CC BY
87
УДК 621.311
ОПРЕДЕЛЕНИЕ СОСТОЯНИЙ ЭЛЕКТРОДВИГАТЕЛЯ И АНАЛИЗ
АКУСТИЧЕСКИХ ШУМОВ
© 2018 Н. В. Куделин
аспирант кафедры космического приборостроения и систем связи
e-mail: kol9ini4@inbox.ru
Юго-Западный государственный университет
В статье рассмотрена возможность проведения комплексной диагностики электродвигателя по издаваемому им акустическому шуму, которая состоит из определения его состояний, объединяемых в классы, на базе известных исходных данных, а также определения неизвестных состояний электродвигателя путем установки их степени принадлежности к определенному классу известных состояний.
Ключевые слова: диагностика, электродвигатель, шум, кодовые сообщения, класс состояний, нечеткое множество.
Электрические машины, в том числе и электродвигатели, широко применяются на электрических станциях, в промышленности, на транспорте, в авиации, в системах автоматического управления и в быту. На ранних этапах эксплуатации нового электродвигателя владелец не испытывает никаких проблем, но с течением времени он обязательно сталкивается с проблемой износа запчастей, которая не только отрицательно сказывается на комфортности использования, но и приводит к дополнительным экономическим затратам по ремонту объекта. Потери от эксплуатации неисправных электродвигателей и внезапного выхода ответственного оборудования из строя дорого обходятся как бюджету предприятия, так и его имиджу. Поэтому основной задачей является выявление неисправности на ранней стадии возникновения, отслеживание динамики развития неисправностей [Куделин, Рыбочкин 2017].
Однако традиционные методы диагностики состояния электродвигателя являются локальными, а не комплексными, направлены на выявление неисправностей определенных узлов двигателя и, как правило, требуют его частичной разборки. Также стоит учесть, что методы, применяемые для выявления неисправностей, выбираются на основе опыта и знаний мастера-диагноста и зачастую носят субъективный характер. Таким образом, в процессе диагностики и ремонта двигателя отдельные виды неисправностей могут остаться без внимания, а их обнаружение потребует более детальной диагностики, проведение которой отнимает на порядок больше времени.
В статье рассмотрена актуальная проблема комплексной диагностики состояния электродвигателя, а именно распознавание многочисленных состояний электродвигателя, объединяемых в классы состояний, путем анализа акустического шума рабочего двигателя. Рассмотрена возможность установки степени принадлежности неизвестного состояния двигателя к определенному классу неизвестных состояний на базе нечеткого представления диагностируемых признаков.
Такой способ позволит диагностировать состояние и выявлять причину неисправности электродвигателя без разборки и транспортировки на ремонтную базу.
Объекты и методы исследования. Существующие на российском рынке методы диагностирования имеют ряд недостатков, в связи с этим возникает вопрос о качестве проводимой диагностики электродвигателей. Некачественная диагностика
сокращает срок службы двигателя, приводит к увеличению затрат по его ремонту и способствует ухудшению экологической обстановки местности.
Разрабатываемая самообучающаяся система акустической диагностики электродвигателей исследует возможности диагностики состояний двигателей по акустическому шуму. Использование метода акустической диагностики поможет преодолеть существующие недостатки традиционных методов диагностики, значительно сокращая время и трудоёмкость ее проведения. Определение скрытых дефектов становится возможным без разбора двигателя. Фактически, опытные автомеханики-диагносты уже давно используют на практике акустический метод диагностики, определяя целый ряд дефектов двигателя «на слух» по характерным шумам при его работе. Однако этот метод, не будучи подкреплён современными инструментальными средствами анализа, остаётся скорее искусством, чем научно обоснованным методом. Поэтому задачей настоящей статьи является предложить инструментальные методы анализа шумового сигнала работающего двигателя, базирующиеся на его спектральном анализе с последующей компьютерной обработкой с целью исключения субъективности оценки действительного состояния электродвигателя и повышения её достоверности. Необходимо создать недорогую систему, осуществляющую комплексную диагностику любых видов электродвигателей.
Шум является информативной составляющей о состоянии работающего двигателя и наблюдается в широком частотном диапазоне (0-18 000) Гц [Дрейзин и соавт. 2009]. Шум складывается из множества составляющих, генерируемых отдельными деталями и элементами работающего двигателя. Суммарный сигнал не стационарен.
При продолжительном времени анализа акустического шума электродвигателя установлено, что спектр имеет высокую скорость изменения.
В нашей работе [Куделин, Рыбочкин 2016] изложены способы определения наиболее информативных частотных полос для анализа спектральных составляющих акустического сигнала. В выбранном для диагностирования большинства состояний работающего электродвигателя информативном частотном диапазоне (0-1 000) Гц используются полосовые фильтры, настроенные на наиболее информативные места анализируемого частотного диапазона.
Экспериментально установлено, что в течение времени анализа образы спектров, представляющие общие формы спектров, изменяются гораздо медленнее самого спектра акустического шума работающего электродвигателя. Формы спектров можно кодировать. Частоты появления кодов будут определять состояние работающего электродвигателя по издаваемому им акустическому шуму.
В основе диагностирования состояний работающего электродвигателя лежат ранее разработанные методы, примененные для анализа акустических шумов объектов [Патент № 2287138] с использованием программы [Свидетельство № 2012617781].
Результаты и их обсуждение. Работа программы сводится к формированию образов спектра из средних значений интенсивных составляющих наиболее информативных частотных полос спектра, полученного после оцифровки звукового сигнала, поступившего на звуковую карту компьютера с микрофона, расположенного вблизи исследуемого электродвигателя, или с цифрового диктофона с записями шумов двигателя. Образы спектра кодируются двоичными кодами путем сочетательного сравнения применительно ко всем частотным полосам [Рыбочкин, Савельев 2013], а коды создают кодовые сообщения, характеризующие диагностируемое состояние электродвигателя [Рыбочкин, Яковлев 2011].
В течение времени анализа акустического шума (15 минут) диагностирущий получает одноминутные реализации (табл. 1, 2). Ввиду нестационарности
акустического шума каждая реализация анализируемого состояния электродвигателя характеризуется последовательностью случайных чисел. При синхронном считывании с интервалом времени в 1 секунду за одну минуту происходит считывание 60 образов спектров или кодовых аналогов, выпадающих с определенной частотой, причем некоторые коды могут выпасть максимальное число раз, а другие - ни разу.
Таблица 1
Состояния электродвигателя 5АИ63В6, работающего с частотой 1000 об/мин, _стучит передний подшипник_
Коды Б] и их виды
27 30 39 45 54 57 75 78 99 108 114 120 135 141 147 156 177 180 198 201 210 216 225 228
00 04 01 06 03 07 10 14 21 46 23 47 30 54 31 56 63 67 70 74 71 76 73 77
Частоты появления кодов кц
7 38 1 12 2 1 1 2 1 1
7 36 2 12 1 2 1 1 1
8 33 2 12 3 1 1 1 1
7 34 2 12 1 2 1 1 1
11 35 1 11 1 2 1
10 33 1 13 1 2 2 1 1
10 34 2 11 1 2 1 2 1 1 1 1
11 33 2 12 3 2 1 1 1 1
9 35 3 11 2 2 4 1 1
11 33 2 13 1 1 1 3
10 31 2 15 1 1 2 3 1 1 1
8 34 1 12 1 2 1 1 1 1 1
8 37 2 11 1 1 1 2
10 32 2 8 1 2 3 2 1 1 3 3 1 2 1 1
9 37 2 10 1 1 1 2 1 1 1
Таблица 2
Состояния электродвигателя 5АИ63В6, работающего с частотой 1000 об/мин,
неизвестное состояние 1
Коды Б] и их виды
27 30 39 45 54 57 75 78 99 108 114 120 135 141 147 156 177 180 198 201 210 216 225 22 8
00 04 01 06 03 07 10 14 21 46 23 47 30 54 31 56 63 67 70 74 71 76 73 77
Ч астоты появления кодов кц
10 37 1 7 3 2
12 36 9 3
9 40 1 6 1 1
11 37 2 7 1 1 2
9 35 1 10 1 1 1 2
14 29 2 8 1 3 1 1 1
11 19 3 12 1 2 5 2 1 1 2 1
11 28 1 6 1 3 5 2 1 1
12 32 1 12 1 2 1
5 35 2 14 1 1 1 1
7 23 4 19 2 1 5
11 24 1 11 5 1 1 1 2 1 2
10 23 2 16 3 4 1 1
9 22 2 16 3 7
9 28 3 11 1 5 1 1 2
На основе данных таблиц 1, 2 строим двумерную плоскость, на которой в виде точек отображаем состояния электродвигателя (рис.). Сами точки строим путем деления таблицы 1 на две половины, вычисляем математические ожидания частот
появлении по каждому коду этих половин и математические ожидания самих половин, которые соответствуют координатам точек состояния по осям абсцисс и ординат. Из нескольких точек, которые близко группируются и характеризуют одно состояние электродвигателя, формируем класс эталонных состояний.
3 +
2 -■
1 -■
Неизвестное состояние 1
Класс состояния эл ектродв игателя. когда стчит передний подшипник^
=<3
+
+
+
+
+
+
Касс состояния электродвигателя, работающего исправно
-н-1-1-Ь
0123456789
Рассмотренные классы состояний работающего электродвигателя
На рисунке приведено два класса состояний и одно неизвестное состояние работающего электродвигателя.
Неизвестное состояние, изображенное на рисунке, можно либо визуально соотнести с классами известных состояний, либо выявить их степень принадлежности к известным классам состояний с применением решающих правил. Для этого четкое множество состояний работающего электродвигателя (табл. 1) представляют в виде нечеткого множества, принимая следующие условия:
к, к .
- выражение /л.. =-, где к11 тах - максимальная частота появления кода I
к,, тах 1
У
- реализации А^ состояния работающего электродвигателя, записывается в таблицу вместо частот появления кодов;
- уЕN1, где у - выпадающие коды, N1 - весь алфавит кодов;
- хЕА, где х - реализации состояния А работающего электродвигателя;
- выражение /иВ (у| |х), где хЕ А, у Е N1, Б] - выпадающие коды из пространства N1, является условной функцией принадлежности.
На основе условной функции принадлежности составляем выражение для индуцирования нечеткого подмножества Б нечетким подмножеством А:
(y) = MAX(MIN[ßB(У II x),MA(x)]).
ХЕЕ]
Таблицу 1 представляем в виде нечеткого отображения [Рыбочкин, Яковлев 2011], с каждым Bj кодом из N! проводим операции согласно выражению (1), выявляя
степень принадлежности ^^ (у) к эталонному состоянию после чего применяем
решающие правила.
Решающее правило №1. Определение минимальной степени принадлежности к каждому эталонному состоянию А;.:
Если код №1 есть И код №2 есть ц2 И код № 3 есть ц3..................
И код № N! есть p,N!, то это состояние А1 с min степенью принадлежности ц.
Решающее правило №2. Определение степени принадлежности неизвестного состояния к каждому эталонному состоянию А; (классу эталонных состояний):
Если ц Ai или ц А2 или ... или ц Ак! max из всех min ц А;, то неизвестное состояние со степенью принадлежности ц А1 или ц А2 или ... или ц Ак! принадлежит А1
или А2 или ... или Ак! Состоянию
Выбираем максимальную принадлежность из минимальных, неизвестное состояние принадлежит максимальной принадлежности из минимальных (табл. 3).
Таблица 3
Применение решающих правил к состояниям электродвигателя 5АИ63В6, работающего с частотой 1000 об/мин, стучит передний подшипник + неизвестное
состояние 1
Коды Б, и их виды
27 30 39 45 54 57 75 78 99 108 114 120 135 141 147 156 177 180 198 201 210 216 225 228
00 04 01 06 03 07 10 14 21 46 23 47 30 54 31 56 63 67 70 74 71 76 73 77
Степени принадлежности неизвестного состояния к эталонным состояниям Äj
0,6 0,9 0,3 0,4 0 0,4 0 0,4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,9 0 0,5 0 0 0 0,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,9 0,3 0,3 0 0,1 0,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,9 0,5 0,4 0 0,1 0,3 0,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,8 0,3 0,5 0,3 0,1 0 0,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,8 0,7 0,3 0,4 0,3 0,4 0 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,8 0,5 0,7 0,6 0,3 0,3 0 0,5 0 0,5 0 0 0 0,3 0 1 0 0 0 0 0 0
0,8 0,7 0,3 0,3 0,3 0 0,5 0,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,8 0,7 0,3 0,6 0 0,1 0 0,4 0 0,5 0 0 0 0 0 0 0 0 0 0 0 0
0,4 0,8 0,5 0,7 0,3 0,1 0,3 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,4 0,5 0,7 1 0,3 0,1 0 0,8 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,6 0,3 0,6 0 0,7 0,3 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,7 0,5 0,5 0,7 0,3 0,5 0 0,2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,8 0,5 0,5 0,5 0,3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0,6 0,6 0,7 0,6 0,3 0,5 0 0,2 0 0 0 1 0 0 0 0 0 0 0 0 0 0
Выбо] р максимальной принадлежности из минимальных
0,8 0,9 0,7 1 0,3 1 0,5 0,8 0 0,5 0 1 0 0,3 0 1 0 0 0 0 0 0
0,8 0,9 0,7 1 0,3 1 0,5 0,8 0 0,5 0 1 0 0,3 0 1 0 0 0 0 0 0
После проведения идентичных вычислений с применением решающих правил всех классов эталонных состояний, изображенных на рисунке, получена следующая степень принадлежности неизвестных состояний:
неизвестное состояние 1 принадлежит каждому из известных классов состояний
со степенью принадлежности VВ (У) =0;
Полное распознавание состояния подразумевает равенство единице степени принадлежности по каждому коду, т.е. ^=1 (центр класса). В описанных выше результатах получено максимально возможное приближение, удовлетворяющее условиям поставленной задачи. Следует отметить, что для повышения степени принадлежности в принятии решения к диагностируемому состоянию необходимо иметь большее количество классов известных состояний. Также целесообразно рассмотреть возможность анализа акустического шума в частотном интервале (1000-18000) Гц.
Заключение. Таким образом, в рассмотренной статье была показана возможность распознавания состояний электродвигателя на основе анализа его акустического шума в частотном диапазоне (0-1 000) Гц с использованием кодовых сообщений, а также возможность выявления его причины неисправности путем установки степени принадлежности неизвестного состояния к классам известных состояний с использованием нечетких множеств.
Библиографический список
Дрейзин В.Э., Касем М.М., Сабельников Д.С. Акустическая диагностика автомобильных двигателей. Анализ возможностей и теоретические и практические предпосылки // Приборы и системы. Управление, контроль, диагностика. №4. М., 2009. С. 48-56.
Куделин Н.В., Рыбочкин А.Ф. Комплексная диагностика состояний электрического двигателя путем анализа издаваемого им акустического шума // Автоматизация: проблемы, идеи, решения: сб. ст. по итогам Междунар. науч.-практич. конф. 8 сентября 2017 г. Стерлитамак: АМИ, 2017. С. 33-36.
Куделин Н.В., Рыбочкин А.Ф. Особенности построения классов состояний автомобильного двигателя по издаваемому им акустическому шуму // Инструменты и механизмы современного инновационного развития: сб. ст. Междунар. науч.-практич. конф. 5 сентября 2016 г. Волгоград: НИЦ АЭТЕРНА, 2016. С. 19-21.
Патент. № 2287138 001И 17/00, А01К 55/00. Способ определения информативных частотных полос акустического сигнала пчелиных семей при распознавании их состояний // Рыбочкин А.Ф. Опубл. 10.11.2006. Бюл.31.
Рыбочкин А.Ф., Савельев С.В. Кодирование образов спектров при анализе акустического шума с использованием программы для ЭВМ // ИЗВЕСТИЯ ЮЗГУ. Курск, 2013. №2. С. 88-94.
Рыбочкин А.Ф., Яковлев А.И. Диагностирование состояний объектов по издаваемому ими акустическому шуму // Альтернативная энергетика и экология - 1Б1АЕЕ. 2011. №7. С. 89-101.
Свидетельство на программу № 2012617781 / Программа для анализа и кодирования акустических шумов (СоёеБее у.1.1) // Савельев С.В., Мохсен Шамсан Ахмед Исмаил, Рыбочкин А.Ф.
