Metodo Berria Kargatuaren Aldagaien Zatitze Akastunetan

Azken urteetan, banaketa automatizazioa aurrera egiten denean, karga-itzalak zabalago erabiltzen dira banaketako lerroetan. Hala ere, mekanikoaren hondamenak eragindako akidentuen kopurua goratzen ari da, lerroen funtzionamendu eta mantentzea oso apurtzen duena.

Mekanikoaren prestazio txarra itzalen nagusi arrazoi gisa aurkitzen da. Askotariko ikerlariak sakonki ikertzen dituzte sakonki sakonki itzal-gordailuaren funtzioa, metodo desberdinetan, hala nola koilu-arrunaren detektioa, oszilazio-sinalen analisia, itzal-hobekuntza probak, ultrasonikoko akastasun-detektoreak eta infraberotermometria. Motor-arruneko itzal egoeraren detektioa, sarrera-itzalien eta deskonexio-itzalien kasuan ondo funtzionatzen da, baina karga-itzal motorearen hondamenen kasuan ez da oraindik asko aplikatua.

Eremuan funtzionatzen diren karga-itzalei buruzko ikerketa bat eginda, energiaren biltegirako motor-arruna itzal egoeraren adierazpena hartzen duela frogatu da. Itzal-motorren mekanismoaren hondamenak (hala nola, muelleen blokeoak, oxidoak, gearren blokeoak) arrun-sinalen parametroak aldatzen dituzte (amplitud, iraupena, puntu altu lokalak). Eremuko eskualdean ohikoak diren energiaren biltegirako motorren oxido-blokeoaren gainean, lan honetan hondamen ezaugarrien atera eta identifikatzeko ikertzen da. Urrats hauek dira: 1) Arrun-arrunaren ezaugarriak aztertu, forma-onda lau etapeetan banatu eta kalkulatu. 2) Balioezko datuak jaso duten eremu desberdinetan forma-onda bat jasotzeko gaitasunezko tresna diseinatu. 3) Grabatzeko hasteko algoritmo bat, ezaugarriak atera eta hondamen-identifikazio metodoak proposatu. 4) Esperimentuetan egiaztatu.

1 Energia-Biltegi Motorraren Arrun Karakteristiken Analisia

Karga-itzalek arrakasta DC motorrekin erabiltzen dute energia biltegiratzeko muelleak sakondu dadin. Motorra exekutatzen denean, rotor-ren irteerako momentua eta abiadura estator-ren zirkuito-arrunarekin lotuta daude. Shunt-eskaintzen DC motorraren magnetiko momentua eta tensiorako ekuazioak hauek dira:

Ekuazio (1)-an, T elektromagnetiko momentua adierazten du; n abiadura; Ia armaturen arruna; Ra armaturen zirkuitoaren ilara, konstantea; Ea indar-elektriko indarrezko electromotive force; U terminala tensioa; ΔU kontaktuaren tensio-hundi, konstantea; ϕ fluxua; Ce electromotive force konstantea; eta CT momentuaren konstantea. Ekuazio (1)aren arabera, ondorengo hau deribatu dezakegu:

Ekuazio (2)-tik, karga-arruna txikia denean, armaturen erantzunak demagnetizatzearen efektua ez da kontuan hartzen, beraz, fluxua konstantea dela uste da, eta elektromagnetiko momentua proportzionala da karga-arrunari. Karga-arruna handitzen doanean, momentua handitzen da, baina abiadura gutxitu egingo luke. Baina, karga-arrun handiagoak sortzen duten demagnetizatzearen efektuak fluxua murrizten du, horrek abiadura handitu ditzake. Efektu hauek, ordea, shunt-eskaintzen DC motorren abiadura gutxitu egiten du. Irudia 1-ean, DC energia-biltegirako motorraren adierazgarri den forma-onda erakusten da, lau etapetan banatuta.Irudia 1-ean, DC energia-biltegirako motorraren adierazgarri den forma-onda erakusten da, lau etapetan banatuta.

Etapa 1 (t₀)–(t₁): Motorren Hasiera Etapa

Denbora t0-an, karga-itzalak banaketako amaieran sartutako seniala jaso du, kontrol-motorra sakontzeko aktibatuz. Motor-arruna (t_st)-n hasiera-pikara igaro da, orduan azkar jaisten da funtzionamendu estabiliara pasatzeko.

Etapa 2 (t₁)–(t₂): Motorren Funtzionamendu Estabili Etapa

Motorra transmisioaren gearra idazteko sakondu. Etapa honetan, motorra argi kargatuta funtzionatzen da, motor-arrunaren amplitud (Ia)-da.

Etapa 3 (t₂)–(t₄): Muellearen Energia Biltegi Etapa

Muelleak sakontzen duenez, motorraren emandako momentua bertatu egiten da, (t3)-n gehienetara heltzen da; puntuan, motor-arruna etapa maximoa (Im)-da. Ondoren, motorraren emandako momentua bertatu jaisten da.

Etapa 4 (t₄)–(t₅): Motor-arrunaren Intzidentzia Etapa

(t4)-n, muelleak mugatzaile-lasterketara heltzen da, motorrari beharrezkoa duten indar-energia mozten ditu. Motor-arruna azkar jaitsi egiten da 0-ra heltzen duenean, (t₅), eta motorra gelditzen da.

2 Energia-Biltegi Motorren Hondamenen Diagnostika
2.1 Hondamen Simulazioa & Datuen Akerketa

Hondamen-problema test bat simulatu da elektrikoa gailu-fabrikako karga-itzal batean (eszenarioa Irudian 2(a)). Itzal desmontatu ondoren, motorren funtzionamendu estabili eta muellearen energia biltegirako etapetan, roker bat erabiliz errotorren kontra-indar zaharrak simulatu ziren gear/spring hondamenak. Datu-akerketarako tresna pertsonalizatua (Irudian 2(b)) ARM STM32F103 chipa erabiliz, HSTS016L Hall current transformer (DC input: 0–30A) signalak bildu ditu. Sakontzearen signalak xede-itzalak falta ditu, beraz, ikertzaile honek sakontze-arrunaren signalaren gainean aritu du.

2.2 Forma-Onda Grabatzeko Hasteko Algoritmoa

Irudia 1-ean, forma-onda eragina duen signalak denbora-lehen t₀-tik t₅，-ra, lau etapetan zehar, arrun aldaketak desberdinak ditu. Gainera, norabide desberdinetako motorren signalen amplitud desberdinak dituzte. Beraz, forma-onda grabatzeko hasteko kriterio gisa arrun amplitud sinplea erabili ez da egoki. Beraz, ikertzaile honek unitate-denbora leiho baten barruan arrun aldaketa tasa K_t  eta batez besteko balioa I_mean  erabili ditu hasteko kriterio gisa, forma-onda grabatzeko modu egoki. Unitate-denbora leiho baten barruan arrun aldaketa tasa:

Denbora-leiho bakoitzaren batez besteko arruna:

Ekuazio (3) eta (4)an, I_i  arrun-signalak; M unitate-denbora leiho bateko lagin-puntu kopurua; Δ t unitate-denbora leiho baten luzera, eta Δ t = 0.02s lan honetan; I₍₁₎  unitate-denbora leiho bateko lehen lagin-puntua.

2.3 Denbora-Dominioaren Ezaugarriak Atera

Energia-biltegirako motorren hondamenen identifikatzeko, kurba informatiboen informazioa atera daiteke denbora-dominioaren adierazle batzuekin. Kurtosis K arrun-signalaren lisasuna karakterizatu dezake; root mean square I_rms arrun-signalaren batez besteko energia karakterizatu dezake; skewness sk datu estatistikoen banaketa-kurtsoaren norabidea eta maila neurtzen du; form factor sh eta peak factor C erabiltzen dira kurba-forma-ondaren pikearen maila karakterizatzeko.

Random Forest (RF) sailkapen algoritmoa zenbat multzo desberdin integrazioa egin du. Emaitza individualen sailkapen-multzoen moda bezala determinatzen da, zehaztasuna handia, datu anormalen tolerantzia ona eta overfitting risku txikia dituena.

2.4 Random Forest Algoritmoa

RF Bootstrap sampling-a (orokorraren datu multzoa n lagin-multzoetan bihurtzeko erabili da) eta Bagging bozkatzea. Bagging-n, Bootstrap-en bidez n entrenamendu-multzo sortzen dira, bakoitzak independentzia neurri txiki bat antolatzen du. Emaitza finala, neurri txikiek bozkatzen duten emaitzetan, bozkatu gehienak emaitza izango dira.

RF CART erabiltzen ditu erabaki multzoetan (bitarte-erakundeak goi-tik behera zatitzen ditu, Gini index minimizatuz, formula (5)). Liu Min et al. 100 erabaki multzo optimizatzen ditu sailkapen-prestazioa. Beraz, ikertzaile honek 100 CART zuhaitz erabili ditu ausazko basoarentzat.

3 Kasu Analisi
3.1 Ezaugarri Aukeraketa

Ausazko basoaren Gini index-a erabili da ezaugarri bakoitzaren garrantzia ebaluatzeko. Emaitzak Irudian 3 ikus daitezke, non ordinatea proportzio-koefizienteak adierazten du. Ikus daiteke lau ezaugarri, hala nola, pike faktorea C, skewness sk, errore kuadratuen batezbestekoa I_rms, eta kurtosis K, garrantzi handia dute eta karga-itzalaren egoerak bereizteko modu egokiak dira. Lauro ezaugarri, hala nola, form faktorea sh, arrun hasteko maximoa I_st, motorraren exekutatze denbora t, eta T_m, garrantzi txikiak dira. Beraz, ikertzaile honek C, sk, I_rms, eta K ezaugarri vektor gisa hautatu ditu.

3.2 Ausazko Basoaren Emaitzak

RF algoritmoak bi karga-itzal egoerak (normala/hondatua) sailkatzen ditu, 300 lagin egoerako entreno (total 600) eta 30 lagin probatzeko. Konfusio matrizeak (Irudia 4) normal egoeraren identifikazio perfektua, hondamenaren 97% zehaztasuna eta 98.33% batez besteko sailkapen-zehaztasuna erakusten du.

3.3 Sailkapen Algoritmo Desberdinen Aldaketa

Ausazko baso sailkapen-algoritmoaren prestazioa probatzeko, Support Vector Machine (SVM) eta Extreme Learning Machine (ELM) entrenatu dira batera alderatzeko. Probaren emaitzak Taula 1-ean agertzen dira.

Taula 1-ean, hiru sailkapen-arteko, Random Forest (RF) algoritmoak proba-multzoaren laginak 6.9 ms hartzen ditu. Zehaztasunari dagokionez, Support Vector Machine (SVM)k bi egoerentzako 95% lortzen du, RFren baino gutxiago. Extreme Learning Machine (ELM)k norabide ausazkoaren pe Kantitate handiak, 85% - 96.67% artean, eta RFren baino prestasun gutxiago du. Beraz, erabilitako RF algoritmoak zehaztasun handia eta prestasun ona ditu.

4 Amaitzeko Iruzkinak

Lan honetan, karga-itzalaren mekanikoaren hondamen detektatzeko metodo bat proposatzen da, energia-biltegirako motor-arrunaren denbora-dominioaren ezaugarrietan eta Random Forest (RF) algoritmoan oinarrituta. Motor-arrunaren forma-onda batetik adierazgarriak diren denbora-dominioaren ezaugarriak atera eta RF sailkapen-arteko egoerak identifikatzeko erabili ditu. Proposatutako grabatzeko hasteko kriterioak motor-arrunaren signalak akerki egiten ditu. RF-ko Gini index-aren bidez, ezaugarri garrantzitsuak ebaluatzen ditu eta lau ezaugarri garrantzitsu (pike faktorea, skewness, root mean square, kurtosis) aukeratzen ditu karga-itzalaren egoerak karakterizatzeko. Esperimentuak metodorik egokia dela frogatzen dute, motorren hondamen egoerak 98.33% zehaztasunarekin identifikatzen ditu.