روش جدید تشخیص عیب گیر افتاده در کلیدهای بار

در سال‌های اخیر، با پیشرفت خودکارسازی توزیع، دستگاه‌های باربندی در خطوط توزیع مورد استفاده گسترده‌تری قرار گرفته‌اند. با این حال، حوادث ناشی از شکست مکانیکی رو به افزایش هستند که عملیات و نگهداری خط را زیر فشار قرار می‌دهند.

عملکرد ضعیف مکانیکی عامل اصلی خرابی دستگاه‌های باربندی است. بسیاری از محققان عملکرد بزرگ مقیاس دستگاه‌های برش را مطالعه می‌کنند، با استفاده از روش‌هایی مانند تشخیص جریان سیم‌پیچ، تحلیل سیگنال لرزش، آزمون حرکت دستگاه برش، تشخیص نقص با فراصوت و دماشناسی مادون قرمز. تشخیص وضعیت دستگاه برش بر اساس جریان موتور برای دستگاه‌های برش و جداکننده کاربرد دارد اما کمتر در نقص‌های مکانیسم گرداننده دستگاه‌های باربندی استفاده می‌شود.

تحقیقات روی دستگاه‌های باربندی در میدان نشان می‌دهد که سیگنال‌های جریان موتور ذخیره انرژی وضعیت دستگاه را منعکس می‌کنند. مشکلات مکانیکی (مانند گیر کردن فنر، زنگ زدن، گیر کردن دنده) در مکانیسم گرداننده پارامترهای سیگنال جریان (دامنه، مدت، قله‌های محلی) را تغییر می‌دهند. با تمرکز بر زنگ زدن معمول موتور ذخیره انرژی در مناطق ساحلی، این مقاله استخراج و شناسایی ویژگی‌های نقص را مطالعه می‌کند. مراحل: 1) تحلیل ویژگی‌های جریان موتور، تقسیم موج‌ها به 4 مرحله و ارزیابی هر مرحله. 2) طراحی دستگاه جمع‌آوری داده برای موج‌های جریان در شرایط مختلف. 3) پیشنهاد الگوریتم شروع ضبط، استخراج ویژگی و روش‌های شناسایی نقص. 4) تأیید از طریق آزمایش‌ها.

1 تحلیل ویژگی‌های جریان موتور ذخیره انرژی

دستگاه‌های باربندی معمولاً از موتورهای مستقیم جریان برای گرداندن فنرهای فشرده برای ذخیره انرژی استفاده می‌کنند. در حین عملکرد موتور، گشتاور خروجی روتور و سرعت به جریان مدار استاتور بستگی دارد. معادلات گشتاور الکترومغناطیسی و ولتاژ موتور مستقیم جریان با تحریک موازی به شرح زیر هستند:

در معادله (1)، T نمایانگر گشتاور الکترومغناطیسی است؛ n نمایانگر سرعت چرخش است؛ Ia نمایانگر جریان آرماتور است؛ Ra نمایانگر مقاومت مدار آرماتور است که ثابت است؛ Ea نمایانگر القای الکتروموتوری است؛ U نمایانگر ولتاژ ترمینال است؛ ΔU نمایانگر کاهش ولتاژ تماس است که ثابت است؛ ϕ نمایانگر شار مغناطیسی است؛ Ce نمایانگر ثابت القایی است؛ و CT نمایانگر ضریب گشتاور است. بر اساس معادله (1)، می‌توان به دست آورد:

از معادله (2)، وقتی جریان بار کوچک است، تاثیر دیمگنتیزاسیون از طریق واکنش آرماتور ناچیز است، بنابراین شار مغناطیسی ثابت در نظر گرفته می‌شود و گشتاور الکترومغناطیسی متناسب با جریان بار است. با افزایش جریان بار، گشتاور افزایش می‌یابد اما سرعت چرخش تمایل به کاهش دارد. با این حال، تاثیر دیمگنتیزاسیون از جریان بار بالاتر شار مغناطیسی را کاهش می‌دهد که باعث افزایش سرعت می‌شود. این اثرهای متضاد معمولاً باعث کاهش کمی سرعت موتور با تحریک موازی می‌شوند. شکل 1 موج جریان معمولی یک موتور ذخیره انرژی DC در حین عملکرد را نشان می‌دهد که به 4 مرحله تقسیم شده است.شکل 1 موج جریان معمولی یک موتور ذخیره انرژی DC در حین عملکرد را نشان می‌دهد که به 4 مرحله تقسیم شده است.

مرحله 1 (t₀)–(t₁): مرحله شروع موتور

در زمان t0، دستگاه باربندی سیگنال بستن را از واحد انتهایی توزیع دریافت می‌کند، موتور کنترل را با بار شروع می‌کند. جریان موتور به پیک شروع در t_st می‌رسد، سپس به سرعت کاهش می‌یابد و وارد عملکرد پایدار می‌شود.

مرحله 2 (t₁)–(t₂): مرحله عملکرد پایدار موتور

موتور دنده‌های انتقال را به حالت خاموش می‌برد. در این مرحله، موتور تحت بار کم با دامنه جریان Ia به صورت پایدار کار می‌کند.

مرحله 3 (t₂)–(t₄): مرحله ذخیره انرژی فنر

با ذخیره انرژی فنر فشرده، گشتاور خروجی موتور به تدریج افزایش می‌یابد و در t3 به حداکثر می‌رسد؛ در این نقطه، جریان موتور نیز به حداکثر مرحله Im می‌رسد. سپس گشتاور خروجی موتور به تدریج کاهش می‌یابد.

مرحله 4 (t₄)–(t₅): مرحله قطع جریان موتور

در t4، فنر فشرده به سویچ حد می‌رسد و تغذیه موتور قطع می‌شود. جریان موتور به سرعت کاهش می‌یابد تا در t5 به صفر می‌رسد و موتور متوقف می‌شود.

2 تشخیص نقص موتور ذخیره انرژی گیر کردن
2.1 شبیه‌سازی نقص و جمع‌آوری داده

آزمایش نقص گیر کردن روی یک دستگاه باربندی از یک کارخانه تجهیزات الکتریکی شبیه‌سازی شد (سناریو در شکل 2(a)). پس از جدا کردن دستگاه، در مراحل عملکرد پایدار موتور و ذخیره انرژی فنر، یک میله بازگشتی نیروهای گیر کردن روتور را برای شبیه‌سازی گیر کردن دنده/فنر اعمال کرد. یک دستگاه جمع‌آوری جریان سفارشی (شکل 2(b)) از چیپ ARM STM32F103 برای جمع‌آوری سیگنال‌ها از ترانسفورماتور جریان هال HSTS016L (ورودی DC: 0-30A) استفاده کرد. از آنجا که سیگنال باز کردن حاوی موج جریان هدف نیست، این مطالعه بر سیگنال جریان بستن تمرکز می‌کند.

2.2 الگوریتم شروع ضبط موج

از شکل 1، موج سیگنال مؤثر در پنجره زمانی t0 تا t5 قرار دارد که شامل 4 مرحله با تغییرات جریان متنوع است. علاوه بر این، اختلافات قابل توجهی در دامنه سیگنال‌ها بین موتورهای گرداننده مختلف وجود دارد. بنابراین، استفاده از یک آستانه ساده دامنه جریان به عنوان معیار شروع ضبط موج سیگنال به وضوح مناسب نیست. بنابراین، این مطالعه از نرخ تغییر جریان Kt در پنجره زمانی واحد و مقدار میانگین Imean به عنوان معیارهای شروع ضبط موج مؤثر استفاده می‌کند. نرخ تغییر جریان در پنجره زمانی واحد:

میانگین جریان هر پنجره زمانی:

در معادلات (3) و (4)، I(i) نمایانگر سیگنال جریان است؛ M تعداد نقاط نمونه‌برداری در پنجره زمانی واحد است؛ Δt طول زمانی پنجره زمانی واحد است و در این مقاله Δt = 0.02s است؛ I(1) اولین نقطه نمونه‌برداری در پنجره زمانی واحد است.

2.3 استخراج ویژگی‌های دامنه زمانی

برای شناسایی نقص گیر کردن موتور ذخیره انرژی، اطلاعات بیانگر منحنی از طریق برخی شاخص‌های دامنه زمانی استخراج می‌شود. کورتوس K می‌تواند صافی سیگنال جریان را مشخص کند؛ ریشه میانگین مربع Irms می‌تواند انرژی میانگین سیگنال جریان را مشخص کند؛ اریبی sk یک معیار از جهت و درجه اریبی توزیع داده‌های آماری است؛ فاکتور فرم sh و فاکتور قله C برای مشخص کردن درجه قله‌های شدید در موج استفاده می‌شوند.

الگوریتم طبقه‌بندی جنگل تصادفی (RF) چندین درخت تصمیم را یکپارچه می‌کند. دسته‌بندی خروجی آن توسط مد دسته‌بندی‌های درخت‌های تصمیم انفرادی تعیین می‌شود، با دقت بالا، تحمل خوب برای داده‌های غیرعادی و ریسک کم از بیش‌برازش.

2.4 الگوریتم جنگل تصادفی

RF بر روی نمونه‌برداری بوت‌استرپ (نمونه‌برداری با جایگزینی برای تشکیل n مجموعه نمونه از مجموعه داده اصلی) و رای‌گیری Bagging تکیه دارد. Bagging با استفاده از بوت‌استرپ n مجموعه آموزشی ایجاد می‌کند، هر کدام یک طبقه‌بند ضعیف مستقل را آموزش می‌دهد. تصمیمات نهایی از طریق رای‌گیری روی خروجی‌های طبقه‌بندی‌های ضعیف، با رای اکثریت به عنوان نتیجه به دست می‌آیند.

RF از درخت‌های تصمیم CART (درخت‌های باینری که از ریشه به بالا تقسیم می‌شوند و شاخص گینی را برای تقسیم‌ها کمینه می‌کنند، فرمول (5)) استفاده می‌کند. بر اساس مطالعات لیو مین و همکاران، 100 درخت تصمیم بهینه‌سازی عملکرد طبقه‌بندی را انجام می‌دهد. بنابراین، این مطالعه از 100 درخت CART برای جنگل تصادفی استفاده می‌کند.

3 تحلیل موردی
3.1 انتخاب ویژگی

شاخص گینی در جنگل تصادفی برای ارزیابی اهمیت هر ویژگی استفاده می‌شود. نتایج در شکل 3 نشان داده شده است که محور عمودی ضریب تناسب را نشان می‌دهد. مشاهده می‌شود که چهار ویژگی، یعنی فاکتور قله C، اریبی sk، ریشه میانگین مربع Irms و کورتوس K، بسیار مهم هستند و می‌توانند تفاوت‌های مختلف حالت‌های دستگاه باربندی را مؤثرانه مشخص کنند. چهار ویژگی، شامل فاکتور فرم sh، جریان شروع حداکثری Ist، زمان عملکرد موتور t و Tm، اهمیت کمتری دارند. بنابراین، این مطالعه C، sk، Irms و K را به عنوان بردارهای ویژگی انتخاب می‌کند.

3.2 نتایج تشخیص جنگل تصادفی

الگوریتم RF دو حالت دستگاه باربندی (نرمال/گیر کردن) را با استفاده از 300 نمونه برای هر حالت برای آموزش (جمعاً 600) و 30 نمونه برای تست طبقه‌بندی می‌کند. ماتریس ارتباك (شکل 4) نشان می‌دهد که حالت نرمال به طور کامل شناسایی شده است، دقت 97٪ برای گیر کردن و میانگین دقت طبقه‌بندی 98.33٪ است.

3.3 مقایسه الگوریتم‌های طبقه‌بندی مختلف

برای آزمایش عملکرد طبقه‌بند جنگل تصادفی، یک ماشین بردار پشتیبان (SVM) و یک ماشین یادگیری حدی (ELM) همزمان آموزش داده شدند. نتایج آزمون در جدول 1 نشان داده شده است.

از جدول 1، بین سه طبقه‌بند، الگوریتم جنگل تصادفی (RF) زمان تشخیص نسبتاً طولانی 6.9 میلی‌ثانیه برای نمونه‌های مجموعه تست دارد. از نظر دقت، ماشین بردار پشتیبان (SVM) 95٪ برای دو حالت عملکرد به دست آورده است که کمتر از RF است. به دلیل وزن‌های تصادفی لایه مخفی، ماشین یادگیری حدی (ELM) دقتی بین 85٪-96.67٪ دارد و مقاومت کمتری نسبت به RF دارد. بنابراین، الگوریتم RF استفاده شده دارای دقت بالا و مقاومت خوب است.

4 نتیجه‌گیری

این مقاله یک روش تشخیص نقص مکانیکی دستگاه باربندی با استفاده از ویژگی‌های دامنه زمانی جریان موتور ذخیره انرژی و الگوریتم جنگل تصادفی (RF) پیشنهاد می‌کند. این روش ویژگی‌های نمایانگر دامنه زمانی از موج‌های جریان موتور را استخراج کرده و از طبقه‌بند RF برای شناسایی حالت استفاده می‌کند. معیار شروع ضبط موج پیشنهادی به طور مؤثری سیگنال‌های جریان موتور را جمع‌آوری می‌کند. با استفاده از شاخص گینی در RF، اهمیت ویژگی‌ها ارزیابی شده و چهار ویژگی کلیدی (فاکتور قله، اریبی، ریشه میانگین مربع، کورتوس) برای مشخص کردن حالت‌های دستگاه باربندی انتخاب می‌شوند. آزمایش‌ها نشان می‌دهند که این روش به طور مؤثر حالت‌های گیر کردن موتور را با دقت 98.33٪ شناسایی می‌کند.