运行电动机驱动系统的方法和按其工作的电动机驱动系统与流程

本发明涉及用于运行具有至少一个电动机的电动机驱动系统的方法。本发明还涉及根据这种方法工作的或运行的电动机驱动系统。

背景技术：

开头提到的类型的电动机驱动系统例如包括与供应网络联接的变换器，尤其是频率变换器，其具有用于提供针对一定数量的电动机的中间回路电压的直流电中间回路。电动机在此作为交流电流电机借助受控的电流变换器或逆变器与中间回路电压尤其是在并联电路中联接。(电机)电流变换器在此通常包括一定数量的半导体开关，其作为受控的电桥电路将中间回路电压例如转换为三相的电机电压。

同样也可想到的是电动机驱动系统，其中，电动机作为电网供电的电机基本上直接与中间回路或供应网络联接。

这种驱动系统在此尤其是具有受控的电动机。如下电动机例如为此是已知的，其中，相对于定子可转动地支承的转子通过旋转磁场驱动。为此，定子的相绕组(定子绕组)被加载以相应的交流电流或电机电流，其借助与电流变换器的电桥电路以信号技术耦联的控制器来控制和/或调节，从而实现电动机的尽可能安全的和可靠的运行。

尽管有定期维护和维修，但是电动机驱动系统还是易故障的。单个电动机的导致电机功能的不期望的损坏的故障在此经常导致对整个驱动系统的不利的影响。由此不利地影响驱动系统的运行成本、产品质量和运行安全。

因此期望的是，在驱动系统或电动机的运行时提前和可靠地检测或识别这种故障。为此经常检测和评估电流变换器和/或电动机的不同的运行状态参量或相位参量。相位参量尤其是理解为配属于单个电机相位的物理参量，例如相电流或相电压或电机磁通量的相位值。

由de102004030076a1已知了一种电驱动器，其具有驱动器调节装置和电动机以及用于检测和监控电气和/或机械运行状态参量的阈值的检查装置。为了提前识别额定规定值的可能的偏差的目的，检查装置具有用于分析运行状态参量的附加监控装置。为此，检查装置借助适当的传感器检测运行状态参量，例如电机温度或电机转速。被检测的运行状态参量在此在时域和/或频域内分析。

de102014100945a1描述了用于识别具有至少一个用于驱动结构组件的电驱动单元的机器中的故障的方法。为此，表征驱动单元的电气功率消耗的运行状态参量的频谱被获知，并且在指示出故障的异常性方面被评估。

为了评估和/或故障诊断，例如同样可能的是，相位参量借助空间矢量图示的位置曲线评估。

空间矢量图示尤其是理解为三相系统，尤其是三相电动机的物理参量作为复平面的坐标系中的(空间)矢量的图示。复平面在此基本上有效地布置在电动机的横截平面内。空间矢量的时间变化曲线基本上产生位置曲线，其在正常运行中以复平面的坐标系的原点为中心地布置。

位置曲线针对电动机和/或给电动机供电的电流变换器的不同的运行状态分别具有不同的形状或变化曲线或几何图案。机器的故障导致位置曲线与特定的形状(/变化曲线/图案)的偏差，并且因此可简单地和提前识别出。因此，例如关于转子与定子之间的气隙偏心率的故障和电机相位的相位故障或线圈短路可以作为位置曲线的表征性的形状和图案提前和可靠地识别出。

在de3938154a1中公开了用于识别电流转变器的饱和状态的方法，其中，次级的转换器电流作为运行状态参量检测，并且由此，空间矢量被确定为针对饱和状态的量度。饱和状态在此借助监控转动的和/或静止的空间矢量的位置曲线的轨迹元素(bahnelement)来确定。在此尤其是评估在位置曲线的两个相继的轨迹元素之间的角度以及它们的数值。

ep1291663a1公开了用于借助空间矢量的波动识别电机故障的方法。为此，电机电流作为运行状态参量被检测，并且确定相应的空间矢量。空间矢量尤其是在其转动角度方面监控改变和波动。借助波动随后推断出当前的运行状态，并且因此在必要时推断出故障。

de112004002642t5描述了用于三相电气系统的可信度检验的方法。在已知的方法中检测作为运行状态参量的三个相电流中的至少两个，并且计算出相应的空间矢量。在系统运行时，空间矢量的绝对值在预设的矢量位置上与存储的参考值比较。在相电流的测量故障中，绝对值与参考值有偏差，并且系统终止。

at412248b公开了用于运行旋转磁场电机的方法，其中，由磁通量空间矢量和交流电流电机的定子电压空间矢量确定定子电流空间矢量的额定值。定子电流空间矢量的额定值随后与定子电流空间矢量的实际值比较。通过比较相应的额定和实际位置曲线能够推断出交流电流电机的非对称性。

技术实现要素：

本发明的任务是说明一种特别适当的用于运行电动机驱动系统的方法。此外，本发明的任务是说明一种其利用这种方法运行或能利用这种方法运行的特别适当的电动机驱动系统，。

根据本发明，在方法方面，该任务利用权利要求1的特征解决，并且在电动机驱动系统方面利用权利要求10的特征解决。有利的设计方案和改进方案是各自的从属权利要求的主题。

根据本发明的方法适用于和设计用于运行电气或电动机驱动系统。驱动系统在此具有至少一个电动机，其例如作为电网供电的电机或至少一个电流变换器与供电网络联接。

在驱动系统的运行时检测电动机的运行状态参量。运行状态参量尤其是理解为表征电动机的运行状态的状态参量，例如物理参量或控制和/或调节值，或调节信号。

根据该方法设置的是，由检测的运行状态参量确定空间矢量。换言之，在使用检测的或测量的运行状态参量的情况下计算空间矢量。在可想到的实施方式中，电动机优选利用多相的交流电压或多相的交流电流运行。空间矢量在此例如借助3/2变换从运行状态参量的相位值计算出。计算出的空间矢量在相应的复平面内或在坐标系内利用相应于运行状态参量的改变速度的改变速度改变其方向或方位。由此，空间矢量具有针对坐标系中的运动的相应的周期持续时间或改变持续时间。

空间矢量因此具有时间变化曲线，其中根据本方法，借助该变化曲线产生位置曲线。位置曲线在此尤其是理解为坐标系中的矢量式的空间矢量的峰值在空间矢量的至少一个完全的改变时间内的时间变化曲线。尤其是在具有瞬时变化曲线的运行状态参量中，例如同样可想到的是具有空间矢量的多个直接相继的运动的位置曲线。当前的位置曲线因此尤其是理解为空间矢量在各自的改变持续时间期间的相应的当前的运动，或理解为空间矢量在具有相应数量的改变持续时间的检测或测量持续时间期间的一定数量的运动。

当前的位置曲线根据本方法借助机器学习方法，根据一定数量的存储的参考曲线被评估为针对电动机的不同的已知的运行状态的量度。

机器学习方法或机器学习尤其是理解为从经验产生知识，其中，人工系统从示例学习，并且可以在这种学习阶段结束后对示例进行一般化。这意味着的是，示例不是被记忆，而是系统确定了学习或培训数据中的模式和规律性。机器学习方法在此例如实施为借助控制器实施的学习或预测算法。参考曲线代表或因此基本上相应于已知的运行状态的位置曲线，其在学习阶段中作为培训数据告知机器学习方法或供其培训。

借助通过机器学习方法评估位置曲线来操控和/或调节电动机。由此实现特别适当的用于运行电动机驱动器的方法。

在具有多个电动机的驱动系统中例如可想到的是，每个电动机单独通过各自的机器学习方法监控。附加地或替选地，上级的机器学习方法是可想到的，其在运行时共同监控所有电动机，并且因此监控驱动系统本身。

通过借助参考曲线评估位置曲线能够以简单的方式和方法实现对驱动系统的当前的(实际)运行状态的可靠的和运行安全的确定。因此尤其是可以实现在驱动系统运行期间的运行状态的非侵入性的和简单的确定。由此实现电动机和/或与之耦联的电流变换器的可靠的和安全的操控和/或调节。

本发明尤其是从如下知识出发：当前的运行状态以简单的方式和方法由评估当前的空间矢量变化曲线，即由位置曲线，借助已知的变化曲线即参考曲线得到。由此，借助相应培训的机器学习方法实现特别廉价的和可靠的实际运行状态确定，其因此能够在电动机驱动系统运行时实现对电动机的特别运行安全的和有效的调整和/或调节。

在该方法的有利的实施方案中，在机器学习方法中，给每个参考曲线配属电动机的操控和/或调节策略，用以产生电动机或驱动系统的期望的额定运行状态。期望的额定运行状态因此尤其是针对电动机或驱动系统的将来的运行时间点的额定规定值。换言之，给参考曲线配属各自的控制和/或调节程序，其尤其是前瞻性地在实现或导致额定运行状态方面操控和/或调节电动机或给电动机供电的电流变换器。这意味着的是，操控和/或调节策略与参考曲线一起供机器学习方法培训，从而在评估位置曲线的情况下，当机器学习方法借助配属的参考曲线识别出位置曲线时，自动开始各自的控制和/或调节程序。由此能够实现对驱动系统的提前的和有效的操控和/或调节。

在适当的改进方案中，电动机在正面的评估结果的情况下被前瞻性地操控和/或调节至配属的额定运行状态，在正面的评估结果中，机器学习方法将当前的位置曲线识别为已知的运行状态，即位置曲线基本上相应于其中一个学习的或培训的参考曲线。由此确保了电动机驱动系统的特别有效的和运行安全的运行。

借助根据参考曲线来评估位置曲线，实现了简单和提前地确定电机的相应的当前的运行状态。在此，给该实际运行状态或参考曲线配属相应的操控和/或调节策略，用以导致额定运行状态，从而电动机和因此驱动系统可以借助当前的运行状态可靠和有效地在将来的运行状态方面被操控和/或调节。

换言之，位置曲线相应于电机的实际运行状态，其借助机器学习方法根据已知的运行状态的参考曲线获知和识别。在正面的评估结果的情况下，位置曲线相应于已知的或培训的运行状态。这意味着的是，电动机或驱动系统的当前的实际运行状态在该情况下是已知的。此外，给该运行状态配属用于导致将来的(额定)运行状态的操控和/或调节策略，借助该操控和/或调节策略最佳地和有效地操控和/或调节电动机。由此，电动机驱动系统的期望的将来的额定运行状态以简单的和运行安全的方式和方法已经提前确定，从而该额定运行状态可以特别适宜地和有效地借助电动机或配属的电流变换器实现。由此能够实现电动机驱动系统的特别有效的、经济的和节约资源的运行。

在特别适宜的构造方案中，电动机在负面的评估结果的情况下安全地切断，在负面的评估结果中，没有将当前的位置曲线识别为已知的运行状态，即位置曲线基本上不相应于参考曲线。在此附加地或备选地，整个驱动系统安全切断。负面的评估结果基本上相应于电动机或驱动系统的未知的运行状态，并且因此以高的概率相应于期望电机功能的故障或损坏，从而电动机可靠地和迅速地被切断。术语“安全”在此理解为满足安全功能，例如电动机的被称为安全转矩关断(sto)的安全停机，从而在触发安全功能后导致立即终止电动机或驱动系统，并且使其可靠地达到静止状态。

在电动机驱动系统的运行中，当前的空间矢量因此连续尤其是以如下方式检查：在位置曲线中是否包含新的之前未知的特征。如果检测到这种未知的特征，并且因此导致负面的评估结果，那么电动机由于安全原因优选立即安全地切断。

换言之，机器学习方法导致异常识别。这意味着的是，机器学习方法至少利用位置曲线或参考曲线培训，该位置曲线或参考曲线代表电动机的无故障的运行状态并且当出现相对于其的明显的偏差时在电动机驱动系统的运行中进行识别。

除了安全切断电动机或驱动系统以外例如可能的是，机器学习方法在此例如通过操纵警告灯和/或警告笛引起对用户的警告或通知。

位置曲线的评估和位置曲线与已知的运行状态的由此至少隐含地产生的比较因此能够实现在电动机驱动系统的运行中的提前和可靠的故障识别。由此确保电动机驱动系统的特别运行安全的运行。

在适当的构造方式中，在此在机器学习方法中适宜地设置关于位置曲线与一个或每个参考曲线之间的偏差的一定的阈值范围。换言之，只有当位置曲线与参考曲线的偏差达到或超过或持续超过该阈值范围时才导致负面的评估结果。这意味着的是，位置曲线明显或显著与该参考曲线或每个参考曲线有偏差，或者与其明显不同。因此限定了一定的最低限制或最小偏差，由此例如基于电噪音或类似物的随机偏差不会导致运行状态的不期望的或错误的配属或故障。由此进一步改进电动机驱动系统的运行。

在有利的改进方案中，在负面的评估结果的情况下，当前的位置曲线作为新的参考曲线添加给机器学习方法或供其培训，并且为其配属新的额定运行状态，即新的操控和/或调节策略。换言之，在负面的评估结果的情况下，从位置曲线提取新的参考曲线，并且随后供机器学习方法培训，以便在将来将该新的参考曲线用作已知的运行状态。新的参考曲线于是是学习到的参考曲线。

因此，通过新的参考曲线可能的是，表征新的、之前未知的运行状态，并且为了将来的运行添加给机器学习方法，从而借助新的额定运行状态，在将来出现相应于新的参考曲线的位置曲线时导致电动机的尽可能最佳的和适宜的操控和/或控制策略。由此能够实现电机驱动器的规则的和尽可能无中断的运行。

与现有技术不同(在现有技术中，人工智能算法基本上作为黑匣子运行，其借助对于用户来说不能理解或只能困难地理解的方法确定运行状态)地，在根据本发明的方法中，在未知的运行状态或故障识别中，用作基础的位置曲线在评估后没有丢弃，而是在该情况下作为新的参考曲线存档。借助记录和存档，其对于用户来说可以更容易理解，是什么触发了负面的评估结果。在此例如可想到的是，在显示设备上以图形方式给用户显示信息，其中例如示出当前的位置曲线和另外的信息(时间点、当前的运行状态等)。

在优选的设计方案中，新的额定运行状态或用于导致该额定运行状态的新的操控和/或调节策略在被监控的机器学习方法中产生。为此，新的参考曲线配属于机器的特定的(实际)运行状态。换言之，新的操控和/或调节策略在具有指导的机器学习方法中产生。由此，特别有利的和可靠的产生确保了新的操控和/或调节策略或额定运行状态，其能够实现电动机驱动系统的运行安全的和尽可能最佳的运行。

被监控的机器学习方法在此尤其是理解为如下算法，其学习由输入和输出的给定的配对构成的函数。在此，在学习期间由用户提供正确的函数值用以输入。因此在被监控的机器学习中，依据利用不同的输入和输出的多个计算过程给该方法培训识别图案和建立联系的能力。

因此在方法的该设计方案中，通过用户针对新的参考曲线(输入)给机器学习方法提供电动机或驱动系统的实际运行状态以及与之相关联的最佳的操控和/或调节策略(函数)。在多个计算过程后，机器学习方法因此识别出参考曲线的图案，并且将其与相应当前的位置曲线相联系，由此触发相应的操控和/或调节策略。

机器学习方法例如由学习机器实施。学习机器优选是电动机和/或驱动系统的控制器的一部分。学习机器在该设计方案中在学习方法中培训。给具有仍未知的参考曲线的特定的位置曲线配属特定的运行状态。用于自身已知的(实际)运行状态的自身已知的将来的(额定)运行状态现在应该可以通过识别位置曲线或新的参考曲线调整，但其中尤其地，相应的操控和/或调节策略是未知的。在机器学习方法的范围内，现在尤其是在培训方法中建立新的参考曲线的特定的运行状态作为当前的运行状态，并且随后通过相应地操控和/或调节电动机来导致期望的额定运行状态，该操控和/或调节随后通过操控和/或调节策略，即操控和/或调节指令或信号的流程来表征，该期望的额定运行状态被确定并且与新的参考曲线相关联。新的参考曲线于是是学习到的参考曲线，并且从此可作为已知的具有配属的额定运行状态的运行状态使用。

在此可能的是，新的参考曲线的运行状态是驱动系统或电动机的故障状态，其中，相应的操控和/或调节策略在此尤其是导致电动机的安全功能，从而优选地实现安全的终止作为额定运行状态。

在可想到的设计方式中，该已知的参考曲线或每个已知的参考曲线整合在神经网络中。利用神经网络检查位置曲线是否具有已知的特征，其方法是，确定空间矢量的位置曲线并且将其作为神经网络的输入信号使用。神经网络的重要的优点尤其是在于，该神经网络不必强制性地在具有指导的学习方法中培训，而是也可以在没有指导的情况下学习和工作。已知的参考曲线于是没有存储在存储器中，而是整合到神经网络的拓扑结构中。

在替选的实施方式中，机器学习方法也可以在没有指导的情况下实现。这意味着的是，学习机器不必训练，而是完全自动学习。在该设计方式中，电动机驱动系统除了为了确定空间矢量和位置曲线的运行状态参量以外还优选检测另外的运行状态参量，例如电机温度或电机转速。由此，机器学习方法在没有指导的情况下借助附加的运行状态参量适用于和设计用于自动检测各自的运行参量，并且获知适当的额定运行状态作为操控和/或调节策略。

类似于具有指导的机器学习方法地，机器学习方法也在没有指示的情况下适宜地在电动机驱动系统的正常运行中执行。于是在具有神经网络的设计方式中，该神经网络自动学习，用以使整合的参考曲线分别配属于特定的将来的额定运行状态并且产生电动机的相应的操控和/或调节策略来导致额定运行状态。这例如通过电动机驱动系统的一个或多个附加传感器实现，或者——如之前描述的那样——通过用户(操作者、指导者)的反馈实现。

在适宜的实施方案中，利用该参考曲线或每个参考曲线借助分类器评估位置曲线作为分类执行，其中，位置曲线的几何图案作为特征或特征矢量被确定，并且检查该图案或特征是否相应于培训的或学习到的参考曲线的已知的几何图案或特征(矢量)。由此，位置曲线的特别有效的和适宜的评估能够借助该参考曲线或每个参考曲线实现。

这意味着的是，位置曲线借助分类器鉴于不同的参考曲线经受分类。在分类时确定计算的空间矢量的时间变化曲线的几何图案和电机的基础的运行状态，其方法是检查位置曲线是否具有已知的特征或已知的属于已知的运行状态的特征矢量。给已知的特征矢量(这意味着已知的类别)配属具有电动机的相应的操控和/或调节策略的额定运行状态，当位置曲线具有已知的特征矢量时(这意味着当识别出当前的(实际)运行状态时)，使用该操控和/或调节策略。也就是说，电动机驱动系统或电动机的运行状态从计算出的空间矢量的时间变化曲线获知，并且借助配属于当前的运行状态的将来的额定运行状态调整和/或调节电动机。这意味着的是，调整和/或调节配属于当前的实际运行状态的特定的额定运行状态，以便在是实际运行状态状况的运行情况中确保电机的最佳的运行。

在负面的评估结果的情况下，当前的位置曲线优选经受特征提取，在其中产生新的和尤其是个别的、即特定于运行状态的特征矢量，该特征矢量作为附加的已知的特征矢量或作为参考曲线存储(储存)。因此，从位置曲线提取并且随后存储新的特征矢量，以便在将来将其用作已知的特征矢量或参考曲线。新的特征矢量于是是学习的特征矢量。总体上，电机定义和学习新的类别，其从此可用于分类。因此在比较期间，尤其是鉴于该参考曲线或每个参考曲线(以数字方式)对位置曲线的几何图案或特征进行图案识别。

在三相的交流电电机作为电动机的情况下，相电流作为用于运行电动机的运行状态参量尤其是具有基本上正弦形的随时间改变的变化曲线。由此计算出的空间矢量在此具有基本上圆形的位置曲线。作为几何图案的该圆形的偏差尤其是指示驱动系统，例如电动机和/或电流变换器的潜在的故障。因此，电动机的线圈接头例如导致位置曲线变形为椭圆形。椭圆形的位置曲线的由此形成的长轴在此沿有故障的相位方向定向，其中，位置曲线的椭圆率是针对故障的严重性等级的量度。

优选地，典型的位置或参考曲线针对电动机和/或电流变换器中的特定的故障源供机器学习方法培训。在此尤其设置的是，机器学习方法在识别出这种(故障)参考曲线的情况下产生特定的故障通知作为关联的操控和/或调节策略的一部分，该故障通知尤其是具有对故障源和可能也用于消除故障的推荐的指示。由此，驱动系统的有故障的运行提前以信号通知给用户，从而必要时可以消除或保护性地干预该运行。

位置曲线作为数字的或虚拟的图像数据集产生。换言之，位置曲线作为图像以数字方式存储或储存。由此，在位置曲线的几何图案方面的评估尤其是得到简化。为了识别几何图案或为了在产生参考曲线时提取位置曲线的特征或特征矢量，在此适当地使用相应的图案识别或图像识别算法，其处理各自的图像数据集。

换言之，已知的位置曲线的图像数据用作用于机器学习方法的培训数据，其中，机器学习方法因此适用于和构造用于鉴于已知的图像评估当前的位置曲线作为图像数据集。由此能够实现机器学习方法的特别简单的和有效的学习或培训。

在适当的改进方式中，位置曲线的图像有利地在2ⁿ×2ⁿ，例如256×256个像素或图像点的像素或图像点格式中产生和评估。为此，空间矢量或其(空间矢量)坐标的被变换的或计算出的值例如借助舍入(rundung)变换为归一化的、包含正负号的n比特定点图示。计算出的空间矢量的空间矢量坐标因此总是精确地指向图像中的各自的图像点或像素。

例如，所有像素在开始时具有值0(零)。图像因此例如完全是白的或亮的。在该方法期间，空间矢量在其时间变化曲线中指向的像素被置为值1，即鉴于图像的图形的或光学的图示变黑或变暗。为了记录位置曲线一方面可能的是，首先测量值和计算出的空间矢量在空间矢量的一个或多个回转中被检测，并且随后确定位置曲线的由此产生的图像。另一方面可能的是，连续地逐点依次地针对每个计算出的空间矢量或空间矢量坐标直接确定当前的位置曲线的图像。

在记录结束时，空间矢量的位置曲线在没有使用附加的手段的情况下作为数字或电子图像存储。该图像由2²ⁿ个像素或图像点构成，其中，每个像素例如分别借助一个比特示出。2²ⁿ个比特例如为了评估引导至分类器，例如引导至神经网络。由此实现位置曲线的特别简单的图示，其因此可简单地评估。

在同样适当的改进方式中，在尤其是具有空间矢量的多个相继的转圈的位置曲线中可能的是，图像的每个像素借助整数示出。换言之，图像的图像点没有作为比特，而是作为整数存储。这意味着的是，每次当空间矢量指向一个像素时，其值递增提高。由此可能的是，在空间矢量的相继转圈时检测空间矢量点的时间分布。在此适宜地设置了用于避免溢出的上阈值。这意味着的是，例如在每个像素8比特的情况下，阈值的图示限制为255(＝2⁸-1)。

在可想到的构造方案中，用于确定或计算空间矢量的该运行状态参量或每个运行状态参量被持续或连续检测。这意味着的是，运行状态参量在电动机驱动系统的运行时基本上无中断地被检测或测量。在以数字方式检测或测量运行状态参量的情况下，“连续”尤其是理解为检测或测量速率(测量速度)，其明显大于运行状态参量或因此计算出的空间矢量的改变速度。位置曲线因此由多个相继计算出的空间矢量组成，其基本上连续描绘时间变化曲线。

因此也持续或连续计算出空间矢量。由此确定特别精确的位置曲线，从而已经可靠地识别出位置曲线与存储的参考曲线的少许的偏差。由此确保了电动机驱动系统的特别运行安全的和可靠的运行。

在适宜的构造方案中，检测电动机的相位参量作为运行状态参量。由此实现特别适当的运行状态参量，其可以少耗费地和廉价地在电动机的运行中被监控。

电动机在可能的构造方式中具有一定数量的电机相位，尤其是三个电机相位，其中，在运行中尤其是检测一定数量(该数量相应于电机相位的数量)的相位参量作为电动机的运行状态参量。

相位参量例如是通过各自的电机相位产生的磁场或磁通量密度，其借助磁场传感器检测。同样可想到的例如是，磁通量或(相)电压作为相位参量检测。优选地，被检测的相位参量是电机相位的各自的相电流。这意味着的是，在电动机运行时尤其是检测电动机的由电流变换器产生的交流电流。

在替选的构造方案中例如同样可想到的是，使用控制和/或调节值或调节信号作为运行状态参量。例如可想到的是，在两点调节期间(在其中，电流实际值调节为电流额定值)，在一个电机相位中的电流实际值与电流额定值之间的差用作相位或运行状态参量。

根据本发明的电动机驱动系统具有至少一个电动机，其例如与电流变换器耦联。电动机驱动系统此外具有控制器，即控制设备，其适用于或设置和设定用于执行之前描述的方法。通过利用参考曲线评估位置曲线实现对当前的运行状态的尤其是关于将来的运行状态特别可靠的确定和预测，由此能够实现对电动机驱动系统(电动机)的运行安全的操控和/或调节。

控制器在此通常在程序和/或电路技术上设定用于执行之前描述的根据本发明的方法。控制器因此具体地设定用于借助检测到的运行状态参量计算空间矢量，并且将空间矢量的时间变化曲线作为位置曲线借助机器学习方法根据已知的参考曲线评估，以及根据该评估借助操控和/或调节电动机或电流变换器可靠地导致将来的运行状态。

在优选的设计方案中，控制器至少在核心中通过具有处理器和数据存储器的微控制器形成，在其中以程序技术实施用于执行根据本发明的方法的形式为操作软件(固件)的功能性，从而该方法在必要时在与用户(操作者、设施或机动车使用者)的交互中，在实施微控制器中的操作软件时自动执行。

但控制器在本发明的范围内替选地也可以通过不可程序化的电子构件，例如专用集成电路(asic)形成，在其中，用于执行根据本发明的方法的功能性利用电路技术手段实施。

方法的改进方案也可以对照性地转移到电动机驱动系统。

因此可能的是，根据本发明的驱动系统的故障状态提前借助机器学习方法或机器学习来检测或者预测。在此尤其是评估运行状态参量中的，例如在多相的电机信号(电机电流、电机电压、定子磁通量等)中的非对称性。这种非对称性例如在定子绕组的非对称性的情况下，在电流变换器的功率部分的故障时，在功率半导体开关或类似物还没有停止运转但已经不再完全有效时出现。

根据该方法，为此首先确定运行状态参量的空间矢量，并且借助空间矢量的时间变化曲线获知驱动系统或电动机的位置曲线。在作为运行状态参量的多相的电机信号中，位置曲线在无故障的情况下具有相应的周期性的(转动)对称性，例如在三相电动机的情况下的60°的对称性。在出现运行状态参量的信号中的由故障导致的非对称性时导致无故障的位置曲线的对称性的相应的排斥，即导致对称性中断。

根据本发明，位置曲线在驱动系统运行时借助机器学习方法(例如形式为学习或预测算法)评估。在此尤其地，图案识别借助图像识别或图像归类执行。为此例如可想到的是具有隐藏层(hiddenlayers)的神经网络，其中，例如设置所谓的“深度学习”方法。同样可想到的例如是，所谓的“卷积神经网络”作为可扩展的神经网络用于当前的位置曲线的图像评估。

附图说明

随后，本发明的实施例借助附图详细阐述。在其中以简化的和示意性的图示：

图1片段地示出电动机驱动系统，其具有电流变换器和电动机以及作为控制设备的控制器；

图2示出用于运行电动机驱动系统的方法的流程图；

图3至图7示出在电动机的不同的运行状态下的位置曲线的空间矢量图；

图8、图9示出在替选的驱动系统的不同的运行状态下的位置曲线的空间矢量图；和

图10示出用于执行机器学习方法的神经网络。

彼此相应的部分和参量在所有图中始终设有相同的附图标记。

具体实施方式

图1以示意图片段地示出了电动机驱动系统2。驱动系统2具有至少一个电动机4。电动机4在图1的实施例中构造为交流电流运行的同步或异步电机。为了运行电动机4，驱动系统2此外具有电流变换器6。驱动系统2附加地具有控制器8作为控制设备，其借助控制和/或调节信号s操控和/或调节至少一个电流变换器6。在此例如同样可想到的是，控制器8作为整合到电动机4中的电机控制设备或作为整合到电流变换器6中的电流变换器控制设备整合。

电流变换器6作为逆变器与驱动系统2的未详细示出的供应或直流电压网络10联接。为此，电流变换器6包括两个用于与供应网络10接触的网络侧的接头12a、12b。在供应网络10与电流变换器6之间形成直流电中间回路14，其随后也简称为中间回路。中间回路14根据功能具有正路径16和负路径18，正路径与正极侧的接头12a接触，负路径相应与电流变换器6的负极侧的接头12b接触。

在电流变换器6的正路径16与负路径18之间，在机器2运行时，中间回路电压uzk作为用于联接的电动机4的供应电压存在。电动机4借助正路径16与负路径18之间的电流变换器6与中间回路14接触。

电流变换器6具有整合的中间回路电容器20和带有三个电桥模块24的电桥电路22。中间回路14的中间回路电压uzk在此借助电桥电路22转换为具有相位u、v、w的三相供应电压，用以运行电动机4。电桥模块24在此优选设计为受控的igbt模块。

相位u、v、w从电桥电路22引导至电动机4的未详细示出的定子的各自的相绕组26的相应的相位或绕组端部。相绕组26在所示的实施例中尤其是在星形电路中相互连接。

电桥模块24分别具有两个实施为igbt晶体管的功率半导体开关28，它们连接在正路径16与负路径18之间。功率半导体开关28在图1中仅示例性地设有附图标记。在电桥模块24的两个功率半导体开关28之间分别布置有用于各自的相位u、v、w的相位接头。

电桥模块24或其功率半导体开关28在驱动系统2运行时借助时钟式的脉冲形的控制信号尤其是以脉宽调制(pwm)的形式来控制。在这种操控中，各自的功率半导体开关28闭合地(即导电地)或者断开地(即不导电地)接入。该控制信号例如根据控制和/或调节信号s，借助电流变换器6的未详细示出的驱动电路产生。

通过电桥模块24产生配属于各自的相位u、v、w的相电流作为相位参量iu、iv、iw。相电流或相位参量iu、iv、iw作为电动机4的运行状态参量借助测量装置30连续监测或测量。测量装置30在此产生相应于各自的相位参量iu、iv、iw的测量信号mu、mv、mw。测量信号mu、mv、mw为了进一步评估被传送至控制器8。

随后借助图2至10详细阐述用于运行电动机驱动系统2的方法。

在图2中借助简化的流程图示意性示出了该方法。

在驱动系统2在第一方法步骤32中开始或处于运行之后，相位或运行状态参量iu、iv、iw在方法步骤34中借助测量装置30连续检测。随后也被称为测量步骤的方法步骤34在此连续产生测量信号mu、mv、mw，它们被发送至控制器8。

控制器8在方法或计算步骤36中借助测量信号mu、mv、mw或相位参量iu、iv、iw计算空间矢量r。空间矢量r在此尤其是借助3/2变换从测量信号mu、mv、mw或相位参量iu、iv、iw计算出。

计算出的空间矢量r以在改变速度改变其在相应的复平面内的或坐标系中的方位，该改变速度基本上相应于各个相位参量iu、iv、iw的角速度或振荡速度。空间矢量r因此具有时间变化曲线o(图3至图7)，其随后也被称为位置曲线o。

在方法步骤38中，空间矢量r的计算出的空间矢量坐标，即其方位和方向以及数值连续存储在控制器8的存储器中。在时间上依次存储的空间矢量r形成位置曲线o。

位置曲线o在此在方法步骤40中作为数字或电子图像数据集产生。位置曲线o的图像在该实施例中尤其是在256×256像素或图像点的像素格式或图像点格式中产生和存储。为此，空间矢量r的变换的或计算出的值或空间矢量的空间矢量坐标借助舍入变换为归一化的、包含正负号的n比特定点图示。每个产生的空间矢量r因此指示图像的一个像素，其中，在空间矢量r的随时间的改变和运动期间，位置曲线o在图像中映射。图像的像素例如作为二进制位或整数示出。

位置曲线o或其图像借助机器学习方法42评估。机器学习方法42为此利用一定数量的参考曲线refn培训，参考曲线基本上相应于驱动系统2和/或电动机4或电流变换器6的已知的运行状态的位置曲线。换言之，参考曲线refn是针对驱动系统2的不同的、已知的运行状态的量度。机器学习方法42在此在方法步骤44中有效地实施位置曲线o的图像与学习的参考曲线refn之间的特征比较。为此例如使用图像识别或图像处理算法。

机器学习方法42，尤其是特征比较44由控制器8尤其是借助分类器46作为分类执行，其中，位置曲线o的几何图案被确定为特征或特征矢量，并且检查该图案或特征是否相应于其中一个已知的参考曲线refn的已知的几何图案或特征(矢量)。

在分类时确定计算出的空间矢量r的时间变化曲线的几何图案，即尤其是位置曲线o的图像或数字图像数据集和电动机驱动系统2的基础的运行状态，其方法是，在特征比较44中检查位置曲线o是否具有已知的特征或已知的属于已知的运行状态的特征矢量。

在正常运行时，当前的位置曲线o相应于已知的运行状态，并且因此相应于其中一个参考曲线refn。由此，由特征比较44导致正面的评估结果48。正面的评估结果48触发机器学习方法42的方法步骤50，在其中使用配属于导致正面的评估结果48的参考曲线refn的操控和/或调节策略arsn。参考曲线refn和分别配属的操控和/或调节策略arsn共同供机器学习方法42培训。

操控和/或调节策略arsn用于有针对性地操控和/或调节电流变换器6，用以产生或导致驱动系统2的期望的额定运行状态的目的。换言之，各自的操控和/或调节策略arsn相应于针对电流变换器6的依次或彼此平行地实施的控制和/或调节指令的时间顺序，以便导致驱动系统2的期望的将来的(额定)运行状态。这意味着的是，给每个操控和/或调节策略arsn基本上配属用于运行电流变换器6的控制和/或调节程序或控制和/或调节程序流程。操控和/或调节策略arsn在方法步骤52中转换为相应的控制和/或调节信号s。这意味着的是，控制器8借助各自的操控和/或调节策略arsn产生针对电流变换器6的控制和/或调节信号s。

换言之，位置曲线o在正面的评估结果48的情况下相应于已知的运行状态。这意味着的是，驱动系统2的当前的实际运行状态在该情况下是已知的。此外，给该运行状态配属操控和/或调节策略arsn作为针对将来的(额定)运行状态的额定规定值，借助该操控和/或调节策略最佳地和有效地操控和/或调节电流变换器6。

这意味着的是，在分类器44中给已知的特征矢量，即已知的类别或已知的参考曲线refn配属针对电流变换器6或电动机4的操控和/或调节策略arsn，当位置曲线o具有已知的特征矢量时，即当识别出当前的(实际)运行状态时使用该操控和/或调节策略。

也就是说，电动机驱动系统2的运行状态从计算出的空间矢量r的时间变化曲线获知，并且借助配属于当前的运行状态的操控和/或调节策略arsn，使电流变换器6鉴于将来的运行状态调整和/或调节。这意味着的是，调整和/或调节配属于当前的实际运行状态的特定的额定运行状态，以便在是实际运行状态状况的运行情况中确保电动机驱动系统2的最佳的运行。

在特征比较44的负面的评估结果54的情况下(其中，当前的位置曲线o不具有培训的参考曲线refn的特征)，驱动系统2在方法步骤56中安全切断。负面的评估结果54基本上相应于电动机驱动系统2的未知的运行状态并且因此以高的概率相应于期望电机功能的故障或损坏，从而驱动系统2或至少电动机4在方法步骤56中可靠地和迅速地被切断。在方法步骤56中尤其是导致电动机4的安全功能，例如被称为安全转矩关断(sto)的安全停机。换言之，方法步骤56基本上相应于在驱动系统2的未知的运行状态中的操控和/或调节策略。

在方法步骤56之后实施方法步骤58，在其中，当前的位置曲线o的特征被提取出，并且作为新的参考曲线ref新供机器学习方法42培训。随后在方法步骤60中，给参考曲线ref新配属驱动系统2的当前的运行状态，其导致负面的评估结果54。随后，给参考曲线ref新在方法步骤62中配属期望的操控和/或调节策略ars新，并且该方法或驱动系统2的运行在方法步骤64中结束或终止。

参考曲线ref新和配属的操控和/或调节策略ars新在此尤其是在机器学习方法42的被监控的学习阶段(学习方法)66中产生，其方法是，新的参考曲线ref新在方法步骤60中配属于驱动系统2的特定的运行状态。换言之，新的操控和/或调节策略ars新尤其是在具有指导的机器学习方法中产生。

学习阶段66尤其是由控制器8的学习机器68实施。学习机器68在通过方法步骤58、60和62表征的学习阶段66中培训。

给在评估结果54中确定的具有尚未知的参考曲线ref新的位置曲线o配属驱动系统2的特定的运行状态。针对自身已知的(实际)运行状态的自身已知的将来的(额定)运行状态现在应该可以通过识别位置曲线o或新的参考曲线ref新在将来的特征比较44中调整。在机器学习方法42的范围内，现在尤其是在也被称为培训方法的学习阶段66中，新的参考曲线ref新的特定的运行状态作为当前的运行状态建立，并且随后通过相应操控和/或调节电流变换器6或电动机4导致期望的额定运行状态，其随后通过操控和/或调节策略ars新在方法步骤62中表征并且与新的参考曲线ref新相关联。新的参考曲线ref新于是是学习到的参考曲线refn，并且从此可作为已知的具有配属的操控和/或调节策略arsn的运行状态使用。

通过学习阶段66的方法步骤58、60和62可能的是，表征新的之前未知的运行状态并且为了将来的运行将其添加给机器学习方法42，从而借助新的操控和/或调节策略arsn，在将来出现相应于新的参考曲线ref新的位置曲线o时导致正面的评估结果48，并且电流变换器6或电动机4借助由此导致的操控和/或调节信号s尽可能最佳地被操控和/或调节。

换言之，当前的位置曲线o在方法步骤58、60和62中主要经受特征提取，在其中产生新的和尤其是个别的、即特定于运行状态的特征矢量，该特征矢量作为附加的已知的特征矢量或作为参考曲线ref新储存。因此，从位置曲线o提取并且随后储存新的特征矢量，以便在将来将其用作已知的特征矢量或参考曲线ref新。新的特征矢量于是是学习到的特征矢量。总体上，驱动系统2限定和学习新的类别，其从此可供分类器44使用来进行分类。

在图3至7中示例性地示出了用于电动机驱动系统2的不同的运行状态的不同的位置曲线o或参考曲线refn。

图3至图7在此分别示出计算出的空间矢量r的坐标系，其具有水平的横轴x和与之垂直的竖直的纵轴y，在横轴和纵轴中示出旋转的空间矢量r的坐标作为连续的位置曲线o或参考曲线refn。示例性地，在图3至5中分别示出了空间矢量r。位置曲线o或参考曲线refn在此基本上相应于在特定的运行状态中转一圈或多圈期间空间矢量r的峰值的时间变化曲线。

图3至7的空间矢量r在此尤其是借助作为相位或运行状态参量的相电流iu、iv、iw确定，其中，电动机4尤其是作为异步电机实施。

图3示出了位置曲线o或参考曲线refn，其相应于电动机驱动系统2的正常运行。位置曲线o或参考曲线refn在此具有基本上圆形的形状或圆形的(几何)图案。与作为几何图案的该圆形形状的偏差因此指出驱动系统2的与正常运行有偏差的(不同的)运行状态。

在图4中示出了针对电动机4的线圈短路的情况的位置曲线o或参考曲线refn。在此，其中一个相位u、v、w的其中一个相绕组26的一个或多个线圈短路。由此导致位置曲线o的几何形状或图案变形为椭圆形状。产生的椭圆形状或产生的椭圆图案的长轴在坐标系中沿有故障的相位方向定向。位置曲线o的椭圆率在此是针对故障的严重性的量度，即基本上是针对短路的线圈的数量的量度。

图5示出了针对转子相对于电动机4的定子的气隙偏心率的情况的位置曲线o或参考曲线refn。换言之，转子的转动轴线在该情况下相对于定子的中间轴线或轴向轴线非中心地取向。如在图5中比较明显地看到的那样，这种气隙偏心率导致连续的空间矢量转圈的错位或分离，从而位置曲线o具有分开的几何图案。空间矢量r的相继的转圈的分开或相对径向距离在此是针对气隙偏心率的等级的量度。

图6和图7示出了针对电网运行的具有瞬时变化曲线的异步电机4，即基本上针对空间矢量的多个相继的转圈的位置曲线o或参考曲线refn。图6和图7在此示出了针对电动机4的启动，即针对来自静止位置的启动阶段的位置曲线o或参考曲线refn。在图6中示出了无故障的启动，其中在图7中示出了针对有故障的电动机4，在保持架破裂的情况下的变化曲线。

图8和图9示出了针对电压空间矢量，即空间矢量r’的空间矢量图，该空间矢量由(电机)相位u、v、w的作为相位或运行状态参量的相电压确定。电动机4在此尤其是无刷的直流电机。

每个电桥模块24具有两个功率半导体开关28，并且因此可以占据两个不同的开关状态。电桥电路22具有三个这种电桥模块24，从而由此得到2³＝8个开关状态。针对功率半导体开关28的每个开关位置得到相位u、v、w之间的不同的电压情况，并且因此也得到不同的(电压)空间矢量r’。针对两个开关位置(在其中，要么所有三个正路径侧的，要么所有三个负路径侧的功率半导体开关28闭合)，所有三个相位u、v、w短路。由此，在相位u、v、w之间不够测出电压。两个相对应的电压矢量因此也被称为零电压空间矢量，其位于坐标系x-y的原点中。因此，在图8中的位置曲线o或参考曲线refn具有六个主动的和两个被动的电压空间矢量位置。

图9示出了针对电动机4或电流变换器6的有故障的运行的位置曲线o或参考曲线refn，在其中，其中一个功率半导体开关28不能够接通。

在图10中以示意性的和简化的图示示出了用于机器学习方法42的(人工的)神经网络70。

已知的参考曲线refn整合在神经网络70中，借助神经网络检查位置曲线o是否具有已知的特征，其方法是，确定空间矢量r、r’的位置曲线o，并且神经网络70用作输入信号。神经网络70具有输入层(inputlayer)72和至少一个层(hiddenlayer；隐藏层)74以及输出层(outputlayer)76。

网络70或层72、74和76具有一定数量的未详细示出的单神经元，其相互连接。为了简化地示出，在图10中示例性地仅示出了十二个连接。每个连接在此具有权重，其确定了各自的发送神经元对各自的目标神经元的影响。单神经元例如定义为数学函数。

在图10所示的实施例中，为此从(电压)空间矢量r’的(即位置曲线o的)在方法步骤40中产生的图像或图像数据集78确定具有未详细示出的数量的(输入)神经元的输入层72。例如在此，图像78中的每个像素相应于输入层72的一个输入神经元。

至少一个覆盖的层74提取和识别图像78的在此表征的特征。为此，参考曲线refn针对神经网络70培训，并且尤其是整合到层74的拓扑结构中；这意味着的是，参考曲线refn的特征整合在神经元的数学函数中和/或连接的权重中。层74中的神经元的数量因此借助参考曲线refn分类图像78或位置曲线o，并且使其配属于已知的运行状态。换言之，在神经网络70的层74中进行特征比较44。

输出层76具有一定数量的(输出)神经元，其中，每个输出神经元或输出值基本上相应于一个特定的(已知的)运行状态的概率。例如，输出层76的四个示出的输出神经元相应于无错误的运行状态、具有绕组短路的运行状态、具有偏心率故障的运行状态和具有换向故障的绕组短路。此外在此，分别配属的运行状态的各自的操控和/或调节策略arsn整合在输出层76的输出神经元中。

本发明并不局限于之前描述的实施例。相反地，本发明的另外的变型方案也可以由本领域技术人员从中导出，而不会离开本发明的主题。此外尤其地，所有结合实施例描述的单个特征也可以以另外的方式相互组合，而不会离开本发明的主题。

重要的是，借助利用机器学习方法42借助一定数量的学习到的参考曲线refn评估当前的位置曲线o来确定驱动系统2的运行状态。借助评估结果48、54，驱动系统2的电流变换器6和/或电动机4前瞻性地被操控和/或调节。

替代相电流或相电压地，在此也可以检测另外的相位参量，例如磁通量，用以计算空间矢量r、r’。同样可想到的是，作为运行状态参量使用控制和/或调节值或调节信号。例如可想到的是，在两点调节期间(在其中，电流实际值例如调节为电流额定值)，将在电机相位u、v、w中的电流实际值与电流额定值之间的差用作相位或运行状态参量。重要的是，检测的运行状态参量或相位参量满足零条件，即在所有时间点始终相加总和为零，从而空间矢量r、r’可以可靠地确定。

附图标记列表

2驱动系统

4电动机

6电流变换器

8控制器

10供应网络

12a、12b接头

14直流电中间回路/中间回路

16正路径

18负路径

20中间回路电容器

22电桥电路

24电桥模块

26相绕组

28功率半导体开关

30测量装置

32方法步骤

34方法步骤/测量步骤

36方法步骤/计算步骤

38、40方法步骤

42机器学习方法

44方法步骤/特征比较

46分类器

48评估结果

50、52方法步骤

54评估结果

56、58、60方法步骤

62、64方法步骤

66学习阶段/培训方法

68学习机器

70网络

72输入层

74层

76输出层

78图像/图像数据集

s控制/调节信号

uzk中间回路电压

u、v、w相位

iu、iv、iw相电流/相位参量/运行状态参量

mu、mv、mw测量信号

r、r’空间矢量

o变化曲线/位置曲线

refn、ref新参考曲线

arsn、ars新操控/调节策略

x、y轴