Аннотация
Одной из ключевых задач для достижения улучшенных показателей энергопотребления и энергоэффективности при эксплуатации электромеханических систем с асинхронным электроприводом является разработка надёжных систем диагностики и оценка технического состояния электромеханического оборудования. Диагностика на основе интеллектуальных подходов с применением инструментов машинного обучения позволяет построить упреждающую систему для заблаговременного обнаружения дефектов оборудования и сокращения эксплуатационных расходов. В статье представлено последовательное применение сингулярного спектрального анализа (Singular Spectrum Analysis – SSA) и сингулярного разложения гармонических сигналов (Singular Value Decomposition – SVD) для обнаружения неисправностей асинхронных двигателей. Данный подход выбран на основе проведённого исследования в области методов токовой диагностики и методов анализа временных рядов. Выполнено описание математического аппарата предложенного метода с разработкой алгоритма обработки сигналов тока и напряжения. Выявление ранних стадий возникновения дефекта позволяет расширить спектр диагностируемых дефектов и неисправностей. Апробации методов выполнены на экспериментальном лабораторном стенде электропривода с разработанной системой регистрации данных. Всего в работе рассматривается четыре состояния машины при вариации нагрузки, обработка сигналов которых выполнена на языке программирования Python. Для оценки результатов разложения обобщённого тока исследуются уровень вклада и оценка миграции характерных компонент, разделённых категориально. Изменения поведения и вкладов кумулятивного вклада двух категорий демонстрируют начало появления дефекта и позволяют дифференцировать состояния машины. Таким образом, результаты эксперимента по ослаблению болтовых креплений электродвигателя доказывает эффективность применения данной методики диагностики.
Ключевые слова
асинхронный двигатель, токовая диагностика, диагностика неисправностей, сингулярное разложение, SVD, компоненты сигнала, техническое состояние, мониторинг
1. Gangsar P., Tiwari R. Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review // Mechanical Systems and Signal Processing. 2020. Vol. 144. doi: 10.1016/j.ymssp.2020.106908
2. Condition monitoring of induction machines: quantitative analysis and comparison / M. Sintoni, E. Macrelli, A. Bellini, C. Bianchini // Sensors. 2023. Vol. 23. doi: 10.3390/s23021046
3. Augmented reality system and maintenance of oil pumps / N. Koteleva, G.V. Buslaev, V. Valnev, A. Kunshin // International Journal of Engineering, Transactions B: Applications. 2020. Vol. 33(8). Pp. 1620-1628. doi: 10.5829/ije.2020.33.08b.20
4. A review of circular economy research for electric motors and the role of industry 4.0 technologies / D. Tiwari, J. Miscandlon, A. Tiwari, G.W. Jewell // Sustainability. 2021. Vol. 13. doi: 10.3390/su13179668
5. Ewert P., Kowalski C.T., Orlowska-Kowalska T. Low-cost monitoring and diagnosis system for rolling bearing faults of the induction motor based on neural network approach // Electronics. 2020. Vol. 9(9). doi: 10.3390/electronics9091334
6. Kozyaruk A.E., Tung l.V., Vasilev B.U. Improving the torque direct control method of the asynchronous motor in the converter using the active rectifier // J. Phys.: Conf. Ser. 2021. Vol. 1753. doi: 10.1088/1742-6596/1753/1/012025
7. Шибанов Д.А., Иванов С.Л., Иванов А.А. Цифровые двойники в горном машиностроении как инструмент повышения эффективности эксплуатации горных машин // Горный информационно-аналитический бюллетень. 2022. № S3-1. doi: 10.25018/0236_1493_2022_5_3_13
8. Sankararaman S. Significance, interpretation, and quantification of uncertainty in prognostics and remaining useful life prediction // Mechanical Systems and Signal Processing. 2015. Vol. 52-53. Pp. 228-247. doi: 10.1016/j.ymssp.2014.05.029
9. Short-circuit fault diagnosis on induction motors through electric current phasor analysis and fuzzy logic / J.A. Reyes-Malanche, F.J. Villalobos-Pina, E. Ramırez-Velasco, E. Cabal-Yepez, G. Hernandez-Gomez, M. Lopez-Ramirez // Energies. 2023. Vol. 16(1). 516. doi: 10.3390/en16010516
10. Bearing fault detection in induction motors using line currents / S. Muthukumaran, A. Rammohan, S. Sekar, M. Maiti, K. Bingi // ECTI Transactions on Electrical Engineering, Electronics, and Communications. 2021. Vol. 19(2). Pp. 209-219. doi: 10.37936/ecti-eec.2021192.244163.
11. Current-based detection of mechanical unbalance in an induction machine using spectral kurtosis with reference / E. Fournier, A. Picot, J. Regnier, M.T. Yamdeu, J.-M. Andrejak, P. Maussion // IEEE Transactions on Industrial Electronics. 2015. Vol. 62(3). Pp. 1879-1887. doi: 10.1109/tie.2014.2341561
12. Kompella K.D., Rao M.V.G., Rao R.S. Bearing fault detection in a 3 phase induction motor using stator current frequency spectral subtraction with various wavelet decomposition techniques // Ain Shams Engineering Journal. 2018. Vol. 9(4). Pp. 2427-2439. doi: 10.1016/j.asej.2017.06.002.
13. Silva José L.H., Marques Cardoso A.J. Bearing failures diagnosis in three-phase induction motors by extended Park's vector approach // 31st Annual Conference of IEEE Industrial Electronics Society. 2005. Pp. 2591-2596. doi: 10.1109/IECON.2005.1569315
14. A soft sensor for measuring the wear of an induction motor bearing by the park’s vector components of current and voltage / N. Koteleva, N. Korolev, Y. Zhukovskiy, G. Baranov // Sensors. 2021. Vol. 21(23). 7900. doi: 10.3390/s21237900
15. Merizalde Y., Hernández-Callejo L., Duque-Perez O. State of the art and trends in the monitoring, detection and diagnosis of failures in electric induction motors // Energies. 2017. Vol. 10(7). 1056. doi: 10.3390/en10071056
16. Report of Large Motor Reliability Survey of Industrial and Commercial Installations, Part I. // IEEE Transactions on Industry Applications. 1985. Vol. IA-21(4). Pp. 853-864. doi: 10.1109/tia.1985.349532
17. ГОСТ ИСО 10816-1-97. Вибрация. Контроль состояния машин по результатам измерений вибрации на невращающихся частях. М., 1997.
18. Thomson W. Vibration monitoring of induction motors and case histories on shaft misalignment and soft foot // Vibration Monitoring of Induction Motors: practical diagnosis of faults via industrial case studies. Cambridge: Cambridge University Press, 2020. Pp. 1-46. doi: 10.1017/9781108784887.002
19. The application of high-resolution spectral analysis for identifying multiple combined faults in induction motors / A. Garcia-Perez, R.J. Romero-Troncoso, E. Cabal-Yepez, R.A. Osornio-Rios // IEEE Transactions on Industrial Electronics. 2011. Vol. 58(5). Pp. 2002-2010. doi: 10.1109/tie.2010.2051398
20. Hachemi Benbouzid M. El. A review of induction motors signature analysis as a medium for faults detection // IEEE Transactions on Industrial Electronics. 2000. Vol. 47(5). Pp. 984-993. doi: 10.1109/41.873206.
21. Князькина В.И., Иванов С.Л. Акустический сигнал как показатель деградационных процессов при техническом обслуживании горных машин // Горный информационно-аналитический бюллетень. 2022. № 6-2. С. 223-236. doi: 10.25018/0236_1493_2022_62_0_223
22. Кузьмин О.В., Кедрин В.С. Анализ структуры гармонических рядов динамики на базе алгоритма сингулярного разложения // Проблемы управления. 2013. №1. URL: https://cyberleninka.ru/article/n/analiz-struktury-garmonicheskih-ryadov-dinamiki-na-baze-algoritma-singulyarnogo-razlozheniya (дата обращения: 22.04.2022)
23. Golyandina N., Korobeynikov A. Basic singular spectrum analysis and forecasting with R // Computational Statistics & Data Analysis. 2014. Vol. 71. Pp. 934-954. doi: 10.1016/j.csda.2013.04.009
24. Golyandina N. Particularities and commonalities of singular spectrum analysis as a method of time series analysis and signal processing // WIREs Comput Stat. 2020. Vol. 12. doi: 10.1002/wics.1487
25. Господариков А.П., Ревин И.Е., Морозов К.В. Композитная модель анализа данных сейсмического мониторинга при ведении горных работ на примере Кукисвумчоррского месторождения АО «Апатит» // Записки Горного института. 2023. Том. 262. С. 571-580. doi: 10.31897/PMI.2023.9
26. Zhukovskiy Y., Buldysko A., Revin I. induction motor bearing fault diagnosis based on singular value decomposition of the stator current // Energies. 2023. Vol. 16(8). doi: 10.3390/en16083303
27. Liang L., Liu C., Liu F. Bearing fault diagnosis based on singular value distribution of impulse response segment // ISA Transactions. 2023. Vol. 134. Pp. 511-528. doi:1016/j.isatra.2022.08.015
28. Application of improved reweighted singular value decomposition for gearbox fault diagnosis based on built-in encoder information / Y. Miao, B. Zhang, Y. Yi, J. Lin // Measurement. 2021. Vol. 168. doi: 10.1016/j.measurement.2020.108295
29. Zhao X., Ye B. Feature frequency extraction algorithm based on the singular value decomposition with changed matrix size and its application in fault diagnosis // Journal of Sound and Vibration. 2022. Vol. 526. doi: 10.1016/j.jsv.2022.116848
30. Cui L., Liu Y., Zhao D. Adaptive singular value decomposition for bearing fault diagnosis under strong noise interference // Measurement Science and Technology. 2022. Vol. 3(9). doi: 10.1088/1361-6501/ac672b
31. Feature Extraction Using Sparse Kernel Non-Negative Matrix Factorization for Rolling Element Bearing Diagnosis / L. Liang, X. Ding, F. Liu, Y. Chen, H. Wen // Sensors. 2021. vol. 21(11). P. 3680. doi: 10.3390/s21113680
32. Датчик тока LA 25-NP/SP44. Технический паспорт. URL: https://www.lem.com/images/stories/files/RU/ru/Datasheets/la_25_np_sp44.pdf (дата обращения 14.05.2023)
33. Датчик напряжения LV 25-P/SP5. Технический паспорт. URL: https://doc.platan.ru/pdf/datasheets/lem/lv25-p-sp5.pdf (дата обращения 14.05.2023)
34. Mais J. Spectrum Analysis. The key features of analyzing spectra. SKF. 2002. URL: https://www.skf.com/binaries/pub12/Images/0901d1968024acef-CM5118-EN-Spectrum-Analysis_tcm_12-113997.pdf (дата обращения 14.05.2023)
35. Кужеков С.Л., Рогачев В.А. Сравнительный анализ спектров модулей обобщенного вектора тока статора и мгновенных значений фазных токов при распознавании эксцентриситета ротора асинхронного электродвигателя // Известия вузов. Северо-Кавказский регион. Технические науки. 2008. № 4. С. 101-104.
Королёв Н.А., Булдыско А.Д., Жуковский Ю.Л. Обнаружение ранней стадии ослабления механических креплений асинхронного двигателя на основе сингулярного разложения потребляемого тока // Электротехнические системы и комплексы. 2023. № 3(60). С. 72-80. https://doi.org/10.18503/2311-8318-2023-3(60)-72-80