Жаңа анықтау әдісі жүк күндетшілеріндегі құлау жарылысына арналған
Жыңы жылдарда, тарқату автоматтандыруының дамуымен, жүк шығу аймактарында жүк көрсеткіштерінің қолданылуы кеңейеді. Бірақ, механикалық жұқтың пікіріне байланысты оқиғалардың саны артуда, линияның қызмет ету және қадағалауына тауықтай.
Жұқтың жақсы емес механикалық қызмет етуі - көрсеткіштердің қателерінің негізгі себепі. Көптеген оқырман-зерттеушілер, көлемді көрсеткіш қызмет етуін зерттейді, койлы тұрғынын басқару, вибрация сигналдарын талдау, көрсеткіштің жолауын тексеру, ультразылдамды заттық дефекттерді анықтау, инфракызыл термометрия әдістерін қолданады. Моторлық тұрғынына негізделген көрсеткіштің статусын анықтау қозғалтқыштар мен бөлеккеулер үшін қолданылады, бірақ жүк көрсеткіштерінің айналу механизмдеріндегі қателер үшін аз қолданылады.
Жүк көрсеткіштерінің жерде жүруі зерттелгенінен энергия сақтау моторының тұрғыны сигналдары көрсеткіш статусын білдіреді. Айналу механизміндегі механикалық проблемалар (мысалы, пружина жабылымы, коррозия, шестерня жабылымы) тұрғыны сигнал параметрлерін өзгертеді (амплитуда, уақыт, жергілікті пики). Жағында мезгілде энергия сақтау моторының коррозия жабылымына байланысты, бұл мақала қате белгілерін шығару және анықтау зерттеулерін қарастырады. Кадамдар: 1) Моторлық тұрғынының өзіндіктерін талдау, графикасын 4 этапқа бөлу және әр этапты бағалау. 2) Аралық шарттар үшін тұрғыны графикасын ұстау үшін құрылғы құрастыру. 3) Тұрғынының басын іске қосу алгоритмін, белгілерді шығару және қате анықтау әдістерін ұсыну. 4) Эксперименттер арқылы дәлелдеу.
1 Энергия сақтау моторының тұрғыны өзіндіктерін талдау
Жүк көрсеткіштері көбінесе DC моторларды қолданып, энергия сақтау үшін пружиналарды айналдыруға қолданылады. Мотор қызмет еткен уақытта, ротордың шығарылған моменті және жылдамдығы статордың контур тұрғынына жақын. Шунталдыру DC моторының электромагнитті момента және напряжение теңдеулері мынадай:
(1) теңдеуінде, T - электромагнитті момент; n - айналу жылдамдығы; Ia - ядро тұрғыны; Ra - ядро контур сопротивления, бұл тұрақты; Ea - обмотка үшін электромагнитті индукция; U - кіріс напряжение; ΔU - контакттық напряжение жөндегі тұрақты; ϕ - магнитті поток; Ce - электромагнитті индукция коэффициенті; CT - момент коэффициенті. (1) теңдеуіне негізделген, біз төмендегіді шыға аламыз:
(2) теңдеуінен, жүк тұрғынының кіші болғанда, ядро реакциясының демагнетизациялық әсері ескерілетін жоқ, сондықтан магнитті поток тұрақты деп есептеледі, электромагнитті момент жүк тұрғынына пропорционал. Жүк тұрғынының артуымен, момент артады, бірақ айналу жылдамдығы азайып кетеді. Бірақ, жүк тұрғынының артуымен, демагнетизациялық әсер магнитті потокты азайтады, бұл айналу жылдамдығын арттырады. Бұл қарама-қарти әсерлер, шунталдыру моторының айналу жылдамдығын азайтуына әкеледі.Сурет 1, энергия сақтау DC моторының типтік тұрғыны графикасын көрсетеді, бұл графика 4 этапқа бөлінген.
Этап 1 (t0)–(t1): Мотордың іске қосылу этапы
t0 уақытында, жүк көрсеткіші распределюциондық терминалден жабық сигнал алады, бұл мотордың іске қосылуын қолдайды. Мотор тұрғыны (tst) уақытында іске қосылу максимумына жетеді, содан кейін тез төмендейіп, стабильге қол жеткізеді.
Этап 2 (t1)–(t2): Мотордың стабиль қызмет ету этапы
Мотор, передача шестернясын холостық режимде айналдырады. Бұл этапта, мотор аз жүк астында стабильно қызмет етеді, мотор тұрғынының амплитудасы (Ia).
Этап 3 (t2)–(t4): Пружина энергия сақтау этапы
Пружина энергия сақтауымен, мотордың шығарылған момента қатары артады, (t3) уақытында максимумға жетеді; бұл уақытта, мотор тұрғыны да этаптың максимумына (Im) жетеді. Содан кейін, мотордың шығарылған момента қатары төмендейді.
Этап 4 (t4)–(t5): Мотор тұрғынының тоқтату этапы
(t4) уақытында, пружина шектеріне жетеді, моторға энергия берілімі тоқтатылады. Мотор тұрғыны тез төмендейіп, (t5) уақытында 0-ге жетеді, мотор қызмет етуін тоқтатады.
2 Энергия сақтау моторының жабылымына қателерді анықтау
2.1 Қате симуляциясы және деректерді жинау
Электр техникалық заводынан алынған жүк көрсеткішінде (Сурет 2(a)) жабылым қатесін симулировали. Көрсеткішті ажыратып, мотордың стабиль қызмет ету және пружина энергия сақтау этаптарында, качель арқылы теріс айналу күшін қолданып, шестерня/пружина жабылымын симулировали. Жеке жасалған тұрғыны жинақ құрылғысы (Сурет 2(b)) ARM STM32F103 чипін пайдаланып, HSTS016L Холл трансформаторынан (DC кіріс: 0-30A) сигналдарды жинау үшін қолданылады. Ашылу сигналында мақсатты тұрғыны графикасы жоқ, сондықтан бұл зерттеу жабылу тұрғыны сигналына байланысты.
2.2 Графиканы жазу басталу алгоритмі
Сурет 1-ден, нәтижелік сигнал графикасы t0 - t5， уақыт аралығында жүзеге асырылады, бұл 4 этапқа бөлінген, әр түрлі тұрғыны өзгерістері бар. Еңбегін атқаратын арнайы моторлардың сигнал амплитудаларының арасында өзара айырмалар бар. Сондықтан, тұрғыны амплитудасының таңбалы шекарасын сигнал графикасын жазу басталу критерийі ретінде қолдану терең қате. Сондықтан, бұл зерттеу бірлік уақыт аралығындағы тұрғыны өзгерісінің Kt және орташа мәні Imean жазу басталу критерийлерін ретінде қолданып, нәтижелік сигнал графикасын жазу үшін қолданылады. Бірлік уақыт аралығындағы тұрғыны өзгерісі:
Әрбір уақыт аралығындағы орташа тұрғыны:
(3) және (4) теңдеулерде, Ii - тұрғыны сигналы; M - бірлік уақыт аралығындағы сэмплер саны; Δ t - бірлік уақыт аралығының ұзақтығы, бұл мақалада Δ t = 0.02s; I(1) - бірлік уақыт аралығындағы бірінші сэмплер.
2.3 Уақыт аймағындағы белгілерді шығару
Энергия сақтау моторының жабылым қатесін анықтау үшін, кесіндінің экспрессивті ақпаратын қандайда бір уақыт аймағындағы көрсеткілер арқылы шығарылады. Куртозис K тұрғыны сигналин жұлдыздығын білдіре алады; квадраттық орташа Irms тұрғыны сигналин орташа энергиясын білдіре алады; көтерілгендік sk статистикалық деректердің таралуының бағыты мен деңгейін өлшеу; форма факторы sh және пики факторы C графикасындағы тұрғыны пикинің экстремальды деңгейін білдіреді.
Кездейсоқ Орман (Random Forest, RF) классификация алгоритмі көптеген шешім ағаштарын біріктіреді. Оның шығыс категориясы әрбір шешім ағашының категориясының модасына негізделеді, ол өте дәл, жоғары қателерге төтерлік, және аз өзара қосу ризикосын білдіреді.
2.4 Кездейсоқ Орман алгоритмі
RF Bootstrap сэмплированияға (орын ауыстыру арқылы бастапқы деректер жиынтығынан n сэмплер жиынтығын құрастыру) және Bagging оқытуға негізделеді. Bagging Bootstrap арқылы n оқыту жиынтығын құрастырады, әрбірі арнайы слаб классификаторды оқытады. Нәтижелік шешімдер слаб классификаторлардың шығыс үшін оқыту арқылы алынатын, көпшіліктің шешімі нәтижесі болады.
RF CART шешім ағаштарын (басқару нүктесінен төменге бөлінетін бинарлы ағаштар, бөлу үшін Гини индексін минималдау, формула (5)). Liu Min және т.б. 100 шешім ағаштарының классификация үшін оптималды қызмет етуін ұсынады. Сондықтан, бұл зерттеуде 100 CART ағашы қолданылады.
3 Кезекті талдау
3.1 Белгілерді таңдау
Кездейсоқ ормандың Гини индексі арқылы әрбір белгінің маңыздылығы бағаланады. Нәтижелер Сурет 3-те көрсетілген, ордината пропорционалды коэффициентті білдіреді. Пики факторы C, көтерілгендік sk, квадраттық орташа Irms, және куртозис K өте маңызды және артықшылықты жүк көрсеткіштердің айырмашылығын білдіре алады. Форма факторы sh, максималды іске қосу тұрғыны Ist, мотордың қызмет ету уақыты t, және Tm маңызды емес. Сондықтан, бұл зерттеуде C, sk, Irms, және K белгілерін таңдады.
3.2 Кездейсоқ Орман диагностика нәтижелері
RF алгоритмі қатарынан, 2 жүк көрсеткіш қаталары (нормалды/жабылған) 300 сэмплер бойынша әр қатар үшін оқыту (жалпы 600) және 30 сэмплер бойынша тест жүргізіледі. Конфузия матрицасы (Сурет 4) нормалды қатардың идеалды анықталуын, жабылым үшін 97% дәлдік, және орташа 98.33% классификация дәлдігін көрсетеді.
3.3 Әртүрлі классификация алгоритмдерінің салыстыруы
Кездейсоқ орман классификаторының қызмет етуін тест ету үшін, Поддержка Векторная Машина (SVM) және Экстримальды Оқыту Машина (ELM) өзара салыстырылған. Тест нәтижелері 1-ші таблицада көрсетілген.
Таблица 1-ден, үш классификатордың ішінде, Кездейсоқ Орман (RF) алгоритмі тест жиынтығындағы сэмплерлер үшін өзара ұзақ диагностика уақыты 6.9 ms. Дәлдік ұзгілінде, Поддержка Векторная Машина (SVM) екі операциялық қатар үшін 95% дәлдікке жетеді, бұл RF-тен төмен. Экстримальды Оқыту Машина (ELM) өзара жалған қатарлы сопротивления рандомды қолданып, дәлдік 85% - 96.67% аралығында өзгереді, және RF-тен аз құбылысқа ие. Сондықтан, қолданылатын RF алгоритмі өте дәл және жақсы құбылысқа ие.
4 Жоба қорытындысы
Бұл мақалада, энер
