Une Nouvelle Méthode de Détection des Défauts de Blocage dans les Interrupteurs de Charge
Ces dernières années, avec l'avancement de l'automatisation de la distribution, les interrupteurs de charge sont de plus en plus utilisés sur les lignes de distribution. Cependant, les accidents dus à des pannes mécaniques sont en augmentation, ce qui alourdit l'exploitation et la maintenance des lignes.
La mauvaise performance mécanique est la principale cause des pannes d'interrupteurs. De nombreux chercheurs étudient le fonctionnement à grande échelle des appareils de commutation, en utilisant des méthodes telles que la détection du courant dans la bobine, l'analyse du signal de vibration, les tests de course de l'interrupteur, la détection par ultrasons et la thermométrie infrarouge. La détection de l'état de l'interrupteur basée sur le courant du moteur fonctionne pour les disjoncteurs et les sectionneurs, mais est moins appliquée aux pannes du mécanisme d'entraînement des interrupteurs de charge.
Les recherches sur les interrupteurs de charge en service montrent que les signaux de courant du moteur d'accumulation d'énergie reflètent l'état de l'interrupteur. Les problèmes mécaniques (par exemple, blocage du ressort, rouille, blocage de l'engrenage) dans le mécanisme d'entraînement modifient les paramètres du signal de courant (amplitude, durée, pics locaux). En se concentrant sur la rouille et le blocage courants des moteurs d'accumulation d'énergie dans les zones côtières, cet article étudie l'extraction et l'identification des caractéristiques de panne. Étapes : 1) Analyser les caractéristiques du courant du moteur, diviser les formes d'onde en 4 étapes, et évaluer chaque étape. 2) Concevoir un dispositif d'acquisition de données pour les formes d'onde de courant sous différentes conditions. 3) Proposer un algorithme de démarrage d'enregistrement, une extraction de caractéristiques et des méthodes d'identification de pannes. 4) Valider par des expériences.
1 Analyse des caractéristiques du courant du moteur d'accumulation d'énergie
Les interrupteurs de charge utilisent généralement des moteurs à courant continu pour entraîner des ressorts de compression pour l'accumulation d'énergie. Lors de l'opération du moteur, le couple de sortie du rotor et la vitesse sont étroitement liés au courant du circuit stator. Les équations de couple électromagnétique et de tension du moteur à courant continu à excitation parallèle sont les suivantes :
Dans l'équation (1), T représente le couple électromagnétique ; n représente la vitesse de rotation ; Ia représente le courant d'armature ; Ra représente la résistance du circuit d'armature, qui est constante ; Ea représente la force électromotrice induite ; U représente la tension aux bornes ; ΔU représente la chute de tension de contact, qui est constante ; ϕ représente le flux magnétique ; Ce représente la constante de force électromotrice ; et CT représente le coefficient de couple. Selon l'équation (1), on peut déduire :
Selon l'équation (2), lorsque le courant de charge est faible, l'effet démagnétisant de la réaction de l'armature est négligeable, donc le flux magnétique est considéré constant, et le couple électromagnétique est proportionnel au courant de charge. À mesure que le courant de charge augmente, le couple augmente mais la vitesse tend à diminuer. Cependant, l'effet démagnétisant d'un courant de charge plus élevé réduit le flux magnétique, ce qui augmenterait la vitesse. Ces effets opposés provoquent généralement une légère diminution de la vitesse du moteur à excitation parallèle. La figure 1 montre la forme d'onde typique du courant d'un moteur d'accumulation d'énergie à courant continu en fonctionnement, divisée en 4 étapes.
Étape 1 (t0)–(t1): Étape de démarrage du moteur
À l'instant t0, l'interrupteur de charge reçoit un signal de fermeture de l'unité terminale de distribution, alimentant le moteur de commande pour démarrer sous charge. Le courant du moteur atteint un pic de démarrage à tst, puis diminue rapidement pour entrer en fonctionnement stable.
Étape 2 (t1)–(t2): Étape de fonctionnement stable du moteur
Le moteur entraîne l'engrenage de transmission pour tourner à vide. Pendant cette étape, le moteur fonctionne de manière stable sous une charge légère, avec l'amplitude du courant du moteur à Ia.
Étape 3 (t2)–(t4): Étape d'accumulation d'énergie du ressort
Alors que le ressort de compression accumule de l'énergie, le couple de sortie du moteur augmente progressivement, atteignant un maximum à t3 ; à ce moment, le courant du moteur atteint également le maximum de l'étape Im. Par la suite, le couple de sortie du moteur diminue progressivement.
Étape 4 (t4)–(t5): Étape d'interruption du courant du moteur
À t4, le ressort de compression atteint le limiteur, coupant l'alimentation du moteur. Le courant du moteur diminue brusquement jusqu'à atteindre 0 à t5, et le moteur s'arrête.
2 Diagnostic de panne de blocage du moteur d'accumulation d'énergie
2.1 Simulation de panne et acquisition de données
Un test de panne de blocage a été simulé sur un interrupteur de charge provenant d'une usine d'équipements électriques (scénario de la figure 2(a)). Après avoir démonté l'interrupteur, pendant les étapes de fonctionnement stable du moteur et d'accumulation d'énergie du ressort, un levier a appliqué des forces de blocage inverses pour simuler le blocage de l'engrenage ou du ressort. Un dispositif d'acquisition de courant personnalisé (figure 2(b)) a utilisé une puce ARM STM32F103 pour collecter les signaux du transformateur de courant Hall HSTS016L (entrée DC : 0-30A). Comme le signal d'ouverture manque de la forme d'onde de courant cible, cette étude se concentre sur le signal de courant de fermeture.
2.2 Algorithme de démarrage d'enregistrement de la forme d'onde
D'après la figure 1, la forme d'onde de signal efficace s'étend sur la fenêtre de temps t0 à t5, comprenant 4 étapes avec divers changements de courant. De plus, il y a des différences significatives dans les amplitudes de signal entre différents moteurs d'entraînement. Ainsi, l'utilisation d'un simple seuil d'amplitude de courant comme critère de démarrage pour l'enregistrement de la forme d'onde de signal est clairement inappropriée. Par conséquent, cette étude adopte le taux de variation de courant Kt dans une fenêtre de temps unitaire et la valeur moyenne Imean comme critères de démarrage pour réaliser un enregistrement efficace de la forme d'onde. Taux de variation de courant de la fenêtre de temps unitaire :
Courant moyen de chaque fenêtre de temps :
Dans les équations (3) et (4), Ii représente le signal de courant ; M est le nombre de points d'échantillonnage dans la fenêtre de temps unitaire ; Δt est la longueur de la fenêtre de temps unitaire, et Δt = 0,02 s dans cet article ; I(1) est le premier point d'échantillonnage dans la fenêtre de temps unitaire.
2.3 Extraction de caractéristiques temporelles
Pour identifier la panne de blocage du moteur d'accumulation d'énergie, les informations expressives de la courbe sont extraites à travers certains indicateurs temporels. Le kurtosis K peut caractériser la lissitude du signal de courant ; la valeur efficace Irms peut caractériser l'énergie moyenne du signal de courant ; l'asymétrie sk est une mesure de la direction et du degré d'asymétrie de la distribution des données statistiques ; le facteur de forme sh et le facteur de crête C sont utilisés pour caractériser l'importance extrême du pic de courant dans la forme d'onde.
L'algorithme de classification Random Forest (RF) intègre plusieurs arbres de décision. Sa catégorie de sortie est déterminée par le mode des catégories individuelles des arbres de décision, offrant une grande précision, une bonne tolérance aux données anormales et un faible risque de surapprentissage.
2.4 Algorithme Random Forest
RF repose sur l'échantillonnage Bootstrap (échantillonnage avec remplacement pour former n ensembles d'échantillons à partir de l'ensemble de données original) et le vote Bagging. Bagging génère n ensembles d'entraînement via Bootstrap, chacun entraînant un classifieur faible indépendant. Les décisions finales proviennent du vote sur les sorties des classifieurs faibles, avec le vote majoritaire comme résultat.
RF utilise des arbres de décision CART (arbres binaires se divisant de haut en bas à partir de la racine, minimisant l'indice de Gini pour les divisions, formule (5)). Selon Liu Min et al., 100 arbres de décision optimisent les performances de classification. Ainsi, cette étude utilise 100 arbres CART pour la forêt aléatoire.
3 Analyse de cas
3.1 Sélection de caractéristiques
L'indice de Gini dans la forêt aléatoire est utilisé pour évaluer l'importance de chaque caractéristique. Les résultats sont montrés dans la figure 3, où l'ordonnée représente le coefficient proportionnel. On peut voir que quatre caractéristiques, à savoir le facteur de crête C, l'asymétrie sk, la valeur efficace Irms et le kurtosis K, sont très importantes et peuvent caractériser efficacement les différences entre différents états de l'interrupteur de charge. Les quatre caractéristiques, y compris le facteur de forme sh, le courant de démarrage maximal Ist, le temps de fonctionnement du moteur t et Tm, sont de faible importance. Par conséquent, cette étude sélectionne C, sk, Irms et K comme vecteurs de caractéristiques.
3.2 Résultats de diagnostic de la forêt aléatoire
L'algorithme RF classe deux états d'interrupteur de charge (normal/bloqué) en utilisant 300 échantillons par état pour l'entraînement (total 600) et 30 échantillons pour les tests. La matrice de confusion (figure 4) montre une identification parfaite de l'état normal, une précision de 97 % pour le blocage, et une précision moyenne de classification de 98,33 %.
3.3 Comparaison de différents algorithmes de classification
Pour tester les performances du classifieur de forêt aléatoire, un Support Vector Machine (SVM) et un Extreme Learning Machine (ELM) sont formés simultanément pour comparaison. Les résultats des tests sont montrés dans le tableau 1.
D'après le tableau 1, parmi les trois classifieurs, l'algorithme de forêt aléatoire (RF) prend un temps de diagnostic relativement long de 6,9 ms pour les échantillons de l'ensemble de test. En termes de précision, la machine à vecteurs de support (SVM) atteint 95 % pour les deux états de fonctionnement, inférieure à RF. En raison des poids aléatoires de la couche cachée, la machine d'apprentissage extrême (ELM) a une précision fluctuant entre 85 % et 96,67 %, avec une robustesse moindre que RF. Ainsi, l'algorithme RF utilisé présente une grande précision et une bonne robustesse.
4 Conclusion
Cet article propose une méthode de détection de pannes mécaniques d'interrupteurs de charge en utilisant les caractéristiques temporelles du courant du moteur d'accumulation d'énergie et l'algorithme de forêt aléatoire (RF). Il extrait des caractéristiques temporelles représentatives des formes d'onde de courant du moteur et utilise un classifieur RF pour l'identification d'état. Le critère de démarrage d'enregistrement proposé permet d'acquérir efficacement les signaux de courant du moteur. En utilisant l'indice de Gini dans RF, il évalue l'importance des caractéristiques et sélectionne quatre caractéristiques clés (facteur de crête, asymétrie, valeur efficace, kurtosis) pour caractériser les états de l'interrupteur de charge. Les expériences montrent que la méthode identifie efficacement les états de blocage du moteur avec une précision de 98,33 %.
