Техническая диагностика электрических машин с применением искусственных нейронных сетей

В современном мире, где технологии развиваются с невероятной скоростью, всё больше внимания уделяется автоматизации процессов и повышению надёжности оборудования. Особенно это касается сферы энергетики, где от качества работы электрических машин зависит эффективность и безопасность многих производственных процессов. Продолжительность и эффективность работы электротехнических систем напрямую зависят от состояния оборудования, которое входит в их состав. Электрические двигатели являются важной частью технологического процесса и занимают значительную долю используемого оборудования. Их техническое состояние имеет особое значение, так как выход из строя двигателей может вызвать сбои в работе сложных производств, экономические потери и нарушение безопасности условий труда сотрудников. Чтобы поддерживать надлежащее техническое состояние электрооборудования, необходимо своевременно выявлять возникающие проблемы. Все существующие методы диагностики направлены на обнаружение конкретных неисправностей или их совокупности. Техническая диагностика электрических машин играет ключевую роль в обеспечении надёжности и безопасности функционирования электрооборудования.

Техническая диагностика электрических машин базируется на законах теории вероятностей и математической статистики. Этот процесс состоит из трёх этапов: сбор данных о состоянии электрической машины, анализ полученных сведений и обнаружение возможных неполадок, а также принятие решения о необходимости ремонта или замены машины.

Существует несколько методов технической диагностики электрических машин, включающих в себя визуальный контроль, измерительный контроль, функциональный контроль и тестовый контроль:

• -    методы вибродиагностики;

• -    методы анализа внешних электромагнитных полей электродвигателя;

• -    методы тепловизионной диагностики;

• -    методы диагностики состояния изоляции;

• -    методы анализа электрических параметров электродвигателя;

• -    методы, основанные на применении искусственных нейронных сетей.

В данное время на производствах чаще всего применяются два вида технической оценки состояния электрических машин:

• -    техническая оценка состояния электрических машин, основанная на вибро-акустическом анализе вращающихся частей электродвигателя и оборудования;

• -    техническая оценка состояния электрических машин, основанная на спектральном анализе основных электрических параметров электродвигателя, таких как ток и напряжение.

Для осуществления первого метода применяются датчики вибрации, которые чаще всего располагают в крышках электродвигателей. Такие датчики хорошо реагируют на различные вибрационные явления и регистрируют их. После их регистрации происходит анализ, полученных данных, и выявление дефектов электрических двигателей, например, неисправность подшипников или дисбаланс валов двигателя.

Все известные подходы к технической диагностике электрооборудования, как и любые системы, имеют определенные недостатки. Это относится и к виброакусти-ческому методу. К главным недостаткам относятся высокая стоимость данной системы, сложность установки датчиков в электрическую машину, невозможность обнаружения и определения многих видов дефектов (электрических неисправностей) [1].

Поэтому второй способ технической оценки состояния электрических машин, основанный на спектральном анализе основных электрических параметров двигателей, считается наиболее предпочтительным благодаря его информативности и способности выявлять большое количество неисправности, например, неисправность подшипников или межвитковые замыкания (рис. 1) [2].

Рис. 1. Спектральный анализ при межвитковом замыкании

Суть данного метода заключается в том, что происходит непосредственное измерение электрических параметров электрических машин (например, тока и (или) напряжения). После чего происходит преобразование полученного аналогового сигнала в цифровой, далее получение частотного спектра посредством применения быстрого преобразования Фурье и анализ полученных данных.

Но при этом у данной системы также имеются определенные недостатки. Например, из-за появлений гармоник сигнала при различных помехах в электриче- ской сети, от которой происходит питание электродвигателя, возможное ложное заключение об его техническом состоянии.

В современном мире одним из перспективных методов технической оценки состояния электрической машины является применение искусственных нейронных сетей.

Нейронные сети - это вычислительные структуры, состоящие из большого количества однотипных элементов, каждый из которых выполняет относительно простые функции. Они имитируют работу нервной системы живых организмов и могут быть обучены для выполнения различных задач, включая диагностику и прогнозирование [3].

Использование нейронных сетей для диагностики электрических машин имеет ряд преимуществ перед традиционными методами:

• -    для работы нейронных сетей достаточно иметь ограниченный набор данных о состоянии объекта. Это делает их особенно полезными в условиях, когда получение полной информации о машине затруднено;

• -    нейронные сети способны обрабатывать большие объёмы данных одновременно, что ускоряет процесс диагностики и повышает его точность;

• -    нейронные сети могут использоваться для прогнозирования возможных отказов электрических машин на основе анализа их текущего состояния. Это позволяет

своевременно принимать меры по предотвращению поломок и увеличению срока службы оборудования.

Существует несколько основных направлений применения нейронных сетей в диагностике электрических машин:

• -    параметрическое диагностирование;

• -    прогнозирование параметров.

Первый метод основан на сравнении математической модели конкретного элемента электрической машины (двигателя, трансформатора, кабельной линии и т.д.) с моделью бездефектного элемента. Выход параметра за пределы допустимых диапазонов свидетельствует о наличии неисправности (рис. 2).

Во втором же методе нейронные сети позволяют строить зависимости одних параметров от других, что помогает выявить скрытые зависимости и прогнозировать поведение машины в будущем.

Рис. 2. Блок-схема диагностики электрической машины при параметрическом диагностировании

Применение нейронных сетей в технической диагностике электрических машин открывает новые возможности для повышения надёжности и эффективности работы оборудования. Благодаря своим преимуществам, таким как минимальные требования к информации и параллельная обработка данных, нейронные сети становятся всё более востребованными в различных отраслях промышленности [4].

Однако стоит отметить, что использование нейронных сетей требует определённых навыков и знаний в области машинного обучения и обработки данных.

Поэтому для успешного внедрения этой технологии необходимо провести тщательное исследование и обучение специалистов.

Кроме того, важно учитывать, что нейронные сети не являются универсальным решением всех проблем диагностики. В некоторых случаях традиционные методы могут быть более эффективными или экономичными. Поэтому выбор метода диагностики должен основываться на конкретных задачах и условиях эксплуатации оборудования.