Uus meetod laadikuldiste kinnitumise vigade tuvastamiseks

Viimastel aastatel, kui on edusammutusi jaotuse automaatikas, on laialihtide kasutamine jaotusjoontes laienenud. Siiski on mehaaniliste kahjustuste põhjustatud õnnetused suurenenud, mis muudab joonide hoolduse ja töö korraldamise keerulisemaks.

Halb mehaaniline toimivus on lüliti kahjustuste peamistest põhjustest. Paljud teadlased uurivad suurte mastaabsed lülitite tööd, kasutades meetodeid nagu spooli voolu tuvastamine, vibratsioonisiignaali analüüs, lülitite sõitmise test, ultraheli puudustuvastus ja infrapunane termomeetria. Motori voolu põhine lülitite staatuse tuvastamine töötab lülitmis- ja lahutuslülititel, kuid on vähem kasutatud laialihtide juurutamismehe kahjustuste tuvastamisel.

Uuringute kohaselt näitab väljalis käivitava laialihte energiapuhvermootori voolu signaal lülitite staatust. Mehhaanilised probleemid (nt veerandite takistumine, rooste, tahtrite takistumine) muutavad voolu signaali parameetreid (amplituud, kestus, lokaalsed tippud). See artikkel keskendub ranniku piirkondadele levinud energiapuhvermootori roosterakendusele, uurides vigase omaduse väljavõtmist ja tuvastamist. Sammud: 1) Analüüsime moatori voolu omadusi, jagame lainekuju 4 etappi ja hinnate iga etappi. 2) Kujundame välja andmeallikaseadme erinevatel tingimustel. 3) Esitame salvestamise algoritmi, omaduse väljavõtmise ja vigade tuvastamise meetodid. 4) Kinnitame eksperimentide kaudu.

1 Energia - puhvermootori vooluomaduste analüüs

Laialihtidel kasutatakse tavaliselt DC-moatoreid vedelikveerandite energiapuhvreks. Moatori töö ajal on rotorist saadav pöörlemomendi ja kiiruse seos statorringi vooluga. Shunt-päästetud DC-moatori elektromagnetne pöörlemoment ja voltagi võrrandid on järgmised:

Võrrandis (1) esindab T elektromagnetset pöörlemomenti; n esindab pöörlemiskiirust; Ia esindab armatuuri voolu; Ra esindab armatuuri ringi vastust, mis on konstant; Ea esindab sirgenda induktiivset elektrimoogu; U esindab terminaali voltagi; ΔU esindab kontakti voltaguvahet, mis on konstant; ϕ esindab magnetvoolu; Ce esindab elektrimoogi konstanti; ja CT esindab pöörlemomenti koefitsienti. Võrrandi (1) põhjal saame tuletada:

Võrrandi (2) kohaselt, kui laadi vool on väike, on armatuuri reaktsiooni demagnetiseeriva mõju ignoreerimiseks, nii et magnetvool peetakse konstandiks ja elektromagnetne pöörlemoment on proportsionaalne laadi vooluga. Kui laadi vool suureneb, siis tõuseb pöörlemoment, kuid pöörlemiskiirus eelistab langema. Kuid suurema laadi voolu tõttu armatuuri reaktsioonist tekkinud demagnetiseeriv mõju vähendab magnetvoolu, mis suurendaks kiirust. Need vastandlikud mõjud tavaliselt põhjustavad shunt-päästetud moatori kiiruse väikese languse. Joonis 1 näitab tipikäivitava DC-energiapuhvermoatori tavalist voolulainekujundit, jagatud 4 etappi.Joonis 1 näitab tipikäivitava DC-energiapuhvermoatori tavalist voolulainekujundit, jagatud 4 etappi.

Etapp 1 (t₀)–(t₁): Moatori käivitamise etapp

Ajal t0 saab laialihthet kontrollühiku sulgemissignaal, mis energiseerib juhtimismoatori. Moatori vool tõuseb käivitamise tiipunktini t_st, seejärel kiiresti langedes stabiilseks tööks.

Etapp 2 (t₁)–(t₂): Moatori stabiilne tööetapp

Moator käivitab ülekandetahtri idlesse. Sel etapil töötab moator stabiilselt väikese laadiga, moatori voolu amplituud on Ia.

Etapp 3 (t₂)–(t₄): Vedelikveerandi energia puhverdamise etapp

Kuna vedelikveerand puhverdab energiat, siis moatori väljastatav pöörlemoment suureneb järk-järgult, jõudes maksimumini t3; sel ajal jõuab moatori vool ka selle etapi maksimumini Im. Seejärel väheneb moatori väljastatav pöörlemoment järk-järgult.

Etapp 4 (t₄)–(t₅): Moatori voolu katkestamise etapp

Ajal t4 jõuab vedelikveerand piirilule, lõpetades moatori energiasoost. Moatori vool langedes tipp-tegelt nullini t5, lõpetab moator töö.

2 Vigade diagnostika energia - puhvermoori takistuse korral
2.1 Viga simulatsioon & andmete kogumine

Takistuse vigade testimiseks simulatiivid tegi laialihtele elektriseadmetehasest (olukord näidatud Joonis 2(a)). Lülitite dekoneerimisel rakendati moatori stabiilse töö ja vedelikveerandi energia puhverdamise etapil poolikku lukustamiseks rocker, et simuleerida tahtri/vedelikveerandi takistust. Kustutatud andmeallikaseadme (Joonis 2(b)) kasutas ARM STM32F103 mikrokontrolleri HSTS016L Halli voolutransformaatorist signaalide kogumiseks (DC-sisend: 0–30A). Kuna avamissignaal ei sisalda eesmärki voolulainekujundit, keskendub see uuring sulgemise voolusignaalile.

2.2 Lainekuju salvestamise algusalgoritm

Joonis 1 näitab, et efektiivne signaalilainekuju ulatub ajavahemikus t0 kuni t5, koosnelistes 4 etapist erinevate voolumuutustega. Lisaks on erinevate juhtimismoorite signaalilainekujude amplituudidel olulised erinevused. Seetõttu on selge, et lihtsa voolu amplituudi limiidi kasutamine signaalilainekuju salvestamise alguskriteeriumina ei ole sobilik. Seetõttu kasutab see uuring ühikuajavahemiku sees olevat voolumuutust Ki ja keskmist voolu I_mean alguskriteeriumina, et saavutada efektiivne lainekuju salvestamine. Ühikuajavahemiku voolumuutus:

Iga ajavahemiku keskmine vool:

Võrrandites (3) ja (4) esindab I(i) voolusignaali; M on ühikuajavahemiku valimispunktidena; Δt on ühikuajavahemiku aeg, ja Δt = 0.02s selles artiklis; I(1) on ühikuajavahemiku esimene valimispunkt.

2.3 Ajapikkuse omaduse väljavõtmine

Energia - puhvermoori takistuse vigade tuvastamiseks ekstraktitakse kõvera informatiivset info mõnedest ajapikkuse indikaatoritest. Kurtosis K kirjeldab voolusignaali siledust; ruutkeskmine Irms kirjeldab voolusignaali keskmist energiat; skeedne sk on statistilise andmekogumi suunatuse ja skeedmise mõõt; kuju tegur sh ja tiip-tõke C kasutatakse voolu tiipide äärmuslikkuse kirjeldamiseks lainekujundis.

Satunnaismets (RF) klassifitseerimisalgoritm integreerib mitmeid otsustuspuid. Selle väljundkatte määratakse individuaalsete otsustuspuidesse kuuluvate kategooriate moduse järgi, mille omadused on kõrge täpsus, hea tolerants abnormalsetele andmetele ja madal ülepärase risk.

2.4 Satunnaismetsi algoritm

RF sõltub Bootstrap-i valimisest (asendusega valimine, et moodustada n valimikogumeid algsest andmekogumist) ja Bagging-i häälteenamusest. Bagging genereerib n treeningkogumeid Bootstrap-i abil, iga treeningkogum treenib sõltumatut nõrga klassifitseerija. Lõplikud otsused tulenevad nõrga klassifitseerija väljundite häälteenamusest, kus enamuse hääl on tulemus.

RF kasutab CART otsustuspuid (binäärpuid, mis jagunevat ülemalt alla juurest, minimeerides Gini indeksit jagamiseks, valem (5)). Liu Min et al järgi optimeerivad 100 otsustupuu klassifitseerimisperformantsi. Seetõttu kasutab see uuring 100 CART puud satunnaismetsi jaoks.

3 Juhtumianalüüs
3.1 Omaduse valik

Satunnaismetsi Gini indeks kasutatakse iga omaduse tähtsuse hindamiseks. Tulemused on näidatud Joonisel 3, kus ordinaat esindab proportsionaalkordaja. Näeme, et neli omadust, nimelt tiip-tõke C, skeedne sk, ruutkeskmine Irms ja kurtosis K, on väga tähtsad ja võivad efektiivselt iseloomustada laialihtede erinevaid olekuid. Neli omadust, sealhulgas kuju tegur sh, maksimaalne käivitamise vool Ist, moatori tööaeg t ja Tm, on madal tähtsus. Seetõttu valib see uuring C, sk, Irms ja K omadusvektorina.

3.2 Satunnaismetsi diagnoositulemused

RF algoritm klassifitseerib kahte laialihtede olekut (normaalne/takistatud), kasutades iga olekut 300 näidet treeninguks (kokku 600) ja 30 näidet testimiseks. Segadusmaatriks (Joonis 4) näitab täiuslikku normaalse oleku tuvastamist, 97% täpsust takistuse korral ja 98.33% keskmist klassifitseerimistäpsust.

3.3 Erinevate klassifitseerimisalgoritmide võrdlus

Satunnaismetsi klassifitseerija performantsi testimiseks treenitakse samal ajal ka Toetatud Vektormasina (SVM) ja Ekstreemne Õppe Masina (ELM) võrdluseks. Testitulemused on näidatud Tabelis 1.

Tabeli 1 kohaselt on kolmest klassifitseerijast satunnaismetsi (RF) algoritm võtnud vastavalt pikema aja, 6.9 ms, testimiskogumi näidete diagnoosimiseks. Täpsuse osas saavutab Toetatud Vektormasina (SVM) 95% kahe tööoleku jaoks, mis on madalam kui RF. Ekstreemne Õppe Masina (ELM) täpsus lõikub 85%-96.67% vahel juhuslike varjatud kihi kaalude tõttu, mis on halvem kui RF. Seetõttu on kasutatud RF algoritmiga saavutatud kõrge täpsus ja hea dünaamilisus.

4 Järeldus

See artikkel esitab laialihtede mehaaniliste vigade tuvastamise meetodi, kasutades energia - puhvermoori voolu ajapikkuse omadusi ja satunnaismetsi (RF) algoritmi. See ekstraktib esindavaid ajapikkuse omadusi moatori voolulainekujundist ja kasutab RF klassifitseerijat olekute tuvastamiseks. Esitatud salvestamise algses kriteeriumis võimaldab efektiivselt saada moatori voolusignaale. RF Gini indeksi kasutades hinnatakse omaduste tähtsust ja valitakse neljas oluline omadus (tiip-tõke, skeedne, ruutkeskmine, kurtosis) laialihtede olekute kirjeldamiseks. Eksperimendid näitavad, et meetod tuvastab moori takistuse olekuid 98.33% täpsusega.