부하 스위치의 고장 상태 탐지에 대한 새로운 방법

최근 분배 자동화가 발전함에 따라 부하 스위치는 분배 선로에서 더 널리 사용되고 있습니다. 그러나 기계적 고장으로 인한 사고가 증가하여 선로 운영 및 유지 관리에 부담을 주고 있습니다.

기계 성능이 불량하다는 것이 스위치 장애의 주요 원인입니다. 많은 학자들은 코일 전류 검출, 진동 신호 분석, 스위치 이동 테스트, 초음파 결함 검출, 적외선 온도 측정 등의 방법을 사용하여 대규모 스위치 기어 작동을 연구하고 있습니다. 모터 전류 기반 스위치 상태 검출은 회로 차단기와 분리기에 적용되지만, 부하 스위치 구동 메커니즘의 고장에는 덜 적용됩니다.

현장에서 운행 중인 부하 스위치에 대한 연구 결과, 에너지 저장 모터의 전류 신호가 스위치 상태를 반영한다는 것을 보여줍니다. 구동 메커니즘의 기계적 문제 (예: 스프링 잠금, 녹, 기어 잠금)는 전류 신호 매개변수 (진폭, 지속 시간, 국부적 피크)를 변경합니다. 해안 지역에서 일반적인 에너지 저장 모터의 녹 잠금에 초점을 맞추어, 본 논문은 고장 특성 추출 및 식별에 대해 연구합니다. 단계: 1) 모터 전류 특성을 분석하고, 파형을 4 단계로 나누어 각 단계를 평가합니다. 2) 다양한 조건 하에서의 전류 파형을 수집하기 위한 데이터 수집 장치를 설계합니다. 3) 녹음 시작 알고리즘, 특성 추출 및 고장 식별 방법을 제안합니다. 4) 실험을 통해 검증합니다.

1 에너지 저장 모터 전류 특성 분석

부하 스위치는 일반적으로 에너지 저장을 위해 압축 스프링을 구동하는 직류 모터를 사용합니다. 모터 작동 중에 로터 출력 토크와 속도는 스태터 회로 전류와 밀접하게 관련되어 있습니다. 병렬 자기 직류 모터의 전자기 토크와 전압 방정식은 다음과 같습니다:

방정식 (1)에서 T는 전자기 토크를, n은 회전 속도를, Ia는 아머 전류를, Ra는 아머 회로 저항 (상수)를, Ea는 감응 전동력을, U는 단자 전압을, ΔU는 접촉 전압 강하 (상수)를, ϕ는 자기 유량을, Ce는 전동력 상수를, CT는 토크 계수를 나타냅니다. 방정식 (1)에 따르면 다음을 도출할 수 있습니다:

방정식 (2)에서 부하 전류가 작을 때, 아머 반응의 탈자기 효과는 무시할 수 있으므로, 자기 유량은 일정하다고 간주되고, 전자기 토크는 부하 전류와 비례합니다. 부하 전류가 증가하면 토크는 증가하지만 회전 속도는 감소하는 경향이 있습니다. 그러나 높은 부하 전류의 탈자기 효과는 자기 유량을 줄이고, 이는 속도를 증가시키게 됩니다. 이러한 상반된 효과는 일반적으로 병렬 자기 모터의 속도를 약간 감소시킵니다. 그림 1은 작동 중인 DC 에너지 저장 모터의 전형적인 전류 파형을 4 단계로 나눈 것입니다.

단계 1 (t₀)~(t₁): 모터 시작 단계

t₀ 시점에서 부하 스위치는 분배 단말기로부터 닫힘 신호를 받고, 제어 모터가 부하를 가해 시작됩니다. 모터 전류는 t_st에서 시작 피크로 급격히 상승한 후 안정적인 작동으로 급격히 감소합니다.

단계 2 (t₁)~(t₂): 모터 안정적인 작동 단계

모터는 전송 기어를 유휴 상태로 구동합니다. 이 단계에서는 모터가 가벼운 부하 하에서 안정적으로 작동하며, 모터 전류 진폭은 Ia입니다.

단계 3 (t₂)~(t₄): 스프링 에너지 저장 단계

압축 스프링이 에너지를 저장함에 따라 모터의 출력 토크는 점차 증가하여 t₃에서 최대치에 도달합니다. 이 시점에서 모터 전류도 단계 최대치 Im에 도달합니다. 그 후 모터의 출력 토크는 점차 감소합니다.

단계 4 (t₄)~(t₅): 모터 전류 중단 단계

t₄에서 압축 스프링이 리미트 스위치에 도달하여 모터에 전원이 차단됩니다. 모터 전류는 급격히 감소하여 t₅에서 0에 도달하고, 모터는 작동을 멈춥니다.

2 에너지 저장 모터 잠금 고장 진단
2.1 고장 시뮬레이션 및 데이터 수집

전기 장비 공장의 부하 스위치에서 잠금 고장 테스트를 시뮬레이션했습니다 (그림 2(a) 참조). 스위치를 분해한 후, 모터의 안정적인 작동과 스프링 에너지 저장 단계에서 록커를 사용하여 기어/스프링 잠금을 시뮬레이션하였습니다. 사용자 정의 전류 수집 장치 (그림 2(b))는 ARM STM32F103 칩을 사용하여 HSTS016L 홀 전류 변환기 (DC 입력: 0~30A)의 신호를 수집합니다. 개방 신호는 목표 전류 파형이 없으므로, 이 연구는 닫힘 전류 신호에 집중합니다.

2.2 파형 녹음 시작 알고리즘

그림 1에서 효과적인 신호 파형은 t₀부터 t₅까지의 시간 창을 포함하며, 4 단계로 구성되어 다양한 전류 변화를 보입니다. 또한, 서로 다른 구동 모터 사이의 신호 진폭에는 큰 차이가 있습니다. 따라서 단순한 전류 진폭 임계값을 신호 파형 녹음 시작 기준으로 사용하는 것은 명백히 적절하지 않습니다. 따라서 본 연구는 단위 시간 창 내의 전류 변화율 K_t와 평균 값 I_mean을 시작 기준으로 사용하여 효과적인 파형 녹음을 실현합니다. 단위 시간 창의 전류 변화율:

각 시간 창의 평균 전류:

방정식 (3)과 (4)에서 I_(i)는 전류 신호, M은 단위 시간 창의 샘플링 포인트 수, Δt는 단위 시간 창의 시간 길이이며, 본 논문에서는 Δt = 0.02s입니다. I₍₁₎는 단위 시간 창의 첫 번째 샘플링 포인트입니다.

2.3 시간 영역 특성 추출

에너지 저장 모터의 잠금 고장을 식별하기 위해, 곡선의 표현 정보를 몇 가지 시간 영역 지표를 통해 추출합니다. 첨도 K는 전류 신호의 부드러움을 특징짓고, RMS I_rms는 전류 신호의 평균 에너지를 특징짓으며, 왜도 sk는 통계 데이터 분포의 기울기와 정도를 측정하고, 형태 인자 sh와 피크 인자 C는 파형에서의 전류 피크의 극단성을 특징짓습니다.

랜덤 포레스트 (RF) 분류 알고리즘은 여러 결정 트리를 통합합니다. 그 출력 범주는 개별 결정 트리 범주의 최빈값으로 결정되며, 높은 정확도, 이상 데이터에 대한 좋은 허용도, 낮은 과적합 위험 등을 특징으로 합니다.

2.4 랜덤 포레스트 알고리즘

RF는 Bootstrap 샘플링 (대체 샘플링을 통해 원본 데이터 세트에서 n개의 샘플 세트 형성)과 Bagging 투표에 의존합니다. Bagging은 Bootstrap을 통해 n개의 훈련 세트를 생성하고, 각각 독립적인 약한 분류기를 훈련시킵니다. 최종 결정은 약한 분류기의 출력을 투표하여 다수결로 결정됩니다.

RF는 CART 결정 트리 (루트에서 아래로 이진 분할하여 Gini 지수를 최소화하는 분할, 공식 (5))를 사용합니다. Liu Min 등에 따르면 100개의 결정 트리는 분류 성능을 최적화합니다. 따라서 본 연구는 100개의 CART 트리를 사용하여 랜덤 포레스트를 구성합니다.

3 사례 분석
3.1 특성 선택

랜덤 포레스트의 Gini 지수는 각 특성의 중요도를 평가하는 데 사용됩니다. 그 결과는 그림 3에 표시되며, y축은 비례 계수를 나타냅니다. 피크 인자 C, 왜도 sk, RMS I_rms, 첨도 K는 매우 중요하며, 부하 스위치의 다양한 상태를 효과적으로 특징짓습니다. 형태 인자 sh, 최대 시작 전류 I_st, 모터 작동 시간 t, T_m은 중요도가 낮습니다. 따라서 본 연구는 C, sk, I_rms, K를 특성 벡터로 선택합니다.

3.2 랜덤 포레스트 진단 결과

RF 알고리즘은 300개의 샘플 (총 600개)을 사용하여 두 가지 부하 스위치 상태 (정상/잠김)를 분류하고, 30개의 샘플을 테스트합니다. 혼동 행렬 (그림 4)은 정상 상태의 완벽한 식별, 97%의 잠김 정확도, 98.33%의 평균 분류 정확도를 보여줍니다.

3.3 다양한 분류 알고리즘 비교

랜덤 포레스트 분류기의 성능을 테스트하기 위해, 서포트 벡터 머신 (SVM)과 극단 학습 머신 (ELM)을 동시에 훈련하여 비교합니다. 테스트 결과는 표 1에 표시됩니다.

표 1에서 세 가지 분류기 중 랜덤 포레스트 (RF) 알고리즘은 테스트 세트 샘플에 대해 6.9 ms의 상대적으로 긴 진단 시간을 소요합니다. 정확도 측면에서 서포트 벡터 머신 (SVM)은 두 가지 작동 상태에서 95%를 달성하며, RF보다 낮습니다. 극단 학습 머신 (ELM)은 랜덤 숨겨진 레이어 가중치 때문에 85%~96.67% 사이의 정확도를 보이며, RF보다 견고성이 떨어집니다. 따라서 사용된 RF 알고리즘은 높은 정확도와 좋은 견고성을 갖습니다.

4 결론

본 논문은 에너지 저장 모터의 전류 시간 영역 특성과 랜덤 포레스트 (RF) 알고리즘을 사용하여 부하 스위치의 기계적 고장 검출 방법을 제안합니다. 모터 전류 파형에서 대표적인 시간 영역 특성을 추출하고, RF 분류기를 사용하여 상태 식별을 수행합니다. 제안된 녹음 시작 기준은 모터 전류 신호를 효과적으로 수집합니다. RF의 Gini 지수를 활용하여 특성 중요도를 평가하고, 피크 인자, 왜도, RMS, 첨도를 포함한 네 가지 주요 특성을 선택하여 부하 스위치 상태를 특징짓습니다. 실험 결과, 본 방법은 98.33%의 정확도로 모터 잠금 상태를 효과적으로 식별합니다.