Új észlelési módszer a terhelési kapcsolókban bekövetkező zavarokhoz

Az elmúlt években, amint a hálózati automatizálódás fejlődik, a terhelési kapcsolók egyre szélesebb körben használatosak a hálózatokban. Ugyanakkor növekszik a mechanikai hibák által okozott balesetek száma, ami megnöveli a hálózat üzemeltetésének és karbantartásának terhet.

A rossz minőségű mechanikai teljesítmény az alapvető okja a kapcsolóhiba. Sok kutató nagy léptékű kapcsológépek működését tanulmányozza, olyan módszerekkel, mint a cirkulációs áram detektálása, rezgésszignál elemzése, kapcsoló úttesztelése, ultrahang jelzés detektálása és infravörös hőmérsékletmérés. A motor-áram alapú kapcsolóállapot detektálás hatékony a vezetéknyomók és szétválasztók esetén, de kevésbé alkalmazható a terhelési kapcsoló-hajtóműegység hibái esetén.

A mezőben futó terhelési kapcsolók kutatása azt mutatja, hogy az energiatároló motor áramjelzete tükrözi a kapcsoló állapotát. A hajtóműegység mechanikus problémái (pl., rugófogás, rúgódás, fogaskerekek elakadása) módosítják a jelzés paramétereit (amplitúdó, időtartam, helyi csúcsértékek). A partvidéki területeken gyakori energiatároló motor rúgódásra összpontosítva, ebben a tanulmányban a hiba jellemzőinek kivonását és azonosítását vizsgáljuk. Lépések: 1) Az áram jellemzőinek elemzése, a hullámformák négy szakaszba osztása és minden szakasz értékelése. 2) Adatgyűjtő eszköz tervezése különböző feltételek közötti áramhullámformákhoz. 3) Récstart algoritmus, jellemzők kivonása és hibaazonosítási módszerek javasolása. 4) Kísérleti validálás.

1. Energia-tároló motor áram jellemzőinek elemzése

A terhelési kapcsolók általában DC motort használnak a rugók tömörítéséhez energia tárolására. A motor működése során a rotor kiadványtorzsi és sebessége szorosan kapcsolódik a státorkör áramához. A párhuzamosan izgalmasított DC motor elektromos torzsi és feszültség egyenletei a következők:

Az (1) egyenletben, T jelöli az elektromos torzsi, n a fordulatszámot, Ia az armatúr áramot, Ra az armatúrkör ellenállását, Ea a teheráramot, U a terminál feszültségét, ΔU a kapcsolat feszültségcsökkenését, ϕ a mágneses fluxust, Ce a gerjesztőerő konstans, CT pedig a torzsi konstans. Az (1) egyenlet alapján levezethető:

Az (2) egyenlet szerint, amikor a terhelési áram kis, az armatúr reakció demagnétizáló hatása elhanyagolható, így a mágneses fluxust állandónak tekintjük, és az elektromos torzsi arányos a terhelési árral. Ahogy a terhelési áram növekszik, a torzsi is nő, de a fordulatszám csökken. Azonban a magasabb terhelési áram demagnétizáló hatása csökkenti a mágneses fluxust, ami növelné a sebességet. Ezek ellenkező hatásai általában enyhén csökkentik a párhuzamosan izgalmasított motor sebességét. 1. ábra a DC energia-tároló motor tipikus áramhullámát mutatja, ami négy szakaszra osztható.

1. szakasz (t₀)–(t₁): Motor indítási szakasz

A t₀ időpontban a terhelési kapcsoló bezáró jelet kap a hálózati végponti egységtől, és a vezérlő motort energialáncba helyezi. A motor árama a t_st időpontban elér egy indítási csúcsértéket, majd gyorsan csökken, és beáll a stabil működés.

2. szakasz (t₁)–(t₂): Motor stabil működési szakasz

A motor a továbbító fogaskereket hajtja, és ez a szakaszban könnyű terhelés mellett stabil működést nyújt, a motor áramamplitúdója Ia.

3. szakasz (t₂)–(t₄): Rugó energia-tárolási szakasz

Ahogy a rugó tárol energia, a motor kiadványtorzsi fokozatosan nő, és a t₃ időpontban eléri a maximumát, ahol a motor árama is eléri a szakasz maximumát Im. Ezután a motor kiadványtorzsi lassan csökken.

4. szakasz (t₄)–(t₅): Motor áram megszakítási szakasz

A t₄ időpontban a rugó eléri a végkapcsolót, és a motor energiaszállítása megszakad. A motor árama gyorsan csökken, és a t₅ időpontban nulla lesz, a motor pedig megáll.

2. Energia-tároló motor zavarodásának diagnosztikája
2.1 Hiba simuláció és adatgyűjtés

Egy zavarodási hibát szimuláltunk egy villamos berendezésgyár terhelési kapcsolóján (2. ábra (a)). A kapcsoló felbontása után a motor stabil működési és rugó energia-tárolási szakaszában egy billentyű alkalmazott fordított záródó erőket, hogy szimulálja a fogaskerekek/rugók zavarodását. Egy egyedi áramgyűjtő eszköz (2. ábra (b)) ARM STM32F103 chip segítségével gyűjtötte a HSTS016L Hall-áramtranszformátor jelzeteit (DC bemenet: 0–30A). Mivel a nyitó jel hiányzik a célszerű áramhullámformából, a tanulmány a bezáró áramjelzetre összpontosít.

2.2 Hullámforma récstart algoritmus

A 1. ábra alapján a hatékony jelzés hullámforma időablaka a t₀ és t₅ között van, ami négy szakaszra osztható, különböző áramváltozásokkal. Továbbá, a különböző hajtómotorközött jelentősek a jelzés amplitúdóbeli eltérések. Tehát, a sima áramamplitúdó küszöbérték használata a jelzés hullámforma récstart feltételeként egyértelműen nem megfelelő. Ezért a tanulmány a t_t áramváltozási ráta egységidőablakon belül és az I_mean átlagos érték használatát javasolja a hatékony hullámforma récstart feltételeként. Az egységidőablakon belüli áramváltozási ráta:

Minden időablak átlagos árama:

Az (3) és (4) egyenletekben, I_i jelöli az áram jelzést, M a mintavételezési pontok számát az egységidőablakban, Δt az egységidőablak időtartamát, Δt = 0.02s a jelen tanulmányban, I₍₁₎ az első mintavételezési pont az egységidőablakban.

2.3 Időtartományi jellemzők kivonása

Az energia-tároló motor zavarodásának azonosításához a görbe informatív információit kivonjuk bizonyos időtartományi mutatókkal. A kurtosis K jellemítheti az áram jelzés simaságát, az átlagos négyzetes érték I_rms jellemítheti az áram jelzés átlagos energiáját, a ferdeség sk jellemítheti a statisztikai adat-eloszlás irányát és fokát, az alakfaktor sh és a csúcsfaktor C jellemítheti az áram csúcsérték extrém fokát a hullámforma.

A Random Forest (RF) osztályozási algoritmus integrálja a döntési fákat. A kimeneti kategória meghatározása a döntési fák kategoriáinak módusa alapján történik, ami nagy pontosságot, jó toleranciát anomál adatokra, és alacsony túlhelyettesítési kockázatot jelent.

2.4 Random Forest algoritmus

Az RF a Bootstrap mintavételezésre (helyettesítéses mintavételezéssel formál n darab mintavételi halmazt az eredeti adathalmazból) és a Bagging szavazásra épül. A Bagging n tanuló halmazt hoz létre a Bootstrap segítségével, mindegyik egy önálló gyenge osztályozó képzésére. A végső döntés a gyenge osztályozók kimenetének szavazásából származik, a legtöbb szavazat a végeredmény.

Az RF CART döntési fákat (bináris fák, felfelé szétválasztva a gyökéről, minimalizálva a Gini indexet a szétválasztásokhoz, (5) formula) használ. Liu Min et al. szerint 100 döntési fa optimalizálja az osztályozási teljesítményt. Így a tanulmány 100 CART fát használ a véletlenszerű erdőhöz.

3. Esettanulmány
3.1 Jellemző kiválasztás

A véletlenszerű erdő Gini indexe a jellemzők fontosságának értékelésére használható. Az eredményeket a 3. ábra mutatja, ahol az ordináták a százalékos arányokat jelentik. Látható, hogy négy jellemző, a csúcsfaktor C, a ferdeség sk, az átlagos négyzetes érték I_rms, és a kurtosis K nagyon fontos, és hatékonyan jellemíti a terhelési kapcsoló különböző állapotait. A formafaktor sh, a maximális indítási áram I_st, a motor működési ideje t, és a T_m jellemzők kevésbé fontosak. Így a tanulmány a C, sk, I_rms, és K jellemzőket választja jellemző vektorokként.

3.2 Véletlenszerű erdő diagnosztikai eredményei

Az RF algoritmus két terhelési kapcsoló állapotot (normál/zavarodott) osztályoz, 300 minta állapotonként a tanításhoz (összesen 600), és 30 minta a teszteléshez. A konfúziós mátrix (4. ábra) perfeckten azonosítja a normál állapotot, 97% pontossággal a zavarodást, és 98.33% átlagos osztályozási pontossággal.

3.3 Különböző osztályozási algoritmusok összehasonlítása

Az RF osztályozó teljesítményének teszteléséhez egy támogató vektor gépet (SVM) és egy extrém tanulási gépet (ELM) képezzünk szintén összehasonlításhoz. A teszt eredményei a 1. táblázatban láthatók.

A 1. táblázat alapján, a három osztályozó közül az RF algoritmus viszonylag hosszú diagnosztikai időt (6.9 ms) vesz igénybe a tesztmintákhoz. A pontosság szempontjából az SVM 95%-ot ér el két működési állapot esetén, ami alacsonyabb, mint az RF. Mivel a véletlenszerű rejtett réteg súlyai miatt az ELM pontossága 85%-96.67% közötti tartományban hegyez, és rosszabb robustnessal rendelkezik, mint az RF. Így az RF algoritmus magas pontossággal és jó robustnessal rendelkezik.

4. Következtetés

Ez a tanulmány egy terhelési kapcsoló mechanikai hiba detektálási módszert javasol az energia-tároló motor áram időtartományi jellemzői és a Véletlenszerű Erőerdő (RF) algoritmus alapján. Kiemeli a jellemző időtartományi jellemzőket a motor áramhullámformáiból, és RF osztályozót használ az állapot azonosításához. A javasolt récstart kritérium hatékonyan gyűjti a motor áram jelzéseit. Az RF Gini indexének felhasználásával értékeljük a jellemzők fontosságát, és kiválasztjuk a négy kulcsfontosságú jellemzőt (csúcsfaktor, ferdeség, átlagos négyzetes érték, kurtosis) a terhelési kapcsoló állapotának jellemzésére. A kísérletek azt mutatják, hogy a módszer hatékonyan azonosítja a motor zavarodásának állapotát 98.33% pontossággal.