Інтелектуальна діагностика та аналіз механічних відмов у високонапійних відокремлювачах
У сучасних електроенергетичних системах високовольтні вимикачі грають ключову роль. Вони забезпечують безпечне відключення електричного обладнання або ліній під час ремонту та надійність під час звичайної роботи. Механічні відмови високовольтних вимикачів, такі як погана контакт, відмова приводу або втома конструктивних компонентів, можуть серйозно вплинути на стабільність та безпеку всієї електроенергетичної системи.Традиційні методи виявлення несправностей залежать від регулярного обслуговування та ручного огляду.
Ці методи не тільки займають багато часу і трудомісткі, але й часто пропускають оптимальний час для втручання на ранніх стадіях несправності. З постійним прогресом технологій з'явилися інтелектуальні діагностичні техніки, які пропонують більш ефективне та точне рішення для моніторингу та діагностики несправностей.
Інтелектуальні діагностичні методи, такі як збор даних на основі датчиків, обробка та аналіз даних, аналіз сигналів струму приводного двигуна та вимірювання опорного напруження, можуть в реальному часі виявити аномальні поведінки високовольтних вимикачів, передбачити потенційні несправності та керувати рішеннями щодо обслуговування. Це значно підвищує надійність та ефективність роботи електроенергетичної системи.
1 Типові механічні відмови високовольтних вимикачів
1.1 Несправності через поганий контакт
Поганий контакт переважно спричинений окисленням поверхні контакту, недостатньою контактною тисковою силою або зменшеною площею контакту. Такий тип несправності зазвичай призводить до збільшення опору, що впливає на провідність високовольтного вимикача. Через поганий контакт при проходженні струму через точки контакту генерується більше тепла. Це не тільки прискорює витертість точок контакту, але й викликає більш серйозні проблеми, пов'язані з термічним ефектом, такі як зварювання або локальне перегрівання.
Поганий контакт також може викликати нестабільність напруги, що впливає на якість напруги електроенергетичної системи. Постійні проблеми з поганим контактом легко можуть призвести до погіршення ізоляційних характеристик високовольтного вимикача, збільшуючи ризики безпеки під час роботи системи. Тому швидке виявлення та правильне вирішення проблем з поганим контактом у високовольтних вимикачах є важливим для забезпечення стабільної та безпечної роботи електроенергетичної системи.
1.2 Відмова приводу
Відмова приводу є значним питанням, що впливає на продуктивність високовольтних вимикачів. Цей тип несправності включає механічний витерт, недостатню смазку та старіння компонентів. Механічний витерт зазвичай стосується пошкодження привідних компонентів, таких як підшипники та шестерні, при довготривалій повторюваній роботі. Недостатня смазка збільшує тертя, прискорюючи витертість механічних частин та зменшуючи ефективність роботи приводу.
Зі збільшенням строку служби різні компоненти приводу втрачають свої початкові властивості або деформуються через старіння матеріалу, що впливає на надійність та безпеку роботи всього високовольтного вимикача. Якщо ці несправності не будуть вчасно виявлені та усунуті, це може призвести до неправильного функціонування високовольтного вимикача, а в крайньому випадку — навіть загрожувати стабільній роботі всієї електроенергетичної системи.
1.3 Втома та пошкодження конструктивних компонентів
Втома та пошкодження конструктивних компонентів зазвичай відбуваються під впливом довготривалого механічного напруження та факторів оточення. Конструктивні компоненти, такі як стовпи, з'єднуючі валки та підшипники, поступово досвідчують втому матеріалу під дією довготривалого механічного напруження, особливо під час частих відкривань та закривань. З часом ці напруження накопичуються в матеріалі, що призводить до появи та розповсюдження мікро-тріщин, які в кінцевому підсумку розвиваються в значні механічні пошкодження.
Крім того, фактори оточення, такі як зміни температури, вологість та корозійні середовища, можуть прискорити втому конструктивних компонентів, впливаючи на їх механічні властивості та строк служби. Втома та пошкодження конструктивних компонентів не тільки впливають на нормальну функцію високовольтних вимикачів, але й становлять загрозу загальній стабільності електроенергетичної системи.
2 Інтелектуальні методи діагностики механічних відмов високовольтних вимикачів
2.1 Датчики та збор даних
Датчики грають ключову роль у діагностиці механічних несправностей високовольтних вимикачів. Вони головним чином відповідають за вловлювання ключових фізичних параметрів під час роботи обладнання, таких як вібрація, звук, температура та струм. Для високовольтних вимикачів головними датчиками, що використовуються, є датчики вібрації, акустичного випромінювання, а також датчики струму та напруги.
Датчики вібрації використовуються для виявлення частоти та амплітуди вібрації, що генеруються компонентами обладнання під час роботи. Аналізуючи дані вібрації, можна передбачити витертість обладнання та наявні несправності. Зазвичай, частота вібрації нормально працюючого високовольтного вимикача повинна бути в стандартному діапазоні (зазвичай, поріг встановлюється більше 10 разів від частоти роботи). Якщо вона перевищує цей діапазон, це може свідчити про аномалію. Схематичне зображення датчика вібрації показано на рис. 1.
Датчики акустичного випромінювання вловлюють звук на основі високочастотних звукових хвиль, що генеруються дефектами матеріалу або конструкції. Під час роботи високовольтного вимикача, якщо є тріщини або розболтаність, датчики акустичного випромінювання можуть вчасно вловити коливання звуку, спричинені цими малими деформаціями або розривами. Принцип роботи датчика акустичного випромінювання показано на рис. 2.
Датчики струму та напруги головним чином моніторять зміни рівня струму та напруги, що проходять через високовольтний вимикач. Аномальні показники струму або напруги з цих датчиків зазвичай вказують на проблеми з електричними з'єднаннями або функціональність.
1 - отвори для болтів; 2 - основа; 3 - п'єзокристали; 4 - електронний підсилювач; 5 - клемний з'єднувач
Щодо збору даних, основна задача полягає в перетворенні даних, зібраних датчиками, у корисну інформацію. Система збору даних зазвичай складається з наступних трьох аспектів:
Одиниця збору даних (DAU). Одиниця DAU головним чином відповідає за прийняття аналогових сигналів від різних датчиків та перетворення цих аналогових сигналів на цифрові. Одиниця DAU забезпечує збор даних з відповідною швидкістю (зазвичай з часом відгуку в мілісекундах) та з певною точністю (зазвичай до 16 біт або більше), щоб задовольнити вимоги подальшої обробки.
Передача даних. Зібрані дані передаються на центральний сервер обробки через стабільну комунікаційну мережу. Цей крок часто залежить від бездротових технологій зв'язку, таких як Wi-Fi або 4G/5G мережі, що може значно збільшити швидкість та ефективність передачі даних, а також зменшити складність та вартість проводки.
Зберігання та управління даними. Після успішної передачі даних, на сервері або в хмарі потрібно ефективно зберігати та керувати даними, щоб створити більш повну базу даних. Зберігання даних має підтримувати швидкий доступ та масштабний аналіз даних, тому потрібні високопродуктивні бази даних для виконання запитів та отримання даних. Схематичне зображення створення бази даних показано на рис. 3.
За допомогою датчиків та збору даних можна в реальному часі моніторити стан роботи та показники продуктивності обладнання, що дозволяє вчасно виявити потенційні дефекти, надаючи необхідну основу для інтелектуальної діагностики механічних несправностей, запобігання виникненню несправностей та забезпечення стабільної роботи електроенергетичної системи.
2.2 Обробка та аналіз даних
2.2.1 Часово-частотний аналіз
Часово-частотний аналіз є ефективним методом обробки даних, який може перетворити сигнали з часовій області в частотну, відкриваючи внутрішні характеристики та зміни трендів сигналів. Зазвичай використовуються методи часово-частотного аналізу, такі як короткочасне перетворення Фур'є (STFT), вейвлет-перетворення та розподіл Вігнера-Вілля.
STFT виконує локальне перетворення Фур'є сигналу через вікно фіксованого розміру, що робить його придатним для аналізу сигналів, частоти яких повільно змінюються з часом. Наприклад, при моніторингу приводу, STFT може ефективно виявити зсув частот, спричинений тертям або розболтаністю конструкції.
Вейвлет-перетворення може надати вікна змінного розміру, що робить його придатним для обробки сигналів з моментальними мутаціями. Настроюючи материнську вейвлет-функцію, можна точно виявити аномальні вібрації в певному частотному діапазоні.
Як продвинутий інструмент часово-частотного аналізу, розподіл Вігнера-Вілля, хоча і генерує перетини, надає більш детальний аналіз часової та частотної характеристики сигналу, що робить його особливо придатним для виявлення несправностей в складних сигналових середовищах.
У практичних застосуваннях, поєднання вищезазначених методів часово-частотного аналізу з первинними даними, виміряними датчиками, може точно моніторити та діагностувати стан роботи високовольтних вимикачів. У нормальних умовах роботи, частотний діапазон високовольтних вимикачів зазвичай може зберігатися в діапазоні 50-100 Гц; у випадку поганого контакту, втоми конструктивних компонентів та пошкоджень, частота високовольтних вимикачів може значно змінитися або з'явиться нові частотні компоненти.
2.2.2 Машинне навчання та розпізнавання образів
Спочатку, після збору даних, через етап передобработки, такий як вилучення шуму та видобуток ознак, підготовлюються вхідні дані для алгоритмів машинного навчання. Дані включають частотні компоненти сигналів вібрації, характеристики форми електричних параметрів тощо.
Друге, можна використовувати алгоритми навчання з викладачем, такі як Машина опорних векторів (SVM) та Випадковий ліс, для класифікації даних, отриманих від датчиків. Ці алгоритми навчаються розпізнавати різні типи моделей несправностей, такі як унікальні сигнальні моделі, спричинені поганим контактом або відмовою приводу. У практичних застосуваннях, тисячі точок даних вводяться в алгоритми для навчання, щоб забезпечити, що вони можуть точно розпізнавати стани несправностей.
Нарешті, техніки глибинного навчання, особливо згорткові нейронні мережі (CNN), використовуються для складного розпізнавання образів. Техніки глибинного навчання можуть видобувати корисну інформацію з великої масштабної багатовимірної даних завдяки своїм автоматичним здібностям навчання ознак, покращуючи точність діагностики. Наприклад, у конкретній моделі CNN проектуються кілька згорткових та пулингових шарів для обробки зібраних відео-зображень, щоб виявити типові ознаки несправностей.
2.3 Аналіз сигналів струму приводного двигуна
Реальний моніторинг та аналіз сигналів струму, що генеруються під час роботи приводного двигуна, можуть передбачити та діагностувати потенційні механічні несправності. Аналіз сигналів струму приводного двигуна зазвичай зосереджується на виявленні невеликих змін в сигналі струму, щоб визначити аномалії або витертість механічних компонентів.
Якщо в механічних компонентах високовольтного вимикача, таких як пошкодження підшипників, витертість шестерень або небаланс, це опосередковано вплине на навантаження приводного двигуна, що призведе до специфічних змін у його сигналі струму.
Щодо аналізу даних, датчик струму використовується для запису форми сигналу струму при нормальних умовах роботи навколо котушки живлення двигуна. Частота дискретизації зазвичай встановлюється понад 20 кГц, щоб захопити детальну інформацію та забезпечити високоточний розпарсювання даних.
Щодо видобутку ознак, перетворення Фур'є використовується для перетворення сигналу струму в часовій області в частотну, що допомагає виявити гармонічні аномалії, спричинені механічними несправностями. Наприклад, при відсутності несправностей, сигнал струму приводного двигуна зазвичай містить основну частоту та її цілочисельні гармоніки. Якщо є несправність, така як відмова підшипника, на певних частотах будуть спостерігатися нові піки.
У подальшій обробці даних можна використовувати статистичні методи для аналізу виділених частот. Наприклад, можна обчислити зміни амплітуди кожного частотного пункту та навчити модель ідентифікації несправностей за допомогою алгоритму машинного навчання. Вхід алгоритму — це частотні характеристики сигналу струму, а виходом є прогноз типу та ступеня несправності.
Аналізуючи сигнал струму, можна кількісно визначити відхилення сигналу струму. Наприклад, на початковій стадії відмови підшипника амплітуда гармонічного струму може збільшитися на 5-10 А, а у випадку витертість шестерень амплітуда відповідної гармоніки може збільшитися на 3-8 А. Це дозволяє команді обслуговування точно визначити стан обладнання та планувати роботи з обслуговування, що в свою чергу дозволяє уникнути масштабних відключень електроенергії через несправності.
2.4 Застосування технології вимірювання опорного напруження
Технологія вимірювання опорного напруження може використовуватися для моніторингу структурного напруження та деформації високовольтних вимикачів. Ця технологія реалізується через датчики опорного напруження, встановлені на ключових компонентах.
Датчик опорного напруження — це датчик, який перетворює механічну деформацію на електричний сигнал. Його принцип роботи базується на властивості металевого провідника, коли його опір змінюється при деформації під дією сили. Схематичне зображення структури датчика опорного напруження показано на рис. 4.
При виборі датчиків опорного напруження можна вибирати високоточні металеві фольгові датчики опорного напруження. Ці датчики мають хороші лінійні характеристики та стабільну температурну відповідь, і зазвичай встановлюються на найбільш навантажені та підвержені втомі місця високовольтного вимикача, такі як контактна рука та обертовий вал.
Після вибору та встановлення датчиків опорного напруження, вони повинні бути підключені до системи збору даних через дроти. Система збору даних відпов
