Диагностирование асинхронных электродвигателей

Рис. 1. Диагностический программно-аппаратный комплекс

Кроме этого, компьютер является более мощным средством обработки информации, чем микроконтроллер, что, в частности, позволяет использовать современные технологии, в том числе и технологии искусственного интеллекта, такие как использование искусственны

х нейронных сетей, нечеткой логики и экспертных систем.

Известно, что магнитное поле вращающегося ротора работающего асинхронного электродвигателя воздействует на магнитное поле его статорной обмотки, что приводит к периодическим колебаниям электрических величин электродвигателя, таких как потребляемый ток, мощность или напряжение обмотки статора. Период данных колебаний пропорционален, частоте вращения ротора. Таким образом, анализируя форму графика сигнала какой-либо из электрических величин на данном периоде можно обнаружить повреждение в электромеханической части электродвигателя и распознать его вид. Для решения данной проблемы можно использовать много различных подходов. Например, можно построить аппроксимационную функцию по нескольким исходным точкам сигнала, соответствующего конкретному виду повреждения, и в процессе диагностики сравнивать текущие измеряемые значения со значениями данной функции с определенной долей погрешности. Однако аппроксимация сложных нелинейных сигналов приводит к большим погрешностям, которые усугубляются дополнительными помехами электрической сети с подключенным электродвигателем. В настоящее время широкое распространение получило использование искусственных нейронных сетей для построения математических моделей сложных нелинейных процессов, распознавания образов и прогнозирования сигналов.

Нейронная сеть - это набор нейронов, каждый из которых представляет собой модель биологического нейрона, изображенного на рис. 2. Каждый нейрон имеет так называемые дендриты, синапсы и аксоны. Дендриты идут от тела нервной клетки к другим нейронам, где они принимают сигналы в точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются, причем одни входы стремятся возбудить нейрон, другие - воспрепятствовать его возбуждению. Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам. У этой основной функциональной схемы много усложнений и исключений, тем не менее, большинство искусственных нейронных сетей моделируют лишь эти простые свойства .

В настоящее время широко используются математические модели нейронных сетей. Существуют также и другие модели нейронных сетей, среди которых наиболее часто используются рекуррентные сети Хопфилда и самоорганизующиеся сети Кохонена . Прямоугольники представляют собой тела нейронов, исходящие и входящие стрелки - дендриты, а точки, в которых стрелки заходят и точки, из которых стрелки исходят - это соответственно синапсы и аксоны. Круги на рисунке - условные входа нейронов, которые просто распределяют входящие значения по всем нейронам сети. В математической модели нейрона все входящие стрелки имеют веса, а на выходе обычно вычисляется нелинейная функция от средней суммы этих весов с некоторыми дополнительными арифметическими действиями.

Были разработаны также и другие модели нейронов и нейронных сетей, например, электрические. Однако из-за своей непрактичности они не получили большого распространения.

Для использования нейронной сети прямого распространения при решении конкретной задачи, ее необходимо сначала "обучить". Для этого на вход нейронной сети подаются какие-либо значения, а на выходе снимаются результирующие значения, которые сравниваются с теми значениями, которые должны там быть. Если выходные значения нейронной сети отличаются от требуемых значений, то происходит оптимизация весов нейронной сети каким-либо из математических алгоритмов до тех пор, пока эти значения не будут им соответствовать с заданной точностью. После этого нейронную сеть можно считать обученной.

Нейронные сети дают возможность эффективно определять причину и виды повреждения асинхронных электродвигателей, работать с зашумленными данными, избавляя от необходимости применения промежуточных электронных фильтров от помех или фильтрации математическими методами, а также адаптироваться к конкретному типу электродвигателя. Кроме этого, искусственные нейронные сети широко используются в задачах прогнозирования .

Помимо выбора алгоритмов обработки сигнала и определения способа диагностики асинхронных электродвигателей необходимо разработать аппаратную часть программно-аппаратного диагностического комплекса. При этом очень важно выбрать недорогую компонентную базу для его реализации, определяющую себестоимость комплекса в размере не более чем 10% от стоимости самого электродвигателя.

В настоящее время на кафедре Электроснабжения Читинского государственного университета ведутся разработки данного программно-аппаратного комплекса. В реализации программной части комплекса используется метод анализа сигнала полной потребляемой мощности электродвигателя на каждой фазе искусственной нейронной сетью, определяющий вероятность присутствия какого-либо повреждения, как в электрической, так и в механической части электродвигателя. Для этого нейронную сеть прямого распространения планируется использовать для идентификации зависимости полной мощности от времени, либо для идентификации спектра гармоник сигнала полной потребляемой мощности на одном периоде. Сначала выполняется определение периода сигнала. Затем отрезок, на котором сигнал длится в течение предварительно определенного периода, масштабируется по ширине, а значения амплитуды полной мощности нормируются относительно значения номинальной мощности электродвигателя. Таким образом, будут анализироваться процентные изменения мощности. Для их анализа полученный график разбивается на равномерные промежутки, количество которых зависит от быстродействия измерительного устройства и частоты вращения ротора электродвигателя.

При обучении нейронной сети на выходе используется определенное значение Yэт, соответствующее конкретному виду неисправности электродвигателя и эталонные экспериментальные значения сигнала полной потребляемой мощности опытного электродвигателя, полученные при помощи того же измерительного устройства. После этого, при идентификации сигнала, уже обученной сетью, производится проверка соответствия значения Y на выходе сети значению Yэт, которое задавалось при обучении. Если Y=Yэт, то это означает, что в электродвигателе на 100% имеется неисправность, для которой обучалась данная нейронная сеть. В качестве обнаруженной неисправности выбирается та, степень соответствия которой наибольшая. По степени соответствия для других неисправностей электродвигателя можно судить о вероятности их присутствия. В наиболее сложных случаях, возможно, придется использовать экспертную систему с набором правил нечеткой логики, которые будут определяться в ходе экспериментальных исследований.

 Скачать реферат