CC BY
31Для цитирования: Суханкин Г.В. Диагностическая система оценки состояния электродвигателей // Grand Altai Research & Education / Nauka i obrazovanie Bol'sogo Altaa: сетевое издание». 2018. выпуск 2 (9). [Электронный ресурс] URL: http://rectors.altstu.rU/ru/periodical/archiv/2018/2/articles/2 2.pdf (Дата доступа: 22.10.2018 г.) DOI 10.25712/ASTU.2410-485X.2018.02.04
УДК 621.313.048:631.371
ДИАГНОСТИЧЕСКАЯ СИСТЕМА ОЦЕНКИ СОСТОЯНИЯ ЭЛЕКТРОДВИГАТЕЛЕЙ
Г.В. Суханкин
ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова» (г. Барнаул, Россия) gen195@mail.ru
В последнее время диагностирование электродвигателей становится весьма актуальным в связи со значительным их износом. По некоторым оценкам эта цифра достигает 50-60%. Финансовые ресурсы не позволяют в полном объёме производить своевременное переоснащение электродвигателей особенно из дорогостоящего сегмента. Поэтому эффективная диагностика и последующее проведение ремонтных мероприятий и принятие правильных эксплуатационных решений позволяют в значительной мере снизить затраты на капитальные вложения и продлить срок службы электродвигателей. В настоящей работе главное внимание уделено такой важной процедуре в процессе эксплуатации электрической машины как диагностирование с целью определения текущего состояния. Конечной целью является определение её работоспособности и остаточного ресурса.
Важный вклад в повышение эффективности эксплуатации электрооборудования, и в частности, электродвигателей внесли такие исследователи, как А.А. Пястолов, Г.П. Ерошенко и др. [1]. Позднее был предложен набор диагностических признаков (ДП), по которым на практике и оценивалось их состояние. Однако диагностика велась, как правило, по одному из показателей, причём для каждого типа электродвигателя был характерен свой диагностический показатель. Так, для оценки изоляции высоковольтных изделий применялся метод частичных разрядов, где ДП является их мощность [2]. Для корпусной изоляции электродвигателей чаще использовались абсорбционные и поляризационные методы, коэффициенты уравнений которых являются ДП [3]. Оценка состояния механической части требовала иных ДП [4]. В 2011 году введён новый метод оценки изоляции с помощью акустических волн [5]. На сегодняшний день для оценки состояния изоляции существует свыше десятка показателей. Многообразие конструктивных особенностей, типов изоляции, различных типов дефектов дополнительно затрудняет диагностику. В [6] для оценки состояния высоковольтного маслонаполненного электрооборудования использован диагностический вектор и предложен
механизм снижения неоднозначности и неустойчивости распознавания путем использования понятия "меры родства".
В настоящей работе для определения состояния электрических машин также использован вектор ДП:
хг={хг1, хг2,---, Х/},
ь
где I - текущее состояние технического объекта, / - количество диагностических параметров [7, 8, 9]. Однако механизм распознавания состояния иной. В основу построения диагностической системы (ДС) легли вероятностный метод, и самонастраивающиеся нейро-нечёткие сети с применением аппарата нечёткой логики. Причём все три этапа диагностирования связаны единым алгоритмом.
Разработанная ДС позволяет:
1. Устанавливать диагноз.
2. Определять работоспособность.
3. Определять остаточный ресурс.
Решение задачи по постановке диагноза легко решается вероятностными методами. Суть этого методов сводится к определению вероятности принадлежности электродвигателя тому или иному диагнозу. Диагностирование производится по формуле Байеса:
Р(Э1 /X*) = У и
Щ^Рфг )Р(Х*/ЭГ )'
где Р(БI/X*) - вероятность диагноза В1 после того, как стали известны результаты обследования по комплексу признаков X*; Р(Х*/Б^) - вероятность появления комплекса признаков X* при наличии диагноза В; Р(Х*) =
Р(ВГ)Р(Х*/Эг) - вероятность появления комплекса признаков X*, Р(ВГ) -
априорная вероятность диагноза Вг, Р(Х*/ Вг) - вероятность появления комплекса признаков X* при наличии диагноза Вг.
Важным дополнением к постановке диагноза электродвигателя является определение его работоспособности. Состояния располагаются в двух непересекающихся областях, одна из которых соответствует работоспособному состоянию, другая - неработоспособному. Верхняя граница работоспособной области соответствует наилучшему или номинальному состоянию, нижняя граница - допустимому уровню работоспособности.
Текущая степень работоспособности электродвигателя
■.= уа\х< , (1)
щ
1=1
где щ - весовой коэффициент признака Х{=± = 1, хгдоп - допустимое значение
/-го признака, хн - номинальное или наилучшее значение /-го признака. В разработанной диагностической системе алгоритм (1) подвергся модификации.
Для этой цели в алгоритм определения текущего состояния работоспособности введено нормирование ДП по следующей формуле:
(хг хтт) / (хтах хтт\
где хтах - максимально возможное значение входного вектора, хт/п - минимально возможное значение входного вектора, х{ - текущее значение входного вектора, X - нормализованное значение входного вектора. Наилучшее состояние ДП соответствуют нулю, наихудшее - единице.
Таким образом, выражение для оценки текущей работоспособности выглядит следующим образом:
Wt = ^ (1 -Xi ),
¿=1
где Wi - степень работоспособности в пределах 0 - 1, причём 0 - наихудшее, 1 -наилучшее состояние работоспособности, j - число признаков. Полученное выражение позволяет по первым двум точкам выборки строить прогнозную кривую для любого ДП. Необходимо отметить в изменение работоспособности во времени W(t) входит как детерминированная D(t), так и случайная составляющая процесса R(t)
W(t) = D(t)+R(t).
Решение задачи прогнозирования проводилась путём интерполяции экспериментальных данных методом наименьших квадратов с помощью кривой вида
b
y = a-x +c.
Алгоритм определения текущей работоспособности электродвигателя для вектора ДП с учётом прогнозирования его состояния в виде блок-схемы на рисунке 1. Схема оценки работоспособности электродвигателя, реализованная в SciLab приведена на рисунке 2.
Следующим важным показателем состояния электрической машины является его остаточный ресурс. Знание остаточного ресурса способствует своевременной замене старого или неработоспособного диагностируемого объекта на новый. Для вычисления остаточного ресурса удобно использовать нечёткие множества в связи с тем, что некоторые параметры трудно
*
представить чёткими понятиями. Основной задачей в этом случае является экспертная оценка функций принадлежности ¿{¡(х). Для этой цели подбирается
Рисунок 1 - Алгоритм оценки текущей и прогнозной работоспособности
электродвигателя
1 - Блок чтение файла с экспериментальными данными, 2 - весовой коэффициент, 3 - блок на 3 диагностических признака
Рисунок 2 - Схема оценки работоспособности электродвигателя в системе
БшЬаЬ
группа экспертов, которым задаются вопросы и которые участвуют в голосовании. При использовании, например, метода относительных частот имеется k=l+m экспертов, часть из которых на вопрос о принадлежности элемента х Е X нечеткому множеству A отвечает положительно. Остальная группа экспертов т отвечает на этот вопрос отрицательно. В результате принимается ^А(х)=Ук Рассмотрим нечеткое множество, соответствующее понятию ДП - средний. Объект л - ДП, который задаётся некоторым диапазоном от минимального до максимального значения. Экспертам предъявляются различные ДП х и каждому из них задается вопрос: считает ли эксперт, что данный ДП х средним. Результаты опроса сводятся в таблицу базы правил. Для остальных ДП функции принадлежности рассчитывается аналогично. Ещё одним преимуществом использования нечёткой логики при использовании стандартных правил является относительная небольшая база знаний.
Таким образом, передаточная функция нейрона нейро-нечёткой сети становится функцией принадлежности. Суть работы такой системы заключается в настройке весов нейронов в соответствии с выборкой экспериментально исследуемых объектов. ДП измеряются в любой момент времени эксплуатации объекта и вводятся в обучаемую диагностическую систему, в которой автоматически подстраиваются весовые коэффициенты. Обучение системы сводится к нахождению разности значения ее выхода и состояния реального исследуемого объекта. Если такая разница существует, то она автоматически подстраивает соответствующие веса модели. Для вышедшего из строя электродвигателя такое сравнение производится с нулем. Входы системы диагностики подключаются в соответствии со значениями кросс-энтропии для исключения дублирования ДП. Подстройка сети осуществляется по алгоритму:
где wnew, wold - новое и старое значение веса нейрона, п - скорость движения к минимуму, E(wnew) - минимум ошибки в направлении grad E(wold).
Абсолютное значение ошибки нейронной сети по определению остаточного ресурса асинхронного электродвигателя серии 4А, 1,5 кВт составило - 58 часов (2,9 %), что свидетельствует о высокой эффективности использования обученной НС.
Общий вид системы диагностики приведён на рисунке 3, а алгоритм его работы - на рисунке 4.
Оценка точности диагностирования на примере асинхронного электродвигателя серии 4А 1,5 кВт сведена в таблицу. Для её расчёта использовалось соотношение:
w
new
Woid-П grad E(woid),
A=QdQi 100%,
где QС - число правильно диагностированных электродвигателей, Qi - число всех электродвигателей, А - точность диагностирования.
УП - устройство памяти, НС - нейронная сеть, ВБ - вероятностный блок, БП -блок прогнозирования, БОР - блок определения работоспособности, УС -устройство сравнения, Д - диагноз, ОР - остаточный ресурс, Р -работоспособность, П - пример, ПК - прогнозные кривые
Рисунок 3 - Схема диагностического комплекса
Таблица
Этап диагностики A, %
Постановка диагноза по Байесу 91
Оценка работоспособности 95
Вычисление остаточного ресурса 96
Выводы. В работе показано, что основной проблемой при определении состояния электрической машины является как правильный выбор диагностических параметров, так и определение связей между ними. Компенсация малозначимых или сильно связанных ДП производится путём использования алгоритма обратного распространения о шибки при обучении
Вероятности диагнозов~~~~^^ НСТ из перечня близки к '
друг другу ^^
_X да
Вычисление работоспособности
Рисунок 4 - Общий алгоритм работы диагностического комплекса
нейро-нечёткой сети. Предварительным фильтром при определении состояния электродвигателя является постановка диагноза вероятностным способом по многобалльной системе и вычисление нормированной работоспособности по предложенному алгоритму. Таким образом, определение остаточного ресурса можно рассматривать как завершающий этап диагностики. Основное преимущество предложенного подхода связано с тем, что трёхэтапная диагностика с вектором ДП повышает точность определения состояния электрической машины.
Литература
1. Ерошенко, Г.П. Повышение эффективности эксплуатации электрооборудования в сельском хозяйстве: Дис. на соискание учёной степени докт. тех. наук. - Саратов, 1984. - 414 с.
2. Пахомов, А.И. Методы и средства диагностики изоляции асинхронных двигателей сельскохозяйственного производства на основе частичных разрядов: Дис. на соискание учёной степени докт. тех. наук. - Краснодар, 2008. - 306 с.
3. Серебряков, А.С. Методы и средства для диагностики изоляции электрических машин и аппаратов ее защиты: Дис. на соискание учёной степени докт. тех. наук. - Москва, 2000. - 438 с.
4. Дороничев, А.В. Совершенствование вибродиагностики подшипников качения тяговых электрических машин: Дис. на соискание учёной степени канд. тех. наук. - Хабаровск, 2012. - 165 с.
5. Пат. 2436081 Российская Федерация, МПК G 01 N 29/11 (2006/01). Способ акустической диагностики изоляции обмоток асинхронного электродвигателя / Герцен Н.Т., Суханкин Г.В., Воробьев Н.П.; заявитель и патентообладатель ГОУВПО «Алт. гос. техн. ун-т. Им. И.И. Ползунова (АлтГТУ) - № 2010129672/28; заявл. 15.07.2010; опубл. 10.12.2011, Бюл. № 34. - 12 с.: ил.
6. Давиденко, И.В. Разработка системы многоаспектной оценки технического состояния и обслуживания высоковольтного маслонаполненного оборудования: Дис. на соискание учёной степени докт. тех. наук. Екатеринбург, 2009. - 462 с.
7. Суханкин, Г.В. Диагностическая система оценки состояния технического объекта на основе обучающейся нейронной сети. [Текст] / Г.В. Суханкин // Вестник алтайской науки. - 2012. - №2. - С 143 -147.
8. Суханкин, Г.В. Нейронная модель остаточного ресурса электрической машины. [Текст] / Г.В. Суханкин // Вестник алтайской науки. - 2012. - №2. - С 140-143.
9. Суханкин, Г.В. Модель взаимодействия акустического сигнала и изоляции статора электрической машины, подвергшейся старению [Текст] / Г.В. Суханкин, Н.Т. Герцен // Ползуновский вестник. - Барнаул, 2009. - № 4. -С. 124 - 132.
