Металлоизделия в Луганске и области

Металлокострукции, входные двери, заборы, оградки,
решетки, лестницы, ковка, модули,
вальеры, декоративная мебель

Интеллектуальные технологии в диагностике асинхронных электродвигателей

Асинхронный двигатель с короткозамкнутым ротором в настоящее время является наиболее распространенным типом электрических двигателей, применяемых на промышленных предприятиях для привода технологических машин, что объясняется его надежностью и простотой конструкции. Тем не менее, в процессе эксплуатации асинхронного двигателя могут возникать неисправности, которые подразделяются на внешние и внутренние. К внешним неисправностям относятся: обрыв одной или нескольких фаз питающего напряжения; неисправности аппаратуры пуска или управления; пониженное или повышенное напряжение питающей сети; перегрузка двигателя; плохая вентиляция. Причинами внутренних неисправностей асинхронного двигателя являются механические и электрические повреждения, возникающие внутри самой машины.

Ранняя диагностика неисправностей и контроль рабочих параметров двигателя в процессе эксплуатации позволяет повысить производительность и надежность технологических машин, продлить срок службы двигателя и снизить затраты на запасные части и издержки, связанные с простоем оборудования.

В настоящее время предложено много различных методов обнаружения неисправностей асинхронных электродвигателей. Эти методы включают мониторинг вибрации, анализ спектра токов, контроль электромагнитного поля, тепловизионные исследования и анализ акустического шума, создаваемого при работе двигателя. Вибрационный мониторинг и анализ спектра токов получили наибольшее распространение ввиду с относительной простоты реализации измерений, высокой точности и надежности.

Современные подходы к диагностике электромеханического оборудования предполагают применение интеллектуальных технологий. Экспертные системы, искусственные нейронные сети (ИНС), нечеткая логика и генетические алгоритмы используются для осуществления обработки и верного истолкования измеренных диагностических сигналов. Использование ИНС получило наибольшее распространение по сравнению с остальными интеллектуальными технологиями. Так как ИНС эффективны в обнаружении закономерностей и сходств среди больших объемов данных.

После выбора архитектуры ИНС осуществляется настройка сети на выполнение поставленной задачи путем подбора оптимальных значений весов синаптических связей wl. Этот процесс называется обучением ИНС. Для качественного обучения сети необходимо сформировать представительную базу данных и правильно выбрать алгоритм обучения. База данных состоит из примеров входов сети и соответствующих им выходов, являющихся правильным решением поставленной задачи. Для многих архитектур разработаны специальные алгоритмы обучения. Наиболее популярный из этих алгоритмов - метод обратного распространения ошибки, который позволяет по вектору ошибки, то есть разности между желаемым ответом и реальным ответом сети, вычислить требуемые поправки для весов синаптических связей.

Нейросетевые технологии получили распространение при оценке технического состояния асинхронных двигателей с короткозамкнутым ротором по току статора, в том числе при диагностике механических неисправностей, таких как повреждение стержней ротора и контактного кольца.

В качестве примера рассмотрим многослойную нейронную сеть, обучение и тестирование которой осуществлялось с использованием данных измерения спектров тока статора. Тесты проводились при различных условиях нагрузки асинхронного двигателя.

Основными этапами диагностической процедуры являются:

получение первичной информации о токе статора электродвигателя от датчика Холла;

обработка сигнала тока статора, заключающаяся в предварительной фильтрации и формировании спектра сигнала с использованием аппарата быстрого преобразования Фурье (БПФ);

выявление спектральных составляющих, на амплитуду которых оказывает влияние проявление различных неисправностей ротора;

использование нейронной сети для автоматической диагностики неисправностей ротора асинхронного двигателя.

Первоначально сигнал о спектральном составе тока статора применяется для входного слоя. Затем сигналы распространяются вперед через скрытые слои, и сигнал выходного слоя является выходом сети.

Архитектура ИНС выглядит следующим образом:

Входной слой состоит из 14 нейронов, чтобы рассмотреть 10 спектральных компонент вокруг компоненты питающей сети, 2-е компоненты спектра вокруг 5-й гармоники и 2-е компоненты спектра вокруг 7-й гармоники для распознавания влияния осциллирующей нагрузки.

Правильный выбор количества скрытых нейронов имеет значительное влияние на производительность сети. Для выбора оптимальной структуры нейронной сети осуществлялось исследование работы сети при различном количестве скрытых нейронов: 5, 6, 7, 8, 9, 10 и 11. Наилучшие результаты были получены с 11 скрытыми нейронами, при этом точность составила более 96%.

Выходной слой нейронной сети состоит из трех нейронов, представляющих различные состояния двигателя (исправен, сломан один стержень ротора, сломаны два стержня ротора).

Предложенный подход использовался для диагностики технического состояния асинхронного двигателя с короткозамкнутым ротором мощностью 5,5 кВт при разных нагрузках. Экспериментальные данные были собраны для каждого состояния двигателя (исправный, с повреждением одного стержня и с повреждением двух стержней ротора) при четырех различных условиях нагрузки: 25 %, 50 %, 75 % и при полной нагрузке. Сначала все оцифрованные и отфильтрованные временные сигналы тока статора были преобразованы в частотную область с применением аппарата БПФ. Затем были извлечены отдельно 14 частотных компонент, соответствующих проявлению неисправностей ротора асинхронного двигателя и осциллирующей нагрузки. Был собран набор из 180 реализаций сигналов тока статора, две трети из них использовались для обучения нейронной сети, остальные данные применялись для тестирования производительности сети. Экспериментальные испытания ИНС привели к результатам удовлетворительного уровня точности - более 96 %.

В работе предложено использование пакетной вейвлет-декомпозиции сигнала тока статора и последующего формирования вектора признаков для выявления механических дефектов ротора с применением ИНС. Вейвлет-анализ имеет существенное преимущество перед анализом Фурье, поскольку позволяет оценить как сигнал измерительной информации в целом, так и его локальные особенности, не повторяющиеся во времени или повторяющиеся с переменной частотой. Авторы предложили подавать на вход нейронной сети не определенные спектральные компоненты, выявленные с помощью БПФ и последующей фильтрацией спектральной информации, а векторы признаков, сформированные из коэффициентов вейвлет- декомпозиции тока статора. Подобный подход весьма перспективен, поскольку существенно расширяет диагностические возможности нейронной сети в выявлении не только повреждений стержней ротора, но и в установлении других неисправностей асинхронного двигателя.

Таким образом, применение нейросетевых технологий является одним из наиболее перспективных направлений в диагностике технического состояния и оценке остаточного ресурса электромеханического оборудования.

Форма заказа

Цветная металлургия

Горная проммышленность