5. Monitorowanie i Metody diagnostyki maszyn elektrycznych
Diagnostyka wykorzystująca modele matematyczne:
- klasyczny model obwodowy - oparty na równaniach Kirchoffa
- model polowy
Powyższe metody są jednak wykorzystywane jedynie w laboratoriach pomimo, że powstają ciągle udoskonalane modele obwodowe i polowe modelujące pracę silników w warunkach asymetrii stojana i wirnika, są one wciąż za mało dokładne dla potrzeb diagnostyki. Ponadto do ich stosowania na większą skalę niezbędna jest dokładna znajomość dużej liczby parametrów konstrukcyjnych i materiałowych silnika, podczas gdy zwykle dostępne są tylko podstawowe parametry katalogowe.
- modele obserwatorów i filtrów Kalmana
- metody identyfikacji parametrów ON-LINE
Metody te intensywnie się rozwijają, ale na razie złożoność algorytmów oraz brak pełnego przejścia od parametrów schematu zastępczego do wielkości charakteryzujących uszkodzenie powoduje, że mają ograniczony zasięg zastosowań w warunkach przemysłowych. Przy nieprecyzyjnym modelu bardzo prawdopodobne byłoby powstawanie fałszywych alarmów.
Diagnostyka wykorzystująca metody analizy sygnałów:
- analiza widmowa prądów, napięć, strumieni poosiowych, drgań
- analizy wyższego rzędu: transformacja falkowa, bispectrum, STFT
Analiza FFT jest bardzo wygodnym narzędziem, ale w przypadku wielu wariantów uszkodzeń jej możliwości obliczeniowe stają się niewystarczające. Dlatego trwają prace nad transformacjami Fouriera wyższych rzędów. Techniki te pozwalają lepiej wykrywać symptomy uszkodzeń we wczesnej fazie ich powstawania. Należy oczekiwać, że w niedługiej przyszłości w te narzędzia będzie wyposażona aparatura diagnostyczna.
Diagnostyka oparta o analizę sygnałów wykorzystuje wiedzę i doświadczenie człowieka. To on dokonuje interpretacji aktualnych danych uzyskiwanych z pomiarów oraz ich analizy. Podejście to ma słaby punkt - w postaci ludzkiego eksperta, którego doświadczenie jest trudne do zautomatyzowania. Rozwiązaniem tego problemu może być trzecia droga:
Diagnostyka wykorzystująca metody sztucznej inteligencji:
- klasyfikacja (np. sieci Kohonena)
- detekcja (np. sieci neuronowe wielowarstwowe, neuro-fuzzy)
Sieci neuronowe i logikę rozmytą stosuje się do budowy tzw. detektorów uszkodzeń. Zadaniem takiej sieci jest wykrycie uszkodzenia, dokonanie jego klasyfikacji i ocena jego stopnia. Do realizacji detektorów neuronowych niezbędne jest zastosowanie szybkich procesorów sygnałowych, gdyż nie ma jeszcze przemysłowych rozwiązań układowych struktur neuronowych. Powoduje to istotne ograniczenie zasięgu takiego rozwiązania. Drugim powodem ograniczeń jest konieczność posiadania dużej bazy danych z uszkodzeń już zaistniałych lub specjalnie wywołanych. Tylko uczenie sieci neuronowej dużą ilością danych zagwarantuje prawidłowe jej działanie.