Un mètode novel de detecció de fallades d'aturament en interruptors de càrrega
En els darrers anys, a mesura que avança la automatització de la distribució, els interruptors de càrrega es fan servir més en les línies de distribució. No obstant això, els accidents causats per faltes mecàniques estan augmentant, suposant un pes per a l'operació i manteniment de les línies.
El mal funcionament mecànic és la principal causa de les falles dels interruptors. Molts estudiosos investiguen l'operació de maquinari d'interruptors a gran escala, utilitzant mètodes com la detecció de corrent de bobina, l'anàlisi de senyals de vibració, la prova de recorregut dels interruptors, la detecció d'errors ultrasònica i la termometria infraroja. La detecció de l'estat dels interruptors basada en la corrent del motor funciona per als interruptors automàtics i els separadors, però s'aplica menys a les falles del mecanisme de propulsió dels interruptors de càrrega.
La recerca sobre els interruptors de càrrega en funcionament al camp mostra que els senyals de corrent del motor d'emmagatzematge d'energia reflecteixen l'estat dels interruptors. Les qüestions mecàniques (per exemple, encallament de la molla, ferrugem, encallament de l'engrenat) en el mecanisme de propulsió alteren els paràmetres del senyal de corrent (amplitud, durada, pics locals). Centrant-se en la ferrugem i encallament comuns del motor d'emmagatzematge d'energia en zones costaneres, aquest article estudia l'extracció i identificació de característiques de falla. Passos: 1) Analitzar les característiques de la corrent del motor, dividir les formes d'ona en 4 etapes, i avaluar cada etapa. 2) Dissenyar un dispositiu d'adquisició de dades per a formes d'ona de corrent en diferents condicions. 3) Proposar un algoritme d'inici de gravació, extracció de característiques, i mètodes d'identificació de falla. 4) Validar mitjançant experiments.
1 Anàlisi de les Característiques de la Corrent del Motor d'Emmagatzematge d'Energia
Els interruptors de càrrega solen utilitzar motors DC per a propulsar muelles de compressió per a l'emmagatzematge d'energia. Durant l'operació del motor, el torc de sortida del rotor i la velocitat estan estretament relacionats amb la corrent del circuit de l'estator. Les equacions de torque electromagnètic i tensió del motor DC excitat en paral·lel són les següents:
A l'equació (1), T representa el torque electromagnètic; n representa la velocitat rotacional; Ia representa la corrent de l'armadura; Ra representa la resistència del circuit de l'armadura, que és una constant; Ea representa la força electromotriu induïda pel voltatge; U representa el voltatge terminal; ΔU representa la caiguda de tensió de contacte, que és una constant; ϕ representa el flux magnètic; Ce representa la constant de força electromotriu; i CT representa el coeficient de torque. Segons l'equació (1), podem derivar:
Segons l'equació (2), quan la corrent de càrrega és petita, l'efecte desmagnetitzador de la reacció de l'armadura és negligible, així que el flux magnètic es considera constant, i el torque electromagnètic és proporcional a la corrent de càrrega. A mesura que la corrent de càrrega augmenta, el torque augmenta, però la velocitat tendeix a disminuir. No obstant això, l'efecte desmagnetitzador d'una corrent de càrrega més alta redueix el flux magnètic, el que incrementaria la velocitat. Aquests efectes oposats solen provocar una lleugera disminució de la velocitat del motor excitat en paral·lel. La Figura 1 mostra la forma d'ona típica de la corrent d'un motor DC d'emmagatzematge d'energia en operació, dividida en 4 etapes.
Etapa 1 (t0)–(t1): Etapa d'Arrancada del Motor
Al temps t0, l'interruptor de càrrega rep un senyal de tancament de la unitat terminal de distribució, energitzant el motor de control per iniciar amb càrrega. La corrent del motor surt a un pico d'arrancada a tst, després disminueix ràpidament per entrar en operació estable.
Etapa 2 (t1)–(t2): Etapa d'Operació Estable del Motor
El motor impulsa l'engrenat de transmissió per a estar en repos. Durante aquesta etapa, el motor opera establement amb baixa càrrega, amb l'amplitud de la corrent del motor a Ia.
Etapa 3 (t2)–(t4): Etapa d'Emmagatzematge d'Energia de la Molla
A mesura que la molla de compressió emmagatzema energia, el torque de sortida del motor augmenta gradualment, arribant al màxim a t3; en aquest punt, la corrent del motor també arriba al màxim de l'etapa Im. Posteriorment, el torque de sortida del motor disminueix gradualment.
Etapa 4 (t4)–(t5): Etapa d'Interrupció de la Corrent del Motor
A t4, la molla de compressió arriba al limitador, tallant la potència al motor. La corrent del motor disminueix bruscament fins a arribar a 0 a t5, i el motor atura la seva operació.
2 Diagnòstic de Falla per Encallament del Motor d'Emmagatzematge d'Energia
2.1 Simulació de Falla i Adquisició de Dades
S'ha simulat una prova de falla d'encallament en un interruptor de càrrega d'una fàbrica d'equips elèctrics (escenari a la Figura 2(a)). Després de desmuntar l'interruptor, durant les etapes d'operació estable del motor i d'emmagatzematge d'energia de la molla, s'ha aplicat una força de bloqueig invers amb un rostre per simular l'encallament de l'engrenat o la molla. Un dispositiu d'adquisició de corrent personalitzat (Figura 2(b)) ha utilitzat un xip ARM STM32F103 per recollir senyals del transformador de corrent Hall HSTS016L (entrada CC: 0-30A). Com que el senyal d'obertura no té la forma d'ona de corrent objectiu, aquest estudi es centra en el senyal de corrent de tancament.
2.2 Algoritme d'Inici de Gravació de Formes d'Ona
De la Figura 1, la forma d'ona del senyal efectiu abasta la finestra de temps t0 a t5, consistint en 4 etapes amb diverses variacions de corrent. Addicionalment, hi ha diferències significatives en les amplituds dels senyals entre diferents motors de propulsió. Per tant, utilitzar un llindar simple d'amplitud de corrent com criteri d'inici per a la gravació de formes d'ona clarament no és apropiat. Per tant, aquest estudi adopta la taxa de canvi de corrent Kt dins d'una finestra de temps unitària i el valor mitjà Imean com criteris d'inici per aconseguir una gravació eficaç de formes d'ona. Taxa de canvi de corrent de la finestra de temps unitària:
Corrent mitjana de cada finestra de temps:
A les equacions (3) i (4), Ii representa el senyal de corrent; M és el nombre de punts de mostreig a la finestra de temps unitària; Δt és la longitud de temps de la finestra de temps unitària, i Δt = 0,02 s en aquest article; I(1) és el primer punt de mostreig a la finestra de temps unitària.
2.3 Extracció de Característiques en el Domini Temporal
Per identificar la falla d'encallament del motor d'emmagatzematge d'energia, s'extrau informació expressiva de la corba a través de alguns indicadors en el domini temporal. El curtosi K pot caracteritzar la suavitat del senyal de corrent; la mitjana quadràtica Irms pot caracteritzar l'energia mitjana del senyal de corrent; l'asimetria sk és una mesura de la direcció i grau d'asimetria de la distribució de dades estadístiques; el factor de forma sh i el factor de pic C s'utilitzen per caracteritzar el grau extrem del pico de corrent a la forma d'ona.
L'algoritme de classificació Random Forest (RF) integra múltiples arbres de decisió. La seva categoria de sortida es determina pel mode de les categories individuals dels arbres de decisió, presentant una alta precisió, una bona tolerància a les dades anòmals i un baix risc d'overfitting.
2.4 Algoritme Random Forest
El RF es basa en la mostreig Bootstrap (mostreig amb substitució per formar n conjunts de mostres a partir del conjunt de dades original) i Bagging votació. El Bagging genera n conjunts de formació a través del Bootstrap, cadascun entrenant un classificador feble independent. Les decisions finals provenen del vostre de les sortides dels classificadors febles, amb el vostre majoritària com a resultat.
El RF utilitza arbres de decisió CART (arbres binaris que es divideixen de dalt a baix des de l'arrel, minimitzant l'índex Gini per a les divisions, fórmula (5)). Segons Liu Min et al., 100 arbres de decisió optimitzen el rendiment de la classificació. Així, aquest estudi utilitza 100 arbres CART per al random forest.
3 Anàlisi de Cas
3.1 Selecció de Característiques
S'utilitza l'índex Gini en el random forest per avaluar la importància de cada característica. Els resultats es mostren a la Figura 3, on l'ordenada representa el coeficient proporcional. Es pot veure que quatre quantitats de característiques, és a dir, el factor de pic C, l'asimetria sk, la mitjana quadràtica Irms i el curtosi K, són altament importants i poden caracteritzar eficaçment les diferències en diferents estats de l'interruptor de càrrega. Les quatre quantitats de característiques, incloent-hi el factor de forma sh, la corrent d'arrancada màxima Ist, el temps d'operació del motor t, i Tm, tenen una importància baixa. Per tant, aquest estudi selecciona C, sk, Irms i K com a vectors de característiques.
3.2 Resultats del Diagnòstic del Random Forest
L'algoritme RF classifica dos estats d'interruptor de càrrega (normal/encallat) utilitzant 300 mostres per estat per a la formació (total 600) i 30 mostres per a la prova. La matriu de confusió (Figura 4) mostra una identificació perfecta de l'estat normal, una precisió del 97% per a l'encallament, i una precisió mitjana de classificació del 98,33%.
3.3 Comparació d'Algoritmes de Classificació Diferents
Per provar el rendiment del classificador random forest, s'entrena simultàniament un Support Vector Machine (SVM) i un Extreme Learning Machine (ELM) per a la comparació. Els resultats de la prova es mostren a la Taula 1.
De la Taula 1, entre els tres classificadors, l'algoritme Random Forest (RF) pren un temps de diagnòstic relativament llarg de 6,9 ms per a les mostres del conjunt de proves. En termes de precisió, el Support Vector Machine (SVM) aconsegueix un 95% per a dos estats d'operació, inferior al RF. Degut a pesos aleatoris de la capa oculta, l'Extreme Learning Machine (ELM) té una precisió que fluctua entre el 85% - 96,67% i una robustesa pitjor que el RF. Així, l'algoritme RF utilitzat té una alta precisió i una bona robustesa.
4 Conclusió
Aquest article proposa un mètode de detecció de falla mecànica d'interruptor de càrrega utilitzant característiques temporals de la corrent del motor d'emmagatzematge d'energia i l'algoritme Random Forest (RF). Extrau característiques temporals representatives de les formes d'ona de la corrent del motor i utilitza un classificador RF per a la identificació d'estats. El criteri d'inici de gravació proposat aconsegueix adquirir eficaçment senyals de corrent del motor. Utilitzant l'índex Gini en el RF, avaluem la importància de les característiques i seleccionem quatre característiques clau (factor de pic, asimetria, mitjana quadràtica, curtosi) per caracteritzar els estats de l'interruptor de càrrega. Experiments mostren que el mètode identifica eficaçment els estats d'encallament del motor amb una precisió del 98,33%.
