用于识别机电切换机构磨损的装置和方法

技术领域

本发明涉及一种用于监控损耗情况的系统。

本发明尤其涉及用于识别机电切换机构磨损的装置和方法。

背景技术

在进行预测性维护的过程中重要的是，识别诸如机电继电器这样的切换元件的状态或保护情况并且在可能出现故障之前就更换耗用的或磨损的切换元件以避免停机或失效时间。

在安全性重要的应用中，连续地监控可切换元件的状态可能更为重要。

在DE 10 2016 124083 B4中通过以下方式监控继电器，即得出机械和电的状态变量并且经由特征曲线得出继电器的状态。

在DE 10 2018 114 425 A1中提出一种切换监控装置，该切换监控装置可与触头负荷无关地探测继电器在线圈侧上(电分离)的切换时间点。

发明内容

本发明的目的是，提供用于识别磨损的改进装置和改进方法。

该目的通过独立权利要求的对象实现。改进方案和实施方式可由从属权利要求、说明书和附图中得出。

本发明的第一方案涉及用于识别机电切换机构磨损的装置，其中，该装置包括测量机构和评估机构：

测量机构构造成，检测机电切换机构的至少一个预定运行参数。

评估机构构造成，基于机器深度学习方法在优选呈练习数据形式的批量数据的辅助下从检测到的机电切换机构预定运行参数中得出机电切换机构的当前磨损状态。

本发明能够确定机电切换机构的状态，例如机电继电器或切换保险的状态并且在即将发生可能故障之前更换用过的或经磨损的切换元件，使得停机时间最小或者防止出现停机或避免其他的干扰。

本发明能够以最小的测量费用可靠地确定机电切换机构的老化。

本发明通过人工智能的方法，例如机器学习或如人工神经网络以及人工神经网能够基于在学习过程中使用的练习数据预测当前的测量数据。

下面也将称为“机器的深度学习方法”的英语表述“Deep Learning”方法、德语表述“tiefgehendes Lernen”例如定义为一类人工神经网络优化方法，其在输入层和输出层之间具有多个中间层，英语“hidden layers(隐藏层)”并且由此具有整面的内部结构。

这有利地使得无需手动地提取特征或确定监控的特征。因此可在训练具有呈练习数据形式的批量数据(英语也称为“Big Data(大数据)”)的模型时得到精确结论，其中在此也可以机电切换机构的状态数据标记练习数据，即被引用或标注。

根据本发明的一种实施方式，为此在多个不同的使用场景中测量具有多种不同负载的多个继电器并且对当前的状态，例如磨损、温度、切换周期、当前负载进行评价或标记。

例如在继电器经过100000次切换周期之后发生故障并且先前已经记录并且存储所有切换周期，本发明的装置或根据本发明的方法可得出，如果在负载不变的情况下基于线性老化该特殊继电器在50000次切换周期时大约老化50％。因此，在继电器故障之后可对过去记录的100000次切换周期的数据进行评述并且分别用标记、例如从0％至100％的老化程度来设置且用于练习数据。

因此例如在本发明的一种实施方式中，通过从标记的100000次切换周期中选出来训练神经网络并且在神经网络稍后检测与前述50000次切换周期类似的切换周期作为与另一相同类型继电器的当前切换周期时，神经网络可评估该继电器也磨损约50％，即使另一继电器在该时刻可能仅以另一负载运行1000切换周期。

但是在该神经网络中没有直接比较切换周期，而是通过在训练过程中的优化方法学习方法本身或优化内部参数，使得表征磨损的重要特征名义上包含在神经网络中，因此可输出对当前未知输入数据的预测。

在本发明的实施方式中，在评估机构中实施的神经网络已经在先经过训练并且通过评估当前测量能够得出当前安装的继电器的当前状态，确定磨损状态。

在评估机构中实施的神经网络也可同时考虑电子切换机构的使用历史，例如可基于继电器通常随着时间进展没有变好，而是变差，即原则上始终增加磨损。为此可使用所谓的冗余的神经网络或使用其他方法。

本发明的有利设计方案由从属权利要求得出。

在本发明的有利实施方式中，评估机构构造成，基于得出的当前磨损状态和批量数据获得对机电切换机构的未来损耗变化的预测。

这也能够有利地预测机电切换机构未来磨损的发展和预期的损耗。

例如在继电器的负载大致恒定时，在过去通常每周1000个切换周期，继电器现在执行40000个切换周期，通过评估机构预测当前磨损为80％并且前提条件为线性老化，可简单地推测出，继电器的剩余使用寿命可为约10000个切换周期或10周。当然也可使用较复杂的老化模型。

在本发明的有利实施方式中，该装置构造成提供的批量数据与机电切换机构的相应状态对应；其中，优选测量机构具有处理器。

在本发明的有利实施方式中，测量机构还构造成经由数据端口传输包括检测到的至少一个预定运行参数的数据流；其中优选地该测量机构还构造成，与供能机构耦联和/或经由机电切换机构的操控信号供给能量。

在本发明的有利实施方式中，该装置具有多个测量机构并且评估机构构造成基于多个检测到的预定运行参数得到多个机电切换机构的当前磨损状态。

在本发明的有利实施方式中，评估机构作为中央计算机环境分布地构造在计算机网上，其中优选地，该装置还构造成，经由传输通道将关于当前磨损状态的数据传输给机电切换机构。

在本发明的有利实施方式中，测量机构构造成集成在用于机电切换机构的继电器基座中。

在本发明的有利实施方式中，评估机构构造成，集成在用于机电切换机构的继电器基座中，其中优选地，评估机构还构造成用作集成在其他继电器基座中的用于其他机电切换机构的多个测量机构的共同主模块。

在本发明的有利实施方式中，该装置还包括显示机构，显示机构优选构造成显示机电切换机构的当前磨损状态。

在本发明的有利实施方式中，机电切换机构的至少一个预定的运行参数包括操作力、反力、操作路径、超升程、切换点、光脉冲、电弧、声音信号、磁场、温度、线圈电流、线圈电压、接触电流、负载电流或接触电压。

在本发明的有利实施方式中，批量数据包括任意的运行参数并且任意的运行参数包括机电切换机构的操作力、反力、操作路径、超升程、切换点、光脉冲、电弧、声音信号、磁场、温度、线圈电流、线圈电压、接触电流、负载电流或接触电压。

在本发明的有利实施方式中，测量机构构造成，检测任意的运行参数作为基于在机电切换机构初始化阶段期间预先测量的特征曲线。

在本发明的有利实施方式中，评估机构构造成，在机器深度学习中(i)从批量数据中提取特征和/或(ii)使用批量数据的特征分类。

在本发明的有利实施方式中，评估机构具有神经网络、支持向量机、分类器和/或回归器。

在本发明的有利实施方式中，评估机构构造成，基于多个检测的预定运行参数确定机电切换机构的单个损耗曲线变化并且基于此得到相应机电切换机构的类型参数。

在本发明的有利实施方式中，测量机构构造成，检测机电切换机构的环境参数和/或机电切换机构的类型参数、优选呈制造商代码形式。

在本发明的有利实施方式中，评估机构构造成，基于机电切换机构的环境参数和/或机电切换机构的类型参数确定机电切换机构的当前磨损状态。

在本发明的第二方案中是识别机电切换机构磨损的方法，其中该方法包括以下的方法步骤：

作为第一方法步骤，借助测量机构检测机电切换机构的至少一个预定的运行参数。

作为第二方法步骤，借助评估机构根据机器深度学习方法通过优选呈练习数据形式的批量数据的辅助由检测到的机电切换机构的预定运行参数得出机电切换机构的当前磨损状态。

作为第三方法步骤，可选地基于批量数据并且借助评估机构得到对机电切换机构的未来损耗变化的预测。

根据第三方案，本发明包括计算机程序或计算机程序产品，其包括在通过计算机执行程序时使得计算机执行根据第二方案的方法的步骤或第二方案的任意实施方式的命令。

根据第四方案，本发明包括计算机可读的存储介质，其包括在通过计算机执行程序时使得计算机执行根据第二方案的方法的步骤或第二方案的任意实施方式的命令。

所述设计方案和改进方案可任意地组合。

本发明的可能的其他设计方案、改进方案和实施方案也包括前面或下面关于实施方式描述的本发明的特征的未明确提及的组合。

附图应用于进一步理解本发明的实施方式。

附图示出了实施方式并且与说明书结合来解释本发明的原理。

参考附图得出其他的实施方式和多种所述优点。附图示出的元件不一定彼此按正确比例示出。

附图说明

其中示出：

图1示出了根据本发明的一种实施例的识别机电切换机构磨损的装置的示意图；以及

图2示出了根据本发明的一种实施例的识别机电切换机构磨损的方法的示意图；

图3示出了根据本发明的一种实施例的识别机电切换机构磨损的装置的示意图；

图4示出了根据本发明的一种实施例的识别机电切换机构磨损的图表的示意图；

图5示出了根据本发明的一种实施例的识别机电切换机构磨损的图表的示意图。

图6-图9分别示出了根据本发明的一种实施例的识别机电切换机构磨损的装置的示意图；以及

图10示出了根据本发明的一种实施例的识别机电切换机构磨损的图表以及另一测量机构的示意图。

具体实施方式

如果没有相反指示，在附图中相同的附图标记表示相同的或功能相同的元件、构件、部件或方法步骤。

例如本发明中使用的术语“人工神经网络”例如包括基于彼此连接的单元或节点的集合的计算机网络，这些彼此连接的单元或节点称为人工神经元并且对生物脑中的神经元松散建模。

例如本发明使用的术语“递归神经网络”例如包括与称为前馈网络的正常网络相对的神经网络，其通过从一层的神经元到同一层的神经元或上一层的神经元的连接部表征。

图1示出了根据本发明的一种实施例的识别机电切换机构磨损的装置的示意图。

装置100包括测量机构10和评估机构20。

测量机构10用于检测机电切换机构的至少一个预定运行参数。

评估机构20用于根据机器深度学习方法在优选呈练习数据形式的批量数据的辅助下由检测到的机电切换机构预定运行参数得出机电切换机构当前的磨损状态。

该方法能够识别磨损、即提供对机电切换设备的损耗或损耗情况的监控。

测量机构10例如构造成用于探测运行参数的测量机构，例如以下事件，即机电切换设备的切换过程、机电切换设备的温度提升或呈继电器形式的机电设备的距离或是否故障。

测量机构10例如构造成用于探测事件的曲线走向和/或其中一个或多个特征变量。

评估机构20例如用于使有代表性的数字数据与当前事件或当前运行参数相对应。

还可将有代表性的数据和/或练习数据和/或状态数据匹配到人工神经网络中。

该事件或运行参数例如可为切换瞬间的线圈电流，也可将多个电或物理变量组合成一个运行参数，例如线圈电流和接触电压。也可将计算的值，例如得出的超升程作为运行参数。

图2示出了根据本发明的一种实施例的识别机电切换机构磨损的方法的流程示意图。

作为第一方法步骤，借助测量机构检测S1机电切换机构的至少一个预定的运行参数。

作为第二方法步骤，借助评估机构根据机器深度学习方法在优选呈练习数据形式的批量数据的辅助下由检测到的预定机电切换机构运行数据得出S2机电切换机构的当前磨损状态。

图3示出了根据本发明的一种实施例的识别机电切换机构磨损的装置。

在图3中示出的装置提供根据本发明的方法的测量构造。继电器或接触器或机电切换设备在内部构造有线圈，线圈可经由触头被加载电压。

根据本发明的一种实施例，一旦在线圈上施加电压，电流开始流过线圈，构建电磁场，将力施加到衔铁上并且衔铁运动形成接触，使得根据类型、开启器或闭合器来闭合或打开电触头。开启器和闭合器的组合称为转换器。

对此，根据本发明的一种实施例，本发明可用于任意的继电器或其他的机电切换设备。

本发明使得能够检测和评估继电器的表征性的电变量。

根据本发明的一种实施例可如图3中所示通过直接测量将以下的电变量或物理变量用作检测的变量或运行参数：

i)线圈电流

ii)线圈电压

iii)触头电流或负载电流

iv)触头电压或负载电压。

根据本发明的一种实施例，也可经由对此合适的其他电路测量其他的特征变量，例如切换时间点或触头电阻。

根据本发明的一种实施例，也可检测其他的测量变量，例如尝试在打开时探测触点处可能的电弧或者通过磁场传感器给出对线圈中磁场的说明。

根据本发明的一种实施例，然后通过一个或多个呈测量机构10形式的测量机构检测经测量的变量并且同时数字化。

根据本发明的一种实施例，在此加入其他的信息，例如间接测量的时间戳或计数器读数。

根据本发明的一种实施例，在此可基于连续测量连续地存在数字数据或有利地仅在基于不同触发来切换事件时才更新数字数据。

根据本发明的一种实施例，优选例如仅在有切换事件时才传输触点电压。在接通和断开过程之间的时间、即在导电阶段期间的时间里，接触电压的信息内容可能没有意义，因为在接触足够良好的状态下接触电压预期几乎为零。

在断开瞬间，接触电压的信息内容可能非常有用，因为其中例如可能包含关于由于接触面出现损耗形成电弧的信息，这可说明有一定量的材料剥蚀以及磨损。

因此根据本发明的一种实施例，只有在每次切换过程时更新数字数据，换句话说测量机构10例如构造使得通过切换过程触发进行测量，其中也可设置测量的触发间隔。

根据本发明的一种实施例，只有每第二次切换过程、每10次切换过程或每100次切换过程进行评估。

根据本发明的一种实施例，每时间单元，例如每分钟或每小时或每天一次进行更新并且通过测量机构10测量，换句话说设置切换时间间隔。

在有温度监控时，也可在切换过程之间更新数字数据，例如继电器在导电阶段中持续地接通过高的负载、即在其规格之外运行时更新数字数据。

根据本发明的一种实施例，在更新之后将数字数据传输给评估机构20中的上述人工神经网络。

根据本发明的一种实施例，此时人工神经网络包括数字数据并且可在计算之后从中预测出继电器的状态。

根据本发明的一种实施例，人工神经网络的可能方案例如是：

i)“继电器磨损达70％”

ii)“继电器类型为XXX或YYY”

iii)“继电器连接在小的/中等的/大的/过大的负载上”

iv)“预期剩余使用寿命为3年2个月”

v)“继电器中的温度预测在70℃和80℃之间”

vi)“注意：有危险，继电器立即粘住”。

神经网络必要时由练习阶段中已经学习的数据根据曲线变化得出继电器类型。

例如可经由老化原理和对已经进行的切换周期确定负载，例如在继电器1000次周期之后具有30％磨损时，待切换的负载可能过大并且将来对于保持不变的负载会继续提高损耗。

根据本发明的一种实施例，在测量负载电流时，也可能会得到关于负载类型的说明，例如涉及电感和/或电容和/或欧姆方面。

根据本发明的一种实施例，在负载多少保持恒定且切换间隔遵循一个固定周期时，评估机构20可构造成，必要时预测剩余使用寿命。

根据本发明的一种实施例，必要时从触头处的测量中得出，还有多久的剩余使用寿命，或在线圈电流的形式明显改变时，也可对此得到损坏。

根据本发明的一种实施例必要时可得出，尽管施加电压，测量的线圈电流还是为零或近似为零。必要时从中可得出线圈故障或得出没有连接线圈的结论。

根据本发明的一种实施例，从线圈电流的变化中确定与温度相关的电阻或电感。

根据本发明的一种实施例，替代地也可直接地经由热电偶测量温度。

根据本发明的一种实施例，例如可比较测量数据中或从中推导出的数据中的表征性图案，该数据例如在接通或切断过程期间测量。

在图4中示例性地示出了经测量的变量的曲线变化。在此是接通瞬间、即在t＝0的时间点，线圈处有电压突变并且保持在恒定的值。

在上部图表示出了新的继电器的曲线变化，而在下部图表中示出了严重老化继电器的曲线变化。

虽然在此随机过程起作用并且同一机电切换机构的两个依次紧接的接通瞬间会彼此显著不同，但是在机电切换机构的损耗变化的对应阶段中一再发生的切换事件类似并且在该时间过程中这些值缓慢地朝一个方向迁移。

此时从曲线变化中可自动地推导出表征性的特征。示例性的参数或特征是所谓的超升程，该超升程反映在接触连接和衔铁碰撞之间的时间中。

该超升程实际上是一行程，该行程以mm测得，但是基于单位为m/s或mm/ms的衔铁速度也可以ms表达类似的表征性特征。在本文中该变量也称为超升程。即从曲线变化中读取出在第一接触连接和衔铁碰撞之间的时间段，在此可为每个接通过程确定时间超升程。

如根据两个图表可看出，新的继电器和严重老化的继电器的曲线变化彼此显著不同。

因此例如在严重老化的继电器中可以观察到触头弹动显著增加。

此时人工神经网络的任务是从这些数据中识别出损耗率并且进行量化。

在图5中示出了图表并且在使用寿命上绘出了测得的时间上的超升程。虽然可看出在机电切换机构的1000个寿命周期的过程中超升程总体下降的趋势，但是也清楚的是，各个测量值严重受到噪声污染。

即不能简单地测量超升程并且从中估计出继电器损耗程度。

在图6中再次以图像示出了根据本发明的方案。在先前经练习的神经网络中给出测得的曲线变化，该神经网络根据先前学习的曲线可提供关于继电器状态的预测。

神经网络先前已经用标记的(带有附加的)数据进行了练习。已经重复地将测量提供到网络中并且对每次测量都说明了继电器在该次测量中实际老化程度。神经网络在学习阶段的优化过程中此时独立地尝试寻找引起老化的表征性的特征。

在图7中绘出根据本发明的构造的一种实施例。在此使用继电器基座1020，继电器基座将测量电阻上的线圈电流、也称为分流器转变为电压并且经由测量机构，例如逻辑-数字-转换器、ADC、A/D转换器、英语为ADC-“analog-to-digital converter(模数转换器)”测量并且数字化。

处理器可将数字电流数据转换为数据电流并且经由用“数据+(Data+)”“数据-(Data-)”表示的端口继续输送。

可加入额外的数据，例如时间戳、温度等。可从外部加入辅助能量，用“PWR+”和“PWR-”表示，或者从线圈操控信号中获得。

如果选择这种情况需要注意的是，仅在接头上施加电压时确保供电。另外也可经由缓冲电容器暂时地存储能量，以便可在测量过程之后还能传输数据。

在该实施例中在继电器基座之外实现的神经网络在该实施例中具有的任务是，从线圈电流以及可能的少量额外信息中得出继电器状态。

在这种情况下例如不是直接地计算超升程。但是这也不是一定必需的，因为神经网络自动地得出相关特征。

根据一种实施例设置数据端口，使得将测量数据传输给云端，在云端中维护和执行神经网络。然后在此可结合继电器的所有信息。必要时有可选的返回通道，以便例如在继电器基座上直观地显示状态。

在图8中，多个继电器基座1020经由局部通信总线彼此连接并且继电器基座1020的各个测量数据通过中央主模块管理。

在主模块中可以实现神经网络，该神经网络监控连接在局部总线上的继电器。主模块可配设有另一数据端口，以在外部继续传递获得的数据。

也可通过主模块仅收集各个继电器的数据并且在外部设备上评估和管理神经网络。

替代地也可在主模块中仅进行数据预处理或者处理神经网络的一部分并且在外部设备中处理其他部分。

在另一实施方式主模块也可设计成，没有自身的机电切换机构100以及没有自身的测量机构10直接地连接在其上，而是通过主模块仅收集数据并且如上所述地继续处理。

根据本发明的一种实施例，神经网络也可包括处理器或微型处理器。

根据本发明的一种实施例，该装置还包括显示机构30，显示机构可以多层显示器的形式或交通信号灯形式呈现。

例如可看见以下情况：

等级1：新产品(“新”)

等级2：在使用中的产品(“使用中”)

等级3：经损耗的产品(“已磨损”)

等级4：接近寿命终止(“寿命终止”)

在该实施例中可将使用的继电器与继电器基座耦联，即，例如紧接在生产之后并且在交付产品给客户之前运行几个切换周期并且使神经网络为该继电器获得精确匹配。

如果稍后需要将新的继电器装入基座中，神经网络例如可暂时地基于新的继电器进行精练习。

这可在所谓的初始化阶段进行。也可想到的是，将关于继电器的额外信息(例如制造商编码)手动地输入到继电器基座中，例如经由额外的数据端口输入，由此更好地预测神经网络。

额外的可选数据端口可设置用于不仅直接在继电器上呈现获得的关于继电器状态的信息，而是提供到上一级网络中。但是也可想到，例如在有新版本的神经网络时经由端口将“升级”或“数据状态变化”传递到继电器基座中。

在图10中示出了继电器基座的变型，其中示出，除了线圈电流以外，在继电器基座中可集成其他的测量技术。在此方案是多样化的并且在图10中简单描述。

因此例如可使得呈评估机构20形式的控制器获得机电切换机构的接通信号并且其操控机电切换机构1000的线圈。

由此可获得额外的灵活性，例如可特别匹配继电器地操控线圈或者等待合适的接通时间点，例如在AC应用中，在此例如可有利的是，在接通继电器之前等待触点上的电流零位通过。

在此可有利地使用图10示出的电路技术，以便获得关于触点切换时间点的信息，无需在接触侧提供麻烦的直接测量技术。

虽然前面根据优选的实施例描述本发明，但是本发明不限于此，而是可以多种方式进行改型。尤其本发明可以多种方式改变或修改，都不会偏离本发明的核心。

作为补充需要指出的是，“包括”和“具有”没有排除其他元件或步骤并且“一个”不排除多个。

还需要指出的是，参考上述其中一个实施例描述的特征或步骤也可与上述另一实施例的特征或步骤组合使用。权利要求中的附图标记不作为限制。