预测电机的行为的系统和方法

本发明涉及预测电机的行为。特别地，本发明旨在在电机的寿命周期的初始设计阶段期间预测电机的行为。

电机包含彼此相互作用的多个部件。考虑到多个部件和相关联的物理域，电机的预测行为是复杂的。例如，电机的噪声和振动(NV)通常被分解为磁源、气动源和机械源的组合。磁噪声通常被认为是最关键的噪声之一，因为它引起与高频相关的高音调分量。由于磁源的多物理特性，预测由磁源生成的NV是具有挑战性的。诸如用于汽车领域中的牵引电动机的齿轮箱和逆变器的示例电机具有多个相互作用的部件和多个物理域。

当在电机的早期设计阶段期间必须执行预测时，挑战增加。预测可能需要电磁模型、结构模型和声学模型的相互作用。多域模型的相互作用是复杂的，并且因此导致在设计寿命周期的后期阶段执行噪声行为和振动行为分析。

因此，当噪声行为和振动行为分析指示设计错误时，可能显著增加上市时间。在稍后阶段进行噪声行为和振动行为分析可能需要设计者在设计寿命周期中重新采取步骤并重新考虑整个设计。因此，电机行为的预测中的改进是更期望的。

本发明的目的是实现用于电机的快速且准确的早期设计阶段行为预测。特别地，本发明旨在避免电机的重新设计。

本发明的目的例如通过一种预测至少一个电机的行为的计算机实现的方法来实现，该方法包括生成模拟数据集，模拟数据集(优选地单独地)包括电机的电磁特性、结构特性和声学特性的模拟设计结果，其中，模拟数据集是通过在从电机的设计参数生成的参数模型上模拟电机的至少一个运行条件来生成的；使用设计参数和响应于电机的至少一个运行条件从参数模型输出的模拟设计结果来训练人工神经网络模型；通过对定制设计参数协调人工神经网络模型的执行来预测电机的行为。

目的还通过一种用于预测至少一个电机的行为的系统来实现，该装置包括处理单元；存储器单元，通信耦接到处理单元，存储器单元包括：模拟模块，当由处理单元执行时，被配置为生成模拟数据集，模拟数据集(优选地单独地)包括电机的电磁特性、结构特性和声学特性的模拟设计结果，其中，模拟数据集是通过在从电机的设计参数生成的参数模型上模拟电机的至少一个运行条件而生成的；学习模块，当由处理单元执行时，被配置为使用模拟设计结果和用于电机的至少一个运行条件的参数模型的输出来训练人工神经网络模型；以及预测模块，当由处理单元执行时，被配置为通过针对定制设计参数协调人工神经网络模型的执行来预测电机的行为。

另一示例可以包括编码有可执行指令(诸如存储设备上的软件组件)的非瞬态计算机可读介质，可执行指令在被执行时，使得至少一个处理器执行描述的方法。

考虑到参数模型中输入参数的数量，本发明在具有较高精度的物理模型构建方面优于现有技术方法。此外，本发明建立了使用来自高保真参数模型的数据的数据驱动框架。参数模型和人工神经网络模型(ANN)的组合能够实现更多的随机性和更高的精度，同时满足计算速度要求。

因此，本发明使得能够更快地进行电机的早期设计阶段行为预测，特别是噪声行为和振动行为预测。优点通过能够创建前置所有耗时计算的数据驱动代理模型的ANN来实现。此外，本发明使用高保真参数模型替代影响行为预测精度的假设来保持相同的精度。这意味着用所提出的发明还可以在设计周期的早期包括高度的复杂性。本发明的逻辑结果是减少了设计电机所需的时间和资源。本发明不仅允许设计者/客户更快地设计，而且还允许设计者避免在设计周期中倒退。

术语“电磁特性”、“结构特性”和“声学特性”分别涉及与电磁域、结构域和声学域相关的电机的特性或属性。可以通过在电机的设计周期期间改变电机的设计参数来改变电机的特性/属性。设计参数包括与电机的电磁特性、结构特性以及声学特性相关联的电磁设计参数、结构设计参数以及声学设计参数。

示例设计参数包括转子极数、定子槽数、绕组布局、槽开口宽度、槽高度、定子内径、定子外径、转子外径、偏斜类型、偏斜角度、钢板和永磁体元件的电磁材料特性(B-H曲线、磁导率)、壳体外径、钢板和壳体以及永磁体元件的机械材料特性(杨氏模量、泊松比、质量密度)、以及外部流体的声学材料特性(质量密度)。本发明通过基于设计参数精确地预测电机的行为来改进(甚至在设计的早期阶段)设计周期。

如在此所使用的，电机的“运行条件”是指电机将在其中运行的预期条件。例如，运行条件包括电机中的电流、功率密度、电压、环境压力、环境温度等。

在本发明的实施方式中，电机可以属于其设计参数可以被存储在库(被称为设计数据集)中的许多电机。设计数据集可能是庞大的，并且可能不能直接用于生成模拟数据集。因此，本发明的方法可以包括基于电机的设计数据集的灵敏度分析来选择设计参数，其中，设计数据集包括电机的一个类别的设计参数。此外，系统可以包括参数选择模块，当由处理单元执行时，参数选择模块被配置为基于电机的设计数据集的灵敏度分析来选择设计参数。该选择确保设计参数不会使在参数模型上运行的模拟过载。因此，本发明有利地重复使用可能与电机相关的设计参数，同时确保模拟不是计算密集的。

如在此使用的，“参数模型”是指从电磁设计参数、结构设计参数和声学设计参数生成的二维模型、三维模型和三维有限元模型中的一个。参数模型包括电磁参数模型、结构模型和声学模型。在示例中，电磁参数模型可以是静磁模型。结构参数模型可以是力响应模型。声学参数模型可以是有限元边界分析并且可以包括声学传递分析。

在本发明的实施方式中，方法可以包括基于电磁设计参数、结构设计参数和声学设计参数生成参数模型。此外，系统可以包括模型生成器模块，当由处理单元执行时，模型生成器模块被配置为基于电磁设计参数、结构设计参数和声学设计参数来生成参数模型。通过生成高保真参数模型，本发明有利地确保在参数模型上运行的模拟生成准确的结果。

方法还可以包括基于电磁设计参数生成电磁参数模型，该电磁设计参数包括转子极数、偏斜角、非线性B-H曲线中的至少一者；基于结构设计参数生成结构参数模型，该结构设计参数包括偏斜几何形状、定子直径、壳体几何形状、焊接线中的至少一者；以及基于声学特性来生成声学设计参数模型，声学特性包括声压和壳体几何形状中的至少一者。

在其他实施方式中，与电机相关联的一组参数模型可以是可用的并且被存储在模型数据库中。系统的模型生成器模块可以被配置为确定要从模型数据库中检索的参数模型。参数模型的确定可以基于可用于在参数模型上运行模拟的计算资源。

在实施方式中，通过在电磁参数模型、结构参数模型和声学参数模型上单独地运行模拟来为每个域生成模拟数据集。因此，模拟数据集包括在电磁参数模型、结构参数模型和声学参数模型上运行模拟时输出的模拟设计结果。

方法可以包括通过对电机中的至少一个运行条件执行电磁参数模型来从电磁设计参数合成模拟设计结果，以生成包括模拟力和模拟通量链的模拟设计结果，其中，至少一个运行条件是电机中的电流；通过对模拟力执行结构参数模型来从结构设计参数合成模拟设计结果，以生成包括模拟振动和模拟位移的模拟设计结果；以及通过对模拟振动和模拟位移执行声学参数模型来从声学设计参数合成模拟设计结果，以生成包括模拟声学响应的模拟设计结果。

包括来自参数模型的模拟设计结果的模拟数据集用于ANN的训练和验证。当ANN被训练时，本发明能够在设计者输入定制设计参数的一秒内预测电机的行为。如在此使用的，“定制设计参数”可以与用于训练和验证ANN的设计参数的相同或者是用于训练和验证ANN的设计参数的子集。在一些实施方式中，定制设计参数中可以包括附加的或新的设计参数。在这种情况下，对于新的设计参数，重复从模拟数据集的生成到ANN的训练的方法步骤。当超过新设计参数的阈值数目时，可以成批地执行重复/再训练。设计者可以定义阈值数目。例如，定制设计参数包括转子极数、偏斜角度、转子槽口、非线性B-H曲线、偏斜几何形状、定子直径、壳体几何形状、焊接线、声压和壳体几何形状中的至少一者。

方法可以包括基于协调的人工神经网络模型的执行来预测电机的定制设计参数的噪声行为和振动行为中的至少一者。在一个实施方式中，为了协调ANN的执行，方法可以包括用定制设计参数作为输入并且基于电机中的电流和使用电磁参数模型确定的模拟通量链执行第一人工神经网络模型以生成预测力；用定制设计参数和预测力作为输入，执行第二人工神经网络模型以生成预测振动位移；以及用定制设计参数和预测振动位移作为输入，执行第三人工神经网络模型以生成预测声压。在另一个实施方式中，方法可以有利地包括基于预测力、预测振动位移和预测声压中的至少一者，来预测电机的定制设计参数的噪声行为和振动行为。

在实施方式中，系统可以包括图形用户界面(GUI)，通信耦接到处理单元，GUI被配置为接收电机的定制设计参数，并且其中，GUI被配置为显示这些定制设计参数的所预测的行为。因此，GUI被配置为在接收到定制设计参数的一秒内显示电机的噪声行为和振动行为，其中，响应于电机的至少一个运行条件生成噪声行为和振动行为。

本发明有利地用使用ANN生成的快速代理模型来保持参数模型的准确性。因此，在早期设计阶段，GUI的输出在幅度和频谱上可以等同于参数模型的模拟输出。

下面，使用附图中所示的实施方式来描述本发明。

图1示出了根据本发明的实施方式的电机的预测行为的阶段；

图2示出了根据本发明的实施方式的用于预测电机的行为的系统的框图；

图3示出了根据本发明的实施方式的用于预测电机的行为的系统的框图；以及

图4示出了根据本发明的实施方式的预测电机行为的方法的方法步骤。

以下，对用于实施本发明的实施方式进行详细说明。参考附图描述各种实施方式，其中相同的附图标记始终用于表示相同的元件。在以下描述中，出于解释的目的，阐述了许多特定细节以便提供对一个或多个实施方式的透彻理解。显然，可以在没有这些特定细节的情况下实践这些实施方式。

图1示出了根据本发明的实施方式的预测电机行为的阶段110和150。

如图1所示，预测电机的行为的阶段可以分为离线阶段110和在线阶段150，在离线阶段110中建立模型，在在线阶段150中使用模型来进行运行时行为的预测。

根据本发明的实施方式，在线阶段110采用参数高保真模型122、124和126的混合来生成用于机器学习活动(特别是人工神经网络(ANN)142、144和146)的训练数据。如离线阶段110所示，参数模型122、124和126的结果，即基于电磁、结构、声学模拟的代理模型被输入到ANN 142、144和146以生成在线阶段150中使用的模型。参数模型122、124和126与ANN142、144和146的组合实现了电机的精确和快速的噪声和振动建模。

在步骤112，使用设计参数120为电磁域、结构域和声学域建立参数模型122、124和126。设计参数120可以包括电磁设计参数、结构设计参数和声学设计参数。此外，参数模型可以是从电磁设计参数、结构设计参数和声学设计参数生成的二维模型、三维模型和三维有限元模型中的一个。

在实施方式中，设计参数120可以包括转子极数、定子槽数、绕组布局、槽开口宽度、槽高度、定子内径、定子外径、转子外径、偏斜类型、偏斜角度、钢板和永磁体元件的电磁材料特性(B-H曲线、磁导率)、壳体外径、钢板和壳体以及永磁体元件的机械材料特性(杨氏模量、泊松比、质量密度)、以及外部流体的声学材料特性(质量密度)。

参数模型包括电磁参数模型122、结构模型124和声学模型126。在示例中，电磁参数模型122可以是频率相关的静磁模型。静磁模型可以包括运动部件的影响，并且针对电磁设计参数精确地模拟电机。结构参数模型124可以是评估有限元结构模型的动态强制响应的力响应模型。结构参数模型124可以预测电机对一组施加的瞬态、频率(谐波)、随机振动或冲击谱负载的响应。声学参数模型126可以是有限元边界分析，并且可以包括声学传递分析。

在步骤114，生成用于电磁域、结构域和声学域的模拟驱动数据集132、134、136和138。模拟驱动数据集是用电机的设计参数120作为输入、由参数模型122、124和126执行的模拟的输出。模拟数据集包括利用参数模型合成的模拟设计结果。例如，如果设计参数120包括转子极数、定子直径、堆叠长度等。输出模拟数据集132、134、136和138例如是电磁模型的气隙中的磁通密度分布、结构模型的节点处的振动位移、以及声学模型的声压。

在实施方式中，当电机中的电流130连同设计参数120一起被输入到电磁参数模型中时，生成包括模拟的力132和模拟的通量链134的模拟数据集。此外，当结构参数模型124与设计参数120和模拟的力132一起输入时，生成模拟的振动和位移136作为输出。此外，当声学参数模型126与设计参数120以及模拟的振动和位移136一起输入时，生成模拟声学响应138作为输出。

在步骤116，训练用于电磁域、结构域和声学域的ANN 142、144和146。使用设计参数和模拟设计结果132、134、136和138来训练和验证ANN 142、144和146。

在在线阶段150中，训练的ANN 142、144和146单独或组合，以便评估特定电机的振动-声学行为。在实施方式中，基于定制设计参数180的丰富度来协调ANN 142、144和146的执行。因此，特定电机的定制设计参数180被输入到ANN 142、144和146以预测振动位移和声压。ANN 142、144和146也可以用作参数模型122、124和126的代理模型。此外，ANN 142、144和146可以在系统级模拟模型中使用，并且被称为1D模型。

如图1所示，在在线阶段150中，以定制设计参数180作为输入并且基于电机中的电流130来执行ANN 142，以生成预测通量链152和预测力156。在实施方式中，特定电机中的电流可以是使用电磁参数模型确定的模拟电流154，以生成预测力156。用定制设计参数180和预测力156作为输入来执行ANN 144，以生成预测振动位移158。用定制设计参数180和预测振动位移158作为输入来执行ANN 146，以生成预测声压160。

图2示出了根据本发明的实施方式的用于预测电机行为的系统200的框图。系统200包括处理单元210、存储器单元230和显示器250。处理单元210被配置为执行计算机可实现指令，该计算机可实现指令在存储器单元230中存储为模块220、222、224、226和228。此外，显示器250被配置为显示图形用户界面(GUI)252，以使得用户能够利用定制的设计参数交互式地预测电机的行为。

系统200通信耦接到设计数据库240。设计数据库240存储设计数据集，设计数据集包括与执行其行为预测的一类电机相关的设计参数。例如，设计数据集包括属性的值，诸如：转子极数、定子槽数、绕组布局、槽开口宽度、槽高度、定子内径、定子外径、转子外径、偏斜类型、偏斜角度、钢板和永磁体元件的电磁材料特性(B-H曲线、磁导率)、壳体外径、钢板和壳体以及永磁体元件的机械材料特性(杨氏模量、泊松比、质量密度)、以及外部流体的声学材料特性(质量密度)。此外，设计数据集还可以包括属性的值，诸如超前角、气隙直径、气隙厚度、导体长度、线圈跨度、相位连接、绕组漏电感、导体损耗、叠片厚度、磁体角度、磁体半径、相电压、相电阻、轴直径等。

在实施方式中，系统200可以被配置为从设计数据集中选择设计参数(诸如设计参数120)。可以通过对设计数据集进行灵敏度分析来实现设计参数(120)的选择。灵敏度分析用于确定属性值的偏差是否影响电机的运行。在操作中，处理器210执行存储器单元230中的参数选择模块220以从设计数据集中选择设计参数。

系统200可以被配置为基于设计参数(包括电磁设计参数、结构设计参数和声学设计参数)生成参数模型(诸如参数模型122、124和126)。在操作中，处理器210执行存储在存储器单元230中的模型生成器模块222。

系统200被配置为生成模拟数据集，模拟数据集(优选地单独地)包括对电机的电磁特性、结构特性以及声学特性的模拟设计结果。处理器210执行模拟模块224，模拟模块224通过在由模型生成器模块222生成的参数模型上模拟电机的至少一个运行条件来生成模拟数据集。因此，参数模型与电磁设计参数和运行条件(例如电机中的电流)一起输入，以生成模拟电磁设计结果。如图1的步骤114所示，这被类似地执行以生成模拟结构设计结果和模拟声学设计结果。

系统200被配置为使用模拟设计结果和用于电机的至少一个运行条件的参数模型的输出来训练人工神经网络模型(142、144、146)。处理器210执行学习模块226，学习模块226包括用模拟电磁设计结果、模拟结构设计结果和模拟声学设计结果来训练和验证人工神经网络的指令。学习模型226的输出生成ANN，ANN使得能够通过电机的行为预测实现更快的早期设计阶段。特别地，ANN的训练和验证导致数据驱动代理模型的创建，数据驱动代理模型前置所有用以预测行为的耗时分析。

系统200被配置为通过对定制设计参数协调人工神经网络模型的执行来预测电机的行为。处理器210执行预测模块228，预测模块228包括关于当经由GUI 252接收到定制设计参数时在运行时间执行ANN的指令。预测模块228可以被配置为分析定制设计参数以确定执行ANN 142、144或146中的哪一个。

如在此使用的，“定制设计参数”可以与用于训练和验证ANN的设计参数的相同或者是用于训练和验证ANN的设计参数的子集。在一些实施方式中，定制设计参数中可以包括附加的或新的设计参数。预测模块228被配置为确定新的设计参数，并启动通过学习模块226对ANN的再训练和验证。在其他实施方式中，模型生成器模块222由预测模块228触发以细化参数模型。这又反过来可以触发模拟模块224来细化模拟数据集，并触发学习模块226来重新训练ANN。

系统200还可以使用分布式计算资源来实现。此外，电机的行为的预测可以经由云/边缘计算平台作为服务来提供。图3示出了根据本发明的实施方式的用于预测电机行为的系统300的框图。

系统300包括被配置为托管服务器310、模型数据库312和设计数据库240的云计算平台302。服务器310被配置为执行参数选择模块220和模型生成器模块222。模型数据库312包括为电机生成的参数模型的历史版本。在实施方式中，电机可以与类别相关联。电机的类别可能已经具有相关联的参数模型。模型数据库被配置为访问和存储那些历史版本。

系统300还包括在用户端的客户端设备320，该客户端设备320被配置为使用户能够与系统300交互。客户端设备320包括处理器330和存储器单元340，存储器单元340包括模拟模块342、学习模块344和预测模块346。

在操作中，参数选择模块220被配置为从存储在设计数据库240中的设计数据集中选择设计参数。由模型生成器模块222使用设计参数以生成参数模型。在实施方式中，模型生成器模块222被配置为选择和调整存储在模型数据库312中的模型以生成参数模型。

模拟模块342被配置为当由服务器310执行参数模型时接收包括模拟设计结果的模拟数据集。在实施方式中，服务器310从模拟模块342接收请求模拟数据集的应用编程接口(API)调用。响应于API请求，用设计参数作为输入来运行参数模型，并且发送模拟数据集作为对API请求的响应。

学习模块344被配置为使用模拟数据集和设计参数来训练ANN并且验证ANN。在实施方式中，学习模块344可以传输API调用以从参数选择模块222请求设计参数，并且传输另一API调用到模拟模块以请求模拟数据集。响应于API请求，设计参数被发送到学习模块344。

预测模块346在运行时在客户端设备处执行。因此，在执行预测模块346之前，客户端设备320被配置为显示参数模型和设计参数。客户端设备320可以包括显示器360或可以通信耦接到显示器。显示器360被配置为显示GUI 350。GUI 350是使用户能够输入定制设计参数并且预测电机的行为的交互式设计工具。

如图3所示，GUI 350包括多个交互部分352、354和356以及当被选择时执行某些功能的标准模拟图标。交互部分352、354和356包括参数模型352、模型配置部分354和设计参数配置部分356的可视表示。

GUI可能已经显示了具有相关模型配置354的参数模型352。所显示的参数模型352和配置354可以通过执行模型生成器模块222和模拟模块342来生成。用户可以使用设计参数配置部分356提供定制设计参数。当接收到定制设计参数时，处理器330执行预测模块346。预测模块346用定制设计参数作为输入运行ANN以预测电机的行为。

在实施方式中，所预测的行为是电机的噪声行为和振动行为。噪声行为和振动行为由ANN响应于电机的一个或多个运行条件(诸如电流)而生成。GUI 350被配置为在接收定制设计参数的一秒内显示电机的噪声行为和振动行为。

图4示出了根据本发明实施方式的预测电机行为的方法400的方法步骤。

方法400开始于步骤410，生成模拟数据集，该模拟数据集(优选地单独地)包括电机的电磁特性、结构特性和声学特性的模拟设计结果。通过在从电机的设计参数生成的参数模型上模拟电机的至少一个运行条件来生成模拟数据集。

在实施方式中，步骤410还可以包括基于电机的设计数据集的灵敏度分析来选择设计参数。设计数据集包括一类电机的设计参数。设计参数包括与电机的电磁特性、结构特性以及声学特性相关联的电磁设计参数、结构设计参数以及声学设计参数。

在又一实施方式中，步骤410可以包括基于电磁设计参数、结构设计参数和声学设计参数生成参数模型，其中，参数模型包括基于电磁设计参数、结构设计参数和声学设计参数的二维模型、三维模型和三维有限元模型中的至少一者。

参数模型包括电磁参数模型、结构参数模型和声学参数模型。因此，步骤410可以包括基于电磁设计参数生成电磁参数模型，该电磁设计参数包括转子极数、偏斜角、非线性B-H曲线、定子外径、定子内径、槽开口宽度(即定子尺寸)和转子尺寸中的至少一者。步骤410还可以包括基于结构设计参数生成结构参数模型，该结构设计参数包括偏斜几何形状、定子直径、壳体几何形状、焊接线中的至少一者。此外，步骤410可以包括基于声学特性生成声学设计参数模型，该声学特性包括声压和壳体几何形状中的至少一者。

参数模型用于生成模拟数据集。因此，步骤410可以包括通过对电机中的电流执行电磁参数模型来从电磁设计参数合成模拟设计结果，以生成包括模拟力和模拟通量链的模拟设计结果。此外，步骤410可以包括通过执行用于模拟力的结构参数模型来从结构设计参数合成模拟设计结果，以生成包括模拟振动和模拟位移的模拟设计结果。此外，步骤410可以包括通过执行用于模拟振动和模拟位移的声学参数模型来从声学设计参数合成模拟设计结果，以生成包括模拟声学响应的模拟设计结果。

步骤420包括使用设计参数和响应于电机的至少一个运行条件从参数模型输出的模拟设计结果来训练人工神经网络模型(ANN)。例如，至少一个运行条件是电机中的电流。在实施方式中，步骤420包括通过将ANN的输出与从操作中的类似电机生成的传感器数据进行比较来验证经过训练的ANN。

步骤430包括通过对定制设计参数协调ANN的执行来预测电机的行为。在实施方式中，步骤430可以包括用定制设计参数作为输入并且基于电机中的电流以及使用电磁参数模型确定的模拟通量链，来执行第一人工神经网络模型，以生成预测力。此外，步骤430可以包括用定制设计参数和预测力作为输入来执行第二人工神经网络模型，以生成预测振动位移。此外，步骤430可以包括用定制设计参数和预测振动位移作为输入来执行第三人工神经网络模型，以生成预测声压。

在另一实施方式中，步骤430包括基于协调的第一ANN、第二ANN和第三ANN的执行来预测电机的定制设计参数的噪声行为和振动行为中的至少一者。噪声行为和振动行为的协调基于定制设计参数的丰富度/质量以及用于执行ANN的计算资源的可用性。例如，步骤430可以包括基于计算资源生成预测力、预测振动位移和预测声压中的至少一者的能力来预测电机的定制设计参数的噪声行为和振动行为。

在又一个实施方式中，步骤430可以包括在接收定制设计参数的一秒内并且响应于电机中的电流，显示电机的噪声行为和振动行为。

出于本描述的目的，计算机可用或计算机可读的非瞬态存储介质可以是能够包含、存储、传送、传播或传输用于指令执行系统、装置或设备使用或与之结合使用的程序的任何装置。介质可以是电子的、磁的、光的、电磁的、红外的或半导体系统(或装置或设备)或者它们本身的或所在的传播介质，由于信号载体不包括在物理计算机可读介质的定义中，物理计算机可读介质包括半导体或固态存储器、磁带、可移动计算机盘、随机存取存储器(RAM)、只读存储器(ROM)、刚性磁盘和光盘、光盘只读存储器(CD-ROM)、光盘读/写、以及DVD。用于实现本技术的每个方面的处理单元和程序代码都可以是本领域技术人员已知的集中式的或分布式的(或其组合)。另外，虽然本公开将配置工具110描述为独立组件，但是配置工具可以是软件组件，并且可以在分布式控制系统或工程软件套件中实现。另外，在实施方式中，工程模块的一个或多个部分可以在技术系统内实现。

虽然已经参考某些实施方式详细描述了本公开，但是应当理解，本公开不限于那些实施方式。鉴于本公开，对于本领域技术人员而言，在不脱离如本文所述的本公开的各种实施方式的范围的情况下，将可以存在许多修改和变化。因此，本公开的范围由所附权利要求而不是由前述描述来指示。在权利要求书的等价物的含义和范围内的所有改变、修改和变化被认为在其范围内。在方法权利要求中要求保护的所有有利实施方式也可以应用于系统/设备权利要求。