Elektrische Maschinen und Antriebssysteme

In diesem Sammelband werden die aktuellen Entwicklungen und Forschungsergebnisse der Professur für Elektrische Maschinen und Antriebssysteme im Jahr 2024 vorgestellt. Die Professur ist seit diesem Jahr Mitglied des neu gegründeten KI Institutes sowie des Forschungsschwerpunktes „Nachhaltige Energie“ der HSU. An der Professur wurden vier Promotionen abgeschlossen und erfolgreich verteidigt. Das Thema der Dissertation von Herrn Matthias Kowalski lautet „Über Wirbelstromphänomene in Ständerstäben in Nutaustrittsbereichen leistungsstarker Turbogeneratoren“. Er entwickelt hierin eine effiziente Submodell-Methode zur genauen Berechnung von Wirbelstromverlusten und wendet diese sehr ausführlich für verschiedene Geometrien und Betriebspunkte an. Der zusätzlich entwickelte thermische Alterungsrechner bietet ein großes Potential, die Auslegung von großen elektrischen Maschinen weiter zu optimieren und auch die Alterung der Maschine während des Betriebs besser zu überwachen. Herr Florian Dreishing hat zum Thema „Auslegung und methodische Entwicklung von biegeflexiblen elektrischen Linearmotoren” promoviert. Neben der Methodenentwicklung zur Auslegung hat Herr Dreishing auch die Fertigung und Regelung dieses neuartigen Antriebssystems umfänglich erforscht. Durch die Arbeit wurde ein signifikanter Erkenntnisgewinn auf dem Gebiet der biegeflexiblen Linearmotoren erzielt. Die Ergebnisse tragen dazu bei, neue Softrobotikanwendungen und Exoskelettlösungen zu erschließen. Herr Florian Zellmer hat zum Thema „Methodenentwicklung zur Auslegung segmentierter Schienenbeschleuniger, welche mehrphasig betrieben werden können” promoviert. Durch den segmentierten Aufbau werden neue Anwendungsfelder im Transportbereich und für Testaufbauten erschlossen. Diese reichen vom schnellen Transport von beispielsweise Organen und Gewebeproben zwischen zwei medizinischen Zentren bis hin zur Beschleunigung von Mikrosatelliten. Das Thema der Dissertation von Herrn Moritz Benninger lautet „KI-basiertes Monitoring und Diagnose von elektrischen Maschinen im industriellen Umfeld“. Durch die Arbeit von Herrn Benninger wurde ein signifikanter Fortschritt auf dem Gebiet der Fehlererkennung in elektrischen Maschinen erzielt. Die Ergebnisse tragen dazu bei, praxistaugliche, kostengünstige und automatisierte Monitoring und Diagnosesysteme für elektrische Maschinen zu entwickeln. Die Beiträge des Sammelbandes setzen sich aus Fortschrittsberichten und Gastvorträgen zusammen, welche im Rahmen des jährlichen EMA Workshops am 05.12.2024 vorgestellt wurden.

Biegeflexible Linearantriebe bieten im Gegensatz zu starren Antrieben neue Gestaltungsmöglichkeiten bei der Auslegung innovativer weicher Antriebssysteme. Als Anwendungen kommen weiche Exoskelette, sogenannte Exosuits, oder Systeme im Bereich der Softrobotik infrage. Zentrales Ziel dieser Arbeit ist es, durch methodisches Vorgehen die Entwicklung eines elektrischen Linearmotors in biegeflexibler Bauform umzusetzen. Die Entwicklungsmethodik erstreckt sich über mehrere Abstraktionsebenen von einer konzeptionellen Analyse über eine modellbasierte Auslegung bis hin zum Aufbau und der Inbetriebnahme eines Prototyps, der abschließend einer experimentellen Analyse unterzogen wird. In der konzeptionellen Analyse werden Bauformen und Funktionsprinzipien von linearen Maschinen in Hinblick auf die Umsetzung in biegeflexibler Form erörtert. Auf Grundlage dessen wird die permanentmagneterregte lineare Synchronmaschine in tubularer Bauform als Topologie ausgewählt und ein Grundkonzept des Motors erstellt. Für das Grundkonzept wird mithilfe mathematischer Modelle eine Optimierung der Geometrie hinsichtlich der Kraftdichte vorgenommen. Dies umfasst die Erarbeitung eines geometrischen Modells des gebeugten Motors zur Abschätzung mechanischer Randbedingungen und die Anwendung einer analytischen Methode zur Berechnung der elektromagnetischen Kraft für die Optimierung. Auch die Integration eines flexiblen, schwach ferromagnetischen Materials wird geprüft. Weiterhin wird ein Positionserfassungssystem ausgelegt, welches mit der flexiblen Struktur des Motors vereinbar ist. Ein entsprechend der modellbasierten Auslegung entworfener Prototyp des Linearmotors wird gefertigt und in Betrieb genommen. Dazu wird eine Regelung implementiert, sodass der Motor im kraft- und positionsgeregelten Betrieb experimentell untersucht werden kann. Die Versuche bestätigen die Funktionsweise des Motors für alle vorgesehenen Betriebsarten, verschiedene Belastungen und Beugungen bis zu einem Biegeradius von 200 mm und validieren damit die in dieser Arbeit vorgestellte Auslegungsmethodik.

Turbogeneratoren nehmen hinsichtlich der Wandlung und Übertragung elektrischer Leistung eine Schlüsselrolle in der gegenwärtigen und zukünftigen Energiewirtschaft ein. In einer zunehmend elektrifizierten Welt ist ihre Zuverlässigkeit von essenzieller Bedeutung. Die vorliegende Dissertation ist durch eine erhöhte Schadenshäufigkeit des Isoliersystems der Ständerwicklung im Bereich des Blechpaketendes solcher Turbogeneratoren motiviert. Es wird die Arbeitshypothese aufgestellt, dass lokale Heißstellen in diesem besonders betroffenen Bereich maßgeblich zu beschleunigten Alterungsprozessen des Isoliersystems beitragen. Unter Verwendung einer neu entwickelten elektromagnetischen Submodell-Methode für Simulationen mit Finiten-Elementen, werden Wirbelstromverluste in Ständerstäben infolge radial gerichteter magnetischer Endfelder berechnet. Diese Wärmequellen werden in ein thermisches FE-Modell zur Temperaturfeldberechnung übertragen, welches lokal deutlich erhöhte Temperaturen des Ständerstabes im Nutaustrittsbereich ausweist und die Arbeitshypothese bestätigt. Ferner erfolgt die Simulation verschiedener betrieblicher sowie geometrischer Einflussgrößen, wie beispielsweise die der Abtreppungsgeometrie. Der in dieser Dissertation erzielte Wissenserwerb ermöglicht eine Optimierung künftiger elektrischer Maschinen und erhöht deren Zuverlässigkeit, was sich als wertvoller Beitrag für die bevorstehende Elektrifizierung der Zukunft erweist.

In diesem Sammelband werden die aktuellen Entwicklungen und Forschungsergebnisse der Professur für Elektrische Maschinen und Antriebssysteme im Jahr 2023 vorgestellt. An der Professur wurden zwei Promotionen abgeschlossen und erfolgreich verteidigt. Das Thema der Dissertation von Herrn Pedram Quseiri Darbandeh lautet „Fault Diagnosis in a Permanent Magnet Synchronous Motor using Deep Learning“. Er untersucht hier sehr strukturiert und umfangreich die Möglichkeiten der datenbasierten Fehlerklassifizierung in Abhängigkeit verschiedener Sensorsignale, Datenaufbereitungsmethoden und verschiedener Trainingsmethoden für neuronale Netze. Herr Johannes Liebrich hat zum Thema „Entwicklung einer Methode zur Charakterisierung von Hochtemperatur-Supraleitern” promoviert. Die Arbeit liefert wichtige Erkenntnisse zu Schadensmechanismen und dem Ermüdungsverhalten von Supraleitern. Der entwickelte Versuchsstand kann zudem auch zur mechanischen Untersuchung weiterer Materialproben unter kryogenen Bedingungen verwendet werden. Mit den gewonnenen Erkenntnissen werden in Folgeprojekten supraleitende Spulen erforscht, welche für den Einsatz in Windenergieanlagen geeignet sind. In diesem Jahr konnten zwei Forschungsprojekte abgeschlossen werden. Zum einen ein ZIM-Projekt, welches die Entwicklung einer mobilen und flexibel einsetzbaren Prüfmethode für entmagnetisierte Bauteile zum Ziel hatte. Hierbei ist es möglich mit einer festen Sensoranordnung auf die globale Magnetisierung eines Prüflings in einer magnetisch geschirmten Kammer zu schließen und das Magnetfeld für unterschiedliche Abstände zu ermitteln. Zum anderen wurde das Verbundprojekt KOBRA abgeschlossen, bei dem die Professur einen deutlich leistungsfähigeren Anodenantrieb auf Basis einer „Flux-Switching-Machine“ erforscht und messtechnisch validiert hat. Zudem wurde ein neues ZIM-Projekt zur Entwicklung eines intelligenten Wellenschwingungs-Torsionssensors eingeworben (AI-Torque).

Condition Monitoring (CM) of electrical equipment, especially electrical machines, has an important role in enhancing reliability and preventing disturbance in production centers such as power plants and factories. One of the important steps of CM's process is diagnosing faults at the proper time to prevent the defect from spreading to other components of the system. Nowadays, the Permanent Magnet Synchronous Machine (PMSM) which uses permanent magnets instead of winding in its structure is widely used among other types of electrical machines. This thesis proposes a new algorithm based on Variational Autoencoder (VAE) as an unsupervised deep learning method to detect different faults with different severities. In this research work, current, vibration and sound signals are collected from a 1 kW prototyped PMSM. This motor is simulated in Finite Element Analysis (FEA) software and compared with the prototyped one. Demagnetization, bearing, and eccentricity faults are selected to be implemented on a prototyped PMSM. The performance of VAE is evaluated for different operating conditions consisting of different loads and speeds. Also, the VAE is investigated for classifying data with different complexity. The feature extraction methods which are known as the pre-processing methods can improve the performance of VAE by reducing dimensionality and extracting important data features. Besides, these methods improve the network's training time by reducing input data size. In this thesis, Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) are used as feature extraction methods. The performance of VAE-PCA and VAE-LDA is compared, and it is shown that VAE-PCA has a slightly better performance than VAE-LDA in most operating conditions, especially in the high-class number in which the complexity is higher compared to other cases. Also, this method is developed for analyzing different combinations of sensors. Results show that the combination of current and sound signals can be a successful way to diagnose faults with and without pre-processing methods. In addition, the performance of VAE is compared with other machine learning methods such as Naïve Bayes (NB) and K-Nearest Neighbourhood (KNN) with and without pre-processing methods from accuracy and training time aspects. It is demonstrated that the performance of VAE for classifying the low and high number of classes of data is proper from accuracy and training time aspects. However, the performance of machine learning methods in the high number of classes is not proper for training time.

Die vorliegende Arbeit befasst sich mit theoretischen und experimentellen Untersuchungen zur Realisierbarkeit von linearen elektromagnetischen Schienenbeschleunigern, welche mit mehrphasigem Wechselstrom betrieben werden. Basierend auf den grundsätzlichen physikalischen Vorgängen, die beim Betrieb solcher Beschleuniger auftreten, wird zunächst im ersten Schritt eine theoretische Modellierung entwickelt. Dieses Modell wird dann soweit erweitert, dass es zur Berechnung und Simulation eines Experimentalaufbaus eingesetzt werden kann. Hierfür werden insbesondere analytische Formelausdrücke hergeleitet und die Ergebnisse mit kommerziellen Simulationsprogrammen verglichen. Ferner wird die Integration von zusätzlichen magnetfeldverstärkenden Spulen in das Modell beschrieben. Die daraus resultierenden Erkenntnisse werden im zweiten Schritt dazu eingesetzt, einen experimentellen Beschleuniger aufzubauen. Es wird gezeigt, welche Messtechnik für die praktischen Versuche benötigt wird und es werden eigens Messaufbauten konzipiert und gebaut sowie neue Messmethoden entwickelt und angewandt. Im Mittelpunkt dieser Betrachtungen steht die grundsätzliche Realisierbarkeit eines solchen Aufbaus mit Blick auf mögliche Anwendungsgebiete. Daher stehen insbesondere auch die Haltbarkeit und die Betriebssicherheit des Beschleunigers im Vordergrund. Die Experimentergebnisse werden dann im dritten Schritt dazu eingesetzt, den vorhandenen Versuchsaufbau zu optimieren und einen zweiten, entsprechend verbesserten Beschleuniger zu konstruieren. Es wird gezeigt, wie sich diese jeweils einzeln, aber auch modular hintereinander geschaltet verhalten, um einen segmentierten Beschleuniger nachbilden zu können. In Schritt vier werden dann die gesamten Experimentergebnisse analysiert und mit der theoretischen Vorhersage verglichen. Auf der Basis dieses Vergleichs von theoretischer Modellierung und praktischen Ergebnissen werden die erhaltenen Resultate interpretiert. Schließlich wird das erhaltene Modell zur Beschreibung und Auslegung eines mehrphasigen Schienenbeschleunigers angewendet, um einen möglichen, künftigen Anwendungsfall zu simulieren.

Diese Arbeit befasst sich mit dem Monitoring und der Diagnose von elektrischen Maschinen im industriellen Umfeld auf der Basis von künstlicher Intelligenz (KI). Das Ziel ist die Entwicklung einer praxisorientierten Methodik, welche flexibel und übertragbar eine Fehlererkennung für eine Vielzahl an elektrischen Maschinen ermöglicht. Der Fokus der Arbeit liegt folglich auf dem Entwurf eines Frameworks mit hoher Praxistauglichkeit, der eine analytische Modellierung mit neuronalen Netzen aus dem Bereich des Machine Learning kombiniert. Das Framework beinhaltet zudem eine Methodik, welche die Identifizierung passender Werte für die Modellparameter der überwachten elektrischen Maschine erlaubt. Nach einer initialen Parameteridentifkation erfolgt mit dem parametrisierten Modell die Erzeugung eines Datensatzes mit simulierten Statorströmen der überwachten Maschine in gesunden und fehlerhaften Zuständen. Der simulierte Datensatz wird von den neuronalen Netzen zum Erlernen von Fehlermerkmalen genutzt, sodass in der Folge auf der Grundlage von gemessenen Statorströmen eine Einschätzung zum aktuellen Zustand der realen Maschine erfolgen kann.