Un Nuovo Metodo di Rilevamento per Guasti di Blocco negli Interruttori di Carico
Negli ultimi anni, con l'avanzamento dell'automazione della distribuzione, gli interruttori di carico sono utilizzati sempre più ampiamente nelle linee di distribuzione. Tuttavia, gli incidenti causati da guasti meccanici stanno aumentando, aggravando l'operatività e la manutenzione delle linee.
Le prestazioni meccaniche scadenti sono la principale causa dei guasti degli interruttori. Molti studiosi studiano l'operazione su larga scala degli apparati di commutazione, utilizzando metodi come la rilevazione della corrente del bobina, l'analisi del segnale di vibrazione, il test di corsa degli interruttori, la rilevazione di difetti ultrasonora e la termometria infrarossa. La rilevazione dello stato dell'interruttore basata sulla corrente del motore funziona per i disgiuntori e i seccionatori, ma è meno applicata ai guasti del meccanismo di pilotaggio degli interruttori di carico.
Le ricerche sugli interruttori di carico in funzione mostrano che i segnali di corrente del motore di accumulo di energia riflettono lo stato dell'interruttore. I problemi meccanici (ad esempio, blocco della molla, corrosione, blocco dell'ingranaggio) nel meccanismo di pilotaggio alterano i parametri del segnale di corrente (ampiezza, durata, picchi locali). Concentrandosi sull'ingorgo comune nei motori di accumulo di energia in aree costiere, questo articolo studia l'estrazione e l'identificazione delle caratteristiche dei guasti. Passaggi: 1) Analizzare le caratteristiche della corrente del motore, dividere i grafici in 4 fasi e valutare ciascuna fase. 2) Progettare un dispositivo di acquisizione dati per i grafici di corrente in diverse condizioni. 3) Proporre un algoritmo di avvio della registrazione, estrazione delle caratteristiche e metodi di identificazione dei guasti. 4) Validare tramite esperimenti.
1 Analisi delle Caratteristiche della Corrente del Motore di Accumulo di Energia
Gli interruttori di carico utilizzano tipicamente motori a corrente continua per azionare molle di compressione per l'accumulo di energia. Durante l'operazione del motore, la coppia di uscita del rotore e la velocità di rotazione sono strettamente correlate alla corrente del circuito statorico. Le equazioni di coppia eletromagnetica e di tensione del motore a corrente continua eccitato in parallelo sono le seguenti:
Nella Equazione (1), T rappresenta la coppia elettromagnetica; n rappresenta la velocità di rotazione; Ia rappresenta la corrente d'armatura; Ra rappresenta la resistenza del circuito d'armatura, che è una costante; Ea rappresenta la forza elettromotrice indotta nell'avvolgimento; U rappresenta la tensione ai capi; ΔU rappresenta la caduta di tensione di contatto, che è una costante; ϕ rappresenta il flusso magnetico; Ce rappresenta la costante di forza elettromotrice; e CT rappresenta il coefficiente di coppia. In base all'Equazione (1), possiamo derivare:
Dall'Equazione (2), quando la corrente di carico è piccola, l'effetto demagnetizzante della reazione dell'armatura è trascurabile, quindi il flusso magnetico viene considerato costante e la coppia elettromagnetica è proporzionale alla corrente di carico. Aumentando la corrente di carico, la coppia aumenta ma la velocità di rotazione tende a diminuire. Tuttavia, l'effetto demagnetizzante dovuto a una corrente di carico maggiore riduce il flusso magnetico, il che aumenterebbe la velocità. Questi effetti opposti solitamente causano una leggera diminuzione della velocità del motore eccitato in parallelo. La Figura 1 mostra il tipico grafico di corrente di un motore a corrente continua di accumulo di energia in funzione, diviso in 4 fasi.La Figura 1 mostra il tipico grafico di corrente di un motore a corrente continua di accumulo di energia in funzione, diviso in 4 fasi.
Fase 1 (t0)–(t1): Fase di Avvio del Motore
Al tempo t0, l'interruttore di carico riceve un segnale di chiusura dall'unità terminale di distribuzione, alimentando il motore di controllo per l'avvio con carico. La corrente del motore sale a un picco di avvio a tst, poi diminuisce rapidamente per entrare in operazione stabile.
Fase 2 (t1)–(t2): Fase di Operazione Stabile del Motore
Il motore aziona l'ingranaggio di trasmissione per farlo girare a vuoto. Durante questa fase, il motore funziona stabilmente sotto carico leggero, con l'ampiezza della corrente del motore a Ia.
Fase 3 (t2)–(t4): Fase di Accumulo di Energia della Molla
Mentre la molla di compressione accumula energia, la coppia di uscita del motore aumenta gradualmente, raggiungendo il massimo a t3; in questo punto, la corrente del motore raggiunge anche il massimo della fase Im. Successivamente, la coppia di uscita del motore diminuisce gradualmente.
Fase 4 (t4)–(t5): Fase di Interruzione della Corrente del Motore
A t4, la molla di compressione raggiunge l'interruttore di fine corsa, interrompendo l'alimentazione del motore. La corrente del motore diminuisce bruscamente fino a raggiungere 0 a t5, e il motore smette di funzionare.
2 Diagnosi dei Guasti di Blocco del Motore di Accumulo di Energia
2.1 Simulazione dei Guasti e Acquisizione dei Dati
È stata simulata un test di guasto di blocco su un interruttore di carico proveniente da un'azienda di attrezzature elettriche (scenario in Figura 2(a)). Dopo lo smontaggio dell'interruttore, durante la fase di operazione stabile del motore e la fase di accumulo di energia della molla, un oscillatore ha applicato forze di blocco inverso per simulare il blocco dell'ingranaggio o della molla. Un dispositivo di acquisizione personalizzato (Figura 2(b)) ha utilizzato un chip ARM STM32F103 per raccogliere i segnali dal trasformatore di corrente Hall HSTS016L (ingresso DC: 0–30A). Poiché il segnale di apertura non presenta il grafico di corrente desiderato, questo studio si concentra sul segnale di corrente di chiusura.
2.2 Algoritmo di Avvio della Registrazione del Grafico
Dalla Figura 1, il grafico del segnale efficace copre la finestra temporale da t0 a t5, consistente in 4 fasi con variazioni di corrente diverse. Inoltre, ci sono significative differenze nelle ampiezze dei segnali tra diversi motori di pilotaggio. Pertanto, l'utilizzo di una semplice soglia di ampiezza di corrente come criterio di avvio per la registrazione del grafico del segnale è chiaramente inappropriato. Pertanto, questo studio adotta il tasso di variazione della corrente Kt entro una finestra temporale unitaria e il valore medio Imean come criteri di avvio per ottenere una registrazione efficace del grafico. Tasso di variazione della corrente nella finestra temporale unitaria:
Corrente media di ogni finestra temporale:
Nelle Equazioni (3) e (4), Ii rappresenta il segnale di corrente; M è il numero di punti di campionamento nella finestra temporale unitaria; Δt è la lunghezza temporale della finestra temporale unitaria, e Δt = 0.02s in questo studio; I(1) è il primo punto di campionamento nella finestra temporale unitaria.
2.3 Estrazione delle Caratteristiche nel Dominio del Tempo
Per identificare il guasto di blocco del motore di accumulo di energia, vengono estratte informazioni espressive dalla curva attraverso alcuni indicatori nel dominio del tempo. La curtosi K può caratterizzare la regolarità del segnale di corrente; la radice quadrata della media quadratica Irms può caratterizzare l'energia media del segnale di corrente; l'asimmetria sk è una misura della direzione e del grado di asimmetria della distribuzione dei dati statistici; il fattore di forma sh e il fattore di picco C vengono utilizzati per caratterizzare il grado estremo del picco di corrente nel grafico.
L'algoritmo di classificazione Random Forest (RF) integra molteplici alberi decisionali. La sua categoria di output è determinata dalla modalità delle categorie individuali degli alberi decisionali, caratterizzandosi per alta precisione, buona tolleranza per i dati anomali e basso rischio di sovradattamento.
2.4 Algoritmo Random Forest
Il RF si basa sul campionamento Bootstrap (campionamento con sostituzione per formare n set di campioni dal dataset originale) e sul voto Bagging. Il Bagging genera n set di addestramento tramite Bootstrap, ciascuno addestra un classificatore debole indipendente. Le decisioni finali provengono dal voto sui risultati dei classificatori deboli, con il voto di maggioranza come risultato.
Il RF utilizza alberi decisionali CART (alberi binari che si dividono dall'alto verso il basso dalla radice, minimizzando l'indice Gini per le divisioni, formula (5)). Secondo Liu Min et al., 100 alberi decisionali ottimizzano le prestazioni di classificazione. Pertanto, questo studio utilizza 100 alberi CART per la foresta casuale.
3 Analisi del Caso
3.1 Selezione delle Caratteristiche
L'indice Gini nella foresta casuale viene utilizzato per valutare l'importanza di ciascuna caratteristica. I risultati sono mostrati nella Figura 3, dove l'ordinata rappresenta il coefficiente proporzionale. Si può vedere che quattro quantità di caratteristiche, ovvero il fattore di picco C, l'asimmetria sk, la radice quadrata della media quadratica Irms e la curtosi K, sono altamente importanti e possono caratterizzare efficacemente le differenze in diversi stati dell'interruttore di carico. Quattro quantità di caratteristiche, compreso il fattore di forma sh, la corrente di avvio massima Ist, il tempo di funzionamento del motore t e Tm, sono di bassa importanza. Pertanto, questo studio seleziona C, sk, Irms e K come vettori di caratteristiche.
3.2 Risultati di Diagnosi del Random Forest
L'algoritmo RF classifica due stati dell'interruttore di carico (normale/bloccato) utilizzando 300 campioni per stato per l'addestramento (totale 600) e 30 campioni per il test. La matrice di confusione (Figura 4) mostra un'identificazione perfetta dello stato normale, una precisione del 97% per il blocco e una precisione media di classificazione del 98,33%.
3.3 Confronto tra Diversi Algoritmi di Classificazione
Per testare le prestazioni del classificatore random forest, vengono addestrati contemporaneamente un Support Vector Machine (SVM) e un Extreme Learning Machine (ELM) per confronto. I risultati dei test sono mostrati nella Tabella 1.
Dalla Tabella 1, tra i tre classificatori, l'algoritmo Random Forest (RF) impiega un tempo di diagnosi relativamente lungo di 6,9 ms per i campioni del set di test. In termini di precisione, il Support Vector Machine (SVM) raggiunge il 95% per i due stati di funzionamento, inferiore al RF. A causa dei pesi casuali del livello nascosto, l'Extreme Learning Machine (ELM) ha una precisione che fluttua tra l'85% e il 96,67% e una robustezza inferiore al RF. Pertanto, l'algoritmo RF utilizzato ha alta precisione e buona robustezza.
4 Conclusione
Questo articolo propone un metodo di rilevazione dei guasti meccanici degli interruttori di carico utilizzando le caratteristiche nel dominio del tempo della corrente del motore di accumulo di energia e l'algoritmo Random Forest (RF). Estrae caratteristiche rappresentative nel dominio del tempo dai grafici di corrente del motore e utilizza un classificatore RF per l'identificazione dello stato. Il criterio di avvio della registrazione proposto acquisisce efficacemente i segnali di corrente del motore. Utilizzando l'indice Gini nel RF, valuta l'importanza delle caratteristiche e seleziona quattro caratteristiche chiave (fattore di picco, asimmetria, radice quadrata della media quadratica, curtosi) per caratterizzare gli stati dell'interruttore di carico. Gli esperimenti mostrano che il metodo identifica efficacemente gli stati di blocco del motore con una precisione del 98,33%.
