Сетевое издание
Современные проблемы науки и образования
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 1,006

ПРОГНОЗИРОВАНИЕ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ ЭЛЕКТРОТЕХНИЧЕСКИХ КОМПЛЕКСОВ ГЛАВНЫХ ПРИВОДОВ МОЩНЫХ ЭКСКАВАТОРОВ

Шамаль М.А. 1 Карякин А.Л. 1
1 ФБГОУ ВПО «Уральский государственный горный университет»
Работа посвящена разработке алгоритма прогнозирования диагностических параметров электротехни-ческих комплексов главных приводов мощных экскаваторов. Зависимость технического состояния электротехнического комплекса экскаватора от горно-геологических, климатических условий эксплуа-тации, режимов работы и качества технического обслуживания значительно увеличивают трудоемкость разработки структурной модели комплекса. Кроме того, разработка структурной модели требует наличия предварительной информации о принципах и механизмах функционирования комплекса для каждого экскаватора в отдельности и для всего парка экскаваторов в целом. Поэтому предлагается в качестве основного подхода использовать функциональное моделирование. В этом случае, электротехнический комплекс может быть представлен в виде функциональной динамической системы, функционирующей в пространстве своих диагностических параметров. Оценить техническое состояние системы в будущем можно с помощью прогнозирования ее отдельных диагностических параметров. В условиях неопреде-ленности исходной информации дискретные диагностические сигналы могут быть спрогнозированы с помощью авторегрессионных методов. Применение авторегрессионных методов прогнозирования позво-ляет варьировать количество информационных признаков в зависимости от целей и задач системы тех-нической диагностики. Кроме того, нами предложена методика прогнозирования дискретных диагно-стических сигналов на основании прогнозирования их компонент разложения. При этом компоненты разложения имеют заданные свойства, что значительно облегчает настройку предиктора и увеличивает точность прогнозирования.
электротехнический комплекс экскаваторов
диагностические параметры
прогнозирование
1. Грунтович Н.В., Грачек Н.И. Комплексное техническое диагностирование электротехни-ческого оборудования – основа системы ремонтов “по состоя¬нию”// Горный журнал, 2003, №7. – С. 67 – 69.
2. Гурьев А.В. Влияние времени восстановления генераторов постоянного тока на технико-экономические показатели работы шагающих экскаваторов больших параметров// Горные машины и автоматика, 2002, №4. – С. 23 – 26.
3. Лаутеншлейгер А.А. Влияние горнотехнических условий на эксплуатации на загрузку главных приводов драглайна// Изв. вузов. Горный журнал, 1974, №9. – С. 87 – 88.
4. Гончаренко С.Н., Дементьева Е.В. Обзор отечественных и зарубежных исследований по анализу риска возникновения аварийных ситуаций на горном предприятии // Горный информационно-аналитический бюллетень (Научно-технический журнал), 2010. № 10. С. 177-185.
5. Павлов Б.В. Кибернетические методы технического диагноза. – М.: Маши¬ностроение, 1966. – 148 с.
6. Шамаль М.А., Карякин А.Л. Аппроксимация динамических рядов моделью на основе ра-диальной базисной сети. «Известия вузов. Горный журнал», 2006 г., №6, стр. 33-37.

Опыт эксплуатации электротехнических комплексов (ЭТК) электроприводов мощных экскаваторов-драглайнов показывает, что повышение показателей надежности для данных систем является одним из важных направлений в развитии экскаваторного машиностроения [1-3]. Прогнозирование технического состояния ЭТК является одной из задач технической диагностики, которая может быть решена путем прогнозирования диагностических параметров ЭТК главных приводов экскаватора.

Учет особенностей функционирования электротехнических комплексов главных приводов одноковшовых экскаваторов является основой построения алгоритмов технической диагностики и прогнозирования их технического состояния. На рис. 1 представлена общая диагностическая модель электротехнического комплекса типа «черный ящик» для дискретного времени, в которой учтено влияние результатов прогнозирования на процесс эксплуатации электротехнического комплекса.

Рис. 1. Общая диагностическая модель электротехнического комплекса для дискретного времени

Применение методов функционального моделирования позволяет идентифицировать ЭТК главных приводов как динамическую систему, функционирующую в пространстве своих информационных признаков. Следовательно, определение технического состояния комплекса в будущем может быть выполнено на основании прогнозирования его диагностических признаков. Функциональный подход является унифицированным при построении систем технической диагностики и прогнозирования состояния ЭТК для всего парка экскаваторов [4]. Алгоритм оценки технического состояния по результатам прогнозирования диагностических параметров ЭТК для векторов внешних воздействий , может быть записан в следующем виде [5]:

, (1)

где - вектор спрогнозированных значений диагностических параметров, вектор технического состояния ЭТК в будущем, - зависимость, реализуемая ЭТК , . Прогнозирование диагностических сигналов выполним на основании информации об их автокорреляционных свойствах. Для упрощения задачи прогнозирования нами предлагается разложить входную последовательность на компоненты с заданными свойствами (рис. 2).

Рис. 2. Структурная схема разложения входной последовательности

На рис. 2 представлена структурная схема декомпозиции входной дискретной последовательности диагностического сигнала с помощью весовой функции:

, (2)

где - входной сигнал, - выходной сигнал, , - вектор весовых коэффициентов, значения которых рассчитываются как [6]:

, (3)

где - масштабирующий коэффициент, определяющий ширину пропускания вектора фильтра . Функция (3) была получена нами путем поиска наилучшего решения при аппроксимации тестовых синусоидальных последовательностей. Следовательно, ее использование позволит выделить компоненты со свойствами, близкими к свойствам тестовой последовательности, что особенно важно для формирования входных векторов предиктора.

В рамках решения задачи прогнозирования можно предположить, что существуют некоторые оптимальные значения для пары параметров алгоритма декомпозиции:

, (4)

где - оптимальное число компонентов разложения, - оптимальное число компонентов входной последовательности, участвующих в прогнозировании.

Прогнозирование реальных сигналов – это непрерывный цикл адаптации модели процесса, представленного в виде дискретной последовательности, к изменяющимся внешним условиям. На рис. 3 представлена структурная схема адаптивного процесса прогнозирования временных последовательностей, где - функции фильтра и предиктора, соответственно, - прогнозируемое значение на шаг отфильтрованного дискретного сигнала . Задача оптимизации сводится к минимизации СКО общей ошибки системы

, (5)

где - ошибка аппроксимации:

, (6)

- ошибка прогнозирования:

. (7)

Рис. 3. Структурная схема разложения входной последовательности

Численные эксперименты с синусоидальными тестовыми последовательностями показали, что точность прогнозирования, в основном, определяется их стохастическими свойствами. И для каждой последовательности может быть найдена оптимальная, с точки зрения минимума СКО ошибки прогнозирования пара параметров

, (8)

где - оптимальный период упреждения, - оптимальное значение размерности вектора предиктора . На рис. 4 представлена система прогнозирования, построенная с учетом поиска оптимальных значений параметров декомпозиции (4) и настройки предиктора (8) для каждой из компонент разложения.

Рис. 4. Структурная схема разложения входной последовательности

Рассмотрим пример прогнозирования изменения сопротивления изоляции якорной цепи генератора G1H главного электропривода подъема экскаватора ЭШ 40.100. Электропривод главных механизмов экскаватора выполнен по системе генератор-двигатель (Г-Д), поэтому якорная цепь генератора соединена с двумя силовыми двигателями постоянного тока. Наблюдения проводились каждые 12 часов в период эксплуатации экскаватора с 15.04.2004 г. по 22.07.2004 г. Сопротивление изоляции измерялось мегаомметром ЭСО210/2 (измерительное напряжение 1000В) с пределом шкалы измерения 50 МОм, поэтому значения сопротивления изоляции находятся в диапазоне 0 – 50 МОм (рис. 5).

Рис. 5. Сопротивление изоляции якорной цепи генератора G1H привода подъема экскаватора ЭШ 40.100

Весь интервал наблюдений разделим на две части. Интервал отсчетов , используем для определения оптимальной структуры разложения и настройки предикторов. Оценку точности прогнозирования выполним для отсчетов , . Определим рабочий участок параметра фильтра с помощью графика (рис. 6), где - нормированная частота среза фильтра:

. (9)

Максимальное значение параметра выберем в окрестности точки перехода графика от линейного вида к нелинейному:

. (10)

Рис. 6. Графическое представление рабочего участка для параметра

Поиск оптимальной структуры декомпозиции выполним графическим методом для ряда значений , в соответствии с алгоритмом разложения

. (11)

На рис. 7 представлены графики, иллюстрирующие работу алгоритма поиска оптимальной структуры разложения для одношагового прогноза. Для рассмотренной последовательности оптимальные значения параметров равны .

Рис. 7. Графическое представление методики поиска оптимальной структуры разложения входной последовательности

Также нами были найдены и оптимальные значения параметров для каждой компоненты разложения. Результаты поиска нами не приводятся ввиду их значительного объема. На рис. 8 представлен результат прогнозирования входной последовательности. Анализ автокорреляционной функции абсолютных значений ошибки прогнозирования показал, что с вероятностью 95% последовательность является нормальным «белым шумом» со статистиками и .

Рис. 8. Графическое представление результатов прогнозирования

Проанализируем изменение СКО относительной ошибки прогнозирования от числа компонент разложения (рис. 9), участвующих в прогнозировании:

, (37)

где - СКО относительной ошибки прогнозирования компоненты .

Рис. 9. График изменения СКО относительной ошибки прогнозирования от количества используемых компонент

Рассмотренный алгоритм прост в реализации, так как для прогнозирования значений входных последовательностей используются только линейные структуры. Кроме того, алгоритм может быть настроен на требуемую относительную точность прогнозирования в зависимости от количества используемых компонент. Так, например, значение СКО относительной ошибки прогнозирования тренда для рассмотренной последовательности равно .

Рецензенты:

Носырев М.Б., д.т.н., профессор, первый проректор, ФБГОУ ВПО «Уральский государственный горный университет» Минобрнауки РФ, г. Екатеринбург.

Зобнин Б.Б., д.т.н., профессор кафедры информатики, ФБГОУ ВПО «Уральский государственный горный университет» Минобрнауки РФ, г. Екатеринбург.


Библиографическая ссылка

Шамаль М.А., Карякин А.Л. ПРОГНОЗИРОВАНИЕ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ ЭЛЕКТРОТЕХНИЧЕСКИХ КОМПЛЕКСОВ ГЛАВНЫХ ПРИВОДОВ МОЩНЫХ ЭКСКАВАТОРОВ // Современные проблемы науки и образования. – 2013. – № 5. ;
URL: https://science-education.ru/ru/article/view?id=10409 (дата обращения: 28.03.2024).

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