Ufungaji wa Mdomo wa Mawasiliano katika kitovu cha kiwango kikuu cha umeme na sf6
Utafsiri na Huduma ya Mafunzo ya Vifaa vya Kutoka Tensioni ya Juu SF6
1. Usalama na Mfumo wa Utafsiri wa Kinyume
Vifaa vya kutoka tensioni ya juu SF6 yanatumika kwa ufanisi katika mifumo ya umeme kusaidia kutatua magonjwa ya mikabilio na matumizi yasiyofaa. Ili kupewa uhakika wa kuwa salama na imara, wajenzi wanaweza kukataa kwa mara kwa mara na kutazama maono ya majengo, vitu vilivyotokana na magonjwa, na vifaa vya kutoka tayari. Maono haya yanastahimili kutathmini hali ya magonjwa ya vifaa hivi na kuamua ikiwa ni lazima kurekebisha.
Katika historia, maono haya yalitathmini kwa kutumia masharti mengi:
Muda: Kwa mfano, inapendekezwa kutathmini vitu vilivyotokana na magonjwa baada ya miaka minne ya kutumika kwa vifaa vya kutoka tensioni ya juu SF6.
Tumia Namba za Umeme: Kwa mfano, inapendekezwa kutathmini baada ya tumia namba za umeme zifuatazo.
Tumia Magonjwa: Kwa mfano, inapendekezwa kutathmini baada ya kutumia magonjwa zifuatazo.
Masharti Mchanganyiko: Mara nyingi, masharti hayo yote yanatumika pamoja kwa utathmini wa kiwango cha juu.
Lakini, kwa muda, njia za utathmini hizi zinazozingatiwa kwa muda na namba za kutumia zimeonyesha changamoto. Hata ingawa maono haya yanaweza kuhakikisha usalama wa vifaa, si daima vinaweza kubainisha hali halisi ya magonjwa na vifaa vya kutoka tayari. Pia, maono haya yanaweza kuwa gharama, isiyohesabi, na kunyweleza hatari wakati wa kutathmini ndani, ambayo inaweza kuletea magonjwa vya vifaa.
2. Mwenendo wa Magonjwa kwa Vigezo vya Kutoka Tensioni
Magonjwa ni mchakato wa joto na umeme unaotokana na ukosefu wa nguvu sana. Wakati wa kutokana na magonjwa ya mikabilio, magonjwa yanaweza kuboresha vigezo vya kutoka tensioni kwa kuchukua chanzo chake. Chanzo kuchukua inamaanisha kuondoka kwa chanzo kutokana na joto kikuu. Mchakato huu unaweza kuwa na athari mbili kwa uwezo wa kutokana na tensioni:
Punguzo la Mzunguko wa Chanzo: Wakiwa kuchukua, eneo la mzunguko la chanzo linapongezeka, kubwa kwa kutokana na upungufu wa kutokana na tensioni.
Pongeza Eneo la Mzunguko la Chanzo: Kuongeza eneo la mzunguko la chanzo kunaweza kuongeza mzunguko wa tayari, kutoa joto zaidi, lakini kushawishi kwa uwezo wa kutokana na tensioni.
Hivyo, mchakato wa kuchukua chanzo una athari nzuri na mbaya kwa uwezo wa kutokana na tensioni. Wakati wa kutokana na magonjwa ya mikabilio, kuchukua chanzo kinaweza kupunguza nguvu za magonjwa, kuboresha uzito wa tayari, na kuboresha ukame wa tayari, kusaidia kupunguza uwezo wa kutokana tena.
3. Uthibitishaji wa Ngao ya Kuchukua Chanzo na Mahatama Yake
Kwa sababu ya athari kubwa ya kuchukua chanzo kwa uwezo wa kutokana na tensioni, kuthibitisha ngao ya kuchukua chanzo (kwa maneno mengine, kuboresha eneo la mzunguko la chanzo) na kuthibitisha uzito wa kuchukua chanzo ni shughuli muhimu. Kuthibitisha sahihi ya kuchukua chanzo kunaweza kusaidia watu wa huduma kuelewa hali ya vifaa na kufanya mapendeleo sahihi kwa ajili ya huduma ya mbele.
Ngao ya kuchukua chanzo inaweza kuthibitishwa kwa njia ifuatayo:
Tathmini Maono: Kwa kufunga vifaa na kutazama magonjwa ya chanzo. Ingawa njia hii ni rahisi, inaweza kuwa gharama na kunyweleza hatari, kama ilivyotajwa hapo awali.
Njia za Kuthibitisha isiyo na Kutokana: Teknolojia za kuthibitisha isiyo na kutokana, kama vile thermo ira na ustawi wa sauti, zinafunuliwa zaidi kwa ajili ya huduma ya vifaa. Njia hizi zinaweza kuthibitisha kuchukua chanzo na magonjwa mengine bila kufunga vifaa.
Tathmini Data na Modeli ya Kupanga: Kwa kutathmini data za zamani za kutumia vifaa na kutambua modeli za fiziki ya magonjwa, modeli za kipanga zinaweza kuthibitisha ngao ya kuchukua chanzo. Njia hii hutengeneza maono ghafla na husaidia kuboresha ufanisi wa huduma.
4. Maegesho ya Maendeleo
Ili kuboresha ufanisi na usalama wa vifaa vya kutoka tensioni ya juu SF6, njia za huduma za mbele zitategemea zaidi kwa teknolojia za kuthibitisha na teknolojia za kudhibiti kwa akili. Kutathmini mazingira ya kutumia vifaa (kama vile umeme, voltage, na joto) kwa kutumia algorithma za kuthibitisha za kiwango cha juu, inaweza kupewa uamuzi wa uwiano wa kuchukua chanzo na hali ya vifaa muhimu. Njia hii itaweza kupunguza maono ghafla na marekebisho, kuboresha muda wa kutumia vifaa, na kupunguza gharama za huduma.
Pia, maendeleo ya sayansi ya viundu zitafokusia kutengeneza viundu vya chanzo vilivyotokana na joto na kuchukua chanzo. Kutumia viundu vya mapema vinaweza kuboresha usalama na uwezo wa kutokana na tensioni, kushindwa kwa athari mbaya za kuchukua chanzo.
Njia ya Kuthibitisha Ngao ya Kuchukua Chanzo kwa Vifaa vya Kutoka Tensioni ya Juu
1.Seremonia za Kuthibitisha Ngao ya Kuchukua Chanzo
1.1 Uhusiano wa Isiyo na Kuchukua Chanzo
Utafiti umetangaza kwamba kuchukua chanzo, ambacho kinongeza eneo la mzunguko la chanzo, huchanganya mzunguko wa tayari ndani ya vifaa vya kutoka tensioni. Mabadiliko haya yanaweza kubainisha mzunguko wa isiyo, kuleta mabadiliko katika ishara za isiyo zinazoweza kutathmini kwa kutumia sensori za isiyo. Kwa ujumla, kuchukua chanzo lina athari mbili:
Mabadiliko ya Isiyo: Ongezeko la eneo la mzunguko la chanzo linachanganya mzunguko wa tayari, kubadilisha aina ya isiyo.
Mabadiliko ya Sifa za Isiyo: Kuchukua chanzo pia kinaweza kubadilisha sifa za isiyo, hasa kwenye kiwango cha juu.
Kwa kutathmini sifa hizo za isiyo, inaweza kutathmini kichweli kwa kuchukua chanzo.
1.2 Upatikanaji na Kuthibitisha Sensori za Isiyo
Ili kupata isiyo sahihi, sensori za isiyo zinaweza kupatikana kwenye sehemu tofauti kulingana na muundo wa vifaa vya kutoka tensioni na mahitaji ya kuthibitisha:
Kuthibitisha Pole Moja: Kila pole ana valve chenye sensori za isiyo. Muundo huu unaweza kutathmini isiyo kutoka pole moja, kuzuia magonjwa ya isiyo kutokana na pole zaidi.
Kuthibitisha Pole Tatu: Wakati wa kutumia kwa kawaida, pole tatu huunganishwa kwa kutumia tubu za copper, na valve kuu ya kujirudisha ndani ya pembeni ya vifaa, huiunganisha pole tatu. Ikiwa valve kuu itapataka kama mpaka wa sensori, ishara itathmini itakuwa muunganisho wa ishara tatu.
Ili kupewa isiyo sahihi, sensori za isiyo zenye ubora wa kutosha zinatumika pamoja na amplifiers za charge. Data za isiyo zinahifadhiwa tangu mwisho wa kutumia hadi mwisho wa oscillation ya sita. Ishara asili ya isiyo zinaweza kutathmini kwa kutumia au kutokuwa na filter, kulingana na mahitaji ya kuthibitisha.
Ishara Asili: Fast Fourier Transform (FFT) inatumika kwa ishara asili ili kutathmini sifa za frequency domain.
Ishara Imefilter: Filter ya 100 Hz inatumika kutoa sauti ya juu, ikisalia tu sauti za chini.
Figures 1 na 2 zinataraji historia ya isiyo na spectrum, kunipa mtazamo wa sifa za ishara ya isiyo.
Kutambua Hali ya Chanzo kwa Kutumia Machine Learning
Ili kuboresha uhakika wa kudhibiti, utafiti huu unatumia algorithma ya machine learning inayebalanshiwa kwa njia ya k-Nearest Neighbors (k-NN). Mchakato huu unafanikiwa kwa hatua zifuatazo:
Kutathmini Sifa: Sifa muhimu zinatathmini kutokana na ishara za isiyo, kama vile peak na valley values, frequency components, na kadhalika. Sifa hizo zinaweza kutumika kama input parameters kwa algorithma ya machine learning.
Kujifunza Modeli: Modeli ya k-NN inajifunza kutokana na data zinazojulikana za hali ya chanzo na electrode. Wakati wa kujifunza, algorithma hii huchukua karibu neighbors kutokana na umbali wa sifa kufanya classification.
Kutambua Data Mpya: Kwa data mpya zinazosijulikana, modeli iliyojifunza inatumika kutambua hali ya chanzo na electrode.
Njia hii inaweza kutathmini kichweli kwa kuchukua chanzo na hali ya vifaa muhimu bila kufunga chamber, kupewa mapendeleo sahihi na kuboresha muda wa kutumia vifaa vya kutoka tensioni.
Point of connection with pressure sensor for nozzle ablation(photo from the source no 1)
Raw data of measurement at the main filling valve in original condition (blue), filtered signal (red)(photo from the source no 1)
Frequency spectrum of raw data in high voltage circuit breaker pressure method(photo from the source no 1)
Malalamiko ya Transient Pressure Method kwa Nozzle Ablation ya Vifaa vya Kutoka Tensioni ya Juu
1. Kutathmini Sifa kutokana na Isiyo imefilter na Isiyo Asili
Sifa nyingi zinaweza kutathmini kutokana na ishara za isiyo imefilter na isiyo asili. Sifa hizo zinaweza kubainisha sifa tofauti za ishara mbalimbali na ni muhimu kwa kutambua hali ya chanzo. Kwa sababu ya ukubwa wa sifa hizo, si rahisi kutambua hali tofauti za kuchukua chanzo kwa kutumia sifa moja. Kusaidia changamoto hii, algorithm ya k-Nearest Neighbors (k-NN) inatumika kwa kutambua.
Algorithm ya k-NN hunatumia vector wa n-dimension kwa kila tathmini, ambapo n inamaanisha idadi ya sifa. Umbali wa vector mbili unathibitishwa kwa kutumia Euclidean distance, na ongezeko la variance weighting ili kusaidia kubainisha tofauti katika data. Njia hii hutengeneza kwamba algorithm inaweza kubainisha tofauti za kuchukua chanzo kwa kutumia taarifa tofauti kutokana na sifa nyingi.
2. Faida na Changamoto za Transient Pressure Method
Transient pressure method ni faida kwa sababu inaweza kutumika rahisi kwa kutumia valves za kujirudisha za sasa kwa kutambua sensori za isiyo. Lakini, changamoto kuu ni ukubwa wa state indicators (sifa), ambao huchukua kudhibiti hali ya chanzo kwa uhakika. Kusaidia changamoto hii, scale za sifa zilizotathmini kwa sensitivity analysis. Ingawa sifa moja si inaweza kutumia kwa kila kesi, kutumia saba sifa na algorithm ya k-NN inaweza kuboresha uhakika wa kudhibiti.
3. Kutathmini Algorithms za Classification
Algorithms nyingi zilizotathmini, na matokeo yalitangaza kwamba algorithm ya k-NN, inayotumia Euclidean distance standard, ilikuwa na makosa chache zaidi ya 0.9% wakati wa cross-validation. Mikombo hii ya sifa na algorithm ya k-NN zilitumika kutambua measurements za field kwa aina tofauti za vifaa vya kutoka tensioni. Kwa vifaa vya kutoka tensioni vilivyotathmini, njia hii ilikuwa inaweza kutambua bila makosa.
