СПОСОБ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ И ОЦЕНКИ ОСТАТОЧНОГО РЕСУРСА ЭЛЕКТРОМЕХАНИЧЕСКОГО АГРЕГАТА С АСИНХРОННЫМ ДВИГАТЕЛЕМ

Изобретение относится к области диагностики технического состояния электромеханического оборудования и позволяет производить диагностику и оценку остаточного ресурса асинхронного двигателя (АД), работающего в различных условиях эксплуатации, путем записи электрических и вибрационных параметров, с помощью датчиков вибрации, тока и напряжения, и использование искусственной нейронной сети (ИНС) для комплексного анализа электрических, вибрационных и косвенных параметров с дальнейшей оценкой технического состояния и прогнозирования вероятности безотказной работы электродвигателя (ЭД).

Известен способ диагностики электродвигателя переменного тока и связанных с ним механических устройств (патент РФ №2339049, опубл. 20.11.2008), согласно которому в трех фазах ЭД производятся запись напряжения и потребляемого тока в зависимости от времени. Полученные сигналы пропускают через фильтр низких частот, преобразуют в цифровую форму и формируют спектры тока и напряжения, после чего производят их спектральный анализ. Выделяют характерные частоты электродвигателя и связанных с ним устройств, а характер и степень развития неисправности выявляют путем сравнения значений амплитуд тока на характерных частотах.

Недостатками способа является то, что не учитывается переменный характер нагрузки ЭД, оказывающий влияние на амплитуду обобщенного вектора тока, гармонический состав питающего напряжения, наблюдаемый при питании ЭД от статического силового преобразователя. Также данный способ практически неприменим для регулируемого ЭД, так как не учитывает изменение режимов при регулировании выходной координаты (положения, скорости, момента) электропривода и не учитывает влияние дефектов механической части агрегата на электрические параметры электродвигателя и наоборот.

Известен способ диагностики электромеханического оборудования (патент РФ №2574315, опубл. 10.02.2016), согласно которому измеряют сигнал тока двигателя диагностируемого электромеханического оборудования, проводят демодуляцию полученного сигнала тока, рассчитывают спектр демодулированного сигнала и вычитают из него спектр демодулированного сигнала тока исправного оборудования того же типа. При этом разницу спектров преобразуют в кепстр, а полученный кепстр строят в частотной области. Оценивают амплитуды информативных компонентов кепстра, соответствующих дефектам объекта, после чего линеаризуют шаг расположения информативных составляющих путем нелинейного преобразования масштаба частот и определяют частоты дефектов по величине информативных кепстральных компонент, по которым оценивают состояние объекта.

Недостатком данного способа является то, что диагностика технического состояния, производимая путем оценки разницы между спектрами демодулированного сигнала тока исправного и находящегося в работе двигателей позволяет выявить только ряд дефектов при условиях отсутствии искажений напряжения питающей сети и статических силовых преобразователей.

Известен способ диагностики механизмов и систем с электрическим приводом (патент РФ №2431152, опубл. 10.10.2011), заключающийся в записи в течение заданного интервала времени значений фазных токов и напряжений электродвигателя, их разложение на гармонические составляющие и измерение амплитуды и фазы гармонических составляющих, при этом производится фильтрация гармонических составляющих, поступающих из сети. По совокупности параметров гармонических составляющих с помощью искусственной нейронной сети производятся идентификация технического состояния и прогнозирование ресурса безаварийной работы диагностируемого объекта.

Недостатком способа является то, что при определении остаточного ресурса анализируются только гармонические составляющие напряжения, генерируемые только двигателем электропривода, а составляющие, генерируемые сетью питающего напряжения, отфильтровываются и не рассматриваются. Однако значительные искажения питающего напряжения, которые имеют нерегулярный характер, обусловленный изменением режима работы двигателя, непостоянством нагрузки, наличием статических преобразователей, а также характеристиками питающей сети, негативно сказываются на изоляции диагностируемого оборудования, вызывая ее преждевременное старение, что, в свою очередь, может привести к пробою изоляции и выходу из строя оборудования.

Известен способ диагностики технического состояния электроприводной арматуры (патент РФ №2456629, опубл. 20.07.2012), согласно которому, измеряют механические вибрации, фиксируемые в электрическом сигнале тока в обмотках статора АД, используемых в качестве датчика вибраций. После измерения сигнала тока со статора АД происходят его обработка и преобразование. В качестве диагностического параметра используют спектр тока. Частота сигнала тока нормирована к частоте сети, а по изменению амплитуды собственных частот узлов арматуры и электропривода судят о развитии дефекта. При появлении различий между измеряемыми и базовыми величинами спектра, превышающих допустимые параметры рассогласования, делают вывод о неисправности конкретного узла электроприводной арматуры.

Недостатком данного способа является то, что не производится оценка технического состояния электродвигателя, являющегося одним из основных источников вибрации, а также использование статора как датчика вибрации не позволяет достоверно распознать дефекты, возникающие в приводной арматуре.

Известен способ диагностики и оценки остаточного ресурса электроприводов переменного тока (патент РФ №2532762, опубл. 10.11.2014), принятый за прототип, согласно которому производится запись напряжения и тока, потребляемых электродвигателем в зависимости от времени, выполняемая с помощью датчиков тока и напряжения, обработку сигналов фильтром низких частот с последующей программной обработкой полученных сигналов для диагностики и оценки остаточного ресурса на персональном компьютере.

Недостатками является то, что не учитываются косвенные параметры, влияющие на техническое состояние и качество прогнозирования, отсутствует оценка точности прогнозирования технического состояния и вероятности пригодности к эксплуатации в условиях неопределенности и неполноты информации.

Техническим результатом способа является повышение точности диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с АД путем измерения электрических параметров на входе статического силового преобразователя и входе ЭД, позволяющее оценить качество питающей сети и учесть искажения, вносимые преобразователем, а также вибрационных параметров, учитывающих влияние механических дефектов агрегата на работу электродвигателя, с последующей обработкой на портативном компьютере.

Технический результат достигается тем, что дополнительно производят одновременную запись величин напряжения, тока на входах силового преобразователя и электродвигателя и вибрации корпуса электродвигателя, далее регистрируют косвенные параметры, например влажность, средняя температура окружающей среды, прочность изоляции, влияющие на техническое состояние электродвигателя, а затем обрабатываем полученные данные с помощью программного обеспечения, основанного на работе искусственной нейронной сети, на выходе которого получаем количественную и качественную оценку технического состояния и остаточного ресурса.

Способ поясняется следующими чертежами:

фиг. 1 - структурная схема устройства диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем;

фиг. 2 - структурная схема системы прогнозирования оценки вероятности безотказной работы по диагностируемым электрическим и вибрационным параметрам АД с использованием ИНС;

фиг. 3 - диаграмма вероятностного технического состояния: нормальное состояние агрегата;

фиг. 4 - диаграмма вероятностного технического состояния: предкризисное состояние агрегата;

фиг. 5 - диаграмма вероятностного технического состояния: кризисное состояние агрегата, где

1 - статический силовой преобразователь;

2 - электродвигатель;

3 - механический преобразователь;

4 - исполнительный орган;

5 - датчики тока на клеммах преобразователя и двигателя в фазах А, В, С;

6 - датчики напряжения на клеммах преобразователя и двигателя в фазах А, Б, С;

7 - датчики вибрации на корпусе ЭД;

8 - плата сбора данных;

9 - система автоматизации технологического процесса;

10 - блок предобработки данных;

11 - ключи каналов связи между выходами блока предобработки данных и входами платы сбора данных;

12 - портативный компьютер;

13 - программный фильтр высоких и низких частот;

14 - постоянное запоминающее устройство;

15 - искусственная нейронная сеть;

16 - блок визуализации;

17 - вход для настройки ИНС;

18 - блок формирования обучающих данных;

19 - блок создания ИНС;

20 - блок обучения ИНС;

21 - блок тестирования ИНС;

22 - блок оценки качества прогноза;

23 - выход ИНС;

Р_с - мощность питающей сети;

P₁ - мощность, подводимая к электродвигателю 2;

Р₂ - мощность на входе механического преобразователя 3;

Р₃ - мощность, поступающая на исполнительный орган 4;

u_с, i_c - напряжение и ток на входе статического преобразователя,

u_c(t), i_c(t) - измеряемый сигнал фазных напряжений и токов в фазах А, В, С на входе статического преобразователя;

u₁(t), i₁(t) - измеряемый сигнал фазных напряжений и токов в фазах А, В, С на входе ЭД;

u_з - сигнал задания (мощности, координаты, момента);

u_x(t), u_y(t), u_z(t), - сигналы напряжения, пропорциональные вибрации ЭД по горизонтальному, поперечному и осевому направлениям;

ν_r(t) - сигнал скорости редуктора;

ν_i(t) - сигнал скорости исполнительного органа;

Способ осуществляется следующим образом.

Согласно фиг. 1, на вход статического силового преобразователя 1 подаются мощность питающей сети Р_с и сигнал управления координатами скорости, моментом и положением электродвигателя u_з. С выхода преобразователя 1 мощность величиной P₁ подводится к электродвигателю 2 и после электромеханического преобразования в нем на выходе равна Р₂, в дальнейшем поступает на вход механического преобразователя 3, с выхода которого мощность Р₃ передается на исполнительный орган 4. Измерительная аппаратура, состоящая из датчиков тока 5, датчиков напряжения 6, фиксирующих сигналы трехфазного тока i_c(t), i₁(t) и трехфазного напряжения u_c(t), u₁(t) с входа статического силового преобразователя 1 и входа ЭД 2 и датчиков вибрации 7а, установленных на корпусе ЭД 2 и регистрирующих вибрации в виде электрического сигнала, осуществляет запись всех измерительных сигналов и сигнала управления координатами скорости, моментом и положением электродвигателя u_з на плату сбора данных 8, также на плату сбора данных 8 поступают данные с блока предобработки 10, на который поступают данные о внешних факторах (Т - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции) и данные системы автоматизации технологическим процессом (ν_r(t) - сигнал скорости редуктора, ν_i(t) - сигнал скорости исполнительного органа). Из параметров, поступивших на плату сбора данных 8, формируется основная ретроспективная база данных, которая в дальнейшем программно обрабатывается на портативном компьютере 12 с использованием программного фильтра высоких и низких частот 13, исключающего высокочастотные и низкочастотные составляющие спектра с целью повышения точности и достоверности измерений, постоянного запоминающего устройства 14, хранящего базу данных измерений и результатов их анализа, и ИНС 15, реализующей оценку технического состояния и прогнозирования вероятности безотказной работы электромеханического агрегата с АД с дальнейшим графическим представлением результата в блоке визуализации 16.

Система прогнозирования вероятности безотказной работы ЭД на основе ИНС (фиг. 2) реализована следующим образом. От системы автоматизации 9, учитывающей скорости редуктора ν_r(t) и исполнительного органа ν_i(t), данные поступают на блок предобработки данных 10, на который также поступают данные о внешних факторах (Т - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции), формируя дополнительную база данных косвенных параметров, и в ходе регрессионного анализа выявляются ключевые переменные с учетом оценки коэффициентов множественной регрессии, влияющие на качество составления прогноза вероятности безотказной работы для АД, а остальные отсеиваются с учетом оценки значимости коэффициентов корреляции путем закрытия ключей каналов связи 11 между выходами блока предобработки данных 10 и входами платы сбора данных 8. Диагностируемые показатели и переменные, влияющие на качество составления прогноза и полученные после регрессионного анализа, поступают на блок 8, которые после прохождения программного фильтра 13 и сохранения на постоянном запоминающем устройстве 14 используют как дополнительные входные данные для формирования базы данных для ИНС 15. Вход ИНС 17 состоит из следующих блоков: блока формирования обучающих данных 18 и блока создания ИНС 19, определяющего тип нейронной сети, количество промежуточных слоев, количество нейронов и функцию активации. В блоке обучения ИНС 20 задаются параметры и выбранный алгоритм обучения. В блоках тестирования ИНС 21 оценки качества прогнозирования 22 производится оценка вероятности безотказной работы ЭД по электрическим вибрационным и косвенным параметрам в сравнении с эталонными значениями ЭД. В качестве эталонного значения по прогнозированию вероятности безотказной работы для ЭД по электрическим, вибрационным и косвенным параметрам формируется таблица 1.

Определение вероятности безотказной работы ЭД при условии имеющейся базы ретроспективных данных (выявление диагностических параметров и видов дефектов) при требованиях к относительной погрешности, то есть к пределу доверительного интервала прогнозирования λ при р≥95% - менее 5% можно представить как построение функции (1)

где P_i - прогноз вероятности;

t - текущий момент времени;

Δt - интервал времени между измерениями;

λ - интервал прогнозирования;

n - число интервалов в прошлое;

k - число интервалов в будущее;

- количество измеряемых характеристик;

P_im(m_i), P_ih(h_i) - значения вероятностей по электрическим и вибрационным параметрам;

N_i - косвенные параметры, влияющие на составление прогноза по оценке вероятности безотказной работы (T - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции, количество измеряемых вибрационных и электрических параметров, интервала времени между измерениями, число интервалов в прошлое).

После завершения процесса обучения ИНС анализируется качество прогноза на основании полученной вероятности и оценки вхождения ее в диапазон с учетом диагностики электрических и вибрационных параметров, а также оценки следующих характеристик нейронной сети: производительность обучения, тестовая производительность, среднее значение целевой выходной переменной, среднеквадратичное отклонение целевой выходной переменной, средняя ошибка выходной переменной, средняя абсолютная ошибка, отношение стандартного отклонения ошибки к стандартному отклонению данных, коэффициент корреляции Спирмена, вычисленный между целевым вектором и реальным выходным вектором. Величину остаточного ресурса электромеханического оборудования, прогнозируемого с учетом работы ИНС, представляют как (2).

где K₁ - коэффициент, учитывающий состояния границ оценки вибрационных параметров с учетом обнаруженных дефектов в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;

K₂ - коэффициент, учитывающий состояния границ оценки электрических параметров с учетом наступления (обнаружения) дефектов в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;

K₃ - коэффициент, учитывающий состояния границ оценки вибрационных параметров с учетом измеряемых параметров и факторов, влияющих на составление прогноза остаточного ресурса, в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;

K₄ - коэффициент, учитывающий состояния границ оценки электрических параметров с учетом измеряемых параметров и факторов, влияющих на составление прогноза остаточного ресурса, в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;

- прогнозируемые значения оценки вероятности по вибрационным и электрическим параметрам с учетом работы ИНС;

- коррекция для весовых коэффициентов и пороговых уровней с учетом рассчитанного выхода и сравнения полученного выходного вектора y_s с эталоном d_s;

ε - скорость обучения ИНС.

Результатами работы способа диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем являются диагностическая картина вероятностей технического состояния фиг. 3, 4, 5, и расчетное значение остаточного ресурса, полученное на основе работы ИНС, с учетом электрических, вибрационных и косвенных параметров и обнаруженных дефектов и оцененное в соответствии с границами: 0<δ≤0,1 - эталонное, 0,1<δ≤0,2 - нормальное, 0,2<δ≤0,4 - предкризисное, 0,4<δ≤1 - кризисное, на основании которых принимают решения о сроках проведения ремонта, дальнейшем сверхнормативном сроке работе агрегата или его остановке с целью проведения углубленной диагностики.