高圧遮断器の機械故障のインテリジェント診断と分析
現代の電力システムにおいて、高圧分離スイッチは重要な役割を果たしています。これらはメンテナンス中に電気機器や線路を安全に遮断し、通常運転中の信頼性を確保します。高圧分離スイッチのメカニカル故障、例えば接触不良、アクチュエータの故障、または構造部品の疲労は、電力システム全体の安定性と安全性に深刻な影響を及ぼす可能性があります。従来の故障検出方法は定期的なメンテナンスと手動の点検に依存しています。
これらの方法は時間と労力を要するだけでなく、故障初期段階での最適な介入タイミングを見逃す可能性もあります。技術の進歩とともに、インテリジェント診断技術が登場し、故障監視と診断に対してより効率的で正確なソリューションを提供しています。
センサーによるデータ収集、データ処理と分析、駆動モータ電流信号分析、抵抗ひずみ測定などのインテリジェント診断方法は、高圧分離スイッチの異常動作をリアルタイムで識別し、潜在的な故障を予測し、メンテナンス決定を支援することができます。これにより、電力システムの信頼性と運用効率が大幅に向上します。
1 高圧分離スイッチにおける一般的な機械的故障の種類
1.1 接触不良の故障
接触不良は主に接触面の酸化、不十分な接触圧力、または接触面積の減少によって引き起こされます。このタイプの故障は通常、抵抗値の増加につながり、高圧分離スイッチの導電性に影響を与えます。接触不良により、電流が接触点を通る際に発生する熱が増加します。これは接触点の摩耗を加速させ、溶接故障や局所的な過熱など、より深刻な熱効果の問題を引き起こします。
接触不良はまた、電圧不安定を引き起こし、電力システムの電圧品質に影響を与えます。持続的な接触不良は、高圧分離スイッチの絶縁性能の低下を引き起こし、システムの運転安全性リスクを増大させます。したがって、高圧分離スイッチの接触不良を迅速に検出し、適切に対処することは、電力システムの安定かつ安全な運転を確保するために不可欠です。
1.2 アクチュエータの故障
アクチュエータの故障は、高圧分離スイッチの性能に重大な影響を与える問題です。このタイプの故障には、機械的な摩耗、潤滑不足、および部品の劣化が含まれます。機械的な摩耗とは、ベアリングやギアなどの駆動部品が長期にわたる反復動作によって損傷することを指します。潤滑不足は摩擦を増加させ、機械部品の摩耗速度を加速させ、アクチュエータの運転効率を低下させます。
使用時間が長くなるにつれて、アクチュエータの様々な部品は材料の劣化や変形により、元の特性を失うことがあります。これにより、高圧分離スイッチ全体の運転の信頼性と安全性に影響を与えます。これらの故障が適時に検出され対処されないと、高圧分離スイッチの誤動作を引き起こし、最悪の場合、電力システム全体の安定した運転を危険にさらす可能性があります。
1.3 構造部品の疲労と損傷故障
構造部品の疲労と損傷故障は通常、長期的な機械的ストレスや環境要因の影響下で発生します。支柱、連結棒、ベアリングなどの構造部品は、特に頻繁な開閉操作中に長期的な機械的ストレスの影響を受け、材料の疲労を経験します。時間とともに、これらのストレスは材料内で蓄積し、微小クラックの生成と進行を引き起こし、最終的に大きな機械的損傷へと発展します。
さらに、温度変化、湿度、腐食環境などの環境要因は、構造部品の疲労率を加速させ、その機械的特性と寿命に影響を与えます。構造部品の疲労と損傷故障は、高圧分離スイッチの正常機能に影響を与え、電力システム全体の安定性にも脅威となります。
2 高圧分離スイッチの機械的故障に対するインテリジェント診断方法
2.1 センサーとデータ収集
センサーは、高圧分離スイッチの機械的故障診断において重要な役割を果たします。主に装置の運転中に発生する主要な物理パラメータ、例えば振動、音、温度、電流をキャプチャすることを担当しています。高圧分離スイッチでは、主に使用されるセンサーには振動センサー、音響放出センサー、および電流・電圧センサーがあります。
振動センサーは、装置の部品が運転中に発生する振動周波数と振幅を検出するために使用されます。振動データを分析することで、装置の摩耗や既存の故障を予測することができます。通常、正常に運転している高圧分離スイッチの振動周波数は標準範囲内（通常、閾値は動作周波数の10倍以上）であるべきです。これが範囲を超える場合、異常を示している可能性があります。振動センサーの模式図は図1に示されています。
音響放出センサーは、材料や構造の欠陥によって生成された高周波音波に基づいて音をキャプチャします。高圧分離スイッチが運転中に、亀裂や緩みがある場合、音響放出センサーはこれらの微小な変形や破壊によって引き起こされる音の変動を即座にキャプチャすることができます。音響放出センサーの原理は図2に示されています。
電流・電圧センサーは主に、高圧分離スイッチを通過する電流と電圧レベルの変化を監視します。これらのセンサーからの異常な電流または電圧の読み取りは、通常、電気接続または機能の問題を示しています。
1 - ボルト穴；2 - 基礎；3 - 圧電結晶；4 - 電子増幅器；5 - 端子コネクタ
データ収集に関しては、主な任務はセンサーによって収集されたデータを利用可能な情報に変換することです。データ収集システムは通常、以下の3つの側面から構成されています：
データ取得ユニット（DAU）。DAUは主に、各種センサーからのアナログ信号を受け取り、これらのアナログ信号をデジタル信号に変換することを担当します。DAUはデータが適切なレート（通常、ミリ秒単位の応答時間）で、一定の精度（通常、16ビット以上）で収集されることを確保し、後続の処理要件を満たします。
データ伝送。収集されたデータは、安定した通信ネットワークを通じて中央処理サーバーに送られます。このステップはしばしばWi-Fiや4G/5Gネットワークなどの無線通信技術に依存し、データ伝送の速度と効率をさらに向上させ、配線の複雑さとコストを削減します。
データ保存と管理。データ伝送が成功したら、サーバーまたはクラウド上で効果的なデータ保存と管理を行い、より完全なデータベースを確立しなければなりません。データ保存は高速アクセスと大規模なデータ分析をサポートする必要があり、データ照会と検索を実現するためには高性能なデータベースが必要です。データベースの確立の模式図は図3に示されています。
センサーとデータ収集を通じて、設備の運転状況と性能指標をリアルタイムで監視し、潜在的な欠陥を即座に検出することができます。これにより、機械的故障のインテリジェント診断のための必要な基盤が提供され、故障の発生を防ぎ、電力システムの安定した運転が確保されます。
2.2 データ処理と分析
2.2.1 時間-周波数解析
時間-周波数解析は、信号を時間領域から周波数領域に変換することで、信号の内部特性と変動トレンドを明らかにする効率的なデータ処理方法です。一般的に使用される時間-周波数解析方法には、短時間フーリエ変換（STFT）、ウェーブレット変換、およびウィグナー・ビル分布があります。
STFTは固定サイズのウィンドウを使用して信号の局所フーリエ変換を行い、時間とともにゆっくりと周波数が変化する信号の解析に適しています。例えば、アクチュエータの監視では、STFTは摩擦や構造的な緩みによって引き起こされる周波数のドリフトを効果的に識別することができます。
ウェーブレット変換は可変サイズのウィンドウを提供し、瞬時変化特性を持つ信号の処理に適しています。母ウェーブレット関数を調整することで、特定の周波数帯域内の異常振動を正確に識別することができます。
ウィグナー・ビル分布は、クロスターム干渉を生成するものの、信号の時間と周波数のより洗練された解析を提供する高度な時間-周波数解析ツールであり、複雑な信号環境での故障検出に特に適しています。
実際のアプリケーションでは、上記の時間-周波数解析方法をセンサーによって測定された原始データと組み合わせることで、高圧分離スイッチの運転状況を正確に監視および診断することができます。正常な運転条件下では、高圧分離スイッチの周波数範囲は通常50-100 Hzの範囲を維持できますが、接触不良、構造部品の疲労、損傷故障の場合、高圧分離スイッチの周波数は大きくずれたり、新たな周波数成分が現れます。
2.2.2 機械学習とパターン認識
まず、データ収集後、ノイズ除去や特徴抽出などの前処理ステージを通じて、マシンラーニングアルゴリズム用の入力データを準備します。データには、振動信号の周波数成分、電気パラメータの波形特性などが含まれます。
次に、サポートベクターマシン（SVM）やランダムフォレストなどの教師あり学習アルゴリズムを使用して、センサーから得られたデータを分類することができます。これらのアルゴリズムは、接触不良やアクチュエータの故障によって引き起こされる独自の信号パターンなどを識別するように訓練されます。実際のアプリケーションでは、数千のデータポイントがアルゴリズムに投入され、正確な故障状態の識別を確保します。
最後に、特に畳み込みニューラルネットワーク（CNN）などの深層学習技術を使用して、複雑なパターン認識を行います。深層学習技術は、自動的な特徴学習能力を通じて大規模な多次元データから有用な情報を抽出し、診断の精度を向上させることができます。例えば、特定のCNNモデルでは、いくつかの畳み込み層とプーリング層が設計されており、収集されたビデオ画像データを処理して典型的な故障特徴を識別します。
2.3 駆動モータ電流信号分析
駆動モータの運転中に生成される電流信号のリアルタイム監視と分析により、潜在的な機械的故障を予測および診断することができます。駆動モータ電流信号分析は一般に、電流信号の小さな変化を検出して、機械部品の異常や摩耗を判定します。
高圧分離スイッチの機械部品にベアリングの損傷、ギアの摩耗、またはバランスの崩れなどの故障がある場合、それらは間接的に駆動モータの負荷に影響を与え、その電流信号に特定のパターン変動を引き起こします。
データ分析に関しては、電流センサーを使用して、モータの電源コイル周辺の正常運転条件での電流波形を記録します。サンプリング周波数は通常、詳細な情報をキャプチャし、高精度なデータ解析を確保するために20 kHz以上に設定されます。
特徴抽出に関しては、フーリエ変換を使用して時間領域の電流信号を周波数領域の信号に変換し、機械的故障によって引き起こされる高調波異常を識別します。例えば、故障がない場合、駆動モータの電流信号は主に基本周波数とその整数倍の高調波を含みます。もしベアリングの故障などの故障が発生すると、特定の周波数で新しいピークが観察されます。
その後のデータ処理では、統計的方法を使用して抽出された周波数を分析します。例えば、各周波数点の振幅変化を計算し、マシンラーニングアルゴリズムを使用して故障識別モデルを訓練します。アルゴリズムの入力は電流信号の周波数特性であり、出力は故障の種類と深刻度の予測です。
電流信号の分析により、電流信号の偏差を定量することができます。例えば、ベアリングの故障初期段階では、電流高調波の振幅が5-10 A増加し、ギアの摩耗の場合には関連する高調波の振幅が3-8 A増加します。これにより、メンテナンスチームは設備の状態を正確に判断し、メンテナンス作業を計画することができます。これにより、故障による大規模停電を避けることができます。
2.4 抵抗ひずみ測定技術の応用
抵抗ひずみ測定技術は、高圧分離スイッチの構造ストレスと変形を監視するために使用できます。この技術は、重要な部品に設置された抵抗ひずみゲージを通じて実現されます。
抵抗ひずみゲージは、機械的な変形を電気信号に変換するセンサーです。その動作原理は、金属導体が力によって変形すると抵抗値が変化するという性質に基づいています。抵抗ひずみゲージの構造の模式図は図4に示されています。
抵抗ひずみゲージを選択する際には、高精度な金属箔抵抗ひずみゲージを選ぶことができます。これらのゲージは良好な直線特性と安定した温度応答を持ち、通常は高圧分離スイッチが最もストレスがかかり、最も疲労しやすい位置、例えば接触腕や回転軸に設置されます。
抵抗ひずみゲージの選択と設置が完了したら、ゲージはワイヤを通じてデータ収集システムに接続する必要があります。データ収集システムは、抵抗ひずみゲージから送られてくる抵抗値の変化を記録し、それを電圧信号に変換して読み取ります。データ収集システムは、高圧分離スイッチの運転中に発生する急速なひずみ変化を捕捉できるような高速サンプリングレートと高解像度を持つ必要があります。使用されるサンプリングレートは通常、キロヘルツの範囲であり、解像度はミリボルトのレベルに達します。
適切なソフトウェアを使用して収集された電圧信号を処理します。まず、可能なかなりのノイズ干渉を取り除くフィルタリングを行い、その後、高速フーリエ変換（FFT）などの数学的アルゴリズムを使用して信号スペクトルを解析し、ひずみデータを抽出します。ひずみデータは、対応する部品の実際のストレス状態を得るために変換されます。
測定されたひずみデータは、高圧分離スイッチの事前に確立されたストレスモデルと比較して、設備の現在の健康状態を評価します。監視中のストレスが設計閾値を超えた場合、データ収集システムは自動的に警告信号を発し、運用・メンテナンス担当者に検査またはメンテナンスを行うことを促します。
3 結論
本記事では、高圧分離スイッチの一般的な機械的故障の種類とそのインテリジェント診断方法について詳しく探求しました。高圧分離スイッチの機械的故障に対するインテリジェント診断方法を使用することで、設備の運転信頼性を向上させるとともに、メンテナンスコストを大幅に削減し、メンテナンス意思決定プロセスを最適化することができます。
科学技術の進歩とデータ解析技術の成熟に伴い、関連する人員は研究投資を増やし、高圧分離スイッチの機械的故障に対するインテリジェント診断レベルを向上させる必要があります。これにより、電力システムの安定した運転に強力な支援を提供することができます。
