Intelligent na Pagtukoy at Pagsusuri ng Mekanikal na Mga Sakit sa Mataas na Voltaheng Interruptor

Sa mga modernong sistema ng kuryente, ang mataas na tensyon na mga switch na nagbibigay ng paghihiwalay ay may mahalagang papel. Sila ay nagpapahintulot sa ligtas na paghihiwalay ng mga aparato o linya ng kuryente tuwing may pagmamasid at panatilihin ang kumpiyansang pag-operate ng normal. Ang mga mekanikal na pagkakamali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay, tulad ng hindi magandang kontak, pagkakamali ng aktuator, o pagod ng mga komponente ng struktura, maaaring malubhang makaapekto sa estabilidad at kaligtasan ng buong sistema ng kuryente.Ang mga tradisyunal na paraan ng pagtukoy ng pagkakamali ay umaasa sa regular na pagmamasid at manual na pagsusuri.

Ang mga paraan na ito ay hindi lamang nakakain ng oras at pagsisikap ngunit maaari ring makalimutan ang pinakamahusay na oras ng pag-intervene sa unang yugto ng pagkakamali. Sa patuloy na pag-unlad ng teknolohiya, ang mga mapagmatyag na pamamaraan ng pagtuklas ng pagkakamali ay lumitaw, nag-aalok ng mas epektibong at tama na solusyon para sa pagmonitor at pagtuklas ng pagkakamali.

Ang mga mapagmatyag na pamamaraan, tulad ng koleksyon ng data batay sa sensor, pagproseso at pagsusuri ng data, pagsusuri ng senyal ng kuryente ng motor, at pagsusuri ng resistive strain, maaaring matukoy ang mga anormal na pag-uugali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay sa tunay na oras, hulaan ang potensyal na pagkakamali, at gabayan ang mga desisyon sa pagmamasid. Ito ay lubos na nagpapataas ng kumpiyansan at epektibidad ng operasyon ng sistema ng kuryente.

1 Mga Karaniwang Uri ng Mekanikal na Pagkakamali sa Mataas na Tensyon na mga Switch na Nagbibigay ng Paghihiwalay
1.1 Pagkakamali ng Hindi Magandang Kontak

Ang hindi magandang kontak ay pangunahing dahil sa oxidasyon ng ibabaw ng kontak, hindi sapat na presyon ng kontak, o bawas na sakop ng kontak. Ang uri ng pagkakamali na ito karaniwang nagdudulot ng pagtaas ng resistansiya, na nakakaapekto sa konduktividad ng mataas na tensyon na switch na nagbibigay ng paghihiwalay. Dahil sa hindi magandang kontak, mas maraming init ang ginagawa kapag ang kuryente ay dumaan sa mga puntos ng kontak. Ito ay hindi lamang nagpapabilis ng pagkasira ng mga puntos ng kontak kundi nagdudulot din ng mas seryosong mga isyu ng thermal effect, tulad ng pagweld ng pagkakamali o lokal na sobrang init.

Ang hindi magandang kontak maaari ring sanhiin ang hindi stabil na voltahan, na nakakaapekto sa kalidad ng voltahan ng sistema ng kuryente. Ang patuloy na mga isyu ng hindi magandang kontak ay madaling maaaring magresulta sa pagbaba ng performance ng insulation ng mataas na tensyon na switch na nagbibigay ng paghihiwalay, na nagpapataas ng mga panganib sa kaligtasan ng operasyon ng sistema. Kaya, ang maagang pagtuklas at tamang pagtugon sa mga isyu ng hindi magandang kontak sa mataas na tensyon na mga switch ay mahalaga upang tiyakin ang matatag at ligtas na operasyon ng sistema ng kuryente.

1.2 Pagkakamali ng Aktuator

Ang pagkakamali ng aktuator ay isang mahalagang isyu na nakakaapekto sa performance ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay. Ang uri ng pagkakamali na ito ay kasama ang mekanikal na wear, hindi sapat na paglubrikasyon, at pag-aging ng komponente. Ang mekanikal na wear karaniwan ay tumutukoy sa pinsala ng mga komponente ng driver tulad ng bearings at gears sa ilalim ng mahabang panahon ng paulit-ulit na operasyon. Ang hindi sapat na paglubrikasyon ay nagpapataas ng friction, na nagpapabilis ng rate ng pag-aging ng mga bahagi ng mekanikal at nagpapababa ng epektibidad ng operasyon ng aktuator.

Kapag ang panahon ng serbisyo ay lumaki, ang iba't ibang bahagi ng aktuator ay nawawalan ng kanilang orihinal na katangian o nagbabago dahil sa pag-aging ng materyales, na nagsisimula ng epekto sa kumpiyansan at kaligtasan ng operasyon ng buong mataas na tensyon na switch na nagbibigay ng paghihiwalay. Kung hindi ito matutuklasan at nasasagot sa tamang oras, maaari itong magresulta sa maling operasyon ng mataas na tensyon na switch, at sa malubhang kaso, maaari pa itong mapanganib ang matatag na operasyon ng buong sistema ng kuryente.

1.3 Pagod at Pagsisira ng Komponente ng Struktura

Ang pagod at pagsisira ng komponente ng struktura ay karaniwang nangyayari sa ilalim ng impluwensiya ng mahabang panahon ng mekanikal na stress at mga factor ng kapaligiran. Ang mga komponente ng struktura tulad ng pillars, connecting rods, at bearings ay paulit-ulit na nararanasan ang pagod ng materyales sa ilalim ng aksyon ng mahabang panahon ng mekanikal na stress, lalo na tuwing may madalas na pagbubukas at pagsasara. Sa paglipas ng panahon, ang mga stress na ito ay sumasama sa loob ng materyal, nagdudulot ng pagbuo at pagkalat ng micro-cracks, na sa huli ay nagdudulot ng mahalagang pinsala sa mekanikal.

Bukod dito, ang mga factor ng kapaligiran tulad ng pagbabago ng temperatura, humidity, at corrosive environments ay maaaring mapabilis ang rate ng pagod ng mga komponente ng struktura, na nakakaapekto sa kanilang mga katangian at panahon ng serbisyo. Ang pagod at pagsisira ng komponente ng struktura ay hindi lamang nakakaapekto sa normal na function ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay kundi maaari rin itong magbigay ng banta sa kabuuang estabilidad ng sistema ng kuryente.

2 Mga Mapagmatyag na Pamamaraan ng Pagtuklas ng Mekanikal na Pagkakamali sa Mataas na Tensyon na mga Switch na Nagbibigay ng Paghihiwalay
2.1 Mga Sensor at Koleksyon ng Data

Ang mga sensor ay may mahalagang papel sa mekanikal na pagtuklas ng pagkakamali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay. Sila ay pangunahing responsable sa pagkuha ng mga pangunahing pisikal na parameter tuwing operasyon ng equipment, tulad ng vibration, sound, temperatura, at kuryente. Para sa mataas na tensyon na mga switch na nagbibigay ng paghihiwalay, ang mga pangunahing sensor na ginagamit ay kinabibilangan ng mga vibration sensor, acoustic emission sensors, at current at voltage sensors.

Ang mga vibration sensor ay ginagamit para matukoy ang frequency at amplitude ng vibration na ginagawa ng mga komponente ng equipment sa panahon ng operasyon. Sa pamamagitan ng pagsusuri ng data ng vibration, maaaring maimpluwensyahan ang pagwear ng equipment at ang mga umiiral na pagkakamali. Sa pangkalahatan, ang frequency ng vibration ng normal na operasyon ng mataas na tensyon na switch na nagbibigay ng paghihiwalay ay dapat nasa standard range (karaniwang, ang threshold ay itinakda sa higit sa 10 beses ang operating frequency). Kung ito ay lumampas sa range na ito, maaaring ito ay nagpapahiwatig ng anomaly. Ang schematic diagram ng vibration sensor ay ipinapakita sa Figure 1.

Ang mga acoustic emission sensors ay nangangalap ng sound batay sa high-frequency sound waves na ginagawa ng material o structural defects. Sa panahon ng operasyon ng mataas na tensyon na switch na nagbibigay ng paghihiwalay, kung may mga crack o looseness, ang mga acoustic emission sensors ay maaaring maagang makuhang ang sound fluctuations na dulot ng mga minor deformations o ruptures. Ang prinsipyong acoustic emission sensor ay ipinapakita sa Figure 2.

Ang mga current at voltage sensors ay pangunahing nangangalap ng mga pagbabago sa level ng kuryente at voltahan na dadaanan ng mataas na tensyon na switch na nagbibigay ng paghihiwalay. Ang abnormal na reading ng kuryente o voltahan mula sa mga sensor na ito ay karaniwang nagpapahiwatig ng problema sa electrical connections o functionality.

1 - Bolt holes; 2 - Foundation;3 - Piezoelectric crystals;4 - Electronic Amplifier;5 - Terminal Connector

Sa termino ng koleksyon ng data, ang pangunahing tungkulin ay ang pagconvert ng data na nakuha ng mga sensor sa usable information. Ang isang sistema ng koleksyon ng data karaniwan ay binubuo ng sumusunod na tatlong aspeto:

• Data Acquisition Unit (DAU). Ang DAU ay pangunahing responsable sa pagtanggap ng analog signals mula sa iba't ibang mga sensor at pagconvert ng mga analog signals na ito sa digital signals. Ang DAU ay sigurado na ang data ay nakuha sa angkop na rate (karaniwan na may response time sa millisecond range) at may tiyak na precision (karaniwan na abot-tanaw ng 16 bits o mas mataas) upang matugunan ang mga susunod na pangangailangan sa pagproseso.

• Pagsasalin ng Data. Ang nakuha na data ay isinasalin sa isang central processing server sa pamamagitan ng isang stable communication network. Ang hakbang na ito kadalasang umaasa sa wireless communication technologies tulad ng Wi-Fi o 4G/5G networks, na maaaring paigtingin pa ang bilis at epektibidad ng pagsasalin ng data at mabawasan ang komplikasyon at gastos sa wiring.

• Pagganap at Pamamahala ng Data. Pagkatapos ng matagumpay na pagsasalin ng data, kinakailangang maisagawa ang epektibong pagganap at pamamahala ng data sa isang server o sa cloud upang makabuo ng mas buong database. Ang pagganap ng data kailangang suportahan ang mabilis na access at malaking scale na pagsusuri ng data, kaya ang high-performance databases ang kailangan upang makamit ang paghahanap at retrieval ng data. Ang schematic diagram ng pagtatatag ng database ay ipinapakita sa Figure 3.

Sa pamamagitan ng mga sensor at koleksyon ng data, ang real-time monitoring ng status ng operasyon at mga indikador ng performance ng equipment ay maaaring maagang matukoy ang potensyal na defect, nagbibigay ng kinakailangang basehan para sa mapagmatyag na pagtuklas ng mekanikal na pagkakamali, pagpreventa ng pagkakamali, at pagtiyak sa matatag na operasyon ng sistema ng kuryente.

2.2 Pagproseso at Pagsusuri ng Data
2.2.1 Time-Frequency Analysis

Ang time-frequency analysis ay isang epektibong pamamaraan ng pagproseso ng data na maaaring i-transform ang mga signal mula sa time domain hanggang sa frequency domain, na nagpapakita ng internal characteristics at changing trends ng mga signal. Ang mga karaniwang ginagamit na time-frequency analysis methods ay kinabibilangan ng Short-Time Fourier Transform (STFT), wavelet transform, at Wigner-Ville distribution.

Ang STFT ay gumagawa ng local Fourier transform sa signal sa pamamagitan ng window ng fixed size, kaya ito ay angkop para sa pag-analyze ng mga signal na ang frequencies ay mabagal na nagbabago sa panahon. Halimbawa, tuwing nagmo-monitor ng aktuator, ang STFT ay maaaring epektibong matukoy ang frequency drifts na dulot ng friction o loose ng struktura.

Ang wavelet transform ay maaaring magbigay ng windows ng variable size, kaya ito ay angkop para sa pag-proseso ng mga signal na may instantaneous mutation characteristics. Sa pamamagitan ng pag-adjust ng mother wavelet function, maaaring matukoy ang mga abnormal na vibrations sa loob ng ispesipikong frequency band.

Bilang isang advanced na tool ng time-frequency analysis, ang Wigner-Ville distribution, bagaman naggagenerate ng cross-term interference, ay nagbibigay ng mas refined na pagsusuri ng oras at frequency ng signal, kaya ito ay partikular na angkop para sa fault detection sa complex signal environments.

Sa praktikal na aplikasyon, ang pag-combine ng nabanggit na time-frequency analysis methods sa original data na nakuha ng mga sensor ay maaaring accurately monitor at diagnose ang operasyon ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay. Sa normal na operasyon, ang frequency range ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay ay karaniwan na maaaring mati-maintain sa 50-100 Hz; habang sa kaso ng hindi magandang kontak, pagod ng komponente ng struktura, at pagsisira, ang frequency ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay ay magbabago nang significant o magaganap ang bagong frequency components.

2.2.2 Machine Learning at Pattern Recognition

Una, pagkatapos ng koleksyon ng data, sa pamamagitan ng pre-processing stage tulad ng noise elimination at feature extraction, ang input data ay inihanda para sa machine-learning algorithms. Ang data ay kasama ang frequency components ng mga vibration signals, waveform characteristics ng mga electrical parameters, atbp.

Pangalawa, ang supervised learning algorithms tulad ng Support Vector Machines (SVM) at Random Forest ay maaaring gamitin para sa classification ng data na nakuha mula sa mga sensor. Ang mga algorithm na ito ay in-training upang matukoy ang iba't ibang uri ng fault patterns, tulad ng unique signal patterns na dulot ng hindi magandang kontak o pagkakamali ng aktuator. Sa praktikal na aplikasyon, libu-libong data points ay in-input sa mga algorithm para sa training upang tiyakin na sila ay maaaring accurately identify ang fault states.

Sa huli, ang deep-learning techniques, lalo na ang Convolutional Neural Networks (CNN), ay ginagamit para sa complex pattern recognition. Ang deep-learning techniques ay maaaring i-extract ang useful information mula sa large-scale multi-dimensional data sa pamamagitan ng kanilang automatic feature-learning capabilities, na nagpapataas ng accuracy ng diagnosis. Halimbawa, sa isang specific CNN model, ilang convolutional layers at pooling layers ang idinedesign para sa proseso ng nakuha na video image data upang matukoy ang typical fault features.

2.3 Pagsusuri ng Signal ng Kuryente ng Drive Motor

Ang real-time monitoring at pagsusuri ng mga signal ng kuryente na ginagawa sa panahon ng operasyon ng drive motor ay maaaring hulaan at diagnose ang potensyal na mekanikal na pagkakamali. Ang pagsusuri ng signal ng kuryente ng drive motor ay karaniwang nakatuon sa pag-detect ng maliit na pagbabago sa signal ng kuryente upang matukoy ang anomaly o pag-aging ng mga komponente ng mekanikal.

Kung may mga pagkakamali sa mga komponente ng mekanikal ng mataas na tensyon na switch na nagbibigay ng paghihiwalay, tulad ng pinsala sa bearing, gear wear, o imbalance, ito ay indirect na maaapektuhan ang load ng drive motor, na nagreresulta sa specific pattern variations sa signal ng kuryente nito.

Sa termino ng pagsusuri ng data, ang current sensor ay ginagamit para irecord ang waveform ng kuryente sa normal na operasyon sa paligid ng power-supply coil ng motor. Ang sampling frequency ay karaniwang itinatakda sa itaas ng 20 kHz upang kuhanin ang detailed information at tiyakin ang high-precision data parsing.

Sa termino ng feature extraction, ang Fourier transform ay ginagamit upang i-convert ang time-domain current signal sa frequency-domain signal, na tumutulong sa pag-identify ng harmonic anomalies na dulot ng mekanikal na pagkakamali. Halimbawa, sa walang pagkakamali, ang signal ng kuryente ng drive motor ay pangunahing naglalaman ng fundamental frequency at kanyang integer-multiple harmonics. Kung may pagkakamali, tulad ng pagkakamali ng bearing, ang bagong peaks ay maaaring ma-observe sa specific frequencies.

Sa susunod na pagsusuri ng data, ang statistical methods ay maaaring gamitin upang analisin ang nakuha na frequencies. Halimbawa, kalkulahin ang pagbabago ng amplitude ng bawat frequency point, at i-train ang isang fault-identification model gamit ang machine-learning algorithm. Ang input ng algorithm ay ang frequency characteristics ng signal ng kuryente, at ang output ay ang prediction ng uri at severity ng pagkakamali.

Sa pamamagitan ng pagsusuri ng signal ng kuryente, ang deviation ng signal ng kuryente ay maaaring quantified. Halimbawa, sa initial stage ng pagkakamali ng bearing, ang amplitude ng current harmonic ay maaaring tumaas ng 5-10 A, habang sa kaso ng gear wear, ang amplitude ng relevant harmonic ay maaaring tumaas ng 3-8 A. Ito ay nagbibigay-daan sa maintenance team upang accurately determine ang estado ng equipment at plan maintenance work, na nagiiwas sa large-scale power outages na dulot ng pagkakamali.

2.4 Application of Resistance Strain Measurement Technology

Ang resistance strain measurement technology ay maaaring gamitin upang monitorin ang structural stress at deformation ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay. Ang teknolohiya na ito ay isinasagawa sa pamamagitan ng resistance strain gauges na inilapat sa mga key components.

Ang resistance strain gauge ay isang sensor na nagco-convert ng mechanical deformation sa electrical signal. Ang working principle nito ay batay sa katangian na ang resistance value ng metal conductor ay nagbabago kapag ito ay deformed under force. Ang schematic diagram ng resistance strain gauge structure ay ipinapakita sa Figure 4.

Sa pagpili ng resistance strain gauges, maaaring pumili ng high-precision metal foil resistance strain gauges. Ang mga gauge na ito ay may mabuting linear characteristics at stable temperature response, at karaniwang inilalapat sa mga posisyon kung saan ang mataas na tensyon na switch na nagbibigay ng paghihiwalay ay pinakamalaki ang stress at pinakamalaki ang tendency sa pagod, tulad ng contact arm at rotating shaft.

Pagkatapos ng pagpili at pag-install ng resistance strain gauges, ang mga gauge ay kailangang ikonekta sa data collection system sa pamamagitan ng wires. Ang data collection system ay responsable sa pag-record ng resistance changes na inilalabas ng resistance strain gauges at pag-convert nito sa voltage signals para basahin. Ang data collection system kailangang may mataas na sampling rate at mataas na resolution upang matiyak na ito ay maaaring kuhanin ang mabilis na strain changes na ginagawa sa panahon ng operasyon ng mataas na tensyon na switch na nagbibigay ng paghihiwalay. Ang sampling rate na ginagamit ay karaniwang nasa kilohertz range, at ang resolution ay nasa millivolt level.

Ang appropriate software ay ginagamit upang iproseso ang nakuha na voltage signals. Una, ang filtering ay isinasagawa upang alisin ang possible noise interference, at pagkatapos, ang mathematical algorithms tulad ng Fast Fourier Transform (FFT) ay ginagamit upang analisin ang signal spectrum at i-extract ang strain data. Ang strain data ay maaaring iconvert upang makakuha ng actual stress state ng corresponding component.

Ang naisuring strain data ay isinasalungat sa pre-established stress model ng mataas na tensyon na switch na nagbibigay ng paghihiwalay upang i-evaluate ang kasalukuyang health status ng equipment. Kapag ang monitored stress ay lumampas sa design threshold, ang data collection system ay awtomatikong mag-iissue ng warning signal upang paalamin ang operation and maintenance personnel na gawin ang inspections o maintenance.

3 Conclusion

Ang artikulong ito ay malalim na pinag-aralan ang mga karaniwang uri ng mekanikal na pagkakamali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay at ang kanilang intelligent diagnosis methods. Ang paggamit ng intelligent diagnosis methods para sa mekanikal na pagkakamali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay ay hindi lamang maaaring mapataas ang reliability ng operasyon ng equipment kundi maaari ring significantly reduce ang maintenance costs at optimize ang maintenance decision-making process.

Sa patuloy na progreso ng agham at teknolohiya at ang pagiging mature ng teknolohiya ng pagsusuri ng data, ang mga taong may kinalaman ay kailangang dagdagan ang investment sa research upang mapataas ang intelligent diagnosis level ng mekanikal na pagkakamali ng mataas na tensyon na mga switch na nagbibigay ng paghihiwalay, nagbibigay ng malakas na support para sa matatag na operasyon ng sistema ng kuryente.