Ученые из Лионского университета, Университета Пикардии имени Жюля Верна во Франции и Политехнического университета Валенсии в Испании предложили новый способ мониторинга и диагностики электродвигателей за счет их цифровых двойников. Таким образом виртуальные копии оборудования, обновляющиеся в реальном времени за счет датчиков и вычислительных моделей, могут стать оптимальным инструментом раннего выявления повреждений и прогнозирования ремонта.
Сегодня обслуживание электродвигателей и генераторов все еще остается консервативным: оно проводится либо по жесткому графику, либо уже после выхода машины из строя. Лабораторные эксперименты позволяют исследовать отдельные дефекты, но требуют времени и затрат, а главное — не отражают всей картины работы в реальных условиях. Так, в индукционных машинах повреждения подшипников, межвитковые замыкания или дисбаланс ротора часто остаются незамеченными до аварии.
Согласно исследованию французских и испанских ученых, решением этой проблемы могут стать цифровые двойники, позволяющие переходить к предиктивному обслуживанию своих реальных прототипов благодаря современным датчикам и алгоритмам машинного обучения. Эти двойники постоянно сопоставляют поведение реальной машины с эталонной виртуальной моделью и фиксируют малейшие отклонения еще до того, как они перерастут в серьезную поломку. Например, цифровой двойник может имитировать работу двигателя при разных нагрузках, температурах и условиях износа, чтобы предсказать, когда и при каких обстоятельствах может возникнуть сбой.
Для создания таких двойников исследователи применяли разные подходы: физические модели, основанные на законах электромагнетизма и механики; схемотехнические модели с сосредоточенными параметрами; методы машинного обучения, обучающиеся на больших массивах исторических и текущих данных. Наиболее эффективным, впрочем, был признан гибридный подход, объединяющий точность физических расчетов и скорость нейросетевых алгоритмов.
Эксперименты показали, что цифровые двойники способны в реальном времени отслеживать ток, вибрацию, температуру и магнитное поле, выявляя по ним признаки износа или повреждений. При этом останавливать оборудование или использовать сложные системы мониторинга не требовалось — достаточно было подключить обычные датчики к облачной платформе. В ряде моделей удалось предсказать дефект еще до того, как он становился заметен по стандартным сигналам. В частности, применение физически информированных нейросетей ускорило моделирование в 40 раз.
Исследователи уверены, что именно эти технологии позволят в обозримом будущем отказаться от реактивного обслуживания и перейти к интеллектуальному управлению полным жизненным циклом электрических машин — от ввода в эксплуатацию до вывода из строя. Это даст промышленности возможность сократить простои и снизить расходы, а энергетике — повысить надежность и безопасность.
