Диагностирование асинхронных электродвигателей (стр. 2 из 3)

В настоящее время широко используются математические модели нейронных сетей. Существуют также и другие модели нейронных сетей, среди которых наиболее часто используются рекуррентные сети Хопфилда и самоорганизующиеся сети Кохонена . Прямоугольники представляют собой тела нейронов, исходящие и входящие стрелки - дендриты, а точки, в которых стрелки заходят и точки, из которых стрелки исходят - это соответственно синапсы и аксоны. Круги на рисунке - условные входа нейронов, которые просто распределяют входящие значения по всем нейронам сети. В математической модели нейрона все входящие стрелки имеют веса, а на выходе обычно вычисляется нелинейная функция от средней суммы этих весов с некоторыми дополнительными арифметическими действиями.

Были разработаны также и другие модели нейронов и нейронных сетей, например, электрические. Однако из-за своей непрактичности они не получили большого распространения.

Для использования нейронной сети прямого распространения при решении конкретной задачи, ее необходимо сначала "обучить". Для этого на вход нейронной сети подаются какие-либо значения, а на выходе снимаются результирующие значения, которые сравниваются с теми значениями, которые должны там быть. Если выходные значения нейронной сети отличаются от требуемых значений, то происходит оптимизация весов нейронной сети каким-либо из математических алгоритмов до тех пор, пока эти значения не будут им соответствовать с заданной точностью. После этого нейронную сеть можно считать обученной.

Нейронные сети дают возможность эффективно определять причину и виды повреждения асинхронных электродвигателей, работать с зашумленными данными, избавляя от необходимости применения промежуточных электронных фильтров от помех или фильтрации математическими методами, а также адаптироваться к конкретному типу электродвигателя. Кроме этого, искусственные нейронные сети широко используются в задачах прогнозирования .

Помимо выбора алгоритмов обработки сигнала и определения способа диагностики асинхронных электродвигателей необходимо разработать аппаратную часть программно-аппаратного диагностического комплекса. При этом очень важно выбрать недорогую компонентную базу для его реализации, определяющую себестоимость комплекса в размере не более чем 10% от стоимости самого электродвигателя.

В настоящее время на кафедре Электроснабжения Читинского государственного университета ведутся разработки данного программно-аппаратного комплекса. В реализации программной части комплекса используется метод анализа сигнала полной потребляемой мощности электродвигателя на каждой фазе искусственной нейронной сетью, определяющий вероятность присутствия какого-либо повреждения, как в электрической, так и в механической части электродвигателя. Для этого нейронную сеть прямого распространения планируется использовать для идентификации зависимости полной мощности от времени, либо для идентификации спектра гармоник сигнала полной потребляемой мощности на одном периоде. Сначала выполняется определение периода сигнала. Затем отрезок, на котором сигнал длится в течение предварительно определенного периода, масштабируется по ширине, а значения амплитуды полной мощности нормируются относительно значения номинальной мощности электродвигателя. Таким образом, будут анализироваться процентные изменения мощности. Для их анализа полученный график разбивается на равномерные промежутки, количество которых зависит от быстродействия измерительного устройства и частоты вращения ротора электродвигателя.

При обучении нейронной сети на выходе используется определенное значение Yэт, соответствующее конкретному виду неисправности электродвигателя и эталонные экспериментальные значения сигнала полной потребляемой мощности опытного электродвигателя, полученные при помощи того же измерительного устройства. После этого, при идентификации сигнала, уже обученной сетью, производится проверка соответствия значения Y на выходе сети значению Yэт, которое задавалось при обучении. Если Y=Yэт, то это означает, что в электродвигателе на 100% имеется неисправность, для которой обучалась данная нейронная сеть. В качестве обнаруженной неисправности выбирается та, степень соответствия которой наибольшая. По степени соответствия для других неисправностей электродвигателя можно судить о вероятности их присутствия. В наиболее сложных случаях, возможно, придется использовать экспертную систему с набором правил нечеткой логики, которые будут определяться в ходе экспериментальных исследований.

С помощью нейронной сети планируется также выполнять прогнозирование повреждений в электродвигателе. Аппаратная часть комплекса, структура которой изображена на рис. 2, включает в себя 10 блоков, из которых 7 блоков являются одинаковыми входными блоками, а 3 других блока являются основными.

Главный блок устройства - измерительный - выполняет функции измерения входного сигнала, управление блоком переключения диапазонов и исполнительным блоком, а также обмен информацией между компьютером и устройством. Входные блоки служат для масштабирования входного измеряемого уровня напряжения для его изменения в пределах от 0 до 5 В. Каждый входной блок поддерживает работу в трех диапазонах напряжения (от 0 до 100 В с точностью 0,1 В, от 10 до 1000 В с точностью 1 В и от 100 до 10000 В с точностью 10 В). Для автоматического выбора текущего измеряемого диапазона напряжения используется блок переключения диапазонов, который управляет входными блоками, получая команды на переключение от измерительного блока. Исполнительный блок служит для управления работой электродвигателя или для сигнализации о произошедшей поломке электродвигателя.

Рис. 2. Структура аппаратной части диагностического комплекса

В качестве основы для реализации измерительного блока, принципиальная схема которого изображена на рис. 3, был выбран недорогой микроконтроллер фирмы ATMEL ATmega8535 RISC-архитектуры со встроенным 8-канальным аналого-цифровым преобразователем (АЦП) /14/. Данный микроконтроллер имеет 512 байт энергонезависимой памяти EEPROM, которую можно использовать для хранения калибровочных коэффициентов и настроек, относящихся к диагностируемому электродвигателю. Микросхема FT245BM используется для связи измерительного блока с компьютером через интерфейс USB 2.0. Однако возникли дополнительные трудности, связанные с низким быстродействием АЦП данного микроконтроллера, в результате чего получается слишком мало экспериментальных значений измеряемой величины на анализируемом периоде сигнала электродвигателя. Можно воспользоваться более мощным и быстрым многоканальным АЦП или несколькими одноканальными АЦП, работающими параллельно, однако оба этих способа значительно завысят себестоимость аппаратной части комплекса. Решением этой проблемы стал программный метод, при помощи которого происходит получение более детального графика сигнала на одном периоде путем анализа сразу нескольких периодов сигнала.

Идея метода изображена на рис. 4. На координатной плоскости рисунка имеются радиус-векторы, вращающиеся с угловой скоростью wt. Длина радиус-вектора равна текущему значению полной потребляемой мощности Pi. Таким образом, текущее состояние сигнала удобно представить в виде комплексного числа i, значение которого можно выразить через формулу Коши-Адамара:

(1)

где i - точка текущего состояния сигнала полной потребляемой мощности;

Pi - текущее значение полной потребляемой мощности;

wi - текущий угол поворота ротора относительно начального положения.

Рис. 3. Структура искусственной нейронной сети, используемой для идентификации сигнала полной потребляемой мощности

Например, сначала происходит измерение трех значений сигнала на первом периоде 1, 2 и 3, затем через некоторое смещение угла относительно w1, соответствующее значению , происходит получение следующих трех значений сигнала 4, 5 и 6 на втором периоде.

Рис. 4. Детализация графика сигнала полной потребляемой мощности

Аналогичным образом получаются точки для следующих периодов в зависимости от требуемого количества точек сигнала. Соединив полученные точки в порядке, определяемом углом вращения wi, сплошной линией, мы получим более детальный график сигнала, содержащий необходимое число экспериментальных точек. Схематически пример получения детального графика одного периода для сетевого напряжения промышленной частоты 50 Гц показан на рис. 9.

Таким же образом происходит получение графика одного периода полной потребляемой мощности асинхронного электродвигателя. Чем выше скорость вращения ротора электродвигателя, тем больше периодов анализируется, до того, как будет произведена попытка определения неисправности в электродвигателе. Естественно такая обработка сигнала снижает общее быстродействие диагностического комплекса. Можно даже не выполнять идентификацию полученного периода, а свести эту задачу к задаче распознавания образа замкнутой фигуры, изображенной на рис. 10, и по форме данной фигуры судить о присутствии какой-либо неисправности в электродвигателе. В этом случае способ диагностики получается более наглядным, но и более сложным в реализации.

Также изначально планировалось в качестве измерительных датчиков тока использовать токовые клещи с широким диапазоном измерения тока. Это позволило бы разработать универсальный и удобно-подключаемый программно-аппаратный комплекс. Но из-за очень высокой стоимости токовых клещей в аппаратной части комплекса используются обычные трансформаторы тока.