تشخیص و تحلیل هوشمند خرابی‌های مکانیکی در سوئیچ‌های قطع کننده بالا ولتاژ

در سیستم‌های برق مدرن، دیودهای جداکننده با ولتاژ بالا نقش مهمی ایفا می‌کنند. آنها اطمینان از جداسازی ایمن تجهیزات یا خطوط الکتریکی در زمان نگهداری و قابلیت اطمینان در عملکرد عادی را فراهم می‌کنند. خرابی‌های مکانیکی دیودهای جداکننده با ولتاژ بالا، مانند تماس ضعیف، خرابی محرک یا خستگی مولفه‌های ساختاری، می‌تواند تأثیر شدیدی بر پایداری و ایمنی کل سیستم برق داشته باشد.روش‌های تشخیص خطا به سبک سنتی به نگهداری منظم و بازرسی‌های دستی متکی هستند.

این روش‌ها نه تنها زمان‌بر و کارآمد نیستند بلکه ممکن است فرصت بهترین مداخله در مراحل اولیه خرابی را از دست بدهند. با پیشرفت مداوم فناوری، تکنیک‌های تشخیص هوشمند ظاهر شده‌اند که راه‌حلی موثرتر و دقیق‌تر برای نظارت و تشخیص خرابی ارائه می‌دهند.

روش‌های تشخیص هوشمند، مانند جمع‌آوری داده‌ها با حسگرهای مختلف، پردازش و تحلیل داده‌ها، تحلیل سیگنال جریان موتور محرک و اندازه‌گیری کشش مقاومتی، می‌توانند رفتارهای غیرعادی دیودهای جداکننده با ولتاژ بالا را در زمان واقعی 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 برق را افزایش می‌دهد.

۱ نوع‌های رایج خرابی‌های مکانیکی دیودهای جداکننده با ولتاژ بالا
۱.۱ خرابی تماس ضعیف

تماس ضعیف عمدتاً ناشی از اکسیداسیون سطح تماس، فشار تماس ناکافی یا کاهش مساحت تماس است. این نوع خرابی معمولاً منجر به افزایش مقاومت و تأثیر بر هدایت‌پذیری دیود جداکننده با ولتاژ بالا می‌شود. به دلیل تماس ضعیف، زمانی که جریان از نقاط تماس عبور می‌کند، گرمای بیشتری تولید می‌شود. این موضوع نه تنها سایش نقاط تماس را شتاب می‌دهد بلکه مشکلات حرارتی جدی‌تری مانند خرابی جوشکاری یا گرم شدن محلی ایجاد می‌کند.

تماس ضعیف می‌تواند همچنین باعث ناپایداری ولتاژ شود و کیفیت ولتاژ سیستم برق را تحت تأثیر قرار دهد. مشکلات مداوم تماس ضعیف می‌تواند به راحتی منجر به کاهش عملکرد عایق دیود جداکننده با ولتاژ بالا شود و خطرات ایمنی عملیاتی سیستم را افزایش دهد. بنابراین، تشخیص و حل به موقع مشکلات تماس ضعیف در دیودهای جداکننده با ولتاژ بالا برای تضمین عملکرد پایدار و ایمن سیستم برق ضروری است.

۱.۲ خرابی محرک

خرابی محرک یک مسئله مهم در عملکرد دیودهای جداکننده با ولتاژ بالا است. این نوع خرابی شامل سایش مکانیکی، نقص روغنکاری و پیری مولفه‌ها می‌شود. سایش مکانیکی معمولاً به معنای آسیب مولفه‌های محرک‌کننده مانند لغزک‌ها و دنده‌ها در زیر عملیات تکراری طولانی‌مدت است. نقص روغنکاری اصطکاک را افزایش می‌دهد و نرخ سایش مولفه‌های مکانیکی را شتاب می‌دهد و کارایی عملیاتی محرک را کاهش می‌دهد.

با گذشت زمان، مولفه‌های مختلف محرک ویژگی‌های اصلی خود را از دست می‌دهند یا به دلیل پیری ماده تغییر شکل می‌یابند و در نتیجه قابلیت اطمینان و ایمنی عملیات کل دیود جداکننده با ولتاژ بالا را تحت تأثیر قرار می‌دهند. اگر این خرابی‌ها به موقع تشخیص داده و برطرف نشوند، می‌تواند منجر به عملکرد نادرست دیود جداکننده با ولتاژ بالا شود و در شرایط وخیم، عملکرد پایدار کل سیستم برق را تهدید کند.

۱.۳ خرابی خستگی و آسیب مولفه‌های ساختاری

خرابی خستگی و آسیب مولفه‌های ساختاری معمولاً تحت تأثیر تنش‌های مکانیکی طولانی‌مدت و عوامل محیطی اتفاق می‌افتد. مولفه‌های ساختاری مانند ستون‌ها، میله‌های اتصال و لغزک‌ها به تدریج خستگی ماده را تحت تأثیر تنش‌های مکانیکی طولانی‌مدت، به ویژه در طی عملیات باز و بسته شدن مکرر تجربه می‌کنند. با گذشت زمان، این تنش‌ها در ماده تجمع می‌یابند و منجر به ایجاد و گسترش ترک‌های میکروسکوپی می‌شوند که در نهایت به آسیب‌های مکانیکی قابل توجه منجر می‌شوند.

به علاوه، عوامل محیطی مانند تغییرات دما، رطوبت و محیط‌های فرسایشی می‌توانند نرخ خستگی مولفه‌های ساختاری را افزایش دهند و ویژگی‌های مکانیکی و عمر مفید آنها را تحت تأثیر قرار دهند. خرابی خستگی و آسیب مولفه‌های ساختاری نه تنها عملکرد عادی دیودهای جداکننده با ولتاژ بالا را تحت تأثیر قرار می‌دهند بلکه تهدیدی برای پایداری کل سیستم برق هستند.

۲ روش‌های تشخیص هوشمند خرابی‌های مکانیکی دیودهای جداکننده با ولتاژ بالا
۲.۱ حسگرهای و جمع‌آوری داده‌ها

حسگرهای نقش حیاتی در تشخیص خرابی مکانیکی دیودهای جداکننده با ولتاژ بالا دارند. آنها عمدتاً مسئول ثبت پارامترهای فیزیکی کلیدی در طول عملیات تجهیزات، مانند ارتعاش، صدا، دما و جریان هستند. برای دیودهای جداکننده با ولتاژ بالا، حسگرهای اصلی شامل حسگرهای ارتعاش، حسگرهای انتشار صوتی و حسگرهای جریان و ولتاژ هستند.

حسگرهای ارتعاش برای شناسایی فرکانس و دامنه ارتعاشی تولید شده توسط مولفه‌های تجهیزات در طول عملیات استفاده می‌شوند. با تحلیل داده‌های ارتعاشی، می‌توان سایش تجهیزات و خرابی‌های موجود را پیش‌بینی کرد. به طور کلی، فرکانس ارتعاش یک دیود جداکننده با ولتاژ بالا که به طور عادی کار می‌کند باید در محدوده استاندارد (معمولاً آستانه بیش از ۱۰ برابر فرکانس کاری) باشد. اگر این محدوده را تجاوز کند، ممکن است نشان‌دهنده یک ناهماهنگی باشد. یک نمودار ساده 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 یک دیود جداکننده با ولتاژ 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 دیود جداکننده با ولتاژ بالا را نظارت می‌کنند. خواندن‌های غیرعادی از این حسگرهای معمولاً نشان‌دهنده مشکلات اتصال الکتریکی یا عملکردی هستند.

۱ - سوراخ‌های مهره‌ای؛ ۲ - پایه؛ ۳ - بلورهای پیزوالکتریک؛ ۴ - تقویت‌کننده الکترونیکی؛ ۵ - کانکتور انتهایی

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

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

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

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

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

۲.۲ پردازش و تحلیل داده‌ها
۲.۲.۱ تحلیل زمان-فرکانس

تحلیل زمان-فرکانس یک روش پردازش داده موثر است که می‌تواند سیگنال‌ها را از حوزه زمان به حوزه فرکانس تبدیل کند و در نتیجه ویژگی‌های داخلی و روندهای تغییرات سیگنال‌ها را آشکار کند. روش‌های معمول تحلیل زمان-فرکانس شامل تبدیل فوریه کوتاه-مدت (STFT)، تبدیل موجک و توزیع ویگنر-ویل هستند.

STFT یک تبدیل فوریه محلی روی سیگنال از طریق یک پنجره با اندازه ثابت انجام می‌دهد و برای تحلیل سیگنال‌هایی که فرکانس آنها به آرامی در طول زمان تغییر می‌کند مناسب است. به عنوان مثال، وقتی محرک را نظارت می‌کنیم، STFT می‌تواند به طور موثر تغییرات فرکانسی ناشی از اصطکاک یا آزادی ساختاری را شناسایی کند.

تبدیل موجک می‌تواند پنجره‌های با اندازه متغیر ارائه دهد و برای پردازش سیگنال‌هایی با ویژگی‌های جهشی ناگهانی مناسب است. 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 وجود ایجاد تداخل متقاطع، تحلیل دقیق‌تری از زمان و فرکانس سیگنال ارائه می‌دهد و به طور خاص برای تشخیص خرابی در محیط‌های سیگنال پیچیده مناسب است.

در کاربردهای عملی، ترکیب روش‌های تحلیل زمان-فرکانس فوق با داده‌های اصلی اندازه‌گیری شده توسط حسگرهای می‌تواند به طور دقیق نظارت و تشخیص وضعیت عملکرد دیودهای جداکننده با ولتاژ بالا را انجام دهد. در شرایط عملکرد عادی، محدوده فرکانس دیودهای جداکننده با ولتاژ بالا معمولاً می‌تواند در محدوده ۵۰-۱۰۰ هرتز نگه داشته شود. در حالی که در موارد تماس ضعیف، خستگی مولفه‌های ساختاری و خرابی‌های آسیب‌دیده، فرکانس دیودهای جداکننده با ولتاژ بالا به طور قابل توجهی تغییر می‌کند یا مولفه‌های فرکانسی جدیدی ظاهر می‌شود.

۲.۲.۲ یادگیری ماشین و تشخیص الگو

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

ثانیاً، الگوریتم‌های یادگیری نظارت شده مانند ماشین بردار پشتیبان (SVM) و جنگل تصادفی می‌توانند برای طبقه‌بندی داده‌های بدست آمده 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 وارد می‌شوند تا آنها بتوانند به طور دقیق وضعیت خرابی را شناسایی کنند.

در نهایت، تکنیک‌های یادگیری عمیق، به ویژه شبکه‌های عصبی کانولوشنی (CNN) برای تشخیص الگوهای پیچیده استفاده می‌شوند. تکنیک‌های یادگیری عمیق می‌توانند اطلاعات مفید را از داده‌های چندبعدی در مقیاس بزرگ با استفاده از قابلیت‌های یادگیری ویژگی خودکار 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 ویدئویی جمع‌آوری شده را پردازش کرده و ویژگی‌های نمونه خرابی را شناسایی کنند.

۲.۳ 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 ناهماهنگی‌ها یا سایش مولفه‌های مکانیکی را تعیین کند.

اگر خرابی‌هایی در مولفه‌های مکانیکی دیود جداکننده با ولتاژ بالا، مانند خرابی لغزک، سایش دنده یا عدم تعادل وجود داشته باشد، این خرابی‌ها به طور غیرمستقیم بار موتور محرک را تحت تأثیر قرار می‌دهند و در نتیجه تغییرات الگوی خاصی در سیگنال جریان آن ایجاد می‌کنند.

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

از نظر استخراج ویژگی، 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 لغزک، قله‌های جدید در فرکانس‌های خاص مشاهده خواهد شد.

در پردازش داده‌های بعدی، می‌توان از روش‌های آماری برای تحلیل فرکانس‌های استخراج شده استفاده کرد. به عنوان مثال، تغییرات دامنه هر نقطه فرکانسی را محاسبه کرده و یک مدل شناسایی خرابی با استفاده از 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 لغزک، دامنه هارمونیک جریان می‌تواند ۵-۱۰ آمپر افزایش یابد، در حالی که در مورد سایش دنده، دامنه هارمونیک مرتبط می‌تواند ۳-۸ آمپر افزایش یابد. این امکان را فراهم می‌کند تا تیم نگهداری وضعیت تجهیزات را به طور دقیق تعیین کرده و کار نگهداری را برنامه‌ریزی کند و در نتیجه خاموشی‌های بزرگ ناشی از خرابی‌ها را جلوگیری کند.

۲.۴ کاربرد تکنولوژی اندازه‌گیری کشش مقاومتی

تکنولوژی اندازه‌گیری کشش مق