Netzwerks und das Lernen bzw. Trainieren des feed- forward neuronalen Netzwerks zum Erlernen eines Modells des AC-Induktionsmotors unter gesunden Betriebsbedingungen. Das Verfahren akquiriert dann einen gemessenen Wert des AC-Induktionsmotors während seines Dienstes und vergleicht den gemessenen Wert, der vom Elektromotor im Dienst erhalten wurde, mit einem geschätzten Wert eines AC-Induktionsmotorbetriebs. Das Verfahren wiederholt dann die zuvor erwähnten Schritte, bis ein Wicklungsfehlerwert detektiert wird, der einen Sicherheitswert übersteigt. Wenn solch ein Wicklungsfehlerwert detektiert wird, zeigt das Verfahren das Vorliegen eines Statorwicklungsfehlers im AC-Induktionsmotor einem Benutzer an.

Verschiedene andere Merkmale, Ziele und Vorteile der vorliegenden Erfindung werden sich aufgrund der folgenden detaillierten Beschreibung und der Zeichnungen verdeutlichen.

Kurze Beschreibung der Zeichnungen

Die Zeichnungen stellen ein bevorzugtes Ausführungsbeispiel dar, das für die Durchführung der Erfindung in Betracht gezogen wird.

In der Zeichnung zeigt:

Fig. 1 ist eine schematische Zeichnung eines Wicklungsfehlerdetektors der vorliegenden Erfindung.

Fig. 2 ist ein Blockdiagramm eines Wicklungsfehlerdetektionsplans, der in dem in der Fig. 1 gezeigten Wicklunglungsfehlerdetektor genutzt wird.

Fig. 3 ist ein Blockdiagramm, das ein in Beziehung stehendes Ausführungsbeispiel der vorliegenden Erfindung darstellt, das für die Bestimmung der Sequenzkomponenten der Leitungsspannung und des Leitungsstroms des in Fig. 1 gezeigten Elektromotors genutzt wird.

Fig. 4 ist ein Flussdiagramm, das das allgemeine Training eines feed-forward neuronalen Netzwerks zur Verwendung mit dem in Fig. 1 gezeigten Gerät zeigt.

Fig. 5 ist ein Flussdiagramm, das ein Ausführungsbeispiel für den Betrieb des feed- forward neuronalen Netzwerks zur Nutzung mit dem Gerät der Fig. 1 darstellt.

Fig. 6 ist ein Flussdiagramm, das ein Ausführungsbeispiel zum Testen des feed- forward neuronalen Netzwerks des in Fig. 1 gezeigten Geräts darstellt, und zwar wie in Fig. 5 trainiert.

Fig. 7 ist ein Flussdiagramm, das ein weiteres Ausführungsbeispiel für das Training und das Testen eines feed-foward neuronalen Netzwerks zur Verwendung mit dem in Fig. 1 gezeigten Gerät darstellt.

Fig. 8 ist ein Flussdiagramm, das ein weiteres Ausführungsbeispiel für das Trainieren des feed-foward neuronalen Netzwerks des in Fig. 1 gezeigten Geräts darstellt.

Fig. 9 ist ein Flussdiagramm, das ein weiteres Ausführungsbeispiel für das Trainieren des feed-foward neuronalen Netzwerks der vorliegenden Erfindung, wie in Fig. 1 gezeigt, darstellt.

Fig. 10 ist ein Flussdiagramm, das das Testen eines feed-foward neuronalen Netzwerks darstellt, und zwar wie in Fig. 1 gezeigt und trainiert gemäß Fig. 8.

Detaillierte Beschreibung des bevorzugten Ausführungsbeispiels.

Die Betriebsumgebung der vorliegenden Erfindung wird in Bezug auf einen Dreiphasenwechselstrom- bzw. AC-Induktionselektromotor beschrieben, wie er in Fig. 1 gezeigt ist. Jedoch sei gewürdigt, dass diese Erfindung anwendbar ist für die Nutzung mit Einphasen- oder anderen Polyphasen-AC-Motoren sowie mit anderen Arten von Elektromotoren.

Ein Wicklungsfehlerdetektor, siehe Fig. 1, der das in Fig. 2 dargestellte Wicklungsfehlerdetektionsschema beinhaltet, ist hier offenbart. Bezugnehmend auf Fig. 1 weist ein Statorwicklungsfehlersystem 10 eine Leistungsversorgung 12 auf, die mit einem Elektromotor 14 über Übertragungsleitungen 16a, 16b und 16c verbunden ist. Das System 10 weist ferner einen Allzweckcomputer 18 auf, mit einem Analog-zu-Digital- Wandler (A/D-Wandler) 20 zur Überwachung des Stroms und der Spannung, die an den Elektromotor 14 über die Übertragungsleitungen 16a, 16b und 16c übertragen werden. Stromsensoren 22a und 22b erhalten Wellenformen des Stroms, der durch den Motor 14 wandert und übertragen die Wellenformen an den A/D-Wandler 20 über Übertragungsleitungen 24a, 24b. Spannungssensoren 26a und 26b erhalten Wellenformen der Spannung, die an den Motor 14 geliefert wird, und übertragen die Wellenformen an den A/D-Wandler 20 über Übertragungsleitungen 28a, 28b. Der A/D-Wandler 20 empfängt die Strom- und Spannungswellenformen und digitalisiert jede Wellenform, so dass Messungen der Wellenformen leicht erhalten werden können. Der Computer 18 besitzt einen Mikroprozessor 30, der die digitalisierten Signale vom A/D-Wandler 20 empfängt, und er führt ein Computerprogramm aus, das bewirkt, dass der Mikroprozessor 30 die digitalisierten Signale analysiert, wie gemäß den Fig. 3-10 diskutiert wird.

Der Computer 18 hat einen Override- bzw. Überbrückungsanschluss 32, der mit dem Mikroprozessor 30 verbunden ist, der bei seiner Aktivierung es einem Nutzer des AC- Induktionsmotors 14 gestattet, die Ausgabe des Mikroprozessors 30 zu übergehen. Solch eine Übergehung kann nützlich sein bei der Verzögerung eines Abschaltens in kritischen Anwendungen, in denen der Prozess ohne Rücksicht auf einen Motorfehler fortfahren muss. Der Mikroprozessor 30 gibt Daten an den Nutzer des Motors 14 über einen Ausgabeanschluss 34 aus.

Fig. 2 ist ein Blockdiagramm eines Systems implementiert mit einem Computerprogramm, das durch den Mikroprozessor 30 auszuführen ist. Spannungs- und Stromdaten 36 der digitalisierten Wellenformen werden in ein feed-forward neuronales Netzwerk 38 eingegeben, das die Daten 36 verarbeitet und geschätzte Werte für den Real- 40a und Imaginär- 40b Teil der Negativsequenzkomponenten des Stroms des Elektromotors 14 im tatsächlichen Betrieb ausgibt. Ein Vergleicher 42 empfängt die geschätzten Daten 40a, 40b und vergleicht die geschätzten Daten 40a, 40b mit tatsächlichen Datenkomponenten, die eine Realkomponente 44a und eine Imaginärkomponente 44b des Negativsequenzstroms des Elektromotors 14, die während des tatsächlichen Betriebs erhalten werden, umfassen. Der Vergleicher 42 weist allgemein einen Addierer, einen Subtrahierer oder einen Summierer auf, wie in der Folge allgemein als Vergleicher bezeichnet wird. Ein Fehleranzeiger 46 empfängt die ausgegebenen Werte vom Vergleicher 42 und zeigt das Vorliegen eines Fehlerzustands 48 im Elektromotor 14 an. Die vorliegende Erfindung zieht eine Vielzahl von Fehleranzeigern 46 in Betracht, und zwar einschließlich, jedoch nicht darauf beschränkt, eine selbstorganisierende Merkmalsabbildung bzw. Self-Organizing Feature Map (SOFM) 46a, die den weiteren Betrieb des Elektromotors 14 verhindern kann, das Erklingen einer Hupe, das Anzeigen des Fehlers mit einer Fluktuation einer Nadel und/ oder die Ausgabe von Blinklichtern, und zwar unter anderem. Die SOFM 46a ist ein neuronales Netzwerk zur graphischen Anzeige des Betriebszustandes des Elektromotors 14. Für die richtige Anzeige des Betriebszustands des Elektromotors 14 empfängt die SOFM 46a als Eingaben den Ausgabewert 48 und die Größe der Negativsequenzspannung 50. Die vorliegende Erfindung zieht die Nutzung eines alternativen oder zweiten Fehleranzeigers 46b in Betracht. Der zweite Anzeiger 46b kann ein Meter- bzw. eine Messanzeige umfassen, ein Satz von Fehlerlichtern oder irgendeine Kombination eines Fehleranzeigers, auf die zuvor Bezug genommen wurde. Der Fachmann für die Detektion von Statorwicklungsfehlern wird erkennen, dass die Ausführung der vorliegenden Erfindung sich nicht auf die Nutzung des SOFM 46a anstelle irgendeines anderen besonderen Fehleranzeigers stützt.

Fig. 3 stellt die Transformation der digitalisierten Strom- und Spannungswellenformen dar, wenn sie durch den Mikroprozessor 30 vom A/D-Wandler 20 empfangen werden. Die Transformation wird allgemein bezeichnet als Synchronreferenzrahmen- (SRF = Synchronous Reference Frame)-Transformation und ist allgemein bekannt. SRF ist eine Technik zur Transformation von digitalisierten Daten, die ungleich der Fast-Fourier-Transformation (FFT) eine kontinuierliche Transformation der Daten gestattet. Ungleich der SRF-Transformation werden einige Zyklen der Datensammlung gefordert, bevor die FFT durchgeführt werden kann auf die digitalisierten Daten, bevor ein nutzbares Ergebnis erhalten wird.

Vorzugsweise beginnt die SRF-Transformation 100 mit dem Erhalt von zwei Leitungsströmen und zwei Leitungsspannungen auf eine Weise, wie zuvor ausgeführt, und zwar unter Bezugnahme auf Fig. 2. Die zwei Leitungsspannungen Vab, Vbc werden auf einen stationären Bezugsrahmen 110 transformiert zur Berechnung einer d-Achse und einer q-Achse der stationären Spannung, nämlich vsqs bzw. vsds, die jeweils reale Zahlen sind. vsqs und vsds werden auf einen synchronenen Bezugsrahmen bzw. Referenzrahmen 120 transformiert. Zum Transformieren von vsqs und vsds auf einen synchronen Bezugsrahmen 120 muß auch ein Transformationwinkel Θe in den synchronen Bezugsrahmen 120 eingegeben werden. Eine Ausgabe des synchronen Bezugsrahmens 120, veds, wird in einen Addierer 122 eingegeben. Die Ausgabe des Addierers 122 wird in einen digitale PI-Steuerung 124 eingegeben zur Regulierung der d-Achsenspannung auf Null. Durch Einstellen der Frequenz □s und zwar einer geschlossenen Schleife, und Anwenden eines Integrators 126 wird der Wert des Transformationswinkels Θe konvergiert, so dass die d-Achsenspannung veds, auf Null gezwungen wird. Somit wird die q-Achse der synchronen Spannung veqs einer Tiefpassfilterung 128 und einer Konversion auf RMS-Werte 130 unterzogen, um die Größe der Positivsequenzkomponente der Leitungs-Leitungs-Spannung VLsp, zu erzeugen. Der RMS-Wert der resultierenden VLsp wird für eine Leitung-zu-Neutral- Phasorenberechnung 148 ausgegeben.

Zur Bestimmung der Größe und Phase der Negativsequenzkomponente der Leitungs-zu-Leitungs-Spannung VLsn bzw. arg(VLsn), werden die stationäre q- Achsenspannung, vsqs und die stationäre d-Achsenspannung vsds sowie das negative des konvergierten Transformationswinkels, Θe, einem synchronen Referenz- bzw. Bezugsrahmen 132 eingegeben. Die synchronen Bezugsrahmenausgaben, veqs und veds werden einer Tiefpassfilterung 134a, 134b unterzogen, und zwar vor der Berechnung von VLsn und arg(VLsn). Die Berechnung 136 von VLsn und arg(VLsn) werden wie folgt dargestellt:





Die Größe bzw. Amplitude und die Phase der Negativsequenzkomponente der Leitungs-zu-Leitungs-Spannung, und zwar wie berechnet, werden für die Leitungs-zu- Neutral-Phasorenberechnung 148 ausgegeben.

Die Berechnung der Größe und Phase von sowohl der positiven als auch der negativen Sequenzkomponenten der Stromwellenform sind sehr ähnlich zur Berechnung der Negativsequenzkomponenten, sowohl der Größe als auch der Phase, der Leitungs-zu-Leitungsspannung. Es sei jedoch bemerkt, dass der Transformationswinkel, Θe, und nicht sein Negatives für die Transformation auf den synchronen Bezugsrahmen 138 eingegeben wird zur Berechnung der Größe und Phase der Positivsequenzkomponente des Leitungsstroms. Die Berechnung der Positivsequenzkomponenten des Leitungsstroms sind wie folgt:





Zur Berechnung der Negativsequenzkomponenten des Leitungsstroms wird der Transformationswinkel, Θe, bei 140 mit -1 multipliziert. Der modifizierte Θe, isqs und isds werden einem synchronen Bezugsrahmen 142 eingegeben. Das Ergebnis bei 142 sind zwei Werte, ieqs und ieds die nach einer Tiefpassfilterung 144 zur Berechnung 146 verwendet werden, die die Negativsequenzkomponenten des Leitungs-zu- Leitungs-Stroms vorsieht. Die Gleichungen für die Berechnung der Negativsequenzkomponenten des Leitungsstroms sind:





Die positiven und negativen Sequenzkomponenten, die beide Größe und Phase haben, werden dann für die Phasorenberechnung bzw. Zeigervektorenberechnung bei 148 ausgegeben.

Die Phasorenberechnung 148 ist notwendig für die Berechnung der Eingabedaten 36 des feed-forward neuronalen Netzwerks der Fig. 2. Die Eingabedaten 36 an das feed-forward neuronale Netzwerk 38, Vsp, Vsn_real, Vsn_imag, Isp_real und Isp_imag werden wie folgt berechnet:









Die Phasorberechnung bzw. Zeigerberechnung 148 der Negativsequenzkomponenten des Leitungsstroms und zwar sowohl real als auch imaginär, Isn_real und Isn_imag werden mit den geschätzten Negativsequenzkomponenten 40a, 40b verglichen, die durch das feed-forward neuronale Netzwerk 38 erzeugt werden, und zwar wie unter Bezugnahme auf Fig. 2 diskutiert wurde.

Das durch die vorliegende Erfindung in Betracht gezogene feed-forward neuronale Netzwerk 38 hat zwei unterschiedliche Betriebsstufen: die Trainingsstufe und die Teststufe. Fig. 4 ist ein Flussdiagramm des allgemeinsten Trainingsverfahrens des feed-forward neuronalen Netzwerks 38. Ein Training des feed-forward neuronalen Netzwerks 38 beginnt mit der Eingabe 160 der Eingabedaten 36 in einen Hidden Layer bzw. eine versteckte Schicht des Netzwerks 38 in der Form eines 5 × 1- Eingabevektors, p. Der Hidden Layer besteht aus einer Anzahl von Hidden Layer- Neuronen bzw. Neuronen der versteckten Schicht 52, Mhid und Gewichtungen 54, die eine Gewichtungsmatrix, Whid, mit Dimensionen 5XMhid bilden. Die Gewichte bzw. Gewichtungen werden auf einen vorbestimmten Wert eingestellt, der sich ansprechend auf Änderungen in den Eingabedaten 36 ändert. Typischerweise wird eine jede Gewichtung auf einen Nullwert voreingestellt. Die Hidden Layer-Neuronen 52 entsprechen spezifizierten arithmetischen Funktionen, die an den Eingabedaten 36 durchgeführt werden sollen, wie in Kürze diskutiert werden wird. Zur Bestimmung der Ausgabe des Hidden Layer, wie allgemein gezeigt bei Schritt 162, wird das Produkt der Transponierten der Gewichtungsmatrix des Hidden Layer Whid, und p addiert zu bhid einen Vorspann- bzw. Vorwertvektor für Hidden Layer-Neuronen dimensioniert als Mhid × 1. Der hyperbolische Tangens wird von der Summe genommen, um die Ausgabe des Hidden Layer, yhid, zu bestimmen, wie in Gleichung 14 gezeigt.



yhid = tanh(whidp+bhid) (12)

Nach dem Bestimmen der Ausgabe des Hidden Layer 162, yhid, wird die Ausgabe des neuronalen Netzwerks yout, in der Ausgabeschicht bzw. dem Outputlayer bei 164 berechnet. Allgemein besteht der Outputlayer aus einer Anzahl von Neuronen und Gewichtungen (nicht gezeigt). Das Lösen der Gleichung 15, die in der Folge dargestellt ist, erzeugt yout. Wout repräsentiert allgemein die Transponierte von Wout und bout repräsentiert allgemein einen 2 × 1-Vorwertvektor für die Outputlayerneuronen; Wout ist eine Gewichtungsmatrix des Outputlayer dimensioniert als Mhid × 2.



yout = Wout yhid + bout (13)

Die Ausgabe, tut, des feed-forward neuronalen Netzwerks 38 wird dann subtrahiert von gemessenen Werten, ydes, vom fortgesetzten Trainingsbetrieb des Elektromotors 14, und zwar gemäß Gleichung 16 zur Berechnung des Fehlers in einer Vorhersage 166. Gleich zu yout, ist ydes ein 2 × 1-Vektor der Negativsequenzkomponenten mit einer Größe bzw. Amplitude und Phase des Leitungsstroms des Elektromotors 14.



e ydes - yout (14)

Wie durch die Gleichung 16 erzeugt, zeigt die Differenz e von ydes und yout die Differenz an zwischen den tatsächlichen Werten des Betriebs des Elektromotors 14 und den geschätzten Werten, die durch das feed-forward neuronale Netzwerk 38 erzeugt werden und sie wird allgemein als ein Fehler in der Vorhersage bezeichnet. Wenn es keine unausgeglichenen Versorgungsspannungen oder inhärenten Asymmetrien im Elektromotor 14 oder den Instrumenten gibt, wird der Wert für e Null sein. Jedoch ist eine exakte Balance in den Versorgungsspannungen oder in den Instrumenten ohne inhärente Asymmetrien unwahrscheinlich. Im Ergebnis wird e wahrscheinlich irgendeinen positiven Wert, jedoch nur klein bzw. leicht haben.

Nach der Berechnung von e 166 werden die Werte der Gewichtungsmatrizen bei 168 gemäß einer bekannten "Deltaregel" aktualisiert. Die Deltaregel ist ein Mittel zur Aktualisierung von Gewichtungsmatrizen eines neuronalen Netzwerks und ist allgemein bekannt und offenbart in Neural Networks: A Comprehensive Foundation (Prentice Hall, 1999) von Simon Haykin. Nach dem Aktualisieren der Gewichtungsmatrizen 168 werden die Lernrate und andere Trainingsparameter bei 170 aktualisiert.

Nach dem Aktualisieren der Gewichtungsmatrizen 168 und der Lernrate und anderer Trainingsparameter 170, wird die Norm von e bei 172 evaluiert zur Bestimmung, ob der Wert klein genug ist, und zwar bei gegebenen Trainingseingaben 36. Wenn die Norm von e nicht klein genug ist, werden neue Eingabedaten 36 erhalten und in den Hidden Layer bei 162 eingegeben und e wird schließlich neu berechnet, und zwar mit den geänderten Werten der Gewichtungen des Hidden Layer und des Outputlayer. Der Fehler in der Vorhersage wird nicht ausreichend klein sein, bis die Gewichtungen des Hidden Layer und des Outputlayer auf geeignete Werte konvergiert sind. Eine Konvergenz der Gewichtungen liegt vor, wenn der Fehler in der Vorhersage gleich zu Null ist oder irgendein anderer Wert, der vom Benutzer des Detektionssystems 10 als annehmbar bestimmt wird. Der Mikroprozessor 20 speichert die Gewichtungswerte bei Konvergenz im Speicher zur Nutzung während der Teststufe für das feed-forward neuronale Netzwerk 38 im Speicher.

Wenn die Norm bzw. der Betrag von e ausreichend klein ist, dann ist die Trainingsstufe des feed-forward neuronalen Netzwerks 38 abgeschlossen. Die Bestimmung, ob die Norm von e ausreichend klein ist, hängt ab von einem vorbestimmten Schwellenwert. Abhängig von den Betriebsbedingungen und der vorgeschlagenen Nutzung des Elektromotors 14 kann ein Fehler in der Vorhersage von 10% ausreichend klein sein, wogegen andere Anwendungen einen viel kleineren Fehler in der Vorhersage erfordern können.

Fig. 5 stellt ein bekanntes Ausführungsbeispiel zum Betrieb des feed-forward neuronalen Netzwerks 38 dar, das allgemein als "Global Minimal Training" bzw. "globales Minimumtraining" (GMT) bezeichnet wird. GMT des neuronalen Netzwerks 38 ist sehr ähnlich zum allgemeinen Training eines neuronalen Netzwerks 38 wie in Fig. 4 gezeigt. Bei GMT jedoch, wenn der Motor im Dienst ist, werden weder die Gewichtungsmatrizen noch die Lernrate und die Trainingsparameter aktualisiert. Für das Einbauen von GMT müssen Daten, die unterschiedlichen Strom- und Spannungsbedingungen entsprechen, vor dem Training verfügbar oder über eine Zeitdauer akkumuliert werden. Im Ergebnis muss der Elektromotor 14 durch mehrere Betriebszyklen laufen gelassen werden, so dass ausreichend Trainingsdaten erhalten werden. Um das präziseste globale Minimum zu erreichen, ist ein großer Datensatz zusätzlich zu einem wesentlichen Datenspeicher erforderlich, wobei der große Datensatz eine lange Trainingszeit erfordert. Mit Anstieg der Anzahl der Trainingspunkte verbessert sich die Genauigkeit der funktionalen Annäherung bzw. Approximation, das globale Minimum. Verglichen mit anderen Trainingsverfahren, wie in Kürze diskutiert wird, wird das globale Minimumtraining derzeit als das teuerste und ineffizienteste angesehen.

Fig. 6 stellt das Testen des feed-forward neuronalen Netzwerks 38 dar, sobald die Gewichtungen der Hidden und Outputlayers konvergiert sind unter Nutzung des GMT-Prozesses der Fig. 5 mit dem allgemeinen Training der Fig. 4. Sequenzkomponenten der Leitungsspannung und des Leitungsstroms werden bei 174 in das neuronale Netzwerk 38 eingegeben und dann werden die Ausgaben bzw. Ausgabeanschlüsse des Hidden Layers und des neuronalen Netzwerks bei 162, 166 berechnet, wie unter Bezugnahme auf Fig. 4 beschrieben wurde. Der Fehler wird dann bei 176 berechnet, jedoch ungleich der Trainingsstufe ist der Fehler in der Vorhersage nicht eine Anzeige für die Ungenauigkeit der Gewichtungen sondern eher eine Anzeige für das Einsetzen eines Statorwicklungsfehlers im Elektromotor 14. Da die Gewichtungen während des Trainings des feed-forward neuronalen Netzwerks 38 basierend auf Daten konvergierten, die von einem arbeitenden Elektromotor 14 gesammelt wurden, sind Asymmetrien in den Instrumenten und dem Elektromotor sowie unausgeglichene Spannungen mit einberechnet. Im Wesentlichen lernt während der Trainingsstufe das feed-forward neuronale Netzwerk 38 die Betriebsbedingungen des Elektromotors 14 mit vorliegenden Unvollkommenheiten.

Das Testen des feed-forward neuronalen Netzwerks 38 schließt mit einem Vergleich der Normalisierung des Fehlers in der Vorhersage mit einem Sicherheitswert bei 178 ab. Der Sicherheitswert ist ein benutzerbestimmter Wert, der die Toleranz anzeigt, die der Benutzer hinsichtlich eines Versagens des Elektromotors hat. Ein hoher Sicherheitswert würde einen hohen Wert in der Vorhersage erfordern, um einen Wicklungsausfallfehler 180 im Elektromotor 14 zu signalisieren, wogegen ein geringerer Sicherheitswert einen viel geringeren Wert für e nach sich zieht. Wenn die Normalisierung von e größer ist als der Sicherheitswert bei 178, dann wird ein Wicklungsfehler bei 180 signalisiert. Wenn nicht, dann akquiriert das feed-forward neuronale Netzwerk 38 wieder Sequenzkomponentendaten bei 174 und die Teststufe wiederholt sich. Solange die Norm von e nicht den Sicherheitswert übersteigt, wird die Schleife beginnend bei 174 kontinuierlich sein.

Fig. 7 stellt ein weiteres bekanntes Ausführungsbeispiel für das Trainieren und Testen des feed-forward neuronalen Netzwerks 38 dar, das allgemein als Continual- Online Training bzw. kontinuierliches Online-Training (COT) bezeichnet wird. Obwohl COT ein bekanntes Verfahren zum Trainieren des feed-forward neuronalen Netzwerks 38 ist, wurde COT nicht für Statorwicklungsfehlerdetektionsschemata angewendet. Bei kontinuierlichem Online-Training werden Sequenzkomponenten erhalten wie zuvor diskutiert. Mit COT gibt es alle T Sekunden einen Anzahl von Testschlitzen und einen Trainingsschlitz. Dem gemäß können die Gewichtungen des feed-forward neuronalen Netzwerks 38 quasi kontinuierlich ansprechend auf Änderungen in den Sequenzkomponenten aktualisiert werden. Typischerweise ist jeder fünfte Schlitz ein Trainingsschlitz während dem Sequenzkomponentendaten zum Aktualisieren der Gewichtungsmatrizen verwendet werden. Die vier restlichen Schlitze werden beiseite gelegt für Testdaten, die zur Bestimmung genutzt werden, ob ein Statorwicklungsfehler im Elektromotor 14 vorliegt. Während eines Trainingsschlitzes wird der Fehler in der Vorhersage 184 durch Lösen der Gleichung 16 bestimmt. Wenn der Fehler in der Vorhersage groß genug ist bei 185, wird ein Fehler bei 190 an den Benutzer des Elektromotors 14 signalisiert. Wenn der Fehler in der Vorhersage nicht groß genug wird, dann werden die Gewichtungsmatrizen bei 186 aktualisiert und neue Sequenzkomponentendaten werden bei 188 erhalten. Während eines Trainingsschlitzes 182; 183, werden die Sequenzkomponenten einer Trainingstransientenevaluation 192 unterzogen. Die Trainingstransienteevaluation 192 bestimmt, ob das COT in einer Trainingstransiente ist. Wenn eine Trainingstransiente vorliegt, dann werden neue Sequenzkomponenten bei 188 erhalten und das Training beginnt von Neuem. Wenn keine Trainingstransiente vorliegt, dann wird der Netzwerkfehler e bei 194 wie zuvor unter Bezugnahme auf Fig. 4 diskutiert, berechnet. Der Netzwerkfehler e wird dann mit dem Sicherheitswert bei 196 verglichen zur Bestimmung, ob ein Wicklungsfehler bei 190 an den Benutzer des Elektromotors 14 signalisiert werden soll.

Quasi-globales Minimumtraining (QGM), wie in Fig. 8 gezeigt, ist ein weiteres Ausführungsbeispiel für das Trainieren des feed-forward neuronalen Netzwerks 38. Das QGM ist sehr ähnlich zum globalen Minimumtraining, Fig. 5, mit der Ausnahme, dass die Größe der Datenbasis beschränkt ist. Typischerweise ist die Datenbasis groß genug, um der Anzahl der verschiedenen Betriebsbedingungen zu entsprechen, die im Laufe eines einzigen Tages angetroffen werden. Die Datenbasis wird über eine Zeitdauer aktualisiert, und wenn eine neue Eingabe bei der vollen Datenbasis erhalten wird, wird eine existierende Eingabe verworfen, so dass die restlichen Daten den bestmöglichen Trainingssatz für das feed-forward neuronale Netzwerk 38 aus Sicht des Konvergenzpunktes präsentieren. Im Ergebnis werden Gewichtungen nur dann aktualisiert, wenn einen neue Eingabe der Datenbasis hinzugefügt wird. Daher hat verglichen mit dem COT-Schema der Fig. 7 das QGM-Schema geringere Berechnungsanforderungen.

Mit dem quasi-globalen Minimumtraining wird die Anzahl der Neuronen des Hidden Layer bzw. der versteckten Schicht, Mhid, vor dem Erhalt einer neuen Eingabe 198 initialisiert. Nach dem Initialisieren der Anzahl der Neuronen des Hidden Layer werden in der Datenbasis 200 gespeicherte Sequenzkomponenten in den Hidden Layer des feed-forward neuronalen Netzwerks 38 eingegeben, so dass der Fehler in der Vorhersage, e, wie zuvor ausgeführt, erhalten wird. Nachdem der Fehler in der Vorhersage bei 202 berechnet ist, werden die Gewichtungsmatrizen und Lernparameter bei 204 wie unter Bezugnahme auf Fig. 4 diskutiert, aktualisiert. Wenn die Norm des Fehlers in der Vorhersage klein genug ist, und zwar bei 206, 207, hört das Trainieren des feed-forward neuronalen Netzwerks 38 auf. Wenn nicht, wie bei 206, 209, werden die Anzahl der Neuronen des Hidden Layer bei 211 inkrementiert und die Gewichtungsmatrizen werden bei 208 neu initialisiert bzw. wieder initialisiert. Zur Begrenzung des Trainingsfehlers auf einen vorbestimmten Schwellenwert muss die Anzahl der Neuronen des Hidden Layer mit dem Anwachsen der Datenbasis anwachsen. Wenn die neue Eingabe deutlich unterschiedlich ist von den in der Datenbasis gespeicherten Sequenzkomponenten, kann es sein, dass die Gewichtungen 54 des feed-forward neuronalen Netzwerks nicht konvergieren und der Fehler in der Vorhersage hoch bleibt. Im Ergebnis muss das Testen des feed-forward neuronalen Netzwerks 38 unterbrochen werden, bis ausreichend viele Eingaben der Datenbasis zugefügt sind, so dass die Gewichtungen 54 konvergieren können.

Da der COT-Algorithmus keine Datenbasis zum Speichern von Eingabedaten 36 hat, und der QGM-Algorithmus die Gewichtungen nicht konvergieren kann, wenn deutlich unterschiedliche Eingaben von der Datenbasis erhalten werden, zieht die vorliegende Erfindung die Kombination beider Algorithmen in Betracht. Bei Verwendung einer Kombination der Algorithmen COT-QGM werden zwei Sätze von Gewichtungen für eine Fehlerdiagnose verwendet. Ein Satz wird trainiert durch den COT-Algorithmus und der andere Satz wird trainiert durch das QGM-Schema. Da nur ein Schema zu einer gegebenen Zeit aktiv ist, wird die Komplexität der Berechnung nicht erhöht.

Fig. 9 stellt den Trainingsalgorithmus für den COT-QGM-Modus dar. Vor dem Erhalt der Eingabedaten 36, nämlich Sequenzkomponenten des Leitungsstroms und der Leitungsspannung, wird eine Bestimmung dahingehend gemacht, um zu Bestimmen, ob die Daten 36 seit der letzten QGM-Gewichtungsaktualisierung 210 hinzugefügt wurden. Wenn die Daten 36 hinzugefügt wurden, werden die Gewichtungen des feed-forward neuronalen Netzwerks bei 212 gemäß dem GMT-Algorithmus trainiert, wie unter Bezugnahme auf Fig. 4 diskutiert wurde. Wenn die Norm des Fehlers in der Vorhersage, e, gering ist, wird der QGM-Algorithmus bei 216 begonnen bzw. initiiert. Wenn die Norm des Fehlers in der Vorhersage nicht niedrig ist, dann wird der COT-Algorithmus bei 218 implementiert. Ohne Betracht, welcher Modus implementiert ist, erhält der COT-QGM-Algorithmus bei 220 Sequenzkomponenten für die Eingabe in das feed-forward neuronale Netzwerk 38. Der COT-QGM-Algorithmus bestimmt, ob die Zufügung einer Eingabe zu der quasi-globalen Minimumdatenbasis bei 222 nötig ist. Die COT-Gewichtungen 54 werden dann bei 224 aktualisiert, sogar während eines Betriebs im QGM-Modus und zwar gemäß Fig. 8. Dies ist zum Sicherstellen, dass folgend einem Umschalten vom QGM-Modus zum COT-Modus eine unvernünftig lange Zeit für das Konvergieren der COT-Gewichtungen 54 zu einem Fehler in der Vorhersage kleiner als ein vorbestimmter Schwellenwert nicht auftritt.

Nun Bezug nehmend auf Fig. 10, wenn der Testalgorithmus für COT-QGM abgeschlossen ist, wird eine Bestimmung gemacht, um zu bestimmen, ob das feedforward neuronale Netzwerk 38 sich in einer Trainingstransienten 226 befindet. Wenn dem so ist, wird der Testmodus des COT-QGM-Schemas bei 228 beendet. Wenn nicht, bestimmt der COT-QGM-Algorithmus bei 230, ob Daten 36 hinzugefügt wurden seit der letzten quasi-globalen Minimumgewichtungsaktualisierung. Wenn dem so ist, wird der Testmodus des COT-QGM-Algorithmus bei 228 beendet. Wenn nicht, werden Eingabedaten (Sequenzkomponenten des Leitungsstroms und der Leitungsspannung), wie unter Bezugnahme auf Fig. 3 diskutiert, bei 223 erhalten. Wenn die Eingabe neu ist, und zwar bei 234, 235, dann wird er Testmodus des COT-QGM- Algorithmus bei 228 beendet. Wenn nicht, wird der Fehler in der Vorhersage, e, bei 236 berechnet, und zwar auf eine Weise, wie sie in der Diskussion der Fig. 4 dargelegt wurde. Wenn die Normalisierung des Fehlers in der Vorhersage kleiner ist als die Sicherheit bzw. der Sicherheitswert, und zwar bei 238, 239, werden neue Sequenzkomponenten bei 232 erhalten und in das feed-forward neuronale Netzwerk 38 eingegeben. Wenn die Norm des Fehler in der Vorhersage nicht kleiner ist als die Sicherheit bei 238, dann wird ein Statorwicklungsfehler bei 240 dem Benutzer des Elektromotors 14 signalisiert.

Obwohl mehrere Trainingsalgorithmen und entsprechende Testalgorithmen in der vorliegenden Erfindung ausgeführt wurden, ist die Auswahl eines bestimmten Trainings- und Testalgorithmus eine Designauswahl, die von der beabsichtigen Nutzung und Anwendung des Statorwicklungsfehlerdetektors abhängt. Es sei gewürdigt, dass die Funktionalität des Statorwicklungsfehlerdetektionssystems 10 nicht auf irgendeinen besonderen bzw. bestimmten Test- und/oder Trainingsalgorithmus beschränkt ist.

Die vorliegende Erfindung sieht die Nutzung eines Statorwicklungsfehlerdetektors zur Verwendung in einem Elektromotor in Betracht, und spezieller in einem Wechselstrom- bzw. AC-Motor 14. Eine Anwendung eines solchen Statorwicklungsfehlerdetektors 10 mit einem AC-Induktionsmotor 14 ist in Fig. 1 gezeigt. Der Statorwicklungsfehlerdetektor 10 weist eine Vielzahl von Sensoren 22a, 226, 26a, 26b auf, zur Akquirierung von Strom- und Spannungswerten vom AC-Induktionsmotor 14 sowie einen Prozessor 30 zum Berechnen der Sequenzkomponenten der Stromwerte und der Sequenzkomponenten der Spannungswerte. Ein feed-forward neuronales Netzwerk 38, das mit dem Prozessor 30 verbunden ist, empfängt die Sequenzkomponenten und bestimmt einen Ausgabewert anzeigend für einen geschätzten Wert eines Negativsequenzstroms des AC-Induktionsmotors 14. Ein Vergleicher 42 ist ferner vorgesehen zum Vergleichen des Ausgabewertes des feed-forward neuronalen Netzwerks 38 mit einem Satz von tatsächlichen Stromwerten vom AC- Induktionsmotor 14 zum Bestimmen eines Fehlerwerts. Der Prozessor 30 wendet eine Synchronreferenzrahmentransformation auf die Spannungs- und Stromwerte an zum Bestimmen der entsprechenden Sequenzkomponenten für die Verwendung durch das feed-forward neuronale Netzwerk 38. Das feed-forward neuronale Netzwerk 38 weist eine Eingabeschicht bzw. einen Inputlayer mit einer Anzahl von Eingaben 36 auf, die der Anzahl der einzugebenden Sequenzkomponenten entspricht, und einen Hidden Layer bzw. eine versteckte Schicht mit zumindest einem Neuron 52 und einer Anzahl von Gewichtungen 54. Die Anzahl der Neuronen 52 und der Wert für eine jede der Vielzahl von Gewichtungen 54 wird bestimmt, so dass ein Wert, der die Negativsequenzkomponente des Leitungsstroms abschätzt, bestimmt wird, wenn die Gewichtungen 54 konvergieren. Wenn der geeignete Wert für eine jede der Anzahl von Gewichtungen 54 und die korrekte Anzahl der Neuronen 52 bestimmt wurden, ist das neuronale Netzwerk 38 trainiert und ist bereit für die Detektion eines Statorwicklungsfehlers im Elektromotor 14.

Die vorliegende Erfindung wurde hinsichtlich des bevorzugten Ausführungsbeispiels beschrieben, und es sei klar, dass Äquivalente, Alternativen und Modifikationen neben den ausdrücklich genannten möglich sind und innerhalb des Umfangs der beigefügten Ansprüche fallen.


Anspruch[de]
  1. 1. Ein Statorwicklungsfehlerdetektor für einen Wechselstrommotor der Folgendes aufweist:

    eine Vielzahl von Sensoren zur Akquirierung eines Satzes von Stromwerten und eines Satzes von Spannungswerten vom Wechselstrommotor;

    einen Prozessor zum Berechnen von Sequenzkomponenten aus dem Satz von Stromwerten und aus dem Satz von Spannungswerten;

    ein feed-forward neuronales Netzwerk (FFNN) verbunden für den Empfang von zumindest einem Teil der Sequenzkomponenten von dem Satz von Stromwerten und dem Satz von Spannungswerten als eine Eingabereihe bzw. Eingabeanordnung und mit einer Ausgabe zum Vorsehen von geschätzten Werten für zumindest zwei Sequenzphasoren bzw. Sequenzzeigervektoren; und

    eine Vergleicher verbunden mit dem Ausgang des FFNN zum Vergleichen der geschätzten Werte mit momentanen Werten zum Vorsehen eines Ausfall- bzw. Fehlersignals, wenn der Vergleich einen Sicherheitswert übersteigt, wodurch ein Statorwicklungsfehler angezeigt wird.
  2. 2. Statorwicklungsfehlerdetektor gemäß Anspruch 1, wobei der Prozessor eine Synchronreferenzrahmentransformation zum Berechnen der Sequenzkomponenten aus dem Satz von Stromwerten und dem Satz von Spannungswerten anwendet.
  3. 3. Statorwicklungsfehlerdetektor nach Anspruch 1, wobei der Satz von Stromwerten und der Satz von Spannungswerten Betriebswerten des Wechselstrommotors unter gesunden Betriebsbedingungen entsprechen und anfänglich zum Trainieren des FFNN durch Berechnen von Werten für einen Satz von Gewichtungen im FFNN verwendet werden.
  4. 4. Statorwicklungsfehlerdetektor nach Anspruch 3, wobei die für das Trainieren genutzten Sequenzkomponenten eine positive Stromsequenzkomponente, eine positive Spannungssequenzkomponente und eine negative Spannungssequenzkomponente umfassen.
  5. 5. Statorwicklungsfehlerdetektor nach Anspruch 1, wobei der Prozessor weiter eine negative Stromsequenzkomponente als den momentanen Wert zum Vergleichen mit dem geschätzten Wert berechnet.
  6. 6. Statorwicklungsfehlerdetektor nach Anspruch 1, der ferner eine selbstorganisierende Merkmalsabbildung bzw. Self-Organizing Feature Map (SOFM) zur Anzeige der Betriebsbedingungen des Wechselstrommotors aufweist.
  7. 7. Statorwicklungsfehlerdetektor nach Anspruch 6, der ferner eine Eingabeschicht bzw. einen Inputlayer mit zumindest einem Eingabevektor aufweist, eine versteckte Schicht bzw. einen Hidden Layer mit einer Vielzahl von Gewichtungen und zumindest einem Neuron und eine Ausgabeschicht bzw. einen Outputlayer mit zumindest einem Neuron.
  8. 8. Statorwicklungsfehlerdetektor nach Anspruch 1, wobei der Motor ein Wechselstrominduktionsmotor ist.
  9. 9. Statorwicklungsfehlerdetektor nach Anspruch 1, der weiter einen Ausfall- bzw. Fehlerindikator aufweist, der verbunden ist mit dem Vergleicher zum Empfang eines Ausfallsignals, um einem Benutzer anzuzeigen, das ein Statorwicklungsfehler im Wechselstrommotor vorliegt.
  10. 10. Statorwicklungsfehlerdetektor nach Anspruch 9, wobei die Fehlerindikatoren weiter konfiguriert sind zum Verhindern des weiteren Betriebs des Wechselstrommotors.
  11. 11. Statorwicklungsfehlerdetektor nach Anspruch 1, wobei das feed-forward neuronale Netzwerk einen Hidden Layer bzw. eine versteckte Schicht mit einer Vielzahl von Gewichtungen und einer Vielzahl von Neuronen aufweist, wobei die Vielzahl von Gewichtungen während eines Trainingsmodus eingestellt werden und während eines Laufmodus konstant bleiben.
  12. 12. Ein System zur Detektion eines Statorwicklungsfehlers in einem Wechselstrommotor, das Folgendes aufweist:

    zumindest eine Eingabe zum Eingeben von Fundamentalfrequenzdaten von einem Wechselstrommotor in einem Mikroprozessor, wobei die Fundamentalfrequenzdaten positive und negative Spannungssequenzkomponenten einer Leitungsspannung und eine positive Stromsequenzkomponente eines Leitungsstroms aufweisen;

    ein computerlesbares Speichermedium, das mit dem Mikroprozessor verbunden ist, und zwar mit einem Computerprogramm darin, das, bei Ausführung, ein feed-forward neuronales Netzwerk zum Berechnen von geschätzten negativen Stromsequenzkomponenten basierend auf den Fundamentalfrequenzdaten initiiert; und

    zumindest eine Ausgabe für das Ausgeben der geschätzten negativen Sequenzkomponente.
  13. 13. System nach Anspruch 12, wobei das feed-forward neuronale Netzwerk Folgendes aufweist:

    eine Eingabeschicht bzw. einen lnputlayer mit einer Anzahl von Eingabevektoren, wobei die Anzahl der Eingabevektoren einer Anzahl der Sequenzkomponenten entspricht, die durch den zumindest einen Eingang eingegeben werden;

    eine versteckte Schicht bzw. einen Hidden Layer mit zumindest einem Neuron und zumindest einer Gewichtung, wobei die zumindest eine Gewichtung eingestellt wird während eines Trainingsmodus und während eines Laufmodus konstant bleibt; und

    eine Ausgabeschicht bzw. einen Outputlayer zur Bestimmung von zumindest einem Ausgabevektor, wobei der zumindest eine Vektor die geschätzten negativen Sequenzkomponenten umfasst.
  14. 14. System nach Anspruch 12, wobei das Computerprogramm bei seiner Ausführung weiter bewirkt, dass der Mikroprozessor einen Wicklungsfehlerwert an einen Benutzer des Wechselstrommotors basierend auf der geschätzten negativen Sequenzkomponente anzeigt.
  15. 15. System nach Anspruch 14, wobei der Wicklungsfehlerwert die Differenz aufweist zwischen der geschätzten negativen Sequenzkomponente und den momentanen akquirierten Daten, wobei die momentanen akquirierten Daten einen momentanen Vektor mit zumindest einer momentanen negativen Sequenzkomponente des Leitungsstroms umfassen.
  16. 16. System nach Anspruch 15, wobei das Computerprogramm bei seiner Ausführung weiter bewirkt, dass der Mikroprozessor einen weiteren Betrieb des Wechselstrommotors verhindert, wenn ein Statorwicklungsfehler basierend auf dem Wicklungsfehlerwert angezeigt wird.
  17. 17. Vorrichtung zur Detektion eines Statorwicklungsfehlers in einem Wechselstrommotor, die Folgendes aufweist:

    Datenakquisitionsmittel für den Empfang von Daten von zumindest einem Wechselstrommotor, wobei die Daten Leitungsspannungssignale und Leitungsstromsignale von dem zumindest einen Wechselstrommotor umfassen;

    Transformationsmittel, die mit den Datenakquirierungsmitteln kommunizieren zum Bestimmen von Sequenzkomponenten von zumindest einem Teil der Daten;

    Integrierungsmittel, die mit den Transformationsmitteln kommunizieren, für den Empfang der Sequenzkomponenten von zumindest einem Teil der Daten und für eine Kommunikation mit einem ausgebenden Mittel für das Ausgeben von geschätzten Daten des zumindest einen Wechselstrommotors; und

    Vergleichsmittel für den Vergleich der geschätzten Daten mit momentanen Daten, die vom zumindest einen Wechselstrommotor während Echtzeit akquiriert werden.
  18. 18. Vorrichtung nach Anspruch 17, wobei die Transformationsmittel eine Sychronreferenzrahmentransformation durchführen.
  19. 19. Vorrichtung nach Anspruch 17, wobei die Datenakquirierungsmittel weiter ein Digitalisierungsmittel für die Umwandlung der Leitungsspannungssignale in digitalisierte Leitungsspannungssignale und für das Umwandeln der Leitungsstromsignale in digitalisierte Leitungsstromsignale aufweisen.
  20. 20. Vorrichtung nach Anspruch 17, wobei die geschätzten Daten geschätzte Werte für die negativen Sequenzkomponenten des Leitungsstroms des zumindest einen Wechselstrommotors aufweisen.
  21. 21. Vorrichtung nach Anspruch 17, wobei die momentanen Daten momentane Werte für die negativen Sequenzkomponenten des Leitungsstroms des zumindest einen Wechselstrommotors aufweisen.
  22. 22. Vorrichtung nach Anspruch 17, die ferner ein Anzeigemittel für die Anzeige eines Fehlers an einem Benutzer des zumindest einen Wechselstrommotors aufweist.
  23. 23. Vorrichtung nach Anspruch 17, wobei die Datenakquirierungsmittel Daten während der Statorwicklungsanregung ohne Betracht des Motorbetriebs akquirieren.
  24. 24. Ein computerlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm, das bei Ausführung durch einen Computer den Computer zu Folgendem veranlasst:

    Akquirieren von Fundamentalfrequenzdaten von einem Wechselstrommotor während eines bekannten Normalbetriebs;

    Eingeben von zumindest einem Teil der Fundamentalfrequenzdaten an ein feed-forward neuronales Netzwerk mit einer Anzahl von Gewichtungen;

    Trainieren des feed-forward Netzwerks zum Bestimmen von konvergierten Werten für eine jede der Anzahl der Gewichtungen;

    Speichern der konvergierten Werte in einem Speicher;

    Erhalten eines momentanen Fundamentalfrequenzparameters vom Wechselstrommotor während eines Momentanbetriebs des Wechselstrommotors;

    Eingeben von momentanen Fundamentalfrequenzparametern in das feed- forward neuronale Netzwerk;

    Erhalten eines geschätzten Fundamentalfrequenzparameters des momentanen Betriebs des Wechselstrommotors; und

    Vergleichen des geschätzten Fundamentalfrequenzparameters mit dem momentanen Fundamentalfrequenzparameter zum Bestimmen eines Statorwicklungsfehlers im Wechselstrommotor.
  25. 25. Computerlesbares Speichermedium nach Anspruch 24, wobei das Computerprogramm weiter den Computer zur Ausgabe eines Fehlerwertes veranlasst, der anzeigend ist für den Statorwicklungsfehler, wenn der Fehlerwert eine Sicherheit bzw. einen Sicherheitswert übersteigt.
  26. 26. Computerlesbares Speichermedium nach Anspruch 24, wobei das darauf gespeicherte Computerprogramm den Computer veranlasst zum Umwandeln der Fundamentalfrequenzdaten in ein digitalisiertes Stromsignal und ein digitalisiertes Spannungssignal.
  27. 27. Computerlesbares Speichermedium nach Anspruch 26, wobei das darauf gespeicherte Computerprogramm weiter den Computer veranlasst zur Anwendung einer Synchronreferenztransformation zur Bestimmung der Sequenzkomponenten des digitalisierten Stromsignals und des digitalisierten Spannungssignals.
  28. 28. Computerlesbares Speichermedium nach Anspruch 27, wobei die Sequenzkomponenten eine positive und einen negative Komponente der Leitungsspannung und eine positive Sequenzkomponente des Leitungsstroms aufweisen.
  29. 29. Computerlesbares Speichermedium nach Anspruch 24, wobei die geschätzten Parameter des momentanen Betriebs des Wechselstrominduktionsmotors eine geschätzte Negativsequenzkomponente des Leitungsstroms aufweisen.
  30. 30. Computerlesbares Medium nach Anspruch 24, wobei das darauf gespeicherte Computerprogramm den Computer veranlasst zur Anzeige eines Fehlerwerts an einen Benutzer bzw. Operator des Wechselstrominduktionsmotors, wobei der Fehlerwert die Differenz aufweist zwischen dem geschätzten Fundamentalfrequenzparameter und dem momentanen Fundamentalfrequenzparameter.
  31. 31. Vorrichtung zur Detektion eines Statorwicklungsfehlers eines Wechselstrommotors, die Folgendes aufweist:

    zumindest zwei Stromsensoren für den Erhalt von zumindest zwei Wechselstrommotorstromsignalen;

    zumindest zwei Spannungssensoren für den Erhalt von zumindest zwei Wechselstrommotorspannungssignalen;

    einen Analog-zu-Digital-Wandler für das Umwandeln der zumindest zwei Wechselstrommotorstromsignale zu digitalisierten Stromsignalen und der zumindest zwei Wechselstrommotorspannungssignale zu digitalisierten Spannungssignalen;

    einen Mikroprozessor für den Empfang der digitalisierten Signale und für das Berechnen von Fundamentalsequenzparametern des Wechselstrommotors; und

    ein feed-forward neuronales Netzwerk zum Bestimmen von geschätzten Fundamentalfrequenzsequenzparametern des Wechselstrominduktionsmotors.
  32. 32. Vorrichtung nach Anspruch 31, wobei die Fundamentalfrequenzsequenzparameter des Wechselstrominduktionsmotors Folgendes aufweisen:

    eine Größe bzw. Amplitude und eine Phase einer positiven und einer negativen Sequenzkomponente des digitalisierten Spannungssignals; und

    eine Größe bzw. Amplitude und eine Phase einer positiven Sequenzkomponente des digitalisierten Stromsignals.
  33. 33. Vorrichtung nach Anspruch 31, wobei die Berechnung der Fundamentalfrequenzsequenzparameter des Wechselstrominduktionsmotors ferner definiert ist zur Anwendung einer Synchronreferenzrahmentransformation auf die digitalisierten Stromsignale und die digitalisierten Spannungssignale.
  34. 34. Vorrichtung nach Anspruch 31, wobei das feed-forward neuronale Netzwerk weiter Folgendes aufweist:

    eine Vielzahl von Eingabeschichten bzw. Inputlayers für das Akquirieren der Fundamentalfrequenzsequenzparameter;

    eine versteckte Schicht bzw. einen Hidden Layer mit einer Vielzahl von Gewichtungen, die während eines bekannten, guten Betriebsmodus trainiert werden; und

    eine Ausgabeschicht bzw. einen Outputlayer zum Erzeugen der geschätzten Fundamentalfrequenzsequenzparameter des Wechselstrominduktionsmotors während der Betriebsbedingungen.
  35. 35. Vorrichtung nach Anspruch 31, wobei der Mikroprozessor einen Fehlerwert an einen Operator bzw. Benutzer des Wechselstrominduktionsmotors ausgibt durch Vergleichen der geschätzten Fundamentalfrequenzparameter mit momentanen Fundamentalfrequenzparametern des Wechselstrominduktionsmotors, wobei der Fehlerwert die Differenz zwischen den geschätzten Fundamentalfrequenzparametern und den momentanen Fundamentalfrequenzparametern aufweist, die negative Komponenten des momentanen Stroms aufweisen.
  36. 36. Verfahren zur Detektion eines Statorwicklungsfehlers in einem Motor, das folgende Schritte aufweist:

    Akquirieren von Fundamentalfrequenztrainingsparametern vom Motor während eines bekannten, guten Zustands des Motors;

    Bestimmen von Sequenzphasoren bzw. Sequenzzeigervektoren aus den Fundamentalfrequenztrainingsparametern;

    Bestimmen von geschätzten Fundamentalfrequenzwerten anzeigend für einen Statorwicklungsfehler vom Motor;

    Akquirieren von momentanen Fundamentalfrequenzwerten vom Motor, während der Motor im Dienst bzw. Betrieb ist, und zwar ohne Betracht, wie der Motor läuft;

    Vergleichen der momentanen Fundamentalfrequenzwerte mit den geschätzten Fundamentalfrequenzwerten zum Bestimmen eines Statorwicklungsfehlers; und

    Anzeigen eines Vorliegens eines Statorwicklungsfehlers basierend auf dem Vergleich.
  37. 37. Verfahren nach Anspruch 36, wobei das Akquirieren der Trainingsparameter weiter den Schritt des Erhaltens von zumindest einem Motorstromsignal und zumindest zwei Motorspannungssignalen aufweist.
  38. 38. Verfahren nach Anspruch 36, wobei das Trainieren des feed-forward neuronalen Netzwerks die folgenden Schritte aufweist:

    Eingeben der momentanen Fundamentalfrequenzwerte in eine Eingabeschicht bzw. einen lnputlayer; und

    Konvergieren einer Vielzahl von Gewichtungen in einer versteckten Schicht bzw. einem Hidden Layer auf einen stabilen Zustand; und

    Ausgeben der geschätzten Fundamentalfrequenzwerte in eine Ausgabeschicht bzw. einen Outputlayer.
  39. 39. Verfahren nach Anspruch 36, das ferner den Schritt des Berechnens der Differenz zwischen den momentanen Fundamentalfrequenzwerten und den geschätzten Fundamentalfrequenzwerten aufweist.
  40. 40. Verfahren für eine Statorwicklungsfehlerdetektion für einen Wechselstrominduktionsmotor, das die folgenden Schritte aufweist:
    1. A) Auswählen der Sequenzphasorenparameter bzw. Sequenzzeigervektorparameter für ein feed-forward neuronales Netzwerk;
    2. B) Trainieren des feed-forward neuronalen Netzwerks zum Erlernen eines Modells des Wechselstrominduktionsmotors unter gesunden Betriebsbedingungen;
    3. C) Akquirieren eines gemessenen Werts des Wechselstrominduktionsmotors, während der Wechselstrominduktionsmotor im Dienst bzw. Betrieb ist;
    4. D) Vergleichen eines geschätzten Werts des Wechselstrominduktionsmotorbetriebs während gesunder Betriebsbedingungen mit einem gemessenen Wert des Wechselstrominduktionsmotorbetriebs;
    5. E) Periodisches Wiederholen der Schritte (C) und (D); und
    6. F) Anzeigen eines Statorwicklungsfehlers des Wechselsstrominduktionsmotors, wenn der Schritt des Vergleichens in einem Fehlerwert resultiert, der einen Sicherheitsschwellenwert übersteigt.
  41. 41. Verfahren nach Anspruch 40, wobei der Schritt des Auswählens des Sequenzphasors des feed-foward neuronalen Netzwerks den Schritt aufweist:

    Bestimmen einer Anzahl von Netzwerkschichten bzw. Netzwerklayers;

    Bestimmen einer Anzahl von Netzwerkneuronen, und

    Bestimmen von Gewichtungswerten für die Netzwerkschichten.
  42. 42. Verfahren nach Anspruch 40, wobei der Schritt des Trainierens das Akquirieren von Spannungs- und Stromdaten umfasst, das die folgenden Schritte aufweist:

    Akquirieren einer Größe bzw. einer Amplitude einer positiven Sequenzkomponente einer Leitungsspannung;

    Akquirieren einer Größe bzw. Amplitude und Phase einer negativen Sequenzkomponente der Leitungsspannung; und

    Akquirieren einer Größe und Phase einer positiven Sequenzkomponente eines Leitungsstroms.
  43. 43. Verfahren nach Anspruch 40, das ferner das Wiederholen der Schritte (A) und (B) für das Konvergieren einer Vielzahl von Gewichtungen aufweist zum Erhalten eines stabilen Zustands der Betriebsbedingungen.
  44. 44. Verfahren nach Anspruch 42, wobei der geschätzte Wert eine negative Sequenzkomponente des Leitungsstroms ist.






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com