Un método de detección novedoso para fallos de bloqueo en interruptores de carga

Nos últimos anos, co avance da automatización de distribución, os interruptores de carga están a ser máis utilizados nas liñas de distribución. Aínda así, os accidentes provocados por fallos mecánicos están en aumento, sobrecargando a operación e manutención das liñas.

O baixo rendemento mecánico é a causa principal dos fallos nos interruptores. Muitos estudiosos estudan a operación de interruptores a gran escala, utilizando métodos como a detección da corrente do bobinado, análise de sinais de vibración, ensaios de desprazamento do interruptor, detección de defectos por ultrasons e termometría infravermella. A detección do estado do interruptor baseada na corrente do motor funciona para interruptores automáticos e separadores, pero é menos aplicada aos fallos no mecanismo de accionamento dos interruptores de carga.

A investigación sobre interruptores de carga en funcionamento no campo mostra que as señais de corrente do motor de almacenamento de enerxía reflejan o estado do interruptor. Os problemas mecánicos (por exemplo, bloqueo de muelles, óxido, bloqueo de engrenaxes) no mecanismo de accionamento alteran os parámetros da sinal de corrente (amplitude, duración, picos locais). Centrando-se no bloqueo debido ao óxido común dos motores de almacenamento de enerxía en áreas costeiras, este artigo estuda a extracción e identificación de características de fallos. Pasos: 1) Analizar as características da corrente do motor, dividir as formas de onda en 4 etapas e avaliar cada etapa. 2) Diseñar un dispositivo de adquisición de datos para formas de onda de corrente en diferentes condicións. 3) Proporcionar un algoritmo de inicio de gravación, extracción de características e métodos de identificación de fallos. 4) Validar mediante experimentos.

1 Análise das Características da Corrente do Motor de Almacenamento de Enerxía

Os interruptores de carga usan xeralmente motores de corrente directa para accionar muelles de compresión para o almacenamento de enerxía. Durante a operación do motor, o par de saída do rotor e a velocidade están estreitamente relacionados coa corrente do circuito do estator. As ecuacións do par electromagnético e da tensión do motor de corrente directa con excitación en paralelo son as seguintes:

Na ecuación (1), T representa o par electromagnético; n representa a velocidade de rotación; Ia representa a corrente del armadura; Ra representa a resistencia do circuito del armadura, que é constante; Ea representa a forza electromotriz inducida; U representa a tensión terminal; ΔU representa a caída de tensión de contacto, que é constante; ϕ representa o flujo magnético; Ce representa a constante de forza electromotriz; e CT representa o coeficiente de par. Segundo a ecuación (1), podemos derivar:

Segundo a ecuación (2), cando a corrente de carga é pequena, o efecto desmagnetizador da reacción da armadura é insignificante, polo que o flujo magnético considerase constante e o par electromagnético proporcional á corrente de carga. Á medida que a corrente de carga aumenta, o par aumenta, pero a velocidade tende a diminuír. No entanto, o efecto desmagnetizador dunha corrente de carga maior reduz o flujo magnético, o que aumentaría a velocidade. Estes efectos opostos xeralmente causan unha diminución ligeira na velocidade do motor de excitación en paralelo. A figura 1 amosa a forma de onda típica da corrente dun motor de almacenamento de enerxía de corrente directa en funcionamento, dividida en 4 etapas.A figura 1 amosa a forma de onda típica da corrente dun motor de almacenamento de enerxía de corrente directa en funcionamento, dividida en 4 etapas.

Etapa 1 (t₀)–(t₁): Etapa de Arranque do Motor

No instante t₀, o interruptor de carga recibe unha sinal de pechado do terminal de distribución, energizando o motor de control para iniciar con carga. A corrente do motor aumenta a un pico de arranque en t_st, logo diminúe rapidamente para entrar nunha operación estable.

Etapa 2 (t₁)–(t₂): Etapa de Operación Estable do Motor

O motor acciona a transmisión para rodar en vacío. Durante esta etapa, o motor funciona establemente con carga leve, coa amplitude da corrente do motor en Ia.

Etapa 3 (t₂)–(t₄): Etapa de Almacenamento de Enerxía do Muelle

Á medida que o muelle de compresión almacena enerxía, o par de saída do motor aumenta gradualmente, alcanzando un máximo en t₃; neste punto, a corrente do motor tamén alcanza o máximo da etapa Im. Posteriormente, o par de saída do motor diminúe gradualmente.

Etapa 4 (t₄)–(t₅): Etapa de Interrupción da Corrente do Motor

En t₄, o muelle de compresión alcanza o interruptor de fin de curso, cortando a alimentación ao motor. A corrente do motor diminúe bruscamente ata chegar a 0 en t₅, e o motor para de funcionar.

2 Diagnóstico de Fallos de Bloqueo do Motor de Almacenamento de Enerxía
2.1 Simulación de Fallos e Adquisición de Datos

Realizouse un ensaio de simulación de fallo de bloqueo nun interruptor de carga dunha fábrica de equipo eléctrico (escenario na Figura 2(a)). Despois de desmontar o interruptor, durante as etapas de operación estable do motor e de almacenamento de enerxía do muelle, un oscilador aplicou forzas de bloqueo de rotor en sentido contrario para simular o bloqueo de engrenaxe/muelle. Un dispositivo de adquisición de corrente personalizado (Figura 2(b)) utilizou un chip ARM STM32F103 para recopilar sinais do transformador de corrente Hall HSTS016L (entrada de corrente directa: 0-30A). Dado que a sinal de abertura carece da forma de onda de corrente obxectivo, este estudo centrase na sinal de corrente de pechado.

2.2 Algoritmo de Inicio de Gravación de Formas de Onda

A partir da figura 1, a forma de onda de sinal efectiva abarca a ventana de tempo t₀ a t₅, consistindo en 4 etapas con cambios diversos na corrente. Ademais, hai diferenzas significativas nas amplitudes de sinal entre diferentes motores de accionamento. Polo tanto, usar un simple umbral de amplitude de corrente como criterio de inicio para a gravación da forma de onda de sinal é claramente inapropiado. Por tanto, este estudo adopta a taxa de cambio de corrente K_t dentro dunha ventana de tempo unitaria e o valor medio I_mean como criterios de inicio para lograr unha gravación efectiva da forma de onda. Taxa de cambio de corrente da ventana de tempo unitaria:

Corrente media de cada ventana de tempo:

Nas ecuacións (3) e (4), I_(i) representa a sinal de corrente; M é o número de puntos de muestreo na ventana de tempo unitaria; Δt é a lonxitude de tempo da ventana de tempo unitaria, e Δt = 0.02s neste artigo; I₍₁₎ é o primeiro punto de muestreo na ventana de tempo unitaria.

2.3 Extracción de Características no Dominio Temporal

Para identificar o fallo de bloqueo do motor de almacenamento de enerxía, extraense as informacións expresivas da curva a través de algunhas indicadores no dominio temporal. A curtose K pode caracterizar a suavidade da sinal de corrente; a raíz cuadrada media I_rms pode caracterizar a enerxía media da sinal de corrente; a asimetría sk é unha medida da dirección e grao de asimetría da distribución de datos estadísticos; o factor de forma sh e o factor de pico C úsanse para caracterizar o grao extremo do pico de corrente na forma de onda.

O algoritmo de clasificación Random Forest (RF) integra múltiples árboles de decisión. Súa categoría de saída determinase polo modo das categorías individuais de árboles de decisión, destacándose por alta precisión, boa tolerancia a datos anómalos e baixo risco de sobreajuste.

2.4 Algoritmo Random Forest

O RF depende da mostra Bootstrap (amostraxe con reposición para formar n conxuntos de mostras do conxunto de datos orixinal) e Bagging votación. O Bagging xera n conxuntos de adestramento a través de Bootstrap, cada un adestrando un clasificador débil independente. As decisións finais provén da votación sobre as salidas dos clasificadores débiles, co voto majoritario como resultado.

O RF usa árboles de decisión CART (árbores binarias que se dividen de arriba a abaixo desde a raíz, minimizando o índice Gini para as divisións, fórmula (5)). Segundo Liu Min et al. 100 árboles de decisión optimizan o rendemento da clasificación. Polo tanto, este estudo usa 100 árboles CART para o bosque aleatorio.

3 Análise de Caso
3.1 Selección de Características

O índice Gini no bosque aleatorio úsase para avaliar a importancia de cada característica. Os resultados amósanse na figura 3, onde a ordenada representa o coeficiente proporcional. Pódese ver que catro cantidades de características, nomeadamente o factor de pico C, a asimetría sk, a raíz cuadrada media I_rms e a curtose K, son altamente importantes e poden caracterizar eficazmente as diferenzas en diferentes estados do interruptor de carga. As catro cantidades de características, incluíndo o factor de forma sh, a corrente de arranque máxima I_st, o tempo de funcionamento do motor t e T_m, teñen baixa importancia. Polo tanto, este estudo selecciona C, sk, I_rms e K como vectores de características.

3.2 Resultados do Diagnóstico de Random Forest

O algoritmo RF clasifica dous estados do interruptor de carga (normal/bloqueado) usando 300 mostras por estado para o adestramento (total 600) e 30 mostras para a proba. A matriz de confusión (Figura 4) amosa unha identificación perfecta do estado normal, unha precisión do 97% para o bloqueo e unha precisión media de clasificación do 98.33%.

3.3 Comparación de Diferentes Algoritmos de Clasificación

Para probar o rendemento do clasificador de bosque aleatorio, entréanse simultaneamente un Máquina de Vectores de Soporte (SVM) e un Máquina de Aprendizaxe Extrema (ELM) para comparación. Os resultados da proba amósanse na Táboa 1.

A partir da Táboa 1, entre os tres clasificadores, o algoritmo Random Forest (RF) leva un tempo de diagnóstico relativamente longo de 6.9 ms para as mostras do conxunto de proba. En termos de precisión, a Máquina de Vectores de Soporte (SVM) alcanza un 95% para dous estados de funcionamento, inferior ao RF. Debido aos pesos aleatorios da capa oculta, a Máquina de Aprendizaxe Extrema (ELM) ten unha precisión que fluctúa entre o 85% - 96.67% e unha robustez menor que o RF. Polo tanto, o algoritmo RF usado ten alta precisión e boa robustez.

4 Conclusión

Este artigo propón un método de detección de fallos mecánicos en interruptores de carga utilizando características no dominio temporal da corrente do motor de almacenamento de enerxía e o algoritmo Random Forest (RF). Extraen características representativas no dominio temporal das formas de onda de corrente do motor e usa un clasificador RF para a identificación de estados. O criterio de inicio de gravación proposto adquire eficazmente as señais de corrente do motor. Utilizando o índice Gini no RF, evalúa a importancia das características e selecciona catro características clave (factor de pico, asimetría, raíz cuadrada media, curtose) para caracterizar os estados do interruptor de carga. Os experimentos amosan que o método identifica eficazmente os estados de bloqueo do motor con unha precisión do 98.33%.