Augstsprieguma atsekošanas klauņu mehānisko kļūdu inteļģentais diagnosticēšanas un analīzes process

Modernās elektrosistēmās augstsprieguma atslēgas spēlē kritisku lomu. Tās nodrošina drošu elektriskā aprīkojuma vai līniju izolāciju laikā uzturēšanas darbos un uzticamību normālas darbības laikā. Augstsprieguma atslēgu mehāniskās kļūdas, piemēram, slikti kontakts, pārklātāja kļūda vai strukturālo komponentu nomācošana, var nopietni ietekmēt veselās elektrosistēmas stabilitāti un drošību.Tradicionālie kļūdu atklāšanas metodes balstās uz regulāru uzturēšanu un manuālām inspekcijām.

Šīs metodes nav tikai ilgstošas un rūpnieciski intensīvas, bet arī ir vērojama tendence novērot optimālo iejaukšanās laiku kļūdas agrajos stadijās. Ar tehnoloģiju nepārtrauktu progresu ir radušās intelektualizētas diagnostikas tehnoloģijas, piedāvājot efektīvāku un precīzāku risinājumu kļūdu monitorēšanai un diagnosticēšanai.

Intelektualizētās diagnostikas metodes, piemēram, datu apkopošana, balstoties uz sensoriem, datu apstrāde un analīze, pārvadājamā motora strāvas signāla analīze un rezistīva deformācijas mērījums, var reāllaikā identificēt augstsprieguma atslēgu neparastus uzvedības veidus, prognozēt potenciālas kļūdas un vadīt uzturēšanas lēmumus. Tas būtiski palielina elektrosistēmas uzticamību un operatīvo efektivitāti.

1 Biežāk sastopamās mehāniskās kļūdas augstsprieguma atslēgās
1.1 Slikti kontakts

Slikti kontakts galvenokārt rodas dēļ kontaktu virsmas oksidēšanās, nepietiekamas kontaktu spiediena vai samazinātās kontaktu platības. Šāda veida kļūda parasti rada pretestības pieaugumu, ietekmējot augstsprieguma atslēgas vedamību. Dēļ sliktā kontakta, caur kontaktu punktus plūstošais strāvas šķiedra vairāk siltas. Tas ne tikai paātrina kontaktu punktu izsmalcināšanos, bet arī rada smagākas termiskās problēmas, piemēram, saldēšanās kļūdas vai lokālu pārsildīšanos.

Slikti kontakts var arī rasties dēļ sprieguma nestabilitātes, ietekmējot elektrosistēmas sprieguma kvalitāti. Ilgstošas sliktā kontakta problēmas viegli var izraisīt augstsprieguma atslēgas izoli īpašību samazināšanos, palielinot sistēmas darbības drošības riskus. Tādēļ, lai nodrošinātu stabila un droša elektrosistēmas darbību, ir būtiski laikus atklāt un pareizi risināt sliktā kontakta problēmas augstsprieguma atslēgās.

1.2 Pārklātāja kļūda

Pārklātāja kļūda ir nozīmīga problēma, kas ietekmē augstsprieguma atslēgu veiktspēju. Šāda veida kļūda ietver mehānisko izsmalcināšanos, nepietiekamu mitrumu un komponentu novecošanu. Mehāniskā izsmalcināšanās parasti attiecas uz brauciena komponentu, piemēram, gredzeni un riteņus, bojājumiem garā termiņa atkārtotā darbībā. Nepietiekams mitrums palielina trieki, paātrinot mehānisko daļu izsmalcināšanos un samazinot pārklātāja operatīvo efektivitāti.

Kā palielinās izmantošanas laiks, dažādi pārklātāja komponenti zaudē savas sākotnējās īpašības vai deformējas dēļ materiālu novecošanas, tādējādi ietekmējot uzticamību un drošību visai augstsprieguma atslēgu operācijai. Ja šīs kļūdas netiek laikus atklātas un risinātas, tas var izraisīt augstsprieguma atslēgas nepareizu darbību, un smagākos gadījumos pat draudēt visai elektrosistēmai stabila darbība.

1.3 Strukturālo komponentu nomācošana un bojājumi

Strukturālo komponentu nomācošana un bojājumi parasti notiek ilgtermiņa mehāniskās spēka un vides faktoru ietekmē. Strukturālie komponenti, piemēram, stiprinājumu kolonnas, savienojuma šķēpes un gredzeni, garā termiņa mehāniskā spēka iedarbībā, it īpaši dažādos atvēršanas un aizveršanas procesos, ļoti nomāc. Laikā šie spēki akumulējas materiālā, izraisot un paplašinot mikrosprāgu veidošanos, kas beigās izveido nozīmīgus mehāniskos bojājumus.

Turklāt vides faktori, piemēram, temperatūras maiņas, mitruma un korozīvās vides, var paātrināt strukturālo komponentu nomācošanas tempu, ietekmējot to mehāniskās īpašības un izmantošanas laiku. Strukturālo komponentu nomācošana un bojājumi ne tikai ietekmē augstsprieguma atslēgu normālo funkcionalitāti, bet arī rada draudu veselās elektrosistēmas stabilitātei.

2 Intelektualizētās diagnostikas metodes augstsprieguma atslēgu mehāniskām kļūdām
2.1 Sensori un datu apkopošana

Sensori spēlē būtisku lomu augstsprieguma atslēgu mehānisko kļūdu diagnosticēšanā. Tie galvenokārt ir atbildīgi par galvenajiem fiziskajiem parametriem, piemēram, vibrācija, skaits, temperatūra un strāva, uztveršanu laikā aprīkojuma darbības. Augstsprieguma atslēgām lietotos galvenos sensorus ietver vibrācijas sensori, akustiskās emisijas sensori un strāvas un sprieguma sensori.

Vibrācijas sensori tiek izmantoti, lai noteiktu aprīkojuma komponentu vibrācijas frekvenci un amplitūdu darbības laikā. Analizējot vibrācijas datus, iespējams prognozēt aprīkojuma izsmalcināšanos un esošās kļūdas. Parasti normāli darbojošās augstsprieguma atslēgas vibrācijas frekvence jābūt standarta diapazonā (parasti, slieksnis tiek iestatīts par vairāk kā 10 reizes operatīvās frekvences). Ja tas pārsniedz šo robežu, var rādīt anomaliju. Vibrācijas sensora shēma ir redzama Attēlā 1.

Akustiskās emisijas sensori uztver skaits, balstoties uz augsta frekvences skaņu viļņiem, ko radījuši materiāla vai strukturālo defektu. Augstsprieguma atslēgas darbības laikā, ja ir sprāgi vai atbrīvošanās, akustiskās emisijas sensori var laikus uztvert skaņu svārstījumus, ko izraisījuši šie mazie deformācijas vai sadalījumi. Akustiskās emisijas sensora princips ir redzams Attēlā 2.

Strāvas un sprieguma sensori galvenokārt uzraudzina strāvas un sprieguma līmeņu mainījumus caur augstsprieguma atslēgu. Nenormāls strāvas vai sprieguma lasījums no šiem sensoriem parasti norāda problēmas ar elektriskajiem savienojumiem vai funkcionalitāti.

1 - Bolču caurumi; 2 - Pamats; 3 - Piezoelektromagnētiskie kristāli; 4 - Elektronisks pastiprinātājs; 5 - Kontaktpunktu savienojums

Datu apkopošanas ziņā galvenā uzdevums ir pārveidot sensoriem apkopotās datus par pielietojamām informācijām. Datu apkopošanas sistēma parasti sastāv no šādiem trim aspektiem:

• Datu apskate un uzglabāšana (DAU). DAU galvenokārt ir atbildīgs par analogo signālu saņemšanu no dažādiem sensoriem un to konvertēšanu digitālos signālus. DAU nodrošina, ka dati tiek apkopoti atbilstošā ātrumā (parasti ar atbildes laiku milisekundēs) un ar noteiktu precizitāti (parasti sasniedzot 16 bitus vai augstākus), lai apmierinātu nākamās apstrādes prasības.

• Datu pārraide. Apkopotie dati tiek pārraidīti uz centraļo apstrādes serveri caur stabila sakari tīklu. Šis solis parasti balstās uz bezvadu sakari tehnoloģijām, piemēram, Wi-Fi vai 4G/5G tīkli, kas var turpmāk palielināt datu pārraides ātrumu un efektivitāti, samazinot vaļņu sarežģītību un izmaksas.

• Datu uzglabāšana un pārvaldība. Pēc veiksmīgas datu pārraides, efektīva datu uzglabāšana un pārvaldība jāveic uz servera vai mākoņa, lai izveidotu pilnāku datubāzi. Datu uzglabāšanai jāatbalsta ātrs piekļuve un lielu mērogu datu analīze, tādējādi nepieciešami augstas veiktspējas datubāzes, lai sasniegtu datu meklēšanu un iegūšanu. Datubāzes izveides shēma ir redzama Attēlā 3.

Ar sensoriem un datu apkopošanu, aprīkojuma darbības statusa un veiktspējas rādītāji tiek reāllaikā uzraudzīti, lai laikus atklātu potenciālas defektes, sniedzot nepieciešamo pamatu augstsprieguma atslēgu mehānisko kļūdu intelektualizētai diagnosticēšanai, novēršot kļūdu radīšanu un nodrošinot stabila elektrosistēmas darbību.

2.2 Dati apstrāde un analīze
2.2.1 Laika-frekvenču analīze

Laika-frekvenču analīze ir efektīva datu apstrādes metode, kas var transformēt signālus no laika domēna uz frekvenču domēnu, tādējādi atklājot signālu iekšējos raksturlielus un maiņas tendences. Bieži izmantotās laika-frekvenču analīzes metodes ietver īsu laika Furje pārveidojumu (STFT), vilnas pārveidojumu un Vigner-Vilnes sadalījumu.

STFT veic vietējo Furje pārveidojumu signālam, izmantojot fiksētas izmēra logu, tādējādi tā ir piemērota signālu analīzei, kuru frekvence mainās lēni laikā. Piemēram, pārklātāja uzraudzīšanā STFT var efektīvi identificēt trieciena novietojumu, kas izraisīts triecienu vai strukturālās atbrīvošanās dēļ.

Vilnas pārveidojums var nodrošināt mainīgu izmēra logus, tādējādi tā ir piemērota signālu apstrādei ar momentānām mutācijām. Regulējot maternā vilnas funkciju, var tīri identificēt anormālas vibrācijas konkrētā frekvenču diapazonā.

Kā pašreizējais laika-frekvenču analīzes rīks, Vigner-Vilnes sadalījums, neraugoties uz krusttermiņa interferenci, piedāvā tālāk apstrādātu analīzi signālu laika un frekvenču, tādējādi tā ir īpaši piemērota kļūdu atklāšanai sarežģītos signālu vides.

Praktiskā lietojumā, savienojot minētās laika-frekvenču analīzes metodes ar sensoriem izmērītajiem sākotnējiem datiem, var precīzi monitorēt un diagnosticēt augstsprieguma atslēgu darbības stāvokli. Normālā darbības stāvoklī augstsprieguma atslēgu frekvenču diapazons parasti var tikt uzturēts 50-100 Hz; bet sliktā kontakta, strukturālo komponentu nomācošana un bojājumu gadījumā augstsprieguma atslēgu frekvence var būtīgi mainīties vai parādīties jauns frekvenču komponents.

2.2.2 Mašīnmācīšanās un modelis identifikācija

Pirmkārt, pēc datu apkopošanas, caur priekš-apstrādes posmu, piemēram, trokšņa elimināciju un raksturlielu izgaismošanu, sagatavo input datu mašīnmācīšanās algoritmiem. Dati ietver vibrācijas signālu frekvenču komponentes, elektriskās parametru formas raksturlielus utt.

Otrkārt, superizraudzīto mācīšanās algoritmus, piemēram, Atbalsta Vektoru Mašīnas (SVM) un Nejaušs Mežs, var izmantot, lai klasificētu sensoru iegūtos datus. Šie algoritmi tiek apmācīti identificēt dažādas kļūdu modelis, piemēram, unikālus signālu modelis, kas izraisīti sliktā kontakta vai pārklātāja kļūdām. Praktiskā lietojumā tūkstošiem datu punkti tiek ievadīti algoritmos, lai nodrošinātu, ka tie var precīzi identificēt kļūdu stāvokli.

Visbeidzot, dziļās mācīšanās tehnoloģijas, īpaši Konvolūcijas Neironu Tīkli (CNN), tiek izmantoti sarežģītu modelu identifikācijai. Dziļās mācīšanās tehnoloģijas var izgāzt noderīgu informāciju no liela mēroga multidimensionālajiem datiem, izmantojot savu automātisko raksturlielu mācīšanās spējas, uzlabojot diagnosticēšanas precizitāti. Piemēram, konkrētā CNN modeļa gadījumā, vairāki konvolūcijas un pūles slāņi ir izstrādāti, lai apstrādātu apkopto video attēlu datus, lai identificētu tipiskus kļūdu raksturlielus.

2.3 Pārvadājamā motora strāvas signāla analīze

Reāllaikā monitorējot un analizējot pārvadājamā motora darbības laikā ģenerētos strāvas signālus, var prognozēt un diagnosticēt potenciālas mehāniskās kļūdas. Pārvadājamā motora strāvas signāla analīze parasti koncentrējas uz mazu strāvas signāla mainību atklāšanu, lai noteiktu anormalitātes vai mehānisko daļu izsmalcināšanos.

Ja ir kļūdas augstsprieguma atslēgas mehāniskajos komponentos, piemēram, gredzena bojājums, riteņu izsmalcināšanās vai nelīdzsvarotība, tas netieši ietekmēs pārvadājamā motora slodzi, tādējādi izraisot konkrētus modela mainījumus tā strāvas signālā.

Datu analīzes ziņā, strāvas sensors tiek izmantots, lai ierakstītu strāvas formu normālā darbības stāvoklī tuvā motoru pārdevēja indukcijas spēka čaula. Mērīšanas frekvence parasti tiek iestatīta virs 20 kHz, lai uztvertu detalizētu informāciju un nodrošinātu augstu precizitāti datu analīzei.

Raksturlielu izgaismošanā Furje pārveidojums tiek izmantots, lai pārveidotu laika domēna strāvas signālu par frekvenču domēna signālu, kas palīdz identificēt harmoniskās anormalitātes, ko izraisījušas mehāniskās kļūdas. Piemēram, bez kļūdas, pārvadājamā motora strāvas signāls galvenokārt satur pamatfrekvenci un tās veselus skaitļus. Ja ir kļūda, piemēram, gredzena bojājums, jauni virsotnes tiks novērotas konkrētās frekvencēs.

Nākamajā datu apstrādes posmā, statistiskās metodes var tikt izmantotas, lai analizētu izgāztās frekvenču. Piemēram, aprēķināt katras frekvenču punkta amplitūdas maiņas un apmācīt kļūdu identifikācijas modeli, izmantojot mašīnmācīšanās algoritmu. Algoritma input ir strāvas signāla frekvenču raksturlielus, un output ir prognozētā kļūdas veids un smaguma pakāpe.

Analizējot strāvas signālu, var kvantificēt strāvas signāla novirzi. Piemēram, gredzena bojājuma sākotnējā stadijā strāvas harmoniskā amplitūda var pieaugt par 5-10 A, bet riteņu izsmalcināšanās gadījumā saistītā harmoniskā amplitūda var pieaugt par 3-8 A. Tas ļauj uzturēšanas komandai precīzi noteikt aprīkojuma stāvokli un plānot uzturēšanas darbus, tādējādi izvairot lielākas elektrosistēmas apgādes traucējumu dēļ kļūdām.

2.4 Rezistīva deformācijas mērīšanas tehnoloģijas lietojums

Rezistīva deformācijas mērīšanas tehnoloģija var tikt izmantota, lai monitorētu augstsprieguma atslēgu strukturālo stresu un deformāciju. Šī tehnoloģija tiek realizēta, instalējot rezistīva deformācijas gauges galvenajos komponentos.

Rezistīva deformācijas gauge ir sensors, kas pārveido mehānisko deformāciju par elektrisku signālu. Tā darbības princips balstās uz metāla vadišanas rezistīvās vērtības maiņu, kad tas tiek deformēts spēka dēļ. Rezistīva deformācijas gauge struktūras shēma ir redzama Attēlā 4.

Izvēloties rezistīva deformācijas gauges, var izvēlēties augstprecīzus metāla folijas rezistīva deformācijas gauges. Šie gauges ir labas lineāras īpašības un stabilas temperatūras atbildes, un tie parasti tiek instalēti augstsprieguma atslēgu visvairāk apgrūtinātajās un nomācības ciešanās vietās, piemēram, kontaktu rokā un rotācijas ass.

Pēc rezistīva deformācijas gauges izvēles un instalācijas, gauges tiek prasīti savienot ar datu apkopošanas sistēmu, izmantojot vaļņus. Datas apkopošanas sistēma ir atbildīga par rezistīva deformācijas gauges nosūtīto rezistīvās maiņu ierakstīšanu un to konvertēšanu par sprieguma signāliem lasīšanai. Datas apkopošanas sistēmai jābūt augstā mērīšanas ātrumam un augstai rezolūcijai, lai nodrošinātu, ka tā var uztvert straujas deformācijas, kas ģenerējas augstsprieguma atslēgu darbības laikā. Izmantotais mērīšanas ātrums parasti ir tūkstošiem herci, un rezolūcija sasniedz milivoltu līmeni.

Lai apstrādātu apkoptos sprieguma signālus, tiek izmantota atbilstoša programmatūra. Pirmkārt, tiek veikta filtrācija, lai noņemtu iespējamos trokšņu interferenci, un pēc tam matemātiskās algoritmas, piemēram, Ātrā Furje pārveidojums (FFT), tiek izmantoti, lai analizētu signāla spektru un izgāztu deformācijas datus. Deformācijas datus var konvertēt, lai iegūtu atbilstošā komponenta faktiskā stresa stāvokli.

Izmērītie deformācijas dati tiek salīdzināti ar iepriekš izveidoto augstsprieguma atslēgu stresa modeli, lai novērtētu aprīkojuma pašreizējo veselības stāvokli. Ja uzraudzītais stress pārsniedz dizaina slieksni, datu apkopošanas sistēma automātiski iz