Inteligentna dijagnoza i analiza mehaničkih kvara u visokonaponskim prekidačima

U suvremenim električnim sustavima, visokonaponski prekidači igraju ključnu ulogu. Osiguravaju sigurno izoliranje električnog opreme ili linija tijekom održavanja i pouzdanost tijekom normalne operacije. Mekaničke kvarove visokonaponskih prekidača, poput lošeg kontakta, neispravnosti pogonskog uređaja ili umora strukturnih dijelova, može teško utjecati na stabilnost i sigurnost cijelog električnog sustava.Tradicionalne metode otkrivanja kvara oslanjaju se na redovito održavanje i ručne pregledi.

Te metode nisu samo vremenski zahtjevne i trudno intenzivne, već su također skloni propustiti optimalno vrijeme intervencije u ranim fazama kvara. S nastavkom napretka tehnologije, pojavile su se inteligentne dijagnostičke tehnike koje nude učinkovitiju i precizniju rješenja za nadzor i dijagnozu kvara.

Inteligentne dijagnostičke metode, poput prikupljanja podataka temeljenih na senzorima, obrada i analiza podataka, analiza signala strujnog toka pogonskog motora i mjerenje otpornosti deformacije, mogu u stvarnom vremenu identificirati neobična ponašanja visokonaponskih prekidača, predvidjeti potencijalne kvarove i uputiti odluke o održavanju. To značajno unapređuje pouzdanost i operativnu učinkovitost električnog sustava.

1 Uobičajeni tipovi mehaničkih kvara visokonaponskih prekidača
1.1 Neispravnost lošeg kontakta

Loš kontakt uglavnom je uzrokan oksidacijom površine kontakta, nedostatkom pritiska kontakta ili smanjenom površinom kontakta. Ovaj tip kvara obično dovodi do povećanja otpora, što utječe na provodljivost visokonaponskog prekidača. Zbog lošeg kontakta, generira se više toplote kada struja prolazi kroz tačke kontakta. To ne samo ubrzava izgorevanje tačaka kontakta, već uzrokuje i ozbiljnije probleme s toplinskim efektom, poput spajanja ili lokalnog pregrejanja.

Loš kontakt može uzrokovati nestabilnost napona, što utječe na kvalitetu napona električnog sustava. Trajni problemi s lošim kontaktom lako mogu dovesti do pada performansi izolacije visokonaponskog prekidača, povećavajući operativne sigurnosne rizike sustava. Stoga je važno otkriti i ispraviti probleme s lošim kontaktom visokonaponskih prekidača kako bi se osigurala stabilna i sigurna operacija električnog sustava.

1.2 Neispravnost pogonskog uređaja

Neispravnost pogonskog uređaja je značajan problem koji utječe na performanse visokonaponskih prekidača. Ovaj tip kvara uključuje mehanički iznos, nedostatak smariva i starenje komponenti. Mekanički iznos obično odnosi se na oštećenje pogonskih komponenti, poput ležaja i zupčanika, tijekom dugotrajnih ponavljajućih operacija. Nedostatak smariva povećava trenje, ubrzavajući stopu iznosa mehaničkih dijelova i smanjujući operativnu učinkovitost pogonskog uređaja.

S porastom vremena službe, različite komponente pogonskog uređaja gube svoje originalne osobine ili se deformiraju zbog starenja materijala, čime se utječe na pouzdanost i sigurnost cijele operacije visokonaponskog prekidača. Ako se ovi kvarovi ne otkriju i ne isprave na vrijeme, može doći do netočne operacije visokonaponskog prekidača, a u težim slučajevima, čak i do opasnosti za stabilnu operaciju cijelog električnog sustava.

1.3 Umor i oštećenje strukturnih komponenti

Umor i oštećenje strukturnih komponenti obično se javljaju pod uticajem dugotrajnog mehaničkog opterećenja i okolišnih faktora. Strukturne komponente, poput stuba, spojnih štapova i ležaja, postupno iskušavaju umor materijala pod djelovanjem dugotrajnog mehaničkog opterećenja, posebno tijekom često otvaranja i zatvaranja. S vremenom, ta opterećenja se akumuliraju unutar materijala, dovodeći do stvaranja i širenja mikropraskotina, koje konačno evoluiraju u značajne mehaničke oštećenja.

Dodatno, okolišni faktori poput promjena temperature, vlažnosti i korozivnih okruženja mogu ubrzati stopu umora strukturnih komponenti, utječeći na njihove mehaničke osobine i vijek trajanja. Umor i oštećenje strukturnih komponenti ne samo da utječu na normalnu funkciju visokonaponskih prekidača, već i stvaraju prijetnju ukupnoj stabilnosti električnog sustava.

2 Inteligentne metode dijagnoze mehaničkih kvara visokonaponskih prekidača
2.1 Senzori i prikupljanje podataka

Senzori imaju ključnu ulogu u dijagnostici mehaničkih kvara visokonaponskih prekidača. Glavni zadaci su prikupljanje ključnih fizikalnih parametara tijekom operacije opreme, kao što su vibracija, zvuk, temperatura i struja. Za visokonaponske prekidače, glavni senzori uključuju vibracione senzore, akustičke emisije senzore i senzore struje i napona.

Vibracioni senzori koriste se za detekciju frekvencije i amplituda vibracije generirane komponentama opreme tijekom operacije. Analizom podataka o vibraciji moguće je predvidjeti iznos opreme i postojeće kvarove. Općenito, frekvencija vibracije normalno radnog visokonaponskog prekidača trebala bi biti u standardnom opsegu (obično, prag je postavljen na više od 10 puta operativnu frekvenciju). Ako premaši ovaj opseg, to može ukazivati na anomaliju. Shematski prikaz vibracionog senzora prikazan je na slici 1.

Akustički emisije senzori uhvaćaju zvuk temeljen na visokofrekventnim zvučnim valovima generiranim materijalnim ili strukturnim defektima. Tijekom operacije visokonaponskog prekidača, ako postoje praskotine ili oslabljenje, akustički emisije senzori mogu pravočasno uhvatiti fluktuacije zvuka uzrokowane tim malim deformacijama ili rupturama. Princip akustičkih emisija senzora prikazan je na slici 2.

Senzori struje i napona glavno nadgledaju promjene u nivoima struje i napona koji prođu kroz visokonaponski prekidač. Anomalne čitanje struje ili napona s tih senzora obično ukazuju na probleme s električnim vezama ili funkcionalnosti.

1 - Praznine za vijake; 2 - Temelj; 3 - Piezoelektrični kristali; 4 - Elektronički pojačalo; 5 - Konektor za terminal

U pogledu prikupljanja podataka, glavni zadatak je pretvoriti podatke prikupljene senzorima u korisne informacije. Sustav prikupljanja podataka obično se sastoji od sljedeća tri aspekta:

• Jedinica za prikupljanje podataka (DAU). DAU je glavno odgovoran za primanje analognih signala od različitih senzora i pretvaranje tih analognih signala u digitalne signale. DAU osigurava da se podaci prikupljaju u odgovarajućem tempu (obično s vremenskom reakcijom u milisekundama) i s određenom preciznošću (obično doseženo 16 bita ili više) kako bi se ispunili zahtjevi za kasnije obrađivanje.

• Prijenos podataka. Prikupljeni podaci se prenose na centralni procesorski poslužitelj putem stabilne komunikacijske mreže. Ovaj korak često se oslanja na bežične komunikacijske tehnologije poput Wi-Fi ili 4G/5G mreža, što može dalje povećati brzinu i učinkovitost prijenosa podataka i smanjiti složenost i troškove žice.

• Pohrana i upravljanje podacima. Nakon uspješnog prijenosa podataka, potrebno je provesti učinkovitu pohranu i upravljanje podacima na poslužitelju ili u oblaku kako bi se stvorila kompletnija baza podataka. Pohrana podataka mora podržavati brzi pristup i velikoskalnu analizu podataka, pa su potrebne visokoperformantne baze podataka za ostvarivanje upita i pretraživanja podataka. Shematski prikaz stvaranja baze podataka prikazan je na slici 3.

Kroz senzore i prikupljanje podataka, stvarno-vremenski nadzor stanja i pokazatelja performansi opreme može pravočasno otkriti potencijalne defekte, pružajući nužnu osnovu za inteligentnu dijagnozu mehaničkih kvara, sprečavajući pojavu kvara i osiguravajući stabilnu operaciju električnog sustava.

2.2 Obrada i analiza podataka
2.2.1 Vremensko-frekventna analiza

Vremensko-frekventna analiza je učinkovita metoda obrade podataka koja može transformirati signale iz vremenskog domena u frekventni domen, otkrivajući unutarnje karakteristike i trendove promjena signala. Uobičajene metode vremensko-frekventne analize uključuju Kratkovremenu Fourierovu transformaciju (STFT), valničku transformaciju i Wigner-Ville distribuciju.

STFT vrši lokalnu Fourierovu transformaciju na signalu putem prozora fiksne veličine, što ga čini prikladnim za analizu signala čije frekvencije sporije mijenjaju s vremenom. Na primjer, tijekom nadzora pogonskog uređaja, STFT može učinkovito identificirati pomak frekvencije uzrokovan trenjem ili strukturnim oslabljenjem.

Valnička transformacija može pružiti prozore varirajuće veličine, što ju čini prikladnom za obradu signala s karakteristikama momentalne mutacije. Prilagođavanjem maternog valića moguće je precizno identificirati neobične vibracije unutar određenog frekventnog pojasa.

Kao napredan alat za vremensko-frekventnu analizu, Wigner-Ville distribucija, iako generira interferenciju križnih termina, nudi sofisticiraniju analizu vremena i frekvencije signala, čime je posebno prikladna za otkrivanje kvara u složenim okruženjima signala.

U praktičnoj primjeni, kombiniranjem navedenih metoda vremensko-frekventne analize s originalnim podacima izmjerjenim senzorima može se precizno nadgledati i dijagnosticirati stanje visokonaponskih prekidača. Pod normalnim uvjetima rada, frekventni opseg visokonaponskih prekidača obično se može održavati na 50-100 Hz; dok u slučaju lošeg kontakta, umora strukturnih komponenti i oštećenja, frekvencija visokonaponskih prekidača značajno se pomakne ili pojavi novi frekventni komponenti.

2.2.2 Strojno učenje i prepoznavanje uzoraka

Prvo, nakon prikupljanja podataka, kroz fazu predprocesiranja poput eliminacije šuma i ekstrakcije značajki, podaci se pripremaju za algoritme strojnog učenja. Podaci uključuju frekventne komponente vibracionih signala, karakteristike talasnog oblika električnih parametara itd.

Drugo, algoritmi nadziranog učenja poput mašinskih vektora podrške (SVM) i nasumičnih šuma mogu se koristiti za klasifikaciju podataka dobivenih od senzora. Ti algoritmi su obučeni da prepoznaju različite tipove uzoraka kvara, poput jedinstvenih signala uzrokovanih lošim kontaktom ili neispravnostima pogonskog uređaja. U praktičnoj primjeni, hiljade točaka podataka su unesene u algoritme za obuku kako bi se osigurala točna identifikacija stanja kvara.

Napokon, tehnike dubokog učenja, posebno konvolucijske neuronske mreže (CNN), koriste se za složeno prepoznavanje uzoraka. Tehnike dubokog učenja mogu izvlaci korisne informacije iz velikih skupova multidimenzionalnih podataka kroz svoje automatsko učenje značajki, poboljšavajući točnost dijagnoze. Na primjer, u specifičnom modelu CNN, dizajnirano je nekoliko konvolucijskih slojeva i slojeva smanjenja za obradu prikupljenih video slikovnih podataka kako bi se prepoznale tipične karakteristike kvara.

2.3 Analiza signala strujnog toka pogonskog motora

Stvarno-vremensko nadgledanje i analiza signala strujnog toka generiranih tijekom rada pogonskog motora mogu predvidjeti i dijagnosticirati potencijalne mehaničke kvarove. Analiza signala strujnog toka pogonskog motora obično se fokusira na detekciju malih promjena u signalu struje kako bi se odredile anomalije ili iznos mehaničkih komponenti.

Ako postoje kvarovi u mehaničkim komponentama visokonaponskog prekidača, poput oštećenja ležaja, iznosa zupčanika ili neravnoteže, to će indirektno utjecati na opterećenje pogonskog motora, dovodeći do specifičnih varijacija u njegovom signalu struje.

U pogledu analize podataka, senzor struje koristi se za snimanje talasa struje u normalnim uvjetima rada oko navojnice snabdjevanja motora. Frekvencija uzorkovanja obično se postavlja iznad 20 kHz kako bi se uhvatili detaljni podaci i osigurala visoka preciznost analize podataka.

U pogledu ekstrakcije značajki, Fourierova transformacija koristi se za pretvorbu signala struje iz vremenskog domena u frekventni domen, što pomaže u identifikaciji harmonijskih anomalija uzrokovanih mehaničkim kvarovima. Na primjer, bez kvara, signal struje pogonskog motora uglavnom sadrži fundamentalnu frekvenciju i njeni cijeli broj harmonika. Ako postoji kvar, poput oštećenja ležaja, nove vrhove će se opaziti na određenim frekvencijama.

U kasnijoj obradi podataka, statističke metode mogu se koristiti za analizu izvučenih frekvencija. Na primjer, izračunata se promjena amplituda svake frekvencijske točke, a model prepoznavanja kvara obučen je pomoću algoritma strojnog učenja. Ulaz algoritma su frekvencijske karakteristike signala struje, a izlaz je predviđanje vrste i težine kvara.

Analizom signala struje može se kvantificirati odstupanje signala struje. Na primjer, u inicijalnoj fazi oštećenja ležaja, amplituda harmonika struje može se povećati za 5-10 A, dok u slučaju iznosa zupčanika, amplituda relevantnih harmonika može se povećati za 3-8 A. To omogućuje timu održavanja da točno odredi stanje opreme i planira održavanje, sprečavajući masovne prekide snabdevanja strujom uzrokovane kvarovima.

2.4 Primjena tehnologije mjerenja otpornosti deformacije

Tehnologija mjerenja otpornosti deformacije može se koristiti za nadgledanje strukturnog opterećenja i deformacije visokonaponskih prekidača. Ova tehnologija se ostvaruje kroz instalaciju senzora otpornosti deformacije na ključne komponente.

Senzor otpornosti deformacije je senzor koji pretvara mehaničku deformaciju u električni signal. Njegov radni princip temelji se na osobini da se vrijednost otpora metalnog vodnika mijenja kada je deformiran silom. Shematski prikaz strukture senzora otpornosti deformacije prikazan je na slici 4.

Pri odabiru senzora otpornosti deformacije, mogu se odabrati visoko precizni senzori otpornosti deformacije od folije metala. Ovi senzori imaju dobre linearne karakteristike i stabilnu temperaturnu reakciju, i obično se instaliraju na pozicijama gdje je visokonaponski prekidač najopterećeniji i najskloniji umoru, poput kontaktnog ruka i rotacijskog vratila.

Nakon završetka odabira i instalacije senzora otpornosti deformacije, senzori se moraju povezati s sustavom prikupljanja podataka kroz žice. Sustav prikupljanja podataka je odgovoran za snimanje promjena otpora prenesenih od senzora otpornosti deformacije i pretvaranje ih u signale napona za čitanje. Sustav prikupljanja podataka mora imati visoku brzinu uzorkovanja i visoku rezoluciju kako bi se osiguralo da može uhvatiti brze promjene deformacije generirane tijekom rada visokonaponskog prekidača. Koristena frekvencija uzorkovanja obično je u kilohertznom opsegu, a rezolucija dosega milivoltnu razinu.

Prikladno softver se koristi za obradu prikupljenih signala napona. Najprije se izvrši filtriranje kako bi se uklonio mogući šum, a zatim se matematički algoritmi poput Brzog Fourierovog transformacije (FFT) koriste za analizu spektra signala i izdvajanje podataka deformacije. Podaci deformacije mogu se pretvoriti kako bi se dobilo stvarno stanje opterećenja odgovarajuće komponente.

Izmjereni podaci deformacije uspoređuju se s prethodno utvrđenim modelom opterećenja visokonaponskog prekidača kako bi se procijenilo trenutno zdravstveno stanje opreme. Kada nadgledano opterećenje premaši projektirani prag, sustav prikupljanja podataka će automatski generirati signal upozorenja kako bi se upozorili operativni i održavajući osoblje da provedu inspekciju ili održavanje.

3 Zaključak

Ovaj članak je u-duboko istražio uobičajene tipove mehaničkih kvara visokonaponskih prekidača i njihove inteligentne metode dijagnoze. Korištenjem inteligentnih metoda dijagnoze mehaničkih kvara visokonaponskih prekidača, ne samo da se može poboljšati pouzdanost rada opreme, već se također značajno može smanjiti troškovi održavanja i optimizirati proces donošenja odluka o održavanju.

S napretkom znanosti i tehnologije te povećanjem zrelosti tehnologije analize podataka, relevantno osoblje treba povećati ulaganje u istraživanje kako bi se poboljšalo inteligentno dijagnostičko razine mehaničkih kvara visokonaponskih prekidača, pružajući snažnu podršku za stabilnu operaciju električnog sustava.