Nova Methodus pro Detectione Defectuum Stagnantium in Commutatoribus Oneriorum

In recentis annis, cum distributio automatizatio progreditur, oneris commutatores latius in lineis distributionis utuntur. Tamen, accidentia ex defectibus mechanicis oriunda crescunt, onera operationum et manutentionis lineae imponendo.

Pessima performantia mechanica est causa principalis defectuum commutatorum. Multi doctores studium operativum magnae scalae commutatorum gerunt, utendo methodis sicut detectio currentis spira, analysi signali vibrationis, testatio itineris commutationis, detectio defectuum ultrasonorum, et thermometria infrarubra. Detectio status commutatorum basata in currente motoris valet pro interruptoribus circuiti et disjungentibus, sed minus applicatur ad defectus mechanismi propulsoris commutatorum oneris.

Investigatio commutatorum oneris in agro ostendit signales currentis motoris accumulationis energiae reflectere status commutatorum. Defectus mechanicus (sicut obstruens molla, ferrugines, obstruens rota dentata) in mechanismo propulsorio mutat parametras signali currentis (amplitudo, duratio, culmina localia). Hoc opus, focus in communibus ferrugine et obstructione motoris accumulationis energiae regionum litoralium, studium extractionis et identificationis characteristicae defectus gerit. Passus: 1) Analysa characteristicae currentis motoris, dividere formae undarum in quattuor stadia, et evalueri singulum stadium. 2) Designare instrumentum acquisitionis datarum formarum undarum sub variis conditionibus. 3) Proponere algorithmum initii registrationis, extractionem characteristicarum, et methodos identificationis defectus. 4) Validare per experimenta.

1 Characteristicae Currentis Motoris Accumulationis Energiae

Commutatores oneris solent uti motoribus directi currentis ad propellendas molas compressionis pro accumulatione energiae. Durante operatione motoris, torque productus rotoris et velocitas stricte adstringuntur ad currentem circuiti statoris. Aequationes torquendi electromagnetici et voltus motoris excitationis parallelae sunt sequentes:

In Aequatione (1), T representat torque electromagnetici; n representat celeritatem rotationis; Ia representat currentem armaturae; Ra representat resistenciam circuiti armaturae, quae constans est; Ea representat inductionem electromotoricam bobinatae; U representat tensionem terminalem; ΔU representat decretum tensionis contactus, quod constans est; ϕ representat fluxum magneticum; Ce representat constantem electromotoricam; et CT representat coefficientem torquendi. Ex Aequatione (1) derivamus:

Ex Aequatione (2), quando currentis oneris parvus est, effectus demagnetizantis reactionis armaturae negligibilis est, sic fluxus magneticus constans consideratur, et torque electromagnetici proportionalis est currenti oneris. Quo maior fit currentis oneris, tanto maior fit torque, sed celeritas tendit diminui. Tamen, effectus demagnetizantis ex maiore currente oneris reducit fluxum magneticum, qui celeritatem augebit. Haec effectus oppositi solent causare levi decrementum celeritatis motoris excitationis parallelae. Figura 1 ostendit formam typicam undarum currentis motoris DC accumulationis energiae in operatione, divisam in quattuor stadia.Figura 1 ostendit formam typicam undarum currentis motoris DC accumulationis energiae in operatione, divisam in quattuor stadia.

Stadium 1 (t₀)–(t₁): Stadium Initiationis Motoris

Tempore t0, commutator oneris accipit signum claudendi a termino distributionis, excitando motorem controlis ad initiandum cum onere. Currens motoris subito surgit ad acumen initiationis in (tst), tum rapiditer cadit ad intrandum operationem stabilam.

Stadium 2 (t₁)–(t₂): Stadium Operationis Stabilis Motoris

Motor propellit rotam dentatam ad otiosam. In hoc statu, motor stabili operatione sub leve onus procedit, amplitudo currentis motoris est Ia.

Stadium 3 (t₂)–(t₄): Stadium Accumulationis Energiae Mollae

Cum molla compressio energiam accumulat, torque productus motoris gradatim augescit, maximus attingens in (t3); in hoc puncto, currens motoris quoque attingit maximum stadium Im. Postea, torque productus motoris gradatim decrescit.

Stadium 4 (t₄)–(t₅): Stadium Interruptionis Currentis Motoris

Tempore t4, molla compressio limitem switch attingit, interrompendo potestatem ad motorem. Currens motoris subito cadit usque ad 0 tempore t5, et motor cessat procedere.

2 Diagnosi Defectus Obstructionis Motoris Accumulationis Energiae
2.1 Simulatio & Acquisitio Datarum Defectus

Test defectus obstructionis simulatus est in commutatore oneris ex fabrica apparatus electrici (scenarium in Fig. 2(a)). Post disiectum commutatoris, in statu stabili operationis motoris et stadio accumulationis energiae mollae, reversus torque fixus adhibitus est ad simulandum obstructionem rotae dentatae/mollae. Instrumentum proprium acquisitionis currentis (Fig. 2(b)) usum fecit chip ARM STM32F103 ad colligendum signala ab Hall transformatore currentis HSTS016L (DC input: 0–30A). Quia signum apertionis carens est forma currentis objectiva, haec studia focalia sunt in signo currentis clausurae.

2.2 Algorithmus Initiationis Registrationis Formae Undarum

Ex Figura 1, forma signali valida occupat fenestram temporalem t0 ad t5, constans ex quattuor stadiis variorum mutationum currentis. Praeterea, inter various motus propulsores sunt notabiles differentiae in amplitudinibus signalum. Itaque, uti simplicem limitem amplitudinis currentis ut criterium initiationis registrationis formae undarum est manifeste inappropriatum. Propterea, hoc studium adoptat mutationem currentis Kt intra unitatem temporalem et valorem medii Imean ut criteria initiationis ad efficacem registrationem formae undarum.Mutatio currentis unitatis temporalis:

Currens medius cuiusque temporis:

In Aequationibus (3) et (4), I(i) representat signum currentis; M est numerus punctorum sampling in unitate temporali; Δt est longitudo temporis unitatis temporali, et Δt = 0.02s in hoc opere; I(1) est primus punctus sampling in unitate temporali.

2.3 Extractio Characteristicarum Temporalium

Ad identificandum defectum obstructionis motoris accumulationis energiae, informatio expressiva curvae extrahitur per indicia temporalia. Kurtosis K potest characterizare lenitatem signali currentis; root mean square Irms potest characterizare mediam energiam signali currentis; skewness sk est mensura directionis et gradus skewness distributionis statisticae; form factor sh et peak factor C usantur ad characterizandum extremum crinis in forma undarum.

Algorithmus classificationis Random Forest (RF) integrat plures arbores decisionis. Suus exitus categorialis determinatur per modum categoryrum individualium arborum decisionis, praebens altam accurate, bonam tolerantiam pro datis abnormalibus, et parvum periculum overfitting.

2.4 Algorithmus Random Forest

RF confidit in Bootstrap sampling (sampling cum replacement ad formandam n sets sample ex dataset originali) et Bagging voting. Bagging generat n training sets via Bootstrap, quisque educans classificatorem infirmum independentem. Decisiones finales proveniunt ex votis exituum classifierum infirmorum, cum pluralitate votorum ut resultatum.

RF utitur arboribus decisionis CART (arbores binariae scindentes a radice ad summitatem, minimizando index Gini pro scissuris, formula (5)). Per Liu Min et al. 100 arbores decisionis optimizant performance classificationis. Itaque, hoc studium utitur 100 arboribus CART pro silva casua.

3 Analysi Casus
3.1 Selectio Characteristicarum

Index Gini in silva casua usus est ad evaluandum importantiam uniuscuiusque characteristicae. Resultata ostenduntur in Figura 3, ubi ordinata repraesentat coefficientem proportionalis. Videtur quod quattuor quantitates characteristicarum, videlicet peak factor C, skewness sk, root mean square Irms, et kurtosis K, sunt alti importanciae et possunt efficaciter characterizare differentias diversorum status commutatoris oneris. Quattuor quantitates, includentes form factor sh, maximum currentis initiationis Ist, tempus operationis motoris t, et Tm, sunt parvi importanciae. Itaque, hoc studium select C, sk, Irms, et K ut vectores characteristicae.

3.2 Resultata Diagnostica Silvae Casuae

Algorithmus RF classificat duos status commutatoris oneris (normalis/obstructus) utendo 300 exemplis per statum ad eductionem (total 600) et 30 exemplis ad testationem. Matricem confusionis (Figura 4) ostendit perfectam identificationem status normalis, 97% accuratam pro obstructione, et 98.33% mediam accurate classificationis.

3.3 Comparatio Diversorum Algorithmorum Classificationis

Ut testaretur performance classificatoris silvae casuae, Support Vector Machine (SVM) et Extreme Learning Machine (ELM) simul educati sunt ad comparationem. Resultata testationis ostenduntur in Tabula 1.

Ex Tabula 1, inter tres classificatores, algorithmus Random Forest (RF) tempus relativum longum diagnosi 6.9 ms habet pro exemplis set test. In termis accurate, Support Vector Machine (SVM) attingit 95% pro duobus status operationis, inferius quam RF. Propter pondera random hidden layer, Extreme Learning Machine (ELM) habet accurate fluctuantem inter 85% - 96.67% et robur minus bonum quam RF. Itaque, algorithmus RF usus est alta accurate et bono robore.

4 Conclusio

Hoc opus proponit methodum detectionis defectus mechanicus commutatoris oneris utendo characteristicis temporalibus currentis motoris accumulationis energiae et algorithmus Random Forest (RF). Extrahit characteristicae temporales representativas ex formis undarum currentis motoris et utitur classificatore RF ad identificationem status. Propositum criterium initiationis registrationis effice colligit signala currentis motoris. Utilis index Gini in RF, evaluetur importantia characteristicae et selectur quattuor characteristicae claves (peak factor, skewness, root mean square, kurtosis) ad characterizandum status commutatoris oneris. Experimenta ostendunt methodum efficaciter identificare status obstructionis motoris cum 98.33% accurate.