Нов метод за детекција на заклесени грешки во превклучувачите на оптеретување

Во последните години, како се напредува автоматизацијата на распределба, превключувачите за натоварување се користат пошироко во линии за распределба. И покрај тоа, несреќите кои произлегуваат од механички повреди се зголемуваат, тешко бреме за операцијата и одржувањето на линиите.

Лошата механичка перформанса е главниот причин за грешки на превключувачите. Многу учени изучуваат масови операции со превключувачи, користејќи методи како детекција на стрuja во цевката, анализа на вибрациони сигнали, тест на патување на превключувачите, ултразвучна детекција на дефекти и инфрацрвена термометрија. Детекцијата на состојбата на превключувачите базирана на моторска struja функционира за прекинувачи и одделувачи, но помалку се применува за грешки на механизмот за дривење на превключувачите за натоварување.

Истражувањето на превключувачите за натоварување во полето покажува дека сигналите на struja во моторот за складирање на енергија одразуваат состојбата на превключувачите. Механичките проблеми (напр. заклопување на пружина, ржавење, заклопување на зобенци) во механизмот за дривење менуваат параметрите на сигналот на struja (амплитуда, траење, локални врхови). Фокусирајќи се на често сретнатото ржавење и заклопување на моторот за складирање на енергија во прибрежните области, овој труд студира извлечување и идентификација на карактеристики на грешки. Кораки: 1) Анализа на карактеристиките на моторската struja, поделба на форми на таласи во 4 фази и оценка на секоја фаза. 2) Дизајн на уред за собирање на податоци за форми на таласи при различни услови. 3) Предлози за алгоритми за започнување на запис, извлечување на карактеристики и методи за идентификација на грешки. 4) Валидација преку експерименти.

1 Анализа на карактеристиките на моторската struja за складирање на енергија

Превключувачите за натоварување типички користат DC мотори за дривење на компресиони пружини за складирање на енергија. Во текот на работата на моторот, роторскиот излезен крутен момент и брзината тесно се поврзани со статорската цепна struja. Електромагнетниот крутен момент и равенката за напон за шунтован DC мотор се следниве:

Во равенката (1), T претставува електромагнетниот крутен момент; n претставува брзината на враќање; Ia претставува armature current; Ra претставува отпорот на цепта на armature, кој е константа; Ea претставува индуциран electromotive force; U претставува крајниот напон; ΔU претставува падот на напонот на контакт, кој е константа; ϕ претставува магнетниот поток; Ce претставува константата за electromotive force; и CT претставува коефициентот за крутен момент. Според равенката (1), можеме да изведеме:

Според равенката (2), кога strujata na optuka е мала, демагнетизирачкиот ефект на armature reaction е занемарлив, така што магнетниот поток се смета за константен, а електромагнетниот крутен момент е правопропорционален со strujata na optuka. Кога strujata na optuka се зголемува, крутен моментот се зголемува, но брзината има тенденција да се намали. Меѓутоа, демагнетизирачкиот ефект од повисоката struja na optuka ја намалува магнетната индукција, што би требало да ја зголеми брзината. Овие противуречни ефекти обично доведуваат до слабо намалување на брзината на шунтованиот мотор. Фигура 1 покажува типичната форма на таласот на strujata во DC моторот за складирање на енергија во работа, поделена на 4 фази.Фигура 1 покажува типичната форма на таласот на strujata во DC моторот за складирање на енергија во работа, поделена на 4 фази.

Фаза 1 (t₀)–(t₁): Фаза на започнување на моторот

На времето t0, превключувачот за натоварување прима сигнал за затворање од терминалната единица за распределба, енергирајќи контролниот мотор да почне со оптока. Strujata во моторот се зголемува до врв на започнување на tst, па брзо се намалува за да влезе во стабилна работа.

Фаза 2 (t₁)–(t₂): Фаза на стабилна работа на моторот

Моторот дривира преносните зобенци да се вртат празно. Во оваа фаза, моторот работи стабилно под лесна оптока, со амплитуда на strujata во моторот на Ia.

Фаза 3 (t₂)–(t₄): Фаза на складирање на енергија во пружина

Како што компресионата пружина складира енергија, излезниот крутен момент на моторот постепено се зголемува, достигнувајќи максимум на t3; во овој момент, strujata во моторот исто така достигнува максимум на Im. Последователно, излезниот крутен момент на моторот постепено се намалува.

Фаза 4 (t₄)–(t₅): Фаза на прекинување на strujata во моторот

На t4, компресионата пружина достигнува граничен превключувач, прекинувајќи напонот на моторот. Strujata во моторот брзо се намалува до 0 на t5, и моторот спира со работата.

2 Дијагностика на грешки за заклопување на моторот за складирање на енергија
2.1 Симулација на грешки и собирање на податоци

Симулирана е тест-проба за грешка на заклопување на превключувач за натоварување од електроопрема (сценарио на Фигура 2(a)). По разбирањето на превключувачот, во текот на стабилната работа на моторот и фазата на складирање на енергија во пружина, рокерот примени обратни силе на заклопување на моторот за да симулира заклопување на зобенци/пружини. Уредот за собирање на податоци за strujata (Фигура 2(b)) користи чип ARM STM32F103 за собирање на сигнали од Хол трансформаторот за struja HSTS016L (DC вход: 0–30A). Бидејќи сигналот за отварање нема целниот талас на strujata, ова истражување се фокусира на сигналот за затворање.

2.2 Алгоритам за започнување на запис на таласи

Според Фигура 1, ефективниот сигнал на таласот се проширува во временски прозорец од t0 до t5, состојат од 4 фази со различни промени на strujata. Поради тоа, користењето на проста граница на амплитудата на strujata како критериум за започнување на запис на таласи е очигледно непододлно. Затоа, ова истражување го прифаќа променливоста на strujata Kt во единечен временски прозорец и просечната вредност Imean како критериуми за започнување на ефективен запис на таласи. Променливоста на strujata во единечен временски прозорец:

Просечната struja во секој временски прозорец:

Во равенките (3) и (4), Ii претставува сигналот на strujata; M е бројот на точки на примерок во единечен временски прозорец; Δt е должината на единечен временски прозорец, и Δt = 0.02s во овој труд; I(1) е првиот примерок во единечен временски прозорец.

2.3 Извлечување на карактеристики во временски домен

За да се идентификува грешката на заклопување на моторот за складирање на енергија, изразителната информација на кривата се извлекува преку неколку временски индикатори. Kurtosis K може да карактеризира глаткоста на сигналот на strujata; RMS Irms може да карактеризира просечната енергија на сигналот на strujata; skewness sk е мера на насоката и степенот на асиметрија на дистрибуцијата на статистичките податоци; form factor sh и peak factor C се користат за карактеризирање на екстремната степен на врвот на strujata во таласот.

Random Forest (RF) класификацијата интегрира многу дрвја на одлука. Неговата категорија на излез се одредува со модусот на категории на индивидуалните дрвета на одлука, карактеризиран со висока точност, добра толеранција за аномални податоци и ниска ризика од overfitting.

2.4 Алгоритам Random Forest

RF се осLANJА на Bootstrap sampling (со замена на примероци за формирање на n примерочни сетови од оригинален сет) и Bagging voting. Bagging генерира n тренинг сетови преку Bootstrap, секој тренира независен слаб класификатор. Финалните одлуки доаѓаат од glasanje на излезите на слабите класификатори, со мнозинството гласови како резултат.

RF користи CART дрвета на одлука (бинарни дрвета кои се делат од коренот нагоре, минимизирајќи Gini index за делови, формула (5)). Според Liu Min et al. 100 дрвета на одлука оптимизираат класификацијата. Затоа, овој труд користи 100 CART дрвета за случајниот шума.

3 Анализа на случај
3.1 Избор на карактеристики

Gini index во случајниот шума се користи за евалуација на важноста на секоја карактеристика. Резултатите се покажани на Фигура 3, каде што ординатата претставува пропорционален коефициент. Може да се види дека четири карактеристики, најпр. peak factor C, skewness sk, RMS Irms и kurtosis K, се високо важни и можат ефективно да карактеризираат разликите во различни состојби на превключувачот за натоварување. Четири карактеристики, вклучувајќи form factor sh, maximum starting current Ist, working time of the motor t и Tm, се маловажни. Затоа, овој труд ги избира C, sk, Irms и K како вектори на карактеристики.

3.2 Резултати на дијагностика со случајен шум

Алгоритамот RF класифицира две состојби на превключувачот за натоварување (нормална/заклопена) со користење на 300 примероци по состојба за тренирање (вкупно 600) и 30 примероци за тест. Confusion matrix (Фигура 4) покажува совершену идентификација на нормалната состојба, 97% точност за заклопување, и просечна класификационска точност од 98.33%.

3.3 Споредба на различни алгоритми за класификација

За да се тестира перформансата на класификаторот случајен шум, истовремено се тренираат Support Vector Machine (SVM) и Extreme Learning Machine (ELM) за споредба. Тестирани резултати се покажани во Табела 1.

Според Табела 1, меѓу три класификатори, алгоритамот Random Forest (RF) има релативно долга времетраење на дијагностика од 6.9 ms за примероци на тест сет. Во однос на точноста, Support Vector Machine (SVM) постигнува 95% за две оперативни состојби, што е помалку од RF. Због случајни тежини на скривен слој, Extreme Learning Machine (ELM) има точност која варира од 85% до 96.67% и посебно посебна robustness од RF. Затоа, користениот алгоритам RF има висока точност и добра robustness.

4 Заклучок

Овој труд предлага метод за детекција на механичка грешка на превключувачот за натоварување користејќи карактеристики на временски домен на strujata во моторот за складирање на енергија и алгоритам Random Forest (RF). Извлекува представителни карактеристики на временски домен од форми на таласи на strujata во моторот и користи класификатор RF за идентификација на состојба. Предложениот критериум за започнување на запис на таласи ефективно собира сигналите на strujata во моторот. Искористувајќи Gini index во RF, евалуира важноста на карактеристиките и избира четири клучни карактеристики (peak factor, skewness, RMS, kurtosis) за карактеризирање на состојби на превключувачот за натоварување. Експериментите покажуваат дека методот ефективно идентификува состојби на заклопување на моторот со 98.33% точност.