Intelligentti vika-analyysi ja diagnostiikka korkeajännite-eristyskytkimissä

Nykyisissä sähköverkoissa korkeajännite-erottimet ovat keskeisiä. Ne varmistavat sähköisen laitteen tai linjan turvallisen eristyksen huoltojen aikana sekä luotettavuuden normaalin toiminnan aikana. Korkeajännite-erottimien mekaaniset vikat, kuten heikko yhteys, toimintaosan vika tai rakenteellisten komponenttien väsymys, voivat vaarantaa koko sähköverkon vakauden ja turvallisuuden.Perinteiset vianmääritysmenetelmät perustuvat säännölliseen huoltoon ja manuaalisiin tarkastuksiin.

Nämä menetelmät ovat paitsi aikahaittoisia ja työläitä myös alttiita sille, että optimaalinen puuttumisaika ohitetaan vian alkuvaiheessa. Teknologian jatkuvan edistymisen myötä on keksitty älykkäitä diagnostiikkamenetelmiä, jotka tarjoavat tehokkaamman ja tarkemman ratkaisun vian valvontaan ja diagnostiikkaan.

Älykkäät diagnostiikkamenetelmät, kuten sensoriperusteinen tiedonkeruu, datan käsittely ja analysointi, kuljettimen virtasignaalin analyysi ja vastusmuodon mittaaminen, voivat havaita korkeajännite-erottimien epänormaalia käyttäytymistä reaaliajassa, ennustaa potentiaalisia vikoja ja ohjata huoltopäätöksiä. Tämä parantaa merkittävästi sähköverkon luotettavuutta ja toiminnallista tehokkuutta.

1 Yleisiä mekaanisia vikoja korkeajännite-erottimissa
1.1 Heikko yhteys

Heikko yhteys johtuu pääasiassa yhteyden pinnan ruskettumisesta, riittämättömästä yhteydenpainetta tai pienentyneestä yhteyden pinta-alasta. Tämäntyyppinen vika usein johtaa vastuksen kasvuun, mikä vaikuttaa korkeajännite-erottimen johtavuuteen. Heikon yhteyden vuoksi lämpöä syntyy enemmän, kun virta kulkee yhteyden kautta. Tämä nopeuttaa yhteyden kulun ja aiheuttaa vakavampia lämpövaikutusongelmia, kuten liimauksen tai paikallisen ylikuumenemisen.

Heikko yhteys voi myös aiheuttaa jänniteepäilyä, mikä vaikuttaa sähköverkon jännitelaatuun. Jatkuvat heikon yhteyden ongelmat voivat helposti johtaa korkeajännite-erottimen eristysominaisuuksien heikkenemiseen, lisäämällä järjestelmän toiminnallisia turvallisuusriskejä. Siksi on elintärkeää havaita ja käsitellä heikkoa yhteyttä korkeajännite-erottimissa varmistaaksemme sähköverkon vakauden ja turvallisuuden.

1.2 Toimintaosan vika

Toimintaosan vika on merkittävä ongelma, joka vaikuttaa korkeajännite-erottimien suorituskykyyn. Tämäntyyppinen vika kattaa mekaanisen kulun, riittämättömän lijunnoinnin ja komponenttien vanhenemisen. Mekaaninen kuluminen viittaa yleensä ajosyiden, kuten levyn ja pyörrien, vaurioitumiseen pitkäaikaisissa toistuvissa toiminnoissa. Riittämätön lijunnointi lisää kitkua, nopeuttaa mekaanisten osien kulua ja vähentää toimintaosan toiminnallista tehokkuutta.

Kun käyttöaika kasvaa, toimintaosan eri komponentit menettävät alkuperäiset ominaisuutensa tai muuntuvat materiaalin vanhenemisen vuoksi, mikä vaikuttaa koko korkeajännite-erottimen toiminnan luotettavuuteen ja turvallisuuteen. Jos näitä vikoja ei havaita ja käsitellä ajoissa, se voi johtaa korkeajännite-erottimen virheelliseen toimintaan, ja vakavissa tapauksissa vaarantaa koko sähköverkon vakauden.

1.3 Rakenteellisten komponenttien väsymys ja vaurioituminen

Rakenteellisten komponenttien väsymys ja vaurioituminen tapahtuvat yleensä pitkäaikaisen mekaanisen stressin ja ympäristötekijöiden vaikutuksesta. Rakenteelliset komponentit, kuten pylväät, yhdistevaat ja levyn, kokevat asteittain materiaaliväsymystä pitkäaikaisen mekaanisen stressin vaikutuksesta, erityisesti useissa avaus- ja sulkemistoiminnoissa. Ajan myötä nämä stressit kertyvät materiaaliin, mikä johtaa mikrokuilujen syntyyn ja leviämiseen, jotka lopulta kehittyvät merkittäviksi mekaanisiksi vaurioiksi.

Lisäksi lämpötilan vaihtelu, kosteus ja korroosittelevat ympäristöt voivat nopeuttaa rakenteellisten komponenttien väsymisnopeutta, mikä vaikuttaa niiden mekaanisiin ominaisuuksiin ja käyttöikään. Rakenteellisten komponenttien väsymys ja vaurioituminen vaikuttavat paitsi korkeajännite-erottimien normaaliin toimintaan myös koko sähköverkon yleiseen vakautuseen.

2 Älykkäät diagnostiikkamenetelmät korkeajännite-erottimien mekaanisille vikoille
2.1 Sensorit ja tiedonkeruu

Sensorit ovat keskeisiä korkeajännite-erottimien mekaanisen vianmäärityksen kannalta. Niiden päätäskä on kerätä olennaisia fysikaalisia parametreja laitteen toiminnan aikana, kuten värähtely, ääni, lämpötila ja virta. Korkeajännite-erottimissa käytetyt päätässensorit ovat värähtelysensorit, akustinen emissiosensorit sekä virta- ja jännitesensorit.

Värähtelysensorit käytetään laitteen komponenttien toiminnan aikana tuottaman värähtelyn taajuuden ja amplitudin havaitsemiseen. Värähtelydatan analysoimalla on mahdollista ennustaa laitteen kulua ja olemassa olevia vikoja. Yleensä normaalisti toimivan korkeajännite-erottimen värähtelytaajuuden tulisi olla standardiarvovälimatkan sisällä (yleensä kynnysarvo asetetaan yli 10 kertaa toimintaan liittyvään taajuuteen). Jos tämä arvo ylittyy, se voi olla merkki anomaliasta. Värähtelysensorin kaaviosoitus on nähtävissä kuvassa 1.

Akustiset emissiosensorit havaitsevat äänen materiaalien tai rakenteiden vaurioiden aiheuttamien korkeataajuisten ääniaaltojen perusteella. Korkeajännite-erottimen toiminnan aikana, jos on olemassa kuiluja tai löysyys, akustiset emissiosensorit voivat nopeasti havaita näiden pieniä muodostumis- tai rikkoutumispuutteiden aiheuttamat äänenvaihtelut. Akustisen emissiosensorin toimintaperiaate on nähtävissä kuvassa 2.

Virta- ja jännitesensorit seuraavat pääasiassa korkeajännite-erottimen kautta kulkevan virta- ja jännitetason muutoksia. Nämä sensorit antavat poikkeukselliset virta- tai jänniteravit, jotka yleensä viittaavat sähköisten yhteyksien tai toiminnallisten ongelmien olemassaoloon.

1 - Pulttireikät; 2 - Perusta; 3 - Piezoelektriset kristallit; 4 - Sähköinen vahvistin; 5 - Loppuliitin

Tiedonkeruun osalta päätehtävänä on muuntaa sensorien keräämä data käytettäväksi informaatioksi. Tiedonkeruujärjestelmä koostuu yleensä seuraavista kolmesta osasta:

• Datakeruuyksikkö (DAU). DAU on pääasiassa vastuussa eri sensorien analogisista signaaleista ja niiden muuntamisesta digitaaliseksi signaaliksi. DAU varmistaa, että data kerätään sopivalla taajuudella (yleensä millisekunnin asteisella vasta-aikana) ja tietyllä tarkkuudella (yleensä saavuttaen 16 bittiä tai enemmän) vastaamaan jälkimmäisten käsittelytarpeita.

• Datansiirto. Kerätty data siirretään keskitettyyn käsittelypalvelimeen vakaiden kommunikaatioverkkojen kautta. Tämä askel usein perustuu langattomiin kommunikaatioteknologioihin, kuten Wi-Fi tai 4G/5G-verkkoihin, jotka voivat edelleen lisätä datansiirron nopeutta ja tehokkuutta sekä vähentää jäykkyyden ja kustannusten monimutkaisuutta.

• Datavarasto ja hallinta. Onnistuneen datansiirron jälkeen on tehtävä tehokasta datavarastointia ja hallintaa palvelimella tai pilveen luodakseen kattavamman tietokannan. Datavarasto on tukemaan nopeaa pääsyä ja suurten datamäärien analysointia, joten vaaditaan korkeasuorituskykyisiä tietokantoja datan hakemiseen ja noutamiseen. Tietokannan perustamisen kaaviosoitus on nähtävissä kuvassa 3.

Sensorien ja tiedonkeruun avulla voidaan reaaliaikaisesti seurata laitteen toimintatilaan ja suorituskykyindikatoreihin, mikä mahdollistaa potentiaalisten vian havaitsemisen, tarjoaa välttämättömän perustan korkeajännite-erottimien mekaanisten vian älykkään diagnostiikan, estää vian ilmetessä ja varmistaa sähköverkon vakauden.

2.2 Datan käsittely ja analysointi
2.2.1 Aikataajuusanalyysi

Aikataajuusanalyysi on tehokas datankäsittelymenetelmä, joka voi muuntaa signaaleja aikatasosta taajuustasoon, paljastaen signaalien sisäiset ominaisuudet ja muutosajat. Yleisesti käytetyt aikatajuusanalyysimenetelmät ovat lyhytaikainen Fourier-muunnos (STFT), wavelet-muunnos ja Wigner-Ville-jakauma.

STFT suorittaa paikallisen Fourier-muunnoksen signaaleille kiinteän koon ikkunan kautta, mikä tekee siitä soveltuavan signaalien analysointiin, joiden taajuudet muuttuvat hitaasti ajan myötä. Esimerkiksi toimintaosan seurantaan STFT voi tehokkaasti tunnistaa kitkun tai rakenteellisen löysyys aiheuttamat taajuuden poikkeamat.

Wavelet-muunnos voi tarjota muuttuvan koon ikkunan, mikä tekee siitä soveltuavan signaalien käsittelyyn, joilla on hetkelliset muutokset. Määrittelemällä emomuodon, voidaan tarkasti tunnistaa poikkeavia värähtelyjä tietyn taajuusalueen sisällä.

Wigner-Ville-jakauma on edistynyt aikatajuusanalyysityökalu, joka huolimatta siitä, että se tuottaa häiriötermien välisen häiriön, tarjoaa tarkemman analyysin signaalin aikasta ja taajuudesta, mikä tekee siitä erityisen soveltuavan vian havaitsemiseen monimutkaisissa signaaliympäristöissä.

Käytännössä yhdistämällä edellä mainitut aikatajuusanalyysimenetelmät sensorien mitatuun alkuperäiseen dataan voidaan tarkasti seurata ja diagnosoida korkeajännite-erottimien toimintatilaa. Normaalissa toimintatilassa korkeajännite-erottimien taajuusalue yleensä pysyy 50-100 Hz välillä; kun taas heikossa yhteydessä, rakenteellisten komponenttien väsymyksessä ja vaurioitumisessa korkeajännite-erottimien taajuus siirtyy merkittävästi tai uudet taajuuskomponentit ilmenevät.

2.2.2 Koneoppiminen ja mallintunnistus

Ensiksi, datan keräämisen jälkeen, koneoppimismenetelmien syöttödataa valmistellaan melunpoistoa ja ominaisuuksien poimimista koskevalla esikäsittelyvaiheella. Data sisältää värähtelysignaalien taajuuskomponentit, sähköparametrien aaltomuodolliset ominaisuudet jne.

Toiseksi, sensorien antamista tiedoista luokiteltavana datana voidaan käyttää valvojia, kuten tukivektori-malleja (SVM) ja satunnaismetsiä. Nämä algoritmit koulutetaan tunnistamaan erilaisia vianmalleja, kuten heikon yhteyden tai toimintaosan vian aiheuttamat unikaalit signaalimallit. Käytännössä tuhatia datapisteitä syötetään algoritmeihin koulutusta varten, jotta ne voivat tarkasti tunnistaa vian tilat.

Lopuksi, syvän oppimisen tekniikat, erityisesti konvoluutioneuroverkot (CNN), käytetään monimutkaisten mallien tunnistamiseen. Syvän oppimisen tekniikat voivat poimia hyödyllistä tietoa massiivisista moniulotteisista tietoaineistoista automaattisilla ominaisuusoppimisominaisuuksillaan, parantamalla diagnostiikan tarkkuutta. Esimerkiksi tietyn CNN-mallissa on suunniteltu useita konvoluutiokerroksia ja yhteenvedon kerroksia käsittellä kerättyä videokuvadataa tunnistamaan typisiä vianominaisuuksia.

2.3 Kuljettimen virtasignaalin analyysi

Kuljettimen toiminnan aikana tuottaman virtasignaalin reaaliaikainen seuranta ja analysointi voi ennustaa ja diagnosoida potentiaalisia mekaanisia vikoja. Kuljettimen virtasignaalin analyysi keskittyy yleensä signaalin pieniin muutoksiin, määrittääkseen anomaliat tai mekaanisten komponenttien kulun.

Jos korkeajännite-erottimessa on mekaanisia vikoja, kuten levyn vaurio, pyörän kuluminen tai epätasapaino, se vaikuttaa epäsuorasti kuljettimen kuorman, mikä aiheuttaa tiettyjä muutoksia sen virtasignaalissa.

Datan analysoinnin osalta virtasensori tallentaa normaalin toimintatilan ympäriltä kuljettimen sähkövirtajan muodostaman virtasignaalin. Otossuquentti on yleensä asetettu yli 20 kHz:n, jotta voidaan kuvata yksityiskohtia ja varmistaa korkea tarkkuus datan käsittelyssä.

Ominaisuuksien poiminnan osalta Fourier-muunnosta käytetään muuntaaksesi aikatasoon virtasignaalin taajuustasoon, mikä auttaa tunnistamaan mekaanisten vian aiheuttamat harmoniset anomaliat. Esimerkiksi vian puuttuessa kuljettimen virtasignaali sisältää pääasiassa perustaajuuden ja sen kokonaislukuharmoniset. Jos on olemassa vika, kuten levyn vaurio, uusia huippuja havaitaan tiettyissä taajuuspaikoissa.

Jälkimmäisessä datan käsittelyssä tilastollisia menetelmiä voidaan käyttää poimittujen taajuusominaisuuksien analysointiin. Esimerkiksi lasketaan jokaisen taajuuspisteen amplitudimuutokset, ja koulutetaan vian tunnistamismalli koneoppimismenetelmällä. Algoritmin syöte on virtasignaalin taajuusominaisuudet, ja sen ulostulo on vian tyypin ja vakavuuden ennustus.

Virtasignaalin analysoinnilla voidaan kvantifioida virtasignaalin poikkeama. Esimerkiksi levyn vaurion alkuvaiheessa virtaharmonian amplitudi voi kasvaa 5-10 A, kun taas pyörän kuluminen aiheuttaa relevantin harmonian amplitudin kasvavan 3-8 A. Tämä mahdollistaa huoltoryhmän tarkasti määrittää laitteen tilan ja suunnitella huoltotöitä, välttäen laajoja sähkökatkoja vian vuoksi.

2.4 Vastusmuodon mittausmenetelmän soveltaminen

Vastusmuodon mittausmenetelmää voidaan käyttää korkeajännite-erottimien rakenteellisen stressin ja muodon seurantaan. Tämä teknologia toteutetaan vastusmuodonsensorien asentamisella avainkomponentteihin.

Vastusmuodonsensori on sensori, joka muuttaa mekaanista muotoa sähköiseksi signaaliksi. Sen toimintaperiaate perustuu metallileivän vastuksen muuttumiseen, kun se muodostuu voiman alla. Vastusmuodonsensorin rakenne on nähtävissä kuvassa 4.

Valitessaan vastusmuodonsensorit, voidaan valita korkeatarkkuuden metallileivän vastusmuodonsensorit. Nämä sensorit ovat hyvin lineaarisia ja stabiileja lämpötilavaikutuksissa, ja ne asennetaan yleensä korkeajännite-erottimessa, jossa on eniten stressiä ja väsymystä, kuten yhteyden käsivarsissa ja kiertolevyn ympärillä.

Vastusmuodonsensorien valitsemisen ja asentamisen jälkeen sensorit on kytkettävä datan keruujärjestelmään kaapeleiden kautta. Datan keruujärjestelmä on vastuussa vastusmuutosten tallentamisesta vastusmuodonsensorien kautta ja niiden muuntamisesta jännitesignaaliksi lukemista varten. Datan keruujärjestelmän on oltava nopea otossuquentti ja korkea resoluutio, jotta se voi kuvata nopeita muutoksia korkeajännite-erottimen toiminnan aikana. Käytetty otossuquentti on yleensä kilohertsien luokkaa, ja resoluutio on millivoltitasolla.

Asiakirjatiedot käsitellään asianmukaisella ohjelmistolla. Ensiksi suoritetaan suodatus poistaakseen mahdolliset häiriöt, ja sitten matemaattisia algoritmeja, kuten FFT, käytetään signaalinspektrin analysointiin ja muodon datan poimintaan. Muodon tiedot voidaan muuntaa saadakseen vastaavan komponentin todellisen stressitilan.

Mittatun muodon tiedot verrataan korkeajännite-erottimen ennakkoperustettuun stressimalliin, jotta voidaan arvioida laitteen nykyinen terveydentila. Kun havaittu stressi ylittää suunnittelun kynnysarvon, datan keruujärjestelmä lähettää automaattisesti varoitusmerkin, jotta operaatio- ja huoltohenkilökunta voi suorittaa tarkastuksia tai huoltotöitä.

3 Johtopäätös

Tässä artikkelissa on syvällisesti tutkittu korkeajännite-erottimien yleisiä mekaanisia vikoja ja niiden älykkäitä diagnostiikkamenetelmiä. Korkeajännite-erottimien mekaanisten vian älykkäiden diagnostiikkamenetelmien käyttö ei vain paranna laitteiden toiminnan luotettavuutta, vaan myös merkittävästi vähentää huoltokustannuksia ja optimoi huoltopäätöksentekoprosessia.

Tiedeteorian ja teknologian edistymisen myötä ja datan analyysitekniikoiden yhä suurempaa kypsyyttä tarvitaan lisää tutkimuspanostuksia korkeajännite-erottimien mekaanisten vian älykkään diagnostiikan tasolle, tarjotaksemme vahvan tuen sähköverkon vakaudelle.