고압 차단 스위치의 기계적 고장에 대한 지능형 진단 및 분석

현대 전력 시스템에서 고전압 차단기는 중요한 역할을 합니다. 이들은 유지 관리 중에 전기 장비나 선로를 안전하게 격리하고 정상 작동 중에는 안정성을 보장합니다. 고전압 차단기의 기계적 고장, 예를 들어 접촉 불량, 구동 장치 실패, 또는 구조 부품 피로는 전체 전력 시스템의 안정성과 안전성에 심각한 영향을 미칠 수 있습니다.전통적인 고장 감지 방법은 정기적인 유지 관리와 수동 점검에 의존합니다.

이러한 방법은 시간과 노력을 많이 소모하며, 특히 고장 초기 단계에서 최적의 개입 시기를 놓칠 가능성이 큽니다. 기술의 지속적인 발전으로 인해 지능형 진단 기법이 등장하여 고장 모니터링 및 진단에 더 효율적이고 정확한 솔루션을 제공하고 있습니다.

센서 기반 데이터 수집, 데이터 처리 및 분석, 구동 모터 전류 신호 분석, 저항 변형 측정과 같은 지능형 진단 방법은 고전압 차단기의 이상 동작을 실시간으로 식별하고 잠재적인 고장을 예측하며 유지 관리 결정을 유도합니다. 이는 전력 시스템의 신뢰성과 운영 효율성을 크게 향상시킵니다.

1. 고전압 차단기의 일반적인 기계적 고장 유형
1.1 접촉 불량 고장

접촉 불량은 주로 접촉면 산화, 접촉 압력 부족, 또는 접촉 면적 감소로 인해 발생합니다. 이러한 유형의 고장은 저항 증가로 이어져 고전압 차단기의 도전성을 저하시킵니다. 접촉 불량으로 인해 전류가 접점을 통과할 때 더 많은 열이 발생합니다. 이는 접점의 마모를 가속시키고 용접 실패나 국부 과열과 같은 더 심각한 열 효과 문제를 초래합니다.

접촉 불량은 또한 전압 불안정을 초래하여 전력 시스템의 전압 품질에 영향을 줄 수 있습니다. 지속적인 접촉 불량은 고전압 차단기의 절연 성능을 저하시키고 시스템의 운영 안전 위험을 증가시킵니다. 따라서 고전압 차단기의 접촉 불량을 신속히 감지하고 적절히 해결하는 것은 전력 시스템의 안정적이고 안전한 운영을 보장하는 데 필수적입니다.

1.2 구동 장치 고장

구동 장치 고장은 고전압 차단기의 성능에 큰 영향을 미치는 문제입니다. 이 유형의 고장은 기계적 마모, 윤활 부족, 부품 노후화를 포함합니다. 기계적 마모는 베어링이나 기어와 같은 구동 부품이 장기간 반복 작업으로 손상되는 것을 의미합니다. 윤활 부족은 마찰을 증가시켜 기계 부품의 마모 속도를 가속시키고 구동 장치의 운영 효율성을 감소시킵니다.

서비스 시간이 증가함에 따라 구동 장치의 다양한 부품은 재료 노화로 인해 원래의 특성을 잃거나 변형되며, 이는 고전압 차단기의 전체 운영에 대한 신뢰성과 안전성을 저하시킵니다. 이러한 고장이 신속하게 감지되지 않고 해결되지 않으면 고전압 차단기의 잘못된 작동으로 이어질 수 있으며, 심각한 경우 전체 전력 시스템의 안정적인 운영을 위협할 수 있습니다.

1.3 구조 부품 피로 및 손상 고장

구조 부품 피로 및 손상 고장은 장기간 기계적 스트레스와 환경 요인의 영향으로 발생합니다. 기둥, 연결 막대, 베어링과 같은 구조 부품은 장기간 기계적 스트레스, 특히 자주 개폐되는 작업 아래에서 재료 피로를 경험합니다. 시간이 지남에 따라 이러한 스트레스는 재료 내에서 축적되어 미세 균열의 발생과 확산으로 이어지고 결국 상당한 기계적 손상을 초래합니다.

또한 온도 변화, 습도, 부식 환경과 같은 환경 요인은 구조 부품의 피로 속도를 가속시키고 그들의 기계적 특성과 서비스 수명에 영향을 미칩니다. 구조 부품 피로 및 손상 고장은 고전압 차단기의 정상적인 기능뿐만 아니라 전력 시스템의 전체적인 안정성에도 위협을 가합니다.

2. 고전압 차단기의 기계적 고장에 대한 지능형 진단 방법
2.1 센서 및 데이터 수집

센서는 고전압 차단기의 기계적 고장 진단에서 중요한 역할을 합니다. 주로 장비 작동 중에 진동, 소음, 온도, 전류와 같은 주요 물리적 매개변수를 캡처하는 역할을 합니다. 고전압 차단기에 사용되는 주요 센서로는 진동 센서, 음향 방출 센서, 전류 및 전압 센서가 있습니다.

진동 센서는 장비 부품이 작동 중에 생성하는 진동 주파수와 진폭을 감지합니다. 진동 데이터를 분석하면 장비 마모와 기존 고장을 예측할 수 있습니다. 일반적으로 정상적으로 작동하는 고전압 차단기의 진동 주파수는 표준 범위 내(일반적으로 작동 주파수의 10배 이상)여야 합니다. 이를 초과하면 이상을 나타낼 수 있습니다. 진동 센서의 도식도는 도 1에 표시되어 있습니다.

음향 방출 센서는 재료나 구조적 결함으로 인해 생성된 고주파 소리를 캡처합니다. 고전압 차단기가 작동 중에 균열이나 느슨함이 있으면, 음향 방출 센서는 이러한 미세한 변형이나 파괴로 인한 소리 변동을 즉시 캡처할 수 있습니다. 음향 방출 센서의 원리는 도 2에 표시되어 있습니다.

전류 및 전압 센서는 주로 고전압 차단기를 통과하는 전류 및 전압 수준의 변화를 모니터링합니다. 이 센서로부터 얻은 이상적인 전류 또는 전압 읽기는 전기 연결이나 기능성 문제를 나타냅니다.

1 - 볼트 구멍; 2 - 기초; 3 - 압전 크리스털; 4 - 전자 증폭기; 5 - 단자 커넥터

데이터 수집 측면에서는 센서로 수집된 데이터를 사용 가능한 정보로 변환하는 것이 주요 작업입니다. 데이터 수집 시스템은 일반적으로 다음과 같은 세 가지 측면으로 구성됩니다:

• 데이터 수집 유닛 (DAU). DAU는 주로 다양한 센서로부터 아날로그 신호를 수신하고 이러한 아날로그 신호를 디지털 신호로 변환하는 역할을 합니다. DAU는 데이터가 적절한 속도(일반적으로 밀리초 단위의 응답 시간)와 특정 정밀도(일반적으로 16비트 이상)로 수집되도록 하여 후속 처리 요구 사항을 충족합니다.

• 데이터 전송. 수집된 데이터는 안정적인 통신 네트워크를 통해 중앙 처리 서버로 전송됩니다. 이 단계는 Wi-Fi나 4G/5G 네트워크와 같은 무선 통신 기술에 종종 의존하며, 데이터 전송 속도와 효율성을 더욱 높이고 배선의 복잡성과 비용을 줄입니다.

• 데이터 저장 및 관리. 데이터 전송이 성공적으로 이루어진 후에는 서버나 클라우드에서 효과적인 데이터 저장 및 관리를 수행하여 더 완전한 데이터베이스를 구축해야 합니다. 데이터 저장은 빠른 접근과 대규모 데이터 분석을 지원해야 하므로, 데이터 쿼리와 검색을 달성하기 위해 고성능 데이터베이스가 필요합니다. 데이터베이스 구축의 도식도는 도 3에 표시되어 있습니다.

센서와 데이터 수집을 통해 장비의 운영 상태와 성능 지표를 실시간으로 모니터링하면 잠재적인 결함을 신속히 감지하고, 기계적 고장의 지능형 진단에 필요한 기반을 제공하여 고장 발생을 예방하고 전력 시스템의 안정적인 운영을 보장할 수 있습니다.

2.2 데이터 처리 및 분석
2.2.1 시간-주파수 분석

시간-주파수 분석은 신호를 시간 영역에서 주파수 영역으로 변환하여 신호의 내부 특성과 변화 경향을 드러내는 효율적인 데이터 처리 방법입니다. 일반적으로 사용되는 시간-주파수 분석 방법으로는 단시간 푸리에 변환(STFT), 웨이블릿 변환, 그리고 위그너-빌 분포가 있습니다.

STFT는 고정된 크기의 창을 통해 신호에 대해 국부적인 푸리에 변환을 수행하므로, 시간에 따라 천천히 주파수가 변하는 신호의 분석에 적합합니다. 예를 들어, 구동 장치를 모니터링할 때 STFT는 마찰이나 구조적 느슨함으로 인한 주파수 이동을 효과적으로 식별할 수 있습니다.

웨이블릿 변환은 변수 크기의 창을 제공하므로, 순간적인 변동 특성을 가진 신호의 처리에 적합합니다. 모 웨이블릿 함수를 조정하여 특정 주파수 대역 내의 이상 진동을 정확하게 식별할 수 있습니다.

고급 시간-주파수 분석 도구인 위그너-빌 분포는 교차 항 간섭을 생성하지만, 신호의 시간과 주파수를 더 정교하게 분석하여 복잡한 신호 환경에서의 고장 감지를 위한 특별히 적합합니다.

실제 적용에서는 센서로 측정된 원본 데이터와 위에서 언급한 시간-주파수 분석 방법을 결합하여 고전압 차단기의 운영 상태를 정확하게 모니터링하고 진단할 수 있습니다. 정상적인 운영 조건에서 고전압 차단기의 주파수 범위는 일반적으로 50-100 Hz를 유지할 수 있지만, 접촉 불량, 구조 부품 피로 및 손상 고장의 경우에는 고전압 차단기의 주파수가 크게 이동하거나 새로운 주파수 구성 요소가 나타납니다.

2.2.2 기계 학습 및 패턴 인식

먼저, 데이터 수집 후, 노이즈 제거 및 특징 추출과 같은 전처리 단계를 거쳐 기계 학습 알고리즘을 위한 입력 데이터를 준비합니다. 데이터는 진동 신호의 주파수 구성 요소, 전기 매개변수의 파형 특성 등을 포함합니다.

둘째, 서포트 벡터 머신(SVM) 및 랜덤 포레스트와 같은 지도 학습 알고리즘을 사용하여 센서로부터 얻은 데이터를 분류할 수 있습니다. 이러한 알고리즘은 접촉 불량이나 구동 장치 고장과 같은 고유한 신호 패턴을 식별하도록 훈련됩니다. 실제 적용에서는 수천 개의 데이터 포인트를 알고리즘에 입력하여 훈련하여 고장 상태를 정확하게 식별할 수 있도록 합니다.

마지막으로, 특히 컨볼루션 신경망(CNN)과 같은 깊은 학습 기법을 사용하여 복잡한 패턴 인식을 수행합니다. 깊은 학습 기법은 대규모 다차원 데이터에서 유용한 정보를 자동으로 추출하여 진단의 정확성을 향상시킵니다. 예를 들어, 특정 CNN 모델에서는 여러 개의 컨볼루션 계층과 풀링 계층을 설계하여 수집된 영상 데이터를 처리하여 일반적인 고장 특징을 식별합니다.

2.3 구동 모터 전류 신호 분석

구동 모터의 작동 중에 생성되는 전류 신호의 실시간 모니터링 및 분석은 잠재적인 기계적 고장의 예측 및 진단이 가능합니다. 구동 모터 전류 신호 분석은 일반적으로 전류 신호의 작은 변화를 감지하여 기계 부품의 이상이나 마모를 결정합니다.

고전압 차단기의 기계 부품에 문제가 있는 경우, 예를 들어 베어링 손상, 기어 마모, 또는 불균형이 있을 경우, 구동 모터의 부하에 간접적으로 영향을 미쳐 특정 패턴의 변화를 전류 신호에 나타내게 됩니다.

데이터 분석 측면에서는 전류 센서를 사용하여 모터의 전원 공급 코일 주변에서 정상적으로 작동하는 경우의 전류 파형을 기록합니다. 샘플링 주파수는 일반적으로 20 kHz 이상으로 설정되어 세부 정보를 캡처하고 고정밀 데이터 분석을 보장합니다.

특징 추출 측면에서는 푸리에 변환을 사용하여 시간 영역의 전류 신호를 주파수 영역의 신호로 변환하여 기계적 고장으로 인한 조화 이상을 식별하는 데 도움이 됩니다. 예를 들어, 고장이 없는 경우, 구동 모터의 전류 신호는 주로 기본 주파수와 그 정수 배수의 조화를 포함합니다. 만약 베어링 손상과 같은 고장이 발생하면 특정 주파수에서 새로운 피크가 관찰됩니다.

후속 데이터 처리에서는 추출된 주파수를 분석하기 위해 통계적 방법을 사용할 수 있습니다. 예를 들어, 각 주파수 점의 진폭 변화를 계산하고, 기계 학습 알고리즘을 사용하여 고장 식별 모델을 훈련시킬 수 있습니다. 알고리즘의 입력은 전류 신호의 주파수 특성이고, 출력은 고장 유형과 심각도의 예측입니다.

전류 신호를 분석하면 전류 신호의 편차를 정량화할 수 있습니다. 예를 들어, 베어링 손상 초기 단계에서는 전류 조화의 진폭이 5-10 A 증가할 수 있고, 기어 마모의 경우 관련 조화의 진폭이 3-8 A 증가할 수 있습니다. 이를 통해 유지 보수 팀은 장비 상태를 정확하게 판단하고 유지 보수 작업을 계획하여 고장으로 인한 대규모 정전을 방지할 수 있습니다.

2.4 저항 변형 측정 기술의 적용

저항 변형 측정 기술은 고전압 차단기의 구조적 스트레스와 변형을 모니터링하는 데 사용될 수 있습니다. 이 기술은 주요 부품에 설치된 저항 변형 게이지를 통해 실현됩니다.

저항 변형 게이는 기계적 변형을 전기 신호로 변환하는 센서입니다. 그 작동 원리는 금속 도체의 저항 값이 힘에 의해 변형될 때 변화한다는 특성에 기반합니다. 저항 변형 게이의 구조 도식도는 도 4에 표시되어 있습니다.

저항 변형 게이를 선택할 때는 고정밀 금속 폼 저항 변형 게이를 선택할 수 있습니다. 이러한 게이는 좋은 선형 특성과 안정적인 온도 반응을 가지고 있으며, 고전압 차단기에서 가장 많이 받는 스트레스와 피로가 발생하기 쉬운 위치, 예를 들어 접촉암과 회전축에 설치됩니다.

저항 변형 게이의 선택과 설치가 완료되면, 게이가 데이터 수집 시스템에 전선을 통해 연결됩니다. 데이터 수집 시스템은 저항 변형 게이로부터 전달된 저항 변화를 기록하고 이를 전압 신호로 변환하여 읽습니다. 데이터 수집 시스템은 고전압 차단기의 작동 중에 발생하는 빠른 변형 변화를 캡처하기 위해 높은 샘플링 속도와 높은 해상도를 가져야 합니다. 사용되는 샘플링 속도는 일반적으로 킬로헤르츠 범위이며, 해상도는 밀리볼트 수준입니다.

적절한 소프트웨어를 사용하여 수집된 전압 신호를 처리합니다. 먼저 가능한 노이즈 간섭을 제거하기 위해 필터링을 수행하고, 이후 빠른 푸리에 변환(FFT)과 같은 수학적 알고리즘을 사용하여 신호 스펙트럼을 분석하고 변형 데이터를 추출합니다. 변형 데이터는 해당 부품의 실제 스트레스 상태를 얻기 위해 변환될 수 있습니다.

측정된 변형 데이터는 고전압 차단기의 사전 설정된 스트레스 모델과 비교하여 장비의 현재 건강 상태를 평가합니다. 모니터링된 스트레스가 설계 한계를 초과할 경우, 데이터 수집 시스템은 자동으로 경고 신호를 발행하여 운영 및 유지 보수 인원에게 점검이나 유지 보수를 수행하도록 알립니다.

3. 결론

이 글은 고전압 차단기의 일반적인 기계적 고장 유형과 그에 대한 지능형 진단 방법을 심층적으로 탐구하였습니다. 고전압 차단기의 기계적 고장에 대한 지능형 진단 방법을 사용하면 장비 운영의 신뢰성을 높일 뿐만 아니라 유지 보수 비용을 크게 줄이고 유지 보수 의사 결정 과정을 최적화할 수 있습니다.

과학 기술의 발전과 데이터 분석 기술의 성숙함에 따라 관련 인원은 고전압 차단기의 기계적 고장에 대한 지능형 진단 수준을 향상시키기 위한 연구 투자를 늘려야 합니다. 이를 통해 전력 시스템의 안정적인 운영에 강력한 지원을 제공할 수 있습니다.