Yük anahtarlarında qalma arızaları üçün yeni bir deteksiya metodu

Son illərlə, daşınma avtomatlaşdırmasının inkişafı ilə birlikdə, yük qətəlləri daşınma xətlərində daha geniş istifadə olunur. Amma, mexaniki arızalar nedeniylə meydana gələn hadisələr artıqda və bu, xəttin işləməsini və servisini çətinləşdirir.

Qətəl arızalarının əsas səbəbi yoxluq mühəndisi performansıdır. Bir çox alimlər, bobinin cürək akımı deteksiyası, titriş signalının təhlili, qətəlin səyrinin test edilməsi, ultrasonik diqqətsizlik deteksiyası və infrakırmızı termometriya kimi üsullarla böyük ölçülü qətəl texnikasının işləməsini öyrənirlər. Motor - akım - əsaslı qətəl statusu deteksiyası döyüş qətəlləri və ayırıcılar üçün iş görür, amma yük - qətəl sürət mekanizmlərinin arızalarına az tətbiq olunur.

Sağlamalarda fəaliyyət göstərən yük qətəllərinin araşdırılması, enerji saxlama motorunun akım signallarının qətəl statusunu aks etdirdiyini göstərir. Sürət mekanizmindəki mexaniki problemlər (məsələn, yayların qapanması, rüstdolanma, dişli qrupların qapanması) akım signallarının parametrlərini (amplitud, müddət, yerli zirvələr) dəyişdirir. Sahil bölgələrində məşhur olan enerji saxlama motorunun rüst-qapanması arızası üzərində bu məqalə arıza özəlliklərinin çıxarılmasına və identifikasiyasına baxır. Adımlar: 1) Motor akım özəlliklərinin analizi, dalğalı formaların 4 mərhaleyə bölünməsi və hər mərhalenin qiymətləndirilməsi. 2) Fərqli şərtlərdəki akım dalğalı formaları üçün verilənlər toplusu cihazının dizaynı. 3) Qeyd etmə alqoritmi, özəllik çıxarılması və arıza identifikasiya üsullarının təklifi. 4) Təcrübələr vasitəsilə doğrulama.

1 Enerji Saxlama Motorunun Akım Özəlliklərinin Analizi

Yük qətəlləri adətən enerji saxlamaq üçün siqnət yaylarını sürükləyən DC motorlardan istifadə edilir. Motorun işləməsi zamanı, rotorun verdiyi moment və sürət stator dairəsinin akımı ilə sıxı əlaqəlidir. Paralel alovlanan DC motorun elektromagnit momenti və voltaj tənlikləri aşağıdakı kimi deyilə bilər:

(1) tənlikdə, T elektromagnit momenti, n dövrə sürəti, Ia armatura akımı, Ra sabit olan armatura dairəsi direncini, Ea sarım induksiya elektrodürcəyini, U son terminal voltajını, ΔU sabit olan kontakt voltaj düşməsini, ϕ magnitik potok, Ce elektrodürcəy sabitini və CT moment katsayısını təsvir edir. (1) tənliyə görə, biz aşağıdakını əldə edə bilərik:

(2) tənliyə görə, yükləmə akımı kiçik olduqda, armaturanın demagnetizasiya effektini nəzərə almaya ehtiyac yoxdur, beləliklə, magnitik potok sabit hesab edilir və elektromagnit moment yükləmə akımı ilə orantılıdır. Yükləmə akımı artıqda, moment yüksəlir, amma dövrə sürəti azalmağa meyllidir. Amma, daha yüksək yükləmə akımı demagnetizasiya effektini artırır, bu isə magnitik potoku azaldır və sürəti artırır. Bu müqabil effektlər, paralel alovlanan motordan nisbətən kiçik bir sürət azalmasına səbəb olurlar. Şəkil 1, enerji saxlama DC motorunun tipik akım dalğalı formasını 4 mərhaleyə bölüb göstərir.

Mərhale 1 (t₀)–(t₁): Motorun Başlama Mərhalesi

t₀ vaxtında, yük qətəli dağıtım terminal birlikdən bağlanma signalını alır, bu da kontroldə olan motorun yüklə başlamasına səbəb olur. Motor akımı t_st vaxtında başlama zirvəsinə çatır, sonra tez-tez stabil işləməyə keçir.

Mərhale 2 (t₁)–(t₂): Motorun Stabil İşləmə Mərhalesi

Motor boş işləmək üçün transmisyanın dişli qrupunu sürətə salır. Bu mərhale ərzində, motor həcmi yüklə altında stabil işləyir, motor akım amplitudunda Ia olur.

Mərhale 3 (t₂)–(t₄): Yayın Enerji Saxlama Mərhalesi

Sıkıştırma yay enerji saxlayarkən, motorun verdiyi moment yavaş-yavaş artır, t₃ vaxtında maksimuma çatır; bu an, motor akımı da mərhale maksimumuna (Im) çatır. Sonra, motorun verdiyi moment yavaş-yavaş azalır.

Mərhale 4 (t₄)–(t₅): Motorun Akım Kesilme Mərhalesi

t₄ vaxtında, sıkıştırma yay limit switche çatır, bu da motora elektrik təminatını kəsir. Motor akımı təkcə düşür və t₅ vaxtında 0-a çatdıqda, motor dayandırılır.

2 Enerji Saxlama Motorunun Qapanması Arızasının Diagnostikası
2.1 Arıza Simulyasiyası və Verilənlər Toplanması

Elektrik ekipman zavodundan alınmış yük qətəli üzərində qapanma arızası simulyasiyası edildi (Şəkil 2(a)). Qətəl açıldıqdan sonra, motorun stabil işləməsi və yayın enerji saxlama mərhalelərində, rokerin tərs yönə doğru qapanmış rotorlu qüvvələri simulasiya etməsi ilə dişli qrup və ya yayın qapanmasını model edildi. Xüsusi akım toplama cihazı (Şəkil 2(b)) ARM STM32F103 çipi ilə HSTS016L Hall akım transformatorundan (DC giriş: 0-30A) signalları topladı. Açma signali hedef akım dalğalı formasına malik olmadığından, bu araşdırma bağlanma akım signallarına odaklanır.

2.2 Dalğalı Formanın Qeyd Etmə Başlama Alqoritmi

Şəkil 1-dən, etibarlı signalların dalğalı forması t₀ və t₅ vaxt aralığında yer alır, 4 mərhaleyə bölünür və fərqli akım dəyişiklikləri ilə əhatə olunur. Əlavə olaraq, fərqli sürət motorları arasında signalların amplitudlarında fərqlər mövcuddur. Bu səbəbdən, sadə akım amplitudu thresholdunu dalğalı forma qeyd etmənin başlama kriteriyi kimi istifadə etmək uyğun deyil. Bu səbəbdən, bu araşdırma, vahid vaxt pəncərəsindəki akım dəyişmə sürəti K_t və orta qiymət I_mean kimi başlama kriteriyini təklif edir, bu, etibarlı dalğalı forma qeyd etməyə imkan verir. Vahid vaxt pəncərəsindəki akım dəyişmə sürəti:

Hər vaxt pəncərəsinin ortalama akımı:

(3) və (4) tənliklərdə, I_(i) akım signallarını, M vahid vaxt pəncərəsindəki nümunə nöqtələrinin sayını, Δt vahid vaxt pəncərəsinin uzunluğunu, və Δt = 0.02s olduğunu, I₍₁₎ vahid vaxt pəncərəsindəki ilk nümunə nöqtəsini təsvir edir.

2.3 Vaxt Domeni Özəllik Çıxarılması

Enerji saxlama motorunun qapanması arızasını müəyyən etmək üçün, qrivinin ifadəvi məlumatları bəzi vaxt domeni göstəriciləri vasitəsilə çıxarılır. Kurtosis K, akım signallarının düzgünlüğünü, kök orta kvadrat I_rms, akım signallarının orta enerjisini, skewness sk, statistik məlumatların dağılışının istiqamət və dərəcəsini, form faktoru sh və zirvə faktoru C, dalğalı formadakı akım zirvəsinin ekstremal dərəcəsini təsvir edir.

Random Forest (RF) sinifləndirmə alqoritmi, bir neçə qərar ağacını inteqrayir. Onun çıxış kateqoriyası, ayrı-ayrı qərar ağacının kateqoriyalarının modu ilə müəyyənləşir, bu, yüksək dəqiqliklə, abnormal məlumatlara yaxşı toleransiya və aşağı overfitting riski ilə xarakterizə olunur.

2.4 Random Forest Alqoritmi

RF, Bootstrap sampling (yerinə-yer qoyulmuş nümunələmə ilə orijinal verilənlər bazasından n nümunə seti yaratmaq) və Bagging oyu ilə bağlıdır. Bagging, Bootstrap vasitəsilə n təlim seti yaratır, hər biri müstəqil zayıf sinifləyiciyi təlim edir. Nəticə, zayıf sinifləyicilərin çıxışlarının oyuna əsaslanır, çoxluğun oyuna nəticə olar.

RF, CART qərar ağaclarından (kökündən aşağı binary ağac, bölünmələr üçün Gini indeksini minimala endirən tənlik (5)) istifadə edir. Liu Min və s. tərəfindən 100 qərar ağacı sinifləndirmə performansını optimize edir. Bu səbəbdən, bu araşdırma RF üçün 100 CART ağacından istifadə edir.

3 Məsələ Analizi
3.1 Özəllik Seçimi

Random forest-da Gini indeksi, hər bir özəlliğin vacibliyini qiymətləndirmək üçün istifadə olunur. Nəticələr Şəkil 3-də göstərilir, burada ordinat proporsional katsayıyı təsvir edir. Gördüyümüz kimi, zirvə faktoru C, skewness sk, kök orta kvadrat I_rms və kurtosis K, dörd özəlliği, yük qətəlinin fərqli vəziyyətlərini effektiv şəkildə xarakterizə edə bilir. Form faktoru sh, maksimum başlama akımı I_st, motorun işləmə vaxtı t və T_m dörd özəlliği, önəmləri aşağıdır. Bu səbəbdən, bu araşdırma, C, sk, I_rms və K-nı özəllik vektorları kimi seçir.

3.2 Random Forest Diaqnostik Nəticələri

RF alqoritmi, iki yük qətəl vəziyyətini (normal/qapanmış) 300 nümunə ilə təlim edir (ümumi 600) və 30 nümunə ilə test edir. Təbii matris (Şəkil 4) normal vəziyyətin tam müəyyən edilməsini, qapanma üçün 97% dəqiqlik və ortalama 98.33% sinifləndirmə dəqiqliğını göstərir.

3.3 Fərqli Sinifləndirmə Alqoritmlərinin Müqayisəsi

Random forest sinifləndircisinin performansını test etmək üçün, Support Vector Machine (SVM) və Extreme Learning Machine (ELM) eyni zamanda təlim edilir və müqayisə edilir. Test nəticələri Cədvəl 1-də göstərilir.

Cədvəl 1-dən, üç sinifləndirici arasında, Random Forest (RF) alqoritmi test nümunələri üçün nisbətən uzun diaqnostika vaxtı (6.9 ms) alır. Dəqiqlik nöqtəsində, Support Vector Machine (SVM) iki işləmə vəziyyəti üçün 95% əldə edir, RF-dən aşağıdır. Rasgele gizli qatlı ağırlıklar nəticəsində, Extreme Learning Machine (ELM) 85%-96.67% arasında dəyişən dəqiqlik və RF-dən daha az sağlamlıq göstərir. Bu səbəbdən, istifadə edilən RF alqoritmi yüksək dəqiqliklə və yaxşı sağlamlıqla xarakterizə olunur.

4 Nəticə

Bu məqalə, enerji saxlama motorunun akım vaxt domeni özəllikləri və Random Forest (RF) alqoritmi ilə yük qətəlinin mexaniki arızalarının aşkar edilməsini təklif edir. Motor akım dalğalı formalarından nümunəvi vaxt domeni özəllikləri çıxarılır və RF sinifləndiricisi ilə vəziyyət müəyyən edilir. Təklif edilən qeyd etmə başlama kriteriyi, motor akım signallarını effektiv şəkildə əldə edir. RF-dəki Gini indeksini istifadə edərək, özəlliklərin önəmliliyini qiymətləndirir və dörd əsas özəllik (zirvə faktoru, skewness, kök orta kvadrat, kurtosis) yük qətəlinin vəziyyətini xarakterizə etmək üçün seçir. Təcrübələr, metodun motor qapanması vəziyyətlərini 98.33% dəqiqliklə effektiv şəkildə müəyyən etdiyini göstərir.