Nová metoda detekce zaseknutých vad v přepínačích zátěže

V posledních letech, s rozvojem distribuované automatizace, se zatížení přepínacích spínačů v distribučních článcích stává stále běžnějším. Nicméně, počet nehod způsobených mechanickými selháními roste, což ztěžuje provoz a údržbu článků.

Špatné mechanické vlastnosti jsou hlavní příčinou vad spínačů. Mnoho vědců studuje velkém měřítku provoz spínačového zařízení, používají metody jako detekce proudu cívky, analýza vibračních signálů, testování pohybu spínače, ultrazvuková detekce vad a infrareční termometrie. Detekce stavu spínače na základě proudu motoru funguje pro vypínače a odpojovače, ale je méně používána pro chyby pohonu zatížení spínače.

Výzkum spínačů v provozu ukázal, že signály proudu motoru pro ukládání energie odrážejí stav spínače. Mechanické problémy (např. zaseknutí pružiny, koróze, zaseknutí ozubeného kola) v pohonu mění parametry signálů proudu (amplituda, doba trvání, lokální vrcholy). Tento článek se zaměřuje na běžné zaseknutí pružin v pobřežních oblastech a studuje extrakci a identifikaci charakteristik vad. Kroky: 1) Analýza charakteristik proudu motoru, rozdělení vlnových tvarů do 4 fází a hodnocení každé fáze. 2) Návrh zařízení pro sběr dat o vlnových tvarech pod různými podmínkami. 3) Navržení algoritmu pro zahájení záznamu, extrakci charakteristik a metod identifikace vad. 4) Ověření prostřednictvím experimentů.

1 Analýza charakteristik proudu motoru pro ukládání energie

Spínače zatížení obvykle používají stejnosměrné motory k pohonu pružin pro ukládání energie. Během provozu motoru jsou výstupní točivý moment a otáčky rotoru úzce spojené s proudem okruhu statoru. Elektromagnetický točivý moment a rovnice napětí pro samonabíjecí stejnosměrný motor jsou následující:

V rovnici (1), T reprezentuje elektromagnetický točivý moment; n reprezentuje otáčkovou rychlost; Ia reprezentuje armáturní proud; Ra reprezentuje odpor armáturního okruhu, který je konstantní; Ea reprezentuje indukovanou elektromotorickou sílu; U reprezentuje napětí na terminálech; ΔU reprezentuje klesnutí napětí na kontaktu, které je konstantní; ϕ reprezentuje magnetický tok; Ce reprezentuje konstantu elektromotorické síly; a CT reprezentuje koeficient točivého momentu. Na základě rovnice (1) můžeme odvodit:

Z rovnice (2) vyplývá, že při malém proudě zatížení demagnetizační efekt armáturní reakce lze zanedbat, takže magnetický tok je považován za konstantní a elektromagnetický točivý moment je úměrný proudu zatížení. S rostoucím proudem zatížení točivý moment roste, ale otáčková rychlost se snižuje. Avšak demagnetizační efekt vyššího proudu zatížení snižuje magnetický tok, což by mělo zvýšit rychlost. Tyto opačné účinky obvykle způsobují mírné snížení rychlosti samonabíjecího motoru. Obrázek 1 zobrazuje typický vlnový tvar proudu DC motoru pro ukládání energie, rozdělený do 4 fází.

Fáze 1 (t₀)–(t₁): Fáze startu motoru

V čase t0 spínač zatížení obdrží signál k uzavření od distribuční jednotky, což zapne řídící motor s zatížením. Proud motoru naroste na špičku startu v t_st, pak rychle klesne a vstoupí do stabilního provozu.

Fáze 2 (t₁)–(t₂): Fáze stabilního provozu motoru

Motor pohání převodové ozubené kolo do nečinnosti. Během této fáze motor běží stabilně pod lehkým zatížením s amplitudou proudu motoru Ia.

Fáze 3 (t₂)–(t₄): Fáze ukládání energie pružinou

Když pružina ukládá energii, výstupní točivý moment motoru postupně roste a dosahuje maxima v t3; v tomto bodě také dosáhne maximálního proudu Im. Poté výstupní točivý moment motoru postupně klesá.

Fáze 4 (t₄)–(t₅): Fáze přerušení proudu motoru

V čase t4 pružina dosáhne konečného spínače, což přeruší proud do motoru. Proud motoru rychle klesne až k 0 v t5, a motor zastaví běh.

2 Diagnóza vad zaseknutí motoru pro ukládání energie
2.1 Simulace vady a sběr dat

Test simulace zaseknutí vady byl proveden na spínači zatížení z elektrického zařízení (scénář na obrázku 2(a)). Po rozebrání spínače, během stabilního provozu motoru a fáze ukládání energie pružinou, byla aplikována reverzní síla zablokování rotoru pomocí páky, aby bylo simulováno zaseknutí ozubeného kola/pružiny. Vlastní zařízení pro sběr dat o proudu (Obrázek 2(b)) použilo čip ARM STM32F103 k sběru signálů z Hallského transformátoru proudu HSTS016L (DC vstup: 0–30A). Protože signál otevření nemá cílový vlnový tvar proudu, tento výzkum se zaměřuje na signál proudu při zavírání.

2.2 Algoritmus pro zahájení záznamu vlnového tvaru

Z obrázku 1 je vidět, že efektivní signál vlnového tvaru pokrývá časové okno t0 až t5, skládající se ze 4 fází s různými změnami proudu. Dále existují významné rozdíly v amplitudách signálů mezi různými pohonnými motory. Použití jednoduchého prahového proudu jako kritéria pro zahájení záznamu vlnového tvaru signálu je tedy zřejmě nevhodné. Proto tento výzkum používá měřítko změny proudu Kt v jednotkovém časovém okně a průměrnou hodnotu I_mean jako kritéria pro zahájení záznamu efektivního vlnového tvaru. Měřítko změny proudu v jednotkovém časovém okně:

Průměrný proud každého časového okna:

V rovnicích (3) a (4), I(i) reprezentuje signál proudu; M je počet vzorkovacích bodů v jednotkovém časovém okně; Δt je délka času jednotkového časového okna, a Δt = 0.02s v tomto článku; I(1) je první vzorkovací bod v jednotkovém časovém okně.

2.3 Extrakce časových charakteristik

Pro identifikaci zaseknutí vady motoru pro ukládání energie je expresivní informace křivky extrahována prostřednictvím několika časových indikátorů. Kurtosis K může charakterizovat hladkost signálu proudu; efektivní hodnota Irms může charakterizovat průměrnou energii signálu proudu; skewness sk je měřítko směru a stupně zkosení statistického rozdělení dat; faktor formy sh a faktor špičky C jsou používány k charakterizaci extrémního stupně špičky proudu ve vlnovém tvaru.

Algoritmus Random Forest (RF) integruje více rozhodovacích stromů. Jeho výstupní kategorie je určena modusem kategorií jednotlivých rozhodovacích stromů, což má vysokou přesnost, dobré tolerance pro anomální data a nízké riziko přepracování.

2.4 Algoritmus Random Forest

RF se spoléhá na Bootstrap vzorkování (vzorkování s nahrazováním pro vytvoření n vzorkových sad z původní sady dat) a Bagging hlasování. Bagging generuje n trénovacích sad pomocí Bootstrap, každá trénuje nezávislý slabý klasifikátor. Finální rozhodnutí pochází z hlasování výstupů slabých klasifikátorů, s většinovým hlasem jako výsledkem.

RF používá CART rozhodovací stromy (binární stromy dělené shora dolů od kořene, minimalizující Gini index pro dělení, rovnice (5)). Podle Liua Min et al. 100 rozhodovacích stromů optimalizuje výkon klasifikace. Proto tento výzkum používá 100 CART stromů pro náhodný les.

3 Analýza případu
3.1 Výběr charakteristik

Gini index v náhodném lese se používá k hodnocení důležitosti každé charakteristiky. Výsledky jsou zobrazeny na obrázku 3, kde ordináta reprezentuje proporcionalitu koeficientu. Je vidět, že čtyři charakteristické veličiny, totiž faktor špičky C, skewness sk, efektivní hodnota Irms a kurtosis K, mají vysokou důležitost a mohou efektivně charakterizovat rozdíly v různých stavech spínače zatížení. Čtyři charakteristické veličiny, včetně faktoru formy sh, maximálního startovacího proudu Ist, doby provozu motoru t a Tm, mají nízkou důležitost. Proto tento výzkum volí C, sk, Irms a K jako vektor charakteristik.

3.2 Výsledky diagnózy Random Forest

Algoritmus RF klasifikuje dva stavy spínače zatížení (normální/zaseknutí) pomocí 300 vzorků pro každý stav pro trénink (celkem 600) a 30 vzorků pro testování. Matice záměn (Obrázek 4) ukazuje dokonalé rozpoznání normálního stavu, 97% přesnosti pro zaseknutí a průměrnou přesnost klasifikace 98.33%.

3.3 Srovnání různých klasifikačních algoritmů

Pro testování výkonu klasifikátoru náhodného lesa byly současně trénovány Support Vector Machine (SVM) a Extreme Learning Machine (ELM) pro srovnání. Testovací výsledky jsou zobrazeny v tabulce 1.

Z tabulky 1 je vidět, že mezi třemi klasifikátory má algoritmus Random Forest (RF) relativně dlouhou dobu diagnostiky 6.9 ms pro vzorky testovací sady. Co se týče přesnosti, Support Vector Machine (SVM) dosahuje 95% pro dva operační stavy, což je nižší než RF. V důsledku náhodných váhových složek skryté vrstvy má Extreme Learning Machine (ELM) přesnost kolísající mezi 85% - 96.67% a horší robustnost než RF. Proto má použitý algoritmus RF vysokou přesnost a dobré robustnostní vlastnosti.

4 Závěr

Tento článek navrhuje metodu detekce mechanických vad spínače zatížení pomocí časových charakteristik proudu motoru pro ukládání energie a algoritmu Random Forest (RF). Extrahuje reprezentativní časové charakteristiky z vlnových tvarů proudu motoru a používá klasifikátor RF pro identifikaci stavu. Navržené kritérium pro zahájení záznamu vlnového tvaru efektivně zachycuje signály proudu motoru. Využívá Gini index v RF k hodnocení důležitosti charakteristik a výběru čtyř klíčových charakteristik (faktor špičky, skewness, efektivní hodnota, kurtosis) k charakterizaci stavů spínače zatížení. Experimenty ukazují, že tato metoda efektivně identifikuje stavy zaseknutí motoru s přesností 98.33%.