Intelligens diagnózis és elemzés a magasfeszültségű kiválasztókapcsolók gépi hibáinak esetén

A modern elektrikus rendszerekben a magasfeszültségű kapcsolók játszanak létfontosságú szerepet. Biztosítják az elektromos berendezések vagy vezetékek biztonságos elválasztását karbantartási munkálatok során, valamint megbízhatóságukat normális működés közben. A magasfeszültségű kapcsolók mechanikai hibái, mint például a rossz kapcsolódás, a működtető hiba vagy a szerkezeti elemek fáradtsága, súlyosan befolyásolhatják az egész energiarendszer stabilitását és biztonságát.A hagyományos hibadetektálási módszerek rendszeres karbantartásra és kézi ellenőrzésekre támaszkodnak.

Ezek a módszerek nem csak időigényesek és munkaerő igényesek, de gyakran kihagyják a hiba korai szakaszában a legmegfelelőbb beavatkozási időt is. A technológia folyamatos fejlődésével intelligens diagnosztikai technikák jöttek létre, amelyek hatékonyabb és pontosabb megoldást kínálnak a hibaelőrejelzésre és diagnosztikára.

Az intelligens diagnosztikai módszerek, mint például az érzékelő-alapú adatszükségletek gyűjtése, az adatfeldolgozás és -elemzés, a hajtómotor áramjeleinek elemzése, valamint a ellenállási feszültségmérés, valós időben felismertethetik a magasfeszültségű kapcsolók anomáliáit, előre jelezhetik a potenciális hibákat, és segíthetnek a karbantartási döntések meghozatalában. Ez jelentősen növeli az energiarendszer megbízhatóságát és működési hatékonyságát.

1 Gyakori mechanikai hibák a magasfeszültségű kapcsolóknál
1.1 Rossz kapcsolódás

A rossz kapcsolódás főleg a kapcsolófelület oxidálódásával, a hiányos kapcsolónyomással vagy a csökkenő kapcsolófelülettel okozható. Ez a típusú hiba általában ellenállás emelkedését eredményezi, ami befolyásolja a magasfeszültségű kapcsoló vezetőképességét. A rossz kapcsolódás miatt a kapcsolóponton átmenő áram esetén több hő keletkezik. Ez nem csak a kapcsolópontok használati élettartamának gyorsított lejárását eredményezi, de súlyosabb hőmérsékleti hatásokat is okoz, mint például a hőbezárás vagy a helyi túlhő.

A rossz kapcsolódás fennállása továbbá instabilizálhatja a feszültséget, ami befolyásolja az energiarendszer feszültségminőségét. A hosszú távú rossz kapcsolódás könnyen csökkentheti a magasfeszültségű kapcsoló izolációs teljesítményét, ami növeli a rendszer működési biztonsági kockázatait. Tehát a magasfeszültségű kapcsolók rossz kapcsolódásának időben történő felismerése és megfelelő kezelése alapvető fontosságú az energiarendszer stabil és biztonságos működéséhez.

1.2 Működtető hiba

A működtető hiba jelentős problémát jelent a magasfeszültségű kapcsolók teljesítményének befolyásolásában. Ez a típusú hiba olyan problémákat tartalmaz, mint a mechanikai használat, a hiányos smarazgatás és a részek öregedése. A mechanikai használat általában hosszú ideig ismétlődő műveletek során, mint például a csapágarak és fogaskerekek, sérülését jelenti. A hiányos smarazgatás növeli a súrlódást, ami gyorsítja a mechanikai részek használati élettartamának lejárását, és csökkenti a működtető hatékonyságát.

Ahogy a szolgáltatási idő növekszik, a működtető különböző részei elveszítik eredeti tulajdonságaikat, vagy alakváltozást szenvednek anyagi öregedés miatt, ami befolyásolja a teljes magasfeszültségű kapcsoló megbízhatóságát és biztonságát. Ha ezek a hibák időben nem kerülnek felismerésre és kezelésre, akkor a magasfeszültségű kapcsoló hibás működéséhez, sőt, végzetes esetben, az egész energiarendszer stabilitásának fenyegetéséhez is vezethetnek.

1.3 Szerkezeti elemek fáradtsága és károsodása

A szerkezeti elemek fáradtsága és károsodása általában hosszú ideig tartó mechanikai terhelések és környezeti tényezők hatására alakul ki. Olyan szerkezeti elemek, mint oszlopok, csatlakozó rúdak és csapágarak, hosszú ideig tartó mechanikai terhelések hatására, különösen gyakori nyitási és záró műveletek során, fokozatosan anyagi fáradtságot mutatnak. Idővel ezek a terhelések a anyagban kumulálódnak, mikro-szakadások kialakulásához és terjedéséhez vezetnek, ami végül jelentős mechanikai károkhoz vezethet.

Továbbá, a hőmérséklet-változás, a páratartalom és a korrodáló környezetek is gyorsíthatják a szerkezeti elemek fáradtságát, ami befolyásolja a mechanikai tulajdonságokat és a szolgáltatási élettartamot. A szerkezeti elemek fáradtsága és károsodása nem csak a magasfeszültségű kapcsolók normális funkcióit befolyásolja, hanem fenyegetést jelent az energiarendszer teljes stabilitására is.

2 Intelligens diagnosztikai módszerek a magasfeszültségű kapcsolók mechanikai hibáinak felismerésére
2.1 Érzékelők és adatszükségletek gyűjtése

Az érzékelők kulcsszerepet játszanak a magasfeszültségű kapcsolók mechanikai hibáinak diagnosztikájában. Főleg felelősek a berendezések működése során fellépő fontos fizikai paraméterek rögzítéséért, mint például rezgések, hang, hőmérséklet és áram. A magasfeszültségű kapcsolók esetében a fő érzékelők rezgésszintetektorok, akusztikus emissziós érzékelők, valamint áram- és feszültség-érzékelők.

A rezgésszintetektorok a berendezés komponenseinek működése során generált rezgésciklusok és amplitúdók detektálására szolgálnak. A rezgésadatok elemzése révén lehet előre jelezni a berendezés használati élettartamának lejárását és a létező hibákat. Általában egy normálisan működő magasfeszültségű kapcsoló rezgésciklusai a standard tartományon belül kellene hogy legyenek (általában a küszöbérték 10-szerese a működési frekvenciánál). Ha ezen a tartományon túl halad, akkor ez anomáliát jelezhet. A rezgésszintetektor sémája látható az 1. ábrán.

Az akusztikus emissziós érzékelők a anyag vagy szerkezeti defektek által generált magasfrekvenciás hang hullámokat rögzítik. Ha a magasfeszültségű kapcsoló működése során létrejönnek rikkantások vagy laposodások, az akusztikus emissziós érzékelők gyorsan rögzíthetik a kisebb deformációk vagy romlások által okozott hangfluktuációkat. Az akusztikus emissziós érzékelő működési elvét a 2. ábra mutatja be.

Az áram- és feszültség-érzékelők főleg a magasfeszültségű kapcsolón keresztül áthaladó áram- és feszültség-szintek változásait monitorozzák. Az ilyen érzékelőkből származó anomális áram- vagy feszültség-mutatók általában elektromos kapcsolódásokkal vagy funkciókkal kapcsolatos problémákat jeleznek.

1 - Rögzítő lyukak; 2 - Alap; 3 - Piezoelektrikus kristályok; 4 - Elektronikus erősítő; 5 - Végzőkapcsoló

Az adatszükségletek gyűjtése tekintetében a fő feladat az érzékelőkből származó adatok használható információvá alakítása. Egy adatszükségletek gyűjtési rendszer általában a következő három aspektust tartalmazza:

• Adatszükségletek gyűjtési egység (DAU). A DAU főleg felelős a különböző érzékelőkből származó analóg jelrekordok fogadásáért és ezek analóg jelrekordok digitális jelrekordokká történő konvertálásáért. A DAU biztosítja, hogy az adatok megfelelő ütemben (általában millisekundumos válaszidővel) és bizonyos pontossággal (általában 16 bites vagy annál nagyobb) legyenek gyűjtve, hogy a következő feldolgozás követelményeit kielégítsék.

• Adatátvitel. A gyűjtött adatok át lesznek küldve egy központi feldolgozási szerverre stabil kommunikációs hálózaton keresztül. Ez a lépés gyakran a Wi-Fi vagy 4G/5G hálózatokon alapuló vezeték nélküli kommunikációs technológiákat használ, amelyek tovább növelik az adatátviteli sebességet és hatékonyságot, valamint csökkentik a vezetékes infrastruktúra összetettségét és költségeit.

• Adattárolás és -kezelés. Az adatátvitel sikeres befejezése után a szerveren vagy a felhőben kell hatékonyan tárolni és kezelni az adatokat, hogy egy teljesebb adatbázist hozzon létre. Az adattárolásnak gyors hozzáférést és nagy léptékű adatelemzést kell támogatnia, így nagy teljesítményű adatbázisok szükségesek, hogy adatlekérdezést és -kivonatolást hajthasson végre. Az adatbázis létrehozásának sémája látható a 3. ábrán.

Az érzékelők és az adatszükségletek gyűjtése révén a berendezések működési állapotának és teljesítményi mutatóinak valós időben történő figyelése lehetővé teszi a potenciális hibák időben történő felismerését, ami alapvető fontosságú az intelligens mechanikai hibadiagnosztika szempontjából, a hibák előfordulásának megelőzésére, valamint az energiarendszer stabil működésének biztosítására.

2.2 Adatfeldolgozás és -elemzés
2.2.1 Idő-frekvencia elemzés

Az idő-frekvencia elemzés egy hatékony adatfeldolgozási módszer, amely a jelrekordokat az időtartományból a frekvenciatartományba transzformálja, így feltárva a jelrekordok belső jellemzőit és változási trendjeit. A gyakran használt idő-frekvencia elemzési módszerek közé tartozik a Rövid Távú Fourier Transzformáció (STFT), a hullámlejt (wavelet) transzformáció és a Wigner-Ville eloszlás.

Az STFT fix méretű ablakon keresztül helyi Fourier transzformációt végzhet a jelrekordon, ami alkalmas arra, hogy lassan időben változó frekvenciájú jelrekordokat elemzzen. Például, a működtető figyelése során az STFT hatékonyan felismerheti a súrlódás vagy szerkezeti laposodás által okozott frekvenciaeltolódásokat.

A hullámlejt (wavelet) transzformáció változó méretű ablakokat biztosíthat, ami alkalmas az instantan változás jellegű jelrekordok feldolgozására. A bázishullámlejt függvény beállításának módosításával precízen felismerheti a specifikus frekvenciabanda belüli anomális rezgések jellegét.

Mint egy fejlett idő-frekvencia elemzési eszköz, a Wigner-Ville eloszlás, ellenére a kereszteződési tagok előidézésének, finomabb elemzést biztosíthat a jelrekordok idő és frekvenciájának, ami különösen alkalmas a komplex jelrekord környezetben felmerülő hibák felismerésére.

Gyakorlati alkalmazásokban, a fenti idő-frekvencia elemzési módszerek kombinálása az érzékelőkből származó eredeti adatokkal, a magasfeszültségű kapcsolók működési állapotának és teljesítményének pontos figyelését és diagnosztikáját teszi lehetővé. Normál működési feltételek mellett a magasfeszültségű kapcsolók frekvencia tartománya általában 50-100 Hz között marad; míg a rossz kapcsolódás, a szerkezeti elemek fáradtsága és károsodása esetén a magasfeszültségű kapcsolók frekvenciája jelentősen eltérhet, vagy új frekvenciakomponensek jelenhetnek meg.

2.2.2 Gépi tanulás és mintafelismerés

Először, az adatszükségletek gyűjtése után, a zajszűrés és a jellemzők kivonása általános előfeldolgozási szakaszokon keresztül, az adatok felkészülnek a gépi tanulási algoritmusokhoz. Az adatok tartalmazzák a rezgésszintetektor jelrekordok frekvenciakomponenseit, az elektromos paraméterek hullámforma jellemzőit stb.

Másodszor, felügyelt tanulási algoritmusok, mint például a Támogató Vektor Gépek (SVM) és a Véletlenszerű Erdők, felhasználhatók az érzékelőkből származó adatok osztályozására. Ezek az algoritmusok olyan különböző hibamintákat tanulnak fel, mint a rossz kapcsolódás vagy a működtető hibák által okozott unikális jelrekord minták. Gyakorlati alkalmazásokban ezrenek az adatpontokat a tanuláshoz, hogy biztosítsák, hogy a hibákat pontosan felismerjék.

Végül, a mélytanulási technikák, különösen a Konvolúciós Neurális Hálózatok (CNN), használhatók a bonyolult mintafelismerésre. A mélytanulási technikák nagy léptékű többdimenziós adatokból automatikusan hasznos információkat vonhatnak le, javítva a diagnosztika pontosságát. Például, egy specifikus CNN modellben több konvolúciós és pooling réteget terveznek, hogy a gyűjtött videóképadatokat feldolgozzák, és az általános hibajellemzőket felismerjék.

2.3 Hajtómotor áramjelei elemzése

A hajtómotor működése során generált áramjelek valós időben történő figyelése és elemzése előre jelezheti és diagnosztizálhatja a potenciális mechanikai hibákat. A hajtómotor áramjelei elemzése általában a kis változások detektálására összpontosít, hogy meghatározza a mechanikai elemek anomáliáit vagy használati élettartamának lejárását.

Ha a magasfeszültségű kapcsoló mechanikai elemeiben, mint például a csapágarakban, a fogaskerekekben vagy az egyensúlyhiányban, hibák lépnek fel, ez közvetlenül befolyásolja a hajtómotor terhelését, ami specifikus mintavariációkat okoz az áramjelben.

Az adatelemzés szempontjából, egy áram-érzékelő használatával rögzítik a motor tápegység cirkuitje körül normál működési feltételek mellett fellépő áram hullámformáját. A mintavételezési frekvencia általában 20 kHz felett van beállítva, hogy részletes információkat rögzítsen, és garantálja a nagy pontosságú adatfeldolgozást.

A jellemzők kivonásának szempontjából, a Fourier transzformáció segítségével a időtartománybeli áramjelt a frekvenciatartományba transzformálják, ami segít a mechanikai hibák által okozott harmonikus anomáliák felismerésében. Például, hibamentes esetben a hajtómotor áramjelben főleg az alapfrekvencia és annak egész szorzatai találhatók. Ha hiba lép fel, mint például a csapágarkárosodás, új csúcsok jelennek meg specifikus frekvenciákon.

A feldolgozás következő szakaszában statisztikai módszerek segítségével elemzik a kivont frekvenciákat. Például, kiszámítják minden frekvenciapont amplitúdójának változását, és gépi tanulási algoritmust használnak, hogy hibafelismerő modellt képezzenek. Az algoritmus bemenete az áramjel frekvenciakarakterisztikái, míg a kimenete a hiba típusának és súlyosságának előrejelezése.

Az áramjel elemzésével a jelrekord eltérése kvantitatív módon meghatározható. Például, a csapágarkárosodás kezdeti szakaszában az áramharmonikus amplitúdója 5-10 A-val növekedhet, míg a fogaskerek használati élettartamának lejárása esetén a releváns harmonikus amplitúdója 3-8 A-val növekedhet. Ez lehetővé teszi, hogy a karbantartási csapat pontosan meghatározza a berendezés állapotát, és tervezze a karbantartási munkálatokat, így elkerülve a hibák által okozott nagy léptékű áramkimaradásokat.

2.4 Ellenállási feszültségmérési technológia alkalmazása

Az ellenállási feszültségmérési technológia használható a magasfeszültségű kapcsolók szerkezeti terhelésének és deformációjának figyelésére. Ez a technológia ellenállási feszültségmérők segítségével valósul meg, amelyek a kulcselemekre vannak telepítve.

Az ellenállási feszültségmérő egy érzékelő, amely a mechanikai deformációt elektromos jelrekordba alakítja. Működési elve az alapul, hogy a fém vezető ellenállása megváltozik, ha erő hatására deformálódik. Az ellenállási feszültségmérő szerkezetének sémája a 4. ábrán látható.

Az ellenállási feszültségmérők kiválasztásakor, magas pontosságú fémfoliás ellenállási feszültségmérőket lehet választani. Ezek az érzékelők jól lineáris jellemzőkkel és stabil hőmérsékleti válaszra bírnak, és általában a magasfeszültségű kapcsoló legnagyobb terhelésének és fáradtságának kitett részeire, mint például a kapcsolókarra és a forgó tengelyre, telepítik őket.

Az ellenállási feszültségmérők kiválasztása és telepítése után, az érzékelőket vezetékekkel kell a adatszükségletek gyűjtési rendszerhez csatlakoztatni. A adatszükségletek gyűjtési rendszer felelős a ellenállási feszültségmérőkből származó ellenállásváltozások rögzítéséért és azok átalakításáért olvasható voltjelrekordokká. A adatszükségletek gyűjtési rendszernek magas sebességű mintavételezési arányt és nagy felbontást kell biztosítania, hogy garantálja a magasfeszültségű kapcsoló működése során fellépő gyors feszültségváltozások rögzítését. A használt mintavételezési arány általában kilohertz tartományban van, és a felbontás millivolt szinten éri el.

Megfelelő szoftverek segítségével feldolgozzák a gyűjtött voltjelrekordokat. Először, zajszűrést vé