Nova Detektado Metodo por Blokitaj Defektoj en Ŝarĝ-Switches
En la lastaj jaroj, kiel distribua aŭtomatigo progresas, ŝarĝoswitchoj vidas pli vastan uzadon en distribuaj linioj. Tamen, akcidentoj kaŭzitaj de mekanikaj defektoj estas pligrandigantaj, ŝarĝante linian operacion kaj manutenecon.
Malbona mekanika performanco estas la ĉefa kaŭzo de switchdefektoj. Multaj sciencaj esploristoj studas grandskalajn switchoperaciojn, uzi metodon kiel spirokurenta detektado, vibradsignalanalizo, switchvojaĝtestado, ultrasona defektdetektado, kaj infrarudolorimetrio. Motor-kurentbaza switchstatusdetektado funkcias por circuitrompiloj kaj dismetiloj, sed malpli aplikatas al ŝarĝoswitch-drive-mekanizmoj.
Eksploro pri kampe funkciantaj ŝarĝoswitches montras, ke energostokmotoraj kurentsignaloj reflektas switchstatuson. Mekanikaj problemoj (ekz., spirverŝajno, rusto, rodrigido) en drive-mekanismo modifas kurentparametrojn (amplitudo, daŭro, lokaj pintoj). Fokusante sur komunaj energostokmotoraj rust-rigidoj en marbordaj areoj, ĉi tiu artikolo studas defekttraktadon kaj identigon. Paŝoj: 1) Analizi motorajn kurentkarakteristikojn, dividi ondformojn en 4 stadioj, kaj aserti ĉiun stadio. 2) Dezajni datenakirildevicon por kurentondformoj sub diversaj kondiĉoj. 3) Proponi registradstartalgoritmon, traktadon kaj defektidentigmetodojn. 4) Validigi per eksperimentoj.
1 Analizo de Energi-Stokmotoraj Kurent-Karakteristiko
Ŝarĝoswitches kutime uzas DC motorojn por drivi kompresispringojn por energi-stoko. Dum motoropero, rotor-elputa torko kaj rapido strebe rilatas al stator-cirkuita kuro. La paralel-ekscitita DC motoro havas elektromagnetan torkon kaj voltagekvaciojn kiel sekvanta:
En ekvacio (1), T reprezentas la elektromagnetan torkon; n reprezentas la turnrapidon; Ia reprezentas la armaturan kuro; Ra reprezentas la armatura cirkuitrezistancon, kiu estas konstanta; Ea reprezentas la induktitan elektromotan forton; U reprezentas la terminalan voltanon; ΔU reprezentas la kontaktan voltan falon, kiu estas konstanta; ϕ reprezentas la magnetan fluon; Ce reprezentas la elektromota konstanton; kaj CT reprezentas la torkkoeficienton. Laŭ ekvacio (1), ni povas derivi:
El ekvacio (2), kiam la ŝarĝkuro estas malgranda, la demagnetiga efiko de la armatura reago estas negligebla, do la magnetfluon konsideras konstanta, kaj la elektromagnetan torkon estas proporcia al la ŝarĝkuro. Kiam la ŝarĝkuro pligrandiĝas, la torko pligrandiĝas, sed la turnrapido tendencas malmultiĝi. Tamen, la demagnetiga efiko de la pli alta ŝarĝkuro reduktas la magnetfluo, kiu pligrandigos la rapidon. Ĉi tiuj kontraŭstaraĵoj tipike kaŭzas lepton malmultigon de la paralel-ekscitita motora rapideco.Figuro 1 montras la tipan kurentondformon de DC-energi-stokmotoro en operacio, dividita en 4 stadioj.
Stadio 1 (t0)–(t1): Motoro Startas Stadio
Je tempo t0, la ŝarĝoswitch ricevas ferma signalon de la distribua terminalo, aktivegas la kontrolmotoron por starti kun ŝarĝo. La motora kuro sursurĝas al start-pinto je (tst), tiam rapide falas por eniri stabilan operacion.
Stadio 2 (t1)–(t2): Motoro Stabile Operas Stadio
La motoro drivas la transdonradon por libere turni. Dum ĉi tiu stadio, la motoro stabile funkcias sub malgrava ŝarĝo, kun la motora kura amplitudo je (Ia).
Stadio 3 (t2)–(t4): Spring-Energistoka Stadio
Kiam la kompressispringo stokas energion, la motoro elputa torko graduale pligrandiĝas, atingante maksimumon je (t3); je ĉi tiu punkto, la motora kuro ankaŭ atingas la stadia maksimumon (Im). Poste, la motoro elputa torko graduale malpligrandiĝas.
Stadio 4 (t4)–(t5): Motor-Kurentinterrompa Stadio
Je (t4), la kompressispringo atingas la limswitchon, interrompas la motoran kurenon. La motora kuro brue falas ĝis 0 je (t5), kaj la motoro haltas.
2 Defekt-Diagnostiko por Energistokmotoraj Rigidoj
2.1 Defektsimulacio & Datena Akirado
Defektrigida testo estis simulita sur ŝarĝoswitch de elektra ekipa fabriko (situacio en Fig. 2(a)). Post dismontado de la switch, dum la motoro stable funkcias kaj springo stokas energion, rocker aplikis inversan blokitan rotacforton por simuli rod/rigidan rigidon. Specia kurentakirildevico (Fig. 2(b)) uzis ARM STM32F103 chipon por kolekti signalojn de la HSTS016L Hall-kurenttransformilo (DC-enigo: 0–30A). Ĉar la malferma signalo malhavas la celan kurentondformon, ĉi tiu studo fokusas sur la ferma kurent-signalo.
2.2 Ondformregistra Startalgoritmo
El Figuro 1, la efektiva signalondaformo etendiĝas tra la tempfenestro t0 al t5， konsistanta el 4 stadioj kun diversaj kurentŝanĝoj. Aldone, estas signifaj diferencoj en signalamplitudoj inter diversaj drivmotoroj. Do, uzi simplan kurentamplitudlimon kiel startkriterion por signalondaforma registro estas klare neapta. Do, ĉi tiu studo adoptas la kurentŝanĝrapidecon Kt dum unua tempfenestro kaj la mezvaloron Imean komencekriterioj por efektiva ondforma registro.Kurentŝanĝrapideco de la unua tempfenestro:
Meza kuro de ĉiu tempfenestro:
En ekvacioj (3) kaj (4), Ii reprezentas la kurent-signalon; M estas la nombro de provpunktoj en la unua tempfenestro; Δ t estas la longo de la unua tempfenestro, kaj Δ t = 0.02s en ĉi tiu artikolo; I(1) estas la unua provpunkto en la unua tempfenestro.
2.3 Tempdomajna Traittakado
Por identigi la rigidan defekton de la energistokmotoro, la espriminformo de la kurbo estas takita per kelkaj tempdomajn indikiloj. La kurtoso K povas karakterizi la glatecon de la kurent-signalo; la kvadrata meznombro Irms povas karakterizi la mezan energion de la kurent-signalo; la skececo sk estas mezuro de la direkto kaj grado de la statistika datumdistribuo; la formfaktoro sh kaj la pinto-faktoro C uzas por karakterizi la ekstremgradon de la kurent-pinto en la ondformo.
La hazarda arbaro (RF)klasifikalgoritmo integras multajn decidadarbojn. Ĝia eldonkategorio estas determinita per la modaĵo de individuaj decidadarboj, havanta altan akuratecon, bonan toleron al anomalaj datumoj, kaj malaltan riskon de superadaptiĝo.
2.4 Hazarda Arbaro Algoritmo
RF dependas de Bootstrap-provetado (provetado kun anstataŭigo por formi n provsetojn el la originala datumaro) kaj Bagging-votado. Bagging generas n lernsetojn per Bootstrap, ĉiu lernante sendependan malfortan klasifikilon. Finaj decidoj venas de votado sur malforta-klasifikila eldonoj, kun la plejmulta voĉo kiel la rezulto.
RF uzas CART-decidarbojn (binaraj arboj dividas top-down de la radiko, minimumigante la Gini-indekson por dividoj, formulo (5)). Laŭ Liu Min et al. 100 decidarboj optimizas klasifikperfomcon. Do, ĉi tiu studo uzas 100 CART-arbojn por la hazarda arbaro.
3 Kazanalizo
3.1 Traittakado
La Gini-indekso en la hazarda arbaro uzas por evalui la gravecon de ĉiu traito. La rezultoj montras en Figuro 3, kie la ordinate reprezentas la proporcian koeficienton. Oni povas vidi, ke kvar traitokvantitoj, nome la pinto-faktoro C, skececo sk, kvadrata meznombro Irms, kaj kurtoso K, estas altgravaj kaj efektive karakterizas la diferencon en diversaj statoj de la ŝarĝoswitch. La kvar traitokvantitoj, inkluzive de la formfaktoro sh, maksimuma startkuro Ist, motora operaciotempo t, kaj Tm, estas malaltgravaj. Do, ĉi tiu studo selektas C, sk, Irms, kaj K kiel la traitovektoroj.
3.2 Diagnostikrezultoj de Hazarda Arbaro
La RF-algoritmo klasifikas du ŝarĝoswitchajn statojn (normala/rigida) uzante 300 specimenojn por ĉiu stato por lerno (totalo 600) kaj 30 specimenoj por testado. La konfuzmatro (Figuro 4) montras perfektan normalstaton identigon, 97% akuratecon por rigido, kaj 98.33% mezanan klasifikakuratecon.
3.3 Komparo de Diversaj Klasifikalgoritmoj
Por testi la performon de la hazarda arbara klasifikilo, Support Vector Machine (SVM) kaj Extreme Learning Machine (ELM) estas samtempe lernitaj por komparo. La testrezultoj montras en Tablo 1.
El Tablo 1, inter la tri klasifikiloj, la Hazarda Arbara (RF) algoritmo prenas relativan longan diagnostikan tempon de 6.9 ms por testsetespecimenoj. En termoj de akurateco, la Support Vector Machine (SVM) atingas 95% por du operaciastatoj, malpli ol RF. Pro hazardaj kaŝaj pezoj, la Extreme Learning Machine (ELM) havas akuratecon fluktuantan inter 85% - 96.67% kaj malpli robusta ol RF. Do, la RF-algoritmo uzita havas altan akuratecon kaj bonan robustecon.
4 Konkludo
Ĉi tiu artikolo proponas metodon por detekti mekanikajn defektojn de ŝarĝoswitchoj uzante energistokmotorajn kurent-tempdomajn traitojn kaj la Hazardan Arbaran (RF) algoritmon. Ĝi ekstraktas reprezentativajn tempdomajn traitojn el motoraj kurentondformoj kaj uzas RF-klasifikilon por statoidentigo. La proponita ondforma startkriterio efektive akiras motorajn kurentsignalojn. Uzante la Gini-indekson en RF, ĝi evalvas traitgravon kaj selektas kvar klavajn traitojn (pinto-faktoro, skececo, kvadrata meznombro, kurtoso) por karakterizi ŝarĝoswitchajn statojn. Eksperimentoj montras, ke la metodo efektive identigas motorajn rigidajn statojn kun 98.33% akurateco.
