Оценка вероятности дефектов асинхронных двигателей на основе комплексного метода диагностики

Авторы: Yu. L. Zhukovskiy, N. A. Korolev, I. S. Babanova, A. V. Boikov

Источник (англ.): https://iopscience.iop.org/...

Описание: Данная статья посвящена разработке метода оценки вероятности отказа асинхронного двигателя в составе электропривода с преобразователем частоты. Предлагаемый способ основан на комплексном методе диагностики вибрационных и электрических характеристик, учитывающем качество питающей сети и условия эксплуатации. Разработанная диагностическая система позволяет повысить точность и качество диагностики путем определения вероятности безотказной работы электромеханического оборудования, когда параметры отклоняются от нормы. Эта система использует искусственные нейронные сети (ИНС). Результатами работы системы оценки технического состояния являются вероятностные диаграммы технического состояния и количественная оценка дефектов асинхронного двигателя и его компонентов.

1. Введение

На предприятиях тяжелой промышленности, в частности в горнодобывающей промышленности, более 75% отказов составляют неисправности электромеханического оборудования, поэтому уровень их надежности и безопасности во многом определяется их техническим состоянием. Электромеханическое оборудование подвержено значительному износу, риску возникновения дефектов и неисправностей из-за технической сложности и увеличения общего объема производства. Эффективность электромеханического оборудования напрямую зависит от надежности отдельных узлов, в основе которых лежит асинхронный электродвигатель и соответствующее механическое оборудование.

Целесообразность внедрения систем технической диагностики обусловлена актуальными проблемами:

- необходимость повышения точности определения технического состояния электромеханического оборудования в динамических условиях эксплуатационных воздействий;

- переход на техническое обслуживание в соответствии с фактическим состоянием и формирование программ технического обслуживания и ремонта на основе прогнозирования времени отказа оборудования с определенной вероятностью на основе статистических данных;

- необходимо прогнозировать развитие уровня дефектов и их влияние на остаточный срок службы электромеханического оборудования на основе моделирования.

2. Комплексный метод диагностики

Методы, основанные на контроле вибрационных характеристик в различных точках машины и электрических параметров (ток, напряжение, потребляемая мощность), стали наиболее широко использоваться в диагностике, поскольку с их помощью можно диагностировать до 90% дефектов. Также необходимо использовать косвенные методы диагностики для уточнения диагноза из-за сложности или невозможности определения ряда параметров, характеризующих рабочие условия.

Решение о применимости и полноте типа диагноза основывается на технико-экономическом обосновании, которое определяет экономическую целесообразность использования диагностической системы с использованием минимального набора диагностических параметров. Это позволяет нам надежно и просто оценить техническое состояние. Предлагаемый подход к решению задач повышения точности и качества оценки состояния и остаточного ресурса электромеханического оборудования основан на анализе данных систем регистрации качества электрической энергии, рабочего состояния, вибрационных и электрических характеристик оборудования. Блок с использованием искусственной нейронной сети.

3. Получение информации для оценки вероятности отказа

Системы автоматизации технологических процессов с использованием различных типов датчиков позволяют без остановки и без монтажа контролировать параметры агрегата, по которым можно оценить фактическое состояние двигателя переменного тока.

Система сбора данных для диагностики состоит из нескольких комплектов датчиков, которые передают сигналы в автоматизированную систему управления процессом (АСУ ТП). Данные сбора динамических сигналов формируют основную базу данных, которая также получает статические данные из дополнительной базы данных, которая содержит информацию о техническом состоянии агрегата (например, T - средняя температура окружающего воздуха, p - влажность, E - изолирующая прочность и т. д.) и данные системы автоматизации процесса (например, v_r(t) - сигнал скорости передачи, v_i(t) - сигнал скорости привода и т. д.).

Сигналы обрабатываются программным фильтром и записываются в постоянную память, после чего поступают на вход ANN, формируя ретроспективную базу данных основных и дополнительных параметров для дальнейшей оценки параметров безотказной работы электродвигателя.

Выводы

Будущее горнодобывающей промышленности заключается в повышении эффективности и безопасности без увеличения вредных выбросов и затрат, связанных с эксплуатацией оборудования. Создание систем диагностики и оценки остаточного ресурса электромеханического оборудования позволит предприятиям отрасли оставаться конкурентоспособными без увеличения затрат на техническое обслуживание и ремонт. Предлагаемый способ оценки и прогнозирования технического состояния электромеханического блока на основе вибрационных и электрических диагностических параметров позволит повысить точность прогнозирования технического состояния. Использование искусственной нейронной сети позволяет прогнозировать эталонные значения для диагностических моделей вероятностей технического состояния с учетом косвенных параметров и обнаруженных дефектов.