Асинхронный двигатель является самым распространенным типом
электрических машин в мире. Электродвигатель широко распространен,
поскольку обладает высокой надежностью и ремонтопригодностью, он
применим в широком спектре промышленных приложений. В то же время
электродвигатель подвержен износу и поломкам. Обычно это связано с
условиями, в которых он используется, и с плохим обслуживанием. Для
постоянного контроля состояния оборудования обычно используются
диагностические системы. Часто эти системы требуют остановки двигателя,
не давая возможности проводить диагностику в динамическом режиме.
Существующие методы контроля не всегда приемлемы, так как требуют
участие эксперта для анализа, могут вызывать механический износ и
искажения. Поэтому перспективнее использовать диагностические системы,
которые включают минимально возможное количество измерительного
оборудования и делают заключение о состоянии двигателя без
непосредственного участия человека. Ученые Пермского Политеха
разработали систему на основе машинного обучения для диагностики
электропривода. Разработка характеризуется низкой стоимостью и высокой
надежностью.
Статья с результатами опубликована в сборнике «SCM`2023» по результатам
XXVI международной конференции по мягким вычислениям и измерениям.
Исследование выполнено при финансовой поддержке РФФИ и Пермского
края и в рамках программы стратегического академического лидерства
«Приоритет 2030».
Отказы асинхронных двигателей можно разделить на механические и
электрические. Обычно до 41% отказов связаны с подшипниковым узлом,
это происходит из-за износа металла рабочих поверхностей вследствие
неправильной эксплуатации. А 37% отказов связаны с обмоткой статора,
представляющие собой замыкание соседних витков. Межвитковое короткое
замыкание является наиболее распространенным видом дефекта. Это
состояние характеризуется соединением двух или более витков обмотки в
местах, где повреждена изоляция. Как правило, такие неисправности со
временем прогрессируют и приводят к более серьезным поломкам.
Предложенная учеными система позволяет выявить их заранее.
Чтобы исследовать применимость алгоритмов машинного обучения для
диагностики двигателя ученые собрали лабораторный стенд. Он имитирует
типовые неисправности двигателя: поломка подшипников, неисправность
обмотки статора. С помощью этого стенда удалось собрать все необходимые
данные для обучения модели классификатора.
Так как естественный процесс разрушения подшипника занимает много
времени, ученые создали повреждения искусственно, заранее просверлив
отверстия в трех подшипниках в разных местах – снаружи, внутри и в обеих
обоймах.
Далее политехники в лабораторном стенде измерили токи статора
электродвигателя при различных комбинациях режимов работы, с
подшипниками различной степени повреждения и с различной степенью
межвиткового короткого замыкания. В результате собрали 1035 единиц
статистических данных, которые содержат 24% образцов для здорового
двигателя, 27% образцов для неисправной обмотки статора двигателя, 24% —
для неисправного подшипника и 25% для обеих неисправностей. Благодаря
собранному материалу ученые обучили систему и протестировали в
лабораторных условиях.
– Цель диагностической системы – определить, исправен двигатель или
поврежден, поэтому общий принцип идентификации неисправностей
сводится к классификации для каждого типа неисправности. Таким образом,
проблема сводится к поиску алгоритмов, обеспечивающих классификацию с
приемлемой точностью, – объясняет инженер кафедры
«Микропроцессорные средства автоматизации» ПНИПУ Савелий
Сальников.
Чтобы обучить систему определять неисправности могут быть использованы
различные модели машинного обучения. Политехники сравнили некоторые
из них и разработали ансамблевый подход, когда из нескольких моделей
собирается одна, более эффективная. Общая идея алгоритма –
последовательное применение предсказателя таким образом, что каждая
последующая модель сводит ошибку предыдущей к минимуму. В итоге
ученые добились улучшения всех характеристик качества классификатора. А
построенные графики, которые оценивают качество классификатора,
подтверждают, что предложенный подход эффективен.
– Разработанная система измеряет токи двигателя с помощью датчиков тока.
Полученные результаты поступают на предварительно обученную модель
классификатора, которая по этим параметрам распознает неисправность. На
данный момент система работает в режиме наблюдения, однако результаты
диагностики могут быть использованы для планирования скорого ремонта на
предприятии, – поделился инженер кафедры «Микропроцессорные
средства автоматизации» ПНИПУ Савелий Сальников.
Разработанный подход ученых Пермского Политеха позволит точно и
качественно проводить диагностику неисправностей асинхронного двигателя
на основе машинного обучения. Предложенная система имеет перспективы
для промышленного внедрения, так как проблема особенно актуальна для
ответственных двигателей в промышленном производстве. Система
характеризуется низкой стоимостью за счет использования всего двух
датчиков измерительного тока и высокой надежностью, может
конкурировать с существующими на рынке продуктами.
Пресс-служба ПНИПУ
Нет комментариев