Die Erfindung betrifft ein Verfahren zum optimierten Betrieb eines Ventilators oder einer Ventilator-Anordnung unter Nutzung eines digitalen Abbildes des Ventilators bzw. der Ventilator-Anordnung und mindestens eines betriebsparameter- spezifischen Algorithmus.

1. digitaler Zwilling und Zwillings-Algorithmus

Hier liegt die grundsätzliche Idee zugrunde, in jedem Betriebspunkt des Ventilators den bestmöglichen Wirkungsgrad und die bestmögliche Laufperformance zu ge- währleisten. Aufgrund gegenläufiger Betriebsparameter ist dies schwierig.

Aus der Praxis eines Ventilators ist es bekannt, dass das Kugellager und das Kugellagerfett kritische Parameter für die Lebensdauer des Ventilators sind. Die Lebensdauer des Kugellagers und des Kugellagerfetts hängt maßgeblich von der Betriebstemperatur im bzw. am Motor und den auf das Kugellager wirkenden mechanischen Kräften ab. Da in unmittelbarer Nähe des Lagers weder Temperatursensoren noch Kraftsensoren positionierbar sind, lassen sich weder die Lagertemperatur noch auf das Lager wirkende Lagerkräfte messen. Folglich ist es erforderlich, diese Parameter entweder indirekt zu messen oder rechnerisch zu ermitteln.

Aus DE 10 2010 002 294 A1 ist ein System bzw. Verfahren zur Ermittlung des Zu- stands des Lagers einer elektrischen Maschine bekannt. Reale Sensoreinheiten ermitteln einen Messwert der an eine Simulationseinheit übermittelt wird. Mittels der Simulationseinheit wird ein Ergebniswert ermittelt, der entweder ein Lager- strom-Wert oder ein vom Lagerstrom abhängiger Wert ist. Der Ergebniswert wird zur weiteren Berechnung einer weiteren Einheit übermittelt. Das bekannte System/ Verfahren ist aufgrund der erforderlichen Sensorik aufwändig und lässt sich bei Ventilatoren in Ermangelung eines hinreichenden Bauraumes nur schwer an- wenden.

Dem digitalen Zwilling und Zwillings-Algorithmus liegt die Schaffung eines digitalen Abbilds eines realen Ventilators zugrunde, nämlich durch Abbildung dessen Eigenschaften mittels mathematischer Berechnungsmodelle und gegebenenfalls unter Hinzuziehung bekannter Daten, ggf. realer Messdaten. Bei den realen Messdaten kann es sich um aktuelle Messdaten aus dem laufenden Betrieb jedes individuellen Motors (und ggf. seiner Historie) handeln. Des Weiteren wird mindestens ein betriebsparameterspezifischer Algorithmus unter Berücksichtigung bekannter Zusammenhänge, Kennlinien, etc. geschaffen und zur weiteren Be- rechnung hinzugezogen.

Es werden Bauteilzustände des Ventilators über das digitale Abbild mittels virtueller Sensoren ermittelt bzw. berechnet. Diese Bauteilzustände werden dem betriebs- oder betriebsparameterspezifischen oder produktspezifischen Algorith mus zugeführt, der aus den Bauteilzuständen konkrete Betriebsparameter des Ventilators ermittelt oder berechnet und gegebenenfalls, davon abgeleitet, den Betrieb des Ventilators betreffende Prognosen liefert, beispielsweise Prognosen zur Lebensdauer des Ventilators. Wesentlich ist, dass die kombinierte Nutzung ermittelter Bauteilzustände und realer Messdaten möglich ist.

Dabei werden zwei unterschiedliche Softwarekomponenten genutzt, nämlich eine erste Softwarekomponente betreffend den digitalen Zwilling und eine zweite Soft- warekomponente betreffend den betriebsparameterspezifischen Algorithmus, den man als„intelligenten“ Algorithmus bezeichnen kann.

Der digitale Zwilling ist ein digitales Abbild eines realen, individuellen Objekts, im Falle der erfindungsgemäßen Lehre eines Ventilators oder eines Ventilator- systems. Der digitale Zwilling bildet die Eigenschaften des Ventilators mittels Be- rechnungsmodell und gegebenenfalls unter Hinzuziehung bekannter Daten des Ventilators ab. Die Aufgabe des digitalen Zwillings ist darin zu sehen, Bauteilzu- stände der Bauteile des Ventilators in Abhängigkeit des jeweiligen Betriebszu- standes mit virtuellen Sensoren zu berechnen. Die auf Grundlage einer solchen Berechnung ermittelten Bauteilzustände werden an den betriebsparameter- spezifischen Algorithmus übermittelt, der aus den Betriebsdaten des digitalen Zwillings Betriebsparameter oder Betriebszustände des Ventilators er- mittelt/berechnet, beispielsweise die Lagerlebensdauer und/oder die Lagerfett- lebensdauer. Aufgrund des Ergebnisses ist eine situationsgerechte Regelan- passung möglich. Betriebsparameter und Betriebszustände sind insoweit gleich- ermaßen relevant, als diese berechenbare Größen sind.

Die zuvor erörterte Kombination von digitalem Zwilling und betriebsparameter- spezifischem Algorithmus lässt sich im Sinne eines digitalen Zwillingsalgorithmus auf einem dem Motor des Ventilators zuzuordnenden Mikroprozessor realisieren und somit dem Ventilator als festen Bestandteil zuordnen.

Der digitale Zwillingsalgorithmus ist die Kombination eines den Ventilator be- schreibenden digitalen Zwillings mit einer Art intelligentem Algorithmus, der be- triebsparameterspezifisch ausgelegt ist.

Mit einem entsprechend ausgestalteten Ventilator lässt sich eine voraus- schauende Instandhaltung betreiben, mit dem Ziel, einen Ventilatorausfall bei- spielsweise aufgrund eines schadhaften Lagers oder Lagerfetts zu vermeiden. Es wird eine situationsgerechte Anpassung der Systemparameter angestrebt, um nahezu die maximal mögliche Lebensdauer des Ventilators realisieren zu können.

Unter Nutzung eines digitalen Abbilds des Ventilators und betriebsparameter- spezifischer Algorithmen wird im Rahmen der vorausschauenden Instandhaltung angestrebt, die Lebensdauer der Bauteile des Ventilators möglichst komplett aus- zuschöpfen und gleichzeitig jeglichen Ausfall des Ventilators zu vermeiden. Die Lebensdauer des Ventilators wird unter Zugrundelegung berechneter Bauteilzu- stände und daraus resultierender Betriebsparameter berechnet.

Der digitale Zwilling nutzt physikalische und/oder mathematische und/oder statistische und/oder empirische und/oder kombinierte Modelle, um thermische und mechanische Bauteilzustände zu berechnen. Sowohl mathematische als auch physikalische und nicht-physikalische Modelle gehören jedenfalls dazu. Der be- triebsparameterspezifische Algorithmus (intelligenter Algorithmus) benötigt die vom digitalen Zwilling ermittelten Bauteilzustände, um beliebige Betriebsparameter zu ermitteln, beispielsweise auch um den Ventilatorausfall zu prognostizieren. Da die Lebensdauer eines Ventilators in erster Linie von den Kugellagern und dem Kugellagerfett abhängt, spielt die auf das Kugellagerfett und das Kugellager fokus- sierte Betriebsparameterberechnung eine ganz besondere Rolle.

Es ist aus der Praxis bekannt, dass die Lebensdauer von Lagerfett maßgeblich von der Betriebstemperatur abhängt. Je höher die Betriebstemperatur über die gesamte Lebensdauer ist, umso schneller wird das Lagerfett aufgebraucht. Folg- lich gilt es die Lagertemperatur zu ermitteln, um die Lagerfettlebensdauer zu be- stimmen.

Zur Ermittlung der Lagertemperatur müsste ein Temperatursensor in unmittelbarer Umgebung des Lagers positioniert werden. Dies ist aufgrund der geometrischen und funktionellen Gegebenheiten des Ventilators/Motors nicht möglich. Ent- sprechend werden in erfindungsgemäßer Weise solche Bauteilzustände, wie die Lagertemperatur, über den digitalen Zwilling nebst betriebsparameterspezifischem Algorithmus berechnet.

Die Berechnung basiert auf einem mathematischen Modell, welches wiederrum auf einem reduzierten gekoppelten thermomagnetischen Berechnungsmodell basiert. Die Kombination aus digitalem Zwilling nebst betriebsparameter- spezifischem Algorithmus berechnet Wärmequellen, Wärmesenken und den thermischen Zustand des den Motor des Ventilators betreffenden Gesamtsystems. So lässt sich über die virtuellen Sensoren des digitalen Zwillings die Lagerfett- temperatur in Abhängigkeit vom Betriebszustand des Ventilators/Motors be- stimmen und in den betriebsparameterspezifischen Algorithmus als Betriebszu- stand einspeisen.

Sowohl der digitale Zwilling inklusive seiner virtuellen Sensoren als auch der be- triebsparameterspezifische Algorithmus lässt sich im Maschinen-Code (C-Code) auf den bereits vorhandenen Mikroprozessor implementieren, wodurch dem Venti- lator eine gewisse Maschinenintelligenz einverleibt wird. Voranstehende Ausführungen beschreiben ein Verfahren zur Ermittlung von Be- triebszuständen eines Ventilators unter Nutzung eines digitalen Abbildes (digitaler Zwilling) des Ventilators unter Hinzunahme mindestens eines betriebsparameter- spezifischen Algorithmus. Dies ist Grundlage für die nachfolgenden Ver- fahrensschritte, Betriebszustände, die mit virtuellen Sensoren bestimmt werden, unter Zugrundelegung eines digitalen Zwillings-Algorithmus zu berechnen, wobei zur Realisierung des digitalen Zwillings-Algorithmus in Bezug auf den Ventilator ein Workflow definiert wird. Insbesondere gilt es, reale Sensoren zur Ermittlung von Betriebszuständen einzusparen.

2. intelligenter Ventilator

Durch ein Verfahren zur Optimierung des Wirkungsgrads und/oder der Laufper- formance eines Ventilators wird ein quasi„intelligenter“ Ventilator geschaffen, wo- bei ausgehend von bauteil- oder funktionsspezifischen numerischen Detail modellen, unter Zugrundelegung mindestens eines Algorithmus, eine Modell- und somit Datenreduktion (Datenveredelung) zu bauteil- oder funktionsspezifischen Verhaltensmodellen erfolgt, wobei die reduzierten Daten der Verhaltensmodelle in einer Systemsimulation zu einem System-Verhaltensmodell mit Eingangs- und Ausgangsgrößen gekoppelt bzw. kombiniert werden und wobei die Eingangs- größen und zugehörigen Ausgangsgrößen des Ventilators aus dem System- Verhaltensmodell einem Optimierer zur Auswahl zur Verfügung gestellt werden, um in Abhängigkeit von Rahmenbedingungen eine optimierte Regelung des Systems zu erzielen.

Dabei geht es um den digitalen Zwillings-Algorithmus im Kontext mit einem„intelli- genten“ Ventilator im Sinne einer Weiterentwicklung des Zwillings-Algorithmus gemäß Ziffer 1.

Die weitere Entwicklung des digitalen Zwillings-Algorithmus ist als eigenständige situationsgerechte Anpassung der System parameter des Ventilators bzw. des Ventilatorsystems zu verstehen, um in jedem Betriebspunkt den bestmöglichen Wirkungsgrad und die bestmögliche Laufperformance zu gewährleisten. Es werden zunächst numerische Detailmodelle erstellt, beispielsweise betreffend ein thermisches Modell, ein Magnetkreismodell oder ein Modell betreffend die Flügelstellung und die Strömung bzw. Strömungsverhältnisse. Bei dem Detail- modell kann es ebenso um einen digitalen Zwilling entsprechend der einleitenden Erörterung in Bezug auf eine Ventilatorumgebung, beispielsweise ein Data-Center im Sinne eines Gesamtsystems, gehen. Auch kann das Detailmodell den digitalen Zwilling einer Ventilatoranordnung betreffen. Weitere Detailmodelle sind denkbar.

In einem nächsten Schritt findet die Reduktion der Detailmodelle im Rahmen einer Modellreduktion statt, nämlich zu sogenannten Verhaltensmodellen. Dies geht einher mit einer nicht unerheblichen Reduktion der anfallenden Daten.

Danach findet in der Systemsimulation eine Kopplung der reduzierte Daten auf- weisenden Verhaltensmodelle statt, resultierend in eine Verhaltensstudie mit einem kombinierten Verhaltensmodell.

Die Simulation des Gesamtsystems erfolgt im Systemraum mit einer homogen verteilten Eingangsgrößenkombination. Das Ergebnis ist eine Tabelle mit den Ein- gangskombinationen und dazugehörenden Systemausgangsgrößen. Die Tabelle spiegelt ein Systemverhaltensmodell wieder, nämlich mit Eingangsgrößen und da- zugehörenden Ausgangsgrößen des Ventilators. Anhand dieser Größen kann eine Optimierung stattfinden.

Im laufenden Betrieb sucht ein Optimierer in Abhängigkeit von Umgebungsbe- dingungen die bestmöglichen Systemausgangsgrößen wie zum Beispiel den Systemwirkungsgrad in der Tabelle des Verhaltensmodells vorzugsweise in Echt- zeit aus. Sobald die bestmögliche Systemausgangsgröße gefunden ist, können die dazugehörenden Eingangsgrößen aus der Tabelle gelesen werden. Mit diesen Eingangsgrößen wird das System bestmöglich geregelt, und zwar vorzugsweise in Echtzeit.

Im Lichte der voranstehenden Ausführungen ist wesentlich, dass der Optimierer den optimalen Systemwirkungsgrad aus der Systemverhaltenstabelle aussucht und dem Regelsystem die notwendigen Eingangsgrößen liefert. So ist eine ständige Optimierung möglich.

3. erfindungsgemäße Optimierung

Der vorliegenden Erfindung liegt unter Zugrundelegung des digitalen Zwillings nebst Zwillings-Algorithmus und einer Optimierung des Wirkungsgrads und/oder der Laufperformance eines Ventilators, unter Nutzung eines„intelligenten“ Venti- lators, die Aufgabe zugrunde, einerseits eine stetige Verbesserung des digitalen Zwillings-Algorithmus und andererseits verbesserte Produkte (Ventilatoren) durch Produktinnovation zu generieren, nämlich unter Nutzung berechneter Betriebszu- stände.

Voranstehende Aufgabe ist durch die Merkmale des Anspruchs 1 gelöst, nämlich durch ein Verfahren zum optimierten Betrieb eines Ventilators oder einer Venti- latoranordnung unter Nutzung eines digitalen Abbildes des Ventilators bzw. der Ventilatoranordnung und mindestens eines betriebsparameterspezifischen Algorithmus, wobei die im Betrieb gewonnenen Daten und Erkenntnisse einer vor- zugsweise ständigen Innovations- und Algorithmen-Analyse zugeführt werden, mit dem Ziel, einerseits Produktinnovationen und andererseits verbesserte „intelligente“ Algorithmen zu generieren.

Grundlage für das erfindungsgemäße Verfahren ist die Nutzung eines digitalen Zwillings und des dort genutzten Zwillings-Algorithmus entsprechend der ein- leitenden Erörterung zu den Ziffern 1 und 2.

Durch eine Innovations-Analyse einerseits und eine Algorithmen-Analyse anderer- seits wird eine ständige Verbesserung des digitalen Zwillings-Algorithmus und werden neue Produktinnovationen generiert.

Ausgangspunkt für das erfindungsgemäße Verfahren ist der digitale Zwillings- Algorithmus, der Betriebszustände des Ventilators im Betrieb, d.h. vor Ort beim Kunden, berechnet. Diese Betriebszustände werden zur Analyse und danach zur Weiterverarbeitung in die Cloud gesendet. Die Analyse nutzt in vorteilhafter Weise ein besonderes Tool, nämlich eine Programmeinheit zum maschinellen Lernen in der Cloud. Unter „maschinellem Lernen“ ist die künstliche Generierung von Wissen aus Erfahrung zu verstehen.

Ein solches künstliches System lernt aus Beispielen der berechneten Betriebszu- stände gemäß digitalem Zwillings-Algorithmus und kann diese nach Beendigung der eigentlichen Lernphase verallgemeinern. Ein solches System erkennt Muster und Gesetzmäßigkeiten in den Lerndaten anhand der berechneten Betriebszu- stände.

Im Lichte der voranstehenden Ausführungen lassen sich Produktinnovationen und Verbesserungen von Algorithmen vornehmen.

Des Weiteren ist wesentlich, dass die Berechnung und Aufzeichnung von Bauteil- zuständen zur Gewinnung neuer Erkenntnisse dient, insbesondere bei der Ge- staltung neuer Produkte. Es erfolgt ein ständiger digitaler Know-how-Zuwachs.

Auch lässt sich durch die Innovations-Analyse bestimmen, was der Kunde in Be- zug auf den Ventilator tatsächlich benötigt, und dies unter Zugrundelegung eines konkreten Anspruchsprofils. So entstehen neue Innovationen durch individuell auf den Kunden angepasste Ventilator-Produkte.

Die Innovations-Analyse liefert ein„Feedback to Design“ durch Analyse von Smart Data, wie sie gemäß Ziffer 2. der einleitenden Erörterung durch Modellreduktion entstehen.

Bestehende bzw. verbesserte Algorithmen können zur Berechnung der Lebens- dauer oder zur Optimierung der Performance des Ventilators benutzt und im Ver- laufe der Analyse verbessert werden. Die verbesserten Algorithmen machen den Ventilator „intelligent“ und ermöglichen eine bestmögliche Prognose für die Wartung. Dies ist von ganz besonderer Bedeutung. Letztendlich gehen die verbesserten Algorithmen und die neuen Produkt- innovationen in die Entwicklung neuer Ventilator-Produkte ein und führen oben- drein zu einer steten Verbesserung der digitalen Zwillings-Algorithmen.

Es gibt verschiedene Möglichkeiten, die Lehre der vorliegenden Erfindung in vor- teilhafter Weise auszugestalten und weiterzubilden. Dazu ist einerseits auf die dem Anspruch 1 nachgeordneten Ansprüche und andererseits auf die nach- folgende Erläuterung eines bevorzugten Ausführungsbeispiels der Erfindung an- hand der Zeichnung zu verweisen. In Verbindung mit der Erläuterung des bevor- zugten Ausführungsbeispiels der Erfindung anhand der Zeichnung werden auch im Allgemeinen bevorzugte Ausgestaltungen und Weiterbildungen der Lehre er- läutert. In der Zeichnung zeigen

Fig. 1 bis 16 Verfahrensschritte zur Realisierung der erfindungsgemäßen

Lehre mit besonderen Ausprägungen, wobei die erfindungs gemäße Lehre beispielhaft anhand von Figur 6 erläutert wird.

Die Figuren 1 bis 5 dienen zum Verständnis der erfindungsgemäßen Lehre und beziehen sich auf den digitalen Zwilling und den digitalen Zwillings-Algorithmus als Grundlage für den intelligenten Ventilator.

Im Konkreten zeigt Figur 1 die Kombination des digitalen Zwillings mit mindestens einem betriebsparameterspezifischen Algorithmus, die nachfolgend als digitaler Zwillingsalgorithmus bezeichnet wird. Dies lässt sich am Beispiel für die Lebens- dauer des Lagerfetts und/oder des Lagers erörtern.

Wie bereits zuvor ausgeführt, hängt die Lebensdauer von Lagerfett und Lager von der Betriebstemperatur und der Drehzahl des Motors ab. Da kein Temperatur- sensor in unmittelbarer Umgebung des Lagers positionierbar ist, muss die Lager- temperatur mittels Modell berechnet werden, erfindungsgemäß mit dem digitalen Zwillingsalgorithmus, der sich aus einer Kombination von digitalem Zwilling und einem betriebsparameterspezifischen Algorithmus (intelligenter Algorithmus) ergibt. Der digitale Zwilling ist nichts anders als ein mathematisches Modell, welches auf einem reduzierten gekoppelten thermomagnetischen und mechanischen Berech- nungsmodell aufbaut. Der digitale Zwilling berechnet den thermischen und mechanischen Zustand des den Motor betreffenden Gesamtsystems. Durch die zum digitalen Zwilling gehörenden virtuellen Sensoren kann der digitale Zwilling die Lagerfetttemperatur in Abhängigkeit des Betriebszustands des Motors er- mitteln.

Der intelligente Algorithmus benötigt zur Weiterverarbeitung der Daten die Bauteil- zustände, um beispielsweise den Ventilatorausfall zu prognostizieren. Anhand von Ausfallkennlinien lässt sich das Versagen des Motors berechnen, zumindest aber abschätzen. Die gesamte den digitalen Zwillingsalgorithmus betreffende Software ist im Maschinen-Code (C-Code) auf dem Motormikroprozessor realisiert, so dass keine weitere Elektronik erforderlich ist.

Figur 2 zeigt den Ablauf der Lagerfettlebensdauerberechnung des Lagerfetts im Lager eines Ventilatormotors. Im Rahmen der Schaffung des digitalen Abbilds des realen Ventilators sind numerische Detailmodelle, im Konkreten thermische Modelle, Magnetkreismodelle, etc. erforderlich. Außerdem werden Algorithmen zur Berechnung der Fettlebensdauer erstellt.

Die Detailmodelle werden anschließend zu Verhaltensmodellen reduziert, damit das Datenvolumen handhabbar ist.

Anschließend findet eine Kopplung der Verhaltensmodelle und des die Lagerfett- lebensdauer berechnenden Algorithmus in einer Systemsimulation statt, nämlich im Rahmen einer Kombination des digitalen Zwillings mit dem betriebsparameter- spezifischen Algorithmus, der im vorliegenden Falle die Lagerfettlebensdauer be- rechnet. Aus der Systemsimulation wird der C-Code generiert und es findet eine direkte Implementierung des C-Codes auf dem Motormikroprozessor statt.

Wie bereits zuvor ausgeführt, ist die Modellreduktion des Detailmodells auf ein Verhaltensmodell erforderlich, um die Rechenzeit zu senken. Aufgrund dieser Maßnahme kann der digitale Zwillingsalgorithmus auf den Mikroprozessor des Motors realisiert werden. Für die thermische Modellreduktion lassen sich ver- schiedene Verfahren anwenden, beispielsweise das Verfahren nach Krylow. Dabei werden die Daten des Detailmodells durch Verringerung der Modellordnung redu- ziert.

Das magnetische Detailmodell kann durch einen Algorithmus oder durch eine Tabelle reduziert werden. In der Tabelle sind für bestimmte Konstellationen vorbe- rechnete Ergebnisse definiert, so dass sich komplexe Berechnungen durch eine schnelle Wertsuche ersetzen lassen. Mit den entsprechend reduzierten Modellen kann die Lagerfetttemperatur und die Lagertemperatur berechnet werden. Die be- rechneten Werte nutzen den betriebsparameterspezifischen Algorithmus, hier den die Lagerfettlebensdauer berechnenden Algorithmus, um die Lebensdauer einer- seits des Lagerfetts und andererseits des Lagers zu berechnen.

Außerdem ist es möglich, die verbrauchte Lebensdauer des Lagers/des Lagerfetts je nach Betriebstemperatur vorzugsweise exponentiell zu gewichten.

Figur 3 zeigt den Verlauf eines solchen Gewichtungsfaktors über den Temperatur- verlauf hinweg, wobei zur Lagerfettlebensdauerberechnung beispielhafte Para- meter wie Dauerbetrieb, Lagerart, Viskosität, Drehzahl, Fetttemperatur und Be- triebszeit/Lebensdauer zugrunde gelegt werden. Das Rechenbeispiel ergibt bei einer Betriebsdauer von vier Minuten eine verbrauchte Lebenszeit von 15 Minuten.

Es werden die reduzierten Modelle gemäß digitalem Zwilling und der betriebs- parameterspezifische Algorithmus betreffend die Lagerfettlebensdauer in eine Systemsimulation eingebunden und miteinander verknüpft. Die Systemsimulation kann beispielsweise im Programm MATLAB erstellt werden. Mit dem Code-Ge- nerator von MATLAB ist es möglich, die Systemsimulation in den C-Code zu über- setzen und auf dem Motormikroprozessor zu implementieren.

Die Figuren 4 und 5 zeigen die einzelnen Schritte des die Schaffung des „intelligenten“ Ventilators betreffenden Verfahrens, wobei sich Figur 4 auf die Stellung des Flügelwinkels und Figur 5 auf die Lastverteilung von Ventilatoren eines Data-Centers bezieht. Die jeweiligen Verfahrensschritte von der Schaffung bzw. Bereitstellung eines Detailmodells über ein reduziertes Modell, eine System- simulation bis hin zu einem Verhaltensmodell sind in beiden Fällen identisch. Unter Zugrundelegung des Verhaltensmodells sucht der Optimierer den optimalen Systemwirkungsgrad aus der Systemverhaltenstabelle aus und übergibt die korrespondierenden Eingangsgrößen an den Regler, wobei eine Regelung in Echtzeit erfolgt. Die Prozedur nebst Daten werden im C-Code generiert, so dass die Optimierung auf einem üblichen Prozessor laufen kann.

Gemäß der Darstellung in Figur 4 ist der Winkel der Flügelstellung der Flügel des Ventilators so zu regeln, dass ein optimaler Systemwirkungsgrad je nach Betriebs- punkt entsteht. Aus dem Detailmodell wird unter Zugrundelegung eines ge- eigneten Algorithmus ein reduziertes Modell abgeleitet, woraus im Rahmen einer Systemsimulation, unter Zugrundelegung mehrerer Detailmodelle, eine Ver- haltensstudie bzw. ein daraus resultierendes Verhaltensmodell entsteht. Der Optimierer sucht den optimalen Systemwirkungsgrad aus der Systemver- haltenstabelle aus und übergibt die korrespondierenden Eingangsgrößen, mit denen sich die Optimierung erreichen lässt, dem Regelmechanismus. Es findet eine Regelung des Gesamtsystems in Echtzeit auf einem Mikroprozessor statt, nämlich unter Zugrundelegung des Verhaltensmodells und des zur Optimierung dienenden Algorithmus. Die Daten und der Algorithmus über die Programmierung liegen im C-Code vor.

Gemäß der Darstellung in Figur 5 geht es um die Lastverteilung von einer An- ordnung mehrerer Ventilatoren, bei dem gewählten Ausführungsbeispiel um die Lastverteilung von Ventilatoren eines Data-Centers. Die Strömungsgeschwindig- keit und die dadurch notwendige Lastverteilung einzelner Ventilatoren ist so zu regeln, dass ein optimaler Systemwirkungsgrad je nach der herrschenden Temperatur im Data-Center entsteht. Der Optimierer sucht auch hier den opti malen Systemwirkungsgrad aus der Systemverhaltenstabelle und übergibt dem Regelmechanismus die korrespondierenden Eingangsgrößen, so dass eine Rege- lung des Gesamtsystems in Echtzeit auf einem Mikroprozessor erfolgen kann. Auch hier werden die Daten des Verhaltensmodells dem zur Optimierung dienenden Algorithmus zugeführt, wobei das Programm im C-Code auf üblichen Prozessoren läuft. Das Verfahren ermöglicht unter Zugrundelegung der zuvor erörterten Daten- reduktion einen kompakten C-Code zu erstellen, der auf Standardmikro- prozessoren betrieben werden kann. Auf dem Mikroprozessor findet eine Art Datenveredelung (Big Data -> Smart Data) statt, wobei dies das Berechnungser- gebnis ist. Nur die komprimierten veredelten Daten werden weiterverarbeitet oder beispielsweise in eine Cloud versendet. Es ist selbstredend, dass sich dadurch das Streamingvolumen der Verbindung in die Cloud ganz erheblich reduziert.

Weiter lassen sich die bei digitalem Zwilling und betriebsparameterspezifischem Algorithmus ermittelten Betriebsparameter zur vorausschauenden Instandhaltung und zur Instandhaltung eines Ventilators einerseits und zur Optimierung der Kon- struktion und des Betriebs eines Ventilators andererseits verwenden, wobei der digitale Zwillings-Algorithmus zur eigenständigen situationsgerechten Anpassung der Systemparameter weiterentwickelt wird, um nämlich in jedem Betriebspunkt den bestmöglichen Wirkungsgrad und die bestmögliche Laufperformance zu ge- währ-leisten.

Figur 6 zeigt schematisch den Ablauf des erfindungsgemäßen Verfahrens, wobei der digitale Zwillings-Algorithmus im Betrieb des Ventilators im dortigen Motor- mikroprozessor läuft. Betriebszustände werden mit virtuellen Sensoren berechnet. Aufgrund der Betriebszustände ist eine Regelanpassung und die Berechnung der Ventilator-Lebensdauer möglich.

Die Daten werden vom Motormikroprozessor aus in die Cloud übergeben, einer- seits zur Innovations-Analyse und andererseits zur Algorithmus-Analyse.

Im Bereich der Innovations-Analyse erfolgt ein maschinelles Lernen mit dem Er- gebnis ständiger Produktinnovationen.

Im Bereich der Algorithmen-Analyse erfolgt ebenfalls ein maschinelles Lernen mit dem Ergebnis zunehmend intelligenterer Algorithmen.

Die Ergebnisse beider Analysen - Innovations-Analyse und Algorithmen-Analyse - werden zu Verbesserung des digitalen Zwillings und des digitalen Zwillings- Algorithmus rückgekoppelt, mit dem Ziel „intelligenter“ Algorithmen und zur Schaffung„intelligenter“ Ventilatoren.

Für die erfindungsgemäße Lehre ist im Rahmen einer besonderen Ausprägung, entsprechend den Merkmalen des Anspruchs 5, von besonderer Bedeutung, dass Muster und Gesetzmäßigkeiten erkannt werden. In Ergänzung zu den voran- stehenden Ausführungen lässt sich dazu folgendes festhalten:

„Artificial Intelligence“ oder künstliche Intelligenz ist der Oberbegriff zur Be- schreibung aller Forschungsgebiete, die sich mit der Erbringung menschlicher Intelligenzleistungen durch Maschinen beschäftigen. Ein Teilgebiet der künstlichen Intelligenz ist das „Machine Learning” oder maschinelles Lernen, wonach Maschinen die Möglichkeit erhalten,„Wissen“ aus Erfahrung zu generieren, mit anderen Worten zu lernen.„Deep Learning” mit künstlichen neuronalen Netzen ist eine besonders effiziente Methode des permanenten maschinellen Lernens auf der Basis statistischer Analyse großer Datenmengen und daher bedeutendste Zu- kunftstechnologie innerhalb der künstlichen Intelligenz.

„Deep Learning” ist eine Lernmethode im Rahmen maschinellen Lernens. Unter Verwendung neuronaler Netze versetzt sich die Maschine selbst in die Lage, Strukturen zu erkennen, diese Erkennung zu evaluieren und sich in mehreren vor- wärts wie rückwärts gerichteten Durchläufen selbständig zu verbessern bzw. zu optimieren.

Die künstlichen neuronalen Netze sind zu diesem Zweck in mehrere Schichten ge- teilt. Diese wirken wie ein gewichteter Filter, der vom Groben zum Feinen hin arbeitet und auf diese Weise die Wahrscheinlichkeit der Erkennung eines Musters und Ausgabe eines korrekten Ergebnisses erhöht. Dies ist dem menschlichen Ge- hirn nachgebildet, welches ähnlich arbeitet.

Künstliche Neuronale Netze lassen sich als Matrizen darstellen. Dies hat den Vor- teil, dass die notwendigen Berechnungen recht einfach vorgenommen werden können. Eine Berechnung auf dem konventionellen Mikroprozessor, so auch eines Ventilators, ist möglich. Dies ermöglicht den intelligenten Ventilator ohne die Not- wendigkeit eines Internetanschlusses.

Die künstlichen neuronalen Netze können verwendet werden, um den digitalen Zwillings-Algorithmus an die Produktvielfalt eines Herstellers und an unterschied- liche Kundenanwendungen im Betrieb anzupassen. Außerdem können künstliche neuronale Netze verwendet werden, um anhand von Fehlermustern den Ventilatorausfall zu prognostizieren. Dazu dienen mehrere zusammenhängende Faktoren, beispielsweise erhöhter Strom und erhöhte Elektroniktemperatur.

Es ist von Bedeutung, dass der Entwicklung moderner Ventilatoren ein digitaler Zwilling des Ventilators und die Anwendung eines digitalen Zwillings-Algorithmus zugrunde liegt. Aus dem Betrieb des Ventilators heraus werden Betriebszustände ermittelt und findet eine Regelanpassung und eine Beeinflussung der Lebens- dauer statt. Die Innovations-Analyse und die Algorithmen-Analyse wird zum digitalen Zwillings-Algorithmus rückgekoppelt und sorgt für eine Verbesserung in Richtung„intelligenter“ Ausführung des Algorithmus, mit dem weiteren Ziel, einen „intelligenten“ Ventilator zu schaffen.

Die Darstellung in den Figuren 7 und 8 dient zur weiterreichenden Erläuterung der beanspruchten Lehre.

Wesentlich ist die Nutzung eines digitalen Abbilds, nämlich eines digitalen Zwillings des Ventilators. Der digitale Zwilling entsteht per Datenverarbeitung. Er entsteht im Konkreten aus einer Kombination bekannter Eingangsgrößen oder Sensormesswerten mit berechneten Werten und Berechnungen/Modellen. Anhand des digitalen Zwillings erfolgt die Ermittlung von Bauteiltemperaturen, Strömen, Verlusten, etc. an bestimmten vorgegebenen Stellen des Ventilators. Anhand des digitalen Zwillings werden reale Werte wie beispielsweise konkrete Bauteil- temperaturen virtuell bestimmt, nämlich dann, wenn an der jeweiligen konkreten Stelle des Ventilators keine wirtschaftlich/konstruktiv sinnvolle Möglichkeit der Messung mittels Sensorik besteht.

Von weiterer Bedeutung für die beanspruchte Lehre ist der betriebsparameter- spezifische Algorithmus. Anhand der Ergebnisse bzw. Daten, die der digitale Zwilling liefert, beispielsweise der Lagertemperatur, werden Kenngrößen wie bei- spielsweise eine Ausfallwahrscheinlichkeit oder verbrauchte Lebensdauer des Ventilators bzw. des Lagers des Ventilators bestimmt. Diese Kenngrößen sind ab- hängig von den aktuellen Betriebsparametern des Ventilators und deren Historie, d.h. in welchen Betriebspunkten und Umgebungen der Ventilator betrieben wird/wurde.

Die Figuren 7 und 8 verdeutlichen anhand eines konkreten Beispiels das er- findungsgemäße Verfahren zur Ermittlung von Betriebszuständen eines Ven- tilators unter Nutzung eines digitalen Abbildes des Ventilators unter Berücksichti- gung der voranstehenden Ausführungen.

In der linken Spalte von Figur 7 stehen gemessene oder berechnete Eingangs- größen inklusive der den Pfeilen zugeordneten Einheiten. Diese Eingangsgrößen werden über vorhandene Standardsensoren gemessen oder sind bekannt.

Aus diesen Eingangsgrößen werden Wärmequellen und Wärmesenken berechnet. Zugrunde gelegt werden simulationsbasierte Modelle, die die Wärmequellen wie beispielsweise Kupfer-, Eisen-, Elektronikverluste und Wärmesenken wie die Motorkühlung (Kühlrad, umströmte Luft und Umgebungstemperatur) berück- sichtigen. Daraus resultieren Eingangsgrößen für ein reduziertes thermisches Modell mit virtuellen Sensoren. Dies alles entspricht dem digitalen Zwilling im Sinne eines thermischen Modells.

Aus dem reduzierten thermischen Modell mit virtuellen Sensoren werden Bauteil- temperaturen berechnet. Das thermische Modell bildet dabei die Ventilatorphysik ab und berechnet anhand virtueller Sensoren die Temperatur im Lager, in der Wicklung, am Magneten und in den verschiedenen Elektronikbauteilen, je nach Bedarf.

Figur 8 zeigt als Fortsetzung von Figur 7 deutlich, dass Ausgangsgrößen aus dem reduzierten thermischen Modell, gegebenenfalls mit weiteren Parametern, als Ein- gangsgrößen zur Berechnung des Alterungsprozesses herangezogen werden. Zu- grundeliegende Alterungsmodelle basieren auf historischen Daten und können als Kennlinien hinterlegt sein. So kann die durch Alterung begrenzte Restlebensdauer individuell vor Ort anhand der tatsächlichen Ventilatorhistorie und des aktuellen Betriebszustands berechnet oder korrigiert werden.

Aus den jeweiligen Modellen zur Berechnung der Alterung resultiert eine be- rechnete Lebensdauer in Tagen oder Stunden, die, für sich gesehen, als bloße Information dienen kann. Die diesbezüglichen Informationen können dann zur weiterführenden Prognose herangezogen werden, nämlich zur Prognose der Rest- lebensdauer der einzelnen Bauteile oder des gesamten Ventilators. Diese Prog- nose kann dann zur intelligenten Restlebensdauer-Optimierung genutzt werden. Um die Restlebensdauer zu verlängern können Maßnahmen ausgeführt werden, beispielsweise eine Reduktion der Drehzahl oder eine intelligente Lastverteilung auf mehrere Ventilatoren. Diese Maßnahmen können durch eine Stellgröße kom- muniziert werden.

Figur 9 zeigt noch einmal den digitalen Zwilling bis hin zum reduzierten thermischen Modell mit virtuellen Sensoren, wobei dadurch der Ventilator nebst Motor abgebildet wird. Wie bereits zuvor ausgeführt, bildet das thermische Modell die Ventilatorphysik ab und berechnet anhand virtueller Sensoren verschiedene Temperaturen, die zu unterschiedlichen Zwecken/ZielenA/erwendungen herange- zogen werden, in Stichworten beispielsweise:

-zur Überwachung: Ermittlung von Betriebsparametern mit Hilfe von virtuellen Sensoren und Nutzung dieser zur Überwachung. Dies können sein: Warn- meldungen, Status-LEDs, Kommentare in einem auslesbaren Fehler-Code, Ab- bildungen in Cloud oder App-Anwendung, Darstellung in User-Interfaces.

-zu Predictive Maintenance: Verfahren zur Ermittlung der Alterung eines Ventila- tors, bestehend aus zahlreichen Teilsystemen, wie Kugellager, Wicklung, Elektro- nikbauteile, Magnete und Prognose der Restlebensdauer. Nutzung zur z.B. Planung von Wartungsintervallen, zur Erreichung einer möglichst langen Lebens- dauer bevor Wartungsintervall (d.h. kein zu frühes Warten), automatische Termin- planung von Wartungsterminen, Meldung von Wartungsnotwendigkeit, auto- matische Bestellung von Ersatzteilen. -zur Optimierung: Verfahren zur Ermittlung von Betriebszuständen die Produktper- formance betreffend, d.h. Wirkungsgrad, Bauteiltemperaturen, Drehzahl, Aus- gangsleistung, Volumenstrom, Lautstärke, Schwingungen, etc.

-zur Schaffung eines intelligenten Ventilators: Reaktion auf bestimmte Betriebszu- stände zur Verbesserung des Verhaltens oder zur Erreichung bestimmter Ziele.

- Veränderung des Betriebspunktes/Veränderung der Regelparameter für optimalen Wirkungsgrad.

- Veränderung des Betriebspunktes um möglichst lange Lebensdauer zu er- reichen.

- Verringerung der Drehzahl, wenn Ausfallwahrscheinlichkeit sehr hoch ist:

- Veränderung des Betriebspunktes bei Tag-Nacht-Rhythmus für möglichst leise Nachtanwendung.

- Ausgabe einer Stellgröße für Zusatzgeräte oder Kundengeräte, z.B.

Temperaturausgabe zur Nutzung in Regelung einer Wärmepumpe, oder für eine zusätzliche Kühlung.

- Gezielte Umgehung kritischer Systemzustände (z.B. Resonanzen, Über- temperaturen, etc.).

Zum besseren Verständnis der erfindungsgemäßen Lehre sind einerseits die Reihenfolge der Verfahrensschritte und andererseits deren Inhalte von Bedeutung. Die Reihenfolge der jeweiligen Verfahrensschritte lässt sich aus dem Ent- wicklungsworkflow des zugrundeliegenden Algorithmus ableiten. Dieser ist in Figur 10 gezeigt, wobei in einem letzten Schritt eine Weiterentwicklung des Verfahrens erfolgen kann.

Zur Schaffung eines Detailmodells ist grundsätzlich folgendes relevant:

Ein Modell ist ein Abbild oder eine Approximation an die Realität, das heißt de- finitionsgemäß eine Annäherung. Ein Modell beschränkt sich immer auf einen Ausschnitt, der für die angestrebte Abbildung von Interesse ist. Außerdem ist ein Modell grundsätzlich nicht vollständig, da es entweder für die einfachere Ver- wendung in Bezug auf dessen notwendige Eingabegrößen reduziert wird, oder einzelne physikalische Verhaltenselemente bei der Modellerstellung nicht bekannt sind. Abhängig von der späteren Nutzung und Zielsetzung ist eine andere Art Modellbildung notwendig, d.h. zum Beispiel eine anderer betrachteter Bereich, eine notwendige andere Genauigkeit in den Ergebnissen oder Schnelligkeit der Berechnung. Es gibt sehr viele Arten von Modellen, wobei im technischen Bereich meist ein Modell mit einer mathematischen Darstellung verbunden wird, bei- spielsweise mit algebraischen Gleichungen oder Ungleichungen, Systemen ge- wöhnlicher oder partieller Differentialgleichungen, Zustandsraumdarstellungen, Tabellen, Graphen.

Fester Bestandteil in der heutigen Produktentwicklung ist die virtuelle Produktent- wicklung unter Verwendung der FE-Simulation (Finite Elemente Simulation). Klassischerweise wird hier eine physikalische Domäne (z.B. Festigkeit oder Ther- mik oder Magnetkreis) in einem sehr großen (Größenordnung 100 Gigabyte) und rechenintensiven Modell abgebildet und die Ergebnisse an Millionen Stellen (Knoten) im Modell bestimmt. Dies ist eine Variante von Detailmodellen. Der grobe Ablauf in der Erstellung dieser Detailmodelle lässt sich wie folgt skizzieren:

1. Import einer 3D-Geometrie zum Beispiel aus dem Bereich der CAD,

2. Zuweisung von Randbedingungen, d.h. feste Einspannungen,

Materialdefinitionen, Kontaktbedingungen (Klebestellen, gleitende Verbindungen, Wärmeisolation),

3. Vernetzung (Auftrennen der Geometrie in Millionen kleine Elemente, die verknüpft sind,

4. Aufbringen der Belastung, also Kräfte, Wärmequellen-/senken, magnetische Felder,

5. Automatisches Lösen der sich ergebenden Differentialgleichungen für jedes einzelne Element und Zusammenfügen zu einem großen Ergebnis für das Gesamtmodell,

6. Bewertung der Ergebnisse.

Die Erstellung von Detailmodellen mit virtuellen Sensoren in Bezug auf Venti- latoren/Gesamtsysteme mit Ventilatoren ergibt sich wie folgt: Es werden Detailmodelle mit dem Ziel erstellt, die Physik des Ventilators und/oder des Gesamtsystems abbilden zu können. Sogenannte virtuelle Sensoren sind de- finierte Berechnungspunkte in den Detailmodellen. Diese virtuellen Sensoren be- rechnen Bauteilzustände, beispielsweise die Wicklungstemperatur im thermischen Detailmodell des Ventilators. Detailmodelle sind Simulationsmodelle, die in Bezug auf die Rechenzeit, die benötigte Recheneleistung und den Speicherbedarf auf- wändig sind. Solche detaillierten Modelle wie beispielsweise thermische Modelle, Magnetkreismodelle, Elektronikmodelle, Regelmodelle, Kraftmodelle oder Schwingungsmodelle dienen zur Berechnung nicht linearer Betriebszustände. Die physikalischen Effekte des Systems beinhalten Wechselwirkungen zwischen den Domänen, weshalb die einzelnen Modelle gekoppelt im Gesamtsystem betrachtet werden müssen. Berechnungen mit Detailmodellen im Gesamtsystem sind hin- sichtlich Rechenzeit nicht praktikabel, da Wechselwirkungen nicht in Echtzeit aus- gewertet werden können. Eine Modellreduktion ist daher erforderlich.

Die Erzeugung von reduzierten Modellen kann sich wie folgt vollziehen:

Eine Modellreduktion beschreibt ganz allgemein ein bereits bestehendes Modell, um weitere Informationen zu reduzieren, um es zum Beispiel auf Speicherbedarf oder Rechengeschwindigkeit zu optimieren. Hier gibt es abhängig vom konkreten Anwendungsfall viele Varianten wie zum Beispiel:

^■ Annäherung von einfachen mathematischen Funktionen, wie zum Beispiel Polynomfunktionen und lediglich Abspeichern der Koeffizienten.

^■ Ablegen von Tabellen für verschiedene Eingangsgrößen und anschließend entweder Verwendung von diesen diskreten Werten oder Interpolation zwischen den Werten.

^■ Annäherung von statistischen Modellen, die Prognosen aus bisherigen Werten liefern.

^■ Graphen/logische Gatter, Beispiel: Wenn T>200°C, dann Ventilator defekt. Erzeugung der reduzierten Modelle - Beispiel a)

Ausgangspunkt für das reduzierte Modell ist ein FE-Modell der Thermik, das ab- hängig von Wärmeeingang und Wärmeausgang die Temperaturen in jedem Punkt des Modells abbildet. Im folgenden Beispiel wird die Modellreduktion auf lediglich einen Wärmeeingang und einen Wärmeausgang, nur eine zu bestimmende Temperatur an der Stelle A und nur jeweils die Werte„hoch“ und„niedrig“ verein- facht. Hierzu wird eine Parameterstudie durchgeführt, wodurch diese sogenannte „Look-Up-Tabelle“ ermittelt wird:

Anschließend gibt es mehrere Möglichkeiten die Ergebnisse zu verwenden.

^■ Verwendung der Tabelle direkt und diskret. Beispiel: Wenn eine Tempera- tur an der Stelle A für einen Wärmeeingang von 4W und Wärmeausgang von 1W prognostiziert werden soll, wird direkt der Wert von 40°C über- nommen.

^■ Verwendung der Tabelle und lineare Interpolation zwischen den Werten.

Beispiel: Wenn eine Temperatur an der Stelle A für einen Wärmeeingang von 5W und Wärmeausgang von 1W prognostiziert werden soll, wird der Wert von 60°C über lineare Interpolation bestimmt.

^■ Verwendung der Tabelle zur Bestimmung einer Temperaturprognose- funktion mittels Regression. Beispiele für Zielfunktionen sind Polynom- funktionen, lineare Funktionen, Exponential-Funktionen, statistische Funktionen, Differentialgleichungen, etc. Anschließend Bestimmung der Temperatur mit Hilfe dieser Funktion. Erzeugung der reduzierten Modelle - Beispiel b)

Ausgangspunkt für das reduzierte Modell ist ein FE-Modell der Thermik, das ab- hängig von Wärmeeingang und Wärmeausgang die Temperaturen in jedem Punkt des Modells abbildet. Im Anschluss darauf können mit mathematischen An- nahmen, Berechnungen und Umformungen (zum Beispiel LTI-System oder Krylov- Unterraum-Verfahren) kompakte Zustandsraummodelle angenähert werden. Diese bestehen aus zwei wesentlichen Differential- bzw. Integralgleichungen und vier, das gesamte System beschreibenden, Matrizen (zum Beispiel 200x200 Matrizen gefüllt mit skalaren Zahlenwerten). Diese stellen jedoch nicht mehr die Temperatur an Millionen Knoten dar, sondern nur an wenigen ausgewählten Stellen. Außer- dem kommt es durch die Näherung zu einer Abweichung der Ergebnisse abhängig von der Größe des Zustandsraummodells. Grundsätzlich gilt je größer das Modell und seine Matrizen, desto geringer die Abweichung.

Zustandsraummodelle sind als Prozeduren, Module oder Objekte in vielen Com- puter-Algebra-Programmen wie zum Beispiel Matlab oder auch in Programmier- sprachen standardmäßig vorhanden, wodurch derartige Modelle durch simplen Import der Matrizen berechnet werden können. Eingangsgrößen sind hier zum Beispiel Wärmeleistung die in das System eingeht und Wärmesenken durch Kon- vektion, Ausgangsgrößen sind zum Beispiel bestimmte Bauteiltemperaturen (z.B. drei verschiedene Bauteiltemperaturen).

Erzeugung der reduzierten Modelle - Beispiel c)

Ausgangspunkt für die Modellreduktion sind in diesem Beispiel experimentelle Er- gebnisse. Hier würde ebenso wie in Beispiel a) eine Tabelle aus Messergebnissen erstellt werden und anschließend äquivalent dazu damit weiterfahren werden (dis krete Verwendung, lineare Interpolation oder Regression mittels mathematischer Funktionen).

Von weiterer Bedeutung kann eine Kopplung von physikalischen Domänen oder verschiedenen Modellen sein. Klassischerweise werden in der virtuellen Produktentwicklung Domänen einzeln betrachtet, da eine gemeinsame Betrachtung sehr rechen- und speicheraufwendig und kaum praktikabel ist. Durch die Modellreduktion ergibt sich die Möglichkeit, die Modelle verschiedener Domänen zu koppeln. Zum Beispiel ist die Kopplung eines detaillierten Magnetkreismodells, dessen Rechenzeit auf einem leistungsstarken Rechencluster mehrere Tage bis Wochen beträgt, mit einem thermischen Modell nicht von Vorteil. Diese ist in vielen Fällen zur möglichst genauen Abbildung des realen Verhaltens notwendig.

Kopplung von physikalischen Domänen oder verschiedenen Modellen - Beispiele

^■ Der Wicklungswiderstand ist näherungsweise linear abhängig von der Temperatur des Kupfers. Abhängig vom Wicklungswiderstand ändert sich die Verlustleistung in der Wicklung näherungsweise linear. Abhängig von der Verlustleistung ändert sich das thermische Verhalten, zum Beispiel Wicklungs- und Lagertemperatur stark nicht-linear, was sich wiederum auf den Wicklungswiderstand auswirkt. Hier ist somit je nach Anforderung an die Ergebnisse des Modells eine Kopplung notwendig.

^■ Das notwendige Drehmoment und die Drehzahl eines Ventilators sind stark abhängig vom Anlagenwiderstand und zum Beispiel Druckdifferenz und Temperatur des Fördermediums. Abhängig vom Lastmoment ändert sich das Verhalten des Magnetkreises, d.h. Ströme durch die Wicklung, magnetisches Feld, Drehzahl, etc. Abhängig davon ändern sich dann auch Leistungsaufnahme, Verluste und erreichbare Drehzahl. Auch hier ist im Falle einer Kundenanwendung die Kopplung des Ventilatorverhaltens mit der Einbausituation je nach Anwendungsfall vorstellbar.

Konkretisierung einer technischen Umsetzung - Beispiel a)

Erstellung eines thermischen FE-Modells eines Ventilators - Recheninten- sives und speicherintensives FE-Modell mit 1.000.000 Elementen zusätz- lieh zur Polynomfunktion. Wärmequellen und -senken sind als Polynom- funktionen abhängig von Eingangsstrom und Drehzahl abgebildet.

^■ Erstellung eines reduzierten thermischen Modells über statistische Methoden, das die Elektronikbauteiltemperatur abhängig von Eingangs- strom und Drehzahl abbildet. -> Polynomfunktion, die Temperatur abhängig von Eingangsstrom und Drehzahl beschreibt = virtueller Temperatursensor.

^■ Kennlinie aus Datenblatt zur Lebensdauer des Elektronikbauteiles abhängig von seiner Temperatur -> Betriebsparameterspezifischer Algorithmus, der aus virtuellem Temperatursensor die Ausfallwahrscheinlichkeit berechnet.

^■ Nutzung für Predictive Maintenance, zur Überwachung oder zur Opti mierung des Betriebspunktes -> Intelligenter Algorithmus.

Konkretisierung einer technischen Umsetzung - Beispiel b)

^■ Erfassung von Stromzeiger und Motordrehzahl durch integrierte Elektronik/ Regelung. Daraus wird der elektromagnetische Arbeitspunkt abgeleitet.

^■ Anhand dieses Arbeitspunktes ergeben sich über Look-Up-Tabellen oder Polynomfunktionen die Verluste von Motor und Leistungselektronik.

^■ Ein thermisches Modell verarbeitet die Verlustwerte und ermittelt Temperaturen kritischer Systembestandteile wie Kugellager oder Halbleiter- bauteile.

^■ Gleichzeitig werden über einen realen Sensor Bauteilschwingungen aufge- zeichnet. Die lokalen Schwingungen werden durch Verhaltensmodelle auf das Gesamtsystem virtuell projiziert, wodurch zum Beispiel die Lagerbe- lastung aufgrund von Schwingungen abgeschätzt wird.

^■ Mithilfe betriebsparameterspezifischer Algorithmen werden ermittelte Temperaturen und Schwingwerte in eine Abschätzung der Bauteil- und Ventilatorlebensdauer umgerechnet.

^■ Weitergreifende Maßnahmen wie die Predictive Maintenance können dadurch ermöglicht werden.

^■ Gleichzeitig kann mit der Kenntnis der Verluste der Arbeitspunkt und der Systemwirkungsgrad durch regelungstechnische Anpassungen, wie zum Beispiel die Variation des Vorsteuerwinkels optimiert werden. Im Rahmen einer Anwendung bei Ventilatoren und/oder Ventilatorsystemen gelten die voranstehenden Ausführungen zur Modellreduktion der Detailmodelle, wobei eine Ordnungsreduktion mittels der Krylov-Unterraummethode erfolgen kann. Das Ziel ist die Minimierung der Rechenzeit, der benötigten Rechenleistung und des Speicherbedarfs, so dass eine Berechnung in Echtzeit möglich ist. Die virtuellen Sensoren bleiben erhalten und liefern Ausgangsgrößen.

Gemäß Figur 10 werden in einem nächsten Schritt die reduzierten Modelle zum Ventilator-Systemmodell verknüpft. Im Konkreten werden die reduzierten Modelle wie das thermische Modell, das Magnetkreismodell, das Softwaremodell, das Elektronikmodell, etc. zu einem Ventilator-Systemmodell verknüpft. Das Ventilator- Systemmodell bildet die Physik des einzelnen Ventilators oder einer Venti- latorgruppe oder eines Ventilatorssystems ab und berechnet abhängig von den Umgebungsbedingungen und Betriebszuständen den Wirkungsgrad, die Laufper- formance und etwaige Wechselwirkungen zwischen den einzelnen Modellen.

In einem nächsten Schritt findet eine Verknüpfung der Ventilator-Systemmodelle mit dem Anlagenmodell statt, wodurch ein Gesamtsystemmodell entsteht. Das Gesamtsystemmodell besteht aus mehreren Ventilatoren und einer Anlage, bei- spielsweise umfassend einen Verdichter und/oder Verflüssiger. Das Anlagen- modell kann mit dem gleichen Workflow wie das Ventilator-Systemmodell realisiert werden. Anschließend lassen sich die Ventilator-Systemmodelle und das An- lagenmodell zu einem Gesamtsystemmodell verknüpfen.

Ein nächster Schritt umfasst eine Verhaltensstudie, nämlich die Berechnung von Antwortgrößen mit Eingangsparameterkombinationen.

Ziel der Studie ist es, das Verhalten des Gesamtsystemmodells zu bestimmen und mit diesem Wissen das System in Echtzeit zu regeln.

Gemäß Gesamtsystemverhalten werden Wirkungen und Einflüsse von Modellein- gangsgrößen auf die Modellantwortgrößen im Designraum übertragen bzw. abge- bildet. Der Designraum ist ein mehrdimensionaler Raum, der von den möglichen Ein- gangsgrößen aufgespannt wird. Die Anzahl der Eingangsgrößen entspricht der Dimension des Designraums. Dies bedeutet bei zehn Eingangsgrößen zehn Dimensionen.

Die Modelleingangsgrößen werden in definierten Grenzen variiert. Dadurch ent- stehen Parameterkombinationen, die den mehrdimensionalen Raum gleichmäßig abdecken und dadurch beschreiben. Die Modellantwortgrößen wie Wirkungsgrad und Laufperformance werden anhand der Parameterkombinationen berechnet. Die Verhaltensstudie liefert einen Designraum, der mit Antwortgrößen in Ab- hängigkeit der Eingangsgrößen gefüllt ist. Dieser Raum bildet das Gesamtsystem- verhalten ab.

Figur 11 zeigt, wie verschiedene Eingangsgrößen in Ventilatorsystemmodelle und Kühlkreismodelle einfließen, wodurch sich das Gesamtkühlsystemmodell ergibt. Eine entsprechende Ausgangsgröße ist als Ergebnis des Gesamtkühlsystem- modells zu verstehen. Das daraus resultierende Wissen kann gemäß Figur 12 in eine Verhaltenstabelle überführt werden. Wenn das Gesamtsystemverhalten be- kannt ist, lassen sich die Eingangsgrößen anpassen, um eine bestmögliche Ant- wortgröße zu verhalten.

Das Anpassen oder die Auswahl der Antwortgröße und der dazugehörigen Ein- gangsgrößenkombination aus der Verhaltenstabelle wird durch einen Optimierer realisiert, nämlich gemäß dem in Figur 10 aufgezeigten weiteren Verfahrensschritt, wonach der Optimierer die beste Antwortgröße auswählt und somit die best- mögliche Eingangsparameterkombination für den aktuellen Betriebszustand wählt.

Gemäß der Darstellung in Figur 13 wählt der Optimierer die beste Antwortgröße aus und bestimmt die bestmögliche Eingangsparameterkombination für den aktuellen Betriebszustand. Mit anderen Worten wählt der Optimierer je nach Um- gebungsbedingung/Betriebszustand die bestmögliche Modellantwort aus. Die da- zugehörigen Parameterkombinationen der Eingangsgrößen werden eingestellt. Somit lässt sich das System bestmöglich regeln. Die Gesamtkühlsystem- Verhaltenstabelle kann auf einem beliebigen Prozessor laufen, vorzugsweise auf einem Mikroprozessor des Ventilators, der ohnehin vorhanden ist. Eine Regelung ist so möglich.

Figur 14 bezieht sich auf eine etwaige Weiterentwicklung, wonach die Gesamt- kühlsystem-Verhaltenstabelle gemäß der Darstellung in Figur 13 durch eine System-Simulation des Kühlkreises in einer Cloud erweitert wird. Das System um- fasst digitale Zwillinge des Ventilators, digitale Zwillingen des Kühlkreises, eine Validierungseinheit und einen virtuellen Regler/Optimierer.

Die digitalen Zwillinge des Ventilators und des Kühlkreises bilden das System physikalisch ab. Der virtuelle Regler verfügt über das Wissen der Gesamtkühl- system-Verhaltenstabelle gemäß der Darstellung in Figur 13. Außerdem kann der virtuelle Regler durch maschinelles Lernen dazulernen, beispielsweise bezogen auf die spezifischen Kundenanwendungen. Die Validierungseinheit verbessert die digitalen Zwillinge durch den Vergleich von Sollwert und Istwert. So besitzt das System die Fähigkeit, spezifische Kundenmuster zu simulieren und sich aus den daraus resultierenden Kenntnissen zu verbessern.

Gemäß der Merkmalskombination nach Anspruch 1 ist die Innovationsanalyse von besonderer Bedeutung. Ziel der Innovationsanalyse ist die Verbesserung des Wirkungsgrads, der Laufperformance und eine Reduktion von Materialkosten durch Wissen aus der Kundenanwendung. Digitale Abbilder im realen Kundenbe- trieb werden gesammelt. Durch Mustererkennung, gegebenenfalls unter Nutzung von Kl (Kl = Künstliche Intelligenz, maschinelles Lernen), werden die charakteristischen Eigenschaften des Kundenbetriebs herausgefiltert und erkannt. Anhand der charakteristischen Eigenschaften aus dem Kundenbetrieb wird ein Kundenmodell erstellt. Mittels künstlicher Intelligenz erfolgt eine Analyse des Modells in Bezug auf Schwächen.

Ein Beispiel für eine solche Schwäche ist der Betrieb des Ventilators in einem Be- reich, in dem die Entwärmung nicht optimal ist. Im Vergleich zu Katalog- messungen ist der Wirkungsgrad abgesunken. Nach Erkennung solcher Schwächen liegt das Optimierungsziel in der Steigerung des Wirkungsgrads im Kundenarbeitspunkt. Der Optimierer verwendet das Detailmodell des Ventilators und das Kundenmustermodell zur Optimierung. Das Ergebnis der Optimierung kann beispielsweise eine Wicklungsanpassung und/oder eine Geometriean- passung zur verbesserten Entwärmung des Ventilators sein. Figur 15 zeigt einen Workflow, der autonom in der/einer Cloud stattfindet.

Figur 16 bezieht sich auf die Algorithmenanalyse in der Cloud.

Ziel der intelligenten Algorithmen ist die Verbesserung und Neuentwicklung von Algorithmen zur Klassifikation und Prognose eines Ventilatorausfalls. Digitale Ab- bilder werden im realen Kundenbetrieb gesammelt. Die künstliche Intelligenz er- stellt aus den gesammelten Daten ein Muster und erkennt spezifische Ver- änderungen in dem Muster über die Historie bis hin zum Fehlerfall. Anhand der Veränderungen der Muster kann ein Fehlerfall klassifiziert und eine Prognose des Ausfalls erstellt werden. Diese wird in einen Algorithmus umgesetzt, regelmäßig basierend auf neuronalen Netzen bzw. selbstlernenden Systemen. Der Algorith mus wird nach Verbesserung oder Neuerstellung in den Kundenbetrieb über- tragen, wobei die Verbesserung zyklisch bzw. periodisch erfolgen kann. Der Work- flow findet automatisiert in der Cloud entsprechend der Darstellung in Figur 16 statt.

Schließlich sei ausdrücklich darauf hingewiesen, dass die voranstehend be- schriebenen Ausführungsbeispiele lediglich zur Erörterung der beanspruchten Lehre dienen, diese jedoch nicht auf die Ausführungsbeispiele einschränkt.