新しい負荷スイッチの固定故障検出方法

近年、配電自動化が進展するにつれて、負荷スイッチは配電線路で広く使用されるようになりました。しかし、機械的な故障による事故が増えているため、線路の運行と保守に負担をかけています。

機械性能の劣化がスイッチの故障の主な原因です。多くの研究者が大規模なスイッチギアの動作を研究し、コイル電流検出、振動信号解析、スイッチ行程試験、超音波欠陥検出、赤外線温度計測などの方法を使用しています。モータ電流に基づくスイッチ状態検出は遮断器や分離器では有効ですが、負荷スイッチ駆動機構の故障にはあまり適用されていません。

現場で稼働している負荷スイッチの研究では、エネルギー貯蔵モータの電流信号がスイッチの状態を反映することが示されています。駆動機構における機械的な問題（例えば、ばねの詰まり、錆、ギアの詰まり）は、電流信号パラメータ（振幅、持続時間、局所ピーク）を変化させます。沿岸地域で一般的なエネルギー貯蔵モータの錆による詰まりに焦点を当て、本論文では故障特徴抽出と識別について研究します。手順：1) モータ電流特性の分析、波形を4つの段階に分割し、各段階を評価する。2) 異なる条件下での電流波形取得用データ取得装置の設計。3) 記録開始アルゴリズム、特徴抽出、および故障識別方法の提案。4) 実験による検証。

1 エネルギー貯蔵モータ電流特性の分析

負荷スイッチは通常、エネルギーストア用の圧縮ばねを駆動するための直流モータを使用します。モータ動作中、ロータの出力トルクと速度はスタータ回路電流と密接に関連しています。並列励磁直流モータの電磁トルクと電圧方程式は以下の通りです：

式(1)において、Tは電磁トルクを表し、nは回転速度を表し、Iaはアーマチュア電流を表し、Raはアーマチュア回路抵抗を表し、これは定数です；Eaは巻線誘導起電力を表し、Uは端子電圧を表し、ΔUは接触電圧降下を表し、これは定数です；ϕは磁束を表し、Ceは起電力定数を表し、C_Tはトルク係数を表します。式(1)から以下のように導き出すことができます：

式(2)によれば、負荷電流が小さいとき、アーマチュア反応による脱磁効果は無視できるほど小さく、磁束は一定と考えられ、電磁トルクは負荷電流に比例します。負荷電流が増加するとトルクも上昇しますが、回転速度は減少する傾向があります。しかし、高い負荷電流による脱磁効果により磁束が減少し、これは速度を増加させる傾向があります。これらの相反する効果は通常、並列励磁モータの速度をわずかに減少させます。図1はDCエネルギーストアモータの動作中の典型的な電流波形を示しており、4つの段階に分割されています。

段階1 (t₀)～(t₁): モータ起動段階

時刻t₀で、負荷スイッチは配電端末ユニットからの閉鎖信号を受け取り、制御モータが負荷を伴って起動します。モータ電流は(t_st)で起動ピークに達し、その後急速に低下して安定した動作に入ります。

段階2 (t₁)～(t₂): モータ安定動作段階

モータは伝動ギアをアイドル状態で駆動します。この段階では、モータは軽負荷で安定して動作し、モータ電流の振幅はIaです。

段階3 (t₂)～(t₄): スプリングエネルギーストア段階

圧縮ばねがエネルギーを蓄えるにつれて、モータの出力トルクは徐々に増加し、(t₃)で最大値に達します；この時点でもモータ電流は段階最大値Imに達します。その後、モータの出力トルクは徐々に減少します。

段階4 (t₄)～(t₅): モータ電流中断段階

(t₄)で、圧縮ばねが限界スイッチに到達し、モータへの電源が切断されます。モータ電流は急激に低下し、(t₅)で0に達し、モータは停止します。

2 エネルギー貯蔵モータの詰まり故障診断
2.1 故障シミュレーションとデータ取得

電気設備工場の負荷スイッチで詰まり故障テストをシミュレートしました（図2(a)のシナリオ）。スイッチを分解し、モータの安定動作段階とスプリングエネルギーストア段階で、ロックアームを使用して逆方向のロックロータ力を適用してギアまたはスプリングの詰まりをシミュレートしました。カスタム電流取得装置（図2(b)）はARM STM32F103チップを使用してHSTS016Lホール電流変換器（DC入力：0〜30A）からの信号を収集しました。開閉信号には目標となる電流波形がないため、本研究では閉鎖電流信号に焦点を当てています。

2.2 波形記録開始アルゴリズム

図1から、有効な信号波形はt₀からt₅までの時間窓にまたがり、異なる電流変化を持つ4つの段階で構成されています。さらに、異なる駆動モータ間で信号振幅には大きな違いがあります。したがって、単純な電流振幅閾値を信号波形記録の開始基準として使用することは明らかに不適切です。そのため、本研究では単位時間窓内の電流変化率K_tと平均値I_meanを開始基準として採用し、有効な波形記録を実現します。単位時間窓内の電流変化率：

各時間窓の平均電流：

式(3)と(4)において、I_iは電流信号を表し、Mは単位時間窓内のサンプリング点数を表し、Δtは単位時間窓の時間長を表し、本論文ではΔt = 0.02sです；I₍₁₎は単位時間窓内の最初のサンプリング点です。

2.3 時間領域特徴抽出

エネルギーストアモータの詰まり故障を識別するために、曲線の表現的な情報をいくつかの時間領域指標を通じて抽出します。尖度Kは電流信号の滑らかさを特徴付けることができます；均方根I_rmsは電流信号の平均エネルギーを特徴付けることができます；歪度skは統計データ分布の歪みの方向と程度を測定します；形状因子shとピーク因子Cは波形内の電流ピークの極端な程度を特徴付けます。

ランダムフォレスト（RF）分類アルゴリズムは複数の決定木を統合します。その出力カテゴリは個々の決定木のカテゴリの最頻値によって決定され、高い精度、異常データに対する良好な耐性、低い過学習リスクを特徴としています。

2.4 ランダムフォレストアルゴリズム

RFはブートストラップサンプリング（置換ありサンプリングにより元のデータセットからn個のサンプルセットを形成）とバギング投票に依存します。バギングはブートストラップによりn個の訓練セットを生成し、それぞれが独立した弱分類器を訓練します。最終的な決定は弱分類器の出力の投票により行われ、多数決が結果となります。

RFはCART決定木（二分木であり、上から下へとルートから分割し、ジニ指数を最小化するように分割する、式(5)）を使用します。劉敏らの研究によれば、100本の決定木が分類性能を最適化します。したがって、本研究ではランダムフォレストに100本のCARTツリーを使用します。

3 事例分析
3.1 特徴選択

ランダムフォレストのジニ指数を使用して各特徴の重要性を評価します。結果は図3に示されており、縦軸は比例係数を表しています。ピーク因子C、歪度sk、均方根I_rms、尖度Kの4つの特徴量が非常に重要であり、負荷スイッチの異なる状態の差を効果的に特徴付けることがわかります。形状因子sh、最大起動電流I_st、モータ動作時間t、T_mの4つの特徴量は重要性が低いです。したがって、本研究ではC、sk、I_rms、Kを特徴ベクトルとして選択します。

3.2 ランダムフォレスト診断結果

RFアルゴリズムは正常/詰まりの2つの負荷スイッチ状態を分類し、各状態につき300サンプルを訓練に使用（合計600サンプル）、30サンプルをテストに使用しました。混同行列（図4）は正常状態の識別が完全であり、詰まりの識別精度は97%、平均分類精度は98.33%でした。

3.3 さまざまな分類アルゴリズムの比較

ランダムフォレスト分類器の性能をテストするために、サポートベクターマシン（SVM）と極限学習マシン（ELM）も同時に訓練して比較しました。テスト結果は表1に示されています。

表1から、3つの分類器の中で、ランダムフォレスト（RF）アルゴリズムはテストセットサンプルの診断時間が相対的に長い6.9msです。精度に関しては、サポートベクターマシン（SVM）は2つの動作状態で95%を達成し、RFよりも低くなっています。ランダムな隠れ層の重みにより、極限学習マシン（ELM）の精度は85%から96.67%の間で変動し、RFよりも堅牢性が低いです。したがって、使用されたRFアルゴリズムは高い精度と良い堅牢性を持っています。

4 結論

本論文では、エネルギーストアモータの電流時間領域特徴とランダムフォレスト（RF）アルゴリズムを使用した負荷スイッチの機械故障検出方法を提案します。モータ電流波形から代表的な時間領域特徴を抽出し、RF分類器を使用して状態識別を行います。提案された記録開始基準により、効果的にモータ電流信号を取得することができます。RFのジニ指数を利用して特徴の重要性を評価し、ピーク因子、歪度、均方根、尖度の4つの主要特徴を選択して負荷スイッチの状態を特徴付けます。実験結果は、この方法が98.33%の精度でモータの詰まり状態を効果的に識別できることを示しています。