نقطهی قطع کنندهی فشار بالا SF6 به طور گسترده در سیستمهای برق برای محافظت از مدارهای خود از کوتاه شدن و بیش از حد استفاده میشود. برای تضمین اعتبار و ایمنی آنها، تولیدکنندگان معمولاً نیاز به تجزیه و بازرسی دیداری نقاط تماس اصلی، نقاط تماس قوس الکتریکی و نوکلارها دارند. این بازرسیها هدف دارند وضعیت خوردگی این اجزا را ارزیابی کرده و تعیین کنند که آیا جایگزینی لازم است.
در گذشته، این بازرسیها بر پایه معیارهای مختلفی انجام میشد:
فاصله زمانی: به عنوان مثال، پیشنهاد میشود پس از ۱۲ سال استفاده، تماسها در نقطهی قطع کنندهی فشار واحد SF6 مرده بررسی شوند.
عملیات الکتریکی: به عنوان مثال، پس از ۲۰۰۰ عملیات الکتریکی، بازرسی پیشنهاد میشود.
عملیات خطا: به عنوان مثال، پس از ۱۰ عملیات قطع کوتاه شدن با ظرفیت مشخص، بازرسی پیشنهاد میشود.
معیارهای ترکیبی: گاهی اوقات ترکیبی از عوامل فوق برای ارزیابی جامعتر استفاده میشود.
با این حال، با گذر زمان، این روشهای بازرسی مبتنی بر زمان و تعداد عملیات نقصهایی را نشان دادهاند. در حالی که این بازرسیها به تأمین ایمنی تجهیزات کمک میکنند، همیشه به صورت دقیق وضعیت واقعی خوردگی نقاط تماس و نوکلارها را منعکس نمیکنند. علاوه بر این، این بازرسیها میتوانند هزینهبر، نامطمئن و خطراتی در حین بازرسیهای داخلی محلی ایجاد کنند که ممکن است به خرابی تجهیزات منجر شود.
قوس الکتریکی یک فرآیند حرارتی و الکتریکی پیچیده است که به طور قابل توجهی عملکرد نقطهی قطع کننده را تحت تأثیر قرار میدهد. در حین قطع جریانهای کوتاه شدن، قوس الکتریکی میتواند از طریق خوردگی نوکلار بر پارامترهای نقطهی قطع کننده تأثیر بگذارد. خوردگی نوکلار به معنای فرسودگی مواد نوکلار ناشی از دما بالای قوس است. این فرآیند دو تأثیر روی قابلیت قطع نقطهی قطع کننده دارد:
افزایش فشار کمره: با خوردگی نوکلار، مقطع مساحت گلوی نوکلار افزایش مییابد که منجر به فشار بیشتر در کمره نقطهی قطع کننده میشود. این فشار افزایش یافته به تعجل خاموش شدن قوس با سرکوب دوباره آتشگیری کمک میکند.
افزایش مقطع مساحت گلوی نوکلار: بزرگ شدن گلوی نوکلار اجازه میدهد تا بیشتر گاز به منطقهی قوس جریان یابد، گرمای بیشتری را دور میکند و دمای قوس را کاهش میدهد. با این حال، این فرآیند همچنین انرژی قوس را پخش میکند و ممکن است توان خود-فن-کننده نقطهی قطع کننده را ضعیف کند.
بنابراین، فرآیند خوردگی نوکلار هم تأثیرات مثبت و هم منفی بر قابلیت قطع یک نقطهی قطع کنندهی خود-فن-کننده دارد. وقتی نقطهی قطع کننده یک جریان کوتاه شدن را قطع میکند، خوردگی نوکلار بخشی از انرژی ستون قوس را حذف میکند، جرم گاز در فضای نوکلار را افزایش میدهد و چگالی گاز حول نقاط تماس قوس را بالا میبرد، بنابراین احتمال دوباره آتشگیری را کاهش میدهد.
با توجه به تأثیر قابل توجه خوردگی نوکلار بر عملکرد نقطهی قطع کننده، تخمین شدت خوردگی (یعنی افزایش قطر گلوی نوکلار) و محاسبه جرم خوردگی یک وظیفه مهم است. تخمین دقیق خوردگی نوکلار به کارکنان نگهداری کمک میکند تا بهتر وضعیت سلامتی نقطهی قطع کننده را درک کرده و تصمیمات مستدلی برای نگهداری آینده بگیرند.
شدت خوردگی میتواند از طریق روشهای زیر تخمین زده شود:
بازرسی دیداری: با تجزیه نقطهی قطع کننده و مشاهده مستقیم خوردگی نوکلار. اگرچه این روش ساده است، اما هزینهبر و دارای ریسکهای ذاتی است، همانطور که قبلاً ذکر شد.
تکنیکهای تشخیص غیرتهاجمی: تکنیکهای تشخیص پیشرفته غیرتهاجمی مانند ترموگرافی مادون قرمز و آزمون اولتراسونیک به طور فزایندهای برای نگهداری نقطهی قطع کننده استفاده میشوند. این تکنیکها اجازه میدهند تا خوردگی نوکلار و دیگر مشکلات بالقوه را بدون تجزیه تجهیزات ارزیابی کنند.
تجزیه و تحلیل دادهها و مدلسازی پیشبینی: با تحلیل دادههای عملکرد تاریخی نقطهی قطع کننده و ترکیب آن با مدلهای فیزیک قوس، مدلهای پیشبینی میتوانند شدت خوردگی نوکلار را تخمین بزنند. این رویکرد بازرسیهای تجزیه نیازمند را کاهش میدهد و کارایی نگهداری را بهبود میبخشد.
برای افزایش کارایی و اعتبار نگهداری نقطهی قطع کنندههای فشار بالا SF6، استراتژیهای نگهداری آینده ممکن است بیشتر به نظارت بر شرایط و تکنولوژیهای تشخیص هوشمند متکی باشند. نظارت زنده بر پارامترهای عملکرد نقطهی قطع کننده (مانند جریان، ولتاژ و دما)، در ترکیب با الگوریتمهای تحلیل دادههای پیشرفته، میتواند پیشبینی دقیقتر خوردگی نوکلار و سلامتی کلی اجزای کلیدی را فراهم کند. این رویکرد میتواند بازرسیها و تعمیرات غیرضروری را کاهش دهد، عمر تجهیزات را افزایش دهد و هزینههای نگهداری را کاهش دهد.
علاوه بر این، پیشرفتها در علم مواد بر روی توسعه مواد مقاومتر به گرما و خوردگی برای نوکلارها تمرکز خواهند کرد. استفاده از مواد جدید میتواند قابلیت قطع و اعتبار نقطهی قطع کننده را بهبود بخشد و تأثیرات منفی خوردگی نوکلار را کاهش دهد.

روش اندازهگیری خوردگی نوکلار در نقطهی قطع کنندههای فشار بالا
1. اصول اندازهگیری خوردگی نوکلار
1.1 رابطه بین سیگنالهای فشار و خوردگی نوکلار
تحقیقات نشان داده است که خوردگی نوکلار، که باعث افزایش قطر گلوی نوکلار میشود، ویژگیهای جریان گاز در نقطهی قطع کننده را تغییر میدهد. این تغییرات تأثیر میگذارند بر توزیع فشار و منجر به تغییرات در سیگنالهای فشاری که میتوانند توسط سنسورهای فشار ثبت شوند. به طور خاص، خوردگی نوکلار به دو تأثیر اصلی منجر میشود:
تغییرات در موج فشاری: افزایش قطر نوکلار مقاومت جریان گاز را تغییر میدهد و شکل موج فشاری را تغییر میدهد.
تغییرات در ویژگیهای طیفی: خوردگی نوکلار همچنین تأثیر میگذارد بر ویژگیهای طیفی سیگنالهای فشاری، به ویژه در محدوده فرکانس بالا.
با تحلیل این ویژگیهای سیگنال فشاری، میتوان به طور غیرمستقیم میزان خوردگی نوکلار را استنباط کرد.
1.2 نصب و اندازهگیری سنسورهای فشار
برای به دست آوردن سیگنالهای فشاری دقیق، سنسورهای فشار میتوانند در نقاط مختلف بر اساس ساختار نقطهی قطع کننده و نیازهای اندازهگیری نصب شوند:
اندازهگیری تک قطبی: هر قطب یک شیر در پایین خود دارد که میتواند برای اتصال سنسورهای فشار استفاده شود. این تنظیم اجازه میدهد تا موج فشاری از یک قطب اندازهگیری شود و از تداخل سیگنالهای تکهای چند قطبی جلوگیری کند.
اندازهگیری سه قطبی: در عملیات استاندارد، سه قطب از طریق لولههای مسی به هم متصل میشوند، با یک شیر پرکننده اصلی در داخل پایه نقطهی قطع کننده که همه سه قطب را به هم متصل میکند. اگر شیر پرکننده اصلی به عنوان نقطه اتصال سنسور فشار استفاده شود، سیگنال اندازهگیری شده تلفیق سه سیگنال فشاری جداگانه خواهد بود.
برای تضمین اندازهگیریهای دقیق، از سنسورهای فشار پیزوالکتریک با حساسیت بالا مجهز به تقویتکنندههای مناسب استفاده میشود. دادههای فشاری از شروع عملیات تغییر تا پایان ششین تغییر ثبت میشوند. سیگنال فشاری خام میتواند با یا بدون فیلتر کردن پردازش شود، بسته به نیازهای تحلیل.
سیگنال بدون فیلتر: تبدیل فوریه سریع (FFT) به طور مستقیم به سیگنال بدون فیلتر اعمال میشود تا ویژگیهای دامنه فرکانسی آن را تحلیل کند.
سیگنال فیلتر شده: یک فیلتر پایینگذر ۱۰۰ هرتزی برای حذف نویز فرکانس بالا استفاده میشود و فقط مؤلفههای فرکانس پایین را حفظ میکند.
شکلهای ۱ و ۲ تاریخچه فشار و طیف را نشان میدهند و یک نمای بصری از ویژگیهای سیگنال فشاری ارائه میدهند.
طبقهبندی وضعیت نوکلار با استفاده از یادگیری ماشین
برای افزایش دقت تشخیص، این مطالعه از یک الگوریتم یادگیری ماشین مبتنی بر روش k-نزدیکترین همسایگان (k-NN) استفاده میکند. فرآیند شامل مراحل زیر است:
استخراج ویژگی: ویژگیهای کلیدی از سیگنالهای فشاری استخراج میشوند، مانند مقادیر قله و دره، مؤلفههای فرکانسی و غیره. این ویژگیها به عنوان پارامترهای ورودی برای الگوریتم یادگیری ماشین عمل میکنند.
آموزش مدل: مدل k-NN با استفاده از دادههای شناخته شده در مورد وضعیت نوکلارها و الکترودها آموزش داده میشود. در حین آموزش، الگوریتم نزدیکترین همسایگان را بر اساس فواصل ویژگی تعیین میکند تا طبقهبندی انجام دهد.
طبقهبندی دادههای جدید: برای اندازهگیریهای جدید و ناشناخته، از مدل آموزش دیده برای طبقهبندی وضعیت نوکلارها و الکترودها استفاده میشود.
این رویکرد امکان ارزیابی خوردگی نوکلار و وضعیت دیگر اجزای کلیدی را بدون باز کردن کمره گاز فراهم میکند، پیشنهادات نگهداری دقیق را ارائه میدهد و عمر نقطهی قطع کننده را افزایش میدهد.
نقطه اتصال با سنسور فشار برای خوردگی نوکلار (عکس از منبع شماره ۱)

دادههای خام اندازهگیری شده در شیر پرکننده اصلی در حالت اصلی (آبی)، سیگنال فیلتر شده (قرمز) (عکس از منبع شماره ۱)

طیف فرکانسی دادههای خام در روش فشار نقطهی قطع کننده فشار بالا (عکس از منبع شماره ۱)
چندین ویژگی میتواند از سیگنالهای فشاری فیلتر شده و بدون فیلتر استخراج شود. این ویژگیها ویژگیهای منحصر به فرد سیگنالهای اندازهگیری مختلف را ضبط میکنند و برای شناسایی وضعیت نوکلارها ضروری هستند. به دلیل پراکندگی گسترده این ویژگیها، امکان تطابق مستقیم وضعیتهای خوردگی مختلف با ویژگیهای فردی وجود ندارد. برای حل این چالش، از الگوریتم k-نزدیکترین همسایگان (k-NN) برای ارزیابی استفاده میشود.
الگوریتم k-NN برای هر اندازهگیری یک بردار n-بعدی تولید میکند، که n تعداد ویژگیها را نشان میدهد. فاصله بین دو بردار با استفاده از فاصله اقلیدسی محاسبه میشود، با وزندهی واریانس اضافی برای در نظر گرفتن تغییرات در دادهها. این رویکرد مطمئن میکند که الگوریتم میتواند به طور مؤثر وضعیتهای خوردگی مختلف را بر اساس اطلاعات ترکیبی از چندین ویژگی متمایز کند.
روش فشار موقت مزیت دارد که میتواند به راحتی با استفاده از شیرهای پرکننده موجود برای اتصال سنسورهای فشاری اجرا شود. با این حال، یکی از چالشهای اصلی پراکندگی ضعیف نشانگرهای وضعیت (ویژگیها) است که تشخیص دقیق وضعیت نوکلارها را سخت میکند. برای غلبه بر این محدودیت، مقیاسهای ویژگی از طریق تحلیل حساسیت بهینه شدند. در حالی که یک ویژگی تکی ممکن است برای تمام موارد اطلاعات کافی نداشته باشد، ترکیب هفت ویژگی با الگوریتم طبقهبندی k-NN به طور قابل توجهی دقت تشخیص را بهبود میبخشد.
چندین الگوریتم طبقهبندی آزمایش شد و نتایج نشان داد که الگوریتم k-NN با استفاده از فاصله اقلیدسی استاندارد کمترین خطای کمتر از ۰.۹٪ را در اعتبارسنجی متقابل به دست آورد. این ترکیب ویژگیها و الگوریتم k-NN سپس برای طبقهبندی اندازهگیریهای میدانی برای انواع مختلف نقطهی قطع کنندهها استفاده شد. برای اندازهگیریهای نقطهی قطع کننده مورد نظر، این رویکرد قادر به انجام طبقهبندی بدون هیچ خطایی بود.