19 июня 2018г.
При эксплуатации электродвигателя очень важно учитывать его температурный режим, так как это сказывается на сроке его службы. В данной статье предлагается использовать нейронную сеть для оценки температуры двигателя.
Ключевые слова: температура, электродвигатель, нейронная сеть.
В продолжительных режимах работы важно учитывать температуру обмоток электродвигателя, которая не должна превышать предельную, установленную в соответствии с ГОСТ 8865-93 для классов нагревостойкости изоляционных материалов. Для проверки двигателя по нагреву существуют прямой и косвенные методы. Хотя прямой метод является самым точным, в нем приняты допущения, которые не учитывают неоднородность двигателя по материалу, непостоянство теплоемкости и теплоотдачи, которые зависят от скорости вращения двигателя.
В данной работе для оценки температуры предлагается использовать нейронную сеть, которая хорошо себя зарекомендовала при работе с недетерминированными объектами управления. На вход нейронной сети подаются следующие показания с датчиков: частота вращения, время работы двигателя на заданной частоте, начальная температура, момент сопротивления. Таким образом, составляется таблица для входа нейронной сети, в которой рассчитанная температура одного участка является начальной температурой для следующего.
Процесс обучения нейронной сети происходит на множестве соответствующего набора входов и выходов, в данной задаче выход один— температура. Как только нейронная сеть завершит обучение на подготовленных входных данных, она образует обобщение отношений ввода-вывода и может быть использована для точных прогнозов выходов по ранее неизвестным входам.
Для составления таблицы обучения нейронной сети были использованы результаты экспериментов, где температура снималась с датчика температуры KTY-84. Данный датчик выполнен виде тонких пластинок, которые равномерно распределены внутри двигателя. Такая конструкция позволяет учитывать неравномерность распределения температуры.
В качестве испытуемой машины взят трехфазный асинхронный двигатель фирмы Siemens 1A1112B.
Двигатель управляется преобразователем частоты фирмы Siemens PM250. Для разных частот и нагрузок сняты температурные характеристики электродвигателя. Результаты эксперимента представлены на рисунке 1.В первый момент времени двигатель крутится на частоте 50Гц и с помощью нагрузочной машины к нему приложена нагрузка 15 Н·м; в момент времени t1 к двигателю прикладывается нагрузка 19,7 Н·м и он продолжает вращаться на той же частоте. В момент равный t2 задается частота 0 и двигатель начинает тормозиться выбегом. Аналогичным образом получены температурные характеристики при различных заданиях на частоту и с разными моментами сопротивления. По результатам исследований можно сделать вывод, что постоянная нагрева меняется в процессе эксплуатации и зависит от частоты вращения, нагрузки и условий окружающей среды. Нейронная сеть адаптируется под эти изменения, тем самым делая прогнозирование точнее, чем расчетный метод.
По полученным характеристикам составляются таблицы для обучения нейронной сети для разных промежутков времени. С помощью пакета в соcтаве MATLAB NeuralNetworkToolbox и его приложения NeuralNetFitting была создана и обучена искусственная нейронная сеть на базе персептрона, а также произведена ее оценка эффективности при помощи среднеквадратичного отклонения и регрессионного анализа.
Обучение сети происходит методом Левенберга-Маркара, где функция тренировки сети, которая модифицирует значение весов и смещений, может обучить любую сеть, если ее весовые и активационные функции дифференцируемы. Результаты обучения представлены на рисунке 2.
Где
·
MSE - Средний квадрат ошибки - среднеквадратичное отклонение между выходами и целями.
Чем значения ниже, тем лучше. Ноль означает отсутствие ошибки.
·
R - Значения регрессии измеряют корреляцию между
выходами и целевыми. Значение R равное к 1 - означает тесное отношение, 0 - случайное отношение.
В данном случае среднеквадратичное отклонение при проверки обученной нейронной сети равно 2 °С, что является допустимым для оценки температуры. С помощью операции sim была осуществлена проверка корректности работы нейронной сети.
Нейронная сесть, обученная на экспериментальных исследованиях, позволяет в дальнейшем для оценки температуры двигателя не производить никаких расчетов и дополнительных исследований. Достаточно только на ее вход ввести условия работы двигателя и получить результат в виде температуры, какую показал бы датчик. Результат можно использовать для дальнейшего анализа перегрузки и недогрузки двигателя.
Список литературы
1. Н.Ф. Ильинский «Основы электропривода» Издательство МЭИ
2. Р. Каллан «Основные концепции нейронных сетей» Издательство «Вильямс»
