CC BY
75MONITORING AND DIAGNOSTICS OF ASYNCHRONOUS TRACTION MOTORS OF THE MODERN ROLLING STOCK WITH USING AN ARTIFICIAL NEURAL NETWORK
Khamidov O.R.
Emperor Alexander I ST. Petersburg State Transport University, Saint Petersburg, Russia
Abstract: The article is devoted to topical issues of monitoring and diagnostics of asynchronous traction engines of locomotives using artificial neural networks. A mathematical model of asynchronous squirrel cage traction motors is proposed. The article analyzes the malfunctions of asynchronous squirrel-cage traction motors. It is shown that one of the most dynamically developing is artificial neural networks for diagnosing an asynchronous traction electric motor of rolling stock, which have a number of important positive properties, such as speed, learning ability, approximation properties, etc. The mathematical model of the neural network and the organization structure for monitoring the technical state of the AED are presented, and the feasibility of proactive diagnostics, which allows early detection of defects at the earliest stage of their development, is justified. The results obtained using the Matlab / Simulink software environment which allows you to analyze asymmetric modes of variable states of an asynchronous traction electric motor of locomotives. Key diagnostics, asynchronous traction electric motor, modern methods, artificial
words: neural networks, locomotive.
КОНТРОЛЬ И ДИАГНОСТИКА АСИНХРОННЫХ ТЯГОВЫХ ДВИГАТЕЛЕЙ СОВРЕМЕННОГО ПОДВИЖНОГО СОСТАВА С ПОМОЩЬЮ ИСКУСТВЕННОЙ
НЕЙРОННОЙ СЕТИ
Аннотация: Статья посвящена актуальным вопросам контроля и диагностики асинхронных тяговых двигателей локомотивов с применением искусственных нейронных сетей. Предложена математическая модель асинхронных тяговых электродвигателей с короткозамкнутым ротором. В статье анализируются неисправности асинхронных тяговых электродвигателей с короткозамкнутым ротором. Показано, что одной из наиболее динамично развивающихся является искусственных нейронных сетей для диагностирования асинхронного тягового электродвигателя подвижного состава, которые обладают рядом важных положительных свойств, таких как быстродействие, обучаемость, апроксимационные свойства и т.д. Представлена математическая модель нейронной сети и структура организации контроля технического состояния АТЭД, а также обоснована целесообразность упреждающей диагностики, которая позволяет заблаговременно выявить дефекты на самой ранней стадии их развития. Полученные результаты с помощью программной среды Ма^аЬ^тиНпк позволяют анализировать несимметричные режимы переменных состояний асинхронного тягового электродвигателя локомотивов.
Ключевые диагностика, асинхронный тяговый электродвигатель, современные
слова: методы, искусственные нейронные сети, локомотив
Введение. Основными задачами диагностики подвижного состава являются определение текущего состояния и прогнозирование изменения технического состояния локомотивов в зависимости от наработки [1,2-5]. Для решения этих задач могут быть использованы модели, различные по методам построения и применения, в т.ч. модели, использующие искусственные нейронные сети (ИНС) для оценки технического состояния современного подвижного состава.
В настоящее время на современном локомотиве в качестве тягового привода применяются трехфазные асинхронные тяговые электродвигатели с короткозамкнутым ротором. По сравнению с тяговыми электродвигателями постоянного тока локомотивный асинхронный тяговый электродвигатель с короткозамкнутым ротором отличается рядом достоинств. Достоинством локомотивного асинхронного тягового электродвигателя (АТЭД) является простота в эксплуатации электродвигателя; увеличенная мощность при одинаковых габаритах с двигателем постоянного тока; увеличенный срок службы; повышенная надежность, сниженная стоимость жизненного цикла АТЭД локомотива; возможность электрического рекуперативного -реостатного торможения до остановки; увеличение весовой нормы поезда.
Локомотивные АТЭД на практике показывают свою выносливость и простоту эксплуатации. Однако в процессе эксплуатации могут возникать повреждения элементов двигателя, что в свою очередь, приводит к преждевременному выходу его из строя. В производстве внезапный выход из строя АТЭД может привести к непоправимым последствиям. Очень важно выявлять любой дефект на самой ранней стадии, исключающей риск возникновения серьезных повреждений асинхронного тягового электродвигателя.
Асинхронный тяговый электродвигатель локомотивов - это многокомпонентная и сложная электромеханическая система, в которой при эксплуатации все происходящие процессы между собой взаимосвязаны. Учет всех сложных взаимосвязей при исследовании АТЭД с повреждением узлов
приводит к необходимости разработки математической модели АТЭД, способной учесть несимметричные аварийные (неисправные) и нормальные режимы работы.
Важным вопросом является математическое описание явлений, происходящих в процессе работы асинхронного тягового электродвигателя локомотивов, при исследовании сложных физических явлений.
Математическое моделирование АТЭД
Наиболее адекватной является математическая модель в трехфазных координатах (см. рис. 1), описывающие процесс преобразования электроэнергии в локомотивном асинхронном тяговом электродвигателе с короткозамкнутым ротором в переходных и стационарных режимах[ 1,3,6].
При построении математической модели АТЭД принимаются следующие допущения:
• напряжения фаз синусоидальны;
• не учитываются потери в стали, вызываемые протеканием вихревых токов в магнитопроводе АТЭД и его перемагничиванием;
• воздушный зазор АТЭД равномерен;
• энергия магнитного поля сосредоточена в воздушном зазоре АТЭД;
Рис. 1. Упрощенная расчетная схема АТЭД
Матрицы напряжений и токов, а также потокосцепления имеют следующий вид [3,7-9]:
\pabcs ] = [1abcs ] ' [ rabcs ] + ^ \vabcs ]
[UABCR ] = \J-ABCR ] ' \RABCR ] + \WabCR ]
" Lss lsr ' is "
_¥r _ _ lrs Lrr _ _ ir _
(1) (2) (3)
las mabs mbcs ' L ar M abr M bcr
\ LSs ] = mabs lbs mbcs II M, abr Lbr M, bcr (5)
macs mbcs lcs _ Macr Mbcr L cr _
где Las , LBS, Les - индуктивности фазы статора; Lar, Lbr, Lcr -
индуктивности фазы ротора; MABS, MBCS , MACS - взаимная индуктивность
между фазами статора; Mabr, Mbcr, Macr - взаимная индуктивность между фазами ротора;
Взаимные индуктивности фаз статора с обмотками ротора и обмоток ротора с фазами статора равны:
27 27
LSRAa COS в LsRAb + —) LSRAc - —)
[ lsr (0)]
[ LrS 0)] =
27 27
LSRAb COS(e - —) LsRBb COS в lsrbc COS(e + —)
27 27
LSRCa COS(e + —) LSRCb COS(e ) LSRCc COS в
собственных индуктивностей статора;
27 27
LRSAa COS в LRSAb COS(e - —) LRSAc COS(e + —)
27 27
LRSBa COS(e + —) LRSBb COS в LRsBc COS(e )
27 27
LRSCa COS(e ) LRSCb С°(в + ~) LRCc COS в
матрица
(6)
- матрица собственных индуктивностей ротора;
(7)
Ь = Ь, + Ь (8) М =-0.51 (9) Ь„ = Ь, + Ь (10) М =-0.51 (11)
Ля я1 sm (8), я тя (9Л Иг г1 гт (10Л г тг (11);
Электромагнитный момент АТЭД локомотивов равен частной производной по геометрическому углу от общего запаса электромагнитной энергии АТЭД и может быть представлен следующим образом [2,4,9]:
—ж
1М (1га8т в + 1гавт(в + у) + 1« *т(в - —)) +
M = -GL
2л
2л
+1^ (Ira sin(e - — ) + Irb sin в + Irc sin(e + — ))
+1„ (Irb sin(e + Л + Irb sin(e - 2Л) + Irc sin в))
Уравнение движения привода имеет следующий вид:
X3
(12)
М ± М =
Z.
dt
+ f -œ
■J v r
(13)
Описание нейросетевой модели
Одной из наиболее динамично развивающихся технологий является технология искусственных нейронных сетей (ИНС), которая обладают рядом важных положительных свойств, таких как быстродействие, обучаемость, хорошие аппроксимационные свойства и др. Нейронные сети дают возможность эффективно определять причину и виды повреждения локомотивных асинхронных тяговых электродвигателей, работать с зашумленными данными, избавляя от необходимости применения промежуточных электронных фильтров от помех или фильтрации математическими методами, а также адаптироваться к конкретному типу АТЭД.
На рис. 2 представлено графическое представление математической модели нейронной сети прямого распространения и структура контроля АТЭД.
Неиросетввои алгоритм обработки зарегистрированной информации
Рис. 2. Графическое представление математической модели нейронной сети и структура организация контроля технического состояния АТЭД
Математическую модель нейрона можно описать следующим образом:
N
Я = ЪХп№п+Ъ (14)
П = 1
Y=F(S) где, X1, X2,......,XN - входные сигналы нейрона; W1, W2,......,WN
- синаптические веса нейронов; Ь - сдвиг; F(S) - активационная функция; Y-выходной сигнал нейрона.
Диагностика АТЭД локомотивов заключается в решении задачи классификации, когда определяется принадлежность входного набора данных (диагностических признаков) к одному из нескольких заранее известных классов технического состояния АТЭД. Нейросетевая модель для диагностики АТЭД локомотивов на основе применения нейросетевого анализатора представлена на рис. 3.
Для создания анализатора технического состояния АТЭД локомотивов использованы нейронные сети, являющиеся эффективным математическим аппаратом для решения задач классификации, аппроксимации, прогнозирования, управления, а также идентификации технических систем.
Рис. 3. Нейросетевая модель для оценки технического состояния АТЭД локомотивов
В случае диагностики асинхронных тяговых двигателей НС может быть организована в трехслойную топологию с прямой передачей сигнала, при этом первый входной слой (Input Layer) служит классификатором неисправностей, второй выходной слой (Output Layer) аппроксимирует динамическую реакцию диагностирования на данную неисправность, т.е. решает задачу регрессии. Промежуточный скрытый слой (Hidden Layer) способствует обучению многослойного персептрона в условиях воздействия случайных шумовых помех с помощью «сигмоидной» нелинейной функции, регулирующей веса случайных сигналов между основными слоями на базе разности между создаваемым и желательным выходным сигналами нейронные сети.
Для обработки (реализации) полученных данных и полученных при выполнении математического моделирования и оценки технического состояния АТЭД локомотивов, была использована ИНС пакета программ Simulink/Matlab. На рис.4 и рис.5 представлены спектры асинхронного электродвигателя.
Рис. 4. Спектры АТЭД локомотивов с установленными пороговыми значениями
(обрыв стержней)
60
40
ё 20
га
Я
-20
-10
f
(1-4ч (1 fn •2s fo 1 (t ■2s) Го
> t \ \ \ T / (l+4s \ Го
1 V \ 1 / \
J ч 1 \ J / \ J V
42 44 46 48 50 52 54 56 58 Частота /рц)
а)
б)
Рис. 5. Спектр тока при полной нагрузке: а) одного обрыва стержня ротора; б) с двумя обрывами стержней, показывающими (1 ± 2$) /5 и (1 ± 4$) боковые полосы.
Из рисунков видно, что собранная трехфазная модель асинхронного тягового двигателя в программной среде Matlab Simulink позволяет
анализировать несимметричные режимы переменных состояния электродвигателя.
Заключение. Таким образом, показано, что искусственные нейронные сети являются мощным и доступным инструментом, которые способны давать достоверные результаты при технической диагностике асинхронных тяговых электродвигателей подвижного состава. Представленная математическая модель локомотивных асинхронных электродвигателей в трехфазной системе координат позволяет максимально достоверно описать физические процессы при повреждении АТЭД. С помощью предлагаемой модели может быть проведен количественный и качественный анализ электромагнитных и электромеханических процессов в переходных и установившихся режимах работы, исследование динамической механической и рабочих характеристик, анализ спектрального состава и годографов пространственных векторов фазного напряжения и тока АТЭД локомотивов. Задача диагностирования с применением нейронных сетей сводится к выбору типа сети, определению параметров архитектуры и ее обучению.
Применение нейросетевых технологий для оперативного контроля, коррекции объемов плановых видов ремонта, а также оценка технического состояния оборудования подвижного состава имеет хорошие перспективы, который позволяет в полной мере использовать весь объем диагностической информации, накапливаемой подсистемой бортовой диагностики современных локомотивов и повышения эффективности системы технического обслуживания.
^исок литературы
1. Хамидов О.Р. Математическая модель вибровозмущающих сил локомотивного асинхронного электродвигателя / М.Н. Панченко // Известия Петербургского университета путей сообщения. -2013г. - №4(37).- С. 60-67.
2. Грищенко А.В. Аппарат искусственных нейронных сетей для диагностики современного локомотива / В.В. Грачёв, Ю.В. Бабков, Ю.И. Клименко, С.И. Ким, К.С. Перфильев, М.В. Федотов // Локомотив. - 2012г. - №7. - С. 36-40.
3. Хамидов О.Р. Разработка методики комплексного диагностирования асинхронного тягового электродвигателя подвижного состава железнодорожного транспорта / О.Т. Касымов // Материалы конференций ГНИИ «Нацразвитие», сборник избранных статей.2017 - С. 32-39.
4. Агунов А.В. Использование нейро-нечетких диагностических моделей при оценке технического состояния электрооборудования тепловоза / Грищенко А.В., Кручек В.А., Грачев В.В. // Электротехника. - 2017г. - № 10. - С. 14 - 18.
5. Хамидов О.Р. Оценка технического состояния асинхронных тяговых электродвигателей электровозов серии «UZ-EL» средствами вибродиагностики / О.Т. Касымов // Материалы конференций ГНИИ «Нацразвитие», сентябрь - 2017, С. 13-19.
6. Хамидов О.Р. Вибродиагностика повреждения подшипников качения локомотивных асинхронных электродвигателей / Грищенко А.В. // VIII Международная научно-техническая конференция «Подвижной состав XXI века: идеи, требования, проекты», Петербургский гос. ун-т путей сообщения, 3-7 июля. - Санкт-Петербург, 2013г.- С. 174-176.
7. Г.И. Бабокин. Применение нейронных сетей для диагностики электромеханических систем / Шпрехер Д.М. // НИ.-РХТУ-2011г., С. 132-139.
8. Qi, Y. Stacked sparse autoencoder-based deep network for fault diagnosis of rotating machinery/ Shen, C., Wang, D., Shi, J., Jiang, X., and Zhu, Z. // IEEE Access, 5:15066-15079., 2017.
9. Kanika G. A review on fault diagnosis of induction motor using artificial neural networks / K. Arunpreet // International Journal of Scince and Research, Volume3, pp.680-684. Issue 7, July 2014.
References
1. Hamidov O.R. Matematicheskaya model vibrovozmushayushih sil lokomotivnogo asinhronnogo elektrodvigatelya / M.N. Panchenko // Izvestiya Peterburgskogo universiteta putey soobsheniya. -2013g. - №4(37).- S. 60-67.
2. Grishenko A.V. Apparat iskusstvennyh neyronnyh setey dlya diagnostiki sovremennogo lokomotiva / V.V. Grachyov, Yu.V. Babkov, Yu.I. Klimenko, S.I. Kim, K.S. Perfilev, M.V. Fedotov // Lokomotiv. - 2012g. - №7. - S. 36-40.
3. Hamidov O.R. Razrabotka metodiki kompleksnogo diagnostirovaniya asinhronnogo tyagovogo elektrodvigatelya podvijnogo sostava jeleznodorojnogo transporta / O.T. Kasymov // Materialy konferenciy GNII «Nacrazvitie», sbornik izbrannyh statey.2017 - S. 32-39.
4. Agunov A.V. Ispolzovanie neyro-nechetkih diagnosticheskih modeley pri ocenke tehnicheskogo sostoyaniya elektrooborudovaniya teplovoza / Grishenko A.V., Kruchek V.A., Grachev V.V. // Elektrotehnika. - 2017g. - № 10. - S. 14 -18.
5. Hamidov O.R. Ocenka tehnicheskogo sostoyaniya asinhronnyh tyagovyh elektrodvigateley elektrovozov serii «UZ-EL» sredstvami vibrodiagnostiki / O.T. Kasymov // Materialy konferenciy GNII «Nacrazvitie», sentyabr - 2017, S. 13-19.
6. Hamidov O.R. Vibrodiagnostika povrezhdeniya podshipnikov kacheniya lokomotivnyh asinhronnyh elektrodvigateley / Grishenko A.V. // VIII Mezhdunarodnaya nauchno-tehnicheskaya konferenciya «Podvizhnoj sostav XXI veka: idei, trebovaniya, proekty», Peterburgskij gos. un-t putey soobsheniya, 3-7 iyulya. - Sankt-Peterburg, 2013g.- S. 174-176.
7. G.I. Babokin. Primenenie neyronnyh setey dlya diagnostiki elektromehanicheskih sistem / Shpreher D.M. // NI.-RHTU-2011g., S. 132-139.
8. Qi, Y. Stacked sparse autoencoder-based deep network for fault diagnosis of rotating machinery/ Shen, C., Wang, D., Shi, J., Jiang, X., and Zhu, Z. // IEEE Access, 5:15066-15079., 2017.
9. Kanika G. A review on fault diagnosis of induction motor using artificial neural networks / K. Arunpreet // International Journal of Scince and Research, Volume3, pp.680-684. Issue 7, July 2014.
Сведения об авторе / Information about author Otabek KHAMIDOV
postgraduate doctoral student Emperor Alexander I ST. Petersburg State Transport University, Russia.
E-mail: [email protected]
