|
|
 |
|
|
 |
Ученые Пермского Политеха разработали подход для обнаружения неисправностей в двигателе
Асинхронный двигатель является самым распространенным типом электрических машин в мире. Электродвигатель широко распространен, поскольку обладает высокой надежностью и ремонтопригодностью, он применим в широком спектре промышленных приложений. В то же время электродвигатель подвержен износу и поломкам. Обычно это связано с условиями, в которых он используется и с плохим обслуживанием. Для постоянного контроля состояния оборудования обычно используются диагностические системы. Часто эти системы требуют остановки двигателя, не давая возможности проводить диагностику в динамическом режиме. Существующие методы контроля не всегда приемлемы, так как требуют участие эксперта для анализа, могут вызывать механический износ и искажения. Поэтому перспективнее использовать диагностические системы, которые включают минимально возможное количество измерительного оборудования и делают заключение о состоянии двигателя без непосредственного участия человека. Ученые Пермского Политеха разработали систему на основе машинного обучения для диагностики электропривода. Разработка характеризуется низкой стоимостью и высокой надежностью.
Статья с результатами опубликована в сборнике «SCM`2023» по результатам XXVI международной конференции по мягким вычислениям и измерениям. Исследование выполнено при финансовой поддержке РФФИ и Пермского края и в рамках программы стратегического академического лидерства «Приоритет 2030».
Отказы асинхронных двигателей можно разделить на механические и электрические. Обычно до 41 % отказов связаны с подшипниковым узлом, это происходит из-за износа металла рабочих поверхностей вследствие неправильной эксплуатации. А 37 % отказов связаны с обмоткой статора, представляющие собой замыкание соседних витков. Межвитковое короткое замыкание является наиболее распространенным видом дефекта. Это состояние характеризуется соединением двух или более витков обмотки в местах, где повреждена изоляция. Как правило, такие неисправности со временем прогрессируют и приводят к более серьезным поломкам. Предложенная учеными система позволяет выявить их заранее.
Чтобы исследовать применимость алгоритмов машинного обучения для диагностики двигателя ученые собрали лабораторный стенд. Он имитирует типовые неисправности двигателя: поломка подшипников, неисправность обмотки статора. С помощью этого стенда удалось собрать все необходимые данные для обучения модели классификатора.
Так как естественный процесс разрушения подшипника занимает много времени, ученые создали повреждения искусственно, заранее просверлив отверстия в трех подшипниках в разных местах – снаружи, внутри и в обеих обоймах.
Далее политехники в лабораторном стенде измерили токи статора электродвигателя при различных комбинациях режимов работы, с подшипниками различной степени повреждения и с различной степенью межвиткового короткого замыкания. В результате собрали 1035 единиц статистических данных, которые содержат 24% образцов для здорового двигателя, 27% образцов для неисправной обмотки статора двигателя, 24% - для неисправного подшипника и 25% для обеих неисправностей. Благодаря собранному материалу ученые обучили систему и протестировали в лабораторных условиях.
– Цель диагностической системы – определить, исправен двигатель или поврежден, поэтому общий принцип идентификации неисправностей сводится к классификации для каждого типа неисправности. Таким образом, проблема сводится к поиску алгоритмов, обеспечивающих классификацию с приемлемой точностью, – объясняет инженер кафедры «Микропроцессорные средства автоматизации» ПНИПУ Савелий Сальников.
Чтобы обучить систему определять неисправности могут быть использованы различные модели машинного обучения. Политехники сравнили некоторые из них и разработали ансамблевый подход, когда из нескольких моделей собирается одна, более эффективная. Общая идея алгоритма – последовательное применение предсказателя таким образом, что каждая последующая модель сводит ошибку предыдущей к минимуму. В итоге ученые добились улучшения всех характеристик качества классификатора. А построенные графики, которые оценивают качество классификатора, подтверждают, что предложенный подход эффективен.
– Разработанная система измеряет токи двигателя с помощью датчиков тока. Полученные результаты поступают на предварительно обученную модель классификатора, которая по этим параметрам распознает неисправность. На данный момент система работает в режиме наблюдения, однако результаты диагностики могут быть использованы для планирования скорого ремонта на предприятии, – поделился инженер кафедры «Микропроцессорные средства автоматизации» ПНИПУ Савелий Сальников.
Разработанный подход ученых Пермского Политеха позволит точно и качественно проводить диагностику неисправностей асинхронного двигателя на основе машинного обучения. Предложенная система имеет перспективы для промышленного внедрения, так как проблема особенно актуальна для ответственных двигателей в промышленном производстве. Система характеризуется низкой стоимостью за счет использования всего двух датчиков измерительного тока и высокой надежностью, может конкурировать с существующими на рынке продуктами.
Для справки:
Пермский Политех стал обладателем гранта «Приоритет 2030» в 2021 году. Его размер составил 100 млн рублей. «Приоритет 2030» является самой масштабной в истории России программой государственной поддержки и развития высших учебных заведений. Ее цель – формирование к 2030 году в России более 100 прогрессивных современных университетов, которые станут центрами научно-технологического и социально-экономического развития страны. Всего комиссия Минобрнауки РФ включила в программу «Приоритет 2030» 106 вузов из 49 городов страны, из них 60% – региональные университеты.
Контактное лицо: Ксения Старкова (написать письмо автору)
Компания: ПНИПУ (все новости этой организации)
Добавлен: 08:01, 30.08.2023
Количество просмотров: 100
Страна: Россия
| Исследование ученых Пермского Политеха улучшит долговечность 3D-изделий, ПНИПУ, 04:25, 18.12.2024, Россия |
14 |
| Аддитивные технологии широко используются в тяжелом машиностроении и позволяют создавать очень точные и сложные конструкции, что невозможно при традиционных методах. Однако неравномерные свойства этих материалов снижают срок их службы, поэтому изменения нужно отслеживать. Ученые ПНИПУ расширили экспериментальную базу программ жизненного цикла 3D-изделий, чтобы обеспечить их качество и долговечность. |
|
| Ученые Пермского Политеха улучшили модель беспламенного горения в двигателях, ПНИПУ, 03:43, 18.12.2024, Россия |
26 |
| Турбулентные завихрения, возникающие внутри авиадвигателя, перемешивают кислород с топливом, что увеличивает скорость реакции горения. Моделирование этих процессов может предсказать поведение материалов и улучшить работу двигателя. Ученые Пермского Политеха выяснили, какой показатель турбулентности корректно использовать для построения модели. |
 |
| Дан старт проекту «Наука от Первых»: площадка для прямого диалога науки, бизнеса и власти, Пресс-служба, 03:35, 18.12.2024, |
17 |
| 10 декабря 2024 года в Москве состоялся торжественный запуск проекта «Наука от Первых», ставший важным шагом на пути к объединению усилий науки, бизнеса и государства. Цель данного амбициозного проекта заключается в интеграции передовых научно-технологических решений в реальный сектор экономики России, что должно способствовать устойчивому развитию и технологическому прогрессу в стране. |
|
| Ученые Пермского Политеха предложили модель для оптимизации гибки стальных листов, ПНИПУ, 04:36, 12.12.2024, Россия |
551 |
| В строительстве часто используют холодную гибку: металлу под давлением придают определенную форму без применения высоких температур. Однако если неправильно задать условия процесса, то можно получить некачественную деталь. Ученые Пермского Политеха предложили модель для оптимизации этого метода, что поможет подобрать лучшие режимы изготовления. |
 |
|
|
|
|
|
|
Разделы //
Новости по странам //
Сегодня у нас публикуются //
|
|
