 |
 |
 |
 |
 |
 |
Определение неполадок в работе трехфазных асинхронных электродвигателя при помощи исскуственной нейронной сети
(перевод)
Sri Kolla *, Logan Varatharasa
Electronics and Computer Technology Program, Department of Technology Systems, Bowling Green State University, Bowling Green, OH
перевод: Богданов Д.А.
Источник: http://hinari-gw.who.int
Эта статья представляет собой описание методики выявления неисправностей в трехфазных асинхронных двигателях с использованием искусственных нейронных сетей (ИНС). Рассмотрены основные виды неисправностей: перегрузка, отсутствие фаз, перекос фаз, блокировка ротора, короткое замыкание на землю, высокое и низкое питающие напряжения. Фазные токи и напряжения асинхронного двигателя используются в качестве входных параметров. Используется однонаправленная слоистая структура нейронной сети. Сеть обучается при помощи алгоритма прямого распространения. Обученная сеть проверяется при помощи промоделированных кривых тока и напряжения при неисправностях. Экспериментальная проверка метода проводилась на двигателе 3 HP и показала, что предлагаемый метод успешно выявляет различные неисправности.
1. Введение
Трехфазные асинхронные двигатели являются одним из наиболее популярных типов двигателей, используемых в промышленности из-за их надежности, низким затратам и высокой продуктивности. В процессе эксплуатации этих двигателей возникают следующие неисправности перегрузка, отсутствие фаз, перекос фаз, блокировка ротора, короткое замыкание на землю, высокое и низкое питающие напряжения. [1].
Традиционные защитные реле на основе электромеханических и твердотельных элементов в настоящее время заменяются на микропроцессорные устройства из-за их преимуществ. [2,3]. ИНС уже предлагались в качестве метода определения неисправностей [4]. Элмором и Крамером была предложена технология микропроцессорных реле для защиты двигателя [5]. Лакруа и Клег ткже использовали микропроцессорные системы для определения типа неисправности возникшей в двигателе[6]. Кола и др. представил микропроцессорную систему, в которой применялся алгоритм блочной импульсной функции [7]. Пандурангавитал и др. разработали и изготовили микроконтроллерное реле которое обеспечивает выбор оператором температурной кривой I±T. Использование ИНС для асинхронных двигателей было предложено Чоу и другими в работах [9-12]. Они предварительно выбирали один тип неисправности в однофазном двигателе. В этой работе предлагается использование ИНС для обнаружения различных неисправностей в трехфазных асинхронных двигателях.
В ИНС процедуры оптимизации позволяют сети «выучить» правила обнаружения путем обработки наборов примеров. Существует несколько типов нейронных сетей и несколько алгоритмов для их тренировки [13]. В этой статье использована прямонаправленная нейронная сеть из-за её простоты и популярности[4]. Для тренировки нейросети используется алгоритм обратного распространения. Информация об обнаруженной неисправности может использоваться в качестве управляющей для защитных устройств.
2. Неисправности асинхронных двигателей
Асинхронные двигатели могут иметь такие виды неполадок:
- Перегрузка
- Блокировка ротора
- Обрыв одной или двух фаз
- Перекос фаз
- Обрыв заземления
- Высокое напряжение
- Пониженное напряжение
Механическая перегрузка двигателя приводит к увеличению фазных токов, что влечет за собой перегрев двигателя. В традиционных релейных системах защиты реле перегрузки при срабатывании отключает двигатель. Команда на отключение подается подается с заданной задержкой, которая зависит от амплитуды токов.
Блокировка ротора приводит к резкому повышению фазных токов. При этом в двигателе возникает перегрев. Такая ситуация может допускаться лишь строго ограниченное время. Время подачи команды на выключение в традиционных релейных схемах определяется исходя из обратных временных характеристик двигателя.
При обрыве одной из фаз повышаются токи остальных фаз, что приводит к увеличенному нагреву двигателя. Реле токовой защиты контролирует тепловые токи для того, чтобы защитить двигатель в таких ненормальных режимах работы.
Перекос фаз также может приводить к повышению токов двигателя. Этот режим также контролируется с помощью реле токовой защиты. Этот режим работы определяется по наличию напряжения нейтрали.
Короткие замыкания на землю являются наиболее распространенными неисправностями в асинхронных двигателях из-за жестких режимов пуска и частоты их повторений. Эти неисправности могут быть обнаружены при помощи слежения за токами нулевой последовательности. Двигатель, в случае короткого замыкания, должен быть немедленно остановлен.
Пониженное питающее напряжение, в совокупности с нормальной механической нагрузкой на валу двигателя приводит к повышению токов двигателя, что вызывает дополнительный нагрев обмоток двигателя. Для защиты в этом режиме применяется реле токовой защиты. Также для защиты двигателя в таком режиме могут применяться вольто-временные характеристики.
Повышенное напряжение может принести вред изоляции обмоток двигателя. Для защиты применяются вольто-временные характеристики.
Несколько микропроцессорных реле, которые могут применяться для защиты двигателей при описанных выше неисправностях уже описаны в литературе [5-8]. Данные методики показали свою эффективность при защите двигателей, однако некоторые из них предъявляют повышенные требования к вычислительной мощности системы. В этой статье рассматривается применение ИНС для обнаружения этих неполадок.
3. Искусственные нейронные сети
ИНС – это способ подражания биологической нейронной сети мозга при помощи математической модели [14]. Это совокупность простых вычислительных модулей, связанных друг с другом, с весами заданными для каждого соединения. Путем изменения этих весов по определенному тренировочному алгоритму ИНС может быть натренирована для распознавания любой совокупности содержащейся в тренировочных данных.
4.ИНС для определения неполадок асинхронного двигателя
Для использования нейронной сети в целях определения неполадок асинхронного двигателя необходимо определить необходимые входы и выходы нейросети, ей структуру, и натренировать её использую подходящие данные. В этой работе в качестве входов выбраны действующие значения токов и напряжений трехфазной сети. Поэтому в сети используется шесть входных нейронов. В сети должно быть 8 выходов отвечающих каждой из описанной выше неисправности и нормальному состоянию системы. На выходе нейросети должна быть единица если имеет место соответствующее состояние двигателя. Исходя из этого в системе должно быть 8 выходных нейронов. Также в сети имеется один скрытый слой, количество нейронов в данном слое будет меняться во время тренировки. На рисунке 2 представлены входы и выходы ИНС. Для тренировки нейросети использованы значения напряжений и токов полученных в результате моделирования при помощи программы написанной на языке С. На рисунке 3 изображены осциллограммы для ситуации замыкания на землю. Действующие значения вычисляются на основе полученных мгновенных значений с использование алгоритма быстрого преобразования Фурье. Данный алгоритм позволяет отфильтровать высшие гармоники и выделить основную гармонику сигнала. Полученные величины используются при тренировке и проверке сети. Всего в процессе тренировки было использовано 201 наборов данных. Из них:
Перекос фаз: 34
Замыкание на землю: 35
Блокировка ротора: 50
Обрыв фазы: 7
Перегрузка: 34
Высокое напряжение: 14
Низкое напряжение: 21
Нет неисправности: 6
Сеть имеющая структуру 6+11+8 наиболее удовлетворяла требованиям погрешности. В таблице 1 приведена матрица 6х11 весов и смещений от входов к скрытому слою натренированной сети, в таблице 2 приведена матрица 11х8 весов связей скрытого слоя и выводов.
Натренированная сеть проверялась при помощи 201 набора тренировочных данных и модифицированного набора тренировочных данных. Модификация заключалась в 15%-м изменении некоторых значений действующих значений из тренировочных данных.
5. Выводы
В данной статье было описано применение ИНС для определения внешних неисправностей трехфазного асинхронного двигателя. Была использована прямонаправленная ИНС тренированная при помощи алгоритма обратного распространения. В данной статье детально рассмотрены параметры, применяемые при тренировке ИНС. В качестве входных параметров в данной работе были использованы действующие значения токов и напряжений. Для увеличения точности идентификации тренировочный набор должен больше данных с большим количеством неисправностей. В данной работе не проверялась работоспособность предложенного метода в условиях сильного зашумления. Следующим шагом будет проверка метода в режиме реального времени на основе показателей работающего трехфазного асинхронно двигателя.
Ссылки:
[1] ABB Relaying Division, Protective Relaying: Theory and Application, Marcel Dekker, Inc., New York, 1994.
[2] A.G. Phadke, J.S. Thorp, Computer relaying for power systems, John Wiley & Sons, New York, 1988.
[3] M.S. Sachdev (Coordinator), Advancements in Microprocessor Based Protection and Communication, IEEE Tutorial Course Text, Publication No. 97TP120-0, IEEE, New York, 1997.
[4] M.A. El-Sharkawi, D. Niebur (Eds.), A Tutorial Courseon Arti®cial Neural Networks with Applications to Power Systems, IEEE Tutorial Course Text, Publication No.96TP112-0, IEEE, New York, 1996.
[5] W.A. Elmore, C.A. Kramer, Complete motor protection by microprocessor relay, in: Proceedings of Georgia Tech Protective Relaying Conference, Atlanta, GA, April 1987, pp. 1±13.
[6] B. Lacroix, D. Clegg, Microprocessor motor protection relay, in: Proceedings of 4th International Conference on Developments in Power System Protection, IEE Pub. No. 302, 1989, pp. 235±238.
[7] S.R. Kolla, D.V. Gedeon, Microprocessor-based protection scheme for induction motor, in: Proceedings of Electrical Manufacturing and Coil Winding Association Conference, Chicago, IL, September 1994, pp. 119±123.
[8] K. Pandurangavittal, D.B. Fakruddin, I.R. Rao, K. Parthasarathy, Microcontroller based three-phase induction motor protection relay with operator selectable thermal I±T curve feature, Electric Machines and Power Systems 26(1998) 13±26.
[9] M.-Y. Chow, S.O. Yee, Using neural networks to detect incipient faults in Induction motors, Journal of Neural Network Computing 2 (1991) 26±32.
[10] M.-Y. Chow, S.O. Yee, Methodology for on-line incipient fault detection in single-phase squirrel-cage induction motors using arti®cial neural networks, IEEE Transactions on Energy Conversion 6 (1991) 536±545.
[11] M.-Y. Chow, R.N. Sharpe, J.C. Hung, On the application and design of arti®cial neural networks for motor fault detection, IEEE Transactions on Industrial Electronics 40 (1993) 181±196.
[12] P.V. Goode, M.-Y. Chow, Using a neural/fuzzy system to extract heuristic knowledge of incipient faults in induction motors, IEEE Transactions on Industrial Electronics 42 (1995) 131±146.
[13] C. Lau (Ed.), Neural Networks: Theoretical Foundations and Analysis, IEEE Press, New York, 1992.
[14] M. Caudill, C. Butler, Understanding Neural Networks: Computer Explorations, MIT Press, Cambridge, MA, 1992.
[15] L. Varatharasa, Application of Arti®cial Neural Networks for Identi®cation of Simulated Faults in Induction Motors, M.I.T. Project Report, College of Technology, Bowling Green State University, Bowling Green, OH,1998.
[16] Anon. Using Neural Works . A Tutorial for Neural Works professional II/plus and neural works explorer,Neuralware Inc, Pittsburgh, PA, 1993.
