Jauns detektēšanas paņēmiens slodzes spēķu notvīruma kļūdām
Pēdējos gados, kā palielinās distribūcijas automatizācija, slodzes spērņi tiek plašāk izmantoti distribūcijas līnijās. Tomēr, mehānisku kļūdu radītu negadījumu skaits pieaug, apgrūtinot līniju darbību un uzturēšanu.
Sliktas mehāniskās īpašības ir galvenais spērņu kļūdu cēlonis. Daudzi zinātnieki pētījusi lielapjoma spērņu darbību, izmantojot metodes, piemēram, spirāles strāvas detektāja, vibrācijas signālu analīzes, spērņa ceļa testēšanas, ultraskānes defekta detektāja un infrasarkanās termometrijas metodes. Motorstrāvas balstīta spērņa statusa detektore ir efektīva līdzstrāvešiem un atslēgspērņiem, bet tā mazāk tiek pielietota slodzes spērņu pārvietošanas mehānismai.
Pētījumi par laukā strādājošiem slodzes spērņiem liecina, ka enerģijas krājuma motorstrāvas signāli atspoguļo spērņa statusu. Pārvietošanas mehānismā esošas mehāniskas problēmas (piemēram, sprindžu bloķēšana, sarkšana, dārgumi bloķēšana) maina strāvas signāla parametrus (amplitūda, ilgums, lokālie virsūzvārti). Ņemot vērā dažādus krājuma motora sarkšanas bloķēšanas gadījumus, šajā rakstā tiek pētītas kļūdas iezīmju izgaismošana un identifikācija. Soļi: 1) Analizēt motorstrāvas īpašības, sadalīt formes uz 4 stadijām un novērtēt katru stadiju. 2) Izstrādāt datu iegūšanas ierīci dažādām strāvas formēm. 3) Ierosināt ieraksta sākuma algoritmu, iezīmju izgaismošanas un kļūdas identifikācijas metodes. 4) Validēt eksperimentos.
1 Enerģijas Krājuma Motorstrāvas Īpašību Analīze
Slodzes spērņi parasti izmanto DC motorus, lai sprindžus iepriecinātu enerģijai krājot. Motora darbības laikā rotora izvades momenta un ātruma attiecība tuvu saistīta ar statora kontura strāvu. Paralēli uzlabotā DC motora elektromagnētiskā momenta un sprieguma vienādojumi ir šādi:
Vienādojumā (1), T attēlo elektromagnētisko momentu; n attēlo rotācijas ātrumu; Ia attēlo armatūras strāvu; Ra attēlo armatūras kontura rezistenci, kas ir konstante; Ea attēlo vilcienus izraisīto elektromotrīvi; U attēlo terminālspriegumu; ΔU attēlo kontaktu sprieguma kritumu, kas ir konstante; ϕ attēlo magnetflukss; Ce attēlo elektromotrīvu konstanti; un CT attēlo momenta koeficientu. Saskaņā ar vienādojumu (1), mēs varam izvest:
No vienādojuma (2), kad slodzes strāva ir maza, armatūras reakcijas demagnetizējošais efekts ir neatzīstams, tāpēc magnētflukss tiek uzskatīts par konstanti, un elektromagnētiskais moments ir proporcionāls slodzes strāvei. Kā slodzes strāva pieauga, moments pieaug, bet rotācijas ātrums tendē pie samazināšanās. Tomēr, augstāka slodzes strāva rada lielāku demagnetizējošo efektu, kas samazina magnētfluksu, kas savukārt palielinātu ātrumu. Šie pretējie efekti parasti rada mazu samazinājumu paralēli uzlabotā motorā. Attēls 1 parāda tipisku DC enerģijas krājuma motora darbības strāvas formu, sadalītu 4 stadijās.Attēls 1 parāda tipisku DC enerģijas krājuma motora darbības strāvas formu, sadalītu 4 stadijās.
Stadija 1 (t0)–(t1): Motorsāknēšanas fāze
Laikā t0, slodzes spērnis saņem noslēguma signālu no distribūcijas termināla vienības, enerģējot kontrolmotoru, lai sāktu darbību ar slodzi. Motorstrāva pieaug līdz sāknēšanas virsūzvārtim (tst), pēc tam ātri samazinās, lai ieietu stabilā darbībā.
Stadija 2 (t1)–(t2): Motors stabila darbības fāze
Motors pārvieto pārnesešanas dārgumus, lai brīvojotos. Šajā fāzē motors strādā stabili ar vieglu slodzi, ar motorstrāvas amplitūdu (Ia).
Stadija 3 (t2)–(t4): Sprindžu enerģijas krājuma fāze
Kā sprindži krāj enerģiju, motora izvades moments palielinās, sasniedzot maksimumu (t3); šajā punktā motorstrāva sasniedz šīs stadijas maksimumu (Im). Pēc tam motora izvades moments pēc pakāpes samazinās.
Stadija 4 (t4)–(t5): Motorstrāvas pārtraukšanas fāze
Laikā (t4), sprindze sasniedz robežspērni, izslēdzot motoru. Motorstrāva strauji krit, līdz to sasniedz 0 (t5), un motors aptur darbību.
2 Enerģijas Krājuma Motoru Bloķēšanas Diganostika
2.1 Kļūdas Simulācija un Datu Iegūšana
Bloķēšanas kļūdas tests tika simulēts elektriskā aprīkojuma rūpnīcas slodzes spērnī (scenārijs redzams Attēlā 2(a)). Pēc spērna demonstācijas, motora stabila darbības un sprindžu enerģijas krājuma stadijās, rokāmais elements tika izmantots, lai simulators dārgumu/sprindžu bloķēšanu. Pielāgotā strāvas iegūšanas ierīce (Attēls 2(b)) izmantoja ARM STM32F103 čipu, lai iegūtu signālus no HSTS016L Hall strāvas transformatora (DC ievade: 0–30A). Tā kā atveršanas signāls nav mērķa strāvas formas, šis pētījums koncentrējas uz noslēguma strāvas signālu.
2.2 Formes Ieraksta Sākuma Algoritms
No Attēla 1, efektīvā signāla forma aptver laika logu t0 līdz t5, sastāvot no 4 stadijām ar dažādiem strāvas maiņiem. Papildus tam, starp dažādiem pārvietošanas motoriem ir būtiskas atšķirības signāla amplitūdēs. Tāpēc, izmantojot vienkāršu strāvas amplitūdas sliekstu kā sākuma kritēriju signāla formas ierakstam, ir skaidrs, ka tas nav piemērots. Tāpēc šajā pētījumā tiek pieņemts strāvas maiņas ātrums Kt vienības laika logā un vidējā vērtība Imean kā sākuma kritēriji, lai sasniegtu efektīvu formas ierakstu. Strāvas maiņas ātrums vienības laika logā:
Katras laika loga vidējā strāva:
Vienādojumos (3) un (4), Ii attēlo strāvas signālu; M ir mērījumu punktu skaits vienības laika logā; Δt ir vienības laika loga ilgums, un šajā rakstā Δt = 0.02s; I(1) ir pirmais mērījumu punkts vienības laika logā.
2.3 Laika Domēna Iezīmju Izgaismošana
Lai identificētu enerģijas krājuma motoru bloķēšanas kļūdu, izgaismojam izsakāmo informāciju caur dažādiem laika domēna indikatoriem. Kurtosis K var raksturot strāvas signāla gludumu; kvadrātvidējā vērtība Irms var raksturot strāvas signāla vidējo enerģiju; assimetrija sk raksturo statistisko datu sadalījuma virzienu un grādu; formfaktors sh un virsūzvārtu faktors C tiek izmantoti, lai raksturotu strāvas formas virsūzvārtu ekstremālos veidus.
Random Forest (RF) klasifikācijas algoritms integrē vairākus lēmumu koku. Tā izvade ir noteikta individuālo lēmumu kokus kategorijās, raksturojot augstu precizitāti, labu toleranci pret anomalajiem datiem un zemu pārmērīgas prilīdzināšanās risku.
2.4 Random Forest Algoritms
RF balstās uz Bootstrap mērījumu (ar aizvietojumu mērījumu, lai veidotu n mērījumu kopas no sākotnējā datu kopuma) un Bagging balsojumu. Bagging ģenerē n apmācības kopas, izmantojot Bootstrap, katra apmāca neatkarīgu vāju klasifikatoru. Galīgie lēmumi nāk no vājo klasifikatoru izvades balsojumiem, ar balsu vairākumu kā rezultātu.
RF izmanto CART lēmumu kokus (binārie koki, kas sadala no saknes uz leju, minimizējot Gini indeksu sadalījumam, formula (5)). Pēc Liu Min et al. 100 lēmumu koki optimizē klasifikācijas veiktspēju. Tāpēc šajā pētījumā tiek izmantoti 100 CART koki random forestam.
3 Gadījuma Analīze
3.1 Iezīmju Izvēle
Random forest Gini indekss tiek izmantots, lai novērtētu katra iezīmes nozīmīgumu. Rezultāti ir parādīti Attēlā 3, kur ordināte atspoguļo proporcijas koeficientu. Redzams, ka četri iezīmes, proti, virsūzvārtu faktors C, assimetrija sk, kvadrātvidējā vērtība Irms un kurtosis K, ir ļoti nozīmīgi un var efektīvi raksturot atšķirības starp dažādiem slodzes spērna stāvokļiem. Četri iezīmes, tostarp formfaktors sh, maksimālais sāknēšanas strāvas Ist, motors darbības laiks t un Tm, ir zema nozīmīguma. Tāpēc šajā pētījumā tiek izvēlēti C, sk, Irms un K kā iezīmju vektori.
3.2 Random Forest Diganostikas Rezultāti
RF algoritms klasificē divus slodzes spērna stāvokļus (normāls/bloķēts), izmantojot 300 paraugus katram stāvoklim apmācībai (kopā 600) un 30 paraugus testēšanai. Confusion matrica (Attēls 4) parāda perfektu normālo stāvokļu identifikāciju, 97% precizitāti bloķēšanai un 98.33% vidējo klasifikācijas precizitāti.
3.3 Dažādu Klasifikācijas Algoritmu Salīdzinājums
Lai testētu random forest klasifikatora veiktspēju, tika apmācīti Support Vector Machine (SVM) un Extreme Learning Machine (ELM) salīdzinājuma nolūkos. Testa rezultāti ir parādīti Tabulā 1.
No Tabulas 1, starp trim klasifikatoriem, Random Forest (RF) algoritms ņem relatīvi ilgu diagnostikas laiku 6.9 ms testa kopas paraugiem. Precizitātes ziņā, Support Vector Machine (SVM) sasniedz 95% diviem darbības stāvokļiem, kas ir zemāk nekā RF. Tā kā Extreme Learning Machine (ELM) ir nejauši izvēlēti slēptie slāņa svars, tā precizitāte mainaies starp 85% - 96.67% un ir mazāk robusta nekā RF. Tāpēc, izmantotais RF algoritms ir augstas precizitātes un labas robustnes.
4 Secinājumi
Šajā rakstā tiek piedāvāta slodzes spērna mehānisko kļūdu detektācijas metode, izmantojot enerģijas krājuma motorstrāvas laika domēna iezīmes un Random Forest (RF) algoritmu. Tā izgaismojami izsakāmas laika domēna iezīmes no motorstrāvas formēm un izmanto RF klasifikatoru stāvokļu identifikācijai. Piedāvātais ieraksta sākuma kritērijs efektīvi iegūst motorstrāvas signālus. Izmantojot RF Gini indeksu, tā novērtē iezīmju nozīmīgumu un izvēlas četras galvenās iezīmes (virsūzvārtu faktors, assimetrija, kvadrātvidējā vērtība, kurtosis), lai raksturotu slodzes spērna stāvokļus. Eksperimenti parāda, ka šī metode efektīvi identificē motorbloķēšanas stāvokļus ar 98.33% precizitāti.
