Intelligent diagnostik och analys av mekaniska fel i högspänningsavskiljare
I moderna elkraftsystem spelar högspänningskopplingsswitchar en viktig roll. De säkerställer säker isolering av elektrisk utrustning eller ledningar under underhåll och pålitlighet under normal drift. Mekaniska fel hos högspänningskopplingsswitchar, såsom dålig kontakt, drivutrustningsfel eller trötthet i strukturella komponenter, kan allvarligt påverka stabiliteten och säkerheten i hela elkraftsystemet.Traditionella feldetektionsmetoder bygger på regelbundet underhåll och manuella inspektioner.
Dessa metoder är inte bara tidskrävande och arbetsintensiva, utan de kan också missa det optimala ingripandetidpunkten i tidiga stadiet av ett fel. Med den kontinuerliga teknikutvecklingen har intelligenta diagnostiska tekniker dykt upp, vilket erbjuder en mer effektiv och exakt lösning för felövervakning och diagnos.
Intelligenta diagnostiska metoder, som sensorbaserad datainsamling, dataprocessering och analys, motorströmsignalanalys och resistiv spänningmätning, kan identifiera avvikande beteenden hos högspänningskopplingsswitchar i realtid, förutsäga potentiella fel och guida underhållsbeslut. Detta förbättrar signifikant pålitligheten och driftseffektiviteten i elkraftsystemet.
1 Vanliga typer av mekaniska fel i högspänningskopplingsswitchar
1.1 Fel med dålig kontakt
Dålig kontakt orsakas huvudsakligen av oxidering av kontaktytan, otillräcklig kontakttryck eller minskat kontaktyta. Denna typ av fel leder vanligtvis till ökad resistans, vilket påverkar ledningsförmågan hos högspänningskopplingsswitchen. På grund av dålig kontakt genereras mer värme när ström passerar genom kontaktpunkterna. Detta accelererar inte bara slitage av kontaktpunkterna, utan orsakar också mer allvarliga termiska problem, som svetsfel eller lokala överhettningar.
Dålig kontakt kan också orsaka spänningsinstabilitet, vilket påverkar spänningskvaliteten i elkraftsystemet. Beständiga problem med dålig kontakt kan lätt leda till en nedgång i isoleringsprestanda för högspänningskopplingsswitchen, vilket ökar driftsäkerhetsriskerna för systemet. Därför är det nödvändigt att snabbt upptäcka och rätt hantera problem med dålig kontakt i högspänningskopplingsswitchar för att säkerställa stabilt och säkert drift av elkraftsystemet.
1.2 Drivutrustningsfel
Drivutrustningsfel är en betydande fråga som påverkar prestandan hos högspänningskopplingsswitchar. Denna typ av fel omfattar mekanisk slitage, otillräcklig smörjning och komponentåldring. Mekanisk slitage syftar vanligtvis på skada av drivkomponenter som lager och kugghjul under långvarig upprepade operationer. Otillräcklig smörjning ökar friktion, vilket förvärrar slitagehastigheten av mekaniska delar och minskar drivutrustningens driftseffektivitet.
Med ökande serviceperiod förlorar olika komponenter i drivutrustningen sina ursprungliga egenskaper eller deformeras på grund av materialåldring, vilket påverkar pålitligheten och säkerheten i hela högspänningskopplingsswitchens drift. Om dessa fel inte upptäcks och åtgärdas i tid kan det leda till felaktig drift av högspänningskopplingsswitchen, och i värsta fall till och med hota det stabila driften av hela elkraftsystemet.
1.3 Trötthet och skadefel i strukturella komponenter
Trötthet och skadefel i strukturella komponenter inträffar vanligtvis på grund av långvarigt mekaniskt tryck och miljöfaktorer. Strukturella komponenter som pelare, kopplingsstänger och lager upplever gradvis materialtrötthet under långvarigt mekaniskt tryck, särskilt vid frekventa öppnings- och stängningsoperationer. Med tiden ackumuleras dessa tryck inuti materialet, vilket leder till framväxten och spridningen av mikrosprickor, som slutligen utvecklas till betydande mekaniska skador.
Utöver detta kan miljöfaktorer som temperaturförändringar, fuktighet och korrosiva miljöer förvärra trötthetshastigheten för strukturella komponenter, vilket påverkar deras mekaniska egenskaper och livslängd. Trötthet och skadefel i strukturella komponenter påverkar inte bara den normala funktionen av högspänningskopplingsswitchar, utan utgör också en hot mot det totala stabiliteten i elkraftsystemet.
2 Intelligenta diagnostiska metoder för mekaniska fel i högspänningskopplingsswitchar
2.1 Sensorer och datainsamling
Sensorer spelar en avgörande roll i mekanisk fel-diagnostik av högspänningskopplingsswitchar. De ansvarar huvudsakligen för att fånga viktiga fysiska parametrar under utrustningsdrift, såsom vibration, ljud, temperatur och ström. För högspänningskopplingsswitchar används huvudsakligen vibrationsensorer, akustiska utsläppssensorer samt ström- och spänningsensorer.
Vibrationsensorer används för att detektera vibrationsfrekvens och amplitud genererade av utrustningskomponenter under drift. Genom att analysera vibrationsdata kan man förutspå utrustningsslitage och befintliga fel. Generellt bör vibrationsfrekvensen för en normalt fungerande högspänningskopplingsswitch ligga inom standardintervallet (vanligtvis sätts tröskelvärdet till mer än 10 gånger driftfrekvensen). Om den överskrider detta intervall kan det indikera en anomal. En schematisk bild av en vibrationsensor visas i figur 1.
Akustiska utsläppssensorer fångar ljud baserat på högfrekventa ljudvågor genererade av material- eller strukturdefekter. Under drift av en högspänningskopplingsswitch, om det finns sprickor eller löshet, kan akustiska utsläppssensorer snabbt fånga ljudfluktuationer orsakade av dessa små deformationer eller rupturer. Principen för en akustisk utsläppssensor visas i figur 2.
Ström- och spänningsensorer övervakar huvudsakligen förändringar i ström- och spänningsnivåer som passerar genom högspänningskopplingsswitchen. Avvikande ström- eller spänningsläsningar från dessa sensorer indikerar vanligtvis problem med elektriska anslutningar eller funktionalitet.
1 - Bolthål; 2 - Fundament; 3 - Piesoelektriska kristaller; 4 - Elektronisk förstärkare; 5 - Kontakter
När det gäller datainsamling består huvuduppgiften i att konvertera data insamlad av sensorer till användbar information. Ett datainsamlningssystem består vanligtvis av följande tre aspekter:
Datainsamlingsenhet (DAU). DAU är huvudsakligen ansvarig för att ta emot analoga signaler från olika sensorer och konvertera dessa analoga signaler till digitala signaler. DAU säkerställer att data samlas in med lämplig hastighet (vanligtvis med en svarstid i millisekundsintervallet) och med viss precision (vanligtvis uppnår 16 bitar eller högre) för att möta efterföljande bearbetningskrav.
Datatransmission. Insamlade data överförs till en central processerserver genom ett stabil kommunikationsnät. Detta steg ofta bygger på trådlösa kommunikationstekniker som Wi-Fi eller 4G/5G-nätverk, vilket kan ytterligare öka hastigheten och effektiviteten i datatransmission och minska komplexiteten och kostnaderna för kablage.
Datahantering och lagring. Efter lyckad datatransmission måste effektiv datahantering och lagring utföras på en server eller i molnet för att etablera en mer komplett databas. Datahantering behöver stödja snabb åtkomst och stor-skalig dataanalys, så krävs högpresterande databaser för att uppnå datafrågor och hämtning. En schematisk bild av databasetablering visas i figur 3.
Genom sensorer och datainsamling kan den aktuella driftstatusen och prestandaindikatorerna för utrustningen övervakas i realtid, vilket snabbt upptäcker potentiella defekter, ger ett nödvändigt underlag för intelligent diagnostik av mekaniska fel, förhindrar fel och säkerställer det stabila drift av elkraftsystemet.
2.2 Dataprocessering och analys
2.2.1 Tids-frekvensanalys
Tids-frekvensanalys är en effektiv metod för dataprocessering som kan transformera signaler från tidsdomänen till frekvensdomänen, vilket avslöjar interna egenskaper och förändringstrender i signaler. Vanligt använda tids-frekvensanalysmetoder inkluderar Short-Time Fourier Transform (STFT), wavelettransform och Wigner-Ville-distribution.
STFT utför en lokal Fourier-transform på signalen genom ett fönster av fast storlek, vilket gör det lämpligt för att analysera signaler vars frekvenser ändras långsamt över tid. Till exempel, när man övervakar drivutrustningen, kan STFT effektivt identifiera frekvensdrift orsakade av friktion eller strukturell lösning.
Wavelettransformen kan erbjuda fönster av varierande storlek, vilket gör det lämpligt för att bearbeta signaler med momentana förändringskarakteristika. Genom att justera moderwavelet-funktionen kan man uppnå exakt identifiering av avvikande vibrationer inom ett specifikt frekvensband.
Som ett avancerat verktyg för tids-frekvensanalys, trots att den genererar kors-terminterferens, erbjuder Wigner-Ville-distributionen en mer raffinerad analys av signalens tid och frekvens, vilket gör den särskilt lämplig för felidentifiering i komplexa signalsmiljöer.
I praktiska tillämpningar kan kombinationen av ovan nämnda tids-frekvensanalysmetoder med ursprungliga data mätta av sensorer ge en exakt övervakning och diagnos av driftstatusen för högspänningskopplingsswitchar. Under normal drift kan frekvensintervallet för högspänningskopplingsswitchar generellt hållas på 50-100 Hz, medan i fallet med dålig kontakt, strukturell komponenttrötthet och skadefel kommer frekvensen för högspänningskopplingsswitchar att skifta markant eller nya frekvenskomponenter kommer att dyka upp.
2.2.2 Maskininlärning och mönsterekognition
Först, efter datainsamling, genom en förbehandlingsfas som bruseliminering och egenskapsutvinning, förbereds indata för maskininlärningsalgoritmer. Datat inkluderar frekvenskomponenter av vibrationsignaler, formegenskaper av elektriska parametrar, etc.
Sedan kan övervakade inlärningsalgoritmer som Support Vector Machines (SVM) och Random Forest användas för att klassificera data erhållen från sensorer. Dessa algoritmer tränas för att identifiera olika typer av felelement, såsom de unika signalmönster som orsakas av dålig kontakt eller drivutrustningsfel. I praktiska tillämpningar matas tusentals datapunkter in i algoritmerna för träningsändamål för att säkerställa att de kan exakt identifiera feletat.
Slutligen används djupinlärningstekniker, särskilt Convolutional Neural Networks (CNN), för komplexa mönsterekognitioner. Djupinlärningstekniker kan extrahera användbar information från stora mängder flerdimensionella data genom sina automatiska egenskapsinlärningsförmågor, vilket förbättrar diagnosens noggrannhet. Till exempel, i ett specifikt CNN-modell, designas flera konvolutionslager och poolingslager för att bearbeta insamlade videobildedata för att identifiera typiska felemblem.
2.3 Analyz av drivmotors strömsignaler
Realtidsövervakning och analys av strömsignalerna som genereras under drift av drivmotorn kan förutsäga och diagnostisera potentiella mekaniska fel. Analyz av drivmotors strömsignaler fokuserar vanligtvis på att detektera små förändringar i strömsignalen för att fastställa avvikelser eller slitage av mekaniska komponenter.
Om det finns fel i mekaniska komponenter av högspänningskopplingsswitchen, såsom lagerfel, kuggslitage eller obalans, kommer det indirekt att påverka lasten på drivmotorn, vilket resulterar i specifika mönstervariationer i dess strömsignal.
När det gäller dataanalys används en strömsensor för att registrera strömvågen under normal drift runt motorns strömförsörjningsbobin. Provtagningsfrekvensen sätts vanligtvis över 20 kHz för att fånga detaljerad information och säkerställa högprecision dataanalys.
När det gäller egenskapsutvinning används Fourier-transform för att konvertera tidsdomäns-strömsignalen till en frekvensdomäns-signal, vilket hjälper till att identifiera harmoniska avvikelser orsakade av mekaniska fel. Till exempel, under felfria förhållanden innehåller strömsignalen för drivmotorn huvudsakligen grundfrekvensen och dess heltalsmultipla harmoniska. Om det finns ett fel, som lagerfel, observeras nya toppar vid specifika frekvenser.
I efterföljande dataprocessering kan statistiska metoder användas för att analysera de extraherade frekvenserna. Till exempel, beräkna amplitudförändringarna för varje frekvenspunkt, och träna en felidentifieringsmodell med en maskininlärningsalgoritm. Inmatningen av algoritmen är frekvenskaraktäristiken av strömsignalen, och utmatningen är förutsägelsen av feltyp och allvarlighetsgrad.
Genom att analysera strömsignalen kan avvikelsen av strömsignalen kvantifieras. Till exempel, i initiala stadiet av lagerfel, kan amplituden av strömsignalens harmoniska öka med 5-10 A, medan i fallet med kuggslitage kan amplituden av relevanta harmoniska öka med 3-8 A. Detta gör att underhållsteamet kan exakt fastställa utrustningsstatus och planera underhållsarbeten, vilket undviker stora elavbrott orsakade av fel.
2.4 Användning av spänningsmätteknik
Spänningsmätteknik kan användas för att övervaka strukturella spänningar och deformationer i högspänningskopplingsswitchar. Denna teknik realiseras genom spänningsmätare installerade på viktiga komponenter.
En spänningsmätare är en sensor som konverterar mekanisk deformation till en elektrisk signal. Dess funktionsprincip bygger på egenskapen att resistansen hos en metallledare ändras när den deformeras under kraft. En schematisk bild av spänningsmätarens struktur visas i figur 4.
När det gäller val av spänningsmätare kan man välja högprecision metalldunstspänningsmätare. Dessa mätare har goda linjära egenskaper och stabilt temperaturrespons, och installeras vanligtvis på positioner där högspänningskopplingsswitchen utsätts för mest stress och är mest benägen för trötthet, såsom kontaktfärgen och roterande axeln.
Efter valet och installation av spänningsmätare är det nödvändigt att ansluta mätarna till datainsamlningssystemet via trådar. Datainsamlningssystemet ansvarar för att registrera resistansförändringarna som skickas från spänningsmätarna och konvertera dem till spänningsignaler för läsning. Datainsamlningssystemet behöver ha en hög provtagningshastighet och hög upplösning för att säkerställa att det kan fånga snabba spänningsförändringar som genereras under drift av högspänningskopplingsswitchen. Den använda provtagningshastigheten ligger vanligtvis i kilohertzintervallet, och upplösningen når millivoltnivån.
Lämplig programvara används för att bearbeta de insamlade spänningsignalerna. Först utförs filtrering för att eliminera eventuell brusstörning, och sedan används matematiska algoritmer som Fast Fourier Transform (FFT) för att analysera signalens spektrum och extrahera spänningsdata. Spänningsdatan kan konverteras för att erhålla den faktiska spänningsstaten för motsvarande komponent.
Det mätta spänningsdatat jämförs med den förutbestämde spänningsmodellen för högspänningskopplingsswitchen för att utvärdera utrustningens nuvarande hälsotillstånd. När den övervakade spänningen överskrider designtröskelvärdet kommer datainsamlningssystemet automatiskt att ge en varningssignal för att påminna drift- och underhållspersonal att genomföra inspektioner eller underhåll.
3 Slutsats
Denna artikel har utforskat de vanliga typerna av mekaniska fel i högspänningskopplingsswitchar och deras intelligenta diagnostiska metoder. Att använda intelligenta diagnostiska metoder för mekaniska fel i högspänningskopplingsswitchar kan inte bara förbättra pålitligheten i utrustningsdrift, utan också signifikant minska underhållskostnader och optimera underhållsbeslutsprocessen.
Med framstegen inom vetenskap och teknik och den ökande mognaden i dataanalysteknik behöver relevanta personer öka forskningsinvesteringen för att förbättra den intelligenta diagnostiska nivån för mekaniska fel i högspänningskopplingsswitchar, vilket ger starkt stöd för det stabila driftet av elkraftsystemet.
