Современные решения в области диагностики и прогнозирования состояния электрических приводов - Оборудование - Статьи журнала
9 мин
124
0

Современные решения в области диагностики и прогнозирования состояния электрических приводов

Современные решения в области диагностики и прогнозирования состояния электрических приводов

Рассмотрены новые подходы по разработки интеллектуальных методов диагностики и систем прогнозирования состояния электрических приводов.


Автоматизированный электрический привод применяется в подавляющем большинстве установок и технологических комплексов. До 60% потребляемой промышленными предприятиями электроэнергии приходится на электроприводную технику.

Существующие системы автоматического управления электроприводами способны оперативно обнаруживать и локализовать возникновение аварийных ситуаций. К таким ситуациям можно отнести неполадки в преобразовательной технике, электродвигателях или механической части. Однако обнаружение неисправности системой автоматики часто происходит на той стадии, когда разрушения значительны и требуют существенных ремонтов.

Такие предвестники неполадок как: колебательный характер скорости, ухудшение качества переходных процессов, старение подшипниковых узлов или механических передач не фиксируются датчиками в начальной стадии. Обнаружить их в настоящее время могут только квалифицированные специалисты, используя соответствующие приборы и аналитические экспертные методы. Они анализируют совокупность признаков в работе оборудования по данным с различных приборов и способны оценить всю динамику процессов.

Традиционные методы диагностики требуют подключения нескольких датчиков на корпусе двигателя, либо замера электрических параметров с датчиков тока и напряжения. Все эти факторы делают их, несмотря на несомненную эффективность определения неисправностей, затратными и немобильными, а также зависимыми от квалификации персонала.

Другое решение состоит в модернизации оборудования, приобретении оборудования, способного к интеллектуальной обработке информации. Но подобное оборудование имеет высокую стоимость и переход всего парка электроприводов на подобные системы невозможен.

 

Новый подход к диагностике электропривода 

В вышеприведенной ситуации целесообразным выглядит разработка относительно недорогих и универсальных технических решений, способных производить диагностику состояния электропривода прокатных станов, в постоянном режиме оценивая динамику работы клетей.

Задачей проведенных исследований на кафедре Электроэнергетики и электротехники Череповецкого государственного университета являлось создание более эффективного и универсального метода диагностики электроприводов, позволяющего производить оценку технического состояния электропривода в работе на ранней стадии развития дефектов, предупреждая внезапные остановы и снижая затраты на ремонт.

Технический результат состоит в повышении точности и надежности диагностирования с уменьшением вычислительных затрат на оценку состояния электропривода, за счет применения рекуррентной нейронной сети в качестве основного инструмента анализа состояния электропривода.

Указанный результат достигается тем, что перед эксплуатацией конкретного электропривода, предварительно производится построение его динамической нейросетевой модели, использование которой в дальнейшем позволяет произвести анализ состояния электропривода в работе и удаленно.

Данный метод диагностики позволяет произвести анализ состояния электропривода в работе и удаленно.

Сущность метода заключается в том, что с определенным интервалом времени производится замер тока, напряжения, скорости и управляющего задания электропривода, преобразование параметров в цифровую форму и передача в персональный компьютер для обработки. Программно реализованная и обученная на конкретном электроприводе перед его эксплуатацией рекуррентная нейронная сеть воспроизводит динамику параметров электропривода, после чего производится сравнение результата динамики нейросетевой модели с реальной динамикой электропривода. В неисправном электроприводе возникает отклонение динамики El(t) его параметров от модели M(t) и рассчитывается функция рассогласования динамики во времени Err(t).

 рис 1.jpg

По характеру динамики Err(t) производится оценка технического состояния и прогноз ресурса электропривода.

При рассмотрении электропривода как динамического объекта, описываемого вектором входных данных, вектором внутреннего состояния и вектором выходных данных можно получить его модель, применив для идентификации рекуррентную искусственную нейронную. Нейронная сеть, имея достаточное количество обучающих примеров, может быть обучена для воспроизведения динамики объекта согласно теореме об универсальной аппроксимации. Ключевым условием является наличие обратных связей, что позволяет запоминать последовательности сигналов.

Структура нейросетевой модели представлена на Рис.1.

рис 1.jpg

Обобщенная модель имеет следующее форму:

рис 1.jpg

В настоящее время не существует точного способа определения необходимого числа нейронов, достаточного для оптимальной идентификации объекта по критериям точности отображения и экономии вычислительных ресурсов. Экспериментальным путем было установлено оптимальное применение нейронной сети для идентификации электропривода [1].

Для сбора информации и осуществления диагностики применяется технический комплекс, включающий: датчик скорости (ДС), датчик тока (ДТ), датчик напряжения (ДН), измерительно-вычислительный комплекс (ИВК) и персональный компьютер (ПК).

На первом этапе производится идентификация электропривода. Для получения полной информации электропривод запускается во всех режимах работы, в которых в последующем будет эксплуатироваться. При этом производится запись в память ИВК в работе параметров тока с ДТ, напряжения с ДН, скорости с ДС и управляющего задания электропривода, которое формируется самим ИВК.

После съема данных ИВК приводит их к цифровому виду и производит фильтрацию сигналов скорости W, тока I и напряжения U для устранения шумов методом сглаживания по нескольким точкам.

рис 1.jpg

После подготовки данных ИВК передает их в ПК для построения модели. Специальное программное обеспечение осуществляет построение нейросетевой модели (рис.1) для идентификации и обучает модель на полученном от ИВК множестве данных. Часть данных резервируется для проверки обученной модели на адекватность отображения динамики.

После завершения стадии обучения модели система диагностики может производить вычисления в фоновом режиме, оценивая степень совпадения вектора динамики параметров модели с динамикой параметров электропривода. При этом постоянно вычисляется значение расхождения динамики , формируя функцию во времени за период t , также ведется расчет интегральной оценки расхождения динамики  IErr 

рис 1.jpg

 рис 1.jpg

Таким образом, предлагаемая система работает в двух режимах: режиме обучения модели и режиме диагностики.

Реализация данного метода иллюстративно представлена на рисунке 2, на нем видно, что при изменении одной из характеристик привода (снижении сопротивления якорной цепи) спектры сигналов ошибки динамики Err существенно отличаются по форме и амплитуде. Причем на фоне спектра со сниженным сопротивлением, спектр нормального состояния почти не виден.

рис 1.jpg

Разработанный метод диагностики не требует существенных капитальных затрат и высокой квалификации обслуживающего персонала для внедрения и эксплуатации. При этом он может быть реализован как в виде дополнительного блока, работающего в фоновом режиме, так и в виде дополнительного кода в программном обеспечении имеющихся контроллеров. Применение нового метода диагностики может быть расширено и применено к различным типам электроприводов.

Рассмотренное выше техническое решение по диагностике электрического привода защищено Патентом РФ на изобретение [2].


Разработка экспертной системы прогнозирования состояния электрических приводов

Анализируя работу сложных технических систем в таких ответственных отраслях промышленности, как добывающие, необходимо уделять внимание не только оптимизации режимов их работы и ресурсосбережению, но и вопросам обеспечения надежности оборудования, эффективности его технического обслуживания и ремонтов, от которых напрямую зависят изменение затрат на поддержание технических устройств в работоспособном состоянии, безопасность технологических процессов и персонала.

Условия эксплуатации оборудования в промышленных производствах характеризуются нестабильностью. Это связано с рядом факторов:

-          возможные значительные перепады температур;

-          ударные нагрузки на оборудование;

-          резкие изменения моментов инерции;

-          влияние человеческого фактора.

Учитывая объективно существующую неопределенность, неполноту и нечеткость информации об объекте при разработке базы знаний и механизмов вывода экспертной системы прогнозирования, целесообразно использовать аппарат нечеткой логики [3, 4], позволяющий объективно оценить техническое состояние и более обоснованно и оперативно принимать решения по управлению ремонтом оборудования.

Целью разработанной системы является непрерывная оценка остаточного ресурса и технического состояния электропривода. Повышение надежности объекта достигается за счет раннего обнаружения дефектов и неисправностей электропривода, что позволит избежать аварийных отказов. Данный метод позволяет уйти от существующих графиков ремонтов и перейти на сервисное обслуживание по состоянию.

Разработанный метод оценки состояния остаточного ресурса электропривода основан на нейро-нечетких алгоритмах и системах.

Задачей этого метода является установление и изучение признаков различных возможных дефектов для предсказания возможных отклонений в режиме работы оборудования.

Также необходимо оценить состояние оборудования в данный момент времени, проследить изменение состояния за прошедшее время, и на основе этих данных будет осуществляться прогноз на ближайшую работу оборудования.

Разработанная в Череповецком государственном университете система прогнозирования состоит из трех дополняющих друг друга частей. Так, если классическая (детерминированная) система прогнозирования не дает качественных результатов, то используется интеллектуальная система. Обе системы дополняются данными непосредственных измерений для подтверждения полученной оценки и последующей корректировки.

рис 1.jpg

Для разработки системы использованы 4 входные переменные (момент, скорость, напряжение, диаметр рабочего вала) и одну выходную переменную (ток).

Разница между значениями контролируемых параметров получаемых от математической модели и реального объекта (при одинаковых входных данных) позволяет судить о месте возникновения и степени износа или повреждения в текущий момент времени.

 рис 1.jpg

Используя линейную теорию накопления повреждений (суммируя фактические отклонения измеренных данных от математической модели) можно получить изменение остаточного ресурса контролируемого оборудования, своевременно выявить неисправные или близкие к выходу из строя элементы и принять необходимые меры для предотвращения поломки всей системы. Такая информация поможет при принятии стратегии дальнейшей эксплуатации и разработке графика обслуживания и проведения ремонтов.

Данный опыт можно использовать при разработке систем прогнозирования состояния любого оборудования.

Разработанные методы диагностики и система прогнозирования состояния электрических приводов не требуют существенных капитальных затрат и высокой квалификации обслуживающего персонала для внедрения и эксплуатации. При этом они могут быть реализованы как в виде дополнительного блока, работающего в фоновом режиме, так и в виде дополнительного кода в программном обеспечении имеющихся контроллеров.

Рассматриваемые подходы по диагностике и прогнозирования состояния электрических приводов прошли успешную лабораторную апробацию и находятся на стадии внедрения в одной из крупнейших отечественных металлургических компаний ПАО «Северсталь».

Литература

1. Волков В.Н., Кожевников А.В. Нейросетевая идентификация электропривода постоянного тока // Современные научные исследования и инновации. – Апрель, 2013. Режим доступа: http://web.snauka.ru/issues/2013/04/23648.

2. Способ диагностики технического состояния электропривода по оценке динамики его параметров Патент на изобретение № 2546993, Россия, МПК G01R 31/34 – 2013146260/28, Заявлено 16.10.2013г., опубл. 10.04.2014. Бюл. №10. Приоритет 16.10.2013 (Россия), авторы Волков В.Н., Кожевников А.В., регистрационный № 2013146260.

3. Асаи К., Ватада Д., Иван С. и др Прикладные нечеткие системы / Пер. с япон. /  под редакцией Т. Тэрано, К. Асаи, М. Сугэно / М.: Мир, 1993. 368 с. 

4. Расчет остаточного ресурса технической системы с помощью методов нечеткой логики с использованием программных комплексов MATLAB и SIMULINK./ С.Г. Коломийчук. - Авиационно-космическая техника и технология, 2009, № 9 (66). С. 161-169.

 



Статья «Современные решения в области диагностики и прогнозирования состояния электрических приводов» опубликована в журнале «Neftegaz.RU» (№9, 2016)

Авторы:
Комментарии

Читайте также