Yek Metoda Nû yên Bilîndana Xeletanên Stuck di Switchên Load de
Sala sêdîna, bi dawiyên automasyonê yên daxistina çendîn, serikarên barêng dikarin da ku bi rêjeya herî zêdeyîn bikaranîn. Lê, rewşên bêdarbêjiyê yên mekanîkî di navbera çendînên serikariya herêm û derbarê de giran dibe, ku bişeyî têrêz û pêwistan ên hêsan dikin.
Berdasazkirina mekanîkî ya nêmêra ji bo serikarên barêng tiştina yekemîn sazkirinê. Zanyarên zevî yên wan dikin li ser karûbarên zorî serikarên barêng bigerînin, bi rastînên wekî deteksiyonê yên cihanên bobîn, analîzê yên sinyalên berjîyan, testkirina safîna serikar, deteksiyonê yên defektên ultrasonîk, û termometrîya infracîm. Deteksiyonê yên statûya serikar bi amperajê motorî ya bobînê werke ku ji bo serikarên barêng û serikarên vegerînê, lê ji bo serikarên barêng bi mekanizma vegerînê nêmefîre hatîn.
Lêgerînên serikarên barêng yên li ser parçav bikaranîn de dîtin ku sinyalên amperajê motorê ya depostandina neyarîn statûya serikarê. Şewanên mekanîkî (wekî, kek û kifasên mîl, xortî û kek û kifasên gîran) di mekanizma vegerînê de parametreyên sinyalê amperajê (amplitûd, dem, pîvanên herêmî) guhartin. Li ser kek û kifasên mîl ên motorê ya depostandina neyarîn li serherînên sahrayî, belgeya vê gotarê tiştina ekstraksiyonê û identifikasyonê ya wateya bêdarbêjiyê. Qadim: 1) Analîzê sinyalên amperajê motorê, darparastkirina formên sinyalî di çar staciyên, û asesmentkirina her stacî. 2) Rêzikirina cihedî yên agahkirina sinyalên amperajê li ser şertên din. 3) Pirsgirêka algoritma destpêk kirina tomargiran, ekstraksiyonê, û metodyên identifikasyonê. 4) Vebijarkirina bi agahdarî.
1 Analîzê Sinyalên Amperajê Motorê ya Depostandina Neyarîn
Serikarên barêng jî dikarin motoran DC bikaranîn bi tenê vegerînê serikarên mîl ên depostandina neyarîn. Di dawiyê motoran de, torqê rotor û zewa zêdetir bêtir li ser amperajê circuitê ya stator. Ekuasyonên torqê elektromagnetîk û voltajê motorê DC-ya paralel-exited wek e ku:
Di Ekuasyon (1) de, T torqê elektromagnetîkê nîşan dide; n zewa zêdetir nîşan dide; Ia amperajê armature nîşan dide; Ra rezîstansa circuitê ya armature nîşan dide, ku constant e; Ea potensyalê induksiyonê nîşan dide; U voltajê terminal nîşan dide; ΔU dropê voltajê contact nîşan dide, ku constant e; ϕ fluxê magnetîk nîşan dide; Ce sabîtê potensyalê induksiyonê nîşan dide; û CT sabîtê torqê nîşan dide. Li gorî Ekuasyon (1), dêtin:
Li gorî Ekuasyon (2), di demê ku amperajê loadê ya biciktir e, efektê demagnetizing ên reaksiyonê armature ya biciktir e, nêze fluxê magnetîk dikare ve hatine constant hatîne, û torqê elektromagnetîk proporsîonal e bi amperajê load. Ji bo amperajê loadê ya zêdetir, torqê zêdetir e, lê zewa zêdetir tendansî ye ku zêdetir bike. Lâkin, efektê demagnetizing ên amperajê loadê ya zêdetir fluxê magnetîk dikare zêdetir bike, ku zewa zêdetir bike. Efektên bingehîn dikarin demê zewa zêdetir motorê DC-ya paralel-exited bêtir bike. Şekil 1 formê sinyalî amperajê motorê DC-ya depostandina neyarîn di dawiyê de nîşan dide, divîsîn di çar staciyên.Şekil 1 formê sinyalî amperajê motorê DC-ya depostandina neyarîn di dawiyê de nîşan dide, divîsîn di çar staciyên.
Stacî 1 (t0)–(t1): Stacî Destpêk Kirina Motor
Di demê t0, serikarê barêng sinyalê pêşketinê ji terminal unitê distribûsyonê digere, motorê kontrolê bi loadê destpêk bike. Amperajê motorê ji bo destpêk peakê pêşketinê di (tst) de, ew bi tezî zêdetir bike ji bo dawiyê stable.
Stacî 2 (t1)–(t2): Stacî Dawiyê Stable Motor
Motorê gearê vegerînê li ser idle. Di stacîya, motorê bi tevahî dawiyê stable bike, bi amplitûdê amperajê motorê di (Ia).
Stacî 3 (t2)–(t4): Stacî Depostandina Neyarîn Mîl
Bi depostandina neyarîn mîl, torqê outputê motorê zêdetir bike, ji bo maximum di (t3); di vê demê de, amperajê motorê ji bo maximum di (Im). Piştî vê, torqê outputê motorê zêdetir bike.
Stacî 4 (t4)–(t5): Stacî Karzanina Amperajê Motor
Di (t4), mîlê kompresyonê ji bo limit switchê erê, ji bo motorê ampera zêdetir bike. Amperajê motorê bi tezî zêdetir bike ta (t5), û motorê dawiyê bike.
2 Diagnosis Bêdarbêjiyê ji bo Motorê Depostandina Neyarîn
2.1 Simulasyon ên Bêdarbêjiyê & Agahkirina Malumat
Testê bêdarbêjiyê ji bo serikarê barêng ji fabrika ên pirzimanê (scenario di Şekil 2(a)). Piştî serikarê barêng disasembly bike, di stacîya stable operation û depostandina neyarîn mîl de, rokerê bi force ên reverse locked-rotor apply bike bi simulasyon ên jamming ên gear/spring. Cihed ên custom ên agahkirina amper (di Şekil 2(b)) bi chip ên ARM STM32F103 agahkirina sinyal ên HSTS016L Hall current transformer (DC input: 0–30A). Ji bo ku opening signal target current waveform tune, belgeya vê gotarê focus li closing current signal.
2.2 Algoritma Destpêk Kirina Tomargiran
Ji Şekil 1, formê sinyalê effective di window ên dem ên t0 to t5， constist ên çar stacî yên bi changes ên diverse ên amper. Ji bilindahiye, differences ên significant ên amplitudes ên sinyal ên motors ên drive. Ji ber vê, use ên threshold ên simple ên amper ên amplitude ji bo start criterion ên recording ên form ên sinyal clearly inappropriate. Ji ber vê, belgeya vê gotarê adopts rate ên change ên amper ên Kt unit time window û mean value Imean ji bo start criteria achieve effective waveform recording.Current change rate of the unit time window:
Mean current of each time window:
In Equations (3) and (4), Ii represents the current signal; M is the number of sampling points in the unit time window; Δ t is the time length of the unit time window, and Δ t = 0.02s in this paper; I(1) is the first sampling point in the unit time window.
2.3 Time - Domain Feature Extraction
To identify the jamming fault of the energy - storage motor, the expressive information of the curve is extracted through some time - domain indicators. The kurtosis K can characterize the smoothness of the current signal; the root mean square Irms can characterize the average energy of the current signal; the skewness sk is a measure of the direction and degree of skewness of the statistical data distribution; the form factor sh and the peak factor C are used to characterize the extreme degree of the current peak in the waveform.
The Random Forest (RF)classification algorithm integrates multiple decision trees. Its output category is determined by the mode of individual decision - tree categories, featuring high accuracy, good tolerance for abnormal data, and low overfitting risk.
2.4 Random Forest Algorithm
RF relies on Bootstrap sampling (with - replacement sampling to form n sample sets from the original dataset) and Bagging voting. Bagging generates n training sets via Bootstrap, each training an independent weak classifier. Final decisions come from voting on weak - classifier outputs, with the majority vote as the result.
RF uses CART decision trees (binary trees splitting top - down from the root, minimizing the Gini index for splits, formula (5)). Per Liu Min et al. 100 decision trees optimize classification performance. Thus, this study uses 100 CART trees for the random forest.
3 Case Analysis
3.1 Feature Selection
The Gini index in the random forest is used to evaluate the importance of each feature. The results are shown in Figure 3, where the ordinate represents the proportional coefficient. It can be seen that four feature quantities, namely the peak factor C, skewness sk, root mean square Irms, and kurtosis K, are highly important and can effectively characterize the differences in different states of the load switch. The four feature quantities, including the form factor sh, maximum starting current Ist, motor operating time t, and Tm, are of low importance. Therefore, this study selects C, sk, Irms, and K as the feature vectors.
3.2 Random Forest Diagnosis Results
The RF algorithm classifies two load - switch states (normal/jammed) using 300 samples per state for training (total 600) and 30 samples for testing. The confusion matrix (Figure 4) shows perfect normal - state identification, 97% accuracy for jamming, and 98.33% average classification accuracy.
3.3 Comparison of Different Classification Algorithms
To test the performance of the random forest classifier, a Support Vector Machine (SVM) and an Extreme Learning Machine (ELM) are trained simultaneously for comparison. The test results are shown in Table 1.
From Table 1, among the three classifiers, the Random Forest (RF) algorithm takes a relatively long diagnosis time of 6.9 ms for test set samples. In terms of accuracy, the Support Vector Machine (SVM) achieves 95% for two operating states, lower than RF. Due to random hidden - layer weights, the Extreme Learning Machine (ELM) has accuracy fluctuating between 85% - 96.67% and poorer robustness than RF. Thus, the RF algorithm used has high accuracy and good robustness.
4 Conclusion
This paper proposes a load - switch mechanical fault detection method using energy - storage motor current time - domain features and the Random Forest (RF) algorithm. It extracts representative time - domain features from motor current waveforms and uses an RF classifier for state identification. The proposed recording - wave start criterion effectively acquires motor current signals. Leveraging the Gini index in RF, it evaluates feature importance and selects four key features (peak factor, skewness, root mean square, kurtosis) to characterize load - switch states. Experiments show the method effectively identifies motor jamming states with 98.33% accuracy.
