Inteligentna dijagnoza i analiza mehaničkih grešaka u visokonaponskim prekidačima

U modernim električnim sistemima, visokonaponski prekidači odigraju ključnu ulogu. Oni obezbeđuju sigurno izolovanje električnog opreme ili linija tokom održavanja i pouzdanost tokom normalne operacije. Mekaničke greške visokonaponskih prekidača, kao što su loš kontakt, greška aktuatora ili umor strukturnih komponenti, mogu ozbiljno uticati na stabilnost i sigurnost celog električnog sistema.Tradicionalne metode otkrivanja grešaka zavise od redovnog održavanja i ručnih pregleda.

Ove metode nisu samo vremenski zahtevne i trudne, već su i skloni propustanju optimalnog vremena za intervenciju u ranim fazama greške. Sa kontinuiranim napretkom tehnologije, pojavile su se inteligentne dijagnostičke tehnike koje nude efikasnije i preciznije rešenje za nadzor i dijagnozu grešaka.

Inteligentne dijagnostičke metode, poput prikupljanja podataka baziranih na senzorima, obrade i analize podataka, analize signala strujnog toka pogonskog motora i merenja otpornosti deformacije, mogu u realnom vremenu identifikovati anormalna ponašanja visokonaponskih prekidača, predvideti potencijalne greške i uputiti odluke o održavanju. Ovo značajno unapređuje pouzdanost i operativnu efikasnost električnog sistema.

1 Zajednički tipovi mehaničkih grešaka visokonaponskih prekidača
1.1 Greška lošeg kontakta

Loš kontakt uglavnom je uzrokovan oksidacijom površine kontakta, nedovoljnim pritiskom kontakta ili smanjenom površinom kontakta. Ovaj tip greške obično dovodi do porasta otpora, što utiče na provodljivost visokonaponskog prekidača. Zbog lošeg kontakta, kada struja prođe kroz tačke kontakta, generiše se više toplote. Ovo ne samo ubrzava iscrpljivanje tačaka kontakta, već uzrokuje i ozbiljnije termalne probleme, kao što su greške spajanja ili lokalno pregrejavanje.

Loš kontakt može takođe uzrokovati nestabilnost napona, što utiče na kvalitet napona električnog sistema. Trajne probleme sa lošim kontaktom lako mogu dovesti do pada izolacionih performansi visokonaponskog prekidača, povećavajući operativne rizike bezbednosti sistema. Stoga je brzo otkrivanje i pravilno rešavanje problema sa lošim kontaktom visokonaponskih prekidača neophodno za osiguranje stabilne i sigurne operacije električnog sistema.

1.2 Greška aktuatora

Greška aktuatora je značajan problem koji utiče na performanse visokonaponskih prekidača. Ovaj tip grešaka obuhvata mehaničko iscrpljivanje, nedovoljnu smeđu i starenje komponenti. Mehaničko iscrpljivanje obično se odnosi na oštećenje pogonskih komponenti, kao što su ležaji i zupčanici, tokom dugotrajnih ponavljajućih operacija. Nedovoljna smeđa povećava trenje, ubrzavajući stopu iscrpljivanja mehaničkih delova i smanjujući operativnu efikasnost aktuatora.

Kao što se povećava vreme službe, različite komponente aktuatora gube svoje originalne osobine ili se deformišu zbog starenja materijala, time utičući na pouzdanost i sigurnost cele operacije visokonaponskog prekidača. Ako se ove greške ne otkriju i ne reše na vreme, može doći do nepravilne operacije visokonaponskog prekidača, a u ekstremnim slučajevima, čak i do opasnosti za stabilnu operaciju celog električnog sistema.

1.3 Umor i oštećenje strukturnih komponenti

Umor i oštećenje strukturnih komponenti obično se javljaju pod uticajem dugotrajnog mehaničkog naprezanja i faktora okruženja. Strukturne komponente, kao što su stubovi, spojni štapovi i ležaji, postepeno iscrpljuju materijal pod dejstvom dugotrajnog mehaničkog naprezanja, posebno tokom čestih otvaranja i zatvaranja. Sa vremenom, ova naprezanja se akumuliraju unutar materijala, dovodeći do formiranja i širenja mikro-pecura, koji konačno evoluiraju u značajne mehaničke oštećenja.

Pored toga, faktori okruženja, kao što su promene temperature, vlaga i korozivna okruženja, mogu ubrzati stopu umora strukturnih komponenti, utičući na njihove mehaničke osobine i vreme službe. Umor i oštećenje strukturnih komponenti ne samo da utiču na normalnu funkciju visokonaponskih prekidača, već i predstavljaju pretnju za celokupnu stabilnost električnog sistema.

2 Inteligentne dijagnostičke metode za mehaničke greške visokonaponskih prekidača
2.1 Senzori i prikupljanje podataka

Senzori igraju ključnu ulogu u mehaničkoj dijagnozi visokonaponskih prekidača. Oni su uglavnom odgovorni za hvatanje ključnih fizičkih parametara tokom operacije opreme, kao što su vibracija, zvuk, temperatura i struja. Za visokonaponske prekidače, glavni senzori uključuju vibracione senzore, senzore akustičkog emitovanja i senzore struje i napona.

Vibracioni senzori se koriste za detektovanje frekvencije i amplitude vibracije generisane komponentama opreme tokom operacije. Analizom podataka o vibraciji, moguće je predvideti iscrpljivanje opreme i postojeće greške. Opšte, frekvencija vibracije normalno funkcionira visokonaponskog prekidača treba da bude u standardnom opsegu (obično, prag je postavljen na više od 10 puta operativnu frekvenciju). Ako premaši ovaj opseg, može to ukazivati na anomaliju. Schematicni dijagram vibracionog senzora prikazan je na slici 1.

Senzori akustičkog emitovanja hvataju zvuk temeljem visokofrekventnih zvučnih valova generisanih defektima materijala ili strukture. Tijekom operacije visokonaponskog prekidača, ako postoje pecure ili slabe, senzori akustičkog emitovanja mogu pravočasno uhvatiti fluktuacije zvuka uzrokovane tim manjim deformacijama ili rupturama. Princip senzora akustičkog emitovanja prikazan je na slici 2.

Senzori struje i napona uglavnom nadgledaju promene nivoa struje i napona koji prođu kroz visokonaponski prekidač. Anomalne čitanje struje ili napona sa ovih senzora obično ukazuju na probleme sa električnim vezama ili funkcionalnosti.

1 - Otvor za vijke; 2 - Osnova; 3 - Piezoelektrični kristali; 4 - Elektronski pojačivač; 5 - Terminalni konektor

U pogledu prikupljanja podataka, glavna zaduženja su pretvoriti podatke prikupljene senzorima u korisne informacije. Sistem prikupljanja podataka obično se sastoji od sledećih tri aspekta:

• Jedinica za prikupljanje podataka (DAU). DAU je uglavnom odgovoran za prijem analognih signala sa različitih senzora i pretvaranje tih analognih signala u digitalne signale. DAU osigurava da se podaci prikupljaju na odgovarajućoj brzini (obično sa vremenskom konstantom u milisekundama) i sa određenom preciznošću (obično dostiže 16 bita ili više) kako bi se ispunili zahtevi za kasniju obradu.

• Prenos podataka. Prikupljeni podaci se prenose centralnom obradnom serveru putem stabilne komunikacione mreže. Ovaj korak često zavisi od bežičnih komunikacionih tehnologija, kao što su Wi-Fi ili 4G/5G mreže, što može dodatno povećati brzinu i efikasnost prenosa podataka i smanjiti složenost i troškove žice.

• Čuvanje i upravljanje podacima. Nakon uspešnog prenosa podataka, potrebno je efikasno čuvanje i upravljanje podacima na serveru ili u oblaku kako bi se ustvarila kompletnija baza podataka. Čuvanje podataka treba da podržava brzi pristup i velikoprostorne analize podataka, pa su potrebne visoko performantne baze podataka kako bi se ostvario pristup i pretraživanje podataka. Schematicni dijagram ustvarivanja baze podataka prikazan je na slici 3.

Putem senzora i prikupljanja podataka, moguće je u realnom vremenu pratiti stanje rada i pokazatelje performansi opreme, pravočasno otkrivajući potencijalne defekte, što pruža nužnu osnovu za inteligentnu dijagnozu mehaničkih grešaka, sprečavajući nastanak grešaka i osiguravajući stabilnu operaciju električnog sistema.

2.2 Obrada i analiza podataka
2.2.1 Vremensko-frekventna analiza

Vremensko-frekventna analiza je efikasna metoda obrade podataka koja može transformisati signale iz vremenskog domena u frekventni domen, time otkrivajući interne karakteristike i trendove promena signala. Uobičajene metode vremensko-frekventne analize uključuju Kratkoročnu Furijeovu transformaciju (STFT), talasnu transformaciju i Wigner-Ville raspodelu.

STFT vrši lokalnu Furijeovu transformaciju signala kroz prozor fiksne veličine, čime je pogodna za analizu signala čije frekvencije sporo menjaju tokom vremena. Na primer, tokom nadzora aktuatora, STFT može efikasno identifikovati driftovanje frekvencija uzrokovano trenjem ili strukturnom slabošću.

Talasna transformacija može pružiti prozore promenljive veličine, čime je pogodna za obradu signala sa karakteristikama momentalnih mutacija. Prilagođavanjem maternog talasne funkcije, moguće je precizno identifikovati anormalne vibracije unutar određenog frekventnog opsega.

Kao napredan alat za vremensko-frekventnu analizu, Wigner-Ville raspodela, iako generiše interferenciju kraskih termina, nudi finiju analizu vremensko-frekventne raspodele signala, čime je posebno pogodna za otkrivanje grešaka u složenim signalnim okruženjima.

U praktičnim primenama, kombinacijom gore navedenih metoda vremensko-frekventne analize sa originalnim podacima merenim senzorima, moguće je tačno pratiti i dijagnosticirati rad visokonaponskih prekidača. Pod normalnim uslovima rada, frekvencijski opseg visokonaponskih prekidača obično se može održavati na 50-100 Hz; dok u slučaju lošeg kontakta, umora strukturnih komponenti i oštećenja, frekvencija visokonaponskih prekidača će značajno promeniti ili pojavit će se nove frekvencijske komponente.

2.2.2 Mašinsko učenje i prepoznavanje uzoraka

Prvo, nakon prikupljanja podataka, kroz fazi predprocesiranja, kao što su eliminisanje šuma i ekstrakcija karakteristika, pripremljeni su ulazni podaci za algoritme mašinskog učenja. Podaci uključuju frekvencijske komponente signala vibracije, karakteristike talasa električnih parametara itd.

Drugo, nadzirani algoritmi mašinskog učenja, kao što su Mašina sa potpornim vektorima (SVM) i Slučajni šum, mogu se koristiti za klasifikaciju podataka dobijenih sa senzora. Ovi algoritmi se trene da prepoznaju različite tipove uzoraka grešaka, kao što su jedinstveni signali uzrokovani lošim kontaktom ili greškama aktuatora. U praktičnim primenama, hiljadama tačaka podataka se unose u algoritme za trening kako bi se osiguralo da oni mogu tačno identifikovati stanje greške.

Napokon, tehnike dubokog učenja, posebno Konvolucijske neuronske mreže (CNN), koriste se za kompleksno prepoznavanje uzoraka. Tehnike dubokog učenja mogu ekstrahirati korisne informacije iz velikih skupova multidimenzionalnih podataka kroz svoje automatske sposobnosti učenja karakteristika, poboljšavajući tačnost dijagnoze. Na primer, u specifičnom modelu CNN, dizajnirani su nekoliko konvolucijskih slojeva i slojeva grupisanja za obradu prikupljenih video podataka kako bi se identifikovali tipični uzorci grešaka.

2.3 Analiza signala strujnog toka pogonskog motora

Realno-vremensko praćenje i analiza signala strujnog toka generisanih tokom rada pogonskog motora mogu predvideti i dijagnosticirati potencijalne mehaničke greške. Analiza signala strujnog toka pogonskog motora obično se fokusira na detektovanje malih promena u signalu struje kako bi se odredile anomalije ili iscrpljivanje mehaničkih komponenti.

Ako postoje greške u mehaničkim komponentama visokonaponskog prekidača, kao što su oštećenje ležaja, iscrpljivanje zupčanika ili neravnoteža, to će indirektno uticati na opterećenje pogonskog motora, dovodeći do specifičnih varijacija u njegovom signalu struje.

U pogledu analize podataka, senzor struje se koristi za snimanje talasa struje pod normalnim uslovima rada oko magneetskog zavrta motora. Frekvencija uzorkovanja obično se postavlja iznad 20 kHz kako bi se uhvatili detaljni podaci i osigurala visoka preciznost analize podataka.

U pogledu ekstrakcije karakteristika, Furijeova transformacija se koristi za pretvaranje vremenskog signala struje u frekventni signal, što pomaže u identifikaciji harmonijskih anomalija uzrokovanih mehaničkim greškama. Na primer, pod uslovima bez grešaka, signal struje pogonskog motora uglavnom sadrži fundamentalnu frekvenciju i njen integralni-harmonični frekvencije. Ako postoji greška, kao što je oštećenje ležaja, novi vrhovi će se uočiti na specifičnim frekvencijama.

U daljoj obradi podataka, statističke metode mogu se koristiti za analizu izvučenih frekvencija. Na primer, izračunati promene amplitude svake frekvencijske tačke, i trenirati model prepoznavanja grešaka koristeći algoritam mašinskog učenja. Ulaz algoritma su frekvencijske karakteristike signala struje, a izlaz je predikcija tipa i intenziteta greške.

Analizom signala struje, moguće je kvantificirati devijaciju signala struje. Na primer, u inicijalnoj fazi oštećenja ležaja, amplituda harmonika struje može porasti za 5-10 A, dok u slučaju iscrpljivanja zupčanika, amplituda relevantnih harmonika može porasti za 3-8 A. To omogućava održavajućem timu tačno da utvrdi stanje opreme i planira održavanje, sprječavajući velike padove struje uzrokovane greškama.

2.4 Primena tehnologije merenja otpornosti deformacije

Tehnologija merenja otpornosti deformacije može se koristiti za nadzor strukturnog naprezanja i deformacije visokonaponskih prekidača. Ova tehnologija se realizuje kroz instalaciju senzora otpornosti deformacije na ključne komponente.

Senzor otpornosti deformacije je senzor koji pretvara mehaničku deformaciju u električni signal. Njegov radni princip zasniva se na osobini da se otpornost metalnog vodnika menja kada je deformisan pod dejstvom sile. Schematicni dijagram strukture senzora otpornosti deformacije prikazan je na slici 4.

Pri odabiru senzora otpornosti deformacije, mogu se izabrati visoko precizni senzori otpornosti deformacije od folije metala. Ovi senzori imaju dobre linearno osobine i stabilnu temperaturnu reakciju, i obično se instaliraju na pozicijama gdje je visokonaponski prekidač najopterećeniji i najskloniji umoru, kao što su kontakt ramo i rotirajući vrat.

Nakon odabira i instalacije senzora otpornosti deformacije, potrebno je da senzori budu povezani sa sistemom prikupljanja podataka putem žica. Sistem prikupljanja podataka je odgovoran za snimanje promena otpornosti prenesenih sa senzora otpornosti deformacije i pretvaranje ih u signale napona za čitanje. Sistem prikupljanja podataka treba da ima visoku brzinu uzorkovanja i visoku rezoluciju kako bi se uhvatili brzi promeni deformacije generisani tokom rada visokonaponskog prekidača. Koristena frekvencija uzorkovanja obično je u kilohertz opsegu, a rezolucija doseže milivolt nivo.

Prijatljivo softver se koristi za obradu prikupljenih signala napona. Prvo, vrši se filtriranje kako bi se uklonili mogući šumovi, a zatim se matematički algoritmi, kao što je Brza Furijeova transformacija (FFT), koriste za analizu spektra signala i ekstrakciju podataka deformacije. Podaci deformacije mogu se pretvoriti kako bi se dobilo stvarno stanje naprezanja odgovarajuće komponente.

Izmjereni podaci deformacije poređuju se sa prethodno izgrađenim modelom naprezanja visokonaponskog prekidača kako bi se procijenilo trenutno zdravstveno stanje opreme. Kada nadgledano naprezanje premaši projektirani prag, sistem prikupljanja podataka će automatski emitovati signal upozorenja kako bi se upozorili operativni i održavajući ljudi da provedu inspekcije ili održavanje.

3 Zaključak

Ovaj članak je detaljno istražio zajedničke tipove mehaničkih grešaka visokonaponskih prekidača i njihove inteligentne dijagnostičke metode. Koristeći inteligentne dijagnostičke metode za mehaničke greške visokonaponskih prekidača, ne samo da se može poboljšati pouzdanost rada opreme, već se takođe značajno može smanjiti trošak održavanja i optimizovati proces donošenja odluka o održavanju.

Sa napretkom nauke i tehnologije i sve većom zrelosti tehnologija analize podataka, potrebno je da se poveća ulaganje u istraživanje kako bi se poboljšalo inteligentno dijagnostičko ravnishme mehaničkih grešaka visokonaponskih prekidača, pružajući jaku podršku za stabilnu operaciju električnog sistema.