Прогнозирование диагностических параметров электротехнических комплексов главных приводов мощных экскаваторов тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат наук Шамаль, Михаил Александрович

• Шамаль, Михаил Александрович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Шамаль, Михаил Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. ПРОГНОЗИРОВАНИЕ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ ЭЛЕКТРОТЕХНИЧЕСКИХ КОМПЛЕКСОВ ГЛАВНЫХ ПРИВОДОВ МОЩНЫХ ЭКСКАВАТОРОВ

1.1. Содержание задачи технической диагностики электротехнического комплекса главных приводов мощных экскаваторов

1.1.1. Задачи и методы теории технической диагностики

1.1.2. Особенности технической диагностики ЭТК главных приводов экскаваторов

1.1.3. Программно-технические средства диагностирования

1.2. Обзор методов прогнозирования диагностических параметров электротехнического комплекса экскаватора

1.2.1. Регрессионные модели

1.2.2. Авторегрессионные модели

1.2.3. Модели экспоненциального сглаживания

1.2.4. Фильтр Калмана

1.2.5. Модели на базе цепей Маркова

1.2.6. Нейросетевые модели

1.2.7. Сравнение моделей прогнозирования

1.3. Выводы

2. РАЗРАБОТКА АЛГОРИТМА ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ДИСКРЕТНЫХ ПО

ВРЕМЕНИ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ

2.1. Фильтрация стационарных дискретных по времени последовательностей

2.1.1. Постановка задачи

2.1.2. Выбор тестовых последовательностей

2.1.3. Поиск весовой функции

2.2. Фильтрация нестационарных дискретных по времени последовательностей

2.3. Выводы

3. РАЗРАБОТКА АЛГОРИТМА АДАПТИВНОГО

ПРОГНОЗИРОВАНИЯ ДИСКРЕТНЫХ ПО ВРЕМЕНИ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ

3.1. Прогнозирование стационарных дискретных по времени последовательностей

3.1.1. Постановка задачи

3.1.2. Целевая функция предиктора

3.1.3. Целевая функция фильтра

3.1.4. Целевая функция адаптивной системы прогнозирования

3.1.5. Разработка методики параметрической настройки предиктора77

3.1.6. Разработка альтернативной методики параметрической настройки предиктора

3.2. Прогнозирование нестационарных дискретных по времени последовательностей

3.3. Выводы

4. ПРОГНОЗИРОВАНИЕ ИЗМЕНЕНИЯ ЗНАЧЕНИЙ СОПРОТИВЛЕНИЯ ИЗОЛЯЦИИ ЭЛЕКТРИЧЕСКИХ МАШИН

ГЛАВНЫХ ПРИВОДОВ ЭКСКАВАТОРА ЭШ 40.100

4.1. Поиск оптимальной структуры разложения входной последовательности

4.2. Сравнение методов обучения предиктора

4.3. Оценка результатов прогноза

4.4. Сравнение с классическими методами прогнозирования

4.5. Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

Приложение

Введение диссертации (часть автореферата) на тему «Прогнозирование диагностических параметров электротехнических комплексов главных приводов мощных экскаваторов»

ВВЕДЕНИЕ

Актуальность работы. Одной из основных актуальных задач в электротехнической отрасли была и остается задача оценки ресурса при проектировании технических систем, а также оценка выработанного и прогнозирование остаточного ресурса в период их эксплуатации [7, 9, 56, 69, 70, 79]. Для новых электротехнических комплексов более актуальной задачей является проработка вопросов повышения ресурсов на этапе проектирования и изготовления. Для объектов и систем, которые находятся в длительной эксплуатации, на первый план выходят вопросы, связанные с непрерывной диагностикой их технического состояния и определения остаточного ресурса [67, 69]. Последняя проблема -продление срока службы эксплуатируемого электрооборудования, характерна для горнодобывающей промышленности. В частности, это относится к парку шагающих экскаваторов, основное количество которых работает на российских горных предприятиях с 70-80-х годов прошлого столетия [75].

Работоспособность экскаватора зависит от исправного функционирования всех его систем, включая механическое, электрическое и рабочее оборудование. Одним из наиболее ответственных узлов экскаватора является электротехнический комплекс (ЭТК) главных приводов. Отказ электропривода одного из трех главных механизмов экскаватора - подъема, тяги или поворота - приводит к остановке всего экскаватора. При этом основной причиной неисправности ЭТК главных приводов экскаваторов являются отказы электрических машин главных приводов [16, 23], обусловленные режимами работы и влиянием горнотехнических условий эксплуатации [54, 55, 62]. К примеру, по данным исследований, проведенных сотрудниками Иркутского государственного технического университета, отказы электрических машин главных приводов на шагающих экскаваторах, эксплуатируемых в угольных разрезах Иркутской области, составляют 13% от общего числа отказов шагающих экскаваторов [38]. Прогнозирование таких диагностических параметров как сопротивление изоляции, параметров вибрации [72, 73, 76, 81], параметров теплового режима работы электрооборудования [17, 23, 34, 84] может быть использовано для раннего

выявления дефектов, вызывающих отказы электрооборудования ЭТК главных приводов экскаватора.

Так, например, сопротивление изоляции токоведущих частей электрических машин является одним из основных критериев оценки их технического состояния, так как аварии, связанные с нарушением изоляции, характеризуются тяжелыми последствиями. Как правило, разрушение изоляционных материалов происходит во время работы электрической машины и сопровождается протеканием токов короткого замыкания. Поэтому ликвидация последствий этих аварий требует значительного количества времени и средств [38]. В данном случае обмотка якорной цепи электрических машин является наиболее нагруженным элементом, поскольку подвержена механическим воздействиям, а также воздействиям, которые обусловлены протеканием электрического тока [16, 17, 23].

Целью диссертационной работы является разработка методики прогнозирования диагностических параметров технического состояния электрооборудования электротехнических комплексов главных приводов мощных экскаваторов.

Идея работы: разработка методов эффективной эксплуатации электрооборудования главных приводов экскаваторов и раннее предупреждение отказов путем прогнозирования диагностических параметров электротехнического комплекса электропривода.

Для достижения поставленной цели в работе рассматриваются следующие задачи:

1) разработка диагностической модели электротехнического комплекса главных приводов экскаваторов;

2) определение состава диагностических параметров, характеризующих техническое состояние электротехнического комплекса главных приводов одноковшовых экскаваторов;

3) разработка методики и алгоритмов предобработки входной последовательности диагностических сигналов электротехнических комплексов с це-

лью ее представления в виде суперпозиции компонентов с заданными свойствами;

4) разработка адаптивной системы прогнозирования компонентов разложения входных последовательностей диагностических сигналов электротехнических комплексов с помощью линейных предикторов;

5) определение параметров настройки линейных предикторов, влияющих на точность прогнозирования компонентов разложения входных диагностических сигналов электротехнических комплексов главных приводов одноковшовых экскаваторов;

6) постановка и решение задачи поиска оптимальной структуры разложения входных последовательностей диагностических сигналов электротехнического комплекса с использованием результатов прогнозирования компонентов разложения;

7) оценка погрешности предлагаемой методики прогнозирования параметров технического состояния электротехнического комплекса электропривода.

Автор защищает:

1) методику разложения входной дискретной последовательности диагностических сигналов электротехнического комплекса главных электроприводов одноковшовых экскаваторов на компоненты с заданными свойствами;

2) методику построения адаптивного алгоритма прогнозирования на основе предложенного алгоритма декомпозиции дискретной последовательности диагностических сигналов электротехнического комплекса;

3) методику поиска оптимальной структуры декомпозиции входной последовательности диагностических сигналов электротехнического комплекса главных электроприводов одноковшовых экскаваторов;

4) модель адаптивной системы прогнозирования дискретных диагностических сигналов электротехнического комплекса, отличающуюся структурой разложения и используемой весовой функцией фильтра.

Методы исследований. При проведении теоретических и практических исследований были использованы методы математической статистики, градиентные методы многомерной оптимизации, методы теории автоматического управления, математический аппарат нейронных сетей, положения теории информации и надежности технических систем, а также методы математического моделирования с использованием пакета программ МаЙаЬ.

Научная новизна полученных автором результатов заключается в следующем:

1) предложена и обоснована новая методика прогнозирования диагностических параметров технического состояния электрооборудования и электрических машин главных приводов одноковшовых экскаваторов, отличающаяся структурой адаптивной системы прогнозирования и весовой функцией фильтра, позволяющей выделять из входных последовательностей компоненты со свойствами детерминированных синусоидальных функций;

2) разработана новая адаптивная система прогнозирования диагностических параметров технического состояния электротехнических комплексов одноковшовых экскаваторов, отличающаяся тем, что структура модели, ее параметры и интервал упреждения являются объектами структурной и параметрической оптимизации.

Практическая ценность полученных результатов заключается в следующем:

1) линейный характер вычислений предложенного метода прогнозирования позволяет использовать его во встроенных информационных системах экскаваторов для прогнозирования диагностических параметров в режиме реального времени;

2) результаты прогнозирования могут быть использованы для организации работ по техническому обслуживанию оборудования электротехнических комплексов главных приводов экскаваторов;

3) предложенный метод может быть использован как базовый при построении более сложных систем диагностирования электротехнических ком-

плексов главных приводов экскаваторов, учитывающих взаимное влияние диагностических параметров;

4) методика разложения дискретных последовательностей диагностических параметров электротехнических комплексов может быть использована для анализа свойств регистрируемых сигналов.

Апробация работы. Основные результаты диссертационной работы докладывались на Уральской горнопромышленной декаде (Екатеринбург, 2004, 2006, 2010 и 2013г.), а также на VII Международной конференции по автоматизированному электроприводу (Иваново, 2012г.). Получено авторское свидетельство о регистрации программного комплекса «Декомпозиция диагностических параметров электротехнических комплексов экскаваторов».

Теоретические результаты работы используются в курсе «Анализ и синтез систем управления электроприводом» при подготовке магистров по направлению 10400.65 «Электроэнергетика и электротехника».

Публикации. Основные результаты работы опубликованы в трех научных статьях, опубликованных в журналах из перечня рецензируемых ведущих научных журналов и докладов.

Структура и объем работы.

Диссертационная работа объемом 135 страниц состоит из введения, четырех основных глав, заключения и списка литературы. Работа содержит 58 рисунков и 20 таблиц. Список литературы состоит из 117 наименований.

В главе 1 сформулирована задача прогнозирования технического состояния системы как задача прогнозирования его диагностических параметров. Рассмотрены методы и модели прогнозирования дискретных временных последовательностей, их достоинства и недостатки. В результате обзора определены основные требования к модели прогнозирования.

В главе 2 рассматривается вопрос разложения входных последовательностей на компоненты с требуемыми свойствами. Для этого, с помощью численных методов с использованием тестовых последовательностей, была найдена требуемая функция фильтра. Определены основные свойства фильтра и рас-

смотрен на его основе алгоритм декомпозиции входной последовательности. Определены параметры поиска оптимальной структуры разложения.

В главе 3 рассмотрен алгоритм прогнозирования компонентов разложения входной последовательности, определен физический смысл прогнозирования периодических компонентов разложения, определены параметры оптимизации процесса прогнозирования.

В главе 4 представлены результаты прогнозирования реальных временных последовательностей. На примере прогнозирования изменения сопротивления изоляции якорных цепей электрических машин главных приводов экскаватора ЭШ 40.100 показано применение алгоритмов декомпозиции и прогнозирования.

Реализация результатов работы.

Изложенные в диссертационной работе методы и алгоритмы прогнозирования диагностических параметров электрооборудования мощных шагающих экскаваторов выполнены в рамках работы по совершенствованию информационных систем экскаваторов, разрабатываемых на ОАО «Уралмашзавод».

Результаты работы использованы при разработке математического, алгоритмического и программного обеспечения для информационных систем одноковшовых экскаваторов, производства ОАО «Уралмашзавод».

1. ПРОГНОЗИРОВАНИЕ ДИАГНОСТИЧЕСКИХ ПАРАМЕТРОВ ЭЛЕКТРОТЕХНИЧЕСКИХ КОМПЛЕКСОВ ГЛАВНЫХ ПРИВОДОВ МОЩНЫХ ЭКСКАВАТОРОВ

Шагающие экскаваторы являются сложным техническим комплексом, предназначенным для выполнения вскрышных работ по бестранспортной системе разработки месторождений полезных ископаемых. Опыт эксплуатации показал, что использование мощных экскаваторов-драглайнов при бестранспортных схемах разработки позволяет значительно снизить затраты и трудоемкость ведения вскрышных горных работ. По некоторым данным, на угледобывающих предприятиях Российской Федерации перемещается около 30% от общего объема вскрышных пород [36]. При таких объемах вопрос продления сроков службы мощных экскаваторов-драглайнов стоит особенно остро. Для открытых разработок угольных месторождений вопрос поддержания в работоспособном состоянии парка мощных шагающих экскаваторов - это, как правило, вопрос функционирования всего предприятия.

Одним из возможных решений задачи продления эксплуатационного ресурса мощных экскаваторов является их модернизация, оснащение новыми системами, которые позволяют снижать нагрузки на механизмы, а также помогают выявлять дефекты и прогнозировать изменение технического состояния механического и электрического оборудования. Очевидно, что узлами, наиболее подверженными отказам в конструкции экскаватора является оборудование, работа которого связана с вращением или перемещением значительных маховых масс. Такими узлами, в первую очередь, являются механизмы, непосредственно участвующие в процессе копания: редукторы главных механизмов, лебедки приводов подъема и тяги, а также приводные электрические машины электротехнических комплексов электроприводов этих механизмов.

1.1. Содержание задачи технической диагностики электротехнического комплекса главных приводов мощных экскаваторов

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 [37, 38, 41, 62, 72, 73]. Техническое состояние объекта определяется с помощью методов и средств теории технической диагностики [33].

1.1.1. Задачи и методы теории технической диагностики

Техническая диагностика - это область знаний, охватывающая теорию, методы и средства определения технического состояния объектов [33]. Многообразие методов, используемых в технической диагностике, определяется набором задач, решаемых при определении технического состояния системы. В общем случае, задачами, решаемыми в теории технической диагностики, являются: генезис - это определение технического состояния ЭТК в некоторый прошлый момент времени, диагностирование - это определение технического состояния ЭТК в текущий момент времени и прогнозирование - в некоторый будущий момент времени рис. 1.1 [87].

Рис. 1.1. Структурная схема задач, решаемых технической диагностикой

Все методы технической диагностики основаны на использовании диагностической модели объекта диагностирования. При этом сложность диагностической модели зависит от степени формализации законов функционирования этого объекта или системы.

Электротехнический комплекс главных приводов мощных экскаваторов с точки зрения теории технической диагностики является динамической системой, которая может быть смоделирована различными способами [3, 12, 14, 15, 42, 47]. По способу представления системы модель может быть структурной, функциональной или комбинированной. Структурная модель представляет собой описание системы с точки зрения ее устройства и механизмов функционирования. Примерами таких моделей могут служить: передаточная функция, система дифференциальных функций, матричные операторы и пр.

Рассмотрим наиболее простую форму представления модели динамической системы в виде передаточной функции [3]. Данный тип модели представляет собой дифференциальный оператор, который определяет зависимость между входом и выходом линейной стационарной системы. Для линейной системы с вектором входных воздействии и выходным вектором информационных признаков х(0 передаточная функция будет иметь вид

1 Х(р)' (1Л)

где

Щр)

Жр) - преобразования Лапласа для сигналов и х(0 , со-

ответственно. В данном случае передаточная функция отражает зависимость изменения вектора выходных информационных признаков от изменения вектора входных воздействий, обусловленных износом комплекса. Более сложные модели могут состоять из систем дифференциальных уравнений, параметры которых могут быть взаимосвязаны.

В настоящее время для описания динамических систем широко применяется метод, основанный на описании пространства состояний системы [3]. Аналитическое выражение линейной системы пространства состояний динамической системы в векторно-матричной форме имеет вид

6(0 = аф(0+ви(0

x(í) = сф(0 + du(f) ' (l2)

где и(/) _ вектор воздействий на электротехнический комплекс в момент времени I, обусловленный износом его элементов, ф(0 - вектор технического

состояния комплекса и его производная Ф(0, х(0 - вектор информационных признаков технического состояния комплекса, А - матрица состояния системы, В - матрица воздействий, С - матрица выхода, О - матрица прямой связи. На рис. 1.2 представлена общая структурная модель непрерывной динамической системы электротехнического комплекса главных приводов экскаватора в виде переменных состояния [3].

Рис. 1.2. Общая структурная модель электротехнического комплекса

Метод построения модели динамической системы на основе описания пространства состояний этой системы является одним из основных методов описания динамических систем.

Ввиду того, что существуют определенные трудности при идентификации модели электротехнического комплекса главных приводов в части его взаимодействия с окружающей средой и выявления внутренних связей, существует высокая вероятность того, что структурная модель, разработанная для одного комплекса, не сможет адекватно работать на другом [29]. Поэтому рассмотрим другой подход к моделированию динамической системы электротехнического комплекса - функциональное моделирование. Предположим, что нам не известны законы функционирования электротехнического комплекса главных

приводов экскаватора. Другими словами, модель комплекса представляет собой модель типа «черный ящик» [12, 15]. Тогда оценку и прогноз технического состояния электротехнического комплекса можно выполнить на основании информации, содержащейся в регистрируемых информационных параметрах комплекса. Обобщенная функциональная модель электротехнического комплекса представлена на рис. 1.3 [79].

Е, (() - энергия окружающей среды, Е2 (() - рабочие процессы, Е3 (() - потенциальная энергия ЭТК, Е4(7) - ремонт и ТО, 11(0 - вектор воздействий, обусловленных износом элементов ЭТК, Ф(0 - техническое состояние ЭТК в момент времени ?, Х(0 -вектор значений диагностических параметров

Рис. 1.3. Обобщенная функциональная модель типа «черный ящик»

Функциональный подход к построению модели электротехнического комплекса главных приводов мощных экскаваторов позволит преодолеть проблемы с отсутствием первоначальных данных для выявления зависимостей, позволит учесть влияние окружающей среды и условий эксплуатации для каждого экскаватора в отдельности. Регистрируемая и архивируемая информация может быть использована для выявления регрессионных зависимостей между контролируемыми параметрами, что может быть использовано для построения комбинированной модели электротехнического комплекса главных приводов

экскаватора. Кроме того, функциональный подход позволяет рассмотреть задачу технической диагностики в общем - с точки зрения преобразований различных видов энергий.

Выбор вида диагностической модели ЭТК экскаватора определяет глубину поиска места отказа и набор известных методов технического диагностирования (рис. 1.4) [87, 33].

Рис. 1.4. Общие методы технического диагностирования В зависимости от точности метода и глубины поиска отказа возможно выявление и устранение дефектов на ранних стадиях их появления. Многообразие методов диагностирования объясняется многообразием существующих де-

фектов электротехнических комплексов. Целесообразность применения того или иного метода определяется исходя из особенностей конкретной задачи.

1.1.2. Особенности технической диагностики ЭТК главных приводов экскаваторов

Основной проблемой построения систем диагностики технического состояния электротехнических комплексов мощных экскаваторов является неопределенность исходной информации. На основании обзора работ в этой области [29] можно сделать вывод, что для построения системы технической диагностики необходимо производить учет влияния горно-геологических, климатических условий эксплуатации, а также учитывать организационные и технические мероприятия для каждого конкретного экскаватора.

На рис. 1.5 представлена однолинейная схема электротехнического комплекса главных приводов экскаватора ЭШ 40.100 - одного из последних экскаваторов, выпущенных ПО «Уралмаш» (сейчас ОАО «Уралмашзавод»). Питание ЭТК экскаватора получает от трехфазной сети с линейным напряжением 10 кВ. Выбор состава и мощности электрооборудования ЭТК главных приводов зависит от основных рабочих размеров экскаватора. На рис. 1.6 представлены рабочие размеры экскаватора ЭШ 40.100. Электропривод главных механизмов ЭШ 40.100, как и большинства мощных экскаваторов производства ОАО «Уралмашзавод», выполнен по системе генератор-двигатель (Г-Д). В таблице 1.1 представлены некоторые, наиболее распространенные, модели шагающих экскаваторов, производства ОАО «Уралмашзавод», включая перечень и параметры электрических машин главных приводов [32, 36].

С учетом, функционального назначения, в составе электротехнического комплекса главных электроприводов мощных экскаваторов можно выделить три основные части:

- высоковольтное оборудование;

- электрические машины главных приводов;

- система управления электроприводами главных механизмов.

-е

т«

ХА1 ¡=1400 А,

¡»«В

17

и

гг

и.

в&т -юле

т

Т¥-А

те-с 1г7

IV—в

МААС)

ТА(А,С)

__сг

у ницдс)

1400кВА '«0/й«

А20

—У ®

(У(адс)

от

ТА(А,С)

Ни(АДС}

Л.С

т 4

А30

А40

РУ(*ДС)

ЛШ1 '¡«ОкВА

ш 225ШВА

ПреоБосзоастельныя сгрегст N1

Шс)

Н1)(Л.8.С)

Т

Г

■Н

[]

аздсГнАдс)

иш

63(Ш

Шогсние

ТА(А,С)

Д,Ни{А.Ь0)

~г

Т ]

х—

А50 ТА(А,С)

[1

■1«вкВА

МЛДС)"

ПЦАД£)

2250вВА

Преобразовательный огрегст №

лш '«да»в

Д, Ни(*АС)

Т-

т

з-

«яг

тт

Ысгсние

М

Т25

еэкВА

380/205В

ПОЛЬЕМ

ТЯГА

ПОБОРОТ

Рис. 1.5. Однолинейная схема электротехнического комплекса экскаватора ЭШ 40.100

18

Рис. 1.6. Рабочие размеры экскаватора ЭШ 40.100, определяющие выбор оборудования ЭТК главных приводов

Таблица 1.1

Тип экскаватора Наименование электрической машины Тип электрической машины Мощность, кВт или кВА Напряжение, В Ток якоря, А Частота вращения, об/мин Количество

ЭШ 11.75 Сетевой двигатель ДС1250-6 1250 6000 139 1000 1

Генератор ГПЭ 1250-1000 1250 900 1389 1000 3

Электродвигатели механизмов:

Подъема МПЭ 500-560 500 440 1220 560 2

Тяги МПЭ 500-560 500 440 1220 560 2

Поворота МПЭ 260-355 260 350 825 355 2

ЭШ 15.90А Сетевой двигатель СДЭЗ-15-64-6 1900 6000 226 1000 1

Генератор ПЭ-174-7К 1450 750 1950 1000 3

Электродвигатели механизмов:

Подъема ПЭ 162-6К 680 375 1950 750 2

Тяги ПЭ 162-6К 680 375 1950 750 2

Поворота ПЭВ 143-7К 210 225 1030 460 4

ЭШ 20.90 (ЭШ 40.100) Сетевой двигатель ДСЭ2500-6-750 (ДСЭ2250-10-750) 2500 6000 (10000) 259 750 1(2)

Генератор ГПЭ 2500-750 2500 1200 2083 750 3(6)

Электродвигатели механизмов:

Подъема МПЭ 1000-630 1120 600 1980 630 2(4)

Тяги МПЭ 1000-630 1120 600 1980 630 2(4)

Поворота МПВЭ 400-400 400 440 990 400 4

ЭШ 40.85 Сетевой двигатель СДЭ2-17-69-8 2500 10000 259 750 2

Генератор ГПЭ 2500-750 2500 1200 2083 750 2

Электродвигатели механизмов:

Подъема МПЭ 1000-630 1000 600 1980 630 4

Тяги МПЭ 1000-630 1000 600 1980 630 4

Поворота МПВЭ 450-29 450 400 1330 29 4

Конструктивные особенности, условия и режимы эксплуатации, различия физических и механических свойств материалов, а также характер их взаимодействия во многом определяют надежность эксплуатации ЭТК экскаватора. В отельных случаях отказ одного из структурных элементов может привести к отказу всей системы. Среди основных факторов, влияющих на работоспособность ЭТК можно выделить воздействия окружающей среды и условий эксплуатации: перепады температуры, которые могут сопровождаться образованием конденсата на токоведущих частях; вибрация, обусловленной горнотехнологическими условиями эксплуатации; повышенное содержание пыли в воздухе, что способствует образованию между токоведущими частями и корпусом электроустановок токопроводящих мостиков, которые могут вызвать электрический пробой, и др. Все эти факторы, в первую очередь, негативно влияют на процессы старения и износа электроизоляционных материалов. Отказы, связанные с повреждением изоляции могут сопровождаться протеканием токов короткого замыкания, что значительно увеличивает время восстановления электрооборудования ЭТК экскаватора после отказа. Так, например, согласно опубликованным данным ОАО "ХК Кузбассразрезуголь", отказы электромашин постоянного тока по причине выхода из строя изоляции обмоток составляют до 65% от общего числа их отказов. При этом наиболее характерными отказами электродвигателей и генераторов главных приводов являются замыкания обмотки якоря на корпус, замыкания между секциями обмотки якоря, а также замыкания в обмотках возбуждения, обмотках дополнительных полюсов и между пластинами коллектора [38].

В ряде работ исследуются изменения параметрических характеристик электроизоляционных материалов, определяющих их срок службы [18, 25, 26, 28, 59, 60]. Основными параметрами, характеризующими состояние изоляции являются: тангенс угла диэлектрических потерь tan 5, интенсивность частичных разрядов, емкость, электрическое сопротивление изоляции. Тангенс угла диэлектрических потерь и емкость изоляции электрической машины характеризуют наличие дефектов и посторонних включений, в том числе содержание в

изоляции влаги. Частичные разряды являются одной из основных причин старения изоляции и поэтому более объективно характеризуют состояние изоляции электрической машины. На практике, в условиях горных работ наиболее распространенным способом контроля технического состояния изоляции является контроль ее электрического сопротивления. Как правило, сопротивление изоляции якорных цепей электрических машин главных электроприводов экскаваторов измеряется в начале каждой рабочей смены. Данные измерений регистрируются в бортовом журнале. Математические модели старения электроизоляционных материалов, построенные с использованием параметрических характеристик, основаны только на анализе изменений мгновенных значений параметров и не оценивают причинно-следственных связей этих изменений.

Список литературы диссертационного исследования кандидат наук Шамаль, Михаил Александрович, 2013 год

ЛИТЕРАТУРА

1. Алексеенко А.Ю., Бродский О.В., Веденев В.Н., Тонких В.Г., Хомутов С.О. Диагностика и прогнозирование состояния асинхронных двигателей на основе использования параметров их внешнего электромагнитного поля// Вестник АлтГТУ им. И.И. Ползунова, 2006. №2. С. .9-13.

2. Андерсон Т. Статистический анализ временных рядов: Пер. с англ./ Под ред. Ю. К. Беляева. - М.: Мир, 1976.

3. Бабенко А.Г. Цифровые системы управления: Учеб. пособие/ Изд-во УГГУ. Екатеринбург, 2005. 325 е.: ил.

4. Балакришнан А. Теория фильтрации Калмана: Пер. с англ. - М.: Мир, 1988.- 168 е., ил.

5. Баркова H.A., Дорошев Ю.С. Неразрушающий контроль технического состояния горных машин и оборудования: Учеб. пособие/ Владивосток: Изд-во ДВГТУ, 2009. - 157 с.

6. Баширов М. Г., Прахов И. В. Исследование взаимосвязи параметров высших гармонических составляющих токов и напряжений, генерируемых двигателем, с характерными повреждениями электропривода // Электротехнологии, электропривод и электрооборудование предприятий: матер. Всерос. науч.-технич. конф. - Уфа: Изд-во УГНТУ, 2009. - Том 2. - С. 84-86.

7. Беленький Д.М., Касьянов В.Е. Повышение надежности серийных машин путем увеличения ресурсов лимитирующих деталей// Вестник машиностроителя, 1980, №1. - С. 12 - 14.

8. Бокс Дж., Дженкинс Г. Анализ временных рядов, прогноз и управление. - М.: Мир, 1974. 406 с.

9. Болотин В.В. Прогнозирование ресурса машин и конструкций. - М.: Машиностроение, 1984. - 312 с.

10. Боровков A.A. Теория вероятности: Учеб. пособие для вузов. - 2-е изд., перераб. и доп. - М.: Наука. Гл. ред. физ.-мат. лит. 1986. - 432 с.

11. Браммер К., Зиффлинг Г. Фильтр Калмана-Бюси.: Пер. с нем. - М.: Наука. Главная редакция физико-математической литературы, 1982. - 200 с.

12. Бусленко Н.П. Моделирование сложных систем. - М.: Главная редакция физико-математической литературы, 1978. - 399 с.

13. Валеев М. А., Баширов М. Г., Шикунов В. Н., Косогорин А. Н. Диагностика технического состояния и прогнозирование ресурса электрооборудования по параметрам генерируемых высших гармоник токов и напряжений// Нефтегазопереработка и нефтехимия - 2007: матер, междунар. науч.-практ. конф. - Уфа: Изд-во ГУЛ «Институт нефтехимпереработки РБ», 2007. - С. 421422.

14. Введение в математическое моделирование: учебное пособие / под ред. П.В. Турусова. - М.: Логос, 2005. - 400 с.

15. Венников В.А., Венников Т.В. Теория подобия и моделирования. -М.: Высшая школа, 1998.-453 с.

16. Волков И.В., Думин В.В. Неисправности электроприводов экскаваторов. - М.: Недра, 1976. - 159 с.

17. Вольдек А.И. Электрические машины. - Л.: Энергия, 1978. - 832 с.

18. Воробьев В.Е., Кучер В .Я. Прогнозирование срока службы электрических машин: Письменные лекции. - СПб.: СЗТУ, 2004. - 56с.

19. Воробьев С.Н., Осипов Л.А. Регрессионный анализ: Учеб.-метод. пособие/ СПбГУАП. СПб., 2000. 66 с.

20. Гаврилов А.И. Нейросетевая реализация процедуры идентификации динамических систем// Автоматизация и современные технологии, 2002, №3. -С. 22 - 25.

21. Гашимов М. А., Мирзоева С. М., Рамазанов Н. К. Диагностика эксцентриситета электрических машин в условиях эксплуатации// Электричество: Теорет. и науч.-практ. журн. - 2005. - №6. - С. 41-45.

22. Гашимов, М. А. Аналитические методы диагностической оценки состояний электроэнергетических машин без отключения от работы// Электротехника: Науч.-техн. журн. - 2002. - N7. - С. 20-26.

23. Гемке Р.Г. Неисправности электрических машин. - Л.: Энергия, 1975.-296 с.

24. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация: Пер. с англ. - М.: Мир, 1985. - 509 е., ил.

25. Глинка Т. Я., Якубец М. С. Диагностика изоляции обмоток электрических машин постоянным током// Электротехника: Науч.-техн. журн. - 2005. -№7. - С. 20-24. -

26. Глинка Т. Я., Якубец М. С. Классификация степени старения изоляции обмоток электрических машин// Электротехника : Науч.-техн. журн. - 2005.

- №3. - С. 60-64.

27. Голд Б., Рейдер Ч. Цифровая обработка сигналов. - М., Сов. радио, 1973. - 367 с.

28. Голдберг О.Д. Надежность электрических машин общепромышленного и бытового назначения. - М.: Энергия, 1976.

29. 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.

30. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР - США СП "Параграф", 1990. - 160 с.

31. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. - 276 с.

32. Горное оборудование Уралмашзавода/ Коллектив авторов. Ответственный редактор-составитель Г.Х. Бойко. Екатеринбург: «Уральский рабочий», 2003. 240 с. с илл.

33. ГОСТ 20911-89. Техническая диагностика. Термины и определения.

- Взамен ГОСТ 20911-75; введ. 1989 - 12 - 26. - Москва: Изд-во стандартов, 1989.- 13 с.

34. Готтер Г. Нагревание и охлаждении электрических машин. Пер. с нем. М. - Л.: Госэнергоиздат, 1961. - 264 с.

35. Грешилов A.A., Стакун В.А., Стакун A.A. Математические методы построения прогнозов. - М.: Радио и связь, 1997. - 112 с.

36. Груздев A.B., Сандригайло И.Н. Шагающие драглайны// Горная промышленность, 2008, №5 (81). - С. 6.

37. Грунтович Н.В., Грачек Н.И. Комплексное техническое диагностирование электротехнического оборудования - основа системы ремонтов "по состоянию"// Горный журнал, 2003, №7. - С. 67 - 69.

38. Гурьев A.B. Влияние времени восстановления генераторов постоянного тока на технико-экономические показатели работы шагающих экскаваторов больших параметров// Горные машины и автоматика, 2002, №4. - С. 23 -26.

39. Гутов И.А. Математические модели для прогнозирования технического состояния изоляции электрооборудования// Ползуновский вестник, 2009. №4. С. 68-75.

40. Гутов И.А. Прогнозирование состояния электродвигателей на основе использования многофакторных моделей старении изоляции: Дис... канд. техн. наук: 05.20.02. - Защищена 26.12.97: Утв. - Барнаул, 1997. - 259 л.: ил.

41. Давыдов В.М., Жуков Р.В. Диагностика, как неотъемлемая часть ремонта оборудования по техническому состоянию// Безопасность труда в промышленности. - 2002. - № 3. - С. 12-14.

42. Деруссо П., Рой Р., Клоуз Ч. Пространство состояний в теории управления. -М.: Наука, 1970.

43. Дженкинс Г., Вате Д. Спектральный анализ и его применение. Выпуск 1. -М.: Мир, 1971.-317 с.

44. Дженкинс Г., Вате Д. Спектральный анализ и его применение. Выпуск 2.-М.: Мир, 1972.

45. Добеши И. Десять лекций по вейвлетам. - Ижевск: НИЦ "Регулярная и хаотическая динамика", 2001. - 464 с.

46. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование// Успехи физических наук, 2001, том 171, №5. - С. 465 - 501.

47. Заде Л.А., Дезоер Ч.А. Теория линейных систем. Метод пространства состояний: пер. с англ. / под ред. Г.С. Поспелова. - М.: Наука, 1970. -703 с.

48. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. - Киев: Техника, 1975. - 312 с.

49. Ивахненко А.Г. Обзор задач, решаемых по алгоритмам Метода Группового Учета Аргументов (МГУА)// Group Method of Data Handling [электронный ресурс]. URL: http://www.gmdh.net/articles/rus/obzorzad.pdf.

50. Ивахненко А.Г. Персептроны. - Киев: Наукова думка, 1974.

51. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического регулирования.- Киев: Техника, 1969.- 392 с.

52. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А. Поспелова.- М.: Радио и связь, 1990.- 304 с.

53. Итоги науки и техники. Сер. "Физические и математические модели нейронных сетей" / Под ред. А.А.Веденова. - М.: Изд-во ВИНИТИ, 1990-92 - Т. 1-5.

54. Карякин А.Л., Носырев., Кошкарев A.B., Раскин В.Л. Выбор мощности электродвигателей привода подъема ковша драглайна с учетом конкретных условий эксплуатации// Изв. вузов. Горный журнал, 1983, №2. - С. 102 — 108.

55. Карякин А.Л. Влияние закона управления на коэффициент тепловой загрузки электропривода поворота драглайна// В кн.: Научные основы создания высокопроизводительных и комплексно-механизированных карьеров . Науч. тр./ Моск. горн, ин-т., 1980. - С. 118, 119.

56. Касьянов В.Е., Роговенко Т.Н., Щулькин Л.П. Основы теории и практики создания надежных машин// Вестник машиностроителя, 2003, №10. -С. 3-6.

57. Кендалл М., Стьюарт А. Статистические выводы и связи.- М.: Наука, 1973.- 900 с.

58. Коридорф С.Ф. Контроль повышения температуры в зоне трения при наличии смазочной пленки// Контроль. Диагностика, 2004, №9. - С. 27 - 30.

59. Костерев H.B, Бардик Е.И. Нечеткое моделирование электрооборудования для оценки технического состояния и принятия решений о стратегии дальнейшей эксплуатации. Техшчна електродинамжа. - 2006. - Тематичний випуск "Проблеми сучасно1 електротехшки". Частина 3. Кшв, 2006, с.39-43.

60. Костерев Н.В., Бардик Е.И., Вожаков Р.В., Курач Т.Ю. Нечеткие алгоритмы оценки технического состояния и прогнозирования остаточного ресурса электрооборудования// Науков1 пращ ДонНТУ - Електротехшка i енерге-тика - 2008 - випуск 8 (140), с. 65-70.

61. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001. - 382 с.

62. Лаутеншлейгер A.A. Влияние горнотехнических условий на эксплуатации на загрузку главных приводов драглайна// Изв. вузов. Горный журнал, 1974, №9.-С. 87-88.

63. Марков В.В., Мишин В.В. Контроль подшипников качения по параметрам электрического сопротивления// Контроль. Диагностика, 2004, №9. - С. 30-41.

64. Марпл-мл. С.Л. Цифровой спектральный анализ и его применения. -М., Мир, 1990, 584 с.

65. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6/ Под общ. ред. к. т. н. В.Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002. - 496 с. - (Пакеты прикладных программ; Кн. 4).

66. Миронова И.С., Баширов М.Г., Касимова Э.Ф. Интегральные параметры для оценки технического состояния двигателей электропривода машинных агрегатов нефтегазовых производств// Современные проблемы науки и образования. - 2011. - № 3; URL: www.science-education.ru/97-4667 (дата обращения: 18.10.2013).

67. Митенков Ф.М., Коротких Ю.Г., Городов Г.Ф., Санков Е.И., Левин A.A., Карпенко С.Н., Пичков С.Н., Казаков Д.А. Определение и обоснование остаточного ресурса машиностроительных конструкций при долговременной

эксплуатации// Проблемы машиностроения и надежности машин, 1995. №1. -С. 5-13.

68. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия.- М.: Финансы и статистика, 1982. - 239 с.

69. Надежность в машиностроении: Справочник 1/ Под общ. ред. В.В. Шашкина, Г.П. Карзова. - СПб.: Политехника, 1992. - 719 е., ил. ISBN 5-73250186-Х.

70. Надежность технических систем: учебник для студ. высш. учеб. заведений/ В.Ю. Шишмарев. - М.: Издательский центр «Академия», 2010. - 304 с. ISBN 978-5-7695-6251-8.

71. Надежность электрических машин: учебник для студ. высш. учеб. заведений/ О.Д. Гольдберг, С.П. Хелемская: под ред. О.Д. Гольдберга. - М.: Издательский центр «Академия», 2010. - 288 с.

72. Островский М.С., Радкевич Я.М., Тимирязев В.А. Вибромониторинг горных машин// Горные машины и автоматика, 2002, №5. - С. 26 - 28.

73. Островский М.С., Радкевич Я.М., Тимирязев В.А. Многоуровневый алго-ритм вибромониторинга технического состояния машин// Горные машины и автоматика, 2004, №7. - С. 23 - 25.

74. Павлов Б.В. Кибернетические методы технического диагноза. - М.: Маши-ностроение, 1966. - 148 с.

75. Перелыгин В. Экскаваторы на горных работах// Основные средства, [электронный ресурс]. 2007, №1. URL: http://www.os 1 .ru/article/mining/2007_01_А_2007_04J20-17 56 01/.

76. Пивоваров Ю.Н. Интегрально-спектральные и иные показатели износа электромеханических систем при виброакустическом анализе// Вестник ОГУ, 2004, №1. - С. 161 - 162.

77. Питкин А.Н., Бессонов И.В., Мюклих X. Модернизация электрооборудования шагающего экскаватора ЭШ15.90А// Горный журнал, 2003, №12. -С. 92 - 94.

78. Применение цифровой обработки сигналов: Пер. с англ. / Под ред. А.Оппенгейма - М., Мир, 1980. - 552 с.

79. Проников A.C. Надежность машин. -М.: Машиностроение, 1978. -592 е., ил. - (Межиздательская серия «надежность и качество»).

80. Рабинер JL, Гоулд Б. Теория и практика цифровой обработки сигналов. - М., Мир, 1978. - 847 с.

81. Радкевич Я.М., Островский М.С., Тимирязев В.А. Квалиметриче-ский под-ход к оценке технического состояния машин по обобщенной вибрационной характеристике// Горные машины и автоматика, 2004, №7. - С. 25 -27.

82. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965. - 480 с.

83. Рушимский JI.3. Математическая обработка результатов эксперимента. - М.: Главная редакция физико-математической литературы изд-ва «Наука», 1971. - 192 с.

84. Соколова А.Г. Методы и средства виброакустической диагностики машин// Проблемы машиностроения и надежности машин, 1998, №5. - С. 156 -162.

85. Стратонович P.JI. Теория информации. - М.: "Сов. радио", 1975.

86. Судариков В.А. Исследование адаптивных нейросетевых алгоритмов решения задач линейной алгебры // Нейрокомпьютер, 1992. № 3,4. С. 13-20.

87. Технические средства диагностирования: Справочник/ В.В. Клюев, П.П. Пархоменко. В.Е. Абрамчук и др.; Под общ. ред. В.В. Клюева. - М.: Машиностроение, 1989. - 672 е., ил.

88. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. - Невиномысск, 2006. - 221 с.

89. Уидроу Б., Стирнз С. Адаптивная обработка сигналов: Пер. с англ. -М.: Радио и связь, 1989.

90. Уоссермен Ф. Нейрокомпьютерная техника.- М.: Мир, 1992.

91. Уралмашзавод. Экскаваторы// [электронный ресурс]. URL: http://www.uralmash.ru/files/excavator_ru.pdf.

92. Филиппов И.Ф. Вопросы охлаждения электрических машин. - М. -Л.: Энергия, 1964. - 334 с.

93. Фролов А.А., Муравьев И.П. Нейронные модели ассоциативной памяти. - М.: Наука, 1987. - 160 с.

94. Хомутов О.И. Проблема комплексной оценки изменения физикохи-мических свойств электроизоляционных материалов в реальных условиях эксплуатации электрооборудования// Ползуновский вестник, 2002. №1. С. 4-9.

95. Шамаль М.А., Карякин А.Л. Аппроксимация динамических рядов моделью на основе радиальной базисной сети// Известия вузов. Горный журнал, 2006. № 6. С. 33-37.

96. Щербатов В.В., Рапопорт О.Л., Цукублин А.Б. Моделирование теплового состояния тягового электродвигателя для прогнозирования ресурса// Известия Томского политехнического университета. 2005. Т. 308. № 7, с. 156-159.

97. Chatfield С. The analysis of time series. An introduction. 1985.

98. Colin Fyfe. Artificial Neural Networks and Information Theory. Department of Computing and Information Systems, The University of Paisley. Edition 1.2, 2000.

99. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. pp. 303 - 314.

100. Draper N., Smith H. Applied regression analysis. New York: Willey, In press, 1981.693 p.

101. Fritzke B. "A growing neural gas networks learns topologies", In Advances in Neural Information Processing Systems 7, eds. G.Tesauro, D.S.Touretzky, T.K.Leen, MIT Press, Cambridge MA, pp.625-632, 1995.

102. Girosi F., Jones M., Poggio T. "Regularization Theory and Neural Networks Architectures". Neural Computation, Vol.7, pp.219-269, 1995.

103. Hamilton, James D. Time series analysis. Princeton University Press, New Jersey, 1994.

104. Hecht-Nielsen R. "Counterpropagation networks", Applied Optics, Vol. 23, No. 26, pp. 4979-4984, 1987.

105. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. pp. 359 - 366.

106. Kochenov D.A., Rossiev D.A. Approximations of functions of C[A,B] class by neural-net predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. pp. 189-203. Tassin, France.

107. Lilliefors, H. On the Kolmogorov-Smirnov test for normality with mean and variance unknown// Journal of the American Statistical Association, 1967. Vol. 62, №318. P. 399-402.

108. Mandic D.P., Chambers J.A. Recurrent neural networks for prediction: learning algorithms, architectures, and stability. John Willey & Sons, Inc. Baffins Lane, 2001, pp. 266.

109. Martinetz T.M., Berkovich S.G., Schulten K.J. "Neural-gas network for vector quantization and its application to time-series prediction", IEEE Transactions on Neural Networks, Vol. 4, No. 4, p.558-569, 1993.

110. Prajakta S.K. Time series Forecasting using Holt-Winter Exponential Smoothing// Kanwal Rekhi School of Information Technology Journal [электронный ресурс]. 2004. 13 p. URL: http://www.it.iitb.ac.in/~praj/acads/seminar/04329008_ExponentialSmoothing.pdf.

111. Priestley M.B. Spectral Analysis and Time Series. Academic Press,

1981.

112. Roland L. Allen, Duncan W. Mills. Signal analysis: Time, Frequency, Scale and Structure. IEEE Press, vol. 1, 2, 3, 2004.

113. SiRAS for SIMINE DICONT// [электронный ресурс]. URL: http://www.industry.siemens.com/datapool/industry/industrysolutions/mining/simine/ en/SIRAS-for-SIMINE-DICONT-en.pdf.

114. Stone M.N. The generalized Weierstrass approximation theorem. Math. Mag., 1948. V.21. pp. 167-183, 237-254.

115. Walter Kölner. Gearlessly into the Mine// Metalls & Mining [электронный ресурс]. 2008, №2. URL: http://www.industry.usa.siemens.com/verticals/us/en/metals/downloadcenter/custome r_magazine/issue-2-2008/Documents/mm_2_08_low.pdf.

116. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites// 1st International Conference on Computing in an Imperfect World, UK, London, 2002. P. 60-73.

117. Zurada J. M. Introduction to artificial neural systems. PWS Publishing Company, 1992. 785 p.

ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО УРАЛЬСКИЙ ЗАВОД ТЯЖЕЛОГО МАШИНОСТРОЕНИЯ

Площадь Первой пятилетки, г. Екатеринбург, 620012 тел.: [phone], факс: [phone] [e-mail] www.uralmash.ru ОКПО 00210571 / ОГРН 1026605620689 / ИНН 6663005798 / КПП 667301001

от СУ Ov . oU"13

№

'JU-УЗ/^СЛ'

Справка

об использовании результатов диссертации Шамаля М.А. «Прогнозирование диагностических параметров электротехнических комплексов главных приводов мощных экскаваторов»

Настоящим подтверждаем, что методики и алгоритмы прогнозирования диагностических параметров электротехнических комплексов главных приводов использованы при создании информационных систем следующих экскаваторов:

1) ЭШ 20.90С №1 для ОАО ХК «Якутуголь»;

2) ЭШ 11.75 №5 для ПРУП «Кричевцементношифер», республика Беларусь;

3) ЭКГ-12А №11 для ОАО «Ковдорский ГОК».

Директор по продажам дивизиона "Горное оборудование"

Технический директор дивизиона "Горное оборудование"

Заведующий конструкторским отделом электропривода

дивизиона "Горное оборудование"

С.А. Червяков