RU2626231C1 - Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor - Google Patents

Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor Download PDF

Info

Publication number
RU2626231C1
RU2626231C1 RU2016144271A RU2016144271A RU2626231C1 RU 2626231 C1 RU2626231 C1 RU 2626231C1 RU 2016144271 A RU2016144271 A RU 2016144271A RU 2016144271 A RU2016144271 A RU 2016144271A RU 2626231 C1 RU2626231 C1 RU 2626231C1
Authority
RU
Russia
Prior art keywords
technical condition
current
vibration
parameters
voltage
Prior art date
Application number
RU2016144271A
Other languages
Russian (ru)
Inventor
Юрий Леонидович Жуковский
Ирина Сергеевна Бабанова
Николай Александрович Королёв
Original Assignee
федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" filed Critical федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет"
Priority to RU2016144271A priority Critical patent/RU2626231C1/en
Application granted granted Critical
Publication of RU2626231C1 publication Critical patent/RU2626231C1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

FIELD: electricity.
SUBSTANCE: invention relates to the field of diagnostics of electromechanical equipment technical condition that allows to diagnose and estimate the residual life of an asynchronous motor operating in various operating conditions by recording electrical and vibration parameters using vibration, current and voltage sensors and using an artificial neural network (ANN) for complex analysis of electrical, vibration and indirect parameters with further evaluation of technical condition and forecasting the probability of failure-free operation of the electric motor (EM). The method allows to diagnose and estimate the residual life of an electric drive based on an asynchronous motor operating in various operating conditions by recording electrical and vibration parameters, using vibration, current and voltage sensors and their complex analysis using an artificial neural network that allows for prediction and estimation of residual resource.
EFFECT: improved accuracy and quality of the electromechanical equipment condition and residual life estimation, taking into account the quality of the supply network and the operating conditions, based on the obtained values of the residual resource, taking into account the detected conditions based on the work of an artificial neural network, including analysis of electrical, vibrational and indirect parameters and detected defects.
5 dwg

Description

Изобретение относится к области диагностики технического состояния электромеханического оборудования и позволяет производить диагностику и оценку остаточного ресурса асинхронного двигателя (АД), работающего в различных условиях эксплуатации, путем записи электрических и вибрационных параметров, с помощью датчиков вибрации, тока и напряжения, и использование искусственной нейронной сети (ИНС) для комплексного анализа электрических, вибрационных и косвенных параметров с дальнейшей оценкой технического состояния и прогнозирования вероятности безотказной работы электродвигателя (ЭД).The invention relates to the field of diagnostics of the technical condition of electromechanical equipment and allows the diagnosis and assessment of the residual life of an induction motor (HELL) operating in various operating conditions by recording electrical and vibration parameters using vibration, current and voltage sensors, and the use of an artificial neural network (ANN) for a comprehensive analysis of electrical, vibrational and indirect parameters with a further assessment of the technical condition and forecasting in probabilities of non-failure operation of the motor (ED).

Известен способ диагностики электродвигателя переменного тока и связанных с ним механических устройств (патент РФ №2339049, опубл. 20.11.2008), согласно которому в трех фазах ЭД производятся запись напряжения и потребляемого тока в зависимости от времени. Полученные сигналы пропускают через фильтр низких частот, преобразуют в цифровую форму и формируют спектры тока и напряжения, после чего производят их спектральный анализ. Выделяют характерные частоты электродвигателя и связанных с ним устройств, а характер и степень развития неисправности выявляют путем сравнения значений амплитуд тока на характерных частотах.A known method for diagnosing an alternating current electric motor and related mechanical devices (RF patent No. 2339049, publ. 20.11.2008), according to which the voltage and current consumption are recorded in three phases of the electric drive as a function of time. The received signals are passed through a low-pass filter, converted to digital form and form the current and voltage spectra, after which their spectral analysis is performed. The characteristic frequencies of the electric motor and related devices are isolated, and the nature and degree of development of the malfunction is identified by comparing the values of the current amplitudes at the characteristic frequencies.

Недостатками способа является то, что не учитывается переменный характер нагрузки ЭД, оказывающий влияние на амплитуду обобщенного вектора тока, гармонический состав питающего напряжения, наблюдаемый при питании ЭД от статического силового преобразователя. Также данный способ практически неприменим для регулируемого ЭД, так как не учитывает изменение режимов при регулировании выходной координаты (положения, скорости, момента) электропривода и не учитывает влияние дефектов механической части агрегата на электрические параметры электродвигателя и наоборот.The disadvantages of the method is that it does not take into account the variable nature of the load of the electric motor, which affects the amplitude of the generalized current vector, the harmonic composition of the supply voltage observed when the electric motor is powered by a static power converter. Also, this method is practically not applicable for a controlled ED, since it does not take into account the change of modes when adjusting the output coordinate (position, speed, moment) of the electric drive and does not take into account the influence of defects in the mechanical part of the unit on the electric parameters of the electric motor and vice versa.

Известен способ диагностики электромеханического оборудования (патент РФ №2574315, опубл. 10.02.2016), согласно которому измеряют сигнал тока двигателя диагностируемого электромеханического оборудования, проводят демодуляцию полученного сигнала тока, рассчитывают спектр демодулированного сигнала и вычитают из него спектр демодулированного сигнала тока исправного оборудования того же типа. При этом разницу спектров преобразуют в кепстр, а полученный кепстр строят в частотной области. Оценивают амплитуды информативных компонентов кепстра, соответствующих дефектам объекта, после чего линеаризуют шаг расположения информативных составляющих путем нелинейного преобразования масштаба частот и определяют частоты дефектов по величине информативных кепстральных компонент, по которым оценивают состояние объекта.A known method for diagnosing electromechanical equipment (RF patent No. 2574315, publ. 02/10/2016), according to which the motor current signal of the diagnosed electromechanical equipment is measured, the current signal is demodulated, the spectrum of the demodulated signal is calculated and the spectrum of the demodulated current signal of the working equipment are subtracted from it type. In this case, the difference in the spectra is converted into a cepstrum, and the resulting cepstrum is built in the frequency domain. The amplitudes of the informative components of the cepstrum corresponding to the defects of the object are estimated, after which the step of arranging the informative components by linearly transforming the frequency scale is linearized and the defect frequencies are determined by the value of the informative cepstral components, which assess the state of the object.

Недостатком данного способа является то, что диагностика технического состояния, производимая путем оценки разницы между спектрами демодулированного сигнала тока исправного и находящегося в работе двигателей позволяет выявить только ряд дефектов при условиях отсутствии искажений напряжения питающей сети и статических силовых преобразователей.The disadvantage of this method is that the diagnostics of the technical condition, made by assessing the difference between the spectra of the demodulated current signal of a working and working motors, allows to identify only a number of defects in the absence of distortion of the voltage of the mains and static power converters.

Известен способ диагностики механизмов и систем с электрическим приводом (патент РФ №2431152, опубл. 10.10.2011), заключающийся в записи в течение заданного интервала времени значений фазных токов и напряжений электродвигателя, их разложение на гармонические составляющие и измерение амплитуды и фазы гармонических составляющих, при этом производится фильтрация гармонических составляющих, поступающих из сети. По совокупности параметров гармонических составляющих с помощью искусственной нейронной сети производятся идентификация технического состояния и прогнозирование ресурса безаварийной работы диагностируемого объекта.A known method for diagnosing mechanisms and systems with an electric drive (RF patent No. 2431152, publ. 10.10.2011), which consists in recording over a specified time interval the values of phase currents and electric motor voltages, their decomposition into harmonic components and measuring the amplitude and phase of harmonic components, this filters the harmonic components coming from the network. Using the set of parameters of harmonic components using an artificial neural network, the technical state is identified and the trouble-free operation resource of the diagnosed object is predicted.

Недостатком способа является то, что при определении остаточного ресурса анализируются только гармонические составляющие напряжения, генерируемые только двигателем электропривода, а составляющие, генерируемые сетью питающего напряжения, отфильтровываются и не рассматриваются. Однако значительные искажения питающего напряжения, которые имеют нерегулярный характер, обусловленный изменением режима работы двигателя, непостоянством нагрузки, наличием статических преобразователей, а также характеристиками питающей сети, негативно сказываются на изоляции диагностируемого оборудования, вызывая ее преждевременное старение, что, в свою очередь, может привести к пробою изоляции и выходу из строя оборудования.The disadvantage of this method is that when determining the residual life, only harmonic voltage components are analyzed, generated only by the electric motor, and the components generated by the supply voltage network are filtered out and not considered. However, significant distortions of the supply voltage, which are irregular in nature, due to a change in the operating mode of the engine, load variability, the presence of static converters, as well as the characteristics of the supply network, negatively affect the isolation of the diagnosed equipment, causing its premature aging, which, in turn, can lead to breakdown of insulation and equipment failure.

Известен способ диагностики технического состояния электроприводной арматуры (патент РФ №2456629, опубл. 20.07.2012), согласно которому, измеряют механические вибрации, фиксируемые в электрическом сигнале тока в обмотках статора АД, используемых в качестве датчика вибраций. После измерения сигнала тока со статора АД происходят его обработка и преобразование. В качестве диагностического параметра используют спектр тока. Частота сигнала тока нормирована к частоте сети, а по изменению амплитуды собственных частот узлов арматуры и электропривода судят о развитии дефекта. При появлении различий между измеряемыми и базовыми величинами спектра, превышающих допустимые параметры рассогласования, делают вывод о неисправности конкретного узла электроприводной арматуры.A known method for diagnosing the technical condition of electric actuator fittings (RF patent No. 2456629, published on July 20, 2012), according to which, mechanical vibrations recorded in the electric current signal in the windings of the stator windings used as a vibration sensor are measured. After measuring the current signal from the AM stator, it is processed and converted. A current spectrum is used as a diagnostic parameter. The frequency of the current signal is normalized to the frequency of the network, and the development of the defect is judged by a change in the amplitude of the eigenfrequencies of the nodes of the valve and the electric drive. If there are differences between the measured and basic values of the spectrum that exceed the permissible mismatch parameters, a conclusion is made about the malfunction of a particular assembly of electric actuator valves.

Недостатком данного способа является то, что не производится оценка технического состояния электродвигателя, являющегося одним из основных источников вибрации, а также использование статора как датчика вибрации не позволяет достоверно распознать дефекты, возникающие в приводной арматуре.The disadvantage of this method is that it does not evaluate the technical condition of the electric motor, which is one of the main sources of vibration, and the use of the stator as a vibration sensor does not allow reliable recognition of defects that occur in the drive armature.

Известен способ диагностики и оценки остаточного ресурса электроприводов переменного тока (патент РФ №2532762, опубл. 10.11.2014), принятый за прототип, согласно которому производится запись напряжения и тока, потребляемых электродвигателем в зависимости от времени, выполняемая с помощью датчиков тока и напряжения, обработку сигналов фильтром низких частот с последующей программной обработкой полученных сигналов для диагностики и оценки остаточного ресурса на персональном компьютере.A known method for the diagnosis and assessment of the residual life of AC electric drives (RF patent No. 2532762, publ. 10.11.2014), adopted as a prototype, according to which the voltage and current consumed by the electric motor depending on time are recorded using current and voltage sensors, signal processing by a low-pass filter with subsequent software processing of the received signals for diagnostics and assessment of residual life on a personal computer.

Недостатками является то, что не учитываются косвенные параметры, влияющие на техническое состояние и качество прогнозирования, отсутствует оценка точности прогнозирования технического состояния и вероятности пригодности к эксплуатации в условиях неопределенности и неполноты информации.The disadvantages are that indirect parameters affecting the technical condition and quality of forecasting are not taken into account, there is no assessment of the accuracy of forecasting the technical condition and the likelihood of serviceability in the face of uncertainty and incompleteness of information.

Техническим результатом способа является повышение точности диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с АД путем измерения электрических параметров на входе статического силового преобразователя и входе ЭД, позволяющее оценить качество питающей сети и учесть искажения, вносимые преобразователем, а также вибрационных параметров, учитывающих влияние механических дефектов агрегата на работу электродвигателя, с последующей обработкой на портативном компьютере.The technical result of the method is to increase the accuracy of diagnosing the technical condition and assessing the residual life of an electromechanical unit with HELL by measuring electrical parameters at the input of a static power converter and the input of the ED, allowing to evaluate the quality of the supply network and take into account the distortions introduced by the converter, as well as vibration parameters that take into account the influence of defects of the unit for the operation of the electric motor, followed by processing on a laptop computer.

Технический результат достигается тем, что дополнительно производят одновременную запись величин напряжения, тока на входах силового преобразователя и электродвигателя и вибрации корпуса электродвигателя, далее регистрируют косвенные параметры, например влажность, средняя температура окружающей среды, прочность изоляции, влияющие на техническое состояние электродвигателя, а затем обрабатываем полученные данные с помощью программного обеспечения, основанного на работе искусственной нейронной сети, на выходе которого получаем количественную и качественную оценку технического состояния и остаточного ресурса.The technical result is achieved by the fact that they additionally record the values of voltage, current at the inputs of the power converter and the motor and the vibration of the motor housing, then register indirect parameters, such as humidity, average ambient temperature, insulation strength, affecting the technical condition of the electric motor, and then process the data obtained using software based on the operation of an artificial neural network, the output of which is obtained if qualitative and qualitative assessment of the technical condition and residual life.

Способ поясняется следующими чертежами:The method is illustrated by the following drawings:

фиг. 1 - структурная схема устройства диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем;FIG. 1 is a structural diagram of a device for diagnosing a technical condition and evaluating a residual life of an electromechanical unit with an asynchronous motor;

фиг. 2 - структурная схема системы прогнозирования оценки вероятности безотказной работы по диагностируемым электрическим и вибрационным параметрам АД с использованием ИНС;FIG. 2 is a structural diagram of a prediction system for estimating a probability of uptime based on diagnosed blood pressure and vibration parameters using an ANN;

фиг. 3 - диаграмма вероятностного технического состояния: нормальное состояние агрегата;FIG. 3 is a diagram of a probabilistic technical condition: normal state of the unit;

фиг. 4 - диаграмма вероятностного технического состояния: предкризисное состояние агрегата;FIG. 4 is a diagram of a probabilistic technical condition: the precrisis state of the unit;

фиг. 5 - диаграмма вероятностного технического состояния: кризисное состояние агрегата, гдеFIG. 5 is a diagram of a probabilistic technical condition: the crisis state of the unit, where

1 - статический силовой преобразователь;1 - static power converter;

2 - электродвигатель;2 - electric motor;

3 - механический преобразователь;3 - mechanical converter;

4 - исполнительный орган;4 - executive body;

5 - датчики тока на клеммах преобразователя и двигателя в фазах А, В, С;5 - current sensors at the terminals of the inverter and motor in phases A, B, C;

6 - датчики напряжения на клеммах преобразователя и двигателя в фазах А, Б, С;6 - voltage sensors at the terminals of the converter and the motor in phases A, B, C;

7 - датчики вибрации на корпусе ЭД;7 - vibration sensors on the body of the ED;

8 - плата сбора данных;8 - data collection board;

9 - система автоматизации технологического процесса;9 - a process automation system;

10 - блок предобработки данных;10 - data preprocessing unit;

11 - ключи каналов связи между выходами блока предобработки данных и входами платы сбора данных;11 - keys of communication channels between the outputs of the data preprocessing unit and the inputs of the data acquisition board;

12 - портативный компьютер;12 - laptop computer;

13 - программный фильтр высоких и низких частот;13 - software filter high and low frequencies;

14 - постоянное запоминающее устройство;14 - read-only memory;

15 - искусственная нейронная сеть;15 - artificial neural network;

16 - блок визуализации;16 - block visualization;

17 - вход для настройки ИНС;17 - input to configure the ANN;

18 - блок формирования обучающих данных;18 is a block for the formation of training data;

19 - блок создания ИНС;19 - block creating ANN;

20 - блок обучения ИНС;20 - block training ANN;

21 - блок тестирования ИНС;21 — ANN testing unit;

22 - блок оценки качества прогноза;22 is a block for assessing the quality of the forecast;

23 - выход ИНС;23 - ANN output;

Рс - мощность питающей сети;P with - power supply network;

P1 - мощность, подводимая к электродвигателю 2;P 1 - power supplied to the electric motor 2;

Р2 - мощность на входе механического преобразователя 3;P 2 - power at the input of the mechanical Converter 3;

Р3 - мощность, поступающая на исполнительный орган 4;P 3 - power supplied to the executive body 4;

uс, ic - напряжение и ток на входе статического преобразователя,u s , i c - voltage and current at the input of a static converter,

uc(t), ic(t) - измеряемый сигнал фазных напряжений и токов в фазах А, В, С на входе статического преобразователя;u c (t), i c (t) is the measured signal of phase voltages and currents in phases A, B, C at the input of the static converter;

u1(t), i1(t) - измеряемый сигнал фазных напряжений и токов в фазах А, В, С на входе ЭД;u 1 (t), i 1 (t) - the measured signal of phase voltages and currents in phases A, B, C at the input of the ED;

uз - сигнал задания (мощности, координаты, момента);u s - reference signal (power, coordinate, moment);

ux(t), uy(t), uz(t), - сигналы напряжения, пропорциональные вибрации ЭД по горизонтальному, поперечному и осевому направлениям;u x (t), u y (t), u z (t), are voltage signals proportional to the EM vibration in the horizontal, transverse and axial directions;

νr(t) - сигнал скорости редуктора;ν r (t) is the gearbox speed signal;

νi(t) - сигнал скорости исполнительного органа;ν i (t) is the speed signal of the executive body;

Способ осуществляется следующим образом.The method is as follows.

Согласно фиг. 1, на вход статического силового преобразователя 1 подаются мощность питающей сети Рс и сигнал управления координатами скорости, моментом и положением электродвигателя uз. С выхода преобразователя 1 мощность величиной P1 подводится к электродвигателю 2 и после электромеханического преобразования в нем на выходе равна Р2, в дальнейшем поступает на вход механического преобразователя 3, с выхода которого мощность Р3 передается на исполнительный орган 4. Измерительная аппаратура, состоящая из датчиков тока 5, датчиков напряжения 6, фиксирующих сигналы трехфазного тока ic(t), i1(t) и трехфазного напряжения uc(t), u1(t) с входа статического силового преобразователя 1 и входа ЭД 2 и датчиков вибрации 7а, установленных на корпусе ЭД 2 и регистрирующих вибрации в виде электрического сигнала, осуществляет запись всех измерительных сигналов и сигнала управления координатами скорости, моментом и положением электродвигателя uз на плату сбора данных 8, также на плату сбора данных 8 поступают данные с блока предобработки 10, на который поступают данные о внешних факторах (Т - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции) и данные системы автоматизации технологическим процессом (νr(t) - сигнал скорости редуктора, νi(t) - сигнал скорости исполнительного органа). Из параметров, поступивших на плату сбора данных 8, формируется основная ретроспективная база данных, которая в дальнейшем программно обрабатывается на портативном компьютере 12 с использованием программного фильтра высоких и низких частот 13, исключающего высокочастотные и низкочастотные составляющие спектра с целью повышения точности и достоверности измерений, постоянного запоминающего устройства 14, хранящего базу данных измерений и результатов их анализа, и ИНС 15, реализующей оценку технического состояния и прогнозирования вероятности безотказной работы электромеханического агрегата с АД с дальнейшим графическим представлением результата в блоке визуализации 16.According to FIG. 1, the input of the static power converter 1 is supplied with the power of the supply network P s and a control signal for the coordinates of the speed, torque and position of the electric motor u s . From the output of the converter 1, a power of magnitude P 1 is supplied to the electric motor 2 and after electromechanical conversion it is equal to P 2 at the output, then it is fed to the input of the mechanical converter 3, from the output of which the power P 3 is transmitted to the actuator 4. Measuring equipment, consisting of current sensors 5, voltage sensors 6, fixing signals of three-phase current i c (t), i 1 (t) and three-phase voltage u c (t), u 1 (t) from the input of the static power converter 1 and the input of ED 2 and vibration sensors 7 a installed on the casing of ED 2 and recording vibrations in the form of an electrical signal, records all measurement signals and a control signal for the coordinates of the speed, torque and position of the electric motor u s to the data acquisition board 8, also data to the data acquisition board 8 receives data from the pre-processing unit 10, which receives data on external factors (T is the average ambient temperature, ρ is humidity, ξ is the insulation strength) and data from the process automation system (ν r (t) is the gearbox speed signal, ν i (t) is the speed signal executive body). From the parameters received on the data acquisition board 8, the main retrospective database is formed, which is further processed programmatically on a laptop computer 12 using a high-pass and low-pass filter 13, excluding high-frequency and low-frequency components of the spectrum in order to increase the accuracy and reliability of measurements, constant a storage device 14 that stores a database of measurements and the results of their analysis, and ANN 15, which realizes the assessment of the technical condition and forecasting the failure-free operation of the electromechanical unit with blood pressure with a further graphical representation of the result in the visualization block 16.

Система прогнозирования вероятности безотказной работы ЭД на основе ИНС (фиг. 2) реализована следующим образом. От системы автоматизации 9, учитывающей скорости редуктора νr(t) и исполнительного органа νi(t), данные поступают на блок предобработки данных 10, на который также поступают данные о внешних факторах (Т - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции), формируя дополнительную база данных косвенных параметров, и в ходе регрессионного анализа выявляются ключевые переменные с учетом оценки коэффициентов множественной регрессии, влияющие на качество составления прогноза вероятности безотказной работы для АД, а остальные отсеиваются с учетом оценки значимости коэффициентов корреляции путем закрытия ключей каналов связи 11 между выходами блока предобработки данных 10 и входами платы сбора данных 8. Диагностируемые показатели и переменные, влияющие на качество составления прогноза и полученные после регрессионного анализа, поступают на блок 8, которые после прохождения программного фильтра 13 и сохранения на постоянном запоминающем устройстве 14 используют как дополнительные входные данные для формирования базы данных для ИНС 15. Вход ИНС 17 состоит из следующих блоков: блока формирования обучающих данных 18 и блока создания ИНС 19, определяющего тип нейронной сети, количество промежуточных слоев, количество нейронов и функцию активации. В блоке обучения ИНС 20 задаются параметры и выбранный алгоритм обучения. В блоках тестирования ИНС 21 оценки качества прогнозирования 22 производится оценка вероятности безотказной работы ЭД по электрическим вибрационным и косвенным параметрам в сравнении с эталонными значениями ЭД. В качестве эталонного значения по прогнозированию вероятности безотказной работы для ЭД по электрическим, вибрационным и косвенным параметрам формируется таблица 1.The system for predicting the probability of uptime of ED based on ANN (Fig. 2) is implemented as follows. From the automation system 9, taking into account the speed of the reducer ν r (t) and the actuator ν i (t), the data are sent to the data preprocessing unit 10, which also receives data on external factors (T - average ambient temperature, ρ - humidity, ξ is the insulation strength), forming an additional database of indirect parameters, and during the regression analysis, key variables are identified taking into account the estimation of multiple regression coefficients that affect the quality of forecasting the probability of failure-free operation for HELL, and steel are screened out taking into account the assessment of the significance of the correlation coefficients by closing the keys of the communication channels 11 between the outputs of the data preprocessing unit 10 and the inputs of the data collection board 8. Diagnostic indicators and variables that affect the quality of forecasting and obtained after regression analysis are sent to block 8, which after passing the software filter 13 and storing it on a read-only memory 14 is used as additional input to form a database for the ANN 15. The input of the ANN 17 consists from the following blocks: a block for the formation of training data 18 and a block for creating an ANN 19 that determines the type of neural network, the number of intermediate layers, the number of neurons, and the activation function. In the training unit of the ANN 20, the parameters and the selected learning algorithm are set. In the test blocks of the ANN 21 of the forecasting quality assessment 22, the probability of the ED failure-free operation is estimated by the electric vibrational and indirect parameters in comparison with the reference values of the ED. Table 1 is formed as a reference value for predicting the probability of failure-free operation for electric motors according to electrical, vibrational and indirect parameters.

Figure 00000001
Figure 00000001

Определение вероятности безотказной работы ЭД при условии имеющейся базы ретроспективных данных (выявление диагностических параметров и видов дефектов) при требованиях к относительной погрешности, то есть к пределу доверительного интервала прогнозирования λ при р≥95% - менее 5% можно представить как построение функции (1)The determination of the probability of fault-free operation of the ED under the condition of the available database of retrospective data (identification of diagnostic parameters and types of defects) with the requirements for the relative error, i.e., to the limit of the confidence interval for prediction λ at p≥95% - less than 5% can be represented as the construction of function (1)

Figure 00000002
Figure 00000002

где Pi - прогноз вероятности;where P i is the probability forecast;

t - текущий момент времени;t is the current time;

Δt - интервал времени между измерениями;Δt is the time interval between measurements;

λ - интервал прогнозирования;λ is the prediction interval;

n - число интервалов в прошлое;n is the number of intervals in the past;

k - число интервалов в будущее;k is the number of intervals into the future;

Figure 00000003
- количество измеряемых характеристик;
Figure 00000003
- the number of measured characteristics;

Pim(mi), Pih(hi) - значения вероятностей по электрическим и вибрационным параметрам;P im (m i ), P ih (h i ) - probability values for electrical and vibrational parameters;

Ni - косвенные параметры, влияющие на составление прогноза по оценке вероятности безотказной работы (T - средняя температура окружающего воздуха, ρ - влажность, ξ - прочность изоляции, количество измеряемых вибрационных и электрических параметров, интервала времени между измерениями, число интервалов в прошлое).N i - indirect parameters influencing the forecast on the assessment of the probability of failure-free operation (T - average ambient temperature, ρ - humidity, ξ - insulation strength, the number of measured vibration and electrical parameters, the time interval between measurements, the number of intervals in the past).

После завершения процесса обучения ИНС анализируется качество прогноза на основании полученной вероятности и оценки вхождения ее в диапазон с учетом диагностики электрических и вибрационных параметров, а также оценки следующих характеристик нейронной сети: производительность обучения, тестовая производительность, среднее значение целевой выходной переменной, среднеквадратичное отклонение целевой выходной переменной, средняя ошибка выходной переменной, средняя абсолютная ошибка, отношение стандартного отклонения ошибки к стандартному отклонению данных, коэффициент корреляции Спирмена, вычисленный между целевым вектором и реальным выходным вектором. Величину остаточного ресурса электромеханического оборудования, прогнозируемого с учетом работы ИНС, представляют как (2).After completing the training of the ANN, the quality of the forecast is analyzed based on the obtained probability and the assessment of its inclusion in the range taking into account the diagnostics of electrical and vibration parameters, as well as the assessment of the following characteristics of the neural network: training performance, test performance, average value of the target output variable, standard deviation of the target output variable, the average error of the output variable, the average absolute error, the ratio of the standard deviation of the error to the standard To a significant deviation of the data, the Spearman correlation coefficient calculated between the target vector and the actual output vector. The residual life of electromechanical equipment, predicted taking into account the operation of the ANN, is represented as (2).

Figure 00000004
Figure 00000004

где K1 - коэффициент, учитывающий состояния границ оценки вибрационных параметров с учетом обнаруженных дефектов в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;where K 1 - coefficient taking into account the state of the boundaries of the assessment of vibrational parameters, taking into account detected defects at time t and depending on normal, precrisis and crisis conditions;

K2 - коэффициент, учитывающий состояния границ оценки электрических параметров с учетом наступления (обнаружения) дефектов в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;K 2 - coefficient taking into account the state of the boundaries of the assessment of electrical parameters, taking into account the onset (detection) of defects at time t and depending on the normal, pre-crisis and crisis conditions;

K3 - коэффициент, учитывающий состояния границ оценки вибрационных параметров с учетом измеряемых параметров и факторов, влияющих на составление прогноза остаточного ресурса, в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;K 3 - coefficient taking into account the state of the boundaries of the assessment of vibrational parameters, taking into account the measured parameters and factors affecting the forecasting of the residual life, at time t and depending on the normal, pre-crisis and crisis conditions;

K4 - коэффициент, учитывающий состояния границ оценки электрических параметров с учетом измеряемых параметров и факторов, влияющих на составление прогноза остаточного ресурса, в момент времени t и в зависимости от нормального, предкризисного и кризисного состояний;K 4 - coefficient taking into account the state of the boundaries of the assessment of electrical parameters, taking into account the measured parameters and factors affecting the forecasting of the residual resource, at time t and depending on the normal, pre-crisis and crisis conditions;

Figure 00000005
Figure 00000006
- прогнозируемые значения оценки вероятности по вибрационным и электрическим параметрам с учетом работы ИНС;
Figure 00000005
Figure 00000006
 - predicted values of probability estimates for vibration and electrical parameters, taking into account the operation of the ANN;

Figure 00000007
- коррекция для весовых коэффициентов и пороговых уровней с учетом рассчитанного выхода и сравнения полученного выходного вектора ys с эталоном ds;
Figure 00000007
- correction for weighting factors and threshold levels, taking into account the calculated output and comparing the resulting output vector y s with the standard d s ;

ε - скорость обучения ИНС.ε is the rate of ANN training.

Результатами работы способа диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем являются диагностическая картина вероятностей технического состояния фиг. 3, 4, 5, и расчетное значение остаточного ресурса, полученное на основе работы ИНС, с учетом электрических, вибрационных и косвенных параметров и обнаруженных дефектов и оцененное в соответствии с границами: 0<δ≤0,1 - эталонное, 0,1<δ≤0,2 - нормальное, 0,2<δ≤0,4 - предкризисное, 0,4<δ≤1 - кризисное, на основании которых принимают решения о сроках проведения ремонта, дальнейшем сверхнормативном сроке работе агрегата или его остановке с целью проведения углубленной диагностики.The results of the method for diagnosing the technical condition and assessing the residual life of an electromechanical unit with an asynchronous motor are a diagnostic picture of the probabilities of the technical condition of FIG. 3, 4, 5, and the calculated value of the residual life, obtained on the basis of the ANN, taking into account electrical, vibrational and indirect parameters and detected defects and evaluated in accordance with the boundaries: 0 <δ≤0.1 - reference, 0.1 < δ≤0,2 - normal, 0,2 <δ≤0,4 - pre-crisis, 0,4 <δ≤1 - crisis, on the basis of which decisions are made on the timing of the repair, the further excess of the unit’s life or its shutdown in order to conducting in-depth diagnostics.

Claims (1)

Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем, включающий запись зависимостей напряжения и тока, потребляемых электродвигателем, с последующим пропусканием полученных сигналов через программный фильтр высоких и низких частот и программной обработкой, определением расхождения амплитуд сигналов токов, напряжений и мощности каждой фазы, коэффициентов несимметрии тока, напряжений, мощности и коэффициентов гармонических колебаний, уровня влияния качества питающего напряжения в части наличия несимметрии, импульсов перенапряжения и высших гармонических составляющих, отличающийся тем, что дополнительно производят одновременную запись величин напряжения, тока на входах силового преобразователя и электродвигателя и вибрации корпуса электродвигателя, далее регистрируют косвенные параметры, включая влажность, среднюю температуру окружающей среды, прочность изоляции, влияющих на техническое состояние электродвигателя, а затем обрабатывают полученные данные с помощью программного обеспечения, основанного на работе искусственной нейронной сети, на выходе которого получают количественную и качественную оценку технического состояния и остаточного ресурса.A method for diagnosing the technical condition and assessing the residual life of an electromechanical unit with an induction motor, including recording the dependences of voltage and current consumed by an electric motor, followed by passing the received signals through a software high and low frequency filter and software processing, determining the difference between the amplitudes of the current, voltage and power signals of each phase, current asymmetry coefficients, voltages, power and harmonic oscillation coefficients, level of influence of quality supply voltage in terms of the presence of asymmetry, overvoltage pulses and higher harmonic components, characterized in that they additionally record the values of voltage, current at the inputs of the power converter and electric motor and vibration of the motor housing, then indirect parameters are recorded, including humidity, average ambient temperature, insulation strength, affecting the technical condition of the electric motor, and then process the obtained data using software values based on the work of an artificial neural network, the output of which gives a quantitative and qualitative assessment of the technical condition and residual life.
RU2016144271A 2016-11-10 2016-11-10 Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor RU2626231C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2016144271A RU2626231C1 (en) 2016-11-10 2016-11-10 Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2016144271A RU2626231C1 (en) 2016-11-10 2016-11-10 Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor

Publications (1)

Publication Number Publication Date
RU2626231C1 true RU2626231C1 (en) 2017-07-24

Family

ID=59495894

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016144271A RU2626231C1 (en) 2016-11-10 2016-11-10 Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor

Country Status (1)

Country Link
RU (1) RU2626231C1 (en)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609524A (en) * 2019-08-14 2019-12-24 华中科技大学 Industrial equipment residual life prediction model and construction method and application thereof
RU2711647C1 (en) * 2019-04-08 2020-01-17 ОАО "Научно-исследовательский институт технологии, контроля и диагностики железнодорожного транспорта" (ОАО "НИИТКД") Device and method for evaluation of technical condition of asynchronous motors
CN111325403A (en) * 2020-02-26 2020-06-23 长安大学 Method for predicting remaining life of electromechanical equipment of highway tunnel
RU2727386C1 (en) * 2019-10-23 2020-07-21 федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" Device for diagnostics and evaluation of residual life of electric motors
CN112580169A (en) * 2020-12-24 2021-03-30 广东省科学院智能制造研究所 Harmonic reducer health assessment method based on machine learning
CN113777488A (en) * 2021-09-14 2021-12-10 中国南方电网有限责任公司超高压输电公司昆明局 State evaluation method and device for valve cooling main pump motor and computer equipment
CN113884876A (en) * 2020-07-03 2022-01-04 绿铜科技公司 Fault detection system and method
RU2763849C1 (en) * 2021-05-26 2022-01-11 федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет» Device for condition diagnosis of asynchronous electric motor
RU2771573C1 (en) * 2018-07-17 2022-05-05 Циль-Абегг СЕ Electric engine and method for evaluating the vibration state of an electric engine
RU2794240C1 (en) * 2022-11-22 2023-04-13 федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ" (ФГБОУ ВО "НИУ "МЭИ") Method for diagnosing the technical condition of asynchronous electric motors and a device for its implementation
CN116952507A (en) * 2023-08-02 2023-10-27 安徽玖邦驱动科技有限公司 Miniature motor performance test evaluation system based on artificial intelligence

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128583A (en) * 1996-05-20 2000-10-03 Crane Nuclear, Inc. Motor stator condition analyzer
US6297742B1 (en) * 1996-08-22 2001-10-02 Csi Technology, Inc. Machine monitor with status indicator
RU146950U1 (en) * 2014-04-28 2014-10-20 Дмитрий Маркович Шпрехер ELECTROMECHANICAL SYSTEM DIAGNOSTICS DEVICE

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128583A (en) * 1996-05-20 2000-10-03 Crane Nuclear, Inc. Motor stator condition analyzer
US6297742B1 (en) * 1996-08-22 2001-10-02 Csi Technology, Inc. Machine monitor with status indicator
RU146950U1 (en) * 2014-04-28 2014-10-20 Дмитрий Маркович Шпрехер ELECTROMECHANICAL SYSTEM DIAGNOSTICS DEVICE

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"ДИАГНОСТИКА И ОЦЕНКА ОСТАТОЧНОГО РЕСУРСА ЭЛЕКТРОМЕХАНИЧЕСКОГО ОБОРУДОВАНИЯ, РАБОТАЮЩЕГО В ТЯЖЕЛЫХ УСЛОВИЯХ, ПО ЭЛЕКТРИЧЕСКИМ ПАРАМЕТРАМ", 2011. *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2771573C1 (en) * 2018-07-17 2022-05-05 Циль-Абегг СЕ Electric engine and method for evaluating the vibration state of an electric engine
RU2711647C1 (en) * 2019-04-08 2020-01-17 ОАО "Научно-исследовательский институт технологии, контроля и диагностики железнодорожного транспорта" (ОАО "НИИТКД") Device and method for evaluation of technical condition of asynchronous motors
CN110609524B (en) * 2019-08-14 2020-07-28 华中科技大学 Industrial equipment residual life prediction model and construction method and application thereof
CN110609524A (en) * 2019-08-14 2019-12-24 华中科技大学 Industrial equipment residual life prediction model and construction method and application thereof
RU2727386C1 (en) * 2019-10-23 2020-07-21 федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" Device for diagnostics and evaluation of residual life of electric motors
CN111325403A (en) * 2020-02-26 2020-06-23 长安大学 Method for predicting remaining life of electromechanical equipment of highway tunnel
CN111325403B (en) * 2020-02-26 2023-07-11 长安大学 Method for predicting residual life of electromechanical equipment of highway tunnel
CN113884876A (en) * 2020-07-03 2022-01-04 绿铜科技公司 Fault detection system and method
CN112580169A (en) * 2020-12-24 2021-03-30 广东省科学院智能制造研究所 Harmonic reducer health assessment method based on machine learning
RU2763849C1 (en) * 2021-05-26 2022-01-11 федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет» Device for condition diagnosis of asynchronous electric motor
CN113777488A (en) * 2021-09-14 2021-12-10 中国南方电网有限责任公司超高压输电公司昆明局 State evaluation method and device for valve cooling main pump motor and computer equipment
CN113777488B (en) * 2021-09-14 2023-12-12 中国南方电网有限责任公司超高压输电公司昆明局 State evaluation method and device for valve cooling main pump motor and computer equipment
RU2794240C1 (en) * 2022-11-22 2023-04-13 федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ" (ФГБОУ ВО "НИУ "МЭИ") Method for diagnosing the technical condition of asynchronous electric motors and a device for its implementation
CN116952507A (en) * 2023-08-02 2023-10-27 安徽玖邦驱动科技有限公司 Miniature motor performance test evaluation system based on artificial intelligence

Similar Documents

Publication Publication Date Title
RU2626231C1 (en) Method of diagnostics of technical condition and electromechanical device remaining lifetime estimation with asynchronous motor
Camci et al. Feature evaluation for effective bearing prognostics
Medjaher et al. Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data
Zhang et al. A probabilistic fault detection approach: Application to bearing fault detection
RU2155328C1 (en) Trouble-shooting system for electric motors based on model
Yan et al. Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment
KR20200014129A (en) Diagnosis method of electric transformer using Deep Learning
Gong et al. Design and implementation of acoustic sensing system for online early fault detection in industrial fans
RU2431152C2 (en) Method of diagnostics of electrically driven mechanisms and systems
Li et al. Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
Senanayaka et al. Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life
Sharp Prognostic approaches using transient monitoring methods
Zurita-Millán et al. Vibration signal forecasting on rotating machinery by means of signal decomposition and neurofuzzy modeling
Rocchi et al. Fault prognosis for rotating electrical machines monitoring using recursive least square
Trujillo Guajardo et al. MA; Rodríguez Maldonado, J.; González Vázquez, MA; Rodríguez Alfaro, LH; Salinas Salinas, F. Prony Method Estimation for Motor Current Signal Analysis Diagnostics in Rotor Cage Induction Motors. Energies 2022, 15, 3513
RU2451299C1 (en) Device for on-line diagnostic of electric propulsion system of ship
RU2532762C1 (en) Method to diagnose and assess residual resource of ac electric drives
RU2719507C1 (en) Method for assessing the technical state of a consumer controller based on neural network diagnosis
Nyanteh Application of artificial intelligence to rotating machine condition monitoring
RU2799489C1 (en) Method for determination of technical condition of electric and hydraulic drives
Nie et al. Remaining useful life prediction approach for rolling element bearings based on optimized SVR model with reliable time intervals
RU2546993C1 (en) Method to diagnose technical condition of electric drive by evaluation of dynamics of its electrical parameters
RU2444039C1 (en) Method and apparatus for diagnosing process device using process parameter sensor signal
Han et al. Fault diagnose of the rolling bearings vibration signals based on Kalman filter method

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20201111