Inteligentna diagnostika in analiza mehanskih napak v visokonapetostnih ločevalnikih

V sodobnih električnih sistemih imajo visokonapetostne preklopniki ključno vlogo. Zagotavljajo varno ločevanje električnega opremo ali vodil med vzdrževanjem in zanesljivost med normalnim delovanjem. Mehanični odpadi visokonapetostnih preklopnikov, kot so slabi kontakt, odpad pogona ali utrujenost strukturnih elementov, lahko hudo vplivajo na stabilnost in varnost celotnega električnega sistema.Tradicionalne metode za ugotavljanje napak se oslanjajo na redno vzdrževanje in ročne pregledave.

Te metode niso le časovno zahtevne in trudne, ampak tudi občutljive za zamude pri najboljšem času za vmesni posopek v začetnih fazah odpada. S stalnim tehnološkim napredkom so se pojavile inteligentne diagnostične tehnike, ki ponujajo bolj učinkovito in točno rešitev za spremljanje in diagnostiko odpadov.

Inteligentne diagnostične metode, kot je zbiranje podatkov s senzorji, obdelava in analiza podatkov, analiza signala tokov pogona in merjenje upornosti odteza, lahko v realnem času identificirajo nepravilno delovanje visokonapetostnih preklopnikov, predvidijo potencialne odpade in usmerjajo odločitve o vzdrževanju. To znatno poveča zanesljivost in operativno učinkovitost električnega sistema.

1 Pogosti tipi mehaničnih odpadov visokonapetostnih preklopnikov
1.1 Odpad slabegega kontakta

Slabi kontakt je glavno povzročen oksidacijo površine kontakta, nedostatkom kontaktnega tlaka ali zmanjšanim kontaktnim območjem. Ta vrsta odpada običajno vodi do povečanja upornosti, kar vpliva na prevodnost visokonapetostnega preklopnika. Zaradi slabega kontakta se pri pretoku toka skozi kontaktna točka ustvari več toplote. To ne le pospešuje izgubo kontaktnih točk, ampak tudi povzroča večje termalne probleme, kot so odpad zvarjenja ali lokalno preseganje temperature.

Slabi kontakt lahko tudi povzroči nestabilnost napetosti, kar vpliva na kakovost napetosti električnega sistema. Trajajoči problemi slabegega kontakta lahko hitro vodijo do padca izolacijske zmogljivosti visokonapetostnega preklopnika, kar poveča operativne varnostne tveganja sistema. Zato je pomembno, da se problema slabegega kontakta visokonapetostnih preklopnikov ugotovi in pravilno reši, da se zagotovi stabilno in varno delovanje električnega sistema.

1.2 Odpad pogona

Odpad pogona je bistveni problem, ki vpliva na delovanje visokonapetostnih preklopnikov. Ta vrsta odpada vključuje mehanski odpad, nedostatek smrljenja in starenje komponent. Mehanski odpad običajno nanaša škodo pogonskih komponent, kot so ležaji in ozublja, zaradi dolgoročnega ponavljajočega se delovanja. Nedostatek smrljenja poveča trenje, kar pospeši stopnjo mehanskega odpada in zmanjša operativno učinkovitost pogona.

S povečanjem časa službe različne komponente pogona izgubijo svoje prvotne lastnosti ali se deformirajo zaradi starenja materiala, kar vpliva na zanesljivost in varnost celotnega delovanja visokonapetostnega preklopnika. Če ta odpadi niso pravočasno ugotovljeni in odpravljeni, lahko vodijo do napačnega delovanja visokonapetostnega preklopnika, in v težkih primerih celo ogrozijo stabilno delovanje celotnega električnega sistema.

1.3 Utrujenost in odpad strukturnih komponent

Utrujenost in odpad strukturnih komponent običajno nastanejo pod vplivom dolgoročnega mehanskega stresa in okoljskih dejavnikov. Strukturne komponente, kot so stolpi, povezovalna tla in ležaji, postopoma izkušajo utrujenost materiala pod vplivom dolgoročnega mehanskega stresa, zlasti med pogostimi odpiranjem in zapiranjem. S časom se ti stresi nabirajo znotraj materiala, kar vodi do nastanka in širjenja mikrotretin, ki se končno razvijejo v velike mehanske odpade.

Dodatno lahko okoljski dejavniki, kot so spremembe temperature, vlaga in korozivno okolje, pospešijo stopnjo utrujenosti strukturnih komponent, kar vpliva na njihove mehanske lastnosti in življenjsko dobo. Utrujenost in odpad strukturnih komponent ne le vplivata na normalno delovanje visokonapetostnih preklopnikov, ampak tudi ogrozita celotno stabilnost električnega sistema.

2 Inteligentne diagnostične metode za mehanične odpade visokonapetostnih preklopnikov
2.1 Senzorji in zbiranje podatkov

Senzorji igrajo ključno vlogo pri mehanski diagnostiki visokonapetostnih preklopnikov. Glavno so odgovorni za zajemanje ključnih fizikalnih parametrov med delovanjem opreme, kot so vibracija, zvok, temperatura in tok. Za visokonapetostne preklopnike se uporabljajo predvsem vibracijski senzorji, akustični emisijski senzorji in senzorji toka in napetosti.

Vibracijski senzorji se uporabljajo za ugotavljanje frekvence in amplitude vibracij, ki jih generirajo komponente opreme med delovanjem. S analizo vibracijskih podatkov je mogoče predvideti odpad opreme in obstoječe odpade. Običajno bi morala frekvenca normalno delujočega visokonapetostnega preklopnika biti znotraj standardnega obsega (običajno je prag nastavljen na več kot 10-krat operativno frekvenco). Če ta preseže ta obseg, lahko to naznačuje anomalijo. Shematski prikaz vibracijskega senzorja je prikazan na Sliki 1.

Akustični emisijski senzorji zajamejo zvok na podlagi visoko frekventnih zvučnih valov, ki jih generirajo materialne ali strukturne defekte. Med delovanjem visokonapetostnega preklopnika, če obstajajo tretine ali luft, akustični emisijski senzorji lahko hitro zajamejo zvokovne fluktuacije, ki jih povzročajo te majhne deformacije ali prelomi. Načelo akustičnega emisijskega senzorja je prikazano na Sliki 2.

Senzorji toka in napetosti glavno nadzorujejo spremembe toka in napetosti, ki pretekajo skozi visokonapetostni preklopnik. Nepravilni branje toka ali napetosti teh senzorjev običajno naznačujejo probleme z električnimi povezavami ali funkcionalnostjo.

1 - Vtisnice; 2 - Osnova; 3 - Piezo kristali; 4 - Elektronski pojačevalnik; 5 - Konektor

V zvezi z zbiranjem podatkov je glavna naloga pretvoriti podatke, zajete s senzorji, v uporabne informacije. Sistem za zbiranje podatkov običajno sestoji iz naslednjih treh vidikov:

• Enota za zajemanje podatkov (DAU). DAU je glavno odgovoren za sprejemanje analognih signalov različnih senzorjev in pretvorbo teh analognih signalov v digitalne signale. DAU zagotavlja, da so podatki zajeti z ustreznim tempom (običajno z odzivnim časom v milisekundah) in določeno natančnostjo (običajno dosežena 16 bitov ali višje), da bi zadostila zahtevam za nadaljnjo obdelavo.

• Prenos podatkov. Zajeti podatki so preneseni na centralni procesorski strežnik skozi stabilno komunikacijsko omrežje. Ta korak običajno temelji na brezžičnih komunikacijskih tehnologijah, kot so Wi-Fi ali 4G/5G omrežja, ki lahko še dodatno povečajo hitrost in učinkovitost prenosa podatkov ter zmanjšajo kompleksnost in stroške postavljanja vodov.

• Shranjevanje in upravljanje podatkov. Po uspešnem prenosu podatkov je potrebno izvesti učinkovito shranjevanje in upravljanje podatkov na strežniku ali v oblaku, da se ustanovi bolj kompleten podatkovni baza. Shranjevanje podatkov mora podpirati hitri dostop in obsežno analizo podatkov, zato so zahtevani visoko zmogljivi podatkovni baze za dosego iskanja in pridobivanja podatkov. Shematski prikaz ustanovitve podatkovne baze je prikazan na Sliki 3.

Z senzorji in zbiranjem podatkov je mogoče v realnem času spremljati stanje in kazalce delovanja opreme, kar omogoča hitro ugotavljanje potencialnih defektov, kar prinaša potrebno podlago za inteligentno diagnostiko mehanskih odpadov, preprečevanje nastanka odpadov in zagotavljanje stabilnega delovanja električnega sistema.

2.2 Obdelava in analiza podatkov
2.2.1 Časovno-frekvenčna analiza

Časovno-frekvenčna analiza je učinkovita metoda obdelave podatkov, ki lahko preoblikuje signale iz časovnega domena v frekvenčni domen, s tem pa razkriva notranje značilnosti in trende sprememb signalov. Običajno uporabljene metode časovno-frekvenčne analize vključujejo Kratko-vremensko Fourierovo transformacijo (STFT), valčno transformacijo in Wigner-Ville distribucijo.

STFT izvaja lokalno Fourierovo transformacijo signala skozi okno fiksne velikosti, kar ga prilagodi za analizo signalov, katerih frekvence počasi spreminjajo s časom. Na primer, pri nadzoru pogona STFT lahko učinkovito identificira frekvenčne drifte, ki jih povzroči trenje ali strukturna luft.

Valčna transformacija lahko ponuja okna spremenljive velikosti, kar jo prilagaja za obdelavo signalov z trenutnimi mutacijami. S prilagoditvijo materske valčne funkcije je mogoče točno identificirati nepravilne vibracije znotraj določenega frekvenčnega pasu.

Kot naprednejši orodje za časovno-frekvenčno analizo, Wigner-Ville distribucija, čeprav generira križni člen, ponuja bolj natančno analizo časovnega in frekvenčnega signala, kar jo prilagaja za ugotavljanje odpadov v kompleksnih signalnih okoljih.

V praktičnih aplikacijah kombinacija zgoraj navedenih metod časovno-frekvenčne analize z prvotnimi podatki, merjenimi s senzorji, omogoča točno spremljanje in diagnostiko delovanja visokonapetostnih preklopnikov. Pri normalnem delovanju se frekvenčni obseg visokonapetostnih preklopnikov običajno ohranja na 50-100 Hz; v primeru slabegega kontakta, utrujenosti strukturnih komponent in odpadov pa se frekvenca visokonapetostnih preklopnikov močno premakne ali se pojavi novi frekvenčni komponenti.

2.2.2 Strojno učenje in prepoznavanje vzorcev

Najprej, po zbiranju podatkov, je potrebno skozi etapo predobdelave, kot je odstranitev šuma in izluščevanje značilnic, pripraviti vhodne podatke za algoritme strojnega učenja. Podatki vključujejo frekvenčne komponente vibracijskih signalov, valovne značilnice električnih parametrov itd.

Nato se lahko uporabijo algoritmi nadziranega učenja, kot so podporni vektorski stroji (SVM) in naključni gozd, za klasifikacijo podatkov, pridobljenih s senzorjev. Ti algoritmi so usposobljeni za prepoznavanje različnih vrst vzorcev odpadov, kot so edinstveni signarni vzorci, ki jih povzročajo slabi kontakt ali odpad pogona. V praktičnih aplikacijah se tisoči točk podatkov vnesejo v algoritme za usposabljanje, da se zagotovi, da lahko točno prepoznajo stanje odpada.

Nazadnje se za prepoznavanje kompleksnih vzorcev uporabljajo tehnike globokog učenja, zlasti konvolucijske neuronske mreže (CNN). Te tehnike lahko iz velikih večdimenzionalnih podatkovskih zbirk izluščijo uporabne informacije preko svojih avtomatskih sposobnosti za učenje značilnic, s tem pa izboljšajo točnost diagnostike. Na primer, v določenem modelu CNN je dizajniranih nekaj konvolucijskih in pooling slojev za obdelavo zbranih video slikovnih podatkov, da se prepoznajo tipični značilni vzorci odpadov.

2.3 Analiza signala toka pogona

Realnočasno spremljanje in analiza signalov toka, ki jih generira pogon med delovanjem, omogoča predvidevanje in diagnostiko potencialnih mehanskih odpadov. Analiza signala toka pogona se običajno osredotoča na ugotavljanje majhnih sprememb v signalu toka, da se določi anomalije ali odpad mehanskih komponent.

Če obstajajo odpadi mehanskih komponent visokonapetostnega preklopnika, kot so odpad ležajev, odpad ozublja ali neravnovesje, to bo neposredno vplivalo na opterečenost pogona, kar bo povzročilo specifične vzorce sprememb v njegovem signalu toka.

V zvezi z analizo podatkov se uporablja senzor toka za zapis valovnega oblika toka ob normalnem delovanju okoli koila napajanja motora. Frekvenca vzorčenja je običajno nastavljena nad 20 kHz, da se zajamejo podrobne informacije in zagotovi visoko natančno razčlenjevanje podatkov.

V zvezi z izluščevanjem značilnic se uporablja Fourierova transformacija, da se časovni signal toka pretvori v frekvenčni signal, kar pomaga identificirati harmonične anomalije, ki jih povzročajo mehanski odpadi. Na primer, pri breznapadnem stanju signal toka pogona glavno vsebuje osnovno frekvenco in njen celaštevne večkratnike. Če obstaja napak, kot je odpad ležaja, bodo opaženi novi pikovi na določenih frekvencah.

V nadaljnjem obdelovanju podatkov se lahko za analizo izluščenih frekvenčnih točk uporabljajo statistične metode. Na primer, se lahko izračuna sprememba amplitud vsake frekvenčne točke, in s pomočjo algoritma strojnega učenja se usposobi model za prepoznavanje odpadov. Vhod algoritma so frekvenčne značilnice signala toka, izhod pa predvidenje vrste in težavnosti odpada.

Z analizo signala toka je mogoče kvantificirati odstopanje signala toka. Na primer, v začetni fazi odpada ležaja se amplituda harmoničnega toka lahko poveča za 5-10 A, medtem ko pri odpadu ozublja se amplituda relevantnega harmoničnega toka lahko poveča za 3-8 A. To omogoča ekipi za vzdrževanje, da točno določi stanje opreme in načrtuje vzdrževalne delo, s tem pa se izogne velikim prekinitvam osvetlitve, ki jih povzročajo odpadi.

2.4 Uporaba tehnologije meritve upornostnega odteza

Tehnologija meritve upornostnega odteza se lahko uporablja za spremljanje strukturnega stresa in deformacije visokonapetostnih preklopnikov. Ta tehnologija se realizira skozi upornostne odtežne senzorje, nameščene na ključnih komponentah.

Upornostni odtežni senzor je senzor, ki pretvori mehansko deformacijo v električni signal. Njegov delovni način temelji na lastnosti, da se vrednost upornosti metalnega vodilca spremeni, ko je deformiran pod vplivom sile. Shematski prikaz strukture upornostnega odtežnega senzorja je prikazan na Sliki 4.

Pri izbiri upornostnih odtežnih senzorjev se lahko izberejo visokonatančni metalni folijski upornostni odtežni senzorji. Ti senzorji imajo dobre linearno značilnosti in stabilni temperaturni odziv, in so običajno nameščeni na mestih, kjer je visokonapetostni preklopnik najbolj opterečen in najbolj podvržen utrujenosti, kot so kontaktno ramo in vrtilna os.

Po izbiri in namestitvi upornostnih odtežnih senzorjev je potrebno, da so senzorji povezani s sistemom za zbiranje podatkov preko vodov. Sistem za zbiranje podatkov je odgovoren za zapis sprememb upornosti, prenesenih od upornostnih odtežnih senzorjev, in njihovo pretvorbo v napetostne signale za branje. Sistem za zbiranje podatkov mora imeti visoko hitrost vzorčenja in visoko ločljivost, da zagotovi, da lahko zajame hitre spremembe odteza, ki jih generira visokonapetostni preklopnik med delovanjem. Uporabljena frekvenca vzorčenja je običajno v kilohertzskega obsega, ločljivost pa dosega milivoltno raven.

Ustrezen programski opremi se uporablja za obdelavo zajetih napetostnih signalov. Najprej se izvede filtriranje, da se odstrani morebitni šum, nato pa se uporabljajo matematični algoritmi, kot je hitra Fourierova transformacija (FFT), za analizo spektra signala in izluščevanje podatkov odteza. Podatki odteza se lahko pretvorijo, da se pridobi dejansko stresno stanje ustreznih komponent.

Meritveni podatki odteza se primerjajo z prej ustanovljenim modelom stresa visokonapetostnega preklopnika, da se oceni trenutno zdravstveno stanje opreme. Ko nadzorovani stres preseže oblikovni prag, bo sistem za zbiranje podatkov samodejno izdal opozorilni signal, da se operativni in vzdrževalni osebje opomni, da izvedeta pregled ali vzdrževalno delo.

3 Zaključek

Ta članek je podrobno raziskoval pogoste vrste mehanskih odpadov visokonapetostnih preklopnikov in njihove inteligentne diagnostične metode. Uporaba inteligentnih diagnostičnih metod za mehanske odpade visokonapetostnih preklopnikov ne le izboljša zanesljivost delovanja opreme, ampak tudi znatno zmanjša stroške vzdrževanja in optimizira proces odločanja o vzdrževanju.

S napredkom znanosti in tehnologije ter z naraščajočo zrelostjo tehnologije analize podatkov, je potrebno, da se poveča raziskovalna investicija, da se izboljša raven inteligentne diagnostike mehanskih odpadov visokonapetostnih preklopnikov, kar prinaša močno podporo za stabilno delovanje električnega sistema.