Научный журнал
Современные наукоемкие технологии
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

ИДЕНТИФИКАЦИЯ ПОВРЕЖДЕНИЙ В СИНХРОННОЙ МАШИНЕ НА ОСНОВЕ ДИНАМИЧЕСКОЙ НЕЙРОННОЙ СЕТИ

Полищук В.И. 1 Баратова К.В. 1
1 ФГБОУ ВО «Алтайский государственный технический университет имени И.И. Ползунова»
Межвитковые замыкания в обмотке возбуждения синхронных машин влекут за собой тяжелые последствия, в то же время являются одними из самых трудноопределяемых повреждений. Выявление на ранней стадии развития такой неисправности является важной научной задачей, имеющей большое практическое значение, в особенности для синхронных генераторов большой мощности. В работе изложены материалы по разработке и настройке системы диагностики технического состояния обмотки возбуждения синхронной машины на базе методов искусственного интеллекта. В основе системы диагностики лежит динамическая искусственная нейронная сеть. Обоснована структура динамической искусственной нейронной сети, сформирован вектор входных сигналов нейроэмулятора, определен тип функции активации, показана методика обучения динамической искусственной нейронной сети и настройки диагностической системы. Экспериментально доказано, что разработанная диагностическая система на основе динамической искусственной нейронной сети способна выявлять возникновение витковых замыканий в обмотке возбуждения синхронной машины, а выходной сигнал динамической искусственной нейронной сети отражает оценку количества замкнувшихся витков в процентах. Изложенный в статье подход возможно использовать для построения интеллектуальной системы диагностики обмотки возбуждения синхронных машин.
идентификация
искусственный интеллект
динамическая нейронная сеть
синхронная машина
техническая диагностика
1. Розум Т.И., Полищук В.И. Метод выявления витковых замыканий в обмотке возбуждения синхронного генератора // Фундаментальные исследования. 2013. № 8. С. 1061–1065.
2. Белов В.С., Глезеров С.Н., Пархоменко Ю.А., Корсунский И.И., Мютель В.А., Неёлов С.М., Андрианов А., Жоголев А.С. Способ раннего обнаружения витковых замыканий и диагностирования технического состояния обмотки ротора турбогенератора с определением тока ротора по параметрам статора // Патент РФ № 2472168; Патентообладатели: Белов В.С., Глезеров С.Н., Пархоменко Ю.А., Корсунский И.И., Мютель В.А., Неёлов С.М., Андрианов А., Жоголев А.С. 2013, Бюл. № 1.
3. Дилигенская А.Н. Идентификация объектов управления: учеб. пособие. Самара: Самар. гос. техн. ун-т, 2009. 127 с.
4. Сергеев В.Л. Интегрированные системы идентификации: учебное пособие. Томск: Изд-во ТПУ, 2011. 198 с.
5. Глазырин А.С., Ланграф С.В., Козлова Л.Е., Глазырина Т.А., Тимошкин В.В., Афанасьев К.С. Разработка и исследование нейросетевого регулятора для электропривода с механической нагрузкой типа «пара трения» // Доклады Томского государственного университета систем управления и радиоэлектроники. 2011. № 1 (23). C. 171–177.
6. Иванов-Смоленский А.В. Электрические машины. М.: Энергия, 1980. 909 с.
7. Козлова Л.Е. Принцип построения архитектуры нейроэмулятора угловой скорости электропривода по схеме ТРН – АД // Научный вестник НГТУ. 2015. № 1 (58). С. 41–50.
8. Timoshkin V.V., Glazyrin A.S., Kozlova L.E. Reasoning of the use of TVR-IM electric drives of closed-loop type by the angular velocity observer for solving technological problems // Applied Mechanics and Materials. 2015. Vol. 698. Р. 131–135.
9. Вичугов В.Н. Нейросетевой метод управления на основе подкрепляемого обучения: дис. ... канд. техн. наук. Томск, 2008. 148 с.

Известен ряд способов для диагностирования такого сложного повреждения, как витковое замыкание в обмотке возбуждения синхронной машины (СМ), основанных на наличии связи между током возбуждения и величиной реактивной мощности обмотки статора [1, 2]. Главным недостатком таких способов является повышенная трудоемкость расчетов поправочных коэффициентов вследствие изменения теплового состояния машины при определении разницы между расчетным и фактическим значением тока возбуждения.

В то же время, если применить ряд системных позиций теории идентификации сложных динамических объектов [3], где в качестве настраиваемой модели применить так называемую модель типа «чёрный ящик», то это значительно усовершенствует методы диагностирования, основанные на анализе токов и напряжений статора. В отличие от классической теории описания работы электрической машины, в таких моделях отсутствуют строгие требования к явному математическому описанию системой дифференциальных или разностных уравнений динамики наблюдаемого объекта [4].

Цель исследования – доказать принципиальную возможность определения количества замкнувшихся витков обмотки возбуждения синхронной машины диагностической системой на основе нейро- эмулятора, определиться со стратегией его обучения и экспериментально проверить работоспособность и чувствительность системы к исследуемому повреждению.

За основу диагностической системы была принята динамическая искусственная нейронная сеть (ДНС) с задержкой по входу на один такт, поскольку такие ДНС помимо того, что способны запоминать предысторию процесса, а затем его прогнозировать, довольно просты в реализации. Для корректной работы таких ДНС необходимо согласовать частоты дискретизации и время задержки. Поскольку характерной особенностью при разработке ДНС является использование эмпирических знаний разработчика и при решении одной задачи у двух независимо работающих над ней исследователей будут решения, отличающиеся множеством деталей, существенным является описание решаемых задач разработки ДНС. При разработке ДНС для системы диагностики обмотки возбуждения СМ необходимо было выполнить следующие задачи:

– обосновать количество переменных подаваемых на вход ДНС;

– определиться с глубиной задержки подаваемых сигналов;

– определиться с типом функции активации нейронов скрытого слоя и с количеством слоев и нейронов в каждом скрытом слое;

– сформировать структуру ДНС в виде направленного графа и сделать математическое описание зависимости «вход – выход» как это принято в теории автоматического управления;

– разработать универсальную блочно-модульную структуру ДНС и обучить ее;

– проверить работоспособность системы при отсутствии и наличии различного количества замкнутых витков в обмотке возбуждения СМ и в различных режимах работы машины.

Формирование вектора входных сигналов нейроэмулятора

ДНС представляет собой универсальный аппроксиматор, который в случае наличия физически обусловленной неявно выраженной связи между векторами входных выходных сигналов обязательно ее выявляет [5].

Из теории электрических машин [6] известно, что изменение ЭДС статора пропорционально МДС индуцируемой обмотке возбуждения F = I?w A?вит, следовательно, изменение числа витков обмотки ротора (как и изменение тока возбуждения) должно привести к изменению ЭДС статора и также реактивной мощности машины. Взяв за основу эти физически обусловленные предпосылки, авторы пришли к следующему утверждению – для правильной работы ДНС достаточно, если на входном слое нейросети будут поданы мгновенные значения сигналов: напряжения и тока обмотки ротора, проекции в двухфазной неподвижной системе координат векторов тока и напряжения статора, значения реактивной мощности, а также задержки всех этих сигналов.

Выбор глубины задержки входных сигналов

Введение задержек превращает нейронную сеть в динамическую нейронную сеть [7], способную работать с динамически работающими объектами, каким и является синхронный генератор. Исходя из ограничений, накладываемых аппаратной частью экспериментальной установки, собранной из элементной базы, принятой в релейной защите и автоматике – верхняя граница частоты дискретизации 2400 Гц авторами была принята задержка входных сигналов Δtзадер = 500 мкс.

Определение типа функции активации, числа скрытых слоев и нейронов в скрытых слоях

Исходя из рекомендаций, изложенных в [8], авторами решено использовать в качестве функции активации нейронов скрытых слоев функцию гиперболического тангенса th(x).

Несмотря на то, что с увеличением количества скрытых слоев мощность и аппроксимирующая способность нейросети увеличивается, необходимо учесть резкие затраты времени и сложность обучения. На практике в ДНС количество слоев следует брать минимальным. Авторами принята структура ДНС с двумя скрытыми слоями, в первом скрытом слое – 35 нейронов, во втором слое – 25 нейронов.

Структура разработанной нейросети в виде направленного графа и математическое описание «вход – выход»

polih1.wmf

Рис. 1. Структура разработанной ДНС

На рис. 1 приведена структура разработанной ДНС. Математически зависимость «вход – выход» ДНС (рис. 1) определяется как мгновенная величина оценки процента pol01.wmf замкнувшихся витков обмотки возбуждения СМ по формуле

pol02.wmf

где N – число нейронов во втором скрытом слое; m – число нейронов в первом скрытом слое; n – число нейронов во входном слое; w1ji – синаптический вес i-го входа j-го нейрона первого скрытого слоя; w1j0 – сдвиг j-го нейрона первого скрытого слоя; w2ji – синаптический вес i-го входа j-го нейрона второго скрытого слоя; w2j0 – сдвиг j-го нейрона второго скрытого слоя; w3j – синаптический вес k-го входа нейрона выходного слоя; w30 – сдвиг нейрона выходного слоя; xi – входные сигналы ДНС.

Обучение ДНС

Обучение ДНС для системы диагностики синхронной машины является сложной и трудоемкой задачей, поскольку требуется либо большая база экспериментальных данных, снятых в различных режимах работы машины, либо в качестве объекта наблюдения использовать адекватную математическую модель синхронной машины. Подход к построению системы диагностики СМ заключается в том, что вход СМ и на вход ДНС поступает одинаковый вектор входных параметров u, под воздействием которого происходит изменение компонент вектора х переменных состояний СМ. Векторы х и u формируют вектор у измеряемых переменных СМ и вектор pol03.wmf, рассчитываемый оценка переменных состояний pol04.wmf наблюдателя. Сравнив векторы у и pol05.wmf, получают вектор невязки pol06.wmf. Затем определяется целевая функция ошибки наблюдения pol07.wmf. Минимизировав pol08.wmf, находим оптимальный вектор pol09.wmf параметров ДНС. Такой подход достаточно универсален, поскольку возможна настройка системы на различные виды СМ. Недостатком же является то, что из-за принимаемых допущений возникают дополнительные трудности в некоторых специфических режимах работы СМ. На рис. 2 показана разработанная авторами структура системы для настройки диагностической системы, в которой имеется ДНС в качестве настраиваемой модели. Объектом наблюдения при обучении ДНС выступает дискретная математическая модель СМ с витковым замыканием в обмотке ротора. В этой конфигурации диагностической системы невязка pol10.wmf определяется как разница между задаваемым значением замкнувшихся витков ε и её оценкой pol11.wmf, вычисленной ДНС. Целевая функция ошибки обучения ДНС pol12.wmf минимизируется pol13.wmf одним из методов глобальной оптимизации и находится оптимальный вектор w весов.

polih2.wmf

Рис. 2. Структура системы для настройки ДНС

Несмотря на то, что в качестве источника данных об объекте выступает не реальная машина, а специально разработанная дискретная модель, это не наносит влияния на качество обучения ДНС, так как саму диагностическую систему можно легко дообучить известным методом подкрепляемого обучения [9].

Наилучшим алгоритмом обучения из числа проверенных авторы посчитали алгоритм Левенберга – Марквардта, поскольку он сочетает в себе как алгоритм Ньютона, так и алгоритм наискорейшего градиентного спуска.

Само обучение ДНС заключается в нахождении минимума функции f(x) на множестве допустимых решений. Методом Левенберга – Марквардта задача решается построением последовательности точек pol14.wmf чтобы pol15.wmf. Сами точки вычисляются следующим образом:

pol16.wmf

где x0 задается расчетчиком, E – единичная матрица, μk – последовательность положительных чисел.

Задача считается решенной, если в точке xk выполняется условие pol17.wmf, или же k ≥ N, где ε1 – заданная точность расчета, а N – число итераций.

Надо признать, что процесс обучения ДНС данным методом требует, по сравнению с другими методами, значительно больших вычислительных ресурсов компьютера.

Результаты исследования и их обсуждение

Результаты экспериментальной проверки на ГАБ-4-Т/230

Активная мощность, Вт

Реактивная мощность, ВА

Ток возбуждения,

А

Количество замкнутых витков, шт ( %)

Количество замкнутых витков, шт ( %)

Процент ошибки,

%

1615

785

6,1

9 (3,6)

10 (4)

0,4

1604

640

6,45

18 (7,2)

20,5 (7,6)

1

1605

537

7

37 (14,8)

39 (15,6)

0,8

pol3.tif

Рис. 3. Принципиальная схема экспериментальной установки: ДН1-3 – датчики напряжения статора, ДТ1-3 – датчики тока статора, ДНВ, ДТВ – датчики напряжения и тока возбуждения, М – приводной двигатель, G – генератор ГАБ-2-Т/230, ПЧ преобразователь частоты, АРВ – автоматический регулятор возбуждения

Для проверки работоспособности системы диагностики виткового замыкания в обмотке возбуждения СМ была создана экспериментальная установка, объектом наблюдения в которой был синхронный генератор ГАБ-2-Т/230. На рис. 3 показана принципиальная схема экспериментальной установки. Сигналы с датчиков тока и напряжения обмотки возбуждения, расчетные значения реактивной мощности и проекции в двухфазной неподвижной системе координат векторов тока и напряжения статора, а также задержки всех этих сигналов подавались на вход заранее обученной ДНС. Задержка по времени составила 0,5 мс. Величина оценки числа замкнувшихся витков pol18.wmf в процентах отображалась на мониторе.

Правильность работы ДНС проверялась тестирующей выборкой, данные которой не отсутствовали в тренировочном наборе. В процессе обучения ДНС число замкнувшихся витков было: wкз = 0 %, wкз = 3,66 %, wкз = 7,2 %, wкз = 14,8 %, а в тестирующей выборке wкз=12 %.

Как показала проверка ДНС оказалась работоспособной и негативный эффект переобучения отсутствовал.

Результаты экспериментальной проверки работоспособности ДНС приведены в таблице.

Выводы

Результаты исследования, приведенные в статье, позволяют сделать вывод о том, что цель исследования была достигнута, а именно, доказана принципиальная возможность определения доли замкнутых витков обмотки возбуждения синхронной машины на основе разработанной авторами динамической нейронной сети.

Экспериментально доказано, что чувствительность диагностической системы к витковым замыканиям в обмотке возбуждения составила 2,5…2,7 % от общего количества витков.


Библиографическая ссылка

Полищук В.И., Баратова К.В. ИДЕНТИФИКАЦИЯ ПОВРЕЖДЕНИЙ В СИНХРОННОЙ МАШИНЕ НА ОСНОВЕ ДИНАМИЧЕСКОЙ НЕЙРОННОЙ СЕТИ // Современные наукоемкие технологии. – 2018. – № 11-2. – С. 216-221;
URL: https://top-technologies.ru/ru/article/view?id=37306 (дата обращения: 29.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674