用于监控风扇运行的方法与流程

用于监控风扇运行的方法、设备和风扇
1.本发明涉及一种用于监控风扇运行的方法
、
一种用于监控风扇运行的设备以及一种包括这种设备的风扇
。
2.用于监控所述类型风扇运行的方法和装置在实践中已经公知多年
。
例如，对旋转机器执行振动分析
(
例如使用加速度传感器或类似的振动传感器技术
)
以供早期损坏检测是已知的
。
此外，标识过程中某些损坏等级也是已知的
。
这些是旋转机器的旋转频率的某些倍数
。
与振动分析的频谱的其余部分相比，在某一损坏等级范围内的显著振幅指示机械机器运行中的某一异常，例如轴承损坏
。
某些损坏等级-以及相关联的轴承损坏频率-可以被分配给个体轴承组件，诸如相应滚动轴承的外圈
、
内圈
、
滚动元件或保持架
。
如果在振动分析期间检测到频谱中有明显的振幅，则会定期触发自动紧急停机
。
在最好的情况下，所收集的数据随后可以被用于修理或替换风扇的引起异常的故障组件，而不会引起致命的事件，例如会引起高昂的经济损失和
/
或通过间接损失对人和环境造成风险的系统故障
。
尽管导致了在异常检测的情况下的停机时间，但这延长了风扇的整体寿命
。
3.因此，本发明的目的是设计并进一步开发一种方法和装置，用于监控上述类型的风扇的运行，使得在风扇的使用寿命期间可以进一步优化运行，并且可以减少不必要的停机时间
。
此外，将说明具有相应设计的设备的经改进的风扇
。
4.根据本发明，上述目标是通过权利要求1的特征来解决的
。
此后，所讨论的用于监控风扇运行的方法包括以下步骤：
5.通过检测在至少一个时间段内的至少一个输入信号来执行至少一个测量，
6.基于测得的输入信号计算实际状态的特征值，
7.将计算出的至少一个实际状态的特征值与限值进行比较，
8.基于比较将实际状态分类为无异常的正常状态或一般异常状态，以及
9.监控是否存在至少一个特定的异常状态
。
10.根据本发明，首先认识到，即使检测到异常状态，也不一定需要立即干预
。
即使个体特征值在风扇的服务寿命过程中以这样的方式发生变化：在某一点处它们超出了由限值所限定的许可的值范围，这并不一定意味着即将发生损坏事件，并且必须立即避免
。
这减少了不必要的紧急停机和停机时间，并进一步优化了风扇使用寿命期间的运行
。
11.除了避免不必要的停机时间之外，也使监控变得可能，尤其是当风扇处于静止和
/
或断电状态时
。
因此，要监控的操作包括风扇在产品寿命期间的整个使用过程以及停机期间
。
这不仅从财务角度来看延长了运行时间，而且从被动观看的角度来看还提供了对系统的实时监控
。
这可以与主动动作意义上的动作建议相关联，主动动作例如可以触发自动控制动作或在用户处指定
。
这也降低了由于系统故障而可能发生的应用程序风险
。
12.在每种情况下，在一段时间内对至少一个输入信号的采集可以连续发生或者在规定的时间点发生
。
传感器可以记录至少一个时间段内的时间数据
。
在加速度传感器的示例中，数据可以是一个
、
两个或三个空间轴上的旋转速率和
/
或加速度
。
空间轴可以定义为固定轴或圆周轴
。
加速度传感器可以被分配给风扇的旋转部件或静止部件
。
13.可以通过风扇的计算单元
(
具体而言是驱动风扇的电机
)
来评估测量以供计算特
征值
。
优选地，电机是电动马达，具体地，是被设计为外转子电机的无刷
dc
电机-ec
电机
(
电子换向电机
)。
14.根据另一实施例，与在特定时间或与事件相关联的测量相关的数据可以经由定义的接口
(i2c
，
modbus
，
can
，
wifi
，
...)
被传送给其他终端以供进一步的信号处理和
/
或信号利用和
/
或信号存储
。
分配给特定时间点的所选测量的备份可以存储在设备本身的内部存储器或外部存储器中
。
该数据可以用于投诉目的，例如，在这种情况下，服务员工可以优选地访问存储器
。
特征数据
、
比较数据
、
关于实际状态分类的数据和
/
或与监控相关的其他数据也可以被传输到其他终端，以供进一步的信号处理和
/
或信号利用
。
通过这种方式，还可以通过例如在智能手机或平板电脑上的
app
来监控风扇的运行
。
此外，数据可以被可视地处理并在外部屏幕
/
显示器上显示给操作者
。
15.根据一个或多个测量，可以计算代表当前实际状态的特征值
。
如果输入信号是加速度或声压数据，则例如频谱的振幅可以被确定为特征值
。
特别是当诊断出滚动轴承中的异常时，特征值具体包括轴承损坏频率，其一方面取决于速度和负载，另一方面取决于滚动轴承的几何形状
。
特征值可以取决于例如应用场景，即取决于特定的使用情况
/
应用领域
/
设备，但也取决于相应的环境条件
/
环境影响
。
特征值可以进一步取决于例如所施加的转子速度
/
转速和
/
或负载状态
。
轴承几何信息也可以包括在特征值计算中
。
16.比较所需的极限值可以在实验或数值研究中预先或实时确定，并限制特征值的最大允许范围
。
因此，对于每个输入信号和
/
或每个特征值，可以定义一个或多个上阈值和
/
或一个或多个下阈值，以便限制值的允许范围
。
对状态进行分类的分类器的自配置也是可能的
。
17.计算的特征值与极限值的比较允许分类为两种或多种状态
。
可以通过几次测量进行比较，以增加该方法对周围条件
/
环境影响的鲁棒性
。
在测量是检测到的加速度数据的情况下，这些干扰信号可能是外部激励，诸如由振动或移动物体
、
不同的位置因素或移动应用场景中
(
例如当风扇在飞机
、
火车
、
机动车辆或其他交通工具中运行时
)
的绝对或相对速度引起的激励
。
18.异常状态的检测可能由临时环境因素或周围条件错误地引起
。
因此，对于比较，也可以考虑每个时间段内所有限值偏差的数量，即在其中记录到高于上限阈值或低于下限阈值的特征值的比较的数量
。
此外，通过查看限值和特征值之间的相对和
/
或绝对差异，可以考虑限值偏差的强度
。
同样，可以考虑特征值随时间的变化率
。
例如，如果在一个或多个定义的时间段内出现强烈的波动或快速的变化
(
也称为高梯度
)
，则可以相应地对限值偏差进行加权，并在对实际状态进行分类时纳入考虑
。
19.如果诊断出风扇和
/
或
ec
电机和
/
或应用的正常运行，则实际状态可归类为无异常正常状态
。
这尤其包括自然磨损
。
通过将特征值与极限值进行比较，可以反复评估实际状态
。
20.如果诊断出风扇
、
其
ec
电机或应用程序的重大故障，实际状态可归类为一般异常状态
。
例如，这种状态可能是归因于增加的磨损
。
重大故障可以是例如轴承损坏
、
润滑剂污染
、
滚动轴承中的异物，或者例如由于轴承电流
、
不平衡
(
例如由于污染
、
叶片损坏
、
较小的材料故障
、
电子组件的缺陷或部分缺陷和
/
或其他不正常的影响
)
引起的滚动元件的腐蚀
。
然而，在这种情况下，系统的主要功能不一定受损
。
21.特征值可包括以下一项或多项：
22.一个或多个先前比较的结果，
23.风扇的转速，
24.一个
、
两个或三个空间轴上的加速度，固定的或圆周的，
25.至少一个温度，
26.声压，
27.扭矩，
28.压力，特别是工作压力或环境压力，
29.湿度值，
30.测得的力，和
/
或
31.虚拟值，例如通过软传感器
。
32.由一个或多个传感器在一个时间间隔内获取的所有数据的总和是测量的结果
。
该温度可以是环境温度
。
附加地或替代地，温度可以是风扇的工作温度，特别是特定组件
(
即一个或多个晶体管
、
电容器
、
热交换器
、
冷却剂
、
计算单元
、
电阻器
、
线圈
、
润滑剂
、
诸如轴承
、
轴
、
永磁体的机械组件
)
处的温度
。
33.优选地，可以根据一个或多个特征值来计算其他特征值
。
其他特征值可以是：
34.统计量，诸如最小值和最大值，
35.百分位值，
36.标准偏差，
37.平均值，
38.分类
/
评级量值，例如通过类似于能源效率等级的评分系统，和
/
或
39.组合，例如几个特征值的线性组合，具有相同或不同的加权因子
。
40.以这种方式，取决于应用场景，在一个或多个过去的测量中确定的输入信号的值可以以合适的方式被包括在个体特征值的计算中
。
41.一方面，上述变量的组合可以被定义和概括为个体的特征值，例如，在一个
、
两个或三个房间轴上的循环加速度，以及风扇的转速
、
温度和湿度值或其他合适的组合
。
42.另一方面，可以根据当前和先前的特征值生成新的特征值
。
如果关于风扇的当前实际状态或未来实际状态的结论似乎是可能的，这是特别有用的
。
例如，也可以形成计数器形式的特征值来对实际状态进行分类
。
为此，随着时间的推移，在计数器中将多个已定义的先前限值偏差作为特征值进行计数
。
计数器或者连续地
(
即，在所有过去测量的总和上
)
确定限值偏差，或者也针对定义的时间段内的测量确定限值偏差，换句话说，确定在定义的时间段内
(
例如针对最后
30
分钟的测量
)
的所有限值偏差的数量
。
43.设计为计数器的每个特征值的相应极限值或公差值可以是相对的
。
例如，如果在定义的时间段内或在所有测量中计数到
10
％的限值偏差，则设计为计数器的特征值可能位于容差值之外
。
起计数器作用的特征值也可以是绝对的
。
例如，如果在最后
50
次测量或所有测量中计数到
20
个限值偏差，则计数器可能超出容差范围
。
44.计数器可以另外考虑当前或先前的比较，其中各个特征值在极限值内并且没有检测到极限值偏差
。
然后，作为示例，计数器可以再次减少或递减计数
。
在下一个限值偏差时，计数器可以被增加，反之亦然
。
换句话说，计数器可以递增和
/
或递减
。
45.除了限值偏差或非限值偏差的频率之外，对于计数器的增加或减少，可以附加地或替代地考虑限值偏差的强度
。
例如，因子为2的特别强烈的限值偏差可以导致计数器增加值2，因子为
1.1
的不太强烈的限值偏差只会导致计数器增加值
1.1。
46.以这种方式计算的特征值然后可以与设计为公差值的极限值进行比较
。
因此，实际状态的分类不仅可以通过实际状态的电流输入信号的电流特征值与限值的直接比较来完成，还可以借助于计数器与容差值的比较来完成
。
换句话说，当前和先前的特征值和限值的间接比较可用于确定限值超过数的比率，该比率又可以是特征值
。
47.当考虑分配给实际状态的特征值和极限值之间的几次比较时，也可以考虑直接和间接比较的组合
。
例如，如果三个限值中的两个被相应的其他特征值超过，则形成为计数器的特征值可以增加值
2/3。
48.根据一个实施例，监控特定异常状态是否存在包括以下步骤：
49.基于测得的输入信号计算至少一个状态的特定特征值，
50.计算的特定特征值与特定限值的特定比较，
51.基于特定的比较来评估特定的异常状态是否存在
。
52.这种进一步的监测也可以连续进行，或者在规定的时间内以规定的采样率在规定的时间内进行
。
与针对特定异常状态是否存在的评估相关的特定特征值可以根据一个或多个测量来计算，优选地在电机的计算单元中计算
。
特定特征值可以不同于用于将实际状态分类为无异常的状态或一般异常状态的一般特征值，或者可以与这些一般特征值部分或完全相同
。
特定的特征值也可以取决于应用场景，即取决于特定的使用情况
/
应用领域
/
设备，但也取决于相应的周围条件
/
环境影响
。
特定特征值还可以取决于所施加的转子速度
/
转速和
/
或负载状态
。
轴承几何构造信息也可以被包括在特定特征值的计算中，例如被包括在监控可被指派给滚动轴承的特定异常状态中
。
关于评估特定异常状态是否存在或者特定异常状态是否因此不存在的变型和设计可能性，可以进一步参考将实际状态分类为无异常正常状态或者一般异常状态的所述变型和设计可能性
。
53.并不是所有的异常状态都是危急的
。
此外，并不是每种特定的异常状态都是严重的
。
临界异常状态是特定异常状态的极端情况
。
因此，与对动作的紧急的
、
即时的建议无关的异常状态是不严重的异常状态
。
但是，可以建议及时维护
。
另一方面，也可能存在增加的重大故障，并且需要紧急停机，因为致命事件即将发生
。
那么可以假设临界异常状态
。
54.当在风扇
、
其
ec
电机或应用场景中诊断出增加的重大故障时，可能存在严重异常
。
例如，这种状态可能是由于非常高的磨损
。
此外，它可能是明显的非正常行为，例如提前的轴承损坏
、
由于巨大污染导致的显著不平衡
、
叶片的严重损坏
、
提前的材料失效
、
电子组件的显著缺陷或部分缺陷，或者以其他方式增加的非正常影响
。
在这种情况下，通常需要及时的干预，因为系统行为是对系统而言关键的，并且对于应用场景
、
生物和
/
或环境可能是危险的
。
干预可以由系统自动执行，该系统可以是风扇的电机
、
其控制器或者信号处理外围设备，例如通过关闭电机，或者通过改变工作点，例如在强热负荷的情况下
。
然而，干预也可意味着人类行动
。
55.根据一个实施例，在将实际状态分类为一般异常状态之后，执行所述对特定异常状态是否存在的监控
。
例如，将当前实际状态分类为异常状态可以是用于监控当前实际状态是否是特定异常状态的条件
。
在这种情况下，一般
、
非特定异常状态或特定异常状态的存
在性的正确评估可能超过
95
％
。
优选地，在评估第一特定异常状态存在之后，执行对第二特定异常状态是否存在的第二监控
。
进一步优选地，仅当评估第二特定异常状态首先存在时，才执行第三特定异常状态是否存在的第三监控，以此类推
。
因此，多种特定异常状态可以依据彼此建立，特别是就它们的表现强度而言
。
此处，每种特定的异常状态
(
就像无异常的正常状态和一般异常状态之间的区别
)
代表一个二元状态分类器
。
这种在若干个级中对一般异常然后是越来越特定的异常的若干个诊断的串联连接
(
优选地通过条件来链接
)
扩展了分类状态的数量
。
56.在具有两个级的基本形式中
(
分类为无异常的正常状态和一般异常状态，以及评估特定异常状态是否存在
)—
，以下三种肯定分类是可能的：
57.无异常的正常状态，
58.一般异常状态和
59.特定异常状态
。
60.因此，两个二进制分类串联起来，就形成了三进制分类
。
此外，否定分类是可检测的，根据否定分类，存在一般异常状态，但是不存在某个特定异常状态
。
61.优选地，可以为串联连接制定以下条件：为了达到下一个分类器级
(
即下一个更明显的特定异常状态
)
，前一级必须已经检测到异常状态，从而产生级联
。
进一步优选地，一个或多个进一步的特定异常状态可以形成一般异常状态和临界异常状态之间的中间阶段，在临界异常状态中，存在需要立即干预的风扇的重大故障
。
62.进一步优选地，一个或多个更多的特定异常状态可以形成在一般异常状态和严重异常状态之间的中间级，在严重异常状态中，存在需要立即干预的风扇的重大故障
。
这里，若干各中间级可以被分配给某一损伤模式或可确定的损伤模式的不同表现
。
例如，由高往下地，
63.第一中间级可对应于低表现的异常状态，
64.第二中间级可对应于具有高表现的异常状态，并且
65.第三个中间阶段到异常状态之前有危险的表现
66.达到具有灾难性表现的临界异常状态
。
67.这些异常状态或中间状态中的每一个都可以用二进制术语来分类
。
同样，对于每个异常状态或中间状态，可以独立地执行监控，或者在每种情况下根据先前已经确定的更一般或不太明显的异常状态的存在来执行监控
。
每个异常状态或中间状态由此形成二元状态分类器
。
每个异常状态或每个中间阶段的特征值和极限值可以不同地定义或部分重叠
。
在不同的诊断范围内，也可以使用不同的计数器和容差值
。
68.根据另一实施例，监控特定异常状态是否存在可以独立于第一级处已经发生的将实际状态归为一般异常状态的任何分类
。
因此，可以独立于将当前或之前的实际状态分类为一般异常状态来诊断特定异常，例如，监测自然磨损
。
不管对风扇运行的连续监控，也不管在首次检测到异常状态后如何自动或手动调整特征值和限值，都可以在风扇的整个服务寿命期间检测到及时的系统故障
。
例如，当需要立即干预时，立即检测到严重异常状态，这进一步改善了对风扇运行中可能异常的诊断，并且进一步增加了运行安全性
。
还可以想到，可以在实际状态被分类为异常状态时也可以独立于这种分类地对特定异常状态进行监控，例如定期地或者当一些其他内部或外部条件发生时
。
69.优选地，可以定义具有不同表现的其他特定异常状态
。
这允许绘制和监控风扇和
/
或其电机的逐渐损坏或老化
。
例如，可以基于第一特定特征值的第一组合与第一特定限值的第一特定比较来监控第一特定异常状态
。
可以通过第二特定特征值的第二组合与第二特定极限值的第二特定比较来监控第二特定异常状态
。
第三特定异常状态可以通过第三特定特征值的第三组合与第三特定限值的第三特定比较来监控，以此类推
。
70.通过独立监控不同异常状态的多个二元分类器的并联连接允许对状态进行独立的
、
无条件的二元分类
。
71.一个或多个二元分类器可以彼此独立地被激活和去激活
。
例如，由高往下地，可以说明如下：
72.第一级-具有低表现的异常状态-处于非激活，
73.第二级-具有强表现的异常状态-处于非激活，
74.第三级-具有危险表现的异常状态-处于激活，
75.第四阶段-具有灾难性表现的临界异常状态-是活跃的
。
76.这样做的一个优点是，仅监测与不同类型的损坏或损坏模式相关的异常，例如，在滚动轴承的示例中，监控与滚动轴承油脂相关联的特定异常，滚动元件
、
其内圈
、
外圈等的特定异常，等等
。
可以提供若干个分类器，它们不一定相互相关或依赖
。
二元分类器的数量，即各种被定义和监控的特定异常状态，也可以多于4个
、
多于
10
个
、
多于
50
个
、
多于
100
个或高于此的任何数量，这取决于应用场景，只要足够快的数据处理看起来是可能的
。
77.在将实际状态分类为无异常的正常状态和
/
或评估为不存在所监控的特定异常状态的情况下，可发生信号反馈
。
优选地，反馈的数据可以用于至少一个未来的测量
。
因此，分类的结果是可用的，并且可以纳入在作为状态监控的一部分的未来测量的分类或评估中被考虑
。
78.优选地，该方法可以进一步包括考虑至少一个过去的实际状态的特征值与限值的直接或间接比较来调整诊断
。
考虑旧的特征值和在风扇和
/
或其电机的部分或全部使用寿命期间收集的比较数据可以为这方面的决策提供特别好的基础
。
此外，限值-类似于所描述的特征值-可以取决于应用情况
/
使用的区域
/
设备
、
转子速度
/
转速和
/
或负载状态
。
在操作过程中调整分类器是可能的
。
它们的配置和数据，诸如计算出的特征值和
/
或限值
(
例如计数器和
/
或容差值
)
，在任何时候对计算单元都是可用的，并且可以优选地通过定义的接口传输或获取
。
取决于应用场景，可能存在不同的-可参数化的-限值
。
即使存在限值偏差，系统也可以宽容地反应，以便不立即将当前实际状态分类到所述两个状态之一，从而避免或减少错误分类
。
例如，可以静态地或动态地规定，在实际状态被分类为一般异常状态之前，一个或多个特定特征值必须位于由一定数量的连续测量的限值所定义的许可值范围之外
。
如上所述，在一定数量的过去测量中，限值偏差的比率也是可以设想的
。
在这里，传感器系统也可以被重新校准
。
限值可以是新选择的或固定的，从而可以改变系统对超过和
/
或低于限值的容差
。
可以调整未来实际状态的特征值的计算
、
与限值的比较或者基于比较的实际状态的分类
。
换句话说，诊断可以由操作者调整，或者作为计算单元上的自学习系统或者作为外部信号处理的一部分通过定义的接口自动调整
。
79.通过测量确定的特征值可以记录在带有时间戳的日志中，以供将来调整诊断时考虑
。
作为信号处理的一部分，可以共享和
/
或保存
/
存储
/
存放数据，特别是关于定义异常状
态和分类器
。
分类结果和分类器配置可以与时间戳一起保存在内部或外部存储器中，并且可以从那里读出和
/
或可以经由通信接口传输数据，例如流式传输到云
。
在持续出现限值偏差的情况下，可以进行传感器系统的自诊断和重新校准
。
如果传感器系统被标识为有故障并且不能被重新校准，则提供不能执行所示的更多步骤的相应信息
。
一方面，该信息可以存储在协议中，而另一方面，它可以通过定义的接口与外部通信
。
在持续限值偏差的情况下，分类器的当前配置-即，与相应监控的一般或特定异常状态相关联的特征值和
/
或限值-也可以在必要时被检查和调整
。
80.关于用于监控风扇运行的设备，上述目的通过一种设备来解决，该设备具有至少一个传感器，用于检测在至少一个时间段内的至少一个输入信号，以执行至少一个测量，以及被设计为执行上述方法的计算单元
。
计算单元可以是风扇的电机
(
优选为
ec
电机
)
的计算单元
。
传感器可以是风扇或其马达内部的一个或多个传感器和
/
或外部传感器
。
传感器技术可以包括以下的一个或多个；转速传感器
、
加速度计
、
温度传感器
、
麦克风
、
扭矩传感器
、
压力传感器
、
湿度传感器
、
力传感器和
/
或虚拟传感器
/
软传感器
。
81.关于经改进的风扇，上述目可通过一种包括用于监控其运行的所描述设备的风扇来解决
。
82.现在，有各种方式来有利地实现和进一步开发本发明的教导
。
为此目的，一方面参考从属于权利要求1的权利要求，另一方面参考下面参照附图对本发明的优选示例性实施例的解释
。
结合参照附图对本发明的优选示例性实施例的解释，还解释了一般优选实施例和教导的进一步发展
。
在附图中示出了
83.图1是根据本发明的方法的另一个第一实施例的示意图
。
84.图2是根据本发明的方法的另一个第二实施例的示意图
。
85.在附图中，相同或相似的特征用相同的附图标记来标记
。
上部示意性地示出了在监控风扇运行的框架内对异常a的诊断
。
监控的起点是一段时间内的测量
1。
在这里所示的例子中，内部传感器可以检测测量1的输入信号
2.1。
在内部传感器是加速度传感器的示例中，这些测量是例如在一个
、
两个或三个空间轴上的转速和
/
或加速度
。
输入信号
2.1
是以定义的采样率采集的，或者是在每个测量1的定义的
(
随后带有定义的暂停的
)
时间段内采集的，或者可选地是连续采集的
。
例如，对于测量1，可以在5秒的时间段内以
1khz
的采样率每分钟采集一次输入信号
2.1
，即几乎是连续地采集
。
测量1包括在该周期内从来自一个或多个内部或外部传感器的输入信号
2.1
获得的所有数据的总和
。
该测量1在下面被检查
。
测量值1可以由电机的计算单元
(
未示出
)
和
/
或通过经由定义的接口
((i2c
，
modbus
，
can
，
wifi
，
...)
来评估，这样也可以通过
app/
显示器跟踪状态监控
。
根据测量1计算特征值2，其代表当前的实际状态
。
在加速度或声压数据的示例中，这些测量包括频谱的振幅
。
86.根据一个或多个特征值来计算其他特征值的例子可以由以下滚动轴承的示例给出：
87.第一特定比较得到指示内圈处的非严重异常的第一特定异常状态存在的评估，
88.第二特定比较导致评估指示内环异常的第二特定异常状态不存在；和
89.第三特定比较导致评估存在指示与滚动轴承油脂相关的非临界异常的第三特定异常状态
。
90.可以根据哪个和多少特定比较指示异常的类型和
/
或严重性和
/
或表现来定义相
应的新的进一步特征值
。
在该示例中，可以定义，一旦多数意见
(
即与第二比较而言为第一和第三比较
)
检测到异常，就存在限值偏差
。
由此，即使第一和第三特定异常状态中的每一个都仅仅是非严重异常状态，也可以得出结论；存在严重异常，并且有必要采取动作
。
91.将测量值1的计算特征值2与极限值
3.1
进行比较
。
用于该比较3的合适的极限值
3.1
可能已经在实验或数值研究中确定，并且限制特征值2的值的最大允许范围
。
计算出的特征值2与限值
3.1
的比较3允许对实际状态的分类4或分类成两个或多个状态，具体来说，分类为无异常的正常状态5或异常状态
6。
可以在几次测量1上进行比较3，以增加该方法对来自环境或周围环境的干扰变量的鲁棒性
。
92.对于比较3，考虑每个时间段的限值偏差的数量和
/
或强度和
/
或限值偏差的变化率-梯度
。
例如，如果在定义的时间段内出现特别强的波动或快速变化，即如果存在高梯度，则特征值2与限值
3.1
的偏差被相应地加权
。
然后，系统可以宽容地做出反应，以便不立即将实际状态分类到其中一个状态中
。
因此，避免了不正确的分类
4。
在持续出现限值偏差的情况下，传感器系统会进行自诊断，必要时还会进行重新校准
。
如果传感器系统被标识为有故障并且不能被重新校准，则提供不能执行所示的更多步骤的相应信息
。
一方面，该信息存储在协议中，和
/
或另一方面，它通过定义的接口与外界通信
。
如果实际状态被分类为无异常的正常状态5，则可以为将来的测量1产生初始信号反馈
r1。
将实际状态分类为无异常正常状态5或一般异常状态6的结果通过输出信号7经由用于进一步信号处理的定义接口
7.1
传输到外部
。
例如，集成或安装在
ec
电机中的可选信号设备
(
显示器
、led、
扬声器
)
可以以模拟
/
数字
、
声音和
/
或视觉形式实时通知用户当前的实际状态
。
当前实际状态与时间戳一起记录在日志中
。
该日志可通过定义的界面实时读出，或用于以后的维护目的，也可通过应用程序显示
。
此外，分类结果可以保存在内部或外部存储器中和
/
或通过定义的接口与外部通信
。
此外，基于协议的二元分类器的调整是可能的
。
这可能包括调整特征值2和
/
或极限值3或计数器
/
公差值
。
然而，假设在系统的应用中某些东西已经改变，例如，如果用户使用不同的入口喷嘴，以不同的方式定位风扇等，调整输入信号
2.1
也可能是有用的
。
有可能调整对实际状态4的分类有贡献的所有因素
。
信号处理
7.1
可以替代地或附加地发生在计算单元中，并导致紧急关闭或操作改变
。
信号处理
7.1
也可能导致人为干预
。
这可以例如通过信号灯
、
警报器或类似装置指示给用户
。
93.在图1的下部，示意性地示出了特定异常b的更高级的诊断
。
如果实际状态被分类为一般异常状态6，则例如在电机的计算单元中，根据当前和
/
或先前的测量1来计算特定特征值
8。
这些特定特征值8可以不同于一般特征值2，并且可以考虑相同的输入信号
2.1
或其他输入信号
8.1。
具体地，特定特征值8可以是一般特征值2的子集
。
特定特征值8又用于与特定极限值
9.1
的比较
9。
基于该比较9，对被检测的一般异常状态6是一般的
、
非特定异常状态
11(
其不是特定异常状态
)
，还是特定异常状态
12
做出评估
10。
如果实际状态被分类和评估为一般的
、
非特定的异常状态
11
，则可以为未来的测量1执行第二信号反馈
r2。
该评估
10
的结果也可以作为输出信号
13
经由定义的接口向外传输用于进一步的信号处理
13.1
，或者保存在内部和
/
或外部存储器中
。
如果诊断出
ec
电机或应用场景的故障形式的一般异常状态6，则存在一般但非特定的异常状态
11
，其不被评估为特定异常状态
12。
特定异常c和d的进一步诊断是在诊断a和b之间的中间级
。
它们描述了对进一步的特定异常状态的存在的监控，这些特定异常状态在诊断a的上下文情况下比一般异常状态6更明显，而在诊断b的上下
文情况下比特定异常状态
12
更不明显，在每种情况下都取决于在前一级
a、c、d
的相应异常状态的存在，即，如上图1所示
。
在诊断c和d的上下文情况下的评估结果也可以作为输出信号向外传输，以供进一步的信号处理
14、15。
特别是，诊断
a、b、c、d
形成了一个级联
。
特别地，特定异常状态
12
可以是诊断b的上下文情况中的严重异常状态
。
94.图2还示出了总的流程图
。
在左部，示意性地示出了一般异常a的诊断，对应于图1的一般异常a的诊断
。
然而，在图2中，特定异常b的诊断没有显示在一般异常a的诊断下方，而是显示在图2的右部
。
图1和图2的方法的两个实施例之间的区别在于，在根据图2的方法中，与异常a的诊断无关地建立对是否存在特定异常状态
12
的监控
。
这意味着，即使当前的实际状态和
/
或先前的实际状态没有被分类为一般异常状态6，也可以执行特定异常b的诊断，即特定异常状态
12。
这允许实现独立或无条件的分类器
。
由于监控特定异常状态
12
的存在不需要将实际状态分类4为一般异常状态6，所以在信号反馈
r2
期间不传送一般
、
非特定异常状态
11
存在的信息，而仅传送特定异常状态
12
不存在的信息
16。
因此，如果一方面基于特征值2将实际状态分类为一般异常状态6，而另一方面基于特征值8不将其评估为特定异常状态
12
，则可以用根据图2的方法来诊断为一般的
、
非特定的异常状态
11。
95.如果独立于作为一般异常状态6的实际状态的先前分类4来监控特定异常状态
12
，例如，为了监控自然磨损，可以在特定时间或连续地执行调查近期系统故障的特定异常b的诊断
。
一般异常a的一般诊断和
/
或特定异常b的诊断也可以单独进行
。
可以在不进一步测试特定异常状态
12
的存在的情况下做出一般异常a的诊断
。
因此，即使已经检测到
(
可能是基于其他特征值或其他限值偏差被检测到
)
特定异常状态
12
，可能的一般异常状态6也是可检测的，其可以被分类为一般的
、
非特定异常状态
11。
图2中的其他诊断c和d可以参考其他二元分类，并且特别地，独立于诊断a和b来监测更多偏离特定异常状态，其参考偏离的和特定的损坏模式
。
另一方面，一个或多个进一步的诊断
c、d
也可以处于在用诊断a监测的一般异常状态6和用诊断b监测的特定异常状态
12
之间的中间级，尤其是如果诊断b的特定异常状态
12
是严重异常状态
。
然后，这些中间阶段或其特定异常状态的各自存在被独立地监控
。
96.总的来说，并联或串联的一个或多个诊断
a、b、c、d
可以基于与风扇和
/
或其电机的一个或多个组件相关的一个或多个当前或先前特征值连续地或在定义的时间执行，其中可以监测一个或多个组件的一种或多种类型的损坏
。
97.关于根据本发明的设备的更多有利实施例，为了避免重复，参考说明书的概述部分和所附权利要求
。
98.最后，应当明确指出，根据本发明的设备的上述示例性实施例仅用于讨论所要求的教导，而不是将其限制于示例性实施例
。
99.附图标记列表
100.a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
一般异常的诊断
[0101]1[0102]
2.1
ꢀꢀꢀꢀꢀꢀꢀꢀ
输入信号
[0103]2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
特征值
[0104]3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
比较
[0105]
3.1
ꢀꢀꢀꢀꢀꢀꢀꢀ
限值
[0106]4ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
分类
[0107]5ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
无异常的正常状态，
[0108]6ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
一般异常状态
[0109]
r1
ꢀꢀꢀꢀꢀꢀꢀꢀ
初始信号反馈
[0110]7ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
输出信号
[0111]
7.1
ꢀꢀꢀꢀꢀꢀꢀ
信号处理
[0112]bꢀꢀꢀꢀꢀꢀꢀꢀꢀ
特定异常的诊断
[0113]8ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
特定特征值
[0114]
8.1
ꢀꢀꢀꢀꢀꢀꢀ
输入信号
[0115]9ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
比较
[0116]
9.1
ꢀꢀꢀꢀꢀꢀꢀ
特定限值
[0117]
10
ꢀꢀꢀꢀꢀꢀꢀꢀ
评估
[0118]
11
ꢀꢀꢀꢀꢀꢀꢀꢀ
一般
、
非特定异常状态
[0119]
12
ꢀꢀꢀꢀꢀꢀꢀꢀ
特定异常状态
[0120]
13
ꢀꢀꢀꢀꢀꢀꢀꢀ
输出信号
[0121]
13.1
ꢀꢀꢀꢀꢀꢀ
信号处理
[0122]
r2
ꢀꢀꢀꢀꢀꢀꢀꢀ
第二信号反馈
[0123]cꢀꢀꢀꢀꢀꢀꢀꢀꢀ
作为中间级的特定异常的诊断
[0124]dꢀꢀꢀꢀꢀꢀꢀꢀꢀ
作为中间级的特定异常的诊断
[0125]
14
ꢀꢀꢀꢀꢀꢀꢀꢀ
信号处理
[0126]
15
ꢀꢀꢀꢀꢀꢀꢀꢀ
信号处理
[0127]
16
ꢀꢀꢀꢀꢀꢀꢀꢀ
特定异常状态不存在