RU142018U1 - ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS - Google Patents
ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS Download PDFInfo
- Publication number
- RU142018U1 RU142018U1 RU2014107380/28U RU2014107380U RU142018U1 RU 142018 U1 RU142018 U1 RU 142018U1 RU 2014107380/28 U RU2014107380/28 U RU 2014107380/28U RU 2014107380 U RU2014107380 U RU 2014107380U RU 142018 U1 RU142018 U1 RU 142018U1
- Authority
- RU
- Russia
- Prior art keywords
- block
- neural network
- unit
- output
- fourier transform
- Prior art date
Links
Images
Abstract
Устройство для диагностики машинного агрегата с электрическим приводом, содержащее блок датчиков тока и блок датчиков напряжения, при этом выходы блоков датчиков подключены к блоку дискретного преобразования Фурье, к выходу блока дискретного преобразования Фурье подключен блок фильтрации данных, к которому подключены блок нейронной сети и блок подготовки данных для построения нейросетевой модели, выход блока нейронной сети подключен к блоку сравнения, который связан с дисплеем или с ЭВМ.A device for diagnosing an electrically driven machine assembly containing a block of current sensors and a block of voltage sensors, while the outputs of the sensor blocks are connected to a discrete Fourier transform block, a data filtering block is connected to the output of the discrete Fourier transform block, to which a neural network block and a training block are connected data to build a neural network model, the output of the neural network unit is connected to a comparison unit, which is connected to a display or computer.
Description
Полезная модель относится к области диагностики механизмов и систем с электрическим приводом на основе анализа параметров гармонических составляющих токов и напряжений, генерируемых электродвигателем.The utility model relates to the field of diagnostics of mechanisms and systems with an electric drive based on an analysis of the parameters of harmonic components of currents and voltages generated by an electric motor.
Известно устройство для диагностики относительного эксцентриситета ротора асинхронных двигателей (патент RU 55995, G01R 1/34, опубл. 27.08.2006) с трехфазной обмоткой статора, соединенной по схеме звезды с нулевой точкой, содержащее симметричную звезду резисторов, вольтметр, при этом симметричная звезда резисторов и трехфазная обмотка статора подключены к одному и тому же источнику трехфазного напряжения, отличающееся тем, что устройство снабжено полосовым фильтром, причем вход полосового фильтра подключен к нулевым точкам симметричной звезды резисторов и трехфазной обмотки статора, а вольтметр подключен к выходу полосового фильтра.A device for diagnosing the relative eccentricity of the rotor of asynchronous motors (patent RU 55995, G01R 1/34, publ. 08/27/2006) with a three-phase stator winding connected by a star circuit with a zero point, containing a symmetrical star of resistors, a voltmeter, while a symmetrical star of resistors and a three-phase stator winding are connected to the same three-phase voltage source, characterized in that the device is equipped with a band-pass filter, and the input of the band-pass filter is connected to the zero points of the symmetrical star sources and a three-phase stator winding, and a voltmeter is connected to the output of the bandpass filter.
Недостатком указанного технического решения является ограниченность видов диагностируемых неисправностей, т.е. устройство применяется только для диагностики относительного эксцентриситета ротора асинхронных двигателей.The disadvantage of this technical solution is the limited types of diagnosed faults, i.e. the device is used only for the diagnosis of the relative eccentricity of the rotor of induction motors.
Известна автоматизированная система для контроля и диагностики электронасосов системы пресной воды (патент RU 129641, Кл. G01M 5/00, опубл. 27.06.2013), содержащая датчики вибрации и аналого-цифровые преобразователи, передающие информацию о работе электронасосов через устройство ввода-вывода в оперативное запоминающее устройство. Микропроцессор, сравнив данные постоянного и оперативного запоминающих устройств, подает сигнала о нормальной или аварийной работе электронасоса в блок управления, который, в случае аварии при помощи пускателя останавливает неисправный насос.A well-known automated system for monitoring and diagnosing electric pumps of a fresh water system (patent RU 129641, Cl.
Недостатками указанного технического решения является сложность необходимых измерений, ограниченность видов диагностируемых неисправностей, ограниченность применения в помещениях с взрывоопасной средой.The disadvantages of this technical solution are the complexity of the necessary measurements, the limited types of diagnosed faults, the limited use in rooms with explosive atmospheres.
Наиболее близким по технической сути и достигаемому результату является устройство для диагностики электродвигателей переменного тока (патент RU 121086, G01R 31/34, опубл. 10.10.2012 (прототип)), к фазам питания асинхронного двигателя подключают три датчика фазных токов, выходы датчиков подключены к блоку вычисления результирующего модуля тока, к которому последовательно подключены блок вейвлет преобразования, блок интегральной оценки и блок сравнения, который связан или с дисплеем или ЭВМ, при этом блок порогового значения соединен с блоком сравнения.The closest in technical essence and the achieved result is a device for diagnosing AC electric motors (patent RU 121086, G01R 31/34, publ. 10.10.2012 (prototype)), three phase current sensors are connected to the phases of the asynchronous motor, the outputs of the sensors are connected to the calculation unit of the resulting current module, to which the wavelet transform unit, the integral evaluation unit and the comparison unit are connected, which is connected either to the display or the computer, while the threshold value unit is connected to the compared unit and I.
Недостатком указанного технического решения является ограниченность видов диагностируемых неисправностей, т.е. устройство применяется только для диагностики электродвигателей переменного тока.The disadvantage of this technical solution is the limited types of diagnosed faults, i.e. The device is used only for the diagnosis of AC motors.
Задачей полезной модели является создание устройства для более точной и достоверной диагностики, как отдельных элементов, так и всего механизма и системы с электрическим приводом.The objective of the utility model is to create a device for more accurate and reliable diagnostics of both individual elements and the entire mechanism and system with an electric drive.
Указанная задача решается тем, что устройство для диагностики машинного агрегата с электрическим приводом содержит блок датчиков тока и блок датчиков напряжения, при этом выходы блоков датчиков подключены к блоку дискретного преобразования Фурье, к выходу блока дискретного преобразования Фурье подключен блок фильтрации данных, к которому подключены блок нейронной сети и блок подготовки данных для построения нейросетевой модели, выход блока нейронной сети подключен к блоку сравнения, который связан с дисплеем или с ЭВМ.This problem is solved by the fact that the device for diagnosing a machine unit with an electric drive contains a current sensor block and a voltage sensor block, while the outputs of the sensor blocks are connected to the discrete Fourier transform unit, the data filtering unit is connected to the output of the discrete Fourier transform unit, to which the block is connected a neural network and a data preparation unit for constructing a neural network model, the output of a neural network unit is connected to a comparison unit, which is connected to a display or a computer.
Блок датчиков тока и блок датчиков напряжения подключают к фазам питания электродвигателя. Блок нейронной сети обрабатывает полученные параметры 3, 5, 7 и 9 гармонических составляющих токов и напряжений и выдает результат - значения показателей режимов работы и поврежденности элементов и всего машинного агрегата с электроприводом. Блок подготовки данных необходим для построения нейросетевой модели в блоке нейронной сети. Выход блока нейронной сети подключен к блоку сравнения, который связан или с дисплеем или с ЭВМ.The block of current sensors and the block of voltage sensors are connected to the phases of the electric motor power. The neural network unit processes the obtained parameters of 3, 5, 7 and 9 harmonic components of currents and voltages and gives the result - the values of the indicators of operating modes and damage to the elements and the entire machine unit with an electric drive. A data preparation unit is necessary to build a neural network model in a neural network unit. The output of the neural network unit is connected to the comparison unit, which is connected either to the display or to the computer.
На фигуре представлена структурная схема устройства.The figure shows a structural diagram of a device.
Устройство содержит блок 1 датчиков тока (БДТ); блок 2 датчиков напряжения (БДН); блок 3 дискретного преобразования Фурье (БДПФ); блок 4 фильтрации (БФ); блок 5 нейронной сети (БНС); блок 6 подготовки данных (БПД); блок 7 сравнения (БС).The device contains a
Устройство работает следующим образом.The device operates as follows.
Блоками датчиков тока 1 и напряжения 2, включающими в себя датчики тока и напряжения соответственно, а также 16-ти разрядные аналого-цифровые преобразователи (АЦП), в течение заданного интервала времени и с заданной периодичностью производится запись значений фазных токов и напряжений электродвигателя машинного агрегата.The blocks of
На основании полученных значений блок 3 дискретного преобразования Фурье производит спектральный анализ, основанный на быстром преобразовании Фурье.Based on the obtained values, the discrete
Полученные значения 3, 5, 7 и 9 коэффициентов гармонических составляющих токов KIn и напряжений KUn, а также углы между данными величинами φui(n) фильтруются в блоке 4 фильтрации. Для фильтрации гармонических составляющих фазных токов и напряжений, поступающих из сети, применяют углы сдвига по фазе φui(n) между соответствующими гармоническими составляющими фазных токов In и напряжений Un. Если угол сдвига меньше (+90°) или больше (-90°), то данная гармоническая составляющая, поступающая из сети, из анализа исключается.The obtained
В зависимости от выбранного режима работы устройство работает в режиме обучения нейронной сети или диагностики машинного агрегата с электроприводом.Depending on the selected operating mode, the device operates in the training mode of the neural network or diagnostics of an electric machine unit.
При проведении диагностики блок 5 нейронной сети анализирует совокупность нормированных значений диагностических параметров, затем выдает результат - значение показателей режимов работы и поврежденности элементов машинного агрегата с электроприводом Dm When conducting diagnostics,
где w - весовые коэффициенты нейронной сети для соответствующих диагностических параметров;where w are the weights of the neural network for the corresponding diagnostic parameters;
m=1, 2, 3…i - количество выходов нейронной сети.m = 1, 2, 3 ... i is the number of outputs of the neural network.
Совокупность значений показателей режимов работы и поврежденности элементов насосного агрегата Dm так же анализируются в блоке 5 нейронной сети, который выдает результат - значение интегрального диагностического параметра поврежденности DΣ.The set of values of the indicators of operating modes and damage to the elements of the pumping unit D m are also analyzed in
. .
Построение нейросетевой модели происходит адаптивно во время обучения в блоке 6 подготовки данных, обучение осуществляется с помощью применения теории планирования эксперимента, позволяющей значительно уменьшить количество обучающих экспериментов и увеличить набор обучающих данных. Для обучения сети пользователь подготавливает набор обучающих данных и с помощью ЭВМ или дисплея и клавиатуры устройства заносит эти данные в память устройства. Эти данные представляют собой примеры известных входных и соответствующих им выходных значений. Сеть учится устанавливать связь между входами и выходами. Если выходные значения нейронной сети отличаются от требуемых значений, то происходит оптимизация весов нейронной сети одним из математических алгоритмов до тех пор, пока эти значения не будут им соответствовать с заданной точностью. После этого нейронная сеть считается обученной.The construction of the neural network model occurs adaptively during training in
По полученным значениям показателей режимов работы и поврежденности элементов машинного агрегата с электроприводом, а так же диагностического параметра поврежденности, блок 7 сравнения выдает результат о техническом состоянии узлов и машинного агрегата с электроприводом в целом.According to the obtained values of the indicators of operating modes and damage to the elements of an electric machine unit, as well as a diagnostic parameter of damage, the
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014107380/28U RU142018U1 (en) | 2014-02-26 | 2014-02-26 | ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2014107380/28U RU142018U1 (en) | 2014-02-26 | 2014-02-26 | ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS |
Publications (1)
Publication Number | Publication Date |
---|---|
RU142018U1 true RU142018U1 (en) | 2014-06-20 |
Family
ID=51218959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014107380/28U RU142018U1 (en) | 2014-02-26 | 2014-02-26 | ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU142018U1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2697719C1 (en) * | 2018-12-25 | 2019-08-19 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Marine monitoring system with programmable neuron network control system |
-
2014
- 2014-02-26 RU RU2014107380/28U patent/RU142018U1/en not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2697719C1 (en) * | 2018-12-25 | 2019-08-19 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Marine monitoring system with programmable neuron network control system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zanardelli et al. | Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis | |
CN104038074B (en) | Method and apparatus for ripple and pile defection | |
CN107271170B (en) | A kind of automatic diagnosis method and system of mechanical equipment fault type | |
Zaidi et al. | Prognosis of gear failures in DC starter motors using hidden Markov models | |
KR102100526B1 (en) | A Method for the Diagnostics of Electromechanical System Based on Impedance Analysis | |
EP3306284A1 (en) | A method and apparatus for diagnosing a fault condition in an electric machine | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
CN103235260A (en) | Submersible motor rotor broken bar fault recognition method based on HHT (Hilbert-Huang transform) | |
Çira et al. | A new approach to detect stator fault in permanent magnet synchronous motors | |
Karaköse et al. | The intelligent fault diagnosis frameworks based on fuzzy integral | |
BR112014007556B1 (en) | method of determining stationary signals for the diagnosis of an electromechanical system | |
EP3029478A1 (en) | Assessment method for a multi-phase power system | |
Saghafinia et al. | On line trained fuzzy logic and adaptive continuous wavelet transform based high precision fault detection of IM with broken rotor bars | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
Cherif et al. | Stator inter turns fault detection using discrete wavelet transform | |
RU142018U1 (en) | ELECTRIC DRIVE MACHINE UNIT FOR DIAGNOSTICS | |
RU147268U1 (en) | REMOTE DIAGNOSTICS DEVICE FOR ASYNCHRONOUS ELECTRIC MOTORS | |
Fireteanu et al. | Detection of a short-circuit fault in the stator winding of induction motors through neighboring magnetic field harmonics | |
CN110988676B (en) | Mechanical equipment fault diagnosis method and device and storage medium | |
Nandi et al. | Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach | |
Jafari et al. | Fault isolation and diagnosis of induction motor based on multi-sensor data fusion | |
RU2621880C1 (en) | Device for determining rotation speed of induction motor rotors | |
Takeuchi et al. | Development of Motor Health Examination System Using Arduino Uno | |
Sharma et al. | Evaluation of arduino based das for condition monitoring of induction motor | |
US20200274477A1 (en) | Fault determination apparatus, motor driving system, and failure determination method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Utility model has become invalid (non-payment of fees) |
Effective date: 20150227 |