Intelligent Diagnosis and Analysis of Mechanical Failures in High-Voltage Isolating Switches Fróðleg greining og diagnose á verkavandamálum í hágildisbrottfararveggjum

Í nútímam raforku spila háspennaðir skiptingar mikilvægan hlutverk. Þeir tryggja örugga skilgreiningu á raforku eða línum á meðan við viðhald og öruggleika í venjulegri hreyfingu. Ráfærisbrot hjá háspennaðum skiptingum, eins og slemm skynjunar, vandamál við stjórnunareiningu eða fatígu í stilltum hlutum, geta alvarlega áhrif á stöðugleika og öruggleika allrar raforkurinnar.Heimildarmiðlunarkröfur brota eru byggðar á reglulegum viðhaldi og handvirkt yfirferð.

Þessi aðferðir eru ekki aðeins tímafrekar og erfitt vinna en þær geta einnig missað besta tímabil til að gera á miði í fyrstu stigi brotsins. Með framfarandi teknologi hafa smáskiptastarfsemi komið fram sem bera efniara og nákvæmari lausn fyrir vaktun og greiningu brotsa.

Smáskiptastarfsemi, eins og gögnasafnun með sensorum, gögnagreining, greining á straumstöðu motora og mæling á viðstandanarsprengju, geta staðfest brot í rauntíma, forspáðu mögulega brot og leiðbeint viðhaldsákvörðunar. Þetta hefur áhrif á aukin öruggleika og rekstursaðgerð raforkunnar.

1 Almenn brotshlutar hjá háspennaðum skiptingum
1.1 Slemm skynjunar

Slemm skynjunar er aðallega valdi af oksidun yfirborðs, ónúverandi skynjuþrýstingi eða minnkun á skynjuflatarmáli. Slíkt brot leiðir oft til auknar viðstandanar, sem hefur áhrif á leitsefnisferð háspennaðra skiptinga. Vegna slemm skynjunar er ofurmikið hita mynduð þegar straum fer yfir skynjuhiti. Þetta skyndar ekki aðeins niðurgrindingu skynjuhita en valdi einnig alvarlegri hitakerfiþrýstingi, eins og samruna eða lokalegt ofurhitun.

Slemm skynjunar getur einnig valdi óöruggu spenna, sem hefur áhrif á spennumál raforkunnar. Langvarandi slemm skynjunar getur auðveldlega valdi lækka orkuflötungu háspennaðs skiptings, sem aukar öryggisrisa við rekstur kerfisins. Því er mikilvægt að finna og með réttu aðeinsmæla slemm skynjunar í háspennaðum skiptingum til að tryggja stöðug og örugg rekstur raforkunnar.

1.2 Vandræð með stjórnunareiningu

Vandræð með stjórnunareiningu eru mikilvægir áhrif á rekstur háspennaðra skiptinga. Slíkt brot inniheldur ráfærisbrot, ónúverandi rýming og aldursbrot hluta. Ráfærisbrot merkir oft skemmun á hreyfingarhlutum eins og snúningarhjöl og hjól undir langvarandi endurtekendum virkjunum. Ónúverandi rýming aukar rýmingar, sem skyndar niðurgrindingu ráfærisa og lækka reksturafræði stjórnunareiningarinnar.

Eftir auknu notkunartíma tapa mismunandi hlutar stjórnunareiningarinnar upprunalegar eiginleikar eða brotast vegna efnisaldurs, sem hefur áhrif á öruggleika og öruggleika allrar rekstur háspennaðs skiptings. Ef þessi brot eru ekki fundnir og með réttu aðeinsmæld í tíma geta þau valdi rangri virkjun háspennaðs skiptings, og í alvarlegum tilvikum jafnvel geðd rök á stöðugleika allrar raforku.

1.3 Fatígu og skemmun brot í stilltum hlutum

Fatígu og skemmun brot í stilltum hlutum koma oft upp undir áhrifum langvaranda ráfæris og umhverfisþátta. Stilla hlutar eins og stamborð, tengistengir og snúningarhjöl fara gráðuvert í fatígu undir áhrifum langvaranda ráfæris, sérstaklega við oft keypt opnun og lokun. Yfir tíma samlagast þessi rýmingar inn í efnið, sem valdi búningi og útbreiðslu smábrotanna, sem að lokum breytast í mikilvæg ráfærisbrot.

Auk þess geta umhverfisþættir eins og hitabreytingar, raktrögin og rósandi umhverfi skyndt fatíguhraða stilltra hluta, sem hefur áhrif á ráfæriseiginleika og notkunartíma. Fatígu og skemmun brot í stilltum hlutum hafa ekki aðeins áhrif á venjulega virkni háspennaðra skiptinga en valda einnig trúa á stöðugleika allrar raforku.

2 Smáskiptastarfsemi fyrir ráfærisbrot háspennaðra skiptinga
2.1 Sensorar og gögnasafnun

Sensorar spila mikilvægan hlutverk í ráfærisbrotsgreiningu háspennaðra skiptinga. Þeir eru aðallega að skoða mikilvæg fysiskar stærðir í rekstri hænnar, eins og skelfing, hljóð, hita og straum. Fyrir háspennaða skiptinga eru helstu sensorarnir eins og skelfingarsensorar, hljóðsensorar, straums- og spennusensorar.

Skelfingarsensorar eru notaðir til að metra skelfingartíðni og amplitúdu sem myndast af hlutum hænnar í rekstri. Með greiningu skelfingargagna er hægt að spá fyrir um brot eða núverandi brot. Venjulega ætti skelfingartíðni háspennaðs skiptings í venjulegum rekstri að vera innan stöðluðar svæðis (venjulega er markmiðið sett að vera meira en 10 sinnum rekstrartíðni). Ef hann fer yfir þetta svæði, gæti það valdi brot. Skýringarmynd af skelfingarsensori er sýnd á Mynd 1.

Hljóðsensorar taka hljóð eftir hágæða hljóðsvall frá efni eða stilltum hlutum. Á meðan háspennaður skipting er í rekstri, ef það eru skemmun eða laust, hljóðsensorar geta fljótlega tekið hljóðsvalla sem valdi af þessum litill brotum eða brotum. Grunnvísindi hljóðsensora er sýnt á Mynd 2.

Straums- og spennusensorar skoða aðallega breytingar á straumi og spennu sem fer yfir háspennaðan skipting. Óvenjulegar lesingar af þessum sensorum valdi oft vandræðum við elektrisk tenging eða virkni.

1 - Skruvbótarholar; 2 - Fundament;3 - Piezoelectric crystals;4 - Electronic Amplifier;5 - Terminal Connector

Á meðan gögnasafnun kemur til greina, aðalverkefnið er að breyta gögnum sem safnað eru af sensorum í notendagögnum. Gögnasafnarkerfi er venjulega búið til af eftirfarandi þremur atriðum:

• Gagnasafnunareining (DAU). DAU er aðallega að skoða analog signali sem komið eru af mismunandi sensorum og breyta þeim í digital signali. DAU tryggir að gögn séu safnað í réttu hraða (venjulega með millisekundahraða) og með ákveðinnu nákvæmni (venjulega 16 bit eða hærra) til að uppfylla næstu greiningar kröfur.

• Gagnasending. Safnað gögn eru send til miðlungsþjóns með staðbundið fjarskiptakerfi. Þetta skref er venjulega byggð á draadlaust fjarskiptakerfi eins og Wi-Fi eða 4G/5G net, sem getur aukin hraða og aðgerð gagnasendingar og lækkað flóknari og kostnaðar við leggingu dráttar.

• Gögnageymsla og stjórnun. Eftir fullkomna gagnasendingu verður að geyma og stjórna gögnum á miðlungsþjóni eða í skyndilegra skýjunni til að byggja upp fullkomna gagnagrunn. Gagnageymsla þarf að styðja flott aðgang og stórfjölda gagnagreiningar, svo það er nauðsynlegt að hafa háþróað gagnagrunn til að ná gagnaleit og athugun. Skýringarmynd af gagnagrunnsskipulag er sýnt á Mynd 3.

Með sensorum og gögnasafnun er hægt að skoða rekstri og matarmerki hænnar í rauntíma, sem fljótlega finn brot, sem gefur mikilvæga grundvelli fyrir smáskiptastarfsemi ráfærisbrot, að stoppa brot og að tryggja stöðug rekstur raforkunnar.

2.2 Gögnagreining og greining
2.2.1 Tíma-hæðargreining

Tíma-hæðargreining er flotta gögnagreiningaraðferð sem getur breytt signali frá tíma til hæðar, sem sýnir innri eiginleika og breytingar signala. Venjulegar tíma-hæðargreiningaraðferðir eru Short-Time Fourier Transform (STFT), wavelet transform og Wigner-Ville dreifing.

STFT gerir lokalt Fourier-transform á signali með fast stærð glugga, sem gerir það veitt fyrir greiningu á signali sem hæðar breytast saklaust yfir tíma. Til dæmis, við að skoða stjórnunareiningu, STFT getur fljótlega fundið hæðarbreytingar valdir af rýmingu eða laust.

Wavelet transform mun gefa glugga af breytandi stærð, sem gerir það veitt fyrir aðgerð á signali með augnabliksbreytingar. Með að breyta móðurfalli, er hægt að fljótlega finna óreglulegar skelfingar innan ákveðins hæðarsvæðis.

Sem hæfileikar mikilvæg tíma-hæðargreiningaraðferð, Wigner-Ville dreifing, til að mynda skurðtermi, býður upp á finna greiningu á signali's tíma og hæð, sem gerir það veitt fyrir brotsgreiningu í flóknari signalkerfi.

Í praktískum notkun, með að sameina að ofan nefndu tíma-hæðargreiningaraðferðir með upprunalegum gögnum sem mælt er af sensorum, er hægt að fljótlega skoða og greina rekstri háspennaðs skiptinga. Undir venjulegum rekstri, hæðarsvið háspennaðs skiptinga mun venjulega vera haldið á 50-100 Hz; en í tilvikum slemm skynjunar, stilltra hluta fatígu, og skemmun brot, hæðarátt háspennaðs skiptinga mun brotna á mjög hæð eða nýjar hæðarsvið mun birtast.

2.2.2 Machine Learning and Pattern Recognition

Fyrst, eftir gögnasafnun, er gert að gera fyrirhöfnun sem hljóðleysing og eiginleikafjölbreyting, til að gera gögn til að nota í machine-learning reikniritum. Gögnin innihalda hæðarsvið skelfingarsignala, bilið á elektrískum parametrar, o.s.frv.

Annar, geta verið notað supervised learning reiknirit eins og Support Vector Machines (SVM) og Random Forest til að flokka gögnin sem fengin eru af sensorum. Þessi reiknirit eru kennd til að greina mismunandi tegundir brotsmynda, eins og einkennandi signalmynster valdir af slemm skynjunar eða vandamál við stjórnunareiningu. Í praktískum notkun, eru tvær þúsundir gagnapunkta slóðuð inn í reikniritin til að tryggja að þau geti fljótlega greint brotsstöðu.

Loks, er notað deep-learning reiknirit, sérstaklega Convolutional Neural Networks (CNN), til að greina flóknari myndir. Deep-learning reiknirit geta dragið af gagni úr stórum margfeldisdimensjúnar gögnum með þeirri sjálfvirkri eiginleikafjölbreytingar, sem bætir nákvæmni greiningar. Til dæmis, í tilteknu CNN model, eru nokkur convolutional layers og pooling layers skapað til að meðhöndla safnað myndargögn til að greina típísku brotsmynda.

2.3 Greining á straumsignali motorar

Rauntíma skoðun og greining á straumsignalum sem myndast við rekstri motorar er hægt að spá fyrir og greina mögulega ráfærisbrot. Straumsignalgreining motorar er venjulega að skoða litlar breytingar á straumsignalum til að finna óregluleika eða brot á ráfærisa.

Ef það eru vandræð með ráfærisa háspennaðs skiptings, eins og skemmun á skjólstöðum, hradavélar eða ójöfnheit, mun það óbeinlega hefja álag motorar, sem valdi ákveðnum mynsturbreytingum á straumsignalinu.

Á meðan gögnagreining kemur til greina, er notuð straumsensor til að skrá straummynd undir venjulegum rekstri umkring motorar's rafmagnslykkju. Mælingarhraði er venjulega settur yfir 20 kHz til að taka upp nákvæm gögn og tryggja hágæða gögnagreiningu.

Á meðan eiginleikafjölbreyting kemur til greina, er notuð Fourier-transform til að breyta tíma-straumsignal í hæðar-signal, sem hjálpar að finna harmónískar óregluleika valdir af ráfærisbrot. Til dæmis, undir óbrotstillstöðu, straumsignal motorar inniheldur aðalhæð og hana heiltölubrot. Ef það er brot, eins og skemmun á skjólstöðum, verða nýjar toppar sýndir á ákveðnum hæðum.

Á meðan næsta gögnagreining kemur til greina, er hægt að nota tölfræðiaðferðir til að greina dragin hæðar. Til dæmis, reikna breytingar á amplitúdu hverrar hæðar, og kenndu brotsgreiningar model með machine-learning reiknirit. Inntaki reikniritsins er hæðareiginleikar straumsignala, og úttaki er spá fyrir tegund brots og mikilvægi.

Með að greina straumsignal, er hægt að kvantifera brot á straumsignali. Til dæmis, í byrjunarskemu skemmun á skjólstöðum, mun amplitúdu straumharmoníu auka um 5-10 A, en í tilvik hradavélar skemmun, mun amplitúdu á viðeigandi harmoníu auka um 3-8 A. Þetta gerir hægt fyrir viðhaldshóp til að fljótlega skilja hænnastaða og plana viðhald, sem undan komið stórum raforkuvandamálum valdir af brotum.

2.4 Notkun viðstandanarsprengjugreiningar tækni

Viðstandanarsprengjugreining tækni má nota til að skoða ráfæris og brot háspennaðra skiptinga. Þessi tækni er valin með viðstandanarsprengjum sem settir eru á aðallega hluti.

Viðstandanarsprengju er sensor sem breytir ráfærisbrot í rafmagnssignali. Grunnvísindin hans byggja á eiginleika þess að viðstandanarsprengju metallsins breytist þegar hann er brotast undir rýmingu. Skýringarmynd af viðstandanarsprengju skipulag er sýnt á Mynd 4.

Þegar viðstandanarsprengjur eru valdir, má velja hágæða metal foil viðstandanarsprengjur. Þessar viðstandanarsprengjur hafa góða línulega eiginleika og stöðug hitaröðun, og eru venjulega settar á stöðum sem háspennaður skipting er mest álagður og mest fatígu, eins og skynjuarmur og snúningarás.

Eftir að valið og sett viðstandanarsprengjur eru lokið, er nauðsynlegt að tengja viðstandanarsprengjur við gögnasafnunarkerfi með strengi. Gögnasafnunarkerfi er aðallega að skrá breytingar á viðstandanarsprengju sem sendar eru af viðstandanarsprengjum og breyta þeim í spennusignali til að lesa. Gögnasafnunarkerfi þarf að hafa hraða mælingar og hágæða upplösun til að tryggja að það geti takið upp hraða brot á háspennaðum skipting. Mælingarhraði sem notuð eru eru venjulega í kilohertz svæði, og upplösunin er millivolt stigi.

Viðeigandi hugbúnaður er notuð til að meðhöndla safnað spennusignali. Fyrst, er gert að dreifa til að losa mögulega hljóðleysingar, og síðan er notuð stærðfræði reiknirit eins og Fast Fourier Transform (FFT) til að greina signalsemi og draga út brotsgögn. Brotsgögnin er hægt að breyta til að fá raunverulega ráfærisstöðu samsvarandi hluts.

Mæld brotsgögn er sameinuð við prentuð ráfærismodel háspennaðs skiptingar til að meta núverandi heilsuástand hænnar. Þegar mæld ráfæris er yfir hönnuð markmið, mun gögnasafnunarkerfi sjálfkrafa senda varðingarmerki til að skilja rekstur og viðhaldsmann til að gera yfirferð eða viðhald.

3 Samanstilling

Þessi ritgerð hefur djúpt skoðað almenna tegundir ráfærisbrot háspennaðra skiptinga og intelligent greiningaraðferðir. Með að nota intelligent greiningaraðferðir fyrir ráfærisbrot háspennaðra skiptinga, er hægt að auka öruggleika hænnar og mun aukin reksturafræði og auka viðhaldskostnað og betra viðhaldsákvörðun.

Með framfarandi vísind og tækni og aukin gagnagreining tækni, þarf að auka rannsóknarrannsóknir til að auka intelligent greininga á ráfærisbrot háspennaðra skiptinga, sem gefur sterk stöðu fyrir stöðug rekstur raforkunnar.