تشخیص هوشمند و تحلیل خرابی های مکانیکی در دستگاه های قطع کننده فشار قوی

در سیستم‌های قدرت مدرن، شیرهای جداکننده فشار بالا نقش مهمی ایفا می‌کنند. آنها اطمینان از جداسازی ایمن تجهیزات یا خطوط برق را در زمان نگهداری و قابلیت اطمینان در عملکرد معمولی تضمین می‌کنند. خرابی‌های مکانیکی شیرهای جداکننده فشار بالا، مانند تماس ضعیف، خرابی محرک یا خستگی مولفه‌های ساختاری، می‌توانند به شدت بر پایداری و ایمنی کل سیستم قدرت تأثیر بگذارند.روش‌های تشخیص خطا معمولی بر اساس نگهداری منظم و بازرسی‌های دستی انجام می‌شوند.

این روش‌ها نه تنها زمان‌بر و کارآمد نیستند بلکه ممکن است فرصت مداخله بهینه در مرحله اولیه خرابی را از دست بدهند. با پیشرفت مستمر تکنولوژی، تکنیک‌های تشخیص هوشمند ظهور یافته‌اند که راه‌حلی کارآمدتر و دقیق‌تر برای نظارت و تشخیص خطا ارائه می‌دهند.

روش‌های تشخیص هوشمند، مانند جمع‌آوری داده‌ها با حسگر، پردازش و تحلیل داده‌ها، تحلیل سیگنال جریان موتور محرک و اندازه‌گیری کرنش مقاومتی، می‌توانند رفتارهای غیرعادی شیرهای جداکننده فشار بالا را در زمان حقیقی شناسایی کنند، خرابی‌های بالقوه را پیش‌بینی کنند و تصمیمات نگهداری را هدایت کنند. این موضوع به طور قابل توجهی قابلیت اطمینان و کارایی عملیاتی سیستم قدرت را افزایش می‌دهد.

1 انواع رایج خرابی‌های مکانیکی در شیرهای جداکننده فشار بالا
1.1 خرابی تماس ضعیف

تماس ضعیف عمدتاً به دلیل اکسیداسیون سطح تماس، فشار تماس ناکافی یا کاهش مساحت تماس ایجاد می‌شود. این نوع خرابی معمولاً منجر به افزایش مقاومت و تأثیر بر رسانایی شیر جداکننده فشار بالا می‌شود. به دلیل تماس ضعیف، وقتی جریان از نقاط تماس عبور می‌کند، گرمای بیشتری تولید می‌شود. این امر نه تنها خوردگی نقاط تماس را تسریع می‌کند بلکه مشکلات جدی‌تر حرارتی مانند خرابی لحیم یا گرم شدن محلی را ایجاد می‌کند.

تماس ضعیف همچنین می‌تواند باعث ناپایداری ولتاژ و تأثیر بر کیفیت ولتاژ سیستم قدرت شود. مشکلات مداوم تماس ضعیف می‌تواند به راحتی منجر به کاهش عملکرد عایق شیر جداکننده فشار بالا شود و ریسک‌های ایمنی عملیاتی سیستم را افزایش دهد. بنابراین، تشخیص و رفع به موقع مشکلات تماس ضعیف در شیرهای جداکننده فشار بالا برای تضمین عملکرد پایدار و ایمن سیستم قدرت ضروری است.

1.2 خرابی محرک

خرابی محرک یک مسئله مهمی است که عملکرد شیرهای جداکننده فشار بالا را تحت تأثیر قرار می‌دهد. این نوع خرابی شامل خوردگی مکانیکی، روغنکاری ناکافی و قدیمی شدن مولفه‌ها می‌شود. خوردگی مکانیکی معمولاً به معنای آسیب مولفه‌های محرک‌کننده مانند بیل‌های گریز از مرکز و دنده‌ها تحت عملیات تکراری درازمدت است. روغنکاری ناکافی اصطکاک را افزایش می‌دهد، که موجب تسریع خوردگی مولفه‌های مکانیکی و کاهش کارایی عملیاتی محرک می‌شود.

با افزایش مدت زمان استفاده، مولفه‌های مختلف محرک ویژگی‌های اصلی خود را از دست می‌دهند یا به دلیل قدیمی شدن مواد تغییر شکل می‌یابند، که این امر بر قابلیت اطمینان و ایمنی عملیات کل شیر جداکننده فشار بالا تأثیر می‌گذارد. اگر این خرابی‌ها به موقع تشخیص داده و رفع نشوند، می‌تواند منجر به عملکرد نادرست شیر جداکننده فشار بالا شود و در موارد شدید، حتی عملکرد پایدار کل سیستم قدرت را به خطر بیاندازد.

1.3 خرابی خستگی و آسیب مولفه‌های ساختاری

خرابی خستگی و آسیب مولفه‌های ساختاری معمولاً تحت تأثیر استرس مکانیکی طولانی مدت و عوامل محیطی اتفاق می‌افتد. مولفه‌های ساختاری مانند ستون‌ها، میله‌های اتصال و بیل‌های گریز از مرکز به تدریج تحت تأثیر استرس مکانیکی طولانی مدت، به ویژه در طی عملیات باز و بسته شدن مکرر، خستگی ماده را تجربه می‌کنند. با گذشت زمان، این استرس‌ها در ماده تجمع می‌یابند و منجر به ایجاد و گسترش ترک‌های میکروسکوپی می‌شوند که در نهایت به آسیب مکانیکی قابل توجه تبدیل می‌شوند.

به علاوه، عوامل محیطی مانند تغییرات دما، رطوبت و محیط‌های فرسایشی می‌توانند نرخ خستگی مولفه‌های ساختاری را افزایش دهند و بر خواص مکانیکی و عمر مفید آنها تأثیر بگذارند. خرابی خستگی و آسیب مولفه‌های ساختاری نه تنها عملکرد عادی شیرهای جداکننده فشار بالا را تحت تأثیر قرار می‌دهد بلکه تهدیدی برای پایداری کلی سیستم قدرت محسوب می‌شود.

2 روش‌های تشخیص هوشمند خرابی‌های مکانیکی شیرهای جداکننده فشار بالا
2.1 حسگرهای و جمع‌آوری داده‌ها

حسگرهای نقش مهمی در تشخیص خرابی‌های مکانیکی شیرهای جداکننده فشار بالا ایفا می‌کنند. آنها عمدتاً مسئول ثبت پارامترهای فیزیکی کلیدی در طول عملیات تجهیزات، مانند ارتعاش، صدا، دما و جریان هستند. برای شیرهای جداکننده فشار بالا، حسگرهای اصلی شامل حسگرهای ارتعاش، حسگرهای انتشار صوتی و حسگرهای جریان و ولتاژ می‌شوند.

حسگرهای ارتعاش برای شناسایی فرکانس و دامنه ارتعاشی تولید شده توسط مولفه‌های تجهیزات در طول عملیات استفاده می‌شوند. با تحلیل داده‌های ارتعاشی، می‌توان خوردگی تجهیزات و خرابی‌های موجود را پیش‌بینی کرد. به طور کلی، فرکانس ارتعاشی یک شیر جداکننده فشار بالا که به طور عادی عمل می‌کند باید در محدوده استاندارد (معمولاً آستانه به بیش از ۱۰ برابر فرکانس عملیاتی تنظیم می‌شود) باشد. اگر از این محدوده فراتر رود، ممکن است نشان‌دهنده یک ناهماهنگی باشد. یک نمودار اسکیما از حسگر ارتعاش در شکل ۱ نشان داده شده است.

حسگرهای انتشار صوتی صدا را بر اساس امواج صوتی با فرکانس بالا که توسط آسیب‌های ماده یا ساختاری تولید می‌شوند ثبت می‌کنند. در طول عملیات شیر جداکننده فشار بالا، اگر ترک یا آزادی وجود داشته باشد، حسگرهای انتشار صوتی می‌توانند به طور فوری نوسانات صوتی ناشی از این تغییرات کوچک یا شکست‌ها را ثبت کنند. اصل کار یک حسگر انتشار صوتی در شکل ۲ نشان داده شده است.

حسگرهای جریان و ولتاژ عمدتاً تغییرات سطح جریان و ولتاژ عبوری از شیر جداکننده فشار بالا را نظارت می‌کنند. خواندن‌های غیرعادی جریان یا ولتاژ از این حسگرهای معمولاً نشان‌دهنده مشکلات اتصالات الکتریکی یا عملکرد است.

۱ - سوراخ‌های پیچ‌گذاری؛ ۲ - پایه؛ ۳ - بلورهای پیزوئlektrik؛ ۴ - تقویت‌کننده الکترونیکی؛ ۵ - کانکتور پایانه

از نظر جمع‌آوری داده‌ها، وظیفه اصلی تبدیل داده‌های جمع‌آوری شده توسط حسگرهای به اطلاعات قابل استفاده است. یک سیستم جمع‌آوری داده‌ها معمولاً از سه جنبه زیر تشکیل شده است:

• واحد جمع‌آوری داده (DAU). واحد DAU عمدتاً مسئول دریافت سیگنال‌های آنالوگ از حسگرهای مختلف و تبدیل این سیگنال‌های آنالوگ به سیگنال‌های دیجیتال است. واحد DAU مطمئن می‌شود که داده‌ها با سرعت مناسب (معمولاً با زمان پاسخ در محدوده میلی‌ثانیه) و با دقت مشخص (معمولاً به ۱۶ بیت یا بالاتر) جمع‌آوری شوند تا نیازهای پردازش بعدی را برآورده کند.

• انتقال داده. داده‌های جمع‌آوری شده از طریق یک شبکه ارتباطی پایدار به سرور پردازش مرکزی منتقل می‌شوند. این مرحله معمولاً به تکنولوژی‌های ارتباطی بی‌سیم مانند Wi-Fi یا شبکه‌های ۴G/5G متکی است که می‌تواند سرعت و کارایی انتقال داده را افزایش دهد و پیچیدگی و هزینه کابل‌کشی را کاهش دهد.

• ذخیره‌سازی و مدیریت داده. پس از انتقال موفق داده‌ها، باید ذخیره‌سازی و مدیریت مؤثر داده‌ها در یک سرور یا در ابر انجام شود تا یک پایگاه داده کامل‌تر را ایجاد کند. ذخیره‌سازی داده‌ها باید دسترسی سریع و تحلیل داده‌های بزرگ‌مقیاس را پشتیبانی کند، بنابراین نیاز به پایگاه‌های داده با عملکرد بالا برای رسیدن به پرس‌وجوها و بازیابی داده‌ها است. یک نمودار اسکیما از ایجاد پایگاه داده در شکل ۳ نشان داده شده است.

با استفاده از حسگرهای و جمع‌آوری داده‌ها، نظارت زنده بر وضعیت عملیاتی و شاخص‌های عملکرد تجهیزات می‌تواند به طور فوری آسیب‌های بالقوه را شناسایی کند و پایه‌ای ضروری برای تشخیص هوشمند خرابی‌های مکانیکی فراهم کند، از وقوع خرابی‌ها جلوگیری کند و عملکرد پایدار سیستم قدرت را تضمین کند.

2.2 پردازش و تحلیل داده‌ها
2.2.1 تحلیل زمان-فرکانس

تحلیل زمان-فرکانس یک روش پردازش داده‌های کارآمد است که می‌تواند سیگنال‌ها را از حوزه زمان به حوزه فرکانس تبدیل کند و بدین ترتیب ویژگی‌های داخلی و روندهای تغییرات سیگنال‌ها را آشکار کند. روش‌های تحلیل زمان-فرکانس معمول عبارتند از تبدیل فوریه کوتاه‌مدت (STFT)، تبدیل موجک و توزیع ویگنر-ویل.

STFT از طریق یک پنجره با اندازه ثابت یک تبدیل فوریه محلی روی سیگنال انجام می‌دهد که آن را برای تحلیل سیگنال‌هایی که فرکانس‌های آن‌ها به آرامی در طول زمان تغییر می‌کنند مناسب می‌کند. به عنوان مثال، در زمان نظارت بر محرک، STFT می‌تواند به طور موثری اعوجاج فرکانسی ناشی از اصطکاک یا آزادی ساختاری را شناسایی کند.

تبدیل موجک می‌تواند پنجره‌های با اندازه متغیر ارائه دهد که آن را برای پردازش سیگنال‌هایی با ویژگی‌های جهشی فوری مناسب می‌کند. با تنظیم تابع موجک مادر، می‌توان به طور دقیق ارتعاشات ناهماهنگ در یک باند فرکانس خاص را شناسایی کرد.

به عنوان یک ابزار پیشرفته تحلیل زمان-فرکانس، توزیع ویگنر-ویل، با اینکه تداخل متقاطع تولید می‌کند، تحلیل دقیق‌تری از زمان و فرکانس سیگنال ارائه می‌دهد که آن را برای تشخیص خرابی در محیط‌های سیگنال پیچیده بسیار مناسب می‌کند.

در کاربردهای عملی، ترکیب روش‌های تحلیل زمان-فرکانس فوق با داده‌های اصلی اندازه‌گیری شده توسط حسگرهای می‌تواند به طور دقیق نظارت و تشخیص وضعیت عملیاتی شیرهای جداکننده فشار بالا را انجام دهد. در شرایط عملیاتی عادی، محدوده فرکانس شیرهای جداکننده فشار بالا معمولاً می‌تواند در محدوده ۵۰-۱۰۰ هرتز حفظ شود؛ در حالی که در موارد تماس ضعیف، خستگی مولفه‌های ساختاری و خرابی‌ها، فرکانس شیرهای جداکننده فشار بالا به طور قابل توجهی تغییر می‌کند یا مولفه‌های فرکانسی جدید ظاهر می‌شوند.

2.2.2 یادگیری ماشین و شناسایی الگو

اول، پس از جمع‌آوری داده‌ها، از طریق مرحله پیش‌پردازش مانند حذف نویز و استخراج ویژگی‌ها، داده‌های ورودی برای الگوریتم‌های یادگیری ماشین آماده می‌شوند. داده‌ها شامل مولفه‌های فرکانسی سیگنال‌های ارتعاشی، ویژگی‌های موج جریان‌های الکتریکی و غیره هستند.

دوم، الگوریتم‌های یادگیری تحت نظارت مانند ماشین‌های بردار پشتیبان (SVM) و جنگل تصادفی می‌توانند برای طبقه‌بندی داده‌های حاصل از حسگرهای استفاده شوند. این الگوریتم‌ها آموزش داده می‌شوند تا انواع مختلف الگوهای خرابی را شناسایی کنند، مانند الگوهای سیگنالی منحصر به فرد ناشی از تماس ضعیف یا خرابی محرک. در کاربردهای عملی، هزاران نقطه داده به الگوریتم‌ها برای آموزش ورودی می‌شوند تا مطمئن شویم که آن‌ها می‌توانند به طور دقیق وضعیت‌های خرابی را شناسایی کنند.

در نهایت، تکنیک‌های یادگیری عمیق، به ویژه شبکه‌های عصبی کانولوشنی (CNN)، برای شناسایی الگوهای پیچیده استفاده می‌شوند. تکنیک‌های یادگیری عمیق می‌توانند از طریق قابلیت‌های یادگیری ویژگی خودکار اطلاعات مفید را از داده‌های چندبعدی با مقیاس بزرگ استخراج کنند و دقت تشخیص را افزایش دهند. به عنوان مثال، در یک مدل CNN خاص، چندین لایه کانولوشنی و پولینگ طراحی شده‌اند تا داده‌های تصویر ویدیوی جمع‌آوری شده را پردازش کرده و ویژگی‌های خرابی معمول را شناسایی کنند.

2.3 تحلیل سیگنال جریان موتور محرک

نظارت و تحلیل زنده سیگنال‌های جریان تولید شده در طول عملیات موتور محرک می‌تواند خرابی‌های مکانیکی بالقوه را پیش‌بینی و تشخیص دهد. تحلیل سیگنال جریان موتور محرک معمولاً بر شناسایی تغییرات کوچک در سیگنال جریان تمرکز دارد تا ناهماهنگی یا خوردگی مولفه‌های مکانیکی را تعیین کند.

اگر خرابی‌هایی در مولفه‌های مکانیکی شیر جداکننده فشار بالا مانند خرابی بیل‌های گریز از مرکز، خوردگی دنده یا عدم تعادل وجود داشته باشد، این موارد به طور غیرمستقیم بار موتور محرک را تحت تأثیر قرار می‌دهند و بدین ترتیب منجر به تغییرات الگوی خاص در سیگنال جریان آن می‌شود.

از نظر تحلیل داده‌ها، از یک حسگر جریان برای ضبط موج جریان در شرایط عملیاتی عادی حول سیم‌پیچ تغذیه موتور استفاده می‌شود. فرکانس نمونه‌برداری معمولاً بالاتر از ۲۰ kHz تنظیم می‌شود تا اطلاعات دقیق را ثبت کند و تجزیه داده‌های با دقت بالا را تضمین کند.

از نظر استخراج ویژگی‌ها، از تبدیل فوریه برای تبدیل سیگنال جریان حوزه زمان به سیگنال حوزه فرکانس استفاده می‌شود که به شناسایی ناهماهنگی‌های هارمونیک ناشی از خرابی‌های مکانیکی کمک می‌کند. به عنوان مثال، در شرایط بدون خرابی، سیگنال جریان موتور محرک عمدتاً شامل فرکانس اصلی و هارمونیک‌های صحیح آن است. اگر خرابی وجود داشته باشد، مانند خرابی بیل‌های گریز از مرکز، نوک‌های جدید در فرکانس‌های خاص مشاهده می‌شوند.

در پردازش داده‌های بعدی، روش‌های آماری می‌توانند برای تحلیل فرکانس‌های استخراج شده استفاده شوند. به عنوان مثال، تغییرات دامنه هر نقطه فرکانسی را محاسبه کرده و یک مدل شناسایی خرابی با استفاده از یک الگوریتم یادگیری ماشین آموزش داده می‌شود. ورودی الگوریتم ویژگی‌های فرکانسی سیگنال جریان است و خروجی آن پیش‌بینی نوع و شدت خرابی است.

با تحلیل سیگنال جریان، انحراف سیگنال جریان را می‌توان کمی کرد. به عنوان مثال، در مرحله اولیه خرابی بیل‌های گریز از مرکز، دامنه هارمونیک جریان می‌تواند ۵-۱۰ آمپر افزایش یابد، در حالی که در موارد خوردگی دنده، دامنه هارمونیک مرتبط می‌تواند ۳-۸ آمپر افزایش یابد. این امر به تیم نگهداری کمک می‌کند تا وضعیت تجهیزات را به طور دقیق تعیین کرده و برنامه‌ریزی کارهای نگهداری را انجام دهند، که این امر از قطع برق‌های بزرگ‌مقیاس ناشی از خرابی‌ها جلوگیری می‌