Diagnostika asynchronních motorů
Indukční asynchronní motor je v současné průmyslové praxi nejčastěji používaným typem pohonné jednotky. Používá se v nejrůznějších aplikacích, od zcela jednoduchých až po takové, které jsou z pohledu výrobního procesu kritické. Jeho nečekané selhání může být příčinou velkých materiálních ztrát i ohrožení zdraví a životů lidí. Předcházení poruchám a jejich včasná detekce se proto stávají nezbytnou součástí použití asynchronních motorů v praxi. Článek přináší stručný přehled diagnostických algoritmů a metod využívaných k takovýmto činnostem a poukazuje na nové trendy v této oblasti.
1. Úvod
Jak vyplývá z mnoha rozsáhlých výzkumů a šetření, asynchronní motor je celkem robustní zařízení, které, pokud pracuje v ideálních podmínkách, je spolehlivé a nenáročné na údržbu [1]. Avšak pracují-li asynchronní motory v průmyslovém prostředí, kde jsou jejich pracovní podmínky často velmi vzdáleny těm ideálním, dochází k jejich nečekaným poruchám. Stručný přehled nejčastějších poruch asynchronních motorů je uveden v kap. 2.
Obor technické provozní diagnostiky asynchronních motorů, již mnoho let rozvíjený, hledá vhodné postupy umožňující odhalit jejich poruchy s dostatečným časovým předstihem tak, aby bylo možné předejít nečekaným selháním pohonných jednotek. V technické praxi se používá množství různých metod, které vycházejí zejména z analýzy vibrací měřených na vhodných místech motoru. Používají se ale také metody založené na analýze jiných fyzikálních veličin vhodných pro diagnostiku (statorových proudů, teplot nebo rozptylových magnetických toků). Většina současného vědeckého i na praxi orientovaného úsilí v oblasti vývoje a zdokonalování diagnostických metod asynchronních motorů se soustřeďuje na získání úplných, přesných a pokud možno prediktivních diagnostických údajů pouze z analýzy elektrických veličin, konkrétně statorových proudů a napětí. Důvody jsou především snadná použitelnost a cenová nenáročnost takovéhoto řešení. Stručně je o těchto metodách pojednáno v kap. 3.
Pro včasné odhalení sledovaných poruch jsou rozhodující nejen citlivost a robustnost diagnostických algoritmů, ale i způsob jejich použití. Způsob periodického měření a sběru dat s využitím přenosných záznamníků dat a jejich následné zpracování off-line, v současné době nejčastěji používané, jsou pro mnoho kritických aplikací neakceptovatelné. Zároveň se, při stále klesající ceně elektronických prvků, nabízí velký počet možností, jak kontinuálně měřit a vyhodnocovat data a informovat uživatele o vzniklých problémech okamžitě. Tyto nové trendy a jejich příklady uvádí kap. 4.
2. Poruchy asynchronních motorů
Z nejrůznějších výzkumů vyplývá, že nejporuchovější částí asynchronního motoru jsou ložiska (obr. 1). K jejich poškození dochází zejména v důsledku nesprávné údržby, nevyváženosti zátěže anebo nesouososti mezi hřídelemi rotoru a zátěže.
Druhou třídu poruch ohrožujících asynchronní motor představují závady statoru, reprezentované zkraty mezi závity jedné fáze vinutí, mezi závity dvou různých fází či vinutím a elektrickou zemí. Poruchy statoru vznikají většinou z důvodu dlouhodobého přetěžování motoru či jako důsledek nesymetrií napájecího napětí.
Nejméně častou závadou vyskytující se u asynchronních motorů je porucha rotoru. Rotor bývá poškozen přetěžováním motoru způsobovaným častým spouštěním, nesymetrií zátěže apod.
3. Metody diagnostiky asynchronních motorů
3.1 Společné principy
Téměř každou diagnostickou metodu, ať už detekuje kteroukoliv z již zmíněných poruch, lze obecně rozdělit na tyto tři základní části či algoritmy (viz také obr. 2):
- měření a předzpracování signálu diagnostické veličiny,
- generování diagnostických příznaků,
- vyhodnocování příznaků a tvorba diagnózy.
Diagnostické signály se získávají pomocí různých snímačů (vibrací, napětí, proudu, teploty atd.) převádějících měřenou diagnostickou veličinu na elektrický signál. Ten je možné dále zpracovávat různými filtry. Výsledně je elektrický signál digitalizován analogově-číslicovým převodníkem. Digitalizovaný signál slouží jako vstupní veličina pro metody generující diagnostické příznaky.
V následujících kapitolách je předložen velmi zhuštěný přehled v praxi používaných metod a nových trendů v oblasti generování příznaků a vyhodnocování aktuálního stavu asynchronního motoru tak, jak je možné je vysledovat v současné literatuře.
3.2 Generování diagnostických příznaků
3.2.1 Přehled metod
Diagnostické příznaky lze určovat mnoha různými způsoby, např.:
- na základě analýzy signálů,
- s použitím diagnostických modelů,
- na základě heuristické informace.
3.2.2 Určení příznaků poruchy na základě analýzy signálů
Rozličných algoritmů pro určení příznaků poruchy na základě analýzy signálu v oboru diagnostiky točivých strojů bylo již publikováno mnoho. Vzhledem k omezenému rozsahu tohoto článku budou v dalším textu stručně zmíněny jen některé metody založené na analýze elektrických veličin.
Velmi často se používá metoda souměrných složek, definující transformaci nesymetrické třífázové soustavy na soustavu tří souměrných složek – sousledné, zpětné a nulové ([2],[3]). Tato transformace se využívá k převodu měřeného třífázového proudu a napětí. Získané souměrné složky jsou následně vyhodnoceny v časové či frekvenční oblasti. Získané příznaky se používají převážně k detekci poruch statoru.
Další často užívanou metodou je metoda založená na principu tzv. Parkova vektoru. Metoda převádí třífázový systém v podobě rotujících vektorů na systém ortogonální, který při symetrických podmínkách vytváří v rovině kruhový útvar. Každá nesymetrie, a tudíž i porucha motoru, znamená narušení kruhového obrazce. Zjištěné odchylky se vyhodnocují a slouží jako příznaky poruch. Podle dostupných pramenů je metoda vhodná zejména k detekci závad statoru, statické nesymetrie i závad rotoru.
Třetí metodou z oblasti generování příznaků poruchy na základě analýzy elektrických veličin, která zde bude zmíněna, je metoda vyhodnocování frekvenčního spektra statorových proudů či napětí. Tuto metodu lze s úspěchem využít především k detekci poruch rotoru. Mnoho vědeckých prací bylo publikováno i na téma detekce mechanických poruch ze spekter elektrických veličin [3]. Avšak použitelnost tohoto principu v praxi se vzhledem k nepřesvědčivosti dosažených výsledků zatím zdá být velmi sporná.
3.2.3 Použití diagnostických modelů
Další velká skupina diagnostických algoritmů je založena na principu vytváření příznaků poruch za pomoci diagnostických modelů. Jde o metody obecně vycházející z porovnání dat naměřených na reálném systému s daty poskytovanými simulačním modelem. Podle typu použitého modelu je lze rozdělit na metody založené na:
- analytických modelech,
- znalostních modelech.
Co se týče oblasti vytváření příznaků při použití analytického modelu, je již publikováno mnoho teoretických studií, které čerpají z různých typů modelů a způsobů určování diagnostických příznaků. Jejich reálná použitelnost je však v současné době velmi omezená. Je tomu tak vzhledem k jejich výpočetní náročnosti, nutnosti přesně definovat fyzikální model a k nutné znalosti mnoha parametrů diagnostikovaného objektu. Analytické modely používané k diagnostice asynchronního motoru je možné rozdělit na elektromagnetické a mechanické. Uvést zde všechny doposud popsané přístupy není pro jejich různorodost a složitost možné. Proto je dále zmíněno jen několik nejzajímavějších příkladů.
Z teorie obecného stroje, která je použita k popisu chování motoru bez poruchy i při jejím vzniku [4], zpravidla vycházejí elektromagnetické modely. Jiné metody vyplývají z již zmíněné teorie souměrných složek a zavádějí modely, které mají zlepšit výsledky dosahované samostatnou metodou souměrných složek. Oba tyto přístupy poskytují příznaky pro diagnostiku poruch statoru i rotoru. Jiný typ modelu je určen k odhadování momentu ve vzduchové mezeře. Takto definovaný model pomáhá detekovat zejména poruchy rotoru a problémy ve vzduchové mezeře motoru.
Druhou velkou skupinou analytických diagnostických modelů jsou mechanické modely, zaměřené zejména na detekci poruch ložisek a některých dalších speciálních poruch.
Metody založené na vytváření příznaků při použití znalostního modelu se snaží překonat problémy, které byly uvedeny v souvislosti s analytickými metodami, zejména nutnost znát přesný fyzikální model objektu a hodnoty jeho parametrů. V současné literatuře se lze setkat se dvěma základními přístupy, označovanými jako kvalitativní pozorovatel a kvalitativní simulátor [5]. Kvalitativní pozorovatel vychází z modelování výstupních veličin při znalosti vstupních veličin. Kvalitativní model se vytváří na základě expertních znalostí. Kvalitativní simulátor využívá metody kvalitativního usuzování nad určitou strukturou znalostí, která popisuje diagnostikovaný objekt.
3.2.4 Využití heuristické informace
Velmi důležitou skupinu diagnostických příznaků tvoří heuristické příznaky, tj. vytvářené na základě informace získané od lidského operátora. Podle lidského pozorování a kontroly lze získat heuristické údaje o úrovni hluku a vibrací, barvě, zápachu apod. Další velmi důležitou skupinou heuristických údajů jsou informace o historii provozu daného zařízení v podobě údajů o vykonaných opravách, předchozích poruchách, předpokládané době života a o provozních podmínkách.
3.3 Vyhodnocování diagnostických příznaků
Hlavním úkolem metod náležejících do této kategorie je určit konečnou diagnózu z příznaků, které tvoří výstup jednoho či několika algoritmů popsaných v předchozí kapitole.
Metody vhodné k vyhodnocování příznaků a k tvorbě výsledné diagnózy zahrnují algoritmy od zcela jednoduchých, porovnávajících vstupní příznaky s prahovými hodnotami, až po algoritmy vycházející z principů umělé inteligence. Následující text stručně popisuje nejčastěji používané metody.
Expertní systémy jsou v diagnostické praxi jednou z nejčastěji používaných metod vyhodnocování příznaků. Podle definice je úlohou diagnostického expertního systému efektivně interpretovat data s cílem určit, která z diagnóz z předem stanovené množiny cílových diagnóz nejlépe koresponduje s reálnými daty týkajícími se daného konkrétního případu. Typický diagnostický expertní systém je složen z báze znalostí, která reprezentuje vědomosti z dané problematiky, řídicího mechanismu určujícího strategii odvozování, aktuálního modelu a báze dat, která obsahuje všechny známé příznaky daného případu.
Fuzzy logické klasifikátory jsou používány tam, kde expertní znalosti o chování zdravého a poškozeného zařízení jsou známy, ale jejich přesné matematické vyjádření buď není možné nebo má podobu heuristicky vyjádřených tvrzení. Teorie fuzzy logiky poskytuje možnost navrhnout klasifikátor na základě vágní a často neúplné informace, kterou používá operátor či technik údržby při svých rozhodnutích.
Klasifikátory založené na neuronových sítích mohou být aplikovány všude tam, kde je známo pouze chování mezi vstupy a výstupy systému a k dispozici nejsou žádné informace o jeho vnitřní struktuře ani expertní znalosti. Každá neuronová síť přitom pracuje ve dvou fázích. První z nich je fáze učení (trénovací), při které se působením vstupních a výstupních signálů v podobě trénovacích příkladů adaptují váhy a prahy všech neuronů dané sítě tak, aby bylo docíleno co nejlepší aproximace požadovaného chování. Druhou fází je vlastní fáze vyhodnocování příznaků, kdy natrénovaná neuronová síť klasifikuje vektor příznaků přivedený na její vstup.
Kauzální sítě a kauzální odvozování tvoří samostatnou třídu diagnostických vyhodnocovacích metod. Kauzální sítě jsou obecně určeny k zachycení vztahu mezi příčinami a následky určitých jevů. V diagnostice asynchronního motoru je lze využít např. k zachycení vztahu mezi příčinou (tedy určitým degradačním faktorem), jejími projevy (ty mohou, ale nemusí být zjistitelné standardními diagnostickými metodami) a následky v podobě určité poruchy, která se projeví na motoru [6]. Takto navržené kauzální grafy lze využít k detekování prvotních příčin poruch motoru a k nalezení skrytých závady či souvislostí mezi poruchami.
4. Způsoby použití diagnostických metod
4.1 Základní dělení
Jak již bylo uvedeno, neméně důležitým faktorem včasné a účinné diagnostiky je i způsob použití diagnostických metod. Jinými slovy způsob, jakým jsou diagnostická data pořizována a následně zpracovávána. V principu lze rozlišit dva základní způsoby:
- off-line (následně),
- on-line (v tzv. spřaženém režimu).
4.2 Diagnostika off-line
Tento v současné době nejrozšířenější způsob využití diagnostických algoritmů se aplikuje při periodickém sběru dat (typicky s periodou v délce týdnů či měsíců) přenosnými záznamníky dat a při jejich následném zpracování off-line. Uvedený diagnostický postup většinou není automatizován a vyžaduje přítomnost technika, který data snímá a následně vyhodnocuje. Produkty pro zmíněný typ aplikací nyní nabízí mnoho firem (obr. 3).
Způsob off-line je akceptovatelný pouze v těchto dvou případech:
aplikace, ve které je asynchronní motor použit, není z pohledu výrobního procesu kritická, a nečekané selhání motoru tedy neznamená výraznější problém,
u poruch, které se v čase rozvíjejí pomalu (např. poruchy ložisek či rotoru).
Jde o způsob jednoznačně nevhodný pro diagnostiku poruch statorového vinutí, při kterých může velmi rychle dojít k úplnému zničení motoru.
4.3 Diagnostika on-line
4.3.1 Charakteristika způsobu on-line
Při použití diagnostických algoritmů způsobem on-line jsou diagnostická data snímána kontinuálně či periodicky (na rozdíl od způsobu off-line však jde o periodu s délkou řádu sekund, minut či maximálně hodin) a ihned (tedy on-line) zpracovávána a vyhodnocována. Diagnostická zařízení spadající do této kategorie většinou pracují zcela autonomně. Uživatel již dostává pouze informace o výsledných diagnózách.
4.3.2 Samostatná diagnostická zařízení
Do skupiny samostatných diagnostických zařízení patří veškeré univerzální produkty umožňující snímat a vyhodnocovat data. Tyto produkty většinou nabízejí mnoho způsobů sběru a vyhodnocování dat, takže je lze používat velmi flexibilně. Jejich nevýhodou však je relativně vysoká pořizovací cena a potřeba poměrně složitého konfigurování jako daň za flexibilitu.
4.3.3 Inteligentní motory
Takzvaný inteligentní motor je standardní asynchronní motor s integrovanými senzory a elektronikou, která umožňuje snímat diagnostická data a okamžitě je vyhodnocovat přímo na motoru. Toto řešení dovoluje umístit některé důležité snímače (např. vibrací a teploty) přímo do asynchronního motoru v optimálních pozicích vhodných z hlediska včasné detekce poruch. Navíc odpadá složité konfigurování parametrů diagnostických algoritmů, neboť ty jsou již předem nastaveny výrobcem.
Tento způsob představuje ideální řešení diagnostiky asynchronních motorů. Jeho nevýhodou je však stále ještě velká pořizovací cena. To je také jeden z důvodů, proč toto řešení výrobci doposud běžně nenabízejí. Jeden z prvních diagnostických systémů pro inteligentní třífázové motory představila pod názvem IQPreAlert firma Rockwell Automation již v roce 1997 (obr. 4). U tohoto inteligentního motoru bylo možné měřit teplotu vinutí, vibrace na předním ložisku motoru, tři statorové proudy a statorová napětí. Z uvedených veličin byly přímo na motoru určovány poruchy ložisek, rotoru a statoru. Diagnostika ložisek byla založena na principu sledování charakteristických ložiskových frekvencí a vlastních frekvencí motoru ve frekvenčním spektru vibrací. Takto bylo možné detekovat poruchu předního i zadního ložiska. Poruchy rotoru (tedy přerušené rotorové tyče či čela rotoru) byly zjišťovány ze spektra statorového proudu při znalosti počtu rotorových tyčí a frekvence otáčení. Poruchy statoru byly vyhodnocovány jednoduchým expertním systémem využívajícím jako příznaky poruch statoru měřené teploty vinutí statoru a velikosti souměrných složek statorových proudů (viz metoda souměrných složek popsaná v kap. 3.2.2). Veškeré parametry motoru, nezbytné pro správnou funkci všech diagnostických algoritmů, byly uloženy v paměti systému IQPreAlert. Proto nebylo zapotřebí složité konfigurování celého zařízení. Systém IQPreAlert byl navržen tak, že mohl být instalován na motorech malých, středních i velkých výkonů. I přes relativně vysokou cenu bylo řešení diagnostiky asynchronního motoru, nabízené systémem IQPreAlert, velmi kladně hodnoceno zákazníky i odbornou veřejností.
4.3.4 Inteligentní měniče frekvence a rozběhové měniče
Ideálním způsobem integrace diagnostických algoritmů se jeví rozšíření funkčních schopností standardních zařízení řídících chod asynchronního motorů, tedy měničů frekvence či rozběhových měničů. Tato zařízení jsou již vybavena některými důležitými snímači (např. proudů či napětí) a cena výsledného řešení, zajišťujícího zároveň i diagnostiku motoru, by byla ve srovnání se zařízeními popsanými v kap. 4.3.2 a kap. 4.3.3 nižší. Důvodem, proč taková zařízení s integrovanou diagnostikou nejsou běžně nabízena, jsou zřejmě obtíže provázející jejich vlastní realizaci. Výkonové řídicí prvky obecně vytvářejí rušení, které zpětně ovlivňuje měřená data nutná pro diagnostiku. Rušení může dosahovat takových hodnot, že jím jsou zakryty veškeré příznaky důležité z hlediska diagnostiky. I přes problémy s rušením se nicméně lze domnívat, že tento způsob použití diagnostických algoritmů má velkou budoucnost.
5. Závěr
V článku je ve stručnosti shrnut současný stav a poukázáno na nové trendy v oblasti diagnostiky asynchronních motorů. Jak je patrné z kap. 3, existuje mnoho diagnostických metod umožňujících detekovat poruchy asynchronních motorů. Jejich masovému zavedení do průmyslové praxe však brání na straně jedné jejich malá citlivost a nedostatečná robustnost a na straně druhé cena produktů, které by diagnostické funkce nabízely. Přes uvedené obtíže je ale zřejmé, že v budoucnu se prediktivní diagnostika on-line, jež je schopna nejen zjistit výskyt poruchy, ale i odhadnout dobu zbývající do selhání motoru, stane nedílnou součástí většiny aplikací využívajících asynchronní motory.
Literatura:
[1] Motors Reliability Working Group, IEEE Industry Application Society (ed.): Report of large motor reliability survey of industrial and commercial installations, Part I and Part II. IEEE Transaction on Industry Applications, July/August 1985, vol. IA-21, pp. 853–872.
[2] TRNKA, Z.: Teoretická elektrotechnika. Vydavatelství ČVUT Praha, 1960.
[3] SCHOEN, R. R.: On-Line Current-Based Condition Monitoring of Three-Phase Induction Machines. [Disertační práce.] Georgia Institute of Technology, srpen 1994.
[4] KLIMAN, G. B. – PREMERLANI, W. J. – KOEGL, R. A. – HOEWELER, D.: A new approach to on-line turn fault detection in AC motors. In: Conference Record of IEEE Industry Applications Conference, 1996.
[5] FRANK, P. M. – KÖPPEN-SELIGER, B.: New developments using AI in fault diagnosis. Engineering Applications of Artificial Intelligence, 1997, roč. 10, č. 1, s. 3–14.
[6] BEZDÍČEK, J.: Intelligent Diagnostics of Induction Motor. [Disertační práce.] ČVUT Praha, 2001.
Ing. Jan Bezdíček, Ph.D.,
Výzkumné středisko
Rockwell Automation Praha
(jbezdicek@ra.rockwell.com)
Autor absolvoval Elektrotechnickou fakultu ČVUT v Praze, obor technická kybernetika v roce 1994. Na stejné fakultě také absolvoval v roce 2002 postgraduální studium v oboru umělá inteligence a biokybernetika. Ve Výzkumném středisku Rockwell Automation v Praze je zodpovědný za řízení několika projektů, včetně diagnostických.
|