Un Nuevo Método de Detección para Fallas por Atascamiento en Interruptores de Carga

En los últimos años, a medida que avanza la automatización de la distribución, los interruptores de carga se utilizan cada vez más en las líneas de distribución. Sin embargo, los accidentes causados por fallas mecánicas están en aumento, lo que supone una carga para la operación y el mantenimiento de las líneas.

El mal rendimiento mecánico es la causa principal de las fallas en los interruptores. Muchos académicos estudian la operación de interruptores a gran escala, utilizando métodos como la detección de corriente del bobinado, el análisis de señales de vibración, la prueba de recorrido del interruptor, la detección de defectos por ultrasonidos y la termometría infrarroja. La detección del estado del interruptor basada en la corriente del motor funciona para interruptores automáticos y seccionadores, pero se aplica menos a las fallas en el mecanismo de accionamiento de los interruptores de carga.

La investigación sobre interruptores de carga en funcionamiento en campo muestra que las señales de corriente del motor de almacenamiento de energía reflejan el estado del interruptor. Los problemas mecánicos (por ejemplo, atascamiento de resortes, corrosión, atascamiento de engranajes) en el mecanismo de accionamiento alteran los parámetros de la señal de corriente (amplitud, duración, picos locales). Centrándose en el atascamiento por corrosión común en los motores de almacenamiento de energía en áreas costeras, este artículo estudia la extracción y la identificación de características de fallas. Pasos: 1) Analizar las características de la corriente del motor, dividir las formas de onda en 4 etapas y evaluar cada etapa. 2) Diseñar un dispositivo de adquisición de datos para formas de onda de corriente bajo diferentes condiciones. 3) Proponer un algoritmo de inicio de grabación, extracción de características e identificación de fallas. 4) Validar mediante experimentos.

1 Análisis de las Características de la Corriente del Motor de Almacenamiento de Energía

Los interruptores de carga suelen utilizar motores DC para accionar resortes de compresión para el almacenamiento de energía. Durante la operación del motor, el par de salida del rotor y la velocidad están estrechamente relacionados con la corriente del circuito del estator. Las ecuaciones de par electromagnético y voltaje del motor DC excitado en paralelo son las siguientes:

En la Ecuación (1), T representa el par electromagnético; n representa la velocidad de rotación; Ia representa la corriente del armadura; Ra representa la resistencia del circuito de la armadura, que es constante; Ea representa la fuerza electromotriz inducida en el devanado; U representa el voltaje terminal; ΔU representa la caída de tensión de contacto, que es constante; ϕ representa el flujo magnético; Ce representa la constante de fuerza electromotriz; y CT representa el coeficiente de par. Según la Ecuación (1), podemos derivar:

A partir de la Ecuación (2), cuando la corriente de carga es pequeña, el efecto desmagnetizador de la reacción de la armadura es insignificante, por lo que el flujo magnético se considera constante, y el par electromagnético es proporcional a la corriente de carga. A medida que la corriente de carga aumenta, el par aumenta, pero la velocidad tiende a disminuir. Sin embargo, el efecto desmagnetizador de la corriente de carga más alta reduce el flujo magnético, lo que aumentaría la velocidad. Estos efectos opuestos generalmente causan una ligera disminución en la velocidad del motor excitado en paralelo. La Figura 1 muestra la forma de onda típica de la corriente de un motor DC de almacenamiento de energía en funcionamiento, dividida en 4 etapas.La Figura 1 muestra la forma de onda típica de la corriente de un motor DC de almacenamiento de energía en funcionamiento, dividida en 4 etapas.

Etapa 1 (t₀)–(t₁): Etapa de Arranque del Motor

En el tiempo t0, el interruptor de carga recibe una señal de cierre desde la unidad terminal de distribución, energizando el motor de control para comenzar con carga. La corriente del motor sube a un pico de arranque en (tst), luego baja rápidamente para entrar en operación estable.

Etapa 2 (t₁)–(t₂): Etapa de Operación Estable del Motor

El motor acciona el engranaje de transmisión para que gire en vacío. Durante esta etapa, el motor opera de manera estable bajo carga ligera, con la amplitud de la corriente del motor en (Ia).

Etapa 3 (t₂)–(t₄): Etapa de Almacenamiento de Energía del Resorte

A medida que el resorte de compresión almacena energía, el par de salida del motor aumenta gradualmente, alcanzando un máximo en (t3); en este punto, la corriente del motor también alcanza el máximo de la etapa (Im). Posteriormente, el par de salida del motor disminuye gradualmente.

Etapa 4 (t₄)–(t₅): Etapa de Interrupción de la Corriente del Motor

En (t4), el resorte de compresión alcanza el interruptor de fin de carrera, cortando la alimentación al motor. La corriente del motor cae bruscamente hasta llegar a 0 en (t5), y el motor deja de funcionar.

2 Diagnóstico de Fallas por Atascamiento del Motor de Almacenamiento de Energía
2.1 Simulación de Fallas y Adquisición de Datos

Se simuló una prueba de falla por atascamiento en un interruptor de carga de una fábrica de equipos eléctricos (escenario en la Figura 2(a)). Después de desmontar el interruptor, durante las etapas de operación estable del motor y de almacenamiento de energía del resorte, se aplicaron fuerzas de bloqueo en sentido inverso con un oscilador para simular el atascamiento de engranajes/resortes. Un dispositivo de adquisición de corriente personalizado (Figura 2(b)) utilizó un chip ARM STM32F103 para recopilar señales del transformador de corriente Hall HSTS016L (entrada DC: 0-30A). Dado que la señal de apertura carece de la forma de onda de corriente objetivo, este estudio se centra en la señal de corriente de cierre.

2.2 Algoritmo de Inicio de Grabación de Formas de Onda

A partir de la Figura 1, la forma de onda de señal efectiva abarca la ventana de tiempo t0 a t5, consistiendo en 4 etapas con diversos cambios de corriente. Además, hay diferencias significativas en las amplitudes de la señal entre diferentes motores de accionamiento. Por lo tanto, usar un umbral simple de amplitud de corriente como criterio de inicio para la grabación de la forma de onda de la señal es claramente inapropiado. Por lo tanto, este estudio adopta la tasa de cambio de corriente Kt dentro de una ventana de tiempo unitaria y el valor medio Imean como criterios de inicio para lograr una grabación efectiva de la forma de onda. Tasa de cambio de corriente de la ventana de tiempo unitaria:

Corriente media de cada ventana de tiempo:

En las Ecuaciones (3) y (4), I(i) representa la señal de corriente; M es el número de puntos de muestreo en la ventana de tiempo unitaria; Δt es la longitud de tiempo de la ventana de tiempo unitaria, y Δt = 0,02 s en este artículo; I(1) es el primer punto de muestreo en la ventana de tiempo unitaria.

2.3 Extracción de Características en el Dominio Temporal

Para identificar la falla por atascamiento del motor de almacenamiento de energía, se extrae la información expresiva de la curva a través de algunos indicadores en el dominio temporal. La curtosis K puede caracterizar la suavidad de la señal de corriente; la raíz cuadrática media Irms puede caracterizar la energía promedio de la señal de corriente; la asimetría sk es una medida de la dirección y el grado de asimetría de la distribución de los datos estadísticos; el factor de forma sh y el factor de cresta C se utilizan para caracterizar el grado extremo del pico de corriente en la forma de onda.

El algoritmo de clasificación Random Forest (RF) integra múltiples árboles de decisión. Su categoría de salida se determina por la moda de las categorías individuales de los árboles de decisión, destacándose por su alta precisión, buena tolerancia a datos anómalos y bajo riesgo de sobreajuste.

2.4 Algoritmo Random Forest

RF se basa en la muestra Bootstrap (muestreo con reemplazo para formar n conjuntos de muestras a partir del conjunto de datos original) y la votación Bagging. Bagging genera n conjuntos de entrenamiento a través de Bootstrap, cada uno entrenando un clasificador débil independiente. Las decisiones finales provienen de la votación de las salidas de los clasificadores débiles, con el voto mayoritario como resultado.

RF utiliza árboles de decisión CART (árboles binarios que se dividen de arriba hacia abajo desde la raíz, minimizando el índice Gini para las divisiones, fórmula (5)). Según Liu Min et al., 100 árboles de decisión optimizan el rendimiento de la clasificación. Por lo tanto, este estudio utiliza 100 árboles CART para el bosque aleatorio.

3 Análisis de Caso
3.1 Selección de Características

El índice Gini en el bosque aleatorio se utiliza para evaluar la importancia de cada característica. Los resultados se muestran en la Figura 3, donde la ordenada representa el coeficiente proporcional. Se puede ver que cuatro cantidades de características, a saber, el factor de cresta C, la asimetría sk, la raíz cuadrática media Irms y la curtosis K, son altamente importantes y pueden caracterizar eficazmente las diferencias en diferentes estados del interruptor de carga. Las cuatro cantidades de características, incluyendo el factor de forma sh, la corriente de arranque máxima Ist, el tiempo de operación del motor t y Tm, tienen poca importancia. Por lo tanto, este estudio selecciona C, sk, Irms y K como vectores de características.

3.2 Resultados del Diagnóstico del Bosque Aleatorio

El algoritmo RF clasifica dos estados del interruptor de carga (normal/atascado) utilizando 300 muestras por estado para el entrenamiento (un total de 600) y 30 muestras para la prueba. La matriz de confusión (Figura 4) muestra una identificación perfecta del estado normal, 97% de precisión para el atascamiento y 98,33% de precisión promedio de clasificación.

3.3 Comparación de Diferentes Algoritmos de Clasificación

Para probar el rendimiento del clasificador de bosque aleatorio, se entrena simultáneamente un Máquina de Vectores de Soporte (SVM) y una Máquina de Aprendizaje Extremo (ELM) para comparación. Los resultados de las pruebas se muestran en la Tabla 1.

De la Tabla 1, entre los tres clasificadores, el algoritmo Random Forest (RF) toma un tiempo de diagnóstico relativamente largo de 6,9 ms para las muestras del conjunto de prueba. En términos de precisión, la Máquina de Vectores de Soporte (SVM) logra 95% para dos estados de operación, menor que el RF. Debido a los pesos aleatorios de la capa oculta, la Máquina de Aprendizaje Extremo (ELM) tiene una precisión que fluctúa entre 85% - 96,67% y una robustez menor que la de RF. Por lo tanto, el algoritmo RF utilizado tiene una alta precisión y buena robustez.

4 Conclusión

Este artículo propone un método de detección de fallas mecánicas en interruptores de carga utilizando características temporales de la corriente del motor de almacenamiento de energía y el algoritmo Random Forest (RF). Extrae características temporales representativas de las formas de onda de corriente del motor y utiliza un clasificador RF para la identificación de estados. El criterio de inicio de grabación propuesto permite adquirir eficazmente las señales de corriente del motor. Utilizando el índice Gini en RF, evalúa la importancia de las características y selecciona cuatro características clave (factor de cresta, asimetría, raíz cuadrática media, curtosis) para caracterizar los estados del interruptor de carga. Los experimentos muestran que el método identifica eficazmente los estados de atascamiento del motor con 98,33% de precisión.