КОНТРОЛЬ СОБЫТИЯ В ПРЕОБРАЗОВАТЕЛЕ МОЩНОСТИ Российский патент 2024 года по МПК G05B23/02 H02M1/32 

Изобретение относится к распознаванию критических событий в преобразователе мощности.

С помощью преобразователя мощности можно реализовать режим работ с изменением числа оборотов электрической машины, например электродвигателя. Преобразователь мощности может при применении электрической машины как генератора также служить для преобразования электрического тока. Тем самым, например, можно реализовать сетевое питание. Для применения в электродвигателе осуществляется, например, преобразование сетевой мощности с постоянной частотой и напряжением в мощность с переменной частотой и напряжением.

Преобразователь мощности представляет собой, например, инвертор, выпрямитель или преобразователь постоянного тока в переменный. Преобразователь мощности может быть с водяным охлаждением и/или с воздушным охлаждением. Преобразователь мощности используется, например, в применениях с высокими требованиями по надежности и качеству. Примерами применения для преобразователя мощности являются, например:

- промышленные насосы и вентиляторы,

- нефтяные и газовые насосы и компрессоры, например электрические погружные насосы и высокоскоростные компрессоры,

- котельные вентиляторы (вытяжка и нагнетательная вентиляция) для генерации энергии,

- насосы для чистой воды и сточных вод,

- применения с множеством электродвигателей и синхронной передачей (например, трубопроводы в нефтегазовой промышленности).

Эти примеры применения часто касаются использования преобразователя мощности, в котором требуются особенно высокие мощности. Это, в частности, мощности в диапазоне единиц, десятков или сотен мегаватт. Для этого тогда предпочтительно используются преобразователи мощности, которые относятся к среднему напряжению. Они могут называться преобразователями мощности среднего напряжения. В качестве среднего напряжения может рассматриваться напряжение, которое больше, равно 1000 В. Напряжения 4000 В или 6000 В могут также еще называться средним напряжением. Преобразователь мощности представляет собой, например, привод переменной частоты (VFD). Примером VFD является Sinamics Perfect Harmony GH180.

Когда преобразователь мощности имеет проблемы, проблема распознается и документально оформляется или сохраняется в файле журнала (регистрации). Файл журнала представляет собой протокол, причем распознанные и зарегистрированные проблемы представляют собой протокольные записи. Протокольные записи могут представлять собой предупреждения, чтобы указать пользователю на потенциально критические события. В случае протокольных записей речь также может идти о неисправностях, чтобы указать пользователю на неисправность или документально оформить эту неисправность. Критические события также могут представлять собой неисправности. Для событий, следовательно, генерируются сообщения о неисправностях или предупредительные сообщения. Неисправности могут привести к сбою (отказу) преобразователя мощности или обусловить его. Однако так как сбой преобразователя мощности, как правило, приводит не только к неисправности, но и к целому каскаду протокольных событий неисправности и предупреждения, техническая причина сбоя преобразователя мощности становится завуалированной и может быть выведена только экспертами в области преобразователей мощности, которые анализируют ход протокольных событий.

Задача изобретения заключается в усовершенствовании контроля события преобразователя мощности.

Решение указанной задачи обеспечивается способом согласно пункту 1 формулы изобретения или способом согласно пункту 6 формулы или контролем (мониторингом) события согласно пункту 10 формулы. Варианты осуществления обеспечиваются, например, согласно пунктам 2-5, 7-9 и 11 формулы изобретения.

В способе для контроля события в преобразователе мощности применяются протокольные данные преобразователя мощности, причем перед началом контроля события протокольные данные для периода времени после старта не показывают никаких неисправностей, причем период времени может определяться, причем преобразователь мощности проявляет по меньшей мере два типа неисправностей или предупреждений, первый тип неисправностей или тип предупреждений, которые зависят от типа преобразователя мощности, следовательно, в частности, определяются им, и второй тип неисправностей или тип предупреждений, причем второй тип неисправностей показывает неисправности или второй тип предупреждений показывает предупреждения, которые могут определяться пользователем, следовательно, определены пользователем, причем для контроля события применяется оценка комбинации неисправностей или предупреждений соответствующего первого типа и соответствующего второго типа, и/или для контроля события применяется оценка комбинации неисправностей или предупреждений соответствующего второго типа. Преобразователь мощности, следовательно, может быть устроен, например пользователем, таким образом, что пользователь для преобразователя мощности определяет индивидуальные сообщения. Примером сообщения является неисправность или предупреждение, то есть, сообщение о неисправности или предупредительное сообщение. Посредством индивидуальных сообщений можно создать индивидуальный контроль события, который зависит от сообщений, индивидуально созданных пользователем. Это улучшает контроль события и может сделать его более точным. Определенные пользователем сообщения загружены, например, в SOP (операционная программа системы) или определены там. Подобные определенные пользователем сообщения могут помечаться как таковые при индикации (отображении) сообщения. Определенные пользователем сообщения основываются, например, на сигналах от I/O интерфейсов, которые возникают в установке, в которой встроен преобразователь мощности. Сигналы, на которых основываются определенные пользователем сообщения, могут представлять собой, например, цифровые сигналы или аналоговые сигналы. Определенные пользователем сообщения могут генерироваться, например, на основе отдельного сигнала и/или на основе комбинации сигналов. Подобные сигналы могут, например, относиться к аварийному останову, открыванию двери, падению предохранителя, низкому напряжению, перенапряжению, току неисправности, току перегрузки, сбою вентилятора, сбою силового модуля преобразователя мощности, шунтированию силового модуля преобразователя мощности, дефекту изоляции, предупреждению об изоляции, дефекту связи, в частности, силового модуля преобразователя мощности, неисправности или предупреждению для охлаждения преобразователя мощности, подзаряду преобразователя мощности и т.д. Может распознаваться, что важными являются индивидуально созданные сообщения для преобразователя мощности, который включен в индивидуальную среду использования (промышленную установку). Эти индивидуально созданные пользователем сообщения могут предпочтительно использоваться для контроля события преобразователя мощности в этой индивидуальной среде, то есть промышленной установке. Это улучшает качество контроля. При этом пользователь преобразователя мощности представляет собой лицо, которое обслуживает преобразователь мощности. Это обслуживание может осуществляться, например, оператором преобразователя мощности или персоналом пусконаладочных работ или тому подобным.

В варианте осуществления способа, для генерации контроля события в преобразователе мощности применяются протокольные данные после старта преобразователя мощности, в частности успешного старта преобразователя мощности, причем протокольные данные для периода времени после старта не показывают никакой неисправности, причем упомянутый период времени может определяться. Преобразователь мощности представляет собой, например, преобразователь мощности среднего напряжения. Протокольные данные относятся, например, к сообщениям статуса, предупредительным сообщениям и/или сообщениям о неисправностях. Подобные сообщения относятся, например, к следующим элементам: контроллеру преобразователя мощности, регулятору преобразователя мощности, датчику температуры, датчику объема воздуха, измерителю тока, измерителю напряжения, силовому полупроводниковому прибору и т.д. Успешный старт преобразователя мощности, в частности, представляет собой старт, при котором не генерируются никакие сообщения о неисправностях и/или предупредительные сообщения.

В варианте осуществления способа, протокольные данные маркируются, причем маркировка относится, в частности, к временной информации, такой как временная метка или последовательность запротоколированных сообщений, причем сообщение представляет собой, в частности, неисправность и/или предупреждение, причем, в частности, протокольные данные применяются после старта преобразователя мощности или после сброса (установки в исходное состояние) преобразователя мощности.

В варианте осуществления способа применяется машинная модель обучения, то есть искусственный интеллект. Искусственный интеллект определяет наиболее вероятные технические основные причины сбоя или неисправности автоматизированным образом. Посредством искусственного интеллекта можно автоматически анализировать историю событий журнала. История событий журнала соответствует протокольным данным.

В варианте осуществления способа применяется алгоритм для машинного обучения, который может относить к категории (классифицировать) основную техническую причину, то есть источник распознанной как таковой неисправности. Для этого могут выполняться различные этапы. На одном этапе, сбои в столбце истории данных журнала, которые также могут называться протокольными данными, могут маркироваться экспертом. На другом этапе, алгоритм для машинного обучения может тренироваться, чтобы относить события неисправностей к предопределенным категориям причин. Таким образом, осуществляется классификация источников для неисправностей. Искусственный интеллект может обучаться в том отношении, что он на основе каскада сообщений (одного или множества из: сообщений о статусе, предупредительных сообщений, сообщений о неисправностях) делает вывод об источнике неисправности, т.е. указывает на него. В варианте осуществления, также может указываться несколько источников неисправностей, причем соответственно вычисляется или выдается степень вероятности для корректности этого указания.

В варианте осуществления способа, протокольные данные, следовательно, маркируются, причем маркировка относится к временной последовательности запротоколированных сообщений. Протокольные данные указывают именно эти сообщения. Временная последовательность получается из каскадирования сообщений. Подобные сообщения могут быть зависимыми друг от друга или независимыми друг от друга. Сообщения, которые рассматриваются в их последовательности, в частности, являются сообщениями различных типов. Они являются, таким образом, сообщениями, которые определяются типом преобразователя мощности, и сообщениями, которые определяются пользователем преобразователя мощности.

Задачей искусственного интеллекта является распознавать зависимые друг от друга сообщения и соотносить их с причинным источником.

В варианте осуществления способа, на одном этапе исторические данные одного или нескольких преобразователей мощности, в частности одинакового типа, просматриваются в базе данных автоматизированным способом на предмет неисправностей. Неисправности перечисляются, например, со следующими информациями о неисправностях, то есть различаются друг от друга:

- Неисправности, которые проявляются при сбое до 1 часа после первой неисправности. Этот интервал времени был выбран для лучших результатов и представляет собой типичный промежуток времени, в котором неисправности обуславливают побочные действия или требуют вмешательства человека, чтобы решить эту проблему. Эти неисправности касаются, например: неисправности, относящейся к входу (например, проблемы в электроснабжении привода), неисправности, относящейся к системе охлаждения (например, сбоя воздушного или водяного охлаждения), и/или дефекта связи силового элемента (например, внутренней электроники привода). Собранные информации вносят вклад в точность представленного подхода.

- Предупреждения, которые возникают перед первой неисправностью, в частности до трех часов перед первой неисправностью; этот интервал времени гарантирует, что осуществляется сбор критических информаций (сообщений), которые находятся в причинной взаимосвязи с неисправностью, и выбор после профессионального обсуждения и инженерной проработки результатов. Однако для различных видов сбоев могли бы выбираться различные интервалы времени, так как для них ожидается различное время до сбоя. При обусловленных системой охлаждения неисправностях, время даже одной недели могло бы быть важным для анализа причин (например, утечка охлаждающей жидкости в системе охлаждения может привести к предупредительной сигнализации, за дни или недели до того, как может диагностироваться фактический сбой системы охлаждения).

- Время между первой и последней неисправностью. Это время важно, так как оно может отделить сбои, обусловленные комбинацией неисправностей, которые возникают почти одновременно и поэтому, вероятно, находятся в причинной взаимосвязи, от ряда неисправностей, которые были обусловлены вмешательством человека.

В варианте осуществления способа, сообщения сопоставляются с источниками для неисправностей. Так может достигаться то, что результирующие неисправности могут различаться от причинных неисправностей.

В варианте осуществления способа, для тренировки (обучения) искусственного интеллекта, информации о временной последовательности сообщений и о классифицированной причинной связи выдаются эксперту, который определяет основную причину каждого сбоя и, например, помечает в списке как по меньшей мере одну из следующих категорий основных причин, которые, в частности, покрывают все критические компоненты преобразователя мощности:

- относится к силовому элементу (силовой элемент/модуль силового полупроводника) (например, сбой на основе проблемы силового элемента),

- относится к связи силового элемента (например, сбой на основе проблем при связи силовых элементов),

- относится к системе,

- обусловлена охлаждением (например, сбой на основе проблемы в системе охлаждения),

- обусловлена вводом (например, неисправность на основе проблем при вводе оператора на месте для пуска преобразователя мощности),

- относится к питанию (например, сбой на основе проблем в применяемом средстве, приводимом в действие приводом),

- связана с подзарядом (например, сбой на основе проблем с подзарядом при старте преобразователя мощности),

- связана с потерями в приводе (например, сбой из-за чрезмерных потерь в приводе),

- ручной останов (например, каскад неисправностей, которые вызываются ручным отключением привода).

В варианте осуществления способа, для соотнесения вычисляется вероятность. Таким образом, можно более целенаправленно подходить к устранению неисправностей, не забывая возможные, но маловероятные возможности сбоев.

В варианте осуществления способа, на одном этапе применяется список неисправностей, то есть протокольные данные, с пометками эксперта в качестве ввода для алгоритма машинного обучения в смысле контролируемого подхода обучения. Алгоритм машинного обучения оптимизируется таким образом, что он может относить к категориям неизвестные перед этим сбои, причем категории возвращаются с вероятностью категоризации, которая, например, является основной причиной, то есть источником сбоя: например, обусловленная охлаждением неисправность (90%), относящаяся к системе неисправность (10%).

В варианте осуществления способа, следовательно, обучается искусственный интеллект, и, таким образом, производится контроль события.

В способе для контроля события в преобразователе мощности, сообщения регистрируются, причем сообщения имеют временную метку и идентификацию, причем посредством последовательности сообщений распознается событие. Посредством определенного каскадирования можно сделать вывод об определенном причинном источнике неисправности. Причем могут быть распознаны причинно-связанные неисправности.

Так в одном варианте осуществления посредством цифровой платформы, особенно в облаке, для оптимизации приводных систем, электродвигателей, инверторов размещается коллекция (библиотека) данных. Данные относятся, в частности, к файлам журналов соответствующих машин, таких как преобразователь мощности или электродвигатель или трансформатор. Эти данные могут, в частности, применяться для того, чтобы с помощью алгоритма машинного обучения классифицировать основные причины выбранной неисправности. Так данные журнала, которые получены от преобразователя мощности, имеют следующие информации:

- временная метка события журнала,

- степень тяжести (сложность) протокольного события: информация, неисправность или предупреждение,

- текст события журнала,

- инициатор (триггер) события журнала.

Так, например, может индицироваться сбой привода из-за возникновения одной или нескольких неисправностей после определенного бездефектного времени после успешного нового старта. При этом бездефектное время определяется как по меньшей мере семь дней. Это является характеристическим временем, которое было установлено, например, во время разработки, чтобы гарантировать, что привод находился в регулярном рабочем режиме. При этом привод имеет по меньшей мере один преобразователь мощности.

В варианте осуществления способа, идентификация имеет тип сообщения, текст и/или источник сообщения. Так может гарантироваться однозначность.

В варианте осуществления способа, событие является ошибкой вывода, причем для распознавания события используется искусственный интеллект, причем искусственный интеллект является облачным приложением. Так, независимо от места, всегда может использоваться одинаковое качество для искусственного интеллекта.

В варианте осуществления способа, применяется средство (система) контроля события описанного рода. Средство (система) контроля события преобразователя мощности может, таким образом, иметь искусственный интеллект и/или обращаться к нему.

Средство (система) контроля события преобразователя мощности имеет устройство связи и средство обработки данных для осуществления описанного способа.

Теперь возможно, без углубленных технических знаний выявлять причину отказа преобразователя мощности из событий журнала. До сих пор, только эксперты имели возможность анализировать файлы журнала преобразователя мощности и выводить причину сбоя. Вследствие этого теперь возможно, например, следующее:

- пользователь может быстро анализировать сбой преобразователя мощности и быстрее снова приводить его в действие;

- пользователь может проверить сбои в прошлом своего привода, который имеет по меньшей мере один преобразователь мощности, чтобы оптимизировать свою установку на меньшие времена сбоев;

- преобразователи мощности можно легче контролировать, и мероприятия по обслуживанию можно предлагать более просто;

- возможен ускоренный повторный старт преобразователя мощности, так как время для анализа причин экспертами радикально сокращается.

В противоположность ручному анализу, представленное здесь автоматизированное решение, в частности, имеет возможность одновременно обрабатывать любое количество неисправностей.

Также обеспечивается возможность подхода облачного анализа, так как данные файла журнала от преобразователя мощности сохраняются в облаке. Вследствие этого, например, обеспечивается анализ причин на масштабируемых облачных экземплярах в подходящей среде Python. Эти технические признаки способствуют большему преимуществу представленного подхода, так как они обеспечивают возможность автоматизации процесса.

В варианте осуществления изобретения, для алгоритма искусственного интеллекта в качестве ключевого алгоритма применяется выведенный из экспертных знаний машинный подход обучения (маркировка), который реализован как автоматизированный модуль для анализа причин. В частности, выявление неисправности основывается на исторических данных, а также на экспертной маркировке.

Признаки отдельных заявленных или описанных предметов могут комбинироваться без проблем друг с другом. Далее изобретение более подробно изображается и описывается в качестве примера со ссылками на чертежи. Показанные на чертежах признаки могут объединяться специалистами в новые формы выполнения, без отклонения от изобретения. На чертежах показано следующее:

Фиг. 1 - первый пример и

Фиг. 2 - второй пример.

Представление согласно фиг. 1 показывает, что две неисправности F1 и F2 возникают одновременно (F1: Cooling Sys Mv Trip и F2: Cooling Sys Vfd Trip). Эти неисправности регистрируются, если они возникают в течение одного часа T2 и распознаются как неисправности. До трех часов T3 перед первой неисправностью дважды инициировалась предупредительная сигнализация Al Coolnt Tank Level (уровень в баке с охладителем) < 30. Алгоритм A приходит к выводу, что при этом речь идет о сбое Q системы охлаждения. Во временном интервале T3 могла, например, также возникать первая неисправность F1, которая не имеет ничего общего со сбоем Q.

Представление согласно фиг. 2 показывает, что в течение двух секунд T4 возникли три различные неисправности F4, F5 и F6: F4 неисправность входной защиты, F5 экстренный дистанционный останов и F6 аварийный останов. За три часа T3 перед первой неисправностью F4 не происходит никакой предупредительной сигнализации. Если теперь рассматривается только "неисправность входной защиты", эксперт может прийти к выводу, что привод был остановлен из-за веской проблемы, связанной с приводом. Однако "экстренный дистанционный останов" и "аварийный останов" приводят к логическому выводу алгоритма, что речь идет о ручном останове привода. Это полезно, так как оно устраняет поиск проблемы в протоколе событий и прямо позволяет пользователю снова запустить преобразователь мощности.

Например, вследствие этого алгоритм машинного обучения, если он распознает неисправность и предупреждение, которые произошли при сбое, может определить причину не наблюдавшегося до сих пор сбоя с точностью >95%. Применяемый алгоритм машинного обучения основывается, например, на С-классификации векторов поддержки. Анализ причины может избирательно инициироваться для отдельного сбоя преобразователя мощности (специфицированного как критическое событие протокола), так что при необходимости он доступен для обслуживания и для оператора.

Изобретение относится к способам управления и контроля преобразователей мощности. Технический результат заключается в повышении надежности работы преобразователя за счет предупреждения сбоев. Технический результат достигается за счет того, что для контроля события в преобразователе мощности применяются протокольные данные, их маркируют, причем маркировка относится к временной информации или последовательности запротоколированных сообщений, причем посредством искусственного интеллекта определяют наиболее вероятные технические основные причины сбоя или неисправности, причем алгоритм для машинного обучения обучают, чтобы события неисправностей классифицировать на предопределенные категории, причем искусственный интеллект обучен делать вывод об источнике неисправности на основе каскада сообщений, причем может указываться несколько источников неисправностей, причем вычисляется вероятность для корректности этого указания. 2 н. и 7 з.п. ф-лы, 2 ил.

1. Способ контроля события в преобразователе мощности, причем применяют протокольные данные преобразователя мощности, причем перед началом контроля события протокольные данные в течение периода времени после старта не показывают никакой неисправности, причем период времени является определяемым, причем преобразователь мощности показывает по меньшей мере два типа неисправностей или соответственно типа предупреждений, первый тип неисправностей или соответственно тип предупреждений, который зависит от типа преобразователя мощности, и второй тип неисправностей или соответственно тип предупреждений, причем второй тип неисправностей содержит неисправности или соответственно второй тип предупреждений содержит предупреждения, определяемые пользователем, причем для контроля события применяют оценку комбинации неисправностей или соответственно предупреждений соответствующего первого типа и соответствующего второго типа и/или для контроля события применяют оценку комбинации неисправностей или соответственно предупреждений соответствующего второго типа, причем протокольные данные маркируют, причем маркировка относится к временной информации или соответственно последовательности запротоколированных сообщений, причем сообщение является неисправностью и/или предупреждением, причем определенные пользователем сообщения генерируют на основе отдельного сигнала и/или на основе комбинации сигналов и причем их используют для контроля события преобразователя мощности в его индивидуальной среде, причем посредством искусственного интеллекта определяют наиболее вероятные технические основные причины сбоя или соответственно неисправности, причем алгоритм для машинного обучения обучают, чтобы события неисправностей классифицировать на предопределенные категории причин, причем искусственный интеллект обучается в том отношении, что он на основе каскада сообщений делает вывод об источнике неисправности, причем указывают несколько источников неисправностей, причем соответственно вычисляют вероятность для корректности этого указания.

2. Способ по п. 1, причем протокольные данные применяют после старта преобразователя мощности.

3. Способ по п. 1 или 2, причем сообщения соотносятся и/или соотнесены с источниками для неисправностей.

4. Способ по п. 3, причем для соотнесения вычисляют вероятность.

5. Способ по любому из пп. 1-4, причем обучают искусственный интеллект и, таким образом, в частности, производят контроль события.

6. Способ по любому из пп. 1-5, причем регистрируют сообщения преобразователя мощности, причем сообщения имеют временную метку и идентификацию, причем посредством последовательности сообщений различных типов распознают событие, причем идентификация показывает тип сообщения, текст и/или источник сообщения, причем сообщение является неисправностью и/или предупреждением, причем определенные пользователем сообщения генерируют на основе отдельного сигнала и/или на основе комбинации сигналов и причем их используют для контроля события преобразователя мощности в его индивидуальной среде, причем посредством искусственного интеллекта определяют наиболее вероятные технические основные причины сбоя или соответственно неисправности, причем алгоритм для машинного обучения обучают, чтобы события неисправностей классифицировать на предопределенные категории причин, причем искусственный интеллект обучается в том отношении, что он на основе каскада сообщений делает вывод об источнике неисправности, причем может указываться несколько источников неисправностей, причем соответственно вычисляют вероятность для корректности этого указания.

7. Способ по п. 6, причем событие представляет собой неисправность вывода, причем для распознавания события используют искусственный интеллект, причем искусственный интеллект представляет собой облачное приложение.

8. Способ по любому из пп. 6 или 7, причем применяют контроль события, осуществляемый по пп. 1-4.

9. Система контроля события преобразователя мощности, которая имеет искусственный интеллект, причем данные файла журнала от преобразователя мощности сохраняются в облаке, причем применяется способ по любому из пп. 1-8 или причем применяется способ, в котором регистрируются сообщения преобразователя мощности, причем сообщения имеют временную метку и идентификацию, причем посредством последовательности сообщений различных типов распознается событие, причем идентификация показывает тип сообщения, текст и/или источник сообщения, причем сообщение является неисправностью и/или предупреждением, причем определенные пользователем сообщения генерируются на основе отдельного сигнала и/или на основе комбинации сигналов и причем они используются для контроля события преобразователя мощности в его индивидуальной среде, причем посредством искусственного интеллекта определяются наиболее вероятные технические основные причины сбоя или соответственно неисправности, причем алгоритм для машинного обучения обучается, чтобы события неисправностей классифицировать на предопределенные категории причин, причем искусственный интеллект обучается в том отношении, что он на основе каскада сообщений делает вывод об источнике неисправности, причем может указываться несколько источников неисправностей, причем соответственно вычисляется вероятность для корректности этого указания.