202214353 Auslandsfassung 1 Beschreibung Verfahren zur Überwachung einer elektrischen Maschine Die Erfindung betrifft ein Verfahren zur Überwachung einer elektrischen Maschine. Eine elektrische Maschine ist bei- spielsweise eine dynamoelektrische Maschine, wie z.B. ein Mo- tor oder ein Generator. Eine elektrische Maschine ist bei- spielsweise ein Antrieb, welcher einen Stromrichter und eine dynamoelektrische Maschine, wie insbesondere ein Motor auf- weist. Auch der Stromrichter selbst kann als elektrische Ma- schine bezeichnet werden. Elektrisch angetriebene Maschinen wie Pumpen, Lüfter bzw. Kompressoren können auch als elektri- sche Maschinen bezeichnet werden. Die Erfindung betrifft ins- besondere ein Verfahren zur automatisierten Erkennung von Drehzahlregelabweichungen bei Antriebsumrichtern, welche auch unter die Stromrichter zu subsumieren sind, für Standardan- wendungen wie bei Pumpen, Lüfter bzw. Kompressoren. Die elektrische Maschine wird insbesondere mittels einer Re- gelung geregelt. Zwischen den Kenngrößen Solldrehzahl und be- zogene Motordrehzahl besteht ein deterministischer Zusammen- hang. In vielen Fällen stimmen die beiden Größen im Normal- fall überein. Allerdings beeinflussen zusätzliche Parameter, wie eine minimale Drehzahl oder die Vermeidung von kritischen Drehzahlen, die Beziehung der Kenngrößen. Dadurch ist keine allgemeingültige Regel gegeben und es ergeben sich maschinen- spezifische Unterschiede. Insbesondere bei Erreichen der Drehmomentgrenzen kann es z.B. vorkommen, dass die Solldreh- zahl nicht erreicht wird. Derartige Zustände, Ereignisse bzw. Entwicklungen sind zu erkennen bzw. zu überwachen. Die Soll- drehzahlen und Istdrehzahlen der elektrischen Maschine können über längere Zeiträume manuell durch Experten überwacht wer- den. Eine Betrachtung einer Zeitreihe, z.B. in unregelmäßigen Zeitintervallen, dient insbesondere zur Einordnung des aktu- ellen Gesundheitszustands der elektrischen Maschine. So kann die elektrische Maschine und/oder die Anwendung der elektri- schen Maschine überwacht werden. 202214353 Auslandsfassung 2 Eine Aufgabe der Erfindung ist es, eine Überwachung einer elektrischen Maschine zu verbessern. Eine Lösung der Aufgabe ergibt sich nach einem Verfahren ge- mäß Anspruch 1. Eine weitere Lösung der Aufgabe ergibt sich beispielsweise gemäß einem der Ansprüche 2 bis 7. Bei einem Verfahren zur Überwachung einer elektrischen Ma- schine, wobei die Überwachung insbesondere für wiederkehrende Betriebszustände der elektrischen Maschine erfolgt, werden zur Überwachung drehzahlbezogene Daten verwendet, wobei an- hand von Trainingsdaten ein lineares Regressionsmodell ange- lernt wird, wobei eine Gesamtfehlersumme berechnet wird, wo- bei bei Überschreiten eines Grenzwertes durch die Gesamtfeh- lersumme ein Fehler erkannt wird und/oder eine Klassifizie- rung erfolgt und/oder ein neues Modell angelernt wird. Insbe- sondere erfolgt eine Klassifizierung. Die Klassifizierung weist insbesondere zwei Zustände auf, wie z.B. den Zustand normal und den Zustand anormal. Weist die Klassifizierung über eine vorgegebene bzw. vorgebbare Zeit stets den Zustand anormal auf, so wird ein neues Modell angelernt. Überschrei- tet also z.B. die ermittelte Gesamtfehlersumme den Grenzwert, so wird ein anormales Verhalten erkannt. Es erfolgt also eine Klassifizierung als anormal. Wird der Grenzwert nicht über- schritten, so erfolgt eine Klassifizierung als normal. Ist die Klassifizierung für einen längeren Zeitraum anormal, so wird ein neues Modell angelernt. Ein neues Modell wird also angelernt, wenn der Fehler bzw. wenn die Gesamtfehlersumme dauerhaft ansteht, also die Gesamtfehlersumme dauerhaft über- schritten ist. Die Dauer, bei der ein dauerhaftes Überschrei- ten vorliegt, ist insbesondere einstellbar. Das neue Modell basiert insbesondere wiederum auf einem linearen Regressions- modell. Der Grenzwert, welcher für die Gesamtfehlersumme ver- wendet wird, ist insbesondere einstellbar. Die Dauer kann beispielsweise Sekunden, Minuten oder Stunden betreffen und ist insbesondere durch einen Nutzer einstellbar. Die einge- stellte bzw. verwendete Dauer hängt insbesondere vom Anwen- dungsfall ab. Der Grenzwert kann insbesondere auch von einem 202214353 Auslandsfassung 3 Nutzer angepasst werden. So kann das Verfahren beispielsweise für spezielle Maschinen angepasst werden. So können insbeson- dere abnormale Betriebszustände von Maschinen mittels eines allgemeinen Ansatzes zur Überwachung erkannt werden. Durch die Verwendung einer Gesamtfehlersumme und deren Überwachung mittels eines Grenzwertes ist es möglich die Überwachung ei- ner Maschine immer wieder anzupassen, also wiederkehrend zu adaptieren, also insbesondere auch dann, wenn sich Rahmenbe- dingungen ändern sollten. Daraus kann sich insbesondere eine Endlosschleife von wiederkehrenden Adaptionen für die Überwa- chung ergeben. Durch die Verwendung des linearen Regressions- modells im Zusammenspiel mit der Bildung einer Gesamtfehler- summe kann verlässlich eine automatisierte Erkennung eines Fehlverhaltens des Algorithmus erzielt werden. In einer Ausgestaltung des Verfahrens wird für irrelevante Zeitpunkte der Fehler, welche zur Aufsummierung verwendet wird, auf null gesetzt. In einer Ausgestaltung des Verfahrens wird bei der Berechnung der Gesamtfehlersumme eine Gewichtung verwendet. Die Gewich- tung betrifft insbesondere einen Vergessensfaktor. Der Ver- gessensfaktor gewichtet Fehler nach deren Alter. Je älter ein Fehler ist, desto weniger wird dieser gewichtet. So werden zurückliegende Fehler nicht dauerhaft weitergetragen. Bei einem Verfahren zur Überwachung einer elektrischen Ma- schine, erfolgt die Überwachung für wiederkehrende Betriebs- zustände der dynamoelektrischen Maschine, wobei eine Überwa- chung von realen Daten einer Regelung der dynamoelektrischen Maschine mit erwarteten Daten erfolgt, wobei Abweichungen der realen Daten und der erwarteten Daten abhängig von der Zeit kumuliert werden, wobei mittels der Abweichungen eine Klassi- fizierung des Verhaltens der Regelung durchgeführt wird, wo- bei die Klassifizierung der Regelung über die Zeit überwacht wird, wobei abhängig von der Überwachung der Klassifizierung die erwarteten Daten verändert werden. 202214353 Auslandsfassung 4 Wiederkehrende Betriebszustände sind beispielsweise das An- fahren oder Abbremsen eines Motors. Ein wiederkehrender Be- triebszustand kann auch ein Betriebszustand einer Anlage sein oder von diesem Betriebszustand der Anlage abhängen, wobei sich die elektrische Maschine in der Anlage befindet. Die zur Überwachung verwendeten Daten sind insbesondere Dreh- zahldaten, welche auch als Kenngrößen bezeichnet werden kön- nen. Beispielsweise besteht bei einem Motor zwischen den Kenngrößen Solldrehzahl und bezogene Motordrehzahl ein deter- ministischer Zusammenhang. In vielen Fällen stimmen die bei- den Größen im Normalfall überein. Allerdings beeinflussen zu- sätzliche Parameter, wie eine minimale Drehzahl oder die Ver- meidung von kritischen Drehzahlen, die Beziehung der Kenngrö- ßen. Dadurch ist keine allgemeingültige Regel gegeben und es ergeben sich maschinenspezifische Unterschiede. Insbesondere bei Erreichen der Drehmomentgrenzen kann es vorkommen, dass die Solldrehzahl nicht erreicht wird. Bisher müssen die Soll-/ bzw. Istdrehzahlen über lange Zeit- räume manuell durch Experten überwacht werden. Eine Betrach- tung der Zeitreihe in unregelmäßigen Zeitintervallen diente zur Einordnung des aktuellen Gesundheitszustands. Diese Be- wertung setzt aber ein Expertenwissen voraus, da in vielen Betriebszuständen eine Abweichung der Signale voneinander nicht relevant ist. Dies ist bedingt z.B. durch An- und Ab- fahren des Motors, Lastwechsel, prozessuale Drehzahlsollwer- teänderungen usw.. Auch Parametereinstellung des Umrichters, wie eine minimale Drehzahl oder die Vermeidung kritischer Drehzahlen, sind Einflussfaktoren, die die bezogene Motor- drehzahl beeinflussen. Zum jetzigen Zeitpunkt werden diese Parameter manuell ausgelesen und vom Experten zur Bewertung hinzugezogen. Durch das beschriebene Verfahren kann ein der- artiges Problem gelöst werden. Dies gelingt insbesondere durch einen automatisierten Vergleich der Kenngrößen bzw. ei- ne Klassifizierung in normales oder anormales Verhalten. Eine automatische Datenvorverarbeitung und ein datengetriebener Ansatz ermöglicht die Bestimmung des zu erwartenden Normalzu- 202214353 Auslandsfassung 5 standes und kann verwendet werden, um Anomalien innerhalb kurzer Zeit automatisch zu bestimmen. Auch eine Änderung (z.B. Prozessparameter) wird anhand der Daten automatisiert erkannt. Der Fehlerstatus wird entsprechend angepasst. So wird ein kontinuierlicher Vergleich, insbesondere der Soll- /Istmotordrehzahl, unter automatisierter Berücksichtigung des Betriebszustandes und den maschinenspezifischen Abhängigkei- ten ermöglicht. Eine darauf bauende Anomalieerkennung ver- vollständigt das Gesamtsystem zur Überwachung der Kenngrößen. Bei der Überwachung werden als Daten insbesondere drehzahlbe- zogene Daten verwendet. Erwartete Daten sind insbesondere Daten, welche von einem Mo- dell generiert werden. Mittels des Modells ist zumindest ein Teil der elektrischen Maschine modellierbar. Die elektrische Maschine kann als zumindest teilweise oder ganz simuliert, also modelliert werden. Insbesondere wird eine Regelung der elektrischen Maschine modelliert, so dass ein Verhalten der elektrischen Maschine ganz oder teilweise simuliert werden kann. Dabei werden insbesondere Istwerte der elektrischen Ma- schine simuliert. Dies ist z.B. eine Drehzahl, ein Moment, eine Temperatur und/oder davon abhängige Werte (Daten), etc.. Werte ergeben sich insbesondere aus Signalen der elektrischen Maschine. Signale werden insbesondere durch Sensoren erzeugt. So kann eine elektrische Maschine überwacht werden. So kann es ermöglicht werden, eine Überwachung insbesondere einer drehzahlgeregelten elektrischen Maschine zu automatisieren. Die Überwachung erfolgt insbesondere für bzw. bei nicht dyna- mischen Anwendungen der elektrischen Maschine. Ein Beispiel für die Verwendung der beschriebenen Überwachung bei einer nicht dynamischen Anwendung, ist eine Anwendung, bei welcher eine Solldrehzahl bzw. eine Istdrehzahl der elektrischen Ma- schine konstant ist. Das Verfahren zur Überwachung erfolgt insbesondere unter Be- rücksichtigung zumindest einer der nachfolgenden Randbedin- gungen bzw. Kriterien: 202214353 Auslandsfassung 6 ^ Erkennen von prozessbedingten Drehzahländerungen und Un- terscheidung zu einem Fehlverhalten (Adaption der Feh- lererkennung an normale prozessuale Änderungen), ^ Erkennen von regelsystembedingten Drehzahländerungen und Unterscheidung zu einem Fehlverhalten und/oder ^ Erkennen von parameterbedingten Drehzahländerungen und Unterscheidung zu einem Fehlverhalten. Dies kann erreicht werden, durch eine systematische Adaption der Erkennung, ohne das aktive Wissen der oben genannten Än- derungen. Diese Kriterien können sonst nur in aufwendigen manuellen Da- tenaggregationen gefiltert werden, um eine Erkennung der feh- ler-haften Regelung zu erreichen. Die automatisch dynamische Adaption des Erkennungsalgorithmus an veränderte Randbedin- gungen ohne Anpassung von Parametern oder lange Lernphasen, unter Berücksichtigung eines generischen Ansatzes (wie hier beschrieben) und mithilfe eines numerischen Modelles der elektrischen Maschine, also insbesondere des Motors, des Um- richters und/oder der Lastmaschine, ist ein Beispiel für eine Grundlage zur beschriebenen Fehlererkennung. Die Überwachung der elektrischen Maschine kann auch eine Be- wertung der elektrischen Maschine betreffen bzw. diese ein- schließen. Durch eine derartige Bewertung kann Expertenwissen ersetzt werden. Es können Betriebszustände berücksichtigt werden. In manchen Betriebszuständen kann eine Abweichung der Werte bzw. Signale (Daten) voneinander, also insbesondere die Abweichung eines Istwertes von einem Sollwert, nicht relevant ist. Dies ist bedingt z.B. durch ein An- und Abfahren des Mo- tors, einen Lastwechsel, eine prozessuale Drehzahlsollwerte- änderungen usw.. Auch Parametereinstellung des Umrichters, wie eine minimale Drehzahl oder die Vermeidung kritischer Drehzahlen, sind z.B. Einflussfaktoren, die die bezogene Mo- tordrehzahl beeinflussen. Diese Parameter können entweder ma- nuell ausgelesen und von einem Experten zur Bewertung hinzu- gezogen werden oder automatisiert in die Überwachung inte- 202214353 Auslandsfassung 7 griert werden. Eine weitere Option ist das Setzen von stati- schen Grenzwerten, was für den Zustand „in Drehmomentgrenze“ eine Alarmmeldung bewirken kann. Dadurch lässt sich der Zu- stand der Drehmomentgrenze überwachen und zusätzlich kann au- tomatisiert ein Vergleich der Kenngrößen erfolgen. So ist ei- ne manuelle visuelle Betrachtung nicht mehr notwendig. So ist beispielsweise auch ein spezifisches Expertenwissen nicht mehr notwendig, welches eine zeitaufwendige tiefe Datenaggre- gation voraussetzen könnte. Eine Analyse ist mit hohem perso- nellem Aufwand verbunden. Durch die automatisierte Überwa- chung auch über sehr lange Zeiträume des Betriebs der elektrischen Maschine müssen diese nicht mehr manuell beo- bachtet werden. Im Betrieb der elektrischen Maschine werden bei deren Überwachung über längere Zeiträume Daten überwacht, wobei dies insbesondere unter Berücksichtigung von Aus- schlusskriterien bzw. Events erfolgt. bewertet werden. Aus- schlusskriterien bzw. Events ergeben sich insbesondere aus Betriebszuständen und werden insbesondere automatisch mitbe- rücksichtigt. In einer Ausgestaltung des Verfahrens sind die Daten eine Drehzahl und/oder ein Moment der elektrischen Maschine bzw. betreffen diese. In einer Ausgestaltung des Verfahrens betrifft die Kumulie- rung über die Zeit Minuten, Stunden, Tage und/oder Monate. So ergeben sich längere Zeiträume der Datenüberwachung. Diese Zeiträume unterscheiden sich von kurzen Zeiträumen wie bei- spielsweise von Zeiten, die bei einer Regelung auftreten. Regler arbeiten bei elektrischen Maschinen häufig in kurzen Zeiträumen wie Sekunden oder Millisekunden. In einer Ausgestaltung des Verfahrens wird zur Generierung der erwarteten Daten ein Modell verwendet, welches die elekt- rische Maschine betrifft. Das Modell kann beispielsweise auch die Regelung der elektrischen Maschine und die elektrische Maschine ganz oder teilweise betreffen. 202214353 Auslandsfassung 8 In einer Ausgestaltung des Verfahrens wird abhängig von der Klassifizierung ein neues Modell erzeugt. Bei der Klassifi- zierung bzw. durch diese, wird also beispielsweise erkannt, ob das Modell noch korrekt ist. Wenn es noch korrekt ist, wird es weiterverwendet. Wenn es nicht mehr korrekt ist, wird eine neues Modell erzeugt. Dies geschieht insbesondere durch ein neues Trainieren des Modells, bzw. das Erzeugen eines neuen Modells und dessen Trainieren. In einer Ausgestaltung des Verfahrens wird das Modell und/oder das neue Modell trainiert. Damit sind nach dem Trai- nieren das Modell bzw. das neue Modell trainiert. So kann ein Modell an eine bestimmte Umgebungssituation für die elektri- schen Maschine angepasst werden. Durch zumindest eines der beschriebenen Verfahren ist insbe- sondere ein Langzeitvergleich einer angeforderten und bezoge- nen Motordrehzahl möglich. Es erfolgt insbesondere ein auto- matisierter Vergleich, z.B. der Kenngrößen, und eine Klassi- fizierung in normales oder anormales Verhalten. Eine automatische Datenvorverarbeitung und ein datengetriebe- ner Ansatz ermöglicht die Bestimmung des zu erwartenden Nor- malzustandes und kann verwendet werden, um Anomalien inner- halb kurzer Zeit automatisch zu bestimmen. Auch eine Änderung von Randbedingungen (z.B. Prozessparameter) kann anhand der Daten automatisiert erkannt werden. Ein Fehlerstatus wird beispielsweise entsprechend angepasst. Gemäß dem Verfahren ist ein kontinuierlicher Vergleich z.B. der Soll-/Istmotordrehzahl ermöglicht, und zwar unter automa- tisierter Berücksichtigung des Betriebszustandes und/oder den maschinenspezifischen Abhängigkeiten. Die darauf bauende Ano- malieerkennung vervollständigt das Gesamtsystem zur Überwa- chung der Kenngrößen. In einer Ausgestaltung des Verfahrens wird eine automatische Datenvorbereitung durchgeführt. Die automatisierte Datenvor- 202214353 Auslandsfassung 9 verarbeitung dient insbesondere zur Erhöhung der Treffsicher- heit. Es reduziert die Anzahl an fehlerhaft erkannten Anoma- lien. Voneinander abweichende Kenngrößen lassen nicht immer auf echte Probleme schließen, sondern tauchen aufgrund von Messungenauigkeiten oder unwesentlichen Betriebszuständen auf: ^ Signal glätten: Die Soll/Ist-Signale werden mittels rol- lenden Medians geglättet: ^^^ ^^^ ൌ ^^ ^^ ^^ ^^ ^^ ^^^^ ^^ _௧ିଶ , ^^ _௧ି^ , ^^ _௧ , ^^ _௧ା^ , ^^ _௧ାଶ ^^ ^ Vorzeichen betrachten: Das Vorzeichen der bezogenen Motor- drehzahl wird dem der geforderten Drehzahl angepasst: ^^ ^^ ^^ ^^ ^^ ^^ ൌ ^^ ^^ ^^ ^^ ^^ ^^ ∗ ^^ ^^ ^^ ^^^ ^^ ^^ ^^ ^^ ^^ ^^^ ^ Relevanz bestimmen: Als weiterer Schritt wird die Rele- vanz eines Zeitstempels ^^ bestimmt. Als irrelevant gelten Messwerte, die bestimmte Zeiträume vom nächsten Aus- Zustand entfernt liegen. Zeiträume, in denen die Maschine nicht läuft (inkl. z.B. Anfahr- Abfahrzeiten), werden nicht in die Betrachtung hinzugezogen. Auch gelten Zeit- punkte, in denen die bezogene Drehzahl unterhalb der im Umrichter festgelegten, minimalen Grenze liegt, als irre- levant: Diese Schritte werden automatisiert durchgeführt, sodass sich ein Experte direkt auf die wesentlichen Ereignisse konzent- rieren kann und nicht durch Falschmeldungen getäuscht wird. Das Einbeziehen der zusätzlichen Messwerte zieht den Kontext, welcher den Betriebszustand und eine geforderte Drehzahl be- trifft, in Betracht und ermöglicht einen automatisierten Ver- gleich der relevanten Zeitpunkte. In einer Ausgestaltung des Verfahrens wird eine automatische Trainingsphase durchgeführt. In der automatischen Trainings- phase werden die gesammelten Maschinendaten verwendet, um ein Referenzmodell anzulernen, welches die normale Beziehung zwi- schen angeforderter (SpdDmd) und bezogener (SpdRef) Motor- drehzahl beschreibt. 202214353 Auslandsfassung 10 ^ Zur Bestimmung der Beziehung zwischen den Kenngrößen werden die Daten ^^ der jeweiligen Maschine verwendet. Die im Schritt 1 markierten irrelevanten Messpunkte werden hierbei gefiltert und ignoriert: ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ൌ ^ ^^ | ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^^ ^ Anhand der Trainingsdaten wird ein lineares Regressions- modell angelernt, welches die Beziehung beschreibt: ^^ ^^ ^^ ^^ ^^ ^^‘ ൌ ^^ ∗ ^^ ^^ ^^ ^^ ^^ ^^ ^ ^^ In einer Ausgestaltung des Verfahrens wird eine automatisier- te Erkennung bzw. Klassifizierung durchgeführt. Dies ge- schieht insbesondere in einer Anwendungsphase der Überwa- chung. In der Anwendung wird das im obigen Schritt gelernte Modell auf neue Daten angewandt und eine Gesamtfehlersumme berech- net. Das Referenzmodell liefert für eine angeforderte Dreh- zahl die normal zu erwartende bezogene Motordrehzahl. Diese wird mit dem tatsächlichen Wert verglichen, was zum Fehler führt: ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ൌ | ^^ ^^ ^^ ^^ ^^ ^^^ ^^^– ^^ ^^ ^^ ^^ ^^ ^^‘^ ^^^| ^ Für irrelevante Zeitpunkte aus Schritt 1 wird der Fehler auf 0 gesetzt: ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ൌ 0 ,∀ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^^ ^ Zur Klassifizierung eines Zeitstempels in normal oder anormal wird der Fehler zu einer Gesamtfehlersumme ∑ ad- diert. Größere Abweichungen fallen stärker ins Gewicht, da die Fehlersumme bei stärkeren Abweichungen schneller an- wächst. Durch einen Vergessensfaktor ( ^^ <1) nimmt die Ge- samtfehlersumme im Laufe der Zeit wieder ab und zurücklie- gende Fehler werden nicht dauerhaft weitergetragen: ∑^ ^^^ ൌ ^^ ∗ ∑^ ^^ െ 1^ ^ ^^ ^^ℎ ^^ ^^ ^^^ ^^^ ^ Überschreitet die Fehlersumme einen einstellbaren Grenz- wert, wird der Zeitpunkt als anormal klassifiziert: ^ Die Fehlersumme wird auf ein Maximum ^^ begrenz, wodurch eine Korrektur zeitnah festgestellt wird. Durch den Verges- 202214353 Auslandsfassung 11 sensfaktor reduziert sich die Fehlersumme bei Normalbetrieb, und nach ausreichend normalen Messwerten wird der Status au- tomatisch auf normal gesetzt. ∑^ ^^^ ൌ ^^ ^^ ^^^^∑^ ^^^, ^^ ^^ Mittels eines der beschriebenen Verfahren ist z.B. ein auto- matisierter Vergleich von angeforderter und bezogener Motor- drehzahl ohne jeglichen manuellen Aufwand möglich. Dies wird ermöglicht durch ein datenbasiertes Antrainieren des Normal- zustandes und dem daraus resultierenden Fehler für neue Da- tenpunkte. In Verbindung mit der Datenvorbereitung und der Betrachtung der Gesamtfehlersumme können die wirklichen Ano- malien erkannt werden, während irrelevante Ausreißer igno- riert werden. Ein weiterer Vorteil ist es, dass die Übergänge zwischen Trainings- und Anwendungsphase absolut automatisiert erfolgen können. Es wird so lange trainiert, bis die Modelpa- rameter konvergieren, wodurch keine manuelle Vorauswahl an Gut/Schlechtdaten nötig ist. Während der Anwendung wird ins- besondere dauerhaft überprüft, ob das Referenzmodell noch ak- tuell ist und automatisiert ein neuer Trainingsvorgang ange- stoßen. Die erwartete Beziehung der Signale wird anhand von Maschinendaten trainiert, wodurch die detaillierte Betrach- tung der Umrichterparameter wegfällt. Ein aufwendig erstell- tes Expertenmodell wird durch ein einfaches Datenmodell er- setzt. Das heißt, einfache Skalierbarkeit und Anwendbarkeit auf beliebige Assets, also auf unterschiedlichen elektrischen Maschinen. Die Merkmale der einzelnen beanspruchten bzw. beschriebenen Gegenstände und Verfahren sind ohne Weiteres miteinander kom- binierbar. Im Folgenden wird die Erfindung beispielhaft an- hand von Figuren näher dargestellt und erläutert. Die in den Figuren gezeigten Merkmale können fachmännisch zu neuen Aus- führungsformen kombiniert werden, ohne die Erfindung zu ver- lassen. Es zeigen: FIG 1 den Einsatz von Modellen und FIG 2 Trainingsphasen und Anwendungsphasen. 202214353 Auslandsfassung 12 Die Darstellung nach Figur 1 zeigt den Einsatz von Modellen, insbesondere das Zusammenspiel automatisierter Trainings- und Anwendungsphasen. Die Darstellung nach Figur 2 zeigt Trainingsphasen und Anwen- dungsphasen zusammen mit einer Übergangszeit über einen Zeit- strahl 7. Über diesen Zeitstrahl ist das Training 1, 1´ und die Anwendung des Referenzmodells (RM) im Zeitstrahl 7 ge- zeigt. Nach einer Phase des Trainings 1` des Referenzmodells (Modells) ist dieses fertig und kommt zur Anwendung in der Anwendungsphase 2. Die Anwendungsphase 2 weist normale Phasen 6, 6´, 6´´ auf, welche unauffällig sind und Phasen auf, wel- che nicht normal sind, also eine Anomalie darstellen. Dies Phasen mit der Anomalie sind die Anomaliephasen 5, 5´, 5´´. Durch zumindest eine der Anomaliephasen kann erkannt werden, dass das Modell (RM) veraltet ist. Damit ergibt sich einer Übergangszeit 8, in welcher das Modell veraltet ist. Danach erfolgt ein neues Training 1´, mit einer anschließenden An- wendung 2´des Modells mit einer neuen ersten normalen Phase 6 in der Anwendung 2´. Die Darstellung nach Figur 1 zeigt hierzu die Abfolge in ei- nem Blockdiagramm. Es wird insbesondere eine Menge an Maschi- nendaten verwendet, um ein Referenzmodell (Modell), welches einen Normalzustand beschreibt, in einer Trainingsphase 1 an- zutrainieren. Hierzu werden die vorverarbeiteten, relevanten Daten verwendet. Das Training erfolgt so lange bis es fertig ist. Hierzu wird das Modell iterativ, bzw. in einer Schleife, abgefragt 3 und eine Antwort 4,5 ermittelt. Wenn das Modell fertig ist, folgt eine Anwendungsphase 2. Dabei wird itera- tiv, bzw. in einer Schleife, abgefragt, ob das Modell alt, also veraltet ist. Hieraus ergeben sich die Antworten 4´ für ja und 5´für nein, welche in die entsprechende nachfolgende Schleife führen. Die Antwort, ob ein veraltetes Modell vor- liegt, ergibt sich aus einer Auswertung der erkannten Anoma- lien. Im laufenden Betrieb wird also das trainierte Modell in der Anwendungsphase 2 verwendet, um die Zeitpunkte in normal oder anormal zu klassifizieren. Dazu wird z.B. ein aus dem 202214353 Auslandsfassung 13 Referenzmodell resultierende Fehler zu einer Gesamtfehlersum- me hinzuaddiert und anhand eines festen Grenzwertes bewertet. Der aktuelle Zeitstempel wird als normal oder anormal klassi- fiziert. Das Zusammenspiel der beiden Phasen verdeutlichen die Darstellungen nach Figur 1 und Figur 2. Liegen Daten, insbesondere aus der Vergangenheit, vor kann eine Trainings- phase beginnen. Sobald das Referenzmodell konvergiert, d.h. sobald sich die Modelparameter nicht mehr signifikant verän- dern, gilt es als fertig trainiert und kann für neue Daten- punkte in der Anwendungsphase verwendet werden. Innerhalb der Anwendungsphase werden die Zeitpunkte in normal bzw. anormal klassifiziert. Somit werden ungewöhnliche Zustände erkannt und einem Anwender gemeldet. Hält der ungewöhnliche Zustand an, kann von einer grundlegenden System- oder Betriebsände- rung ausgegangen werden. Der ursprünglich trainierte „Normal- zustand“ deckt die Realität nicht mehr ab und muss neu ange- lernt werden. Eine Übergangzeit (z.B. eine Woche oder ein Mo- nat) stellt sicher, dass die Veränderung als Anomalie sicht- bar gemacht wird. Auf Basis des beschriebenen Verfahrens kann darauf reagiert werden. Als Reaktion kann das Referenzmodell selbständig, also automatisiert, erneuert werden, woraufhin ein neuer Normalzustand definiert wird.