Metode Deteksi Baru untuk Kegagalan Pada Saklar Beban

Dalam beberapa tahun terakhir, seiring dengan kemajuan otomatisasi distribusi, saklar beban semakin banyak digunakan dalam jalur distribusi. Namun, kecelakaan yang disebabkan oleh kegagalan mekanis meningkat, membebani operasi dan pemeliharaan jalur.

Kinerja mekanis yang buruk adalah penyebab utama kerusakan pada saklar. Banyak peneliti mempelajari operasi peralatan pengendali listrik skala besar, menggunakan metode seperti deteksi arus kumparan, analisis sinyal getaran, pengujian perjalanan saklar, deteksi cacat ultrasonik, dan termometri inframerah. Deteksi status saklar berbasis arus motor bekerja untuk pemutus sirkuit dan pemutus kontak, tetapi kurang diterapkan pada kerusakan mekanisme penggerak saklar beban.

Penelitian pada saklar beban yang beroperasi di lapangan menunjukkan bahwa sinyal arus motor penyimpan energi mencerminkan status saklar. Masalah mekanis (misalnya, macet pegas, karat, macet roda gigi) dalam mekanisme penggerak mengubah parameter sinyal arus (amplitudo, durasi, puncak lokal). Fokus pada karat-macet motor penyimpan energi yang umum di daerah pesisir, makalah ini mempelajari ekstraksi fitur dan identifikasi kerusakan. Langkah-langkah: 1) Analisis karakteristik arus motor, membagi bentuk gelombang menjadi 4 tahap, dan menilai setiap tahap. 2) Merancang perangkat pengambilan data untuk bentuk gelombang arus dalam kondisi berbeda. 3) Menyusun algoritma awal perekaman, ekstraksi fitur, dan metode identifikasi kerusakan. 4) Menguji melalui percobaan.

1 Analisis Karakteristik Arus Motor Penyimpan Energi

Saklar beban biasanya menggunakan motor DC untuk mendorong pegas kompresi untuk penyimpanan energi. Selama operasi motor, torsi output rotor dan kecepatan berkaitan erat dengan arus sirkuit stator. Persamaan torsi elektromagnetik dan tegangan motor DC seri paralel adalah sebagai berikut:

Dalam Persamaan (1), T mewakili torsi elektromagnetik; n mewakili kecepatan rotasi; Ia mewakili arus armatur; Ra mewakili resistansi sirkuit armatur, yang merupakan konstan; Ea mewakili gaya gerak elektromagnet induksi; U mewakili tegangan terminal; ΔU mewakili jatuh tegangan kontak, yang merupakan konstan; ϕ mewakili fluks magnet; Ce mewakili konstanta gaya gerak elektromagnet; dan C_T mewakili koefisien torsi. Berdasarkan Persamaan (1), kita dapat menurunkan:

Dari Persamaan (2), ketika arus beban kecil, efek demagnetisasi dari reaksi armatur dapat diabaikan, sehingga fluks magnet dianggap konstan, dan torsi elektromagnet proporsional dengan arus beban. Seiring peningkatan arus beban, torsi meningkat tetapi kecepatan rotasi cenderung menurun. Namun, efek demagnetisasi dari arus beban yang lebih tinggi mengurangi fluks magnet, yang akan meningkatkan kecepatan. Efek-efek yang saling bertentangan ini biasanya menyebabkan penurunan kecil pada kecepatan motor seri paralel. Gambar 1 menunjukkan bentuk gelombang arus DC motor penyimpan energi yang sedang beroperasi, dibagi menjadi 4 tahap.Gambar 1 menunjukkan bentuk gelombang arus motor DC penyimpan energi yang sedang beroperasi, dibagi menjadi 4 tahap.

Tahap 1 (t₀)–(t₁): Tahap Start-up Motor

Pada waktu t0, saklar beban menerima sinyal penutupan dari unit terminal distribusi, memberikan energi ke motor kontrol untuk mulai dengan beban. Arus motor melonjak hingga puncak start-up pada (t_st), lalu turun cepat untuk masuk ke operasi stabil.

Tahap 2 (t₁)–(t₂): Tahap Operasi Stabil Motor

Motor menggerakkan roda gigi transmisi untuk idle. Selama tahap ini, motor berjalan stabil dengan beban ringan, dengan amplitudo arus motor pada (Ia).

Tahap 3 (t₂)–(t₄): Tahap Penyimpanan Energi Pegas

Seiring dengan penyimpanan energi pegas kompresi, torsi output motor secara bertahap meningkat, mencapai maksimum pada (t3); pada titik ini, arus motor juga mencapai maksimum tahap (Im). Kemudian, torsi output motor secara bertahap menurun.

Tahap 4 (t₄)–(t₅): Tahap Pemutusan Arus Motor

Pada (t4), pegas kompresi mencapai batas switch, memutuskan daya ke motor. Arus motor turun tajam hingga mencapai 0 pada (t₅), dan motor berhenti berjalan.

2 Diagnosis Kerusakan Macet Motor Penyimpan Energi
2.1 Simulasi Kerusakan & Pengambilan Data

Tes kerusakan macet disimulasikan pada saklar beban dari pabrik peralatan listrik (skenario pada Gambar 2(a)). Setelah membongkar saklar, selama tahap operasi stabil motor dan tahap penyimpanan energi pegas, rocker diterapkan untuk memberikan gaya terbalik terkunci rotor untuk mensimulasikan macet roda gigi/pegas. Perangkat pengambilan data arus khusus (Gambar 2(b)) menggunakan chip ARM STM32F103 untuk mengumpulkan sinyal dari transformator arus Hall HSTS016L (input DC: 0–30A). Karena sinyal pembukaan tidak memiliki bentuk gelombang arus target, studi ini fokus pada sinyal arus penutupan.

2.2 Algoritma Awal Perekaman Bentuk Gelombang

Dari Gambar 1, bentuk gelombang sinyal efektif mencakup jendela waktu t₀ hingga t₅， terdiri dari 4 tahap dengan variasi arus yang berbeda. Selain itu, ada perbedaan signifikan dalam amplitudo sinyal antara motor penggerak yang berbeda. Oleh karena itu, menggunakan ambang batas amplitudo arus sederhana sebagai kriteria awal untuk perekaman bentuk gelombang sinyal jelas tidak tepat. Oleh karena itu, studi ini mengadopsi laju perubahan arus K_t dalam jendela waktu unit dan nilai rata-rata I_mean sebagai kriteria awal untuk mencapai perekaman bentuk gelombang yang efektif.Laju perubahan arus jendela waktu unit:

Arus rata-rata setiap jendela waktu:

Dalam Persamaan (3) dan (4), I_i mewakili sinyal arus; M adalah jumlah titik sampel dalam jendela waktu unit; Δ t adalah panjang waktu jendela waktu unit, dan Δ t = 0.02s dalam makalah ini; I₍₁₎ adalah titik sampel pertama dalam jendela waktu unit.

2.3 Ekstraksi Fitur Domain Waktu

Untuk mengidentifikasi kerusakan macet motor penyimpan energi, informasi ekspresif kurva diekstrak melalui beberapa indikator domain waktu. Kurtosis K dapat menggambarkan kelancaran sinyal arus; root mean square I_rms dapat menggambarkan energi rata-rata sinyal arus; skewness sk adalah ukuran arah dan derajat kemiringan distribusi data statistik; faktor bentuk sh dan faktor puncak C digunakan untuk menggambarkan derajat ekstrem puncak arus dalam bentuk gelombang.

Algoritma klasifikasi Random Forest (RF) mengintegrasikan beberapa pohon keputusan. Kategori outputnya ditentukan oleh modus kategori pohon keputusan individu, dengan akurasi tinggi, toleransi baik terhadap data abnormal, dan risiko overfitting rendah.

2.4 Algoritma Random Forest

RF bergantung pada sampling Bootstrap (sampling dengan penggantian untuk membentuk n set sampel dari dataset asli) dan voting Bagging. Bagging menghasilkan n set pelatihan melalui Bootstrap, masing-masing melatih klasifikasi lemah independen. Keputusan akhir berasal dari voting pada output klasifikasi lemah, dengan suara mayoritas sebagai hasilnya.

RF menggunakan pohon keputusan CART (pohon biner yang terpecah dari atas ke bawah dari akar, meminimalkan indeks Gini untuk pemisahan, formula (5)). Menurut Liu Min et al. 100 pohon keputusan mengoptimalkan kinerja klasifikasi. Oleh karena itu, studi ini menggunakan 100 pohon CART untuk hutan acak.

3 Analisis Kasus
3.1 Pemilihan Fitur

Indeks Gini dalam hutan acak digunakan untuk mengevaluasi pentingnya setiap fitur. Hasilnya ditunjukkan pada Gambar 3, di mana ordinat mewakili koefisien proporsional. Dapat dilihat bahwa empat besaran fitur, yaitu faktor puncak C, skewness sk, root mean square I_rms, dan kurtosis K, sangat penting dan dapat secara efektif menggambarkan perbedaan dalam berbagai keadaan saklar beban. Empat besaran fitur, termasuk faktor bentuk sh, arus awal maksimum I_st, waktu operasi motor t, dan T_m, memiliki pentingan rendah. Oleh karena itu, studi ini memilih C, sk, I_rms, dan K sebagai vektor fitur.

3.2 Hasil Diagnosa Hutan Acak

Algoritma RF mengklasifikasikan dua keadaan saklar beban (normal/macet) menggunakan 300 sampel per keadaan untuk pelatihan (total 600) dan 30 sampel untuk pengujian. Matriks kebingungan (Gambar 4) menunjukkan identifikasi sempurna keadaan normal, akurasi 97% untuk macet, dan akurasi klasifikasi rata-rata 98,33%.

3.3 Perbandingan Algoritma Klasifikasi yang Berbeda

Untuk menguji kinerja klasifikasi hutan acak, Support Vector Machine (SVM) dan Extreme Learning Machine (ELM) dilatih secara bersamaan untuk perbandingan. Hasil pengujian ditunjukkan pada Tabel 1.

Dari Tabel 1, di antara tiga klasifikasi, algoritma Random Forest (RF) membutuhkan waktu diagnosis relatif lama sebesar 6,9 ms untuk sampel set uji. Dalam hal akurasi, Support Vector Machine (SVM) mencapai 95% untuk dua keadaan operasi, lebih rendah dari RF. Karena bobot lapisan tersembunyi acak, Extreme Learning Machine (ELM) memiliki akurasi yang bervariasi antara 85% - 96,67% dan ketahanan yang lebih rendah daripada RF. Oleh karena itu, algoritma RF yang digunakan memiliki akurasi tinggi dan ketahanan yang baik.

4 Kesimpulan

Makalah ini mengusulkan metode deteksi kerusakan mekanis saklar beban menggunakan fitur domain waktu arus motor penyimpan energi dan algoritma Random Forest (RF). Metode ini mengekstrak fitur domain waktu yang representatif dari bentuk gelombang arus motor dan menggunakan klasifikasi RF untuk identifikasi keadaan. Kriteria awal perekaman gelombang yang diusulkan efektif mengambil sinyal arus motor. Dengan memanfaatkan indeks Gini dalam RF, metode ini mengevaluasi pentingan fitur dan memilih empat fitur kunci (faktor puncak, skewness, root mean square, kurtosis) untuk menggambarkan keadaan saklar beban. Eksperimen menunjukkan metode ini efektif mengidentifikasi keadaan macet motor dengan akurasi 98,33%.