Модифицированный алгоритм диагностирования оборудования ветроэнергетической установки
DOI:
https://doi.org/10.17213/0136-3360-2023-4-173-181Ключевые слова:
техническое состояние, алгоритм диагностирования, нейронная сеть, ветроэнергетическая установкаАннотация
Предложена новая модификация алгоритма диагностирования электротехнического оборудования, направленная на сокращение количества проверок, необходимых для установления места возникновения неисправности, которая заключается в распознавании и классификации неполных последовательностей результатов проверок при помощи нейронной сети. В качестве объекта диагностирования рассмотрена ветроэнергетическая установка малой мощности (10 кВА), состоящая из ветровой турбины с горизонтальной осью вращения, синхронного генератора с возбуждением от постоянных магнитов и трехфазно-трехфазного преобразователя частоты со звеном постоянного тока. Рассмотрена проблема исследования сокращения затрат времени и ресурсов, необходимых для определения места возникновения неисправности и состояния оборудования ветроэнергетической установки. В качестве основного метода исследования использован графоаналитический метод построения алгоритма диагностирования, а также среда имитационного моделирования MatLab для создания и проверки работоспособности нейронной сети. Разработан алгоритм диагностирования оборудования ветроэнергетической установки и подготовлена нейронная сеть, позволяющая распознавать и классифицировать неполные последовательности результатов проверок. В рассмотренном случае нейронная сеть верно распознала и классифицировала 84,1 % неполных последовательностей проверок. Результаты исследования показали, что подготовленная нейронная сеть позволяет верно распознавать и классифицировать долю неполных последовательности проверок, давая возможность в случае верной классификации прогнозировать место возникновения неисправности без выполнения полного объема проверок, уменьшая затраты времени и ресурсов при диагностике технического состояния электрооборудования.
Библиографические ссылки
Клюев В.В. Технические средства диагностирования: Справочник. М.: Машиностроение, 1989. С. 672.
Осипов О.И., Усынин Ю.С. Техническая диагностика автоматизированных электроприводов. М.: Энергоатомиздат, 1991. С. 160.
Пархоменко П. П. Основы технической диагностики: Модели объектов, методы и алгоритмы диагноза. М.: Энергия, 1981. С. 320.
Мозгалевский А.В. Техническая диагностика: Непрерывные объекты. М.: Высшая школа, 1975. С. 207.
Кудрицкий В.Д. Автоматизация контроля радиоэлектронной аппаратуры. М.: Советское радио, 1977. С. 256.
Глазунов Л.П. Проектирование технических систем диагностирования. Л.: Энергоатомиздат, 1983. С. 168.
Казарин Д.В. Синтез алгоритмов диагностирования электрических цепей электропоездов // Омский научный вестник. 2009. № 3 (83). С. 133 – 136.
Мытник И.А. Разработка РТР-алгоритма для диагностирования электрооборудования // iPolytech Journal. 2013. № 6 (77). С. 166 – 169.
Ушаков К.Ю. Алгоритмы диагностирования управляемых выпрямителей // iPolytech Journal. 2011. № 6 (53). С. 137 – 141.
Дунаев М.П. Выбор алгоритма диагностирования электропривода // iPolytech Journal. 2004. № 3 (19). С. 99 – 102.
Дунаев М.П., Ушаков К.Ю. Алгоритмы диагностирования электрооборудования электровозов // iPolytech Journal. 2010. № 6 (46). С. 214 – 218.
Серебряков А.В, Стеклов А.С., Титов В.Г. Новый алгоритм технического диагностирования гребных электродвигате-лей // Вестник Южно-Уральского гос. ун-та. Серия: Энергетика. 017. № 2 (17). С. 82 – 88.
Ribeiro, R. F. Jr. Fault detection and diagnosis in electric motors using 1d convolutional neural networks with multi-channel vibration signals / R. F. Ribeiro Jr. et al. // Measurement. 2022. № 190. https://doi.org/10.1016/j.measurement.2022.110759.
Yang, Y., Haque Md. M., Bai D., Tang W. Fault Diagnosis of Electric Motors Using Deep Learning Algorithms and Its Ap-plication: A Review // Energies. 2021. № 14. http://dx.doi.org/10.3390/en14217017.