'n Nuwe Opsporingsmetode vir Vastloopstoringe in Ladepalings

In die afgelope jare, terwyl verspreiding van outomatisering vorder, word laadskake wêrelder in verspreidingslyne gebruik. Tog neem ongelukke veroorsaak deur meganiese foute toe, wat 'n belasting op lynbedryf en -onderhoud plaas.

Slechte meganiese prestasie is die hoofoorzaak van skakefout. Baie geleerdes bestudeer groot skaal switserbedryf, met metodes soos spoelstroomwaardebepaling, trillingseintekanalise, skakelbewegingstoetsing, ultrasone foutopsporing, en infrarood termometrie. Motor-stroomgebaseerde skakelstatuswaardebepaling werk vir kroonbreekers en afkoppelers, maar word minder toegepas op laadskaak-aandryfmeganismefoute.

Navorsing oor veldhardende laadskake wys dat energie-opslagmotorstroomseine skakelstatus weerspieël. Meganiese probleme (bv., veerstokking, roest, tandwielstokking) in die aandryfmeganisme verander stroomseinparameters (amplitude, duur, plaasse pieke). Met fokus op algemene energie-opslagmotorroeststokking in kusgebiede, bestudeer hierdie artikel foutkenmerkuittrekking en -identifikasie. Stappe: 1) Analiseer motorstroomkenmerke, verdeel seinvorms in 4 stadiums, en evalueer elke stadium. 2) Ontwerp 'n data-verwerwingstoestel vir stroomseinvorms onder verskillende toestande. 3) Stel 'n opname-startalgoritme, kenmerkuittrekking, en fout-identifikasie-metodes voor. 4) Valideer via eksperimente.

1 Energie-opslagmotorstroomkenmerke-analise

Laadskake gebruik tipies geliefde motore om kompressieverwe te dryf vir energie-opslag. Tydens motorbedryf, is rotor-uitsetkoppel en -spoed nou verbind aan stator-sirkuittestroom. Die shunt-geliefde DC-motor se elektromagnetiese koppel- en spanningsvergelykings is as volg:

In Vergelyking (1), T verteenwoordig die elektromagnetiese koppel; n verteenwoordig die rotasiespoed; Ia verteenwoordig die armatuurstroom; Ra verteenwoordig die armatuursirkuiweedstand, wat 'n konstante is; Ea verteenwoordig die winding geïnduseerde elektromotiewe krag; U verteenwoordig die terminale spanning; ΔU verteenwoordig die kontakspanningsval, wat 'n konstante is; ϕ verteenwoordig die magtigheidstrook; Ce verteenwoordig die elektromotiewe-kragkonstante; en CT verteenwoordig die koppelkoëffisiënt. Volgens Vergelyking (1), kan ons aflei:

Vanaf Vergelyking (2), wanneer die belastingstroom klein is, is die demagnetiserende effek van die armatuurreaksie minimaal, dus word die magtigheidstrook as konstant beskou, en die elektromagnetiese koppel is eweredig aan die belastingstroom. As die belastingstroom toeneem, styg die koppel, maar die rotasiespoed neig om te verminder. Tog verlaag die hoër belastingstroom se demagnetiserende effek die magtigheidstrook, wat die spoed sou verhoog. Hierdie teenstrydige effekte veroorsaak tipies 'n ligte vermindering in die shunt-geliefde motor se spoed.Figuur 1 wys die tipiese stroomseinvorm van 'n DC-energie-opslagmotor in bedryf, verdeel in 4 stadiums.

Stadium 1 (t₀)–(t₁): Motor-opstartstadium

By tydstip t0 ontvang die laadskak 'n sluitsignaal van die verspreidings-eindpunt, wat die beheermotor met belasting laat begin. Die motorstroom styg tot 'n opstartpiek by t_st, dan daal dit vinnig om stabiele bedryf te betree.

Stadium 2 (t₁)–(t₂): Motor-stabiliseringstadium

Die motor dryf die oordragtandwiel om ledig te loop. Gedurende hierdie stadium, loop die motor stabiel onder lig belasting, met die motorstroomamplitude by Ia.

Stadium 3 (t₂)–(t₄): Veer-energie-opslagstadium

Gedurende die kompressieverwe se energie-opslag, neem die motor se uitsetkoppel geleidelik toe, bereik 'n maksimum by t3; by hierdie punt, bereik die motorstroom ook die stadiummaksimum Im. Daarna neem die motor se uitsetkoppel geleidelik af.

Stadium 4 (t₄)–(t₅): Motorstroomonderbrekingstadium

By t4 bereik die kompressieverwe die grensoversteker, wat die motor se voeding afbreek. Die motorstroom daal skerp tot 0 by t5, en die motor hou op om te loop.

2 Foutdiagnose vir energie-opslagmotorstokking
2.1 Foutsimulasie & Data-verwerwing

'n Stokkingfouttoets is gesimuleer op 'n laadskak van 'n elektriese toerustingfabriek (scenario in Figuur 2(a)). Na ontbinding van die skakelaar, gedurende die motor se stabilisering- en veer-energie-opslagstadiums, het 'n skommel teenstrekkende geblokkeerde rotorkrage aangebring om tandwiel/veerstokking te simuleer. 'n Aangepaste stroomverwerkingstoestel (Figuur 2(b)) het 'n ARM STM32F103-skiptoestel gebruik om sinne van die HSTS016L Hall-stroomtransformer (DC-invoer: 0–30A) te verwerk. Omdat die opensignaal die doelwitstroomsin ontbeer, fokus hierdie studie op die sluitsignaal.

2.2 Seinvorm-opname-startalgoritme

Vanuit Figuur 1, strek die effektiewe seinvorm oor die tydvenster t0 tot t5, bestaande uit 4 stadiums met uiteenlopende stroomveranderinge. Daarbenewens is daar beduidende verskille in seinamplitudes tussen verskillende aandryfmotors. Dus, is die gebruik van 'n eenvoudige stroomamplitudetrog as die beginkriterium vir seinvorm-opname duidelik ongeskik. Daarom gebruik hierdie studie die stroomveranderingskoers Kt binne 'n eenheidstydsvenster en die gemiddelde waarde I_mean as die beginkriteria om effektiewe seinvormopname te bewerkstellig. Stroomveranderingskoers van die eenheidstydsvenster:

Gemiddelde stroom van elke tydsvenster:

In Vergelykings (3) en (4), Ii verteenwoordig die stroomsien; M is die aantal monsterpunte in die eenheidstydsvenster; Δt is die tydlengte van die eenheidstydsvenster, en Δt = 0.02s in hierdie artikel; I(1) is die eerste monsterpunt in die eenheidstydsvenster.

2.3 Tydgebiedkenmerkuittrekking

Om die stokkingfout van die energie-opslagmotor te identifiseer, word uitdrukkende inligting van die kromme deur sekere tydgebiedaanwyserse getrek. Die kurtosis K kan die gladheid van die stroomsein karakteriseer; die vierkantswortelgemiddelde Irms kan die gemiddelde energie van die stroomsein karakteriseer; die skeefheid sk is 'n maatstaf van die rigting en graad van skeefheid van die statistiese data-verdeling; die vormfaktor sh en die piekfaktor C word gebruik om die ekstreme graad van die stroompiek in die seinvorm te karakteriseer.

Die Random Forest (RF)-klassifikasie-algoritme integreer meerdere besluitboomme. Sy uitvoerkategorie word bepaal deur die modus van individuele besluitboomkategorieë, met hoë akkuraatheid, goeie toleransie vir abnormale data, en 'n lae oorpassingsrisiko.

2.4 Random Forest-algoritme

RF berus op Bootstrap-monstername (met vervanging-monstername om n monsterstelle van die oorspronklike dataverse te vorm) en Bagging-stemming. Bagging genereer n opleidingsversamelings deur middel van Bootstrap, elke een wat 'n onafhanklike swak klassifiseerder oplei. Laastynse besluite kom van stemming oor swak-klassifiseerder-uitsette, met die meerderheidstem as die resultaat.

RF gebruik CART-besluitbome (binêre bome wat van bo na onder split, met minimale Gini-indeks vir splits, formule (5)). Volgens Liu Min et al. optimaliseer 100 besluitbome die klassifikasieprestasie. Dus, gebruik hierdie studie 100 CART-boome vir die willekeurige bos.

3 Gevallestudie
3.1 Kenmerkkeuseleksie

Die Gini-indeks in die willekeurige bos word gebruik om die belangrikheid van elke kenmerk te evalueer. Die resultate word in Figuur 3 gewys, waar die ordinaat die proporsionale koëffisiënt verteenwoordig. Dit kan gesien word dat vier kenmerkke, naamlik die piekfaktor C, skeefheid sk, vierkantswortelgemiddelde Irms, en kurtosis K, hoog belangrik is en effektief die verskille in verskillende toestande van die laadskak kan karakteriseer. Die vier kenmerkke, insluitend die vormfaktor sh, maksimum opstartstroom Ist, motorbedryftyd t, en Tm, is van lae belangrikheid. Dus, kies hierdie studie C, sk, Irms, en K as die kenmerkvektore.

3.2 Random Forest-diagnose-resultate

Die RF-algoritme klassifiseer twee laadskaktoestande (normaal/gestok) met 300 monsters per toestand vir opleiding (totaal 600) en 30 monsters vir toetsing. Die verwarringmatrise (Figuur 4) wys perfekte identifikasie van normale toestande, 97% akkuraatheid vir stokking, en 98.33% gemiddelde klassifikasieakkuraatheid.

3.3 Vergelyking van verskillende klassifikasie-algoritmes

Om die prestasie van die willekeurige bos-klassifiseerder te toets, word 'n Ondersteuningsvektor-Masjien (SVM) en 'n Ekstreme Leer-Masjien (ELM) gelyktydig getrain vir vergelyking. Die toetsresultate word in Tabel 1 gewys.

Uit Tabel 1, onder die drie klassifiseerders, neem die Willekeurige Bos (RF) algoritme relatief lank, 6.9 ms, om monsters in die toetsversameling te diagnoseer. In terme van akkuraatheid, behaal die Ondersteuningsvektor-Masjien (SVM) 95% vir twee bedryfstoestande, laer as RF. Vanweë ewekansige verborge-laag-gewigte, fluktureer die akkuraatheid van die Ekstreme Leer-Masjien (ELM) tussen 85% - 96.67% en het swakker robuustheid as RF. Dus, het die gebruikte RF-algoritme hoë akkuraatheid en goeie robuustheid.

4 Konklusie

Hierdie artikel stel 'n laadskakmeganiese-foutopsporingsmetode voor deur gebruik te maak van energie-opslagmotorstroomtydgebiedkenmerke en die Random Forest (RF)-algoritme. Dit trek verteenwoordigende tydgebiedkenmerke uit motorstroomseinvorms en gebruik 'n RF-klassifiseerder vir toestandidentifikasie. Die voorgestelde opname-waarskuur-beginkriterium verkry effektief motorstroomseine. Deur die Gini-indeks in RF te gebruik, evalueer dit kenmerkbelangrikheid en kies vier sleutelkenmerke (piekfaktor, skeefheid, vierkantswortelgemiddelde, kurtosis) om laadskaktoestande te karakteriseer. Eksperimente wys dat die metode effektief motorstokkingtoestande identifiseer met 98.33% akkuraatheid.