En ny metode til detektion af fastsiddende fejl i lastskiftere

I de senere år, med fremskridt inden for distributionsautomation, bliver lastskifterne mere og mere anvendt i distributionslinjer. Dog er antallet af ulykker forårsaget af mekaniske fejl på stigning, hvilket belaster drift og vedligeholdelse af linjerne.

Dårlig mekanisk ydeevne er den primære årsag til skifterfejl. Mange forskere undersøger store skalaers skifterdrift, ved hjælp af metoder som spolestrømsovervågning, vibrationsanalyse, skifterafstandstest, ultralydfejlfinding og infrarød termometri. Motorstrømbaseret skifterstatusovervågning fungerer for brydere og afbrydere, men anvendes mindre til fejl i drivmekanismen for lastskiftere.

Forskning på feltløbende lastskifter viser, at energilagringsmotorstrømsignaler afspejler skifterstatus. Mekaniske problemer (f.eks. fjederfastsættelse, rust, tandhjulsfastsættelse) i drivmekanismen ændrer strømsignalparametre (amplitude, varighed, lokale toppe). Med fokus på almindelige energilagringsmotorrustningsproblemer i kystområder studerer denne artikel fejleksportering og identifikation. Trin: 1) Analyser motorstrømegenskaber, opdel bølgeformer i 4 faser, og vurder hver fase. 2) Design et dataindsamlingsenhed til strømbølgeformer under forskellige forhold. 3) Forslag en optagelsesstartalgoritme, fejleksportering, og fejlidentifikationsmetoder. 4) Valider via eksperimenter.

1 Analyse af energilagringsmotorstrømegenskaber

Lastskifter bruger typisk DC-motorer til at drev trykkfjedre for energilagering. Under motordrift er rotorudgangsdreje og hastighed tæt forbundet med statorcirkuitstrøm. For parallelt anspændte DC-motorer er elektromagnetiske dreje- og spændingsligninger som følger:

I ligning (1), repræsenterer T elektromagnetisk dreje; n repræsenterer rotationshastighed; Ia repræsenterer armaturestrøm; Ra repræsenterer armaturecirkuitmodstand, som er konstant; Ea repræsenterer vindingsinducent emf; U repræsenterer terminalspænding; ΔU repræsenterer kontaktspændingsfald, som er konstant; ϕ repræsenterer magnetflod; Ce repræsenterer emf-konstant; og CT repræsenterer drejekoefficient. Ifølge ligning (1) kan vi udlede:

Fra ligning (2), når belastningsstrømmen er lille, er armaturereaktionens demagnetiserende effekt ubetydelig, så magnetflod betragtes som konstant, og elektromagnetisk dreje er proportional med belastningsstrømmen. Når belastningsstrømmen stiger, stiger drejen, men rotationshastigheden har tendens til at falde. Imidlertid reducerer den højere belastningsstrøms demagnetiserende effekt magnetfloden, hvilket ville øge hastigheden. Disse modstående effekter forårsager typisk en let nedgang i hastigheden hos parallelt anspændte motorer. Figur 1 viser det typiske strømbølgeform for en DC-energilagringsmotor i drift, opdelt i 4 faser.Figur 1 viser det typiske strømbølgeform for en DC-energilagringsmotor i drift, opdelt i 4 faser.

Fase 1 (t₀)–(t₁): Motoropstartsfase

Ved tidspunkt t0 modtager lastskifteret et lukkesignal fra distributionsterminalenheden, der aktiverer kontrollmotoren til at starte med belastning. Motorens strøm stiger til en starttop ved (t_st), og falder derefter hurtigt for at indgå i stabil drift.

Fase 2 (t₁)–(t₂): Motor stabil driftsfase

Motoren driver overføringsgear til at være tom. I denne fase kører motoren stabil under let belastning, med motorstrømamplitude ved (Ia).

Fase 3 (t₂)–(t₄): Fjederenergilagringsfase

Når kompressionsfjeder lagrer energi, gradvis øges motorens udgangsdreje, og når dens maksimum ved (t3); på dette tidspunkt rammer motorstrømen også fasens maksimum (Im). Herefter gradvis falder motorens udgangsdreje.

Fase 4 (t₄)–(t₅): Motorstrøm afbrydelsesfase

Ved (t4) når kompressionsfjeder grænsekontakten, afbryder strøm til motoren. Motorstrømmen falder skarpt indtil den når 0 ved (t5), og motoren stopper med at køre.

2 Fejlfindelse for energilagringsmotor fastsættelse
2.1 Fejsimulering & dataindsamling

En fastsættelsesfejltest blev simuleret på en lastskifter fra en elektrisk udstyrfabrik (scenario i figur 2(a)). Efter at have demonteret skifteret, under motorens stabile drift og fjederenergilagringsfasen, anvendtes en rocker til at give omvendte låste rotor kræfter for at simulere tandhjuls/fjeder fastsættelse. En tilpasset strøminsamlingsenhed (figur 2(b)) brugte en ARM STM32F103 chip til at indsamle signaler fra HSTS016L Hall strømtransformator (DC input: 0–30A). Da åbnings-signalet mangler målrettede strømbølgeformer, fokuserer denne studie på lukkestrømsignalet.

2.2 Bølgeformoptagelsesstartalgoritme

Fra figur 1, spænder det effektive signalfølgens bølgeform tidsvinduet t0 til t5, bestående af 4 faser med diverse strømændringer. Desuden er der betydelige forskelle i signalamplituder mellem forskellige drivmotorer. Derfor er det klart upassende at bruge en simpel strømamplitudetræls som startkriterium for signalfølgebølgeformoptagelse. Derfor anvender denne studie strømaændringstakt Kt inden for en enhedstidsramme og gennemsnittet Imean som startkriterier for at opnå effektiv bølgeformoptagelse. Strømaændringstakt inden for enhedstidsramme:

Gennemsnitlig strøm for hvert tidsvindue:

I ligninger (3) og (4), repræsenterer I(i) strømsignalet; M er antallet af prøvepunkter i enhedstidsramme; Δt er tidslængden af enhedstidsramme, og Δt = 0.02s i denne artikel; I(1) er det første prøvepunkt i enhedstidsramme.

2.3 Tidsdomæne featureextraktion

For at identificere fastsættelsesfejlen for energilagringsmotoren, extraheres informativ information fra kurven gennem nogle tidsdomæneindikatorer. Kurtosis K kan karakterisere jævnhed af strømsignalet; kvadratrodsgennemsnit Irms kan karakterisere gennemsnitlig energi af strømsignalet; skevhed sk er en måling af retningen og graden af skevhed i statistiske datafordeling; formfaktor sh og toppfaktor C bruges til at karakterisere ekstremgraden af strømtopp i bølgeformen.

Random Forest (RF) klassifikationsalgoritmen integrerer flere beslutningstræer. Dets outputkategori fastsættes af typetal af individuelle beslutningstrækategorier, kendegivet af høj præcision, god tolerance for anomaldata, og lav risiko for overfitting.

2.4 Random Forest-algoritme

RF afhænger af Bootstrap sampling (med erstatningssampling for at danne n prøvesæt fra det oprindelige datasæt) og Bagging-stemme. Bagging genererer n træningssæt via Bootstrap, hver træner en uafhængig svag klassifikator. Endelige beslutninger kommer fra stemme på svage klassifikatoroutput, med flertalsstemme som resultat.

RF bruger CART-beslutningstræer (binære træer, der splitter top-down fra roden, minimaliserer Gini-indekset for splittings, formel (5)). Per Liu Min et al. 100 beslutningstræer optimere klassificeringsydeevne. Derfor bruger denne studie 100 CART-træer for random forest.

3 Caseanalyse
3.1 Featurevalg

Gini-indekset i random forest bruges til at evaluere vigtigheden af hvert feature. Resultaterne vises i figur 3, hvor ordinate repræsenterer proportionalitetskoefficienten. Det kan ses, at fire features, nemlig toppfaktor C, skevhed sk, kvadratrods-gennemsnit Irms, og kurtosis K, er højt vigtige og kan effektivt karakterisere forskelle i forskellige tilstande for lastskifter. Fire features, herunder formfaktor sh, maksimal startstrøm Ist, motortid t, og Tm, er af lav vigtighed. Derfor vælger denne studie C, sk, Irms, og K som featurevektorer.

3.2 Random Forest diagnose resultater

RF-algoritmen klassificerer to lastskiftertilstande (normal/fastsat) ved hjælp af 300 prøver pr. tilstand til træning (total 600) og 30 prøver til test. Forvirringsmatrix (figur 4) viser perfekt normaltilstandsidentifikation, 97% præcision for fastsættelse, og 98.33% gennemsnitsklassificeringspræcision.

3.3 Sammenligning af forskellige klassifikationsalgoritmer

For at teste præstationen af random forest klassifikator, trænes en Support Vector Machine (SVM) og en Extreme Learning Machine (ELM) samtidig til sammenligning. Testresultaterne vises i tabel 1.

Fra tabel 1, blandt de tre klassifikatorer, tager Random Forest (RF) algoritmen en relativ lang diagnosticeringstid på 6.9 ms for testsæt prøver. I præcision, opnår Support Vector Machine (SVM) 95% for to driftstillstande, lavere end RF. På grund af tilfældige skjult-lag-vægte, har Extreme Learning Machine (ELM) præcision, der svajer mellem 85% - 96.67% og dårligere robusthed end RF. Således har den anvendte RF-algoritme høj præcision og god robusthed.

4 Konklusion

Denne artikel foreslår en lastskiftermekanisk fejldetektionsmetode ved hjælp af energilagringsmotorstrømts tidsdomænefeatures og Random Forest (RF) algoritme. Den extraherer repræsentative tidsdomænefeatures fra motorstrømbølgeformer og bruger en RF-klassifikator til tilstandsidentifikation. Den foreslåede optagelsesstartkriterie effektivt indsamler motorstrømsignaler. Ved hjælp af Gini-indekset i RF, evaluerer den featurevigtighed og vælger fire nøglefeatures (toppfaktor, skevhed, kvadratrodsgennemsnit, kurtosis) til at karakterisere lastskiftertilstande. Eksperimenter viser, at metoden effektivt identificerer motorens fastsættelsetilstande med 98.33% præcision.