Диагностирование асинхронных электродвигателей

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.

Похожие статьи:

Анализ транспортной логистики на предприятии ЗАО «Регата»
ЗАО «Регата» использует автомобильный транспорт для осуществления перевозок готовой продукции в различные оптовые и розничные торговые точки по городу Омску и Омской области. Автотранспортный парк предприятия состоит из следующих автомобилей задействованных на доставке продукции. Как видно из предс ...

Технологический процесс и технология ремонта гидравлических гасителей колебаний КВЗ-ЛИИЖТ
Под технологией в широком смысле понимают правило соединения научных и технических знаний с практическим действием. Технология в узком смысле понимается как порядок операций, направленных на достижение определенных целей (изготовление, ремонт, контроль технического состояния и т.п.) Гидравлические ...

Расчет параметров движения поездов для освоения заданного пассажиропотока
Освоение пассажиропотока на полигоне железнодорожной сети производится поездами различной категории. В контрольной работе для освоения пассажиропотока используются скорые и местные поезда. Заданное движение отдельных категорий пассажирских поездов на полигоне указано в разделе 1. Размеры местных па ...