Сафин Т.Р., Смелов Д.А., Масягина Д.А.
СОВРЕМЕННЫЕ МЕТОДЫ ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ ПОДШИПНИКОВ В СИНХРОННЫХ ДВИГАТЕЛЯХ *
Аннотация:
на сегодняшний день во многих сферах промышленности стремятся повысить точность и быстродействие технических систем. В данной статье представлен аналитический обзор современных методов, которые основаны на использовании нейронных сетей, для диагностики неисправности подшипника качения в синхронных двигателях.
Ключевые слова:
диагностика, синхронный двигатель с постоянными магнитами, нейронные сети, подшипник качения
Неотъемлемой частью любого робототехнического комплекса являются исполнительные устройства – двигатели. В связи с высокими темпами развития науки и техники возрастают требования к производительности, энергоэффективности и надежности исполнительных устройств. Следовательно, необходимо оперативно и достоверно диагностировать техническое состояние систем [1]. В данной работе рассматриваются современные методы диагностики подшипников двигателя СДПМ. Своевременная диагностика технического состояния машины позволяет не только опознать и устранить неисправность отдельного элемента, но и предотвратить выход из строя всей системы. Для двигателей переменного тока средней мощности около 40% всех отказов электрических машин приходятся на повреждения подшипников качения, 36% - отказ статора, 9% - отказ ротора и 15% - другие неисправностей [2]. Подшипники качения отвечают за поддержание постоянного воздушного зазора между ротором и статором, поэтому их выход из строя постепенно приводит к выходу из строя всей машины.Для эффективной диагностики дефектов исполнительного устройства применяются современные методы диагностики, включающие в себя использование искусственных нейронных сетей, машинного обучения и методов глубокого обучения. Широкое применение находят нейронные сети прямого распространения, свёрточные и рекуррентные нейронные сети. 1. Нейронные сети прямого распространения. В нейронных сетях прямого распространения нейронные слои последовательно соединены, а информация всегда идет в одном направлении. Принципиальная работа сети при получении информации заключается в решении поставленной задачи с минимальной ошибкой. На рисунке 1 представлена схема нейронной сети прямого распространения: /Рисунок 1. Схема нейронной сети прямого распространения.В качестве входных данных могут выступать фазные токи, напряжения, вибрации, полученные с помощью измерительных устройств. Эти данные формируют входной слой. Далее полученная информация обрабатывается и передается в следующие слои по ребрам, которые имеют такой параметр, как вес. Вес ребер может быть разным, в связи с чем входная информация изменяется. Существует множество методов обучения нейронной сети прямого распространения. Одним из основных является метод обратного распространения. Данный метод использует алгоритм градиентного спуска, который заключается в поиске локального минимума или максимума функции. Основными параметрами, подбирающимися вручную, являются скорость обучения и момент. Информация последовательно передается от входных нейронов к выходным, после чего вычисляется ошибка. Основываясь на данных о полученной ошибке, выполняется обратная передача информации, в которой последовательно меняется вес ребер нейронной сети. Пересчет веса производится от ошибки и функции активации.Таким образом, ошибка показывает правильность построения архитектуры нейросети и достоверности подобранных параметров. Применение метода прямого распространения для диагностики подшипников синхронной машины варьируется в зависимости от используемых входных данных. Например, с помощью датчиков тока, установленных на двигателе, получают значения фазных токов, которые могут отличаться в зависимости от характера дефекта подшипника: разные значения тока двигателя при повреждении колец подшипника и повреждении тел качения. Находятся максимальное, минимальное, среднее значение. Обучив нейросеть, выбрав параметры скорости обучения, момента и смещения, решается задача классификации полученной информации, с помощью которой можно диагностировать неисправности. 2. Сверточные нейронные сети. Подход диагностики неисправностей CNFD – (Convolutional Network based Fault Diagnosis) основан на использовании сверточных нейронных сетей. Данный подход можно разделить на следующие этапы: сбор информации, построение модели, изучение признаков и принятие решений [3]. Первоначально собираются и подготавливаются данные мониторинга. Для подшипников синхронных машин входными данными могут служить виброускорения, отложенные по трем осям [4]. Также сверточные нейронные сети обучены для идентификации и классификации изображений, поэтому в качестве входной информации может быть подан годограф эквивалентных фазных токов синхронной машины. На рисунке 2 представлена схема сверточной нейронной сети:/Рисунок 2. Схема сверточной нейронной сети.Свертка (Conv) – ключевой шаг для извлечения признаков сверточной нейронной сети, операция объединения или подвыборки (от анг. Pooling) служит для устранения избыточности и обеспечения более робастных функций после свертки. Стандартные операции объединения включают по максимальному и среднему значению.Применение сверточных нейронных сетей для диагностики неисправностей имеет ряд преимуществ и недостатков. Преимущества:Возможность избегать требования к повышенному уровню знаний предметной области,Автоматизация процесса диагностики, Гибкость мониторинга модели для обновления данных в реальном времени, Комплексная интеллектуальная диагностическая модель, которая объединяет извлечения признаков и принятия решений. Недостатки: Сложность применения: правильная настройка параметров играет решающую роль, следовательно, подбор данных, метода, модификаций и обучения являются индивидуальными,Снижение эффективности, при необходимости технологий преобразования данных или обработки сигналов.3. Долгая краткосрочная память – LSTM. LSTM – особая разновидность архитектуры рекуррентных нейронных сетей, подготовленная к обучению долговременным зависимостям, в следствие чего её можно представить как цепь соединенных между собой копий, передающих информацию на следующие копии. На рисунке 3 представлена схема сети LSTM. /Рисунок 3. Схема представления сети LSTM.Основная часть – это состояние ячейки «горизонтальная линия, которая соединяет информацию из предыдущей ячейки с информацией, идущей в следующую ячейку». Фильтры позволяют регулировать процесс, в котором есть возможность пропускать информацию на основании установленных условий. Они состоят из слоя сигмоидальной нейронной сети ?. Данный слой возвращает числа от нуля до единицы, обозначающие, какую долю каждого блока информации следует пропустить дальше по сети. Таких фильтров три. Первый фильтр – слой фильтр забывания, позволяющий отобрать информацию в состояние ячейки. Второй фильтр – слой входного фильтра, определяющий, какие параметры следует обновить. Третий фильтр – выходной. Реализацию LSTM для диагностики синхронных машин можно осуществить различными способами. Одним из способов для диагностики неисправностей подшипников является обучение LSTM на массиве токовых данных как входных знаний. Путем решения задачи классификации возможно определять неисправности с высокой точностью.4. Альтернативные современные методы. Существуют и другие методы диагностики с использованием искусственного интеллекта. Множества из них являются подклассами нейронных сетей, которые могут отличаться архитектурой, областью применения и типу решаемых задач. К таким методам можно отнести:Метод опорных векторов - алгоритм создания линии или гиперплоскости, которые разделяют данные [5]. SVM часто используют в диагностике механических неисправностей в асинхронных двигателях,Метод автоэнкодера – это нейронные сети прямого распространения, которые восстанавливают входной сигнал на выходе [6]. Данный метод часто используют в диагностике неисправностей подшипников синхронных машинах.5. Заключение. В данной работе были представлены современные методы диагностики неисправностей подшипников синхронных машин. Следует отметить, что все современные методы основаны на использовании нейронных сетей. Однако использование нейронных сетей для диагностики работы машин в реальном времени на данный момент времени невозможно, в связи с необходимостью подготовки входных данных и оптимизацией потребляемых, а также производящий вычислительных мощностей.
Номер журнала Вестник науки №12 (69) том 1
Ссылка для цитирования:
Сафин Т.Р., Смелов Д.А., Масягина Д.А. СОВРЕМЕННЫЕ МЕТОДЫ ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ ПОДШИПНИКОВ В СИНХРОННЫХ ДВИГАТЕЛЯХ // Вестник науки №12 (69) том 1. С. 884 - 891. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/11316 (дата обращения: 17.05.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+