УДК 622.313.33 В.Г. КАШИРСКИХ, д.т.н., профессор (КузГТУ) А.Н.

УДК 622.313.33
В.Г. КАШИРСКИХ, д.т.н., профессор (КузГТУ)
А.Н. ГАРГАЕВ, к.т.н., ст. преподаватель (КузГТУ)
г. Кемерово
ФУНКЦИОНАЛЬНАЯ ДИАГНОСТИКА ЭЛЕКТРОДВИГАТЕЛЕЙ
ПОСТОЯННОГО ТОКА
Надежность работы электроприводов промышленных установок во
многом определяется качеством технического обслуживания. В настоящее
время наиболее эффективным является техническое обслуживание на основании учёта фактического технического состояния оборудования. Для
этих целей необходим контроль текущего состояния и функциональная
диагностика оборудования на этой основе, позволяющая выявлять неисправности на начальном этапе их возникновения.
На кафедре электропривода и автоматизации КузГТУ разработаны
методы и программное обеспечение для контроля текущего состояния
асинхронных двигателей и двигателей постоянного тока [1,2]. На рис. 1
приведена структура системы функциональной диагностики, разработанная нами для двигателя постоянного тока (ДПТ). Здесь x – вектор входных
сигналов, y–вектор выходных сигналов, ŷ – предсказанный предиктором
вектор выходных сигналов, – вектор оцененных электромагнитных переменных, Y – выходной сигнал анализатора, Δ – ошибки предсказания
предиктора.
Рис. 1. Структура системы функциональной диагностики
Контроль состояния двигателя осуществляется с помощью наблюдающего устройства, производящего оценку электромагнитных параметров в реальном времени на основе анализа токов и напряжений в обмотках
двигателя в процессе его работы. Для предсказания выходного вектора состояния объекта по предыстории его входного и выходного сигналов на
один шаг вперед используется предиктор, который представляет собой математическую модель двигателя на базе искусственной нейронной сети [3].
Выходные сигналы наблюдающего устройства и предиктора используются далее для работы анализатора технического состояния ДПТ, построенного на основе искусственной нейронной сети. Искусственная нейронная сеть (ИНС) является эффективным математическим аппаратом для
решения задач классификации, аппроксимации, прогнозирования, управления и идентификации технических систем [4].
Рис. 2. Структура нейронного анализатора
Входными данными для нейронного анализатора являются напряжения и токи обмоток якоря и возбуждения, угловая скорость, момент сопротивления, оцененные наблюдающим устройством электромагнитные параметры двигателя и ошибки, выявленные предиктором:
X  U я U в I я I в R я Rв  I я I в Mc .
T
На выходе анализатора формируется определенный класс техничеT
ского состояния ДПТ:
Y  Y1 Y2 Y3 Y4 Y5 Y6  ,
T
где Y1  1 0 0 0 0 0 - норма,
T
Y2  0 1 0 0 0 0 - перегрузка,
T
Y3  0 0 1 0 0 0 - замыкание обмотки возбуждения,
Y4  0 0 0 1 0 0
T
Y5  0 0 0 0 1 0
T
Y6  0 0 0 0 0 1
T
- замыкание обмотки якоря,
- обрыв обмотки возбуждения,
- обрыв обмотки якоря.
Нейронная сеть хорошо аппроксимирует нелинейные зависимости и
устойчива к шумам в обучающих данных. В качестве структуры ИНС была
выбрана сеть на базе многослойного персептрона с одним скрытым слоем,
которая позволяет хорошо решать задачи классификации. Количество нейронов входного слоя определялось количеством диагностических признаков, выходного слоя – количеством диагностируемых технических состояний.
Концепция обучения нейронной сети – обучение с учителем. На основе встроенных знаний учитель формирует и передает обучаемой нейронной сети желаемый отклик, соответствующий данному входному сигналу. Этот результат представляет собой действия, которые должна выполнить нейронная сеть. После окончания обучения учителя отключают, и
нейронная сеть работает самостоятельно. Алгоритм обучения – с обратным
распространением ошибки, он реализует вычислительно эффективный метод обучения многослойного персептрона, при этом синаптические веса
настраиваются с целью максимального приближения выходного сигнала
сети к желаемому. Активационная функция – экспоненциальная сигмоида,
что отвечает требованию дифференцируемости функции. Также она обладает простой формой производной, что удобно при программировании алгоритма.
Для создания обучающей выборки использовались данные, полученные в лабораторных условиях для двигателя постоянного тока П-12. В
электродвигателе, работающем в разных динамических режимах, искусственным образом создавались типичные неисправности, такие как обрывы,
замыкания обмоток, стопорения якоря и др. Была сформирована база измерений и соответствующие этим измерениям технические состояния
ДПТ. В результате объем обучающей выборки составил 35 000 образцов,
при числе эпох обучения 100 000, время обучения занимало около 5 часов.
Для электродвигателей промышленных установок процедуру обучения
нейронной сети необходимо проводить на специализированных стендах
заводов-изготовителей или на промышленных предприятиях перед введением двигателей в технологический процесс.
Важной особенностью системы диагностики на базе нейронной сети
является возможность расширения диагностируемых классов аварийных
режимов путем дополнительного обучения нейронной сети. В разработанной диагностической системе допускается расширение ее функциональных
свойств путем дополнительного использования таких сигналов, как температура двигателя, уровень искрения щеток, уровень вибрации и др. Это по-
зволяет создавать систему диагностики для конкретных технических нужд
заказчика.
Проверка работоспособности системы диагностики проводилась в
лабораторных условиях на стенде, который позволяет имитировать характерные аварийные режимы и неисправности двигателя. На рис. 3 представлена часть информации, полученной при испытаниях системы диагностики. Для визуализации работы нейронного анализатора каждый его выходной сигнал, отвечающий за определенный режим работы, представлен
графически в функции времени в диапазоне от 0 до 1. Наличие сигнала 1
свидетельствует о том, что нейронная сеть полностью «уверена» в данном
режиме.
При возникновении неисправности выходной сигнал анализатора,
отвечающий за нормальный режим, из состояния 1 переходит в состояние
0, а сигнал, отвечающий за данную неисправность, наоборот, из состояния
0 переходит в состояние 1. Также возможны промежуточные значения
сигналов, поэтому при определении класса неисправности ДПТ был установлен доверительный интервал – (0,95; 1). Класс неисправности считается
достоверно установленным, если значение его выходного сигнала находилось в доверительном интервале [5].
Проведенная серия опытов показала, что разработанная система диагностики с достаточными для практического применения быстродействием и точностью определяет техническое состояние ДПТ. Время распознавания классов технического состояния не превышает 0.1 с.
а)
б)
Рис. 3. Выходные сигналы анализатора:
а - при коротком замыкании обмотки якоря;
б - при обрыве обмотки якоря
Проверка работоспособности диагностической системы осуществлялась на данных, которые не были задействованы при формировании
обучающей выборки нейронной сети. Обнаружение дефектов в работающем электродвигателе на ранней стадии их развития позволит не только
предупредить внезапную остановку производства в результате аварии, но и
значительно снизить расходы на ремонт электродвигателя.
Рассмотренная структура системы функциональной диагностики
может быть применена и к асинхронным электродвигателям при использовании приведенных в [1] методов динамической идентификации и соответствующего обучения ИНС. Все программное обеспечение, используемое в
диагностической системе, является оригинальным.
Список литературы:
1. Каширских В.Г. Динамическая идентификация асинхронных электродвигателей: ГУ КузГТУ.- Кемерово, 2005.- 139 с.
2. Гаргаев А.Н. К созданию наблюдающего устройства для двигателей постоянного тока / А.Н. Гаргаев, В.Г. Каширских // Вестн. КузГТУ,
2012.- № 6.- С. 148-151.
3. Каширских В.Г. Функциональная диагностика двигателя постоянного на основе нейросетевого предиктора / В.Г. Каширских, А.Н. Гаргаев //
Вестник КузГТУ. 2014, № 2 . С. 95-97.
4. Хайкин С. Нейронные сети: полный курс. 2-е издание [текст]. – М.
Издательский дом "Вильямс", 2006. – 1104 с.
5. В. В. Скалозуб, О.М. Швец, Нейросетевые модели диагностики
электродвигателей постоянного тока // ІКСЗТ, 2009, №4 – с. 7-11.