Hágildis SF6 straumskiptingar eru víðtæklega notuð í raforkukerfi til að vernda straumafræðir gegn skammtengingum og yfirbyrjun. Til að tryggja þeirra öruggleika og öryggi krefjast framleiðendur venjulegra leysinga og sýnis kannsóna á aðalhvarfum, bogahvarfum og gashrugum. Kannsóknirnar hafa til markmiði að meta afþreyingarköflun þessara hluta og ákveða hvort er nauðsynlegt að skipta út fyrir nýju.
Fyrir ofan voru kannsóknir byggðar á nokkrum markmiðum:
Tímaáttaka: Til dæmis, er mælt með að kannsækja hvarfin eftir 12 árum notkunar fyrir einn-giltistólka SF6 straumskiptingar.
Rafmagns aðgerðir: Til dæmis, er ráðlagt að kannsækja eftir 2000 rafmagns aðgerðum.
Skammtengingar: Til dæmis, er ráðlagt að kannsækja eftir 10 skammtengingum á skiptingu.
Samsett markmið: Stundum er notað samsett markmið af ofangreindum atriðum til að fá meiri yfirlit.
En með tímabili hafa þessar tíma- og aðgerðatal-bundnar kannsóknaraðferðir komið í ljós nokkur takmarkanir. Þrátt fyrir að þessar kannsóknir hjálpi að tryggja öruggleika, lýsa þær ekki alltaf rétt afþreyingarköflun hvarfa og hrúga. Auk þess geta kannsóknirnar orðið kostnaðarlegar, óstöðugar og brotið á staðnum við innri kannsóknir, sem gætu valdið skemmunni á tækinu.
Bogar eru flóknar hita- og rafmagnsvirkir ferlar sem hafa mikil áhrif á afstöðu straumskiptingar. Í lokun skammtenginga geta bogarnir haft áhrif á eiginleika skiptingarinnar í gegnum hrúguhrópun. Hrúguhrópun merkir aflað hrúgumatrið vegna háa hits bogsins. Þessi ferill hefur tvöfaldar áhrif á afstöðu skiptingarinnar:
Hækkandi dreifihlutfall: Þegar hrúgun aflast, stækkar svipulsflatarmál hrúguskeiðsins, sem valdar hærra dreifihlut í skiptingarborðinu. Þetta hækkandi dreifihlutfall hjálpar að hrópa út bogana með því að hætta endurtekingu.
Hækkandi hrúguskeiðssvipulsflatarmál: Stökkt hrúguskeið leyfir meira gass að renna í bogasvæðið, sem fer með meiri hitti og lætur niður bogahiti. En þetta dreifar líka bogaraf, sem gæti svakt stillt sjálfstæða hrópana skiptingarinnar.
Þannig hafa hrúguhrópunarferlin bæði jákvæð og neikvæð áhrif á afstöðu sjálfstæða hrópana skiptingar. Þegar skiptingin hrópar skammtengingu, eyðir hrúguhrópunarferli hlutverk bogarits, hækkar massi gasses í hrúgurýminu og hækkar gassþéttleika um bogahvarf, sem minnkar líklega endurtekingu.
Gefið hvernig hrúguhrópun hefur mikil áhrif á afstöðu skiptingar, er mat á hrópunarstyrk (sem er hækkun hrúguskeiðs) og reikningur af aflaðum massi mikilvæg verkefni. Nákvæmt mat á hrúguhrópun hjálpar viðhaldsmönnum að skilja betur heilsu skiptingar og gera raunhæða ákvörðun fyrir framtíðarviðhald.
Hrópunarstyrkinn getur verið mettur með eftirtöldum aðferðum:
Sýnis kannsókn: Með að leysa skiptinguna og sjá beint afþreyingu á hrúgum. Þó að þessi aðferð sé einföld, er hún kostnaðarleg og hefur inngangarisk, eins og oftast var nefnt.
Ekki-inngangs prófanlegar aðferðir: Fyrirspurnarlegar ekki-inngangs prófanlegar teknologíur, eins og infraröðar thermography og ultrasonic testing, eru daglega notuð fyrir viðhald skiptinga. Þessar aðferðir leyfa að meta hrúguhrópun og aðrar mögulegar vandamál án þess að leysa tækin.
Gögnagreining og forspáaðferðir: Með að greina sögu gögn skiptingarinnar og sameina þau við bogaraf physics models, geta forspáaðferðir mett hrúguhrópunarstyrk. Þessi aðferð minnkar óþarflega leysingar og bætir viðhaldsefni.
Til að auka viðhaldsefni og öruggleika hágildis SF6 straumskiptinga, munu framtíðar viðhaldsstrategíur mun vera meira byggðar á standaða kannsókn og snertilegri greiningu. Rauntíma kannsókn á keyrsluparametrar skiptingar (svo sem straum, spenna og hiti), sameinuð við fyrirspurnarlegar gögnagreiningar aðferðir, geta gefið nákvæmari forspá um hrúguhrópun og heilsu aðila. Þessi aðferð getur minnkað óþarflegar kannsóknir og viðbætur, lengd leift tækjanna og lækkað viðhaldskostnað.
Auk þess munu framfarir í efnavísindum áhersla á að búa til ofurhitaverndar og aflaðar hrúgumatrið. Notkun nýrra efna getur aukin öruggleika og afstöðu skiptingar, sem myndi minnka neikvæð áhrif hrúguhrópunar.

Mætingar aðferð fyrir hrúguhrópun í hágildis straumskiptingum
1.Grundvallar aðferð fyrir hrúguhrópunarmæting
1.1 Samband milli dreifihlutsgjafa og hrúguhrópunar
Rannsókn hefur sýnt að hrúguhrópun, sem hækkar hrúguskeiðs flatarmál, breytir gassflæði innan straumskiptingar. Þessi breyting hefur áhrif á dreifihlutsgjöf, sem leiðir til breytinga á dreifihlutsgjöfum sem má fanga með dreifihlutsgjafa. Sérstaklega valdar hrúguhrópun tvöfaldar áhrif:
Breytingar á dreifihlutsgjöf: Hækkun hrúguskeiðs breytir gassflæði, sem breytir formi dreifihlutsgjöf.
Breytingar á spektraleginum: Hrúguhrópun hefur einnig áhrif á spektralegin dreifihlutsgjafa, sérstaklega í háfrekastigi.
Með að greina þessa dreifihlutsgjöf eiginleika, er hægt að indirekt fullyrða um magn hrúguhrópunar.
1.2 Uppsetning og mæting dreifihlutsgjafa
Til að fá nákvæmar dreifihlutsgjöf, geta dreifihlutsgjafa verið sett upp á mismunandi stöðum eftir skipulag skiptingar og mætingar kröfur:
Einfaldur mæting: Hver polur hefur glugga á botninum, sem getur verið notaður til að tengja dreifihlutsgjafa. Þessi uppsetning leyfir mætingu á dreifihlutsgjöfum frá einum pol, sem undanverkar skemmunni af fleiri en einni pol mæting.
Þrjár polur mæting: Á meðaltíma eru þrír polur tengdir með koparhring, með aðal glugga inni í grunninu skiptingar, sem tengir allar þrjár polur. Ef aðal glugga er notaður sem tengingarsmiðdrengur fyrir dreifihlutsgjafa, verður mældu gögnin summa af þremur einstökum dreifihlutsgjöfum.
Til að tryggja nákvæm mælingar, eru notuð hákostnaðar piezoelectric dreifihlutsgjafa með viðeigandi töflu. Dreifihlutsgjöf eru tekin frá byrjun skiptingar að lok sextu sviflu. Rauða dreifihlutsgjöf geta verið með eða án síva, eftir mætingar kröfur.
Ósífad gögn: Fast Fourier Transform (FFT) er beitt beint á ósífad gögn til að greina frekvensdom eiginleika.
Sífad gögn: 100 Hz lágfrekvens síf er notuð til að fjarlægja háfrekastig búkan, sem heldur aðeins lágfrekvens hluti.
Myndir 1 og 2 sýna dreifihlutsgjöfarsaga og spektri, sem gefa mynd af dreifihlutsgjöf eiginleika.
Flokkun hrúgustöðu með machine learning
Til að auka nákvæmni greiningar, er notuð machine learning aðferð byggð á k-Nearest Neighbors (k-NN) aðferð. Ferlið felur eftirtölda skref:
Eiginleika úttekt: Efnisskipulag er tekið úr dreifihlutsgjöfum, svo sem topp og dalir, frekvenshlutar, o.s.frv. Þessi efnisskipulag taka við aðferðir sem inntak fyrir machine learning aðferð.
Modell aðlærun: K-NN modell er kennd með þekktum gögnum um hrúgur og hvarf. Í aðlærun ferli, finnur aðferðin næstu nágrannar eftir efnisskipulag fjarlægð til að flokka.
Flokka ný gögn: Fyrir ný, óþekkt mælingar, er notuð kennd modell til að flokka hrúgur og hvarf.
Þessi aðferð gerir kleift að meta hrúguhrópun og aðra mikilvæga hluta staða án þess að opna gass borð, sem gefur nákvæm viðhaldsráðleggingar og lengir leift skiptingar.
Tengingarpunktur með dreifihlutsgjafa fyrir hrúguhrópun(mynd frá uppruninu 1)

Upprunaleg gögn mætingar á aðal glugga (blá), sífad gögn (rauð)(mynd frá uppruninu 1)

Frekvensspektri upprunalegra gögna í hágildis straumskiptingar dreifihlutsgjafa aðferð(mynd frá uppruninu 1)
Margir efnisskipulag geta verið tekin úr bæði sífaðum og ósifaðum dreifihlutsgjöfum. Þessir efnisskipulag fanga einstaka eiginleika mismunandi mætingar og eru mikilvægir fyrir aðgreina hrúgustöðu. Vegna víðsprett efnisskipulags, er ekki hægt að beint passa mismunandi hrópunarstöðu við efnisskipulag. Til að takmarka þetta, er notuð k-Nearest Neighbors (k-NN) aðferð til að meta.
K-NN aðferð gerir n-dimensiónlegt vigur fyrir hverja mælingu, þar sem n táknar fjölda efnisskipulags. Fjarlægð milli tveggja vigra er reiknuð með Euclidean fjarlægð, með auka dreifihlutsgjafa til að taka tillit til dreifihlutsgjafa í gögnunum. Þessi aðferð tryggir að aðferðin geti skilgreint mismunandi hrópunarstöðu á grundvelli upplýsinga frá mörgum efnisskipulagi.
Hroðgripunarmætinga aðferð er sterk vegna þess að hún getur auðveldlega verið framkvæmd með núverandi glugga til að tengja dreifihlutsgjafa. En eitt af helstu vandamálum er slæm dreifihlutsgjafar (eignaskiptingar), sem gera erfitt að greina hrúgustöðu nákvæmlega. Til að takmarka þetta, voru eignaskiptingar optimaðar með því að gera sensivity greiningu. Þrátt fyrir að eitt efnisskipulag geti ekki gefið nógu upplýsingar fyrir allar tilfærslur, mun samþætting allra sjö efnisskipulaga með k-NN flokkun aðferð auka greiningar nákvæmni mjög.
Margar flokkunaraðferðir voru prófaðar, og niðurstöðurnar sýndu að k-NN aðferð, með standard Euclidean fjarlægð, náði lægstum villuröð á undan 0,9% í cross-validation. Þessi samþætting efnisskipulaga og k-NN aðferð var svo notuð til að flokka realkostnaðar mælingar fyrir mismunandi tegundir af straumskiptingum. Fyrir skoðaðar mælingar skiptingar, var hægt að framkvæma flokkun án villa.