Діагностика асинхронного двигуна з використанням зняття зубцевих характеристик та обробки даних з використанням штучного інтелекту

Анотація

У статті розглядається інноваційний підхід до діагностики асинхронних двигунів, які є ключовими компонентами в промисловості та на залізничному транспорті, зокрема в системах автоматики та телекерування рухом поїздів. Запропонований метод базується на глибокому аналізі зубцевих гармонік у спектрі струму статора (Motor Current Signature Analysis, MCSA), що дозволяє проводити моніторинг стану двигуна в реальному часі без необхідності його зупинки. В роботі детально описано методологію, що починається зі збору даних струму статора за допомогою високочастотної дискретизації, продовжується виділенням та нормуванням зубцевих гармонік, частоти яких залежать від параметрів двигуна (кількості пазів статора та ротора, числа пар полюсів та частоти мережі). Особлива увага приділяється ідентифікації характерних частот, пов'язаних з різними видами несправностей, таких як ексцентриситет повітряного зазору (статичний та динамічний), а також пошкодження обмоток або механічні дефекти. Центральним елементом запропонованої системи є інтеграція штучного інтелекту, а саме багатошарової нейронної мережі прямого поширення (MLP), для автоматизованої обробки та класифікації отриманих спектральних даних. Вхідний шар мережі приймає вектор ознак, що включає нормовані амплітуди зубцевих та бічних гармонік. Для навчання мережі використовується метод зворотного поширення помилки з функцією втрат крос-ентропії та функцією активації ReLU у прихованих шарах, а вихідний шар використовує Softmax для класифікації чотирьох основних станів: нормальна робота, статичний ексцентриситет, динамічний ексцентриситет, та пошкодження обмоток. Наведені результати моделювання, проведені на асинхронному двигуні потужністю 5,5 кВт, підтверджують ефективність підходу. Експерименти включали симуляцію нормального стану, статичного та динамічного ексцентриситету, демонструючи значне зростання амплітуд характерних гармонік при наявності дефектів. Нейромережа, навчена на 1000 спектрах, досягла точності класифікації 94% на тестовій вибірці. Запропонований метод дозволяє не лише значно підвищити точність діагностики, але й забезпечити її оперативність, що є критично важливим для запобіжного обслуговування, зменшення експлуатаційних витрат та збільшення терміну служби обладнання в умовах безперервної роботи транспортних систем. Хоча метод чутливий до точного визначення параметрів двигуна та шумів, його подальший розвиток передбачає інтеграцію додаткових діагностичних ознак, таких як вібрація та температура, для подальшого підвищення надійності системи.