Isang Bagong Paraan ng Pagtuklas para sa mga Sakit na Nakakulong sa Load Switches

Sa mga nakaraang taon, habang ang otomatikong distribusyon ay unti-unting umuunlad, ang paggamit ng mga load switch sa mga linya ng distribusyon ay naging mas malaganap. Gayunpaman, ang mga aksidente na dulot ng mekanikal na pagkabigo ay patuloy na tumataas, na nagdadala ng karagdagang pasanin sa operasyon at pagmamanntento ng linya.

Ang mahinang pamamahala ng mekanika ang pangunahing sanhi ng mga kapangyarihan ng switch. Maraming mga iskolar ang nag-aaral ng malaking skala ng operasyon ng switchgear, gamit ang mga paraan tulad ng deteksiyon ng coil current, analisis ng vibration signal, pagsusuri ng paglalakbay ng switch, ultrasonic flaw detection, at infrared thermometry. Ang deteksiyon ng estado ng switch batay sa kuryente ng motor ay gumagana para sa mga circuit breakers at disconnectors ngunit hindi ito masyadong inilapat sa mga kapangyarihan ng drive mechanism ng load switch.

Ang pag-aaral sa mga load switch na nakapag-iral sa field ay nagpapakita na ang mga signal ng kuryente ng energy-storage motor ay nagpapakita ng estado ng switch. Ang mga isyu sa mekanika (halimbawa, spring jamming, rust, gear jamming) sa drive mechanism ay nagbabago ng mga parameter ng signal ng kuryente (amplitude, duration, local peaks). Nagtutuon sa karaniwang energy-storage motor rust-jamming sa mga coastal areas, ang papel na ito ay nag-aaral ng pagkuha at pag-identify ng mga tampok ng kapangyarihan. Mga hakbang: 1) Analisahan ang mga katangian ng kuryente ng motor, hiwalayin ang mga waveform sa apat na yugto, at asesahin ang bawat yugto. 2) Idisenyo ang device para sa pagkuha ng datos ng mga waveform ng kuryente sa iba't ibang kondisyon. 3) Ipropose ang algoritmo para sa pagsisimula ng pagrerecord, pagkuha ng tampok, at mga paraan ng pag-identify ng kapangyarihan. 4) I-validate sa pamamagitan ng eksperimento.

1 Pagsusuri ng Katangian ng Kuryente ng Energy-Storage Motor

Karaniwan, ang mga load switch ay gumagamit ng DC motors upang magdrive ng compression springs para sa energy storage. Sa panahon ng operasyon ng motor, ang output torque at bilis ng rotor ay may malapit na ugnayan sa kuryente ng stator-circuit. Ang electromagnetic torque at voltage equations ng shunt-excited DC motor ay sumusunod:

Sa Equation (1), T kumakatawan sa electromagnetic torque; n kumakatawan sa rotational speed; Ia kumakatawan sa armature current; Ra kumakatawan sa resistance ng armature circuit, na isang constant; Ea kumakatawan sa induced electromotive force; U kumakatawan sa terminal voltage; ΔU kumakatawan sa contact voltage drop, na isang constant; ϕ kumakatawan sa magnetic flux; Ce kumakatawan sa electromotive force constant; at CT kumakatawan sa torque coefficient. Ayon sa Equation (1), maaari nating matukoy:

Mula sa Equation (2), kapag ang load current ay maliit, ang demagnetizing effect ng armature reaction ay maaring i-disregard, kaya ang magnetic flux ay itinuturing na constant, at ang electromagnetic torque ay proportional sa load current. Habang ang load current ay tumataas, ang torque ay tumaas pero ang bilis ay may tendensiyang bumaba. Ngunit, ang mas mataas na load current ay nagbabawas ng magnetic flux, na nagiging sanhi ng pagtaas ng bilis. Ang mga kontraryong epekto na ito ay karaniwang nagdudulot ng maliit na pagbaba ng bilis ng shunt-excited motor. Ang Figure 1 ay nagpapakita ng typical na waveform ng kuryente ng DC energy-storage motor sa operasyon, na nahahati sa apat na yugto.Ang Figure 1 ay nagpapakita ng typical na waveform ng kuryente ng DC energy-storage motor sa operasyon, na nahahati sa apat na yugto.

Yugto 1 (t₀)–(t₁): Stage ng Pag-start ng Motor

Sa oras na t0, ang load switch ay tumatanggap ng closing signal mula sa distribution terminal unit, na nagbibigay ng enerhiya sa control motor upang simulan ang operasyon. Ang kuryente ng motor ay humihigit sa peak ng start-up sa tst, pagkatapos ay mabilis na bumaba upang makarating sa stable operation.

Yugto 2 (t₁)–(t₂): Stable Operation Stage ng Motor

Ang motor ay nagdradrive ng transmission gear upang mag-idle. Sa panahon ng stage na ito, ang motor ay gumagana nang matatag sa ilang load, na ang amplitude ng kuryente ng motor ay Ia.

Yugto 3 (t₂)–(t₄): Spring Energy-Storage Stage

Habang ang compression spring ay nag-storero ng enerhiya, ang output torque ng motor ay unti-unting tumataas, na umabot sa maximum sa t3; sa puntong ito, ang kuryente ng motor ay umabot din sa maximum Im. Pagkatapos, ang output torque ng motor ay unti-unting bumaba.

Yugto 4 (t₄)–(t₅): Interruption Stage ng Kuryente ng Motor

Sa t4, ang compression spring ay umabot sa limit switch, na nagtatapos ng enerhiya sa motor. Ang kuryente ng motor ay mabilis na bumaba hanggang sa maging 0 sa t5, at ang motor ay natigil na ang paggana.

2 Pag-diagnose ng Kapangyarihan ng Energy-Storage Motor
2.1 Fault Simulation & Data Acquisition

Isinasagawa ang test ng fault simulation sa isang load switch mula sa electrical equipment factory (scenario sa Fig. 2(a)). Matapos ang pag-disassemble ng switch, sa panahon ng stable operation ng motor at spring energy-storage stages, isinagawa ang reverse locked-rotor forces sa pamamagitan ng rocker upang simularin ang gear/spring jamming. Ginamit ang custom current acquisition device (Fig. 2(b)) na gumagamit ng ARM STM32F103 chip upang kumuha ng signals mula sa HSTS016L Hall current transformer (DC input: 0–30A). Dahil ang opening signal ay walang target na waveform ng kuryente, ang pag-aaral na ito ay nakatuon sa closing current signal.

2.2 Algoritmo para sa Pagsisimula ng Pagrerecord ng Waveform

Mula sa Figure 1, ang effective na signal waveform ay sumasaklaw sa time window t0 hanggang t5, na binubuo ng apat na yugto na may iba't ibang pagbabago ng kuryente. Bukod dito, may malaking pagkakaiba sa amplitudes ng signal sa iba't ibang drive motors. Kaya, ang paggamit ng simple na threshold ng amplitudes ng kuryente bilang criterion para sa pagsisimula ng pagrerecord ng waveform ng signal ay hindi angkop. Kaya, ang pag-aaral na ito ay gumagamit ng rate ng pagbabago ng kuryente Kt sa loob ng unit time window at ang mean value I_mean bilang criteria para sa effective na pagrerecord ng waveform. Rate ng pagbabago ng kuryente sa loob ng unit time window:

Mean na kuryente ng bawat time window:

Sa Equations (3) at (4), I(i) kumakatawan sa signal ng kuryente; M ay ang bilang ng sampling points sa unit time window; Δt ay ang haba ng oras ng unit time window, at Δt = 0.02s sa paper na ito; I(1) ang unang sampling point sa unit time window.

2.3 Time-Domain Feature Extraction

Upang mailarawan ang kapangyarihan ng energy-storage motor, kinukuha ang expressive information ng curve sa pamamagitan ng ilang time-domain indicators. Ang kurtosis K ay maaaring karakterisain ang smoothness ng signal ng kuryente; ang root mean square Irms ay maaaring karakterisain ang average energy ng signal ng kuryente; ang skewness sk ay isang measure ng direksyon at degree ng skewness ng statistical data distribution; ang form factor sh at ang peak factor C ay ginagamit upang karakterisain ang extreme degree ng peak ng kuryente sa waveform.

Ang Random Forest (RF) classification algorithm ay nagintegrate ng maraming decision trees. Ang output category nito ay matutukoy sa pamamagitan ng mode ng individual decision-tree categories, na may mataas na accuracy, mabuting tolerance para sa abnormal data, at mababang risk ng overfitting.

2.4 Random Forest Algorithm

Ang RF ay umasa sa Bootstrap sampling (sampling with replacement upang mabuo ang n sample sets mula sa orihinal na dataset) at Bagging voting. Ang Bagging ay lumilikha ng n training sets sa pamamagitan ng Bootstrap, kung saan bawat isa ay nagtutrain ng independent weak classifier. Ang final na desisyon ay maaaring gawin sa pamamagitan ng voting sa mga output ng weak classifiers, kung saan ang majority vote ay ang resulta.

Ang RF ay gumagamit ng CART decision trees (binary trees na nag-split top-down mula sa ugat, na minimizes ang Gini index para sa mga split, formula (5)). Ayon kay Liu Min et al. 100 decision trees ay optimize ang performance ng classification. Kaya, ang pag-aaral na ito ay gumagamit ng 100 CART trees para sa random forest.

3 Case Analysis
3.1 Feature Selection

Ang Gini index sa random forest ay ginagamit upang i-evaluate ang importansya ng bawat feature. Ang resulta ay ipinapakita sa Figure 3, kung saan ang ordinate ay kumakatawan sa proportional coefficient. Makikita na ang apat na feature quantities, kasama ang peak factor C, skewness sk, root mean square Irms, at kurtosis K, ay may mataas na importansya at maaaring mabisa na karakterisain ang mga pagkakaiba sa iba't ibang estado ng load switch. Ang apat na feature quantities, kasama ang form factor sh, maximum starting current Ist, motor operating time t, at Tm, ay may mababang importansya. Kaya, ang pag-aaral na ito ay nagpili ng C, sk, Irms, at K bilang feature vectors.

3.2 Resulta ng Diagnosis ng Random Forest

Ang RF algorithm ay nagclassify ng dalawang estado ng load switch (normal/jammed) gamit ang 300 samples bawat estado para sa training (total 600) at 30 samples para sa testing. Ang confusion matrix (Figure 4) ay nagpapakita ng perfect na pag-identify ng normal state, 97% accuracy para sa jamming, at 98.33% average classification accuracy.

3.3 Paghahambing ng Iba't Ibang Classification Algorithms

Upang suriin ang performance ng random forest classifier, in-training ang Support Vector Machine (SVM) at Extreme Learning Machine (ELM) para sa paghahambing. Ang resulta ng test ay ipinapakita sa Table 1.

Mula sa Table 1, sa tatlong classifiers, ang Random Forest (RF) algorithm ay kumakailangan ng medyo mahabang diagnosis time na 6.9 ms para sa mga sample ng test set. Sa termino ng accuracy, ang Support Vector Machine (SVM) ay nakamit ang 95% para sa dalawang operating states, na mas mababa kaysa sa RF. Dahil sa random na hidden-layer weights, ang Extreme Learning Machine (ELM) ay may accuracy na nangangalakal sa pagitan ng 85% - 96.67% at mas mahina kaysa sa RF. Kaya, ang RF algorithm na ginamit ay may mataas na accuracy at mabuting robustness.

4 Conclusion

Ang paper na ito ay nagpapakilala ng paraan ng pag-detect ng mechanical fault ng load switch gamit ang time-domain features ng energy-storage motor current at ang Random Forest (RF) algorithm. Kinukuha ang representative na time-domain features mula sa waveforms ng kuryente ng motor at ginagamit ang RF classifier para sa pag-identify ng estado. Ang proposed na recording-wave start criterion ay mabisa na nakuha ang signals ng kuryente ng motor. Gamit ang Gini index sa RF, ito ay nag-evaluate ng importansya ng feature at pinili ang apat na key features (peak factor, skewness, root mean square, kurtosis) upang karakterisain ang mga estado ng load switch. Ang mga eksperimento ay nagpapakita na ang paraan ay mabisa na nailarawan ang mga estado ng motor jamming na may 98.33% accuracy.