В настоящее время значительная часть электроприводов большой мощности обслуживает технологические установки систем, относящихся к категории опасных производственных объектов [1–3].
Требования обеспечения гарантированной надежности их функционирования и ресурса во всех режимах приобретает приоритетное значение, обуславливая разработку достоверных и оперативных систем мониторинга их состояния [4–6]. Современные автоматизированные электроприводы (АЭП) как объекты диагностики представляют собой пространственно-распределенные технические системы с различной физикой процессов в элементах [7, 8]. Для идентификации их технического состояния сегодня используется большое количество методов оценки и прогнозирования их технического состояния (рис. 1) [9–12].
В этой связи актуальной задачей является адекватное сопоставление новых методов оценки ресурса и прогнозирования состояния высоковольтных АЭП ответственных технологических агрегатов.
Для реализации этой задачи рассмотрены АЭП с электродвигателями типа СТД-12500-2 и СДГ-12500 мощностью 12,5 МВт, выполнены измерения основных эксплуатационных факторов их работы в различных режимах работы в условиях действующих технологических систем и сформирована статистическая база по наиболее характерным видам повреждений [13–16]. Проведен комплексный анализ и определены 4 группы эксплуатационных факторов [17–19], влияющих на ресурс электродвигателей АЭП: нагрев изоляции обмоток статора, изменения параметров питающего напряжения, электродинамические нагрузки в стержнях и частичные разряды в изоляции обмоток.
Из классификационной схемы рис. 1 выделенные методы 1.2, 2.1 и 3.1 были подробно описаны ранее в работах авторов [20–22]. Поэтому в рамках данной статьи остановимся на новых методах 3.2 и 3.3.
Одним из эффективных методов мониторинга и прогнозирования технического состояния АЭП, как и других электромеханических систем с мегаваттными машинами (рис. 2), является хорошо апробированный в некоторых технических системах математический аппарат автоматизированной настройки параметров диагностических алгоритмов на основе искусственных нейронных сетей (ИНС), объединенных в систему принятия решений (СПР) по идентификации различных дефектов [23–25].