Алгоритм детектирования и локализации отказов двигателя постоянного тока

Предмет исследования. Исследован современный подход к решению проблемы детектирования отказов двигателей постоянного тока. Предложен алгоритм онлайн-оценки работоспособности двигателя постоянного тока при различных нагрузках.

Метод. Метод детектирования основан на использовании набора наблюдателей Люенбергера полного порядка. Схема локализации построена с применением направленных генераторов рассогласования и оценки соотношений между вектором ошибки наблюдения и векторами рассогласования для различных видов отказов.

Основные результаты. Разработана процедура синтеза алгоритма детектирования и локализации отказов двигателей постоянного тока. Выполнено компьютерное моделирование на примере двигателя постоянного тока RK 370CA при условиях: отказа из-за неучтенного момента силы, действующего на ротор; отклонения входного напряжения от заданного; сбоев датчиков скорости и тока. В результате эксперимента выявлено корректное определение состояния двигателя (наличие отказа) и причины отказа. Проведено сравнение предложенного подхода с решениями, основанными на аппаратной и временной избыточностях, подходах идентификации и синтеза наблюдателей. Определено преимущество подхода — возможность детектирования и локализации отказов как по входным, так и по выходным сигналам при тривиальной процедуре синтеза и отсутствии необходимости расширения аппаратной части системы. Представленный метод применим для линейных систем второго порядка, а также может быть развит для объектов старшего порядка при необходимом изменении систем уравнений, решаемых при построении наблюдателей.

Практическая значимость. Предложенный метод позволяет производить онлайн-локализацию отказов и не требует дополнительных средств измерения, что способствует сокращению расходов на диагностику, экономии времени ремонта и обслуживания, своевременному обнаружению аварий. Результаты работы могут найти применение в разработке систем управлении двигателями постоянного тока для повышения надежности и отказоустойчивости.

1. Zhao R., Wu Y. Intelligent fault detection and diagnosis method for automatic control system based on reinforcement learning // Lecture Notes in Electrical Engineering. 2021. V. 747. P. 1459–1467. https:// doi.org/10.1007/978-981-16-0115-6_167

2. Zhang Y., Wang K., Qian X., Gendeel M. Robust fault-detection based on residual K–L divergence for wind turbines // IET Renewable Power Generation. 2019. V. 13. N 13. P. 2400–2408. https://doi. org/10.1049/iet-rpg.2018.6190

3. Lim J.K., Park C.G. Satellite fault detection and isolation scheme with modified adaptive fading EKF // Journal of Electrical Engineering and Technology. 2014. V. 9. N 4. P. 1401–1410. https://doi.

4. org/10.5370/jeet.2014.9.4.1401

5. Захаров Н.А., Калин С.В., Клепиков В.И., Подхватилин Д.С. Алгоритмическое обеспечение отказоустойчивости распределенных систем управления // Радіоелектронні і комп’ютерні системи. 2008. № 7(34). С. 43–48.

6. Лейбов Р.Л. Обнаружение, локализация и конкретизация отказов исполнительных устройств линейной системы управления // Авиакосмическое приборостроение. 2012. № 8. С. 26–35.

7. Кузнецова Т.А., Августинович В.Г. Применение нейронной сети для диагностики отказов датчиков канала обратной связи САУ ГТД // Научно-технический вестник Поволжья. 2017. № 4.

8. С. 131–133. https://doi.org/10.24153/2079-5920-2017-7-4-131-133

9. Adouni A., Abid A., Sbita L. A DC motor fault detection, isolation and identification based on a new architecture Artificial Neural Network // Proc. of the 5th International Conference on Systems and

10. Control (ICSC). 2016. P. 294–299. https://doi.org/10.1109/

11. ICoSC.2016.7507054

12. Santos L.I., Palhares R., D’Angelo M., Mendes J.B., Veloso R., Ekel P. A new scheme for fault detection and classification applied to dc motor // Trends in Computational and Applied Mathematics. 2018.

13. V. 19. N 2. P. 327–345. https://doi.org/10.5540/tema.2018.019.02.327