Разработка методов диагностики неисправностей асинхронного двигателя по сигналам тока в условиях ограниченного набора данных

Минимизация внеплановых отказов и простоев оборудования является ключевой точкой роста экономической эффективности промышленного производства. Асинхронный двигатель занимает первое место среди используемых типов электромашин, большинство частотно-регулируемых электроприводов построены на основе асинхронных электродвигателей. По различным оценкам в год из строя выходит 10-15% всего парка двигателей. Основные причины отказов двигателей в составе электроприводов связаны с повышенными нагрузками и несвоевременным техническим обслуживанием. Разработанные к настоящему моменту методы определения неисправностей показывают высокую эффективность на лабораторных установках при стационарном режиме работы. Однако в промышленных условиях двигатели часто меняют скорость и нагрузку, что приводит к существенному ухудшению точности моделей диагностики, не приспособленных к нестационарным режимам работы. Данные, соответствующие работе дефектного двигателя зачастую недоступны или доступны в ограниченном объеме. Кроме того, установка дополнительных датчиков и какое-либо вмешательство в ход технологического процесса, как правило, недопустимы. Наиболее подходящей для промышленных условий является диагностика по сигналам тока, которые можно легко и неинвазивно собрать с двигателя. В связи с этим, данное исследование направлено на решение проблемы диагностики состояния асинхронного двигателя по сигналам тока в условиях ограниченного набора данных и нестационарных режимов работы. Требуется разработать методы, способные определять состояние двигателя при смене условий его работы, шуме и «маскирующем» эффекте технологического процесса, управлении при помощи частотного преобразователя, а также частичном или полном отсутствии данных о дефектном состоянии. В ходе исследования будет разработан новый метод аугментации данных сигналов тока с двигателя, снятых при определенных значениях нагрузки и частоты питания, на другие режимы работы. Метод будет учитывать особенности спектров сигналов тока при разных режимах работы двигателя и использовать их искусственное искажение. Такое расширение обучающего набора синтетическими данными позволит далее создать нейросетевую модель диагностики, способную работать в нестационарном режиме. Для обучения модели будут использовать изображения, полученные из сигналов тока, что также является инновационным подходом. Для разработки гибридной модели диагностики двигателя будет впервые использоваться смешанный вход из вектора числовых признаков и изображений. Такой одновременный учет сетью данных разного типа обеспечит ее большую точность работы. В ходе работы над проектом будут получены следующие результаты: 1) Выявлены особенности спектров сигналов тока, соответствующих разным состояниям и режимам работы двигателя. 2) Разработан новый метод аугментации сигналов тока с двигателя, полученных при определенных значениях нагрузки и частоты питания, на другие режимы работы с помощью искажений спектра. 3) Исследованы методы преобразований синтетических и реальных сигналов тока в изображения GAF, MTF, RP, HHT, WT. 4) Разработан интеллектуальный метод диагностики неисправностей асинхронного двигателя на основе сверточной нейронной сети и ограниченного набора данных для обучения, соответствующих случаю работы дефектного двигателя, в том числе и при полном отсутствии таких данных. 5) Выделены информативные числовые статистические признаков из сигналов тока. 6) Разработана гибридная модель диагностики двигателя со смешанным входом из данных разного типа: изображений и числовых признаков, выделенных из сигналов с двигателя.