Исследователи из Университета Квазулу-Натал в Южной Африке разработали интеллектуальную систему для диагностики щеток заземления вала турбогенераторов. Эти щетки служат для отвода опасных токов, возникающих на вращающемся валу, и защищают подшипники от разрушения. Предложенный метод основан на анализе электрических сигналов с помощью нейросетей: система в реальном времени обрабатывает данные, поступающие с генератора, и определяет, есть ли признаки износа, загрязнения или нарушения контакта щеток. Это позволяет обнаруживать неисправности до того, как они приведут к серьезным поломкам и остановке оборудования.
Современные турбогенераторы нередко сталкиваются с проблемой паразитных напряжений на валу. Они могут возникать из-за остаточной намагниченности, асимметрии магнитного поля или воздействия силовой электроники. Такие напряжения могут достигать десятков вольт и вызывать токи, проходящие через подшипники, что приводит к повреждению смазки, локальному перегреву и износу. Чтобы предотвратить это, на валу устанавливаются заземляющие щетки, направляющие ток в землю. Однако со временем щетки изнашиваются, загрязняются или теряют контакт с валом. Если это не выявить вовремя, система защиты перестает работать, и подшипники снова оказываются под угрозой. Особенно это опасно при переменных режимах работы генератора, когда нагрузки и условия эксплуатации часто меняются.
Как правило, контроль состояния щеток осуществляется с помощью пороговых сигналов: например, если напряжение на валу превышает 5 В, система выдает тревогу. Однако такой подход часто не срабатывает вовремя: щётка может быть уже изношена, но сигналов пока нет. Или, наоборот, срабатывание происходит из-за кратковременных помех, не связанных с реальной неисправностью. Альтернативой становится визуальный осмотр, но он требует остановки машины и доступа к оборудованию, что не всегда возможно и затратно. Поэтому все больший интерес вызывает переход к интеллектуальному мониторингу — когда система анализирует форму сигнала и может определить не только факт отклонения, но и его причину.
На противоположных концах вала устанавливаются две щетки: одна измеряет напряжение (в норме около 0,9 В), вторая отводит ток (в среднем около 3,3 А). Сигналы считываются с высокой частотой — 10 000 раз в секунду, разбиваются на короткие фрагменты и преобразуются в спектрограммы — визуальные представления, отображающие изменение частотного состава сигнала во времени. Отдельно формируются изображения для тока и напряжения, которые затем подаются в сверточную нейросеть. Эта нейросеть обучена различать четыре состояния: нормальное, износ щетки, потерю контакта и загрязнение.
В процессе обучения использовались как реальные данные с турбогенераторов мощностью до 846 МВт, так и архивные записи с электростанций. Для моделирования неисправностей применяли загрязненные щетки (масло и угольная пыль), образцы с остатком менее 30% ресурса, а также намеренно нарушали контакт. Обученная модель показала высокую точность: до 99% при распознавании загрязнений и износа, 98% — при потере контакта, 95% — при отказе основной токосъемной щетки. При этом ложных срабатываний на исправные щетки не было.
Ученые планируют доработать модель, внедрив оценку остаточного ресурса и создав условия для планирования техобслуживания заранее. Для повышения точности они также рассматривают возможность использовать генеративные нейросети для создания дополнительных данных по редким типам отказов.
