Metod Pemeriksaan Baru untuk Ralat Tertahan dalam Pengubah Beban

Dalam beberapa tahun terakhir, seiring kemajuan otomatisasi distribusi, sakelar beban semakin banyak digunakan dalam lini distribusi. Namun, kecelakaan yang disebabkan oleh kegagalan mekanik meningkat, membebani operasi dan pemeliharaan lini.

Kinerja mekanik yang buruk adalah penyebab utama kerusakan sakelar. Banyak sarjana mempelajari operasi peralatan penghubung listrik skala besar, menggunakan metode seperti deteksi arus kumparan, analisis sinyal getaran, pengujian perjalanan sakelar, deteksi cacat ultrasonik, dan termometri inframerah. Deteksi status sakelar berbasis arus motor bekerja untuk pemutus sirkuit dan pemutus, tetapi kurang diterapkan pada kesalahan mekanisme penggerak sakelar beban.

Penelitian pada sakelar beban yang beroperasi di lapangan menunjukkan bahwa sinyal arus motor penyimpan energi mencerminkan status sakelar. Masalah mekanis (misalnya, pegas macet, karat, gigi macet) dalam mekanisme penggerak mengubah parameter sinyal arus (amplitudo, durasi, puncak lokal). Fokus pada karat-macet motor penyimpan energi yang umum di daerah pesisir, makalah ini mempelajari ekstraksi fitur kesalahan dan identifikasi. Langkah-langkah: 1) Analisis karakteristik arus motor, membagi bentuk gelombang menjadi 4 tahap, dan menilai setiap tahap. 2) Merancang perangkat pengambilan data untuk bentuk gelombang arus dalam kondisi yang berbeda. 3) Menyusun algoritma mulai rekaman, ekstraksi fitur, dan metode identifikasi kesalahan. 4) Validasi melalui eksperimen.

1 Analisis Karakteristik Arus Motor Penyimpan Energi

Sakelar beban biasanya menggunakan motor DC untuk mendorong pegas kompresi untuk penyimpanan energi. Selama operasi motor, torsi output rotor dan kecepatan berkaitan erat dengan arus sirkuit stator. Persamaan torsi elektromagnetik dan tegangan motor DC sering dialiri adalah sebagai berikut:

Dalam Persamaan (1), T mewakili torsi elektromagnetik; n mewakili kecepatan rotasi; Ia mewakili arus armatur; Ra mewakili resistansi sirkuit armatur, yang merupakan konstan; Ea mewakili gaya gerak elektromotif gulungan induksi; U mewakili tegangan terminal; ΔU mewakili penurunan tegangan kontak, yang merupakan konstan; ϕ mewakili fluks magnet; Ce mewakili konstanta gaya gerak elektromotif; dan C_T mewakili koefisien torsi. Berdasarkan Persamaan (1), kita dapat turunkan:

Dari Persamaan (2), ketika arus beban kecil, efek demagnetisasi dari reaksi armatur dapat diabaikan, sehingga fluks magnet dianggap konstan, dan torsi elektromagnetik proporsional dengan arus beban. Seiring peningkatan arus beban, torsi naik tetapi kecepatan rotasi cenderung menurun. Namun, efek demagnetisasi dari arus beban yang lebih tinggi mengurangi fluks magnet, yang akan meningkatkan kecepatan. Efek-efek saling bertentangan ini biasanya menyebabkan penurunan kecil dalam kecepatan motor yang sering dialiri. Gambar 1 menunjukkan bentuk gelombang arus DC motor penyimpan energi yang beroperasi, dibagi menjadi 4 tahap.Gambar 1 menunjukkan bentuk gelombang arus tipikal motor DC penyimpan energi saat beroperasi, dibagi menjadi 4 tahap.

Tahap 1 (t₀)–(t₁): Tahap Start-up Motor

Pada waktu t0, sakelar beban menerima sinyal tutup dari unit terminal distribusi, menghidupkan motor kontrol untuk dimulai dengan beban. Arus motor melonjak hingga puncak start-up pada (t_st), kemudian cepat turun untuk memasuki operasi stabil.

Tahap 2 (t₁)–(t₂): Tahap Operasi Stabil Motor

Motor menggerakkan roda gigi transmisi untuk idle. Selama tahap ini, motor beroperasi stabil dengan beban ringan, dengan amplitudo arus motor pada (Ia).

Tahap 3 (t₂)–(t₄): Tahap Penyimpanan Energi Pegas

Seiring pegas kompresi menyimpan energi, torsi keluaran motor secara bertahap meningkat, mencapai maksimum pada (t3); pada titik ini, arus motor juga mencapai maksimum tahap (Im). Kemudian, torsi keluaran motor secara bertahap menurun.

Tahap 4 (t₄)–(t₅): Tahap Pemutusan Arus Motor

Pada (t4), pegas kompresi mencapai batas switch, memutuskan daya ke motor. Arus motor turun tajam hingga mencapai 0 pada (t₅), dan motor berhenti beroperasi.

2 Diagnosis Kesalahan Macet Motor Penyimpan Energi
2.1 Simulasi Kesalahan & Pengambilan Data

Tes kesalahan macet disimulasikan pada sakelar beban dari pabrik peralatan listrik (skenario pada Gambar 2(a)). Setelah membongkar sakelar, selama tahap operasi stabil motor dan penyimpanan energi pegas, rocker diterapkan untuk memberikan gaya terbalik pada rotor terkunci untuk mensimulasikan macet gigi/spring. Perangkat pengambilan arus khusus (Gambar 2(b)) menggunakan chip ARM STM32F103 untuk mengumpulkan sinyal dari transformator arus Hall HSTS016L (input DC: 0–30A). Karena sinyal pembukaan tidak memiliki bentuk gelombang arus target, studi ini fokus pada sinyal arus penutupan.

2.2 Algoritma Mulai Rekaman Bentuk Gelombang

Dari Gambar 1, bentuk gelombang sinyal efektif merentang jendela waktu t₀ hingga t₅， terdiri dari 4 tahap dengan variasi arus yang berbeda. Selain itu, ada perbedaan signifikan dalam amplitudo sinyal antara motor penggerak yang berbeda. Oleh karena itu, menggunakan ambang batas amplitudo arus sederhana sebagai kriteria mulai untuk merekam bentuk gelombang sinyal jelas tidak tepat. Oleh karena itu, studi ini mengadopsi laju perubahan arus K_t dalam jendela waktu satuan dan nilai rata-rata I_mean sebagai kriteria mulai untuk mencapai perekaman bentuk gelombang yang efektif.Laju perubahan arus jendela waktu satuan:

Arus rata-rata setiap jendela waktu:

Dalam Persamaan (3) dan (4), I_i mewakili sinyal arus; M adalah jumlah titik sampling dalam jendela waktu satuan; Δ t adalah panjang waktu jendela waktu satuan, dan Δ t = 0.02s dalam makalah ini; I₍₁₎ adalah titik sampling pertama dalam jendela waktu satuan.

2.3 Ekstraksi Fitur Domain Waktu

Untuk mengidentifikasi kesalahan macet motor penyimpan energi, informasi ekspresif kurva diekstrak melalui beberapa indikator domain waktu. Kurtosis K dapat menggambarkan kelancaran sinyal arus; root mean square I_rms dapat menggambarkan energi rata-rata sinyal arus; skewness sk adalah ukuran arah dan derajat kemiringan distribusi data statistik; form factor sh dan peak factor C digunakan untuk menggambarkan derajat ekstrem puncak arus dalam bentuk gelombang.

Algoritma klasifikasi Random Forest (RF) mengintegrasikan beberapa pohon keputusan. Kategori outputnya ditentukan oleh modus kategori pohon keputusan individu, dengan akurasi tinggi, toleransi baik terhadap data abnormal, dan risiko overfitting rendah.

2.4 Algoritma Random Forest

RF bergantung pada sampel Bootstrap (sampling dengan penggantian untuk membentuk n set sampel dari dataset asli) dan voting Bagging. Bagging menghasilkan n set pelatihan melalui Bootstrap, masing-masing melatih klasifikasi lemah independen. Keputusan akhir berasal dari voting pada output klasifikasi lemah, dengan suara mayoritas sebagai hasilnya.

RF menggunakan pohon keputusan CART (pohon biner yang dibagi dari atas ke bawah dari akar, meminimalkan indeks Gini untuk pembagian, rumus (5)). Menurut Liu Min et al. 100 pohon keputusan mengoptimalkan kinerja klasifikasi. Oleh karena itu, studi ini menggunakan 100 pohon CART untuk hutan acak.

3 Analisis Kasus
3.1 Pemilihan Fitur

Indeks Gini dalam hutan acak digunakan untuk mengevaluasi pentingnya setiap fitur. Hasilnya ditunjukkan pada Gambar 3, di mana ordinat mewakili koefisien proporsional. Dapat dilihat bahwa empat kuantitas fitur, yaitu faktor puncak C, skewness sk, root mean square I_rms, dan kurtosis K, sangat penting dan dapat secara efektif menggambarkan perbedaan dalam keadaan berbeda sakelar beban. Empat kuantitas fitur, termasuk faktor bentuk sh, arus awal maksimum I_st, waktu operasi motor t, dan T_m, memiliki pentingnya rendah. Oleh karena itu, studi ini memilih C, sk, I_rms, dan K sebagai vektor fitur.

3.2 Hasil Diagnosa Hutan Acak

Algoritma RF mengklasifikasikan dua keadaan sakelar beban (normal/macet) menggunakan 300 sampel per keadaan untuk pelatihan (total 600) dan 30 sampel untuk pengujian. Matriks kebingungan (Gambar 4) menunjukkan identifikasi sempurna keadaan normal, akurasi 97% untuk macet, dan akurasi rata-rata klasifikasi 98.33%.

3.3 Perbandingan Algoritma Klasifikasi Berbeda

Untuk menguji kinerja klasifikasi hutan acak, Support Vector Machine (SVM) dan Extreme Learning Machine (ELM) dilatih secara bersamaan untuk perbandingan. Hasil pengujian ditunjukkan pada Tabel 1.

Dari Tabel 1, di antara tiga klasifikasi, algoritma Random Forest (RF) mengambil waktu diagnosis yang relatif lama sebesar 6.9 ms untuk sampel set tes. Dari segi akurasi, Support Vector Machine (SVM) mencapai 95% untuk dua keadaan operasi, lebih rendah dari RF. Karena bobot lapisan tersembunyi acak, Extreme Learning Machine (ELM) memiliki akurasi yang bervariasi antara 85% - 96.67% dan ketahanan yang lebih buruk daripada RF. Oleh karena itu, algoritma RF yang digunakan memiliki akurasi tinggi dan ketahanan yang baik.

4 Kesimpulan

Makalah ini mengusulkan metode deteksi kesalahan mekanik sakelar beban menggunakan fitur domain waktu arus motor penyimpan energi dan algoritma Random Forest (RF). Metode ini mengekstrak fitur domain waktu yang representatif dari bentuk gelombang arus motor dan menggunakan klasifikasi RF untuk identifikasi keadaan. Kriteria mulai rekaman gelombang yang diusulkan secara efektif mengambil sinyal arus motor. Dengan memanfaatkan indeks Gini dalam RF, metode ini mengevaluasi pentingnya fitur dan memilih empat fitur kunci (faktor puncak, skewness, root mean square, kurtosis) untuk menggambarkan keadaan sakelar beban. Eksperimen menunjukkan metode ini secara efektif mengidentifikasi keadaan motor macet dengan akurasi 98.33%.