روش جدید تشخیص خطاهای گیر افتاده در کلیدهای بار

در سال‌های اخیر، با پیشرفت خودکارسازی توزیع، کلیدهای بار در خطوط توزیع مورد استفاده وسیع‌تری قرار گرفته‌اند. با این حال، حوادث ناشی از شکست مکانیکی در حال افزایش هستند که عملیات و نگهداری خط را تحت فشار قرار می‌دهند.

عملکرد ضعیف مکانیکی عامل اصلی خرابی کلیدها است. بسیاری از دانشمندان به مطالعه عملیات انبوه تجهیزات کلید بر می‌آیند، با استفاده از روش‌هایی مانند تشخیص جریان لوله، تجزیه و تحلیل سیگنال ارتعاشی، آزمون سفر کلید، تشخیص عیب ابرصوتی و حرارت‌سنجی اشعه ماوراء بنفش. تشخیص وضعیت کلید بر اساس جریان موتور برای کلیدهای حفاظ و جداکننده‌ها مناسب است اما کمتر در خرابی‌های مکانیسم گرداننده کلیدهای بار کاربرد دارد.

تحقیقات روی کلیدهای بار در عمل نشان می‌دهد که سیگنال‌های جریان موتور ذخیره‌کننده انرژی وضعیت کلید 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 ذخیره‌کننده انرژی در مناطق ساحلی، این مقاله به استخراج و شناسایی ویژگی‌های خرابی می‌پردازد. مراحل: ۱) تحلیل ویژگی‌های جریان موتور، تقسیم موج‌شناسی به ۴ مرحله و ارزیابی هر مرحله. ۲) طراحی دستگاه جمع‌آوری داده برای موج‌شناسی جریان در شرایط مختلف. ۳) پیشنهاد الگوریتم شروع ضبط، استخراج ویژگی و روش‌های شناسایی خرابی. ۴) اعتبارسنجی از طریق آزمایش‌ها.

۱ تحلیل ویژگی‌های جریان موتور ذخیره‌کننده انرژی

کلیدهای بار معمولاً از موتورهای مستقیم جریان مستقیم برای گرداندن فنرهای فشاری برای ذخیره انرژی استفاده می‌کنند. در طول عملیات موتور، گشتاور خروجی روتور و سرعت به جریان مدار استاتور بسیار وابسته است. معادلات گشتاور الکترومغناطیسی و ولتاژ موتور مستقیم جریان مستقیم با تحریک موازی به صورت زیر هستند:

در معادله (۱)، T نشان‌دهنده گشتاور الکترومغناطیسی؛ n نشان‌دهنده سرعت دورانی؛ Ia نشان‌دهنده جریان آرماتور؛ Ra نشان‌دهنده مقاومت مدار آرماتور که ثابت است؛ Ea نشان‌دهنده القای الکتروموتوری سیم‌پیچ؛ U نشان‌دهنده ولتاژ انتهایی؛ ΔU نشان‌دهنده کاهش ولتاژ تماس که ثابت است؛ ϕ نشان‌دهنده شار مغناطیسی؛ Ce نشان‌دهنده ثابت القایی و CT نشان‌دهنده ضریب گشتاور است. بر اساس معادله (۱)، می‌توان به دست آورد:

از معادله (۲)، وقتی جریان بار کوچک است، اثر دیمگذاری واکنش آرماتور قابل صرف نظر 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 میل به کاهش دارد. با این حال، اثر دیمگذاری از جریان بار بالاتر شار مغناطیسی را کاهش می‌دهد که موجب افزایش سرعت می‌شود. این اثرهای متضاد معمولاً باعث کاهش کمی سرعت موتور تحریک موازی می‌شوند. شکل ۱ موج‌شناسی معمول جریان موتور ذخیره‌کننده انرژی DC در عمل را نشان می‌دهد که به ۴ مرحله تقسیم شده است.

مرحله ۱ (t₀)–(t₁): مرحله شروع موتور

در زمان t0، کلید بار سیگنال بستن را از واحد انتهایی توزیع دریافت می‌کند، موتور کنترل را با بار فعال می‌کند. جریان موتور به پیک شروع در tst بالا می‌رود و سپس به سرعت کاهش می‌یابد تا وارد عملیات پایدار شود.

مرحله ۲ (t₁)–(t₂): مرحله عملیات پایدار موتور

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

مرحله ۳ (t₂)–(t₄): مرحله ذخیره انرژی فنر

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

مرحله ۴ (t₄)–(t₅): مرحله قطع جریان موتور

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

۲ تشخیص خرابی گیر کردن موتور ذخیره‌کننده انرژی
۲.۱ شبیه‌سازی خرابی و جمع‌آوری داده‌ها

آزمایش گیر کردن خرابی روی یک کلید بار از یک کارخانه تجهیزات برق (حالت در شکل ۲(a)) شبیه‌سازی شد. پس از تجزیه کلید، در مراحل عملیات پایدار موتور و ذخیره انرژی فنر، یک راکر نیروهای قفل‌شده روتر را برای شبیه‌سازی گیر کردن دنده/فنر اعمال کرد. دستگاه جمع‌آوری جریان سفارشی (شکل ۲(b)) از چیپ ARM STM32F103 برای جمع‌آوری سیگنال‌ها از ترانسفورماتور جریان هال HSTS016L (ورودی DC: ۰-۳۰A) استفاده کرد. از آنجا که سیگنال باز کردن شامل موج‌شناسی جریان مورد نظر نیست، این مطالعه روی سیگنال جریان بستن تمرکز می‌کند.

۲.۲ الگوریتم شروع ضبط موج‌شناسی

از شکل ۱، موج‌شناسی سیگنال موثر در پنجره زمانی t0 تا t5 شامل ۴ مرحله با تغییرات جریان متنوع است. علاوه بر این، اختلافات قابل توجهی در دامنه‌های سیگنال بین موتورهای گرداننده مختلف وجود دارد. بنابراین، استفاده از آستانه ساده دامنه جریان به عنوان معیار شروع ضبط موج‌شناسی سیگنال واضح است که مناسب نیست. بنابراین، این مطالعه از نرخ تغییر جریان Kt در پنجره زمانی واحد و مقدار میانگین Imean به عنوان معیارهای شروع برای ضبط مؤثر موج‌شناسی استفاده می‌کند. نرخ تغییر جریان در پنجره زمانی واحد:

میانگین جریان هر پنجره زمانی:

در معادلات (۳) و (۴)، Ii نشان‌دهنده سیگنال جریان؛ M تعداد نقاط نمونه‌برداری در پنجره زمانی واحد؛ Δt طول زمانی پنجره زمانی واحد است و در این مقاله Δt = ۰.۰۲s است؛ I(1) اولین نقطه نمونه‌برداری در پنجره زمانی واحد است.

۲.۳ استخراج ویژگی‌های دامنه زمانی

برای شناسایی خرابی گیر کردن موتور ذخیره‌کننده انرژی، اطلاعات بیانگر منحنی از طریق برخی از شاخص‌های دامنه زمانی استخراج می‌شود. کورتوس K می‌تواند صافی سیگنال جریان را مشخص کند؛ میانگین مربعی Irms می‌تواند انرژی میانگین سیگنال جریان را مشخص کند؛ کجی sk اندازه‌گیری جهت و درجه کجی توزیع داده‌های آماری است؛ عامل شکل sh و عامل قله C برای مشخص کردن درجه قله‌های افراطی در موج‌شناسی استفاده می‌شوند.

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

۲.۴ الگوریتم جنگل تصادفی

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

RF از درخت‌های تصمیم CART (درخت‌های باینری که از ریشه به بالا تقسیم می‌شوند و اندیس گینی را برای تقسیمات کمینه می‌کنند، فرمول (۵)) استفاده می‌کند. بر اساس مین لیو و همکاران، ۱۰۰ درخت تصمیم بهینه عملکرد طبقه‌بندی را ارائه می‌دهند. بنابراین، این مطالعه از ۱۰۰ درخت CART برای جنگل تصادفی استفاده می‌کند.

۳ تحلیل موردی
۳.۱ انتخاب ویژگی

اندیس گینی در جنگل تصادفی برای ارزیابی اهمیت هر ویژگی استفاده می‌شود. نتایج در شکل ۳ نشان داده شده است که محور عمودی ضریب تناسب را نشان می‌دهد. می‌توان دید که چهار ویژگی، یعنی عامل قله C، کجی sk، میانگین مربعی Irms و کورتوس K بسیار مهم هستند و می‌توانند تفاوت‌های مختلف حالت‌های کلید بار را به طور مؤثر مشخص کنند. چهار ویژگی، از جمله عامل شکل sh، جریان شروع ماکسیمم Ist، زمان عملیات موتور t و Tm، اهمیت کمتری دارند. بنابراین، این مطالعه C، sk، Irms و K را به عنوان بردارهای ویژگی انتخاب می‌کند.

۳.۲ نتایج تشخیص جنگل تصادفی

الگوریتم RF دو حالت کلید بار (نرمال/گیر کرده) را با استفاده از ۳۰۰ نمونه برای هر حالت (جمعاً ۶۰۰) برای آموزش و ۳۰ نمونه برای تست طبقه‌بندی می‌کند. ماتریس ارتباك (شکل ۴) نشان می‌دهد که حالت نرمال به طور کامل شناسایی می‌شود، دقت ۹۷٪ برای گیر کردن و دقت میانگین طبقه‌بندی ۹۸.۳۳٪ است.

۳.۳ مقایسه الگوریتم‌های طبقه‌بندی مختلف

برای آزمایش عملکرد طبقه‌بند جنگل تصادفی، یک ماشین بردار پشتیبان (SVM) و یک ماشین یادگیری بسیار سریع (ELM) به طور همزمان آموزش داده شدند برای مقایسه. نتایج آزمون در جدول ۱ نشان داده شده است.

از جدول ۱، در میان سه طبقه‌بند، الگوریتم جنگل تصادفی (RF) زمان تشخیص نسبتاً طولانی ۶.۹ میلی‌ثانیه برای نمونه‌های مجموعه تست دارد. از نظر دقت، ماشین بردار پشتیبان (SVM) ۹۵٪ برای دو حالت عملیاتی به دست می‌آورد که کمتر از RF است. به دلیل وزن‌های تصادفی لایه مخفی، ماشین یادگیری بسیار سریع (ELM) دقتی بین ۸۵٪ - ۹۶.۶۷٪ دارد و مقاومت کمتری نسبت به RF دارد. بنابراین، الگوریتم RF مورد استفاده دارای دقت بالا و مقاومت خوب است.

۴ نتیجه‌گیری

این مقاله یک روش تشخیص خرابی مکانیکی کلید بار با استفاده از ویژگی‌های دامنه زمانی جریان موتور ذخیره‌کننده انرژی و الگوریتم جنگل تصادفی (RF) پیشنهاد می‌دهد. این روش ویژگی‌های نماینده دامنه زمانی از موج‌شناسی جریان موتور را استخراج می‌کند و از طبقه‌بند RF برای شناسایی حالت استفاده می‌کند. معیار شروع ضبط موج‌شناسی پیشنهادی به طور مؤثر سیگنال‌های جریان موتور را جمع‌آوری می‌کند. با استفاده از اندیس گینی در RF، اهمیت ویژگی‌ها را ارزیابی می‌کند و چهار ویژگی کلیدی (عامل قله، کجی، میانگین مربعی، کورتوس) را برای مشخص کردن حالت‌های کلید بار انتخاب می‌کند. آزمایش‌ها نشان می‌دهند که این روش به طور مؤثر حالت‌های گیر کردن موتور را با دقت ۹۸.۳۳٪ شناسایی می‌کند.