Нов метод за откриване на дефекти в преходни контакти на натоварвателни ключове
В последните години, с напредъка на автоматизацията в разпределението, нагрузъчните ключове намират по-широко приложение в разпределителните линии. Въпреки това, аварии, причинени от механични повреди, са в ръст, което увеличава бремето за поддръжката и експлоатацията на линиите.
Лошото механично изпълнение е основната причина за повреди на ключовете. Много учени изучават масовата експлоатация на апаратурата, използвайки методи като детекция на тока на обмотката, анализ на вибрационните сигнали, измерване на хода на ключа, ултразвуково дефектоскопие и инфрачервено термометриране. Детекцията на състоянието на ключа, базирана на тока на мотора, работи за прекъсватели и разединители, но е по-малко приложима за повреди в механизма за управление на нагрузъчните ключове.
Изследванията на полево функциониращи нагрузъчни ключове показват, че сигналите на тока на мотора за накопяване на енергия отразяват състоянието на ключа. Механични проблеми (например закъсали пружини, корозия, закъсало зубчато колело) в механизма за управление изменят параметрите на сигнала на тока (амплитуда, продължителност, локални върхове). С фокус върху общо срещаната корозия и закъсване на мотора за накопяване на енергия в крайбрежните области, тази статия изучава извличането на характеристики на повреди и техното определяне. Етапи: 1) Анализ на характеристиките на тока на мотора, разделение на формите на вълните на 4 етапа и оценка на всеки етап. 2) Проектиране на устройство за събиране на данни за формите на вълните при различни условия. 3) Предлагане на алгоритъм за стартиране на запис, извличане на характеристики и методи за определяне на повреди. 4) Проверка чрез експерименти.
1 Анализ на характеристиките на тока на мотора за накопяване на енергия
Нагрузъчните ключове обикновено използват DC мотори за управление на компресионните пружини за накопяване на енергия. По време на работа на мотора, изходният момент и скоростта на ротора са тесно свързани с тока на статорния контур. Уравненията за електромагнитния момент и напрежението на шунтиран DC мотор са следните:
В уравнение (1), T представлява електромагнитния момент; n представлява скоростта на въртене; Ia представлява тока на анодната обмотка; Ra представлява съпротивлението на анодния контур, което е константа; Ea представлява индуктираната електродвижеща сила; U представлява напрежението на клемите; ΔU представлява паднето на напрежението в контактите, което е константа; ϕ представлява магнитния поток; Ce представлява константата на електродвижещата сила; и CT представлява коефициента на момента. Според уравнение (1), можем да изведем:
От уравнение (2), когато токът на товара е малък, демагнетизиращият ефект на анодната реакция е пренебрегаем, така че магнитният поток се счита за постоянен, и електромагнитният момент е пропорционален на тока на товара. Когато токът на товара нараства, моментът също нараства, но скоростта на въртене има тенденция да намалее. Въпреки това, демагнетизиращият ефект от по-висок ток на товара намалява магнитния поток, което би увеличило скоростта. Тези противоположни ефекти обикновено причиняват леко намаление на скоростта на шунтиран мотор.Фигура 1 показва типичната форма на вълната на тока на DC мотора за накопяване на енергия при работа, разделена на 4 етапа.
Етап 1 (t0)–(t1): Етап на стартиране на мотора
В момент t0, нагрузъчният ключ получава сигнал за затваряне от разпределителната терминална единица, зарежда се контролен мотор, за да започне с товар. Токът на мотора се увеличава до пиковата стойност при стартиране в (tst), след което бързо намалява, за да влезе в стабилна работа.
Етап 2 (t1)–(t2): Етап на стабилна работа на мотора
Моторът привежда в действие предавателното колело, за да се върти без товар. По време на този етап, моторът работи стабилно под лек товар, с амплитуда на тока на мотора при (Ia).
Етап 3 (t2)–(t4): Етап на накопяване на енергия в пружината
Когато компресионната пружина накопява енергия, изходният момент на мотора постепенно нараства, достигайки максимум в (t3); в този момент, токът на мотора също достига максимум на етапа (Im). След това, изходният момент на мотора постепенно намалява.
Етап 4 (t4)–(t5): Етап на прекъсване на тока на мотора
В (t4), компресионната пружина достига граничен ключ, прекъсвайки напрежението на мотора. Токът на мотора рязко намалява, докато достигне 0 в (t5), и моторът спира да работи.
2 Диагностика на повреди при закъсване на мотора за накопяване на енергия
2.1 Симулация на повреди и събиране на данни
Беше симулиран тест на повреда при закъсване на мотора на нагрузъчен ключ от електроустановка (сценарий на фигура 2(a)). След демонтажа на ключа, по време на стабилната работа на мотора и етапа на накопяване на енергия в пружината, беше приложено обратно закъсване на ротора, за да се симулира закъсване на зубчато колело/пружина. Изработено специално устройство за събиране на тока (фигура 2(b)) използва чип ARM STM32F103 за събиране на сигнали от Хол-трансформатор HSTS016L (DC вход: 0–30A). Тъй като сигналът за отваряне липсва целевата форма на вълната на тока, това изследване се фокусира върху сигнала на тока за затваряне.
2.2 Алгоритъм за стартиране на записване на форми на вълните
От Фигура 1, ефективният сигнал на формата на вълната се разпростира в временния интервал t0 до t5， състоящ се от 4 етапа с различни промени на тока. Освен това, има значителни разлики в амплитудите на сигнала между различните мотори. Затова, използването на проста граница на амплитудата на тока като критерий за начало на записване на формата на вълната явно не е подходящо. Затова, това изследване използва темпа на промяна на тока Kt в единичен временен интервал и средната стойност Imean като критерии за начало, за да се осигури ефективно записване на формата на вълната. Темп на промяна на тока в единичен временен интервал:
Среден ток във всеки временен интервал:
В уравнения (3) и (4), Ii представлява сигналът на тока; M е броят на пробните точки в единичния временен интервал; Δ t е дължината на единичния временен интервал, и Δ t = 0.02s в тази статия; I(1) е първата пробна точка в единичния временен интервал.
2.3 Извличане на времеви характеристики
За идентификация на повреда при закъсване на мотора за накопяване на енергия, изразителната информация на кривата се извлича чрез някои времеви показатели. Куртозисът K може да характеризира гладкостта на сигнала на тока; квадратичната средна стойност Irms може да характеризира средната енергия на сигнала на тока; асиметрията sk е мярка за посоката и степента на асиметрията на разпределението на статистическите данни; формата фактор sh и пикинги фактор C се използват за характеризиране на степента на пикиране на тока в формата на вълната.
Алгоритъмът за класификация Random Forest (RF) интегрира множество решения на дървета. Неговата категория на изход е определена от модата на индивидуалните категории на дърветата, с висока точност, добра толерантност към аномални данни и нисък риск от прекомерна адаптация.
2.4 Алгоритъм Random Forest
RF се основава на Bootstrap събиране (с заместване на проби, за да се формират n набора от проби от оригиналната база данни) и Bagging гласуване. Bagging генерира n тренировъчни набори чрез Bootstrap, всеки тренира самостоятелен слаб класификатор. Финалните решения идват от гласуване на изходите на слабите класификатори, с мнозинството гласове като резултат.
RF използва CART дървета за решения (бинарни дървета, разделящи се от върха надолу, минимизирайки индекса на Джини за разделяне, формула (5)). Според Лу Мин и др. 100 дървета за решения оптимизират класификационната производителност. Затова, това изследване използва 100 CART дървета за случайния лес.
3 Анализ на случая
3.1 Избор на характеристики
Индексът на Джини в случайния лес се използва за оценка на важността на всяка характеристика. Резултатите са показани на Фигура 3, където ординатата представлява пропорционалния коефициент. Вижда се, че четири количества характеристики, а именно пикинги фактор C, асиметрия sk, квадратично средно Irms и куртозис K, са с висока важност и могат ефективно да характеризират разликите в различните състояния на нагрузъчния ключ. Четири количества характеристики, включително формата фактор sh, максимален стартов ток Ist, време на работа на мотора t и Tm, са с ниска важност. Затова, това изследване избира C, sk, Irms и K като вектори на характеристики.
3.2 Резултати от диагностика с Random Forest
Алгоритъмът RF класифицира два състояния на нагрузъчния ключ (нормално/закъсано) с 300 образеца за всяко състояние за тренировка (общо 600) и 30 образеца за тест. Матрицата на смущения (Фигура 4) показва перфектна идентификация на нормалното състояние, 97% точност за закъсване и средна точност на класификация 98.33%.
3.3 Сравнение на различни алгоритми за класификация
За да се тестира производителността на класификатора Random Forest, същевременно се обучават Support Vector Machine (SVM) и Extreme Learning Machine (ELM) за сравнение. Резултатите от тестовете са показани в Таблица 1.
От Таблица 1, сред трите класификатора, алгоритъмът Random Forest (RF) взима относително дълго време за диагностика 6.9 ms за пробите на тестовия набор. По отношение на точността, Support Vector Machine (SVM) постига 95% за двата режима на работа, по-ниска от RF. От съображения за случайни теглови в скрития слой, Extreme Learning Machine (ELM) има точност, варираща между 85% - 96.67% и по-слаба робустност от RF. Затова, използваният алгоритъм RF има висока точност и добра робустност.
4 Заключение
Тази статия предлага метод за детекция на механични повреди на нагрузъчни ключове, използвайки времеви характеристики на тока на мотора за накопяване на енергия и алгоритъм Random Forest (RF). Изтрива представителни времеви характеристики от формите на вълните на тока на мотора и използва класификатор RF за идентификация на състояния. Предложеното критерium за начало на записване на форми на вълните ефективно придобива сигнали на тока на мотора. Използвайки индекса на Джини в RF, то оценява важността на характеристиките и избира четири ключови характеристики (пикинги фактор, асиметрия, квадратично средно, куртозис) за характеризиране на състоянията на нагрузъчния ключ. Експериментите показват, че методът ефективно идентифицира състояния на закъсване на мотора с точност 98.33%.
