Novi metod otkrivanja zastojnih grešaka u prekidnim ventilima za opterećenje

U posljednjih godina, s napretkom automatizacije distribucije, prekidnici opterećenja sve više se koriste u distribucijskim linijama. Ipak, nesreće uzrokovane mehaničkim kvarovima rastu, opterećujući održavanje i rad linija.

Slaba mehanička performansa je glavna uzročica kvara prekidnika. Mnogi znanstvenici proučavaju rad velikog broja prekidnih uređaja, koristeći metode poput detekcije struja cewa, analize vibracijskih signala, testiranja putovanja prekidnika, ultrazvučne detekcije nedostataka i infracrvene termometrije. Detekcija statusa prekidnika temeljena na strujnom toku motora funkcionira za prekidnike struje i odvojitelje, ali manje se primjenjuje na kvarove pogonskog mehanizma prekidnika opterećenja.

Istraživanja prekidnika opterećenja koji se koriste u polju pokazuju da signali struje motora za pohranu energije odražavaju status prekidnika. Mehanički problemi (npr., zaključavanje mahanaca, korozenija, zaključavanje zupčanika) u pogonskom mehanizmu mijenjaju parametre strujnog signala (amplituda, trajanje, lokalni vrhovi). Fokusirajući se na česte kvarove od korozenije mahanaca za pohranu energije u obalnim područjima, ovaj rad proučava ekstrakciju i identifikaciju značajki kvarova. Koraci: 1) Analiza karakteristika struje motora, razdvajanje talasa na 4 faze i procjena svake faze. 2) Dizajn uređaja za prikupljanje podataka o strujnim talasima pod različitim uvjetima. 3) Predlaganje algoritma za početak snimanja, metode ekstrakcije značajki i identifikacije kvarova. 4) Validacija eksperimentima.

1 Analiza karakteristika struje motora za pohranu energije

Prekidnici opterećenja tipično koriste DC-motore za pogon mahanaca za pohranu energije. Tijekom rada motora, izlazni moment rotora i brzina usko su povezani sa strujnim tokom statora. Jednadžbe elektromagnetskog momenta i napona šuntovanog DC motora su sljedeće:

U jednadžbi (1), T prikazuje elektromagnetski moment; n predstavlja kutnu brzinu; Ia predstavlja strujni tok armature; Ra predstavlja otpor armature, koji je konstantan; Ea prikazuje inducirani elektromotorni napon; U predstavlja napon na završnicama; ΔU predstavlja pad napona na kontaktima, koji je konstantan; ϕ predstavlja magnetni tok; Ce predstavlja konstantu elektromotornog napon; i C_T prikazuje koeficijent momenta. Prema jednadžbi (1), možemo izvesti:

Iz jednadžbe (2), kada je struja opterećenja mala, demagnetizacijski efekt armature je zanemariv, tako da se magnetični tok smatra konstantnim, a elektromagnetski moment je proporcionalan strujnom toku opterećenja. Kako struja opterećenja raste, moment raste, ali kutna brzina teži opadati. Međutim, veći strujni tok opterećenja smanjuje magnetični tok, što bi trebalo povećati brzinu. Ovi suparni efekti obično dovode do malog smanjenja brzine šuntovanog motora. Slika 1 prikazuje tipični talas struje DC motora za pohranu energije tijekom rada, podijeljen na 4 faze.Slika 1 prikazuje tipični talas struje DC motora za pohranu energije tijekom rada, podijeljen na 4 faze.

Faza 1 (t₀)–(t₁): Faza pokretanja motora

U trenutku t0, prekidnik opterećenja prima signal za zatvaranje od distribucijske terminalne jedinice, omogućujući upravljački motor da započne s radom pod opterećenjem. Struja motora skočno poraste do maksimalnog vrha pokretanja u (t_st), zatim brzo opada kako bi ušao u stabilni rad.

Faza 2 (t₁)–(t₂): Faza stabilnog rada motora

Motor pokreće prenosni zupčanik da radi bez opterećenja. Tijekom ove faze, motor stabilno radi pod lakšim opterećenjem, s amplitudom struje motora na (Ia).

Faza 3 (t₂)–(t₄): Faza pohrane energije mahanaca

Kako mahanac za pohranu energije akumulira energiju, izlazni moment motora postepeno raste, dosežući maksimum u (t3); u tom trenutku, struja motora također doseže maksimum faze (Im). Nakon toga, izlazni moment motora postepeno opada.

Faza 4 (t₄)–(t₅): Faza prekida struje motora

U (t4), mahanac za pohranu energije dostiže granicni prekidnik, prekidajući struju motora. Struja motora brzo pada dok ne doseže 0 u (t₅), a motor prestaje s radom.

2 Dijagnoza kvarova motora za pohranu energije
2.1 Simulacija kvarova i prikupljanje podataka

Test simulacije kvara zaključavanja proveden je na prekidniku opterećenja iz električne opreme (scenario na slici 2(a)). Nakon dekompozicije prekidnika, tijekom faza stabilnog rada motora i pohrane energije mahanaca, klipa je primijenjena obrnuta sila zaključavanja rotora kako bi se simuliralo zaključavanje zupčanika/mahanaca. Prilagođeni uređaj za prikupljanje struje (slika 2(b)) koristi ARM STM32F103 čip za prikupljanje signala od Hall-ovog transformatora struje HSTS016L (DC ulaz: 0–30A). Budući da otvarajući signal nema ciljni talas struje, ovo istraživanje fokusira se na talas struje zatvaranja.

2.2 Algoritam za početak snimanja talasa

Iz slike 1, efektivni signalni talas proteže se kroz vremenski prozor t₀ do t₅， sastoji se od 4 faza s različitim promjenama struje. Također, postoje značajne razlike u amplitudama signala između različitih pogonskih motora. Stoga, korištenje jednostavnog praga amplitude struje kao kriterij za početak snimanja signala nije prikladno. Stoga, ovo istraživanje koristi stopu promjene struje K_t u jediničnom vremenskom prozoru i srednju vrijednost I_mean kao kriterije za početak snimanja talasa. Stopa promjene struje u jediničnom vremenskom prozoru:

Srednja struja svakog vremenskog prozora:

U jednadžbama (3) i (4), I_i prikazuje strujni signal; M predstavlja broj uzoraka u jediničnom vremenskom prozoru; Δ t predstavlja duljinu vremenskog prozora, a Δ t = 0.02s u ovom radu; I₍₁₎ je prvi uzorak u jediničnom vremenskom prozoru.

2.3 Ekstrakcija značajki u vremenskom domenu

Za identifikaciju kvara zaključavanja motora za pohranu energije, informacije koje kriva izražava ekstrahiraju se putem nekoliko vremenskih indikatora. Kurtosis K može karakterizirati gladkoću strujnog signala; kvadrat srednje vrijednosti I_rms može karakterizirati prosječnu energiju strujnog signala; asimetrija sk jest mjera smjera i stupnja asimetrije distribucije statističkih podataka; faktor forme sh i faktor vrha C koriste se za karakterizaciju ekstremnosti vrha struje u talasu.

Algoritam Random Forest (RF) integrira mnogo odlučnih stabala. Njegov izlazni kategorija određuje se modom pojedinačnih kategorija odlučnih stabala, s visokom preciznošću, dobrim tolerancijama prema nepravilnim podacima i niskim rizikom preprilagođavanja.

2.4 Algoritam Random Forest

RF oslanja se na Bootstrap uzorkovanje (uzorkovanje s ponavljanjem kako bi se formiralo n skupova uzoraka iz originalnog skupa podataka) i Bagging glasanje. Bagging generira n skupova za trening putem Bootstrapa, svaki trening nezavisnog slabe klasifikatora. Konačne odluke dolaze od glasanja nad izlazima slabe klasifikatora, s većinskim glasom kao rezultatom.

RF koristi CART odlučna stabla (binarna stabla koja se dijele top-down od korijena, minimizirajući Gini indeks za podjele, formula (5)). Prema Liu Min et al. 100 odlučnih stabala optimizira performanse klasifikacije. Stoga, ovo istraživanje koristi 100 CART stabala za nasumičnu šumu.

3 Analiza slučaja
3.1 Odabir značajki

Gini indeks u nasumičnoj šumi koristi se za procjenu važnosti svake značajke. Rezultati su prikazani na slici 3, gdje ordinata predstavlja proporcionalni koeficijent. Može se vidjeti da su četiri značajke, to jest faktor vrha C, asimetrija sk, kvadrat srednje vrijednosti I_rms, i kurtosis K, visoko važne i mogu efektivno karakterizirati razlike u različitim stanjima prekidnika opterećenja. Četiri značajke, uključujući faktor forme sh, maksimalnu početnu struju I_st, vrijeme rada motora t, i T_m, su niska važnost. Stoga, ovo istraživanje bira C, sk, I_rms, i K kao vektore značajki.

3.2 Rezultati dijagnoze Random Forest

Algoritam RF klasificira dva stanja prekidnika opterećenja (normalno/zaključano) koristeći 300 uzoraka po stanju za trening (ukupno 600) i 30 uzoraka za testiranje. Matrica zabune (slika 4) pokazuje savršenu identifikaciju normalnog stanja, 97% točnost za zaključavanje, i prosječnu točnost klasifikacije od 98.33%.

3.3 Usporedba različitih algoritama klasifikacije

Za testiranje performansi klasifikatora nasumične šume, istodobno su trenirani Support Vector Machine (SVM) i Extreme Learning Machine (ELM) za usporedbu. Rezultati testiranja prikazani su u tablici 1.

Iz tablice 1, među tri klasifikatora, algoritam Random Forest (RF) ima relativno dug vremenski interval dijagnoze od 6.9 ms za uzorke testnog skupa. U pogledu točnosti, Support Vector Machine (SVM) postiže 95% za dva stanja rada, niže od RF. Zbog nasumičnih težina skrivenog sloja, Extreme Learning Machine (ELM) ima točnost koja varira između 85% - 96.67% i lošiju robustnost od RF. Stoga, korišteni algoritam RF ima visoku točnost i dobru robustnost.

4 Zaključak

Ovaj rad predlaže metodu detekcije mehaničkih kvara prekidnika opterećenja koristeći vremenske karakteristike struje motora za pohranu energije i algoritam Random Forest (RF). Ekstrahira reprezentativne vremenske značajke iz talasa struje motora i koristi klasifikator RF za identifikaciju stanja. Predloženi kriterij za početak snimanja talasa učinkovito prikuplja signale struje motora. Ispoljavajući Gini indeks u RF, procjenjuje se važnost značajki i odabire se četiri ključne značajke (faktor vrha, asimetrija, kvadrat srednje vrijednosti, kurtosis) za karakterizaciju stanja prekidnika opterećenja. Eksperimenti pokazuju da metoda učinkovito prepoznaje stanja zaključavanja motora s točnošću od 98.33%.