PhD Student of the Department of Systems Analysis and Informatics, Institute of Economics, Mathematics and Information Technology
аспирант кафедры системного анализа и информатики Института экономики, математики и информационных технологий
PhD in Technical Sciences, Associate Professor of the Department of Systems Analysis and Informatics, Institute of Economics, Mathematics and Information Technology
кандидат технических наук, доцент кафедры системного анализа и информатики, Институт экономики, математики и информационных технологий
In the context of industrial digital transformation, the transition from scheduled preventive maintenance to condition-based maintenance is a key factor in increasing the reliability of electric drives. Industrial frequency converters (FCs) are critical components of process chains; however, existing maintenance procedures are often economically inefficient and do not prevent sudden failures of power electronics. The aim of this study is to develop a methodology for assessing the remaining useful life (RUL) of critical components of industrial frequency converters, namely IGBT modules and DC-link capacitors, based on a hybrid analysis of real-time operational data. The authors combine physical failure models with deep learning algorithms (CNN-LSTM). To overcome the limitations of the closed architecture of industrial controllers, a two-tier data collection system based on edge computing principles is proposed. Diagnostics are performed by indirectly assessing the saturation voltage drift (VCE(ON)) and equivalent series resistance (ESR) through an analysis of spectral distortions in the output current and DC link voltage ripple. A converter technical condition classification matrix with quantitative degradation thresholds has been developed . A numerical experiment based on a historical dataset from a chemical industry plant showed that the proposed hybrid model reduces the RUL prediction error to 12-15% compared to traditional extrapolation methods, enabling the identification of pre-failure conditions conditions 160-200 hours before failure. The implementation of the developed model will enable a full transition to condition-based maintenance, thereby improving the efficiency of maintenance and repair activities.
В условиях цифровой трансформации промышленности переход от планово-предупредительных ремонтов к обслуживанию по фактическому состоянию выступает ключевым фактором повышения надежности электроприводов. Промышленные преобразователи частоты (ПЧ) являются критически важными узлами технологических цепочек, однако существующие регламенты их обслуживания часто экономически неэффективны и не предотвращают внезапные отказы силовой электроники. Цель исследования - разработка методики оценки остаточного полезного ресурса (RUL) критически важных компонентов промышленных преобразователей частоты (IGBT-модулей и конденсаторов звена постоянного тока) на основе гибридного анализа эксплуатационных данных (реального времени). Применено комплексирование физических моделей отказов и алгоритмов глубокого обучения (CNN-LSTM). Для преодоления ограничений закрытой архитектуры промышленных контроллеров предложена двухуровневая система сбора данных на принципах граничных вычислений (Edge Computing). Диагностика выполнена путем косвенной оценки дрейфа напряжения насыщения ( VCE( ON )) и эквивалентного последовательного сопротивления (ESR) через анализ спектральных искажений выходного тока и пульсаций напряжения DC-звена . Сформирована матрица классификации технических состояний преобразователя с количественными пороговыми значениями деградации. Численный эксперимент на массиве исторических данных с предприятия химической промышленности показал, что предложенная гибридная модель снижает ошибку прогнозирования RUL до 12-15 % по сравнению с традиционными методами экстраполяции, позволяя выявлять предаварийные состояния за 160-200 часов до отказа. Внедрение разработанной модели даст возможность полноценного перехода к стратегии обслуживания по фактическому состоянию, повышая эффективность мероприятий, связанных с техническим обслуживанием и ремонтом.