Intelligent diagnose og analyse af mekaniske fejl i højspændingsafskærmere

I moderne strømsystemer spiller højspændingsafbrydere en afgørende rolle. De sikrer sikker isolation af elektrisk udstyr eller ledninger under vedligeholdelse og pålidelighed under normal drift. Mekaniske fejl hos højspændingsafbrydere, såsom dårlig kontakt, aktuatorfejl eller træthed i strukturelle komponenter, kan alvorligt påvirke stabilitетet и сикерхедет оf дет хеле стрёмсистем. Traditionelle fejldetektionsmetoder bygger på regulær vedligeholdelse og manuelle inspektioner.

Disse metoder er ikke kun tidskrævende og arbejdskrævende, men også tilbøjelige til at overse den optimale interventionsperiode i de tidlige faser af en fejl. Med den konstante fremskridt i teknologi er intelligente diagnosticeringsteknikker opstået, der tilbyder en mere effektiv og præcis løsning for fejlmonitoring og diagnose.

Intelligente diagnosticeringstilgange, som sensorbaseret dataindsamling, dataanalyse, analyse af motorstrømssignal og resistiv spændingsmåling, kan identificere abnorme adfærd af højspændingsafbrydere i realtid, forudsige potentielle fejl og vejlede vedligeholdelsesbeslutninger. Dette forbedrer betydeligt pålideligheden og driftseffektiviteten af strømsystemet.

1 Almindelige typer mekaniske fejl i højspændingsafbrydere
1.1 Fejl med dårlig kontakt

Dårlig kontakt skyldes primært oxidation af kontaktoverflader, utilstrækkelig kontakttryk eller reduceret kontaktareal. Denne type fejl fører ofte til en stigning i modstand, hvilket påvirker ledningskapaciteten af højspændingsafbryderen. På grund af dårlig kontakt genereres mere varme, når strøm passerer gennem kontaktpunkterne. Dette accelererer ikke kun slitage af kontaktpunkterne, men forårsager også mere alvorlige termiske problemer, såsom svendefejl eller lokale overophedninger.

Dårlig kontakt kan også forårsage ustabilitet i spændingen, hvilket påvirker spændingskvaliteten i strømsystemet. Vedvarende problemer med dårlig kontakt kan let føre til en nedgang i isolationsydelser for højspændingsafbryderen, hvilket øger driftssikkerhedsrisici for systemet. Derfor er det afgørende at hurtigt opdage og behandle problemer med dårlig kontakt i højspændingsafbrydere for at sikre stabil og sikkert drift af strømsystemet.

1.2 Aktuatorfejl

Aktuatorfejl er et vigtigt problem, der påvirker ydeevnen af højspændingsafbrydere. Denne type fejl omfatter mekanisk slitage, utilstrækkelig smøring og komponentaldring. Mekanisk slitage refererer typisk til skade på drevkomponenter, som lejer og tander, under langvarige gentagne operationer. Utilstrækkelig smøring øger friktion, hvilket accelererer slitagehastigheden af mekaniske dele og reducerer aktuatoren effektivitet.

Når serviceperioden øges, mister forskellige komponenter i aktuatoren deres oprindelige egenskaber eller deformeres på grund af materialaldring, hvilket påvirker pålideligheden og sikkerheden af den samlede drift af højspændingsafbryderen. Hvis disse fejl ikke opdages og behandles i tide, kan det føre til forkert drift af højspændingsafbryderen, og i alvorlige tilfælde endda truede den stabile drift af hele strømsystemet.

1.3 Træthed og skadesfejl i strukturelle komponenter

Træthed og skadesfejl i strukturelle komponenter forekommer ofte under indflydelse af langvarige mekaniske spændinger og miljøfaktorer. Strukturelle komponenter, som stolper, forbindelsesstænger og lejer, oplever gradvist materialetræthed under virkningen af lange perioder med mekaniske spændinger, især under hyppige åbne og lukkeoperationer. Over tid akkumulerer disse spændinger sig i materialet, hvilket fører til dannelse og udvikling af mikrorisse, der sidst udvikles til betydelig mekanisk skade.

Desuden kan miljøfaktorer, som temperaturændringer, fugtighed og korrosive miljøer, accelerere træthedshastigheden af strukturelle komponenter, hvilket påvirker deres mekaniske egenskaber og serviceliv. Træthed og skadesfejl i strukturelle komponenter påvirker ikke kun den normale funktion af højspændingsafbrydere, men udgør også en trussel mod den samlede stabilitet i strømsystemet.

2 Intelligente diagnosticeringstilgange til mekaniske fejl i højspændingsafbrydere
2.1 Sensorer og dataindsamling

Sensorer spiller en vital rolle i mekanisk fejldiagnosticering af højspændingsafbrydere. De er hovedsagelig ansvarlige for at indsamle nøglefysiske parametre under udstyrsdrift, som vibration, lyd, temperatur og strøm. For højspændingsafbrydere bruges hovedsageligt vibrationsensorer, akustiske emissionsensorer samt strøm- og spændingssensorer.

Vibrationsensorer bruges til at registrere vibrationsfrekvens og -amplitude, der genereres af udstyrskomponenter under drift. Ved at analysere vibrationsdata kan det være muligt at forudsige udstyrsslitage og eksisterende fejl. Generelt bør vibrationsfrekvensen for en normalt fungerende højspændingsafbryder være inden for standardintervallet (normalt sættes tærsklen til mere end 10 gange driftsfrekvensen). Hvis den overstiger dette interval, kan det indikere en anomalitet. En skematisk tegning af en vibrationsensor vises på figur 1.

Akustiske emissionsensorer fanger lyd baseret på højt frekvente lydbølger, der genereres af materiale- eller strukturelle defekter. Under drift af en højspændingsafbryder, hvis der findes riss eller løshed, kan akustiske emissionsensorer hurtigt fange lydforskydninger, der forårsages af disse mindre deformationer eller knusninger. Principperne bag en akustisk emissionsensor vises på figur 2.

Strøm- og spændingssensorer overvåger primært ændringer i strømniveau og spænding, der passerer gennem højspændingsafbryderen. Abnorme strøm- eller spændingsmålinger fra disse sensorer indikerer normalt problemer med elektriske forbindelser eller funktionalitet.

1 - Bolthuller; 2 - Fundament;3 - Piezo-elektriske krystaller;4 - Elektronisk forstærker;5 - Terminalforbindelse

Når det kommer til dataindsamling, er den hovedsagelige opgave at konvertere data, der indsamles af sensorer, til brugbare information. Et dataindsamlingsystem består typisk af følgende tre aspekter:

• Dataindsamlingsenhed (DAU). DAU er hovedsageligt ansvarlig for at modtage analoge signaler fra forskellige sensorer og konvertere disse analoge signaler til digitale signaler. DAU sikrer, at data indsamles med passende hastighed (normalt med respons tid i millisekundets område) og med en vis præcision (normalt opnået 16 bit eller højere) for at opfylde senere bearbejdningskrav.

• Datatransmission. Indsamlede data transmitteres til en central behandlingsserver gennem et stabil kommunikationsnetværk. Denne proces afhænger ofte af trådløse kommunikationsteknologier, som Wi-Fi eller 4G/5G-netværk, som kan yderligere øge hastigheden og effektiviteten af datatransmission og reducere kompleksiteten og omkostningerne ved kabelføring.

• Datavalg og -administration. Efter vellykket datatransmission skal effektiv datavalg og -administration udføres på en server eller i skyen for at oprette en mere komplet database. Datavalg skal understøtte hurtig adgang og stor-skala dataanalyse, så der kræves højtydende databaser for at opnå dataforespørgsel og -hentning. En skematisk tegning af databasens oprettelse vises på figur 3.

Gennem sensorer og dataindsamling kan driftsstatus og ydeevneparametre for udstyr overvåges i realtid, hvilket hurtigt kan opdage potentielle defekter, give en nødvendig basis for intelligent diagnosticering af mekaniske fejl, forhindre fejl og sikre stabil drift af strømsystemet.

2.2 Dataanalyse og -behandling
2.2.1 Tid-frekvensanalyse

Tid-frekvensanalyse er en effektiv data-behandlingsmetode, der kan transformere signaler fra tidsdomænet til frekvensdomænet, hvilket afslører interne karakteristika og ændringstendenser i signaler. Almindelige tid-frekvensanalysemetoder inkluderer korttids-Fouriertransform (STFT), wavelet-transform og Wigner-Ville-distribution.

STFT udfører en lokal Fourier-transform på signalet gennem et vindue af fast størrelse, hvilket gør det velegnet til at analysere signaler, hvis frekvenser ændrer sig langsomt over tid. For eksempel, når man overvåger aktuatoren, kan STFT effektivt identificere frekvensdrift, der skyldes friktion eller strukturel løshed.

Wavelet-transform kan give vinduer af variabel størrelse, hvilket gør det velegnet til at behandle signaler med øjeblikkelige mutationsegenskaber. Ved at justere moderwavelet-funktionen kan man præcist identificere anormale vibrationer inden for et specifikt frekvensområde.

Som et avanceret tid-frekvensanalyseværktøj, til trods for at Wigner-Ville-distributionen genererer kryds-terminterferens, giver den en mere raffineret analyse af signalers tid og frekvens, hvilket gør den særligt velegnet til fejldetection i komplekse signalmiljøer.

I praksis kan kombinationen af ovennævnte tid-frekvensanalysemetoder med de originale data, der måles af sensorer, præcist overvåge og diagnosticere driftsbetingelserne for højspændingsafbrydere. Under normale driftsbetingelser kan frekvensintervallet for højspændingsafbrydere generelt opretholdes på 50-100 Hz; mens i tilfælde af dårlig kontakt, strukturel komponenttræthed og skadesfejl vil frekvensen for højspændingsafbrydere skifte betydeligt, eller nye frekvenskomponenter vil opstå.

2.2.2 Maskinlæring og mønstergenkendelse

Først, efter dataindsamling, gennem en forarbejdningssked, såsom støjeliminering og egenskabsextrahering, bliver inputdata forberedt til maskinlæringsalgoritmer. Data inkluderer frekvenskomponenter af vibrations-signaler, bølgeformegenskaber af elektriske parametre osv.

Andet, superviserede læringsalgoritmer, som Støttevektor Maskiner (SVM) og Tilfældige Skove, kan bruges til at klassificere data, der erhverves fra sensorer. Disse algoritmer er trænet til at identificere forskellige typer fejmønstre, som de unikke signalmønstre, der forårsages af dårlig kontakt eller aktuatorfejl. I praksis bliver tusinder af datapunkter indført i algoritmerne for træning for at sikre, at de kan præcist identificere fejtilstande.

Til sidst, dyb-lærings teknikker, især Convolutional Neural Networks (CNN), bruges til kompleks mønstergenkendelse. Dyb-lærings teknikker kan udtrække nyttig information fra store multidimensionale data gennem deres automatiske egenskabslærings evner, hvilket forbedrer diagnostikkens præcision. For eksempel, i et specifikt CNN-modul, er flere convolutional lag og pooling lag designet til at behandle de indsamlede video billed data for at identificere typiske fejmønstre.

2.3 Analyse af drivmotorstrømsignal

Real-tids overvågning og analyse af strømsignaler, der genereres under drift af drivmotoren, kan forudsige og diagnosticere potentielle mekaniske fejl. Analyse af drivmotorstrømsignal fokuserer generelt på at registrere små ændringer i strømsignalet for at fastlægge anomalier eller slitage af mekaniske komponenter.

Hvis der er fejl i de mekaniske komponenter af højspændingsafbryderen, såsom lejeskade, tandradslitage eller ubalance, vil det indirekte påvirke belastningen på drivmotoren, hvilket vil forårsage specifikke mønstervariationer i dens strømsignal.

Med hensyn til dataanalyse, anvendes en strømsensor til at registrere strømbølgen under normale driftsbetingelser omkring motorens strømforsyningsspole. Samplingsfrekvensen sættes normalt over 20 kHz for at fange detaljerede informationer og sikre højpræcis datafortolkning.

Med hensyn til egenskabsextrahering, anvendes Fourier-transform til at konvertere tidsdomænes strømsignalet til et frekvensdomænes signal, hvilket hjælper med at identificere harmoniske anomalier, der forårsages af mekaniske fejl. For eksempel, under fejlfri betingelser, indeholder strømsignalet fra drivmotoren hovedsageligt grundfrekvensen og dens heltalsmultiplikative harmoniske. Hvis der er en fejl, som lejeskade, vil der blive observeret nye toppe på specifikke frekvenser.

I efterfølgende dataanalyse kan statistiske metoder anvendes til at analysere de extraherede frekvenser. For eksempel, beregn amplitudændringer for hver frekvenspunkt, og træn en fejlidentifikationsmodel ved hjælp af en maskinlæringsalgoritme. Input til algoritmen er frekvensegenskaberne af strømsignalet, og output er forudsigelsen af fejltype og alvorlighed.

Ved at analysere strømsignalet, kan afvigelsen af strømsignalet kvantificeres. For eksempel, i den initiale fase af lejeskade, kan amplituden af strømharmoniske øges med 5-10 A, mens i tilfælde af tandradslitage, kan amplituden af de relevante harmoniske øges med 3-8 A. Dette giver vedligeholdelsesteamet mulighed for at præcist fastlægge udstyrstillstanden og planlægge vedligeholdelsesarbejde, hvilket undgår store strømafbrydelser, der forårsages af fejl.

2.4 Anvendelse af resistansspændingsmålingsteknologi

Resistansspændingsmålingsteknologi kan anvendes til at overvåge strukturel stress og deformation af højspændingsafbrydere. Denne teknologi realiseres gennem resistansspændingsmålere, der installeres på nøglekomponenter.

En resistansspændingsmåler er en sensor, der konverterer mekanisk deformation til et elektrisk signal. Dens arbejdsmåde er baseret på egenskaben, at resistansen for en metalleder ændres, når den deformeres under kraft. En skematisk tegning af resistansspændingsmålerstrukturen vises på figur 4.

Når man vælger resistansspændingsmålere, kan man vælge højpræcise metalfolie-resistansspændingsmålere. Disse målere har gode lineære egenskaber og stabil temperaturrespons, og de monteres normalt på positioner, hvor højspændingsafbryderen er mest stresset og mest udsat for træthed, som kontaktarm og roterende akse.

Efter valg og installation af resistansspændingsmålere, skal målerne forbindes til dataindsamlingsystemet via ledninger. Dataindsamlingsystemet er ansvarligt for at registrere resistansændringer, der transmitteres fra resistansspændingsmålere, og konvertere dem til spændingssignaler for læsning. Dataindsamlingsystemet skal have en højhastigheds samplingrate og høj opløsning for at sikre, at det kan fange hurtige spændingsændringer, der genereres under drift af højspændingsafbryderen. Den anvendte samplingrate er normalt i kilohertzområdet, og opløsningen når millivoltsniveauet.

Passende software anvendes til at behandle de indsamlede spændingssignaler. Først udføres filtrering for at fjerne mulig støjstøj, og derefter anvendes matematiske algoritmer, som Fast Fourier Transform (FFT), til at analysere signalfrekvensspektrum og extrahere spændingsdata. Spændingsdata kan konverteres for at få den faktiske stress tilstand for den pågældende komponent.

De målte spændingsdata sammenlignes med den forud opbyggede stressmodel for højspændingsafbryderen for at evaluere udstyrscurrent sundhedstilstanden. Når den overvågede stress overstiger designgrænsen, vil dataindsamlingsystemet automatisk udsende en advarselsignal for at minde drifts- og vedligeholdelsespersonale om at foretage inspektioner eller vedligeholdelse.

3 Konklusion

Denne artikel har dybtgående undersøgt de almindelige typer mekaniske fejl i højspændingsafbrydere og deres intelligente diagnosticeringstilgange. Ved at bruge intelligente diagnosticeringstilgange til mekaniske fejl i højspændingsafbrydere kan man ikke blot forbedre pålideligheden af udstyrsdrift, men også betydeligt reducere vedligeholdelsesomkostninger og optimere vedligeholdelsesbeslutningsprocessen.

Med fremskridtet i videnskab og teknologi og den øgede modenhed i dataanalyseteknologi, skal relevante personer øge forskningsinvesteringen for at forbedre intelligent diagnosticering af mekaniske fejl i højspændingsafbrydere, hvilket giver stærk støtte til stabil drift af strømsystemet.