Диагностированиеасинхронных электродвигателей
Комплексный методдиагностики асинхронных электродвигателей на основе использования искусственныхнейронных сетей
В настоящее времяасинхронные электродвигатели являются потребителями более 70% всейэлектроэнергии в стране. Опыт эксплуатации электродвигателей свидетельствует обольшом количестве отказов, происходящих по причине аварийных ситуаций.Аварийность ежегодно составляет 25% и более /1/. Выход из строяэлектродвигателя наносит большой ущерб. В основном этот ущерб связан с простоемтехнологического оборудования или порчи продукции вследствие аварии двигателя.Дополнительно к убыткам добавляется снижение электро- и пожаробезопасности,связанное с возможными короткими замыканиями которые могут присутствовать вобмотке статора или ротора поврежденного электродвигателя.
Общепринятые средствазащиты не обеспечивают сохранность электродвигателя и снижают вероятностьвозникновения лишь некоторых из вышеперечисленных случаев. Поэтому возникаетпотребность диагностики состояния электродвигателя в процессе его работы, т.е.функциональной диагностики. Обнаружение дефектов в работающем электродвигателена ранней стадии их развития не только предупредит внезапную остановкупроизводства в результате аварии, но и значительно снизит расходы на ремонтэлектродвигателя и увеличит срок его службы. Кроме этого, в настоящее времядостаточно актуально применение адаптивных устройств защиты и диагностики,позволяющих выполнять диагностику электродвигателей независимо от их мощности иконструкции.
Современные системы иметоды диагностики электрооборудования можно разделить на две группы.
К первой группеотносятся методы тестовой диагностики, требующие формирования искусственныхвозмущений, воздействующих на изучаемый объект: измерение сопротивленияизоляции, токов утечки, внутреннего сопротивления обмоток, тангенса угладиэлектрических потерь обмоток, метод высоковольтного импульса и др.
Вторая группа включаетв себя методы оперативной или функциональной диагностики, используемые в первуюочередь для электрооборудования, являющегося источником естественных возмущенийв процессе работы /2/.
Кроме этого каждаягруппа делится на две других — это методы, позволяющие выявить неисправностьэлектрооборудования в целом и методы, выявляющие и локализующие конкретнуюнеисправность или дефект в электрооборудовании.
В настоящее времятестовое диагностирование — основной вид выявления дефектов электрооборудованияв отечественной энергетике. Оно определило сложившуюся структуру техническогообслуживания и ремонта по регламенту /3/. Однако такая диагностика способствуетне только предупреждению развития различных дефектов, но и их появлению.Например, при проведении плановых ремонтов электрических машин, после полнойсборки двигатель подвергается высоковольтным испытаниям, которые оказывают наизоляцию машины пагубное влияние, вызывая появление в обмотке микродефектов,развивающихся в процессе работы электромашины под влиянием неблагоприятныхфакторов: некачественной электроэнергии, перегрузок, частых пусков и остановок.С каждым высоковольтным испытанием при планово-предупредительных ремонтах числодефектов увеличивается, что в конечном итоге приводит к аварийному выходу изстроя электрического двигателя. Кроме того, каждая разборка и сборкаэлектродвигателя увеличивает эти микродефекты /3/. Например, компанией Bakerнедавно была разработана многофункциональная система диагностики изоляцииэлектрических машин AWA IV посредством высоковольтного импульсного испытания/4/. И хотя, авторы этой системы утверждают, что AWA IV выполняет неразрушающийтест изоляции, объясняя это своевременной остановкой теста, все равно тестпрекращается только после превышения пределов прочности изоляции.
Среди другихнедостатков тестовой диагностики можно отметить также временную приостановкуработы проверяемого оборудования, отсутствие возможности защитного отключенияоборудования во время его работы для предотвращения полного выхода его изстроя, отсутствие контроля ненормальных режимов работы данного оборудования ит.д.
Для перехода собслуживания и ремонта по регламенту на ремонт и обслуживание по фактическомусостоянию необходима тщательная диагностика электрооборудования, причем, чтобыподготовиться к ремонту, желательно обнаружить все дефекты, влияющие на ресурс,задолго до отказа. По этим причинам необходимо применение методов диагностикине только относящихся к категории функциональных, но и позволяющих выявитьдефект конкретной части электрооборудования. К тому же методы функциональнойдиагностики экономически наиболее предпочтительны, так как не требуют дажевременного вывода электрооборудования из эксплуатации.
Для диагностикиасинхронных электродвигателей в оперативном режиме в настоящее времяиспользуются несколько способов диагностики, среди которых наиболеераспространен метод виброакустической диагностики. В этом направлении активнопроводятся исследования и разработки научно исследовательскими институтамиВоенно-промышленного комплекса Санкт-Петербурга, которые были объединены вакционерное общество «Технические Системы и Технологии». Главнымнедостатком такого метода является необходимость использования специальныхвиброакустических датчиков и сложность их установки. Специалистами МосковскогоЦентра электромагнитной безопасности был разработан метод спектрального анализапотребляемого тока. Достоинство этого метода по сравнению с предыдущим — возможность контроля состояния как механических, так и электрических частейэлектродвигателей по электрическому параметру, а в частности, по сигналупотребляемого тока, что значительно упрощает установку схемы для диагностики иизбавляет от необходимости введения специальных датчиков. Особенно подобные методыраспространены за рубежом. Суть данного метода заключается в анализе спектрагармоник тока потребляемого электродвигателем, путем выявления периодическиповторяющихся изменений сигнала на графике, соответствующих конкретному видуповреждения электродвигателя. Однако из-за появлений ложных гармоник сигналапри различных помехах электрической сети, с подключенной к нейэлектродвигателем, возможны неверные результаты диагностики. В дополнение кэтому неизвестно каким будет график спектрального анализа тока при нестабильномнапряжении в сети.
Современныеэлектротехнические средства, базирующиеся на использовании программируемыхмикроконтроллеров, позволяют наиболее гибко реализовать защиту и функциональнуюдиагностику электродвигателей, по их электрическим параметрам.
Наиболее удачнымметодом является использование программно-аппаратного комплекса, которыйизображен на рис. 1, состоящего из компьютера и цифровогоустройства-посредника, производящего необходимые измерения и передаваемого их вкомпьютер. В качестве измеряемых электрических величин могут быть оперативныйток, потребляемая мощность и т.д. Программа, выполняемая на компьютере, должна,в свою очередь, определенным образом обработать входную информацию и определитьнаиболее вероятный вид повреждения работающего электродвигателя или сделатьзаключение об его исправности. Этот метод наиболее эффективен, так какпозволяет хранить на компьютере большие базы данных с информацией оботслеживаемой динамике повреждений электродвигателя с последующимпрогнозированием выхода его из строя.
/>
Рис. 1. Диагностическийпрограммно-аппаратный комплекс
Кроме этого, компьютерявляется более мощным средством обработки информации, чем микроконтроллер, что,в частности, позволяет использовать современные технологии, в том числе итехнологии искусственного интеллекта, такие как использование искусственныхнейронных сетей, нечеткой логики и экспертных систем.
Известно, что магнитноеполе вращающегося ротора работающего асинхронного электродвигателя воздействуетна магнитное поле его статорной обмотки, что приводит к периодическимколебаниям электрических величин электродвигателя, таких как потребляемый ток,мощность или напряжение обмотки статора. Период данных колебаний пропорционален,частоте вращения ротора. Таким образом, анализируя форму графика сигналакакой-либо из электрических величин на данном периоде можно обнаружитьповреждение в электромеханической части электродвигателя и распознать его вид.Для решения данной проблемы можно использовать много различных подходов.Например, можно построить аппроксимационную функцию по нескольким исходнымточкам сигнала, соответствующего конкретному виду повреждения, и в процесседиагностики сравнивать текущие измеряемые значения со значениями данной функциис определенной долей погрешности. Однако аппроксимация сложных нелинейныхсигналов приводит к большим погрешностям, которые усугубляются дополнительнымипомехами электрической сети с подключенным электродвигателем. В настоящее времяширокое распространение получило использование искусственных нейронных сетейдля построения математических моделей сложных нелинейных процессов,распознавания образов и прогнозирования сигналов.
Нейронная сеть — этонабор нейронов, каждый из которых представляет собой модель биологическогонейрона, изображенного на рис. 2. Каждый нейрон имеет так называемые дендриты,синапсы и аксоны. Дендриты идут от тела нервной клетки к другим нейронам, гдеони принимают сигналы в точках соединения, называемых синапсами. Принятыесинапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются,причем одни входы стремятся возбудить нейрон, другие — воспрепятствовать еговозбуждению. Когда суммарное возбуждение в теле нейрона превышает некоторыйпорог, нейрон возбуждается, посылая по аксону сигнал другим нейронам. У этойосновной функциональной схемы много усложнений и исключений, тем не менее,большинство искусственных нейронных сетей моделируют лишь эти простые свойства.
В настоящее времяшироко используются математические модели нейронных сетей. Существуют также идругие модели нейронных сетей, среди которых наиболее часто используютсярекуррентные сети Хопфилда и самоорганизующиеся сети Кохонена. Прямоугольникипредставляют собой тела нейронов, исходящие и входящие стрелки — дендриты, аточки, в которых стрелки заходят и точки, из которых стрелки исходят — этосоответственно синапсы и аксоны. Круги на рисунке — условные входа нейронов,которые просто распределяют входящие значения по всем нейронам сети. Вматематической модели нейрона все входящие стрелки имеют веса, а на выходеобычно вычисляется нелинейная функция от средней суммы этих весов с некоторымидополнительными арифметическими действиями.
Были разработаны такжеи другие модели нейронов и нейронных сетей, например, электрические. Однакоиз-за своей непрактичности они не получили большого распространения.
Для использованиянейронной сети прямого распространения при решении конкретной задачи, еенеобходимо сначала «обучить». Для этого на вход нейронной сетиподаются какие-либо значения, а на выходе снимаются результирующие значения,которые сравниваются с теми значениями, которые должны там быть. Если выходныезначения нейронной сети отличаются от требуемых значений, то происходитоптимизация весов нейронной сети каким-либо из математических алгоритмов до техпор, пока эти значения не будут им соответствовать с заданной точностью. Послеэтого нейронную сеть можно считать обученной.
Нейронные сети даютвозможность эффективно определять причину и виды повреждения асинхронныхэлектродвигателей, работать с зашумленными данными, избавляя от необходимостиприменения промежуточных электронных фильтров от помех или фильтрацииматематическими методами, а также адаптироваться к конкретному типуэлектродвигателя. Кроме этого, искусственные нейронные сети широко используютсяв задачах прогнозирования .
Помимо выбораалгоритмов обработки сигнала и определения способа диагностики асинхронныхэлектродвигателей необходимо разработать аппаратную часть программно-аппаратногодиагностического комплекса. При этом очень важно выбрать недорогую компонентнуюбазу для его реализации, определяющую себестоимость комплекса в размере неболее чем 10% от стоимости самого электродвигателя.
В настоящее время накафедре Электроснабжения Читинского государственного университета ведутсяразработки данного программно-аппаратного комплекса. В реализации программнойчасти комплекса используется метод анализа сигнала полной потребляемой мощностиэлектродвигателя на каждой фазе искусственной нейронной сетью, определяющийвероятность присутствия какого-либо повреждения, как в электрической, так и вмеханической части электродвигателя. Для этого нейронную сеть прямогораспространения планируется использовать для идентификации зависимости полной мощностиот времени, либо для идентификации спектра гармоник сигнала полной потребляемоймощности на одном периоде. Сначала выполняется определение периода сигнала.Затем отрезок, на котором сигнал длится в течение предварительно определенногопериода, масштабируется по ширине, а значения амплитуды полной мощностинормируются относительно значения номинальной мощности электродвигателя. Такимобразом, будут анализироваться процентные изменения мощности. Для их анализаполученный график разбивается на равномерные промежутки, количество которыхзависит от быстродействия измерительного устройства и частоты вращения ротораэлектродвигателя.
При обучении нейроннойсети на выходе используется определенное значение Yэт, соответствующееконкретному виду неисправности электродвигателя и эталонные экспериментальныезначения сигнала полной потребляемой мощности опытного электродвигателя,полученные при помощи того же измерительного устройства. После этого, приидентификации сигнала, уже обученной сетью, производится проверка соответствиязначения Y на выходе сети значению Yэт, которое задавалось при обучении. ЕслиY=Yэт, то это означает, что в электродвигателе на 100% имеется неисправность,для которой обучалась данная нейронная сеть. В качестве обнаруженнойнеисправности выбирается та, степень соответствия которой наибольшая. Постепени соответствия для других неисправностей электродвигателя можно судить овероятности их присутствия. В наиболее сложных случаях, возможно, придетсяиспользовать экспертную систему с набором правил нечеткой логики, которые будутопределяться в ходе экспериментальных исследований.
С помощью нейроннойсети планируется также выполнять прогнозирование повреждений вэлектродвигателе. Аппаратная часть комплекса, структура которой изображена нарис. 2, включает в себя 10 блоков, из которых 7 блоков являются одинаковымивходными блоками, а 3 других блока являются основными.
Главный блок устройства- измерительный — выполняет функции измерения входного сигнала, управлениеблоком переключения диапазонов и исполнительным блоком, а также обменинформацией между компьютером и устройством. Входные блоки служат длямасштабирования входного измеряемого уровня напряжения для его изменения впределах от 0 до 5 В. Каждый входной блок поддерживает работу в трех диапазонахнапряжения (от 0 до 100 В с точностью 0,1 В, от 10 до 1000 В с точностью 1 В иот 100 до 10000 В с точностью 10 В). Для автоматического выбора текущегоизмеряемого диапазона напряжения используется блок переключения диапазонов,который управляет входными блоками, получая команды на переключение отизмерительного блока. Исполнительный блок служит для управления работойэлектродвигателя или для сигнализации о произошедшей поломке электродвигателя.
/>
Рис. 2. Структурааппаратной части диагностического комплекса
В качестве основы дляреализации измерительного блока, принципиальная схема которого изображена нарис. 3, был выбран недорогой микроконтроллер фирмы ATMEL ATmega8535 RISC-архитектурысо встроенным 8-канальным аналого-цифровым преобразователем (АЦП) /14/. Данныймикроконтроллер имеет 512 байт энергонезависимой памяти EEPROM, которую можноиспользовать для хранения калибровочных коэффициентов и настроек, относящихся кдиагностируемому электродвигателю. Микросхема FT245BM используется для связиизмерительного блока с компьютером через интерфейс USB 2.0. Однако возниклидополнительные трудности, связанные с низким быстродействием АЦП данногомикроконтроллера, в результате чего получается слишком мало экспериментальныхзначений измеряемой величины на анализируемом периоде сигнала электродвигателя.Можно воспользоваться более мощным и быстрым многоканальным АЦП или несколькимиодноканальными АЦП, работающими параллельно, однако оба этих способазначительно завысят себестоимость аппаратной части комплекса. Решением этойпроблемы стал программный метод, при помощи которого происходит получение болеедетального графика сигнала на одном периоде путем анализа сразу несколькихпериодов сигнала.
Идея метода изображенана рис. 4. На координатной плоскости рисунка имеются радиус-векторы,вращающиеся с угловой скоростью wt. Длина радиус-вектора равна текущемузначению полной потребляемой мощности Pi. Таким образом, текущее состояниесигнала удобно представить в виде комплексного числа i, значение которого можновыразить через формулу Коши-Адамара:
/> (1)
где i — точка текущегосостояния сигнала полной потребляемой мощности;
Pi — текущее значениеполной потребляемой мощности;
wi — текущий уголповорота ротора относительно начального положения.
/>
Рис. 3. Структураискусственной нейронной сети, используемой для идентификации сигнала полнойпотребляемой мощности
Например, сначалапроисходит измерение трех значений сигнала на первом периоде 1, 2 и 3, затемчерез некоторое смещение угла относительно w1, соответствующее значению,происходит получение следующих трех значений сигнала 4, 5 и 6 на второмпериоде.
/>
Рис. 4. Детализацияграфика сигнала полной потребляемой мощности
Аналогичным образомполучаются точки для следующих периодов в зависимости от требуемого количестваточек сигнала. Соединив полученные точки в порядке, определяемом углом вращенияwi, сплошной линией, мы получим более детальный график сигнала, содержащийнеобходимое число экспериментальных точек. Схематически пример получениядетального графика одного периода для сетевого напряжения промышленной частоты50 Гц показан на рис. 9.
Таким же образомпроисходит получение графика одного периода полной потребляемой мощностиасинхронного электродвигателя. Чем выше скорость вращения ротораэлектродвигателя, тем больше периодов анализируется, до того, как будетпроизведена попытка определения неисправности в электродвигателе. Естественнотакая обработка сигнала снижает общее быстродействие диагностическогокомплекса. Можно даже не выполнять идентификацию полученного периода, а свестиэту задачу к задаче распознавания образа замкнутой фигуры, изображенной на рис.10, и по форме данной фигуры судить о присутствии какой-либо неисправности вэлектродвигателе. В этом случае способ диагностики получается более наглядным,но и более сложным в реализации.
Также изначальнопланировалось в качестве измерительных датчиков тока использовать токовые клещис широким диапазоном измерения тока. Это позволило бы разработать универсальныйи удобно-подключаемый программно-аппаратный комплекс. Но из-за очень высокойстоимости токовых клещей в аппаратной части комплекса используются обычныетрансформаторы тока.
Как показано на рис. 5,для оценки напряжения между фазой C электродвигателя и нейтралью производитсяизмерение разности потенциалов между нейтралью и корпусом устройства UN, атакже между фазой и корпусом устройства UC. Затем, получив разность этих двухнапряжений, находится значение напряжения между фазой C и нейтралью.Аналогичным образом происходит получение значения напряжения для фаз A и B.Данный механизм измерения используется для того, чтобы убрать гальваническуюсвязь между устройством и цепью электродвигателя.
/>
Рис. 5. Схемаподключения измерительной части комплекса к цепи электродвигателя
Напряжение с токовыхдатчиков или с фаз электродвигателя подается на измерительный вход входногоблока, изображенного на рис. 6. Входное напряжение подается через один их трехделителей в зависимости от текущего диапазона напряжения. Каждый делительподключается при помощи реле, после получения соответствующего сигнала на базуодного из трех транзисторов от блока переключения диапазонов. Реле во входномблоке являются герконовыми, так как они потребляют небольшой ток и при этомсравнительно бесшумны. Текущий входной делитель выбирается блоком переключениядиапазонов таким образом, чтобы на выходе делителя уровень напряжения был впределах от -1,25 В до 1,25 В. Но учитывая, что аналого-цифровойпреобразователь микроконтроллера выполняет измерение только неотрицательных сигналовот 0 до 2,5 В, дополнительно на выходной сигнал подается постоянное напряжениесмещения с интегрального стабилизатора CL1 через делитель R9 и R10, на выходекоторого образуется +1,25 В.
/>
Рис. 6. Принципиальнаясхема входного блока
Данныйпрограммно-аппаратный комплекс позволит значительно увеличить экономическуюэффективность использования промышленных установок с асинхроннымиэлектродвигателями, и при этом увеличить срок службы электродвигателей впроизводстве путем проведения своевременного их ремонта по даннымпрогнозирования, полученным в результате диагностики.
Заключение
В заключение необходимоотметить, что использовать нейронные сети для определения всех видовнеисправностей и ненормальных режимов работы электродвигателя нецелесообразно,а в некоторых случаях невозможно! Например, невозможно определить наличиеравномерной перегрузки электродвигателя лишь по форме сигнала полной мощностиэлектродвигателя, так как здесь необходимо сравнивать амплитуду мощностиэлектродвигателя с его номинальной мощностью. Однако это легко реализовать впрограмме. Если программно-аппаратный комплекс будет использоваться не толькодля диагностики, но и для защиты электродвигателя, то реализация в немтрадиционных методов релейной защиты повысит надежность его работы.
В итоге можно сделатьвывод, что для создания диагностических устройств и программно-аппаратныхкомплексов весьма желательно использовать искусственные нейронные сети, так какони являются мощным средством распознавания и прогнозирования сигналов, а ихспособность к обучению дает возможность разрабатывать адаптивные системы защитыи диагностики электродвигателей.
Список используемойлитературы
1.Грундулис, А.О. Защита электродвигателей в сельском хозяйстве [Текст] / А.О.Грундулис // — М.: Колос, 1982. — 140 с.
2.Лукьянов, М.М. Новые принципы виброакустической диагностики изношенногосилового электрооборудования [Текст] / М.М. Лукьянов, Э.А. Харисов: Электрика.- № 2, 2001.
3.Еремеев, С.Н. Профилактическое обслуживание электродвигателейвысоконагруженного технологического оборудования [Текст] / С.Н. Еремеев:Электрика. — № 3, 2001.
4.Коверженко, Г.Г. Высоковольтные импульсные испытания электрических машин[Текст] / Г.Г. Коверженко: Энергетик. — № 7, 2006.
5.Петухов, В. Диагностика состояния электродвигателей. Метод спектральногоанализа потребляемого тока [Текст] / В. Петухов, В. Соколов: Новостиэлектротехники. — № 1, 2005.
12.Круглов,В.В. Искусственные нейронные сети. Теория и практика [Текст] / В.В. Круглов,В.В. Борисов // — М.: Горячая линия. — Телеком, 2002. — 382с.