Ein neues Erkennungsverfahren für Klemmfehler in Lastschaltern
In den letzten Jahren hat sich die Verteilungsautomatisierung weiterentwickelt, und Lastschalter finden eine breitere Anwendung in Verteilungsleitungen. Allerdings nehmen mechanisch bedingte Unfälle zu, was den Betrieb und die Wartung der Leitungen belastet.
Arme mechanische Leistung ist die Hauptursache für Schaltfehler. Viele Wissenschaftler untersuchen den großflächigen Betrieb von Schaltanlagen, indem sie Methoden wie Spulenstrommessung, Schwingungssignalanalyse, Schaltwegprüfung, Ultraschallfehlerdetektion und Infrarotthermometrie anwenden. Die motorstrombasierte Schaltstatusdetektion funktioniert bei Schaltgeräten und Trennschaltern, wird aber seltener auf Fehler im Antriebsmechanismus von Lastschaltern angewendet.
Forschungen zu betriebsbereiten Lastschaltern zeigen, dass die Energiestromsignale des Energiespeicher-Motors den Schaltstatus widerspiegeln. Mechanische Probleme (z. B. Federverklemmung, Rost, Getriebeblockade) im Antriebsmechanismus ändern die Stromsignalparameter (Amplitude, Dauer, lokale Spitzen). Dieser Artikel konzentriert sich auf die häufige Rostverklemmung von Energiespeicher-Motoren in Küstengebieten und untersucht die Extraktion und Identifizierung von Fehlereigenschaften. Schritte: 1) Analyse der Stromcharakteristika des Motors, Aufteilung der Wellenformen in 4 Stufen und Bewertung jeder Stufe. 2) Entwurf eines Datenerfassungsgeräts für Stromwellenformen unter verschiedenen Bedingungen. 3) Vorschlag eines Aufzeichnungsstartalgorithmus, Merkmalsextraktion und Fehleridentifikationsmethoden. 4) Validierung durch Experimente.
1 Analyse der Stromcharakteristika des Energiespeicher-Motors
Lastschalter verwenden in der Regel Gleichstrommotoren, um Druckfedern für den Energiespeicher anzutreiben. Während des Motorbetriebs hängt das Ausgangsdrehmoment und die Drehzahl eng mit dem Stromkreis des Stators zusammen. Die elektromagnetische Drehmoment- und Spannungsgleichungen des Schleifendauermagneten-Gleichstrommotors lauten wie folgt:
In Gleichung (1) repräsentiert T das elektromagnetische Drehmoment; n stellt die Drehzahl dar; Ia stellt den Armaturstrom dar; Ra stellt den Widerstand des Armaturkreises dar, der konstant ist; Ea stellt die induzierte elektrische Spannung der Wicklung dar; U stellt die Endspannung dar; ΔU stellt den Kontaktspannungsabfall dar, der konstant ist; ϕ stellt den magnetischen Fluss dar; Ce stellt die elektrische Spannungskonstante dar; und CT stellt den Drehmomentkoeffizienten dar. Laut Gleichung (1) können wir ableiten:
Aus Gleichung (2) ergibt sich, dass bei geringem Laststrom der Demagnetisierungseffekt der Armaturreaktion vernachlässigbar ist, so dass der magnetische Fluss als konstant betrachtet wird und das elektromagnetische Drehmoment proportional zum Laststrom ist. Bei steigendem Laststrom nimmt das Drehmoment zu, während die Drehzahl tendenziell abnimmt. Der höhere Laststrom reduziert jedoch den magnetischen Fluss, was die Drehzahl erhöhen würde. Diese gegensätzlichen Effekte führen in der Regel zu einer leichten Abnahme der Drehzahl des Schleifendauermagneten-Motors. Abbildung 1 zeigt die typische Stromwellenform eines Gleichstrom-Energiespeicher-Motors im Betrieb, unterteilt in 4 Stufen.Abbildung 1 zeigt die typische Stromwellenform eines Gleichstrom-Energiespeicher-Motors im Betrieb, unterteilt in 4 Stufen.
Stufe 1 (t0)–(t1): Motor-Startphase
Zur Zeit t0 empfängt der Lastschalter ein Schließsignal vom Verteilungsendgerät, wodurch der Steuermotor mit Last startet. Der Motorstrom steigt zu einem Startgipfel bei (tst), fällt dann schnell ab und geht in den stabilen Betrieb über.
Stufe 2 (t1)–(t2): Stabile Betriebsphase des Motors
Der Motor treibt das Übersetzungsgetriebe an, um Leerlauf zu erreichen. In dieser Phase läuft der Motor stabil unter leichter Belastung, wobei die Motorstromamplitude bei (Ia) liegt.
Stufe 3 (t2)–(t4): Energiespeicherphase der Feder
Während die Druckfeder Energie speichert, nimmt das Ausgangsdrehmoment des Motors allmählich zu und erreicht seinen Maximalwert bei (t3); zu diesem Zeitpunkt erreicht auch der Motorstrom den maximalen Wert der Stufe (Im). Anschließend nimmt das Ausgangsdrehmoment des Motors allmählich ab.
Stufe 4 (t4)–(t5): Stromunterbrechungsphase des Motors
Bei (t4) erreicht die Druckfeder den Endschalter, und die Energieversorgung des Motors wird unterbrochen. Der Motorstrom fällt stark ab, bis er bei (t5) Null erreicht, und der Motor stoppt.
2 Fehlersuche bei Verklemmungen des Energiespeicher-Motors
2.1 Fehlersimulation & Datenerfassung
Ein Verklemmungsfehlertest wurde an einem Lastschalter aus einer Elektrogerätefabrik simuliert (Szenario in Abbildung 2(a)). Nach dem Auseinandernehmen des Schalters wurde während der stabilen Betriebsphase des Motors und der Energiespeicherphase der Feder eine Kippvorrichtung verwendet, um umgekehrte Blockierkräfte zu simulieren, um Getriebe-/Federverklemmungen nachzubilden. Ein benutzerdefiniertes Stromerfassungsgerät (Abbildung 2(b)) verwendete einen ARM STM32F103-Chip, um Signale vom HSTS016L-Hall-Stromtransformator (Gleichstrom-Eingang: 0–30A) zu erfassen. Da das Öffnungssignal keine Zielstromwellenform enthält, konzentriert sich diese Studie auf das Schließstromsignal.
2.2 Algorithmus für den Start der Wellenaufzeichnung
Aus Abbildung 1 geht hervor, dass die effektive Signalwellenform den Zeitfensterbereich t0 bis t5， umfasst, bestehend aus 4 Stufen mit unterschiedlichen Stromänderungen. Darüber hinaus gibt es signifikante Unterschiede in den Signalamplituden zwischen verschiedenen Antriebsmotoren. Daher ist die Verwendung eines einfachen Stromamplitudenschwellwerts als Startkriterium für die Wellenaufzeichnung offensichtlich unangemessen. Deshalb verwendet diese Studie die Stromänderungsrate Kt innerhalb eines Zeiteinheitsfensters und den Mittelwert Imean als Startkriterien, um eine effektive Wellenaufzeichnung zu erreichen. Stromänderungsrate des Zeiteinheitsfensters:
Mittelwert des Stroms jedes Zeitfensters:
In Gleichungen (3) und (4) repräsentiert Ii das Stromsignal; M ist die Anzahl der Messpunkte im Zeiteinheitsfenster; Δ t ist die Zeitdauer des Zeiteinheitsfensters, und Δ t = 0.02s in diesem Artikel; I(1) ist der erste Messpunkt im Zeiteinheitsfenster.
2.3 Zeitbereichsmerkmalsextraktion
Um die Verklemmungsfehler des Energiespeicher-Motors zu identifizieren, werden durch einige zeitliche Indikatoren die aussagekräftigen Informationen der Kurve extrahiert. Die Kurtosis K kann die Glattheit des Stromsignals charakterisieren; die quadratische Mittelwertspannung Irms kann die durchschnittliche Energie des Stromsignals charakterisieren; die Schiefe sk ist ein Maß für die Richtung und den Grad der Schiefheit der statistischen Datenverteilung; der Formfaktor sh und der Spitzenfaktor C werden verwendet, um den Extremgrad des Stromspitzen in der Wellenform zu charakterisieren.
Der Random-Forest-Klassifikationsalgorithmus integriert mehrere Entscheidungsbäume. Seine Ausgabe-Kategorie wird durch den Modus der einzelnen Entscheidungsbaum-Kategorien bestimmt, der hohe Genauigkeit, gute Toleranz gegenüber Ausreißern und ein geringes Risiko der Überanpassung aufweist.
2.4 Random-Forest-Algorithmus
RF basiert auf Bootstrap-Sampling (Sampling mit Zurücklegen, um n Stichprobenmengen aus dem Originaldatensatz zu bilden) und Bagging-Voting. Bagging generiert n Trainingsmengen über Bootstrap, jede trainiert einen unabhängigen schwachen Klassifikator. Die endgültige Entscheidung ergibt sich aus der Abstimmung der Ergebnisse der schwachen Klassifikatoren, wobei die Mehrheitsentscheidung als Ergebnis gilt.
RF verwendet CART-Entscheidungsbäume (binäre Bäume, die von oben nach unten gespalten werden, um den Gini-Index für Spaltungen zu minimieren, Formel (5)). Liu Min et al. zeigten, dass 100 Entscheidungsbäume die Klassifizierungsleistung optimieren. Daher verwendet diese Studie 100 CART-Bäume für den Random Forest.
3 Fallanalyse
3.1 Merkmalsauswahl
Der Gini-Index im Random Forest wird verwendet, um die Wichtigkeit jedes Merkmals zu bewerten. Die Ergebnisse sind in Abbildung 3 dargestellt, wobei die Ordinate den Proportionalitätskoeffizienten darstellt. Es zeigt sich, dass vier Merkmale, nämlich der Spitzenfaktor C, die Schiefe sk, die quadratische Mittelwertspannung Irms und die Kurtosis K, sehr wichtig sind und die Unterschiede in verschiedenen Zuständen des Lastschalters effektiv charakterisieren können. Die vier Merkmale, einschließlich des Formfaktors sh, des maximalen Startstroms Ist, der Motordauer t und Tm, haben eine geringe Wichtigkeit. Daher wählt diese Studie C, sk, Irms und K als Merkmalsvektoren.
3.2 Diagnoseergebnisse des Random Forests
Der RF-Algorithmus klassifiziert zwei Zustände des Lastschalters (normal/verklemmt), indem er 300 Proben pro Zustand für das Training (insgesamt 600) und 30 Proben für die Tests verwendet. Die Konfusionsmatrix (Abbildung 4) zeigt eine perfekte Identifikation des normalen Zustands, 97% Genauigkeit für Verklemmungen und 98,33% durchschnittliche Klassifizierungsgenauigkeit.
3.3 Vergleich verschiedener Klassifikationsalgorithmen
Um die Leistung des Random-Forest-Klassifikators zu testen, werden gleichzeitig ein Support Vector Machine (SVM) und ein Extreme Learning Machine (ELM) trainiert, um einen Vergleich herzustellen. Die Testergebnisse sind in Tabelle 1 dargestellt.
Aus Tabelle 1 geht hervor, dass unter den drei Klassifikatoren der Random-Forest-Algorithmus (RF) eine relativ lange Diagnosezeit von 6,9 ms für die Testmengenproben aufweist. In Bezug auf die Genauigkeit erreicht die Support Vector Machine (SVM) 95% für zwei Betriebszustände, was niedriger ist als RF. Aufgrund zufälliger Gewichte in der versteckten Schicht weist der Extreme Learning Machine (ELM) eine Genauigkeit, die zwischen 85% und 96,67% schwankt, und eine geringere Robustheit als RF auf. Daher hat der verwendete RF-Algorithmus eine hohe Genauigkeit und gute Robustheit.
4 Schlussfolgerung
Dieser Artikel schlägt eine Methode zur Erkennung von mechanischen Fehlern an Lastschaltern vor, die zeitliche Merkmale des Stroms des Energiespeicher-Motors und den Random-Forest-Algorithmus (RF) verwendet. Es werden repräsentative zeitliche Merkmale aus den Stromwellenformen des Motors extrahiert und ein RF-Klassifikator zur Zustandsidentifikation eingesetzt. Das vorgeschlagene Kriterium für den Start der Wellenaufzeichnung ermöglicht eine effektive Erfassung von Motorstromsignalen. Mit Hilfe des Gini-Index im RF wird die Merkmalswichtigkeit evaluiert, und vier Schlüsselmerkmale (Spitzenfaktor, Schiefe, quadratische Mittelwertspannung, Kurtosis) werden ausgewählt, um die Zustände des Lastschalters zu charakterisieren. Experimente zeigen, dass die Methode motorische Verklemmungszustände mit 98,33% Genauigkeit effektiv identifiziert.
