Een Nieuwe Detectiemethode voor Vastgelopen Fouten in Belastschakelaars

In de afgelopen jaren zien laadschakelaars, terwijl de automatisering van distributie vordert, een bredere toepassing in distributielijnen. Echter, ongevallen veroorzaakt door mechanische storingen nemen toe, wat de operatie en onderhoud van lijnen belast.

Slechte mechanische prestaties zijn de belangrijkste oorzaak van schakelaardefecten. Veel geleerden bestuderen de grootschalige bedrijfsvoering van schakelapparatuur, met methoden zoals spoelstroomdetectie, trillingsignaalanalyse, schakelreisproeven, ultrasone defectdetectie en infraroodthermografie. Stroomgebaseerde schakelstatusdetectie werkt voor circuitbrekers en loskoppelaars, maar wordt minder toegepast op stuwmechanische defecten van laadschakelaars.

Onderzoek naar in het veld lopende laadschakelaars toont aan dat energie-opslagmotorstroomsignalen de status van de schakelaar weerspiegelen. Mechanische problemen (bijvoorbeeld, veerverstopping, roest, tandwielverstopping) in het stuwmechanisme veranderen de signaalparameters (amplitude, duur, lokale pieken). Met de focus op de veel voorkomende energie-opslagmotorroestverstopping in kustgebieden, bestudeert dit artikel de extractie en identificatie van foutkenmerken. Stappen: 1) Analyseer de kenmerken van de motorstroom, splits de golfformen in 4 fasen, en evalueer elke fase. 2) Ontwerp een gegevensverzamelapparaat voor stroomgolfformen onder verschillende omstandigheden. 3) Stel een opname-startalgoritme, kenmerkextractie en foutidentificatiemethoden voor. 4) Valideer via experimenten.

1 Analyse van de Kenmerken van de Energie-Opslagmotorstroom

Laadschakelaars gebruiken doorgaans gelijkstroommotoren om compressieveren te drijven voor energieopslag. Tijdens de motorbedrijfsvoering staan de rotor-uitgangskoppel en snelheid nauw in verband met de statorcircuitspanning. De magnetisch koppel- en spanningsequaties van de shunt-geladen gelijkstroommotor zijn als volgt:

In vergelijking (1), T vertegenwoordigt het magnetisch koppel; n vertegenwoordigt de rotatiesnelheid; Ia vertegenwoordigt de armatuurstroom; Ra vertegenwoordigt de weerstand van het armatuurcircuit, welke constant is; Ea vertegenwoordigt de opgewekte elektromotief kracht; U vertegenwoordigt de aansluitspanning; ΔU vertegenwoordigt de contactspanningsval, welke constant is; ϕ vertegenwoordigt de magneetvloed; Ce vertegenwoordigt de elektromotief constante; en CT vertegenwoordigt de koppelcoëfficiënt. Op basis van vergelijking (1) kunnen we afleiden:

Uit vergelijking (2) blijkt, wanneer de belastingstroom klein is, dat het demagnetiserend effect van de armatuurreactie verwaarloosbaar is, zodat de magneetvloed als constant wordt beschouwd, en het magnetisch koppel evenredig is met de belastingstroom. Als de belastingstroom toeneemt, neemt het koppel toe, maar de rotatiesnelheid neigt te dalen. Echter, het demagnetiserend effect van hogere belastingstroom vermindert de magneetvloed, wat de snelheid zou doen toenemen. Deze tegengestelde effecten veroorzaken meestal een lichte daling in de snelheid van de shunt-geladen motor. Figuur 1 toont de typische stroomgolfforme van een gelijkstroomenergie-opslagmotor in bedrijf, verdeeld in 4 fasen.

Fase 1 (t₀)–(t₁): Motor Startfase

Op tijdstip t0 ontvangt de laadschakelaar een sluitingssein van de distributie-eindapparatuur, waardoor de controlemotor start met belasting. De motorstroom stijgt tot een startpiek op t_st, daalt dan snel om in stabiele bedrijfsvoering te komen.

Fase 2 (t₁)–(t₂): Fase van Stabiele Motorbedrijfsvoering

De motor drijft de overbrengingstandwielen om niets te doen. Tijdens deze fase loopt de motor stabiel onder lichte belasting, met de motorstroomamplitude op Ia.

Fase 3 (t₂)–(t₄): Fase van Energietoevoer aan de Veer

Terwijl de compressieve veer energie opslaat, neemt het uitgangskoppel van de motor geleidelijk toe, bereikt een maximum op t3; op dat moment bereikt de motorstroom ook het fasemaximum Im. Vervolgens neemt het uitgangskoppel van de motor geleidelijk af.

Fase 4 (t₄)–(t₅): Fase van Onderbreking van de Motorstroom

Op t4 bereikt de compressieve veer de eindeinschakelaar, waardoor de voeding van de motor wordt afgesneden. De motorstroom daalt snel tot 0 op t5, en de motor stopt met lopen.

2 Foutdiagnose voor Energie-Opslagmotorverstopping
2.1 Foutsimulatie & Gegevensverzameling

Een verstoppingsfouttest werd gesimuleerd op een laadschakelaar van een elektrische apparatenfabriek (scenario in figuur 2(a)). Na de schakelaar te hebben gedemonteerd, werden tijdens de stabiele bedrijfsvoering en de veerenergieopslagfasen van de motor door een roker omgekeerde geblokkeerde rotatiekrachten toegepast om tandwiel/veerverstopping te simuleren. Een aangepast stroomverzamelapparaat (figuur 2(b)) gebruikte een ARM STM32F103-chip om signalen te verzamelen van de HSTS016L Hall-stroomtransformator (gelijkstroomingang: 0-30A). Aangezien het openingssein het doelstroomsignaal mist, richt dit onderzoek zich op het sluitingstroomsignaal.

2.2 Golfforme Opname Startalgoritme

Uit figuur 1 blijkt dat het effectieve signaalgolfpatroon zich uitstrekt over het tijdsvenster t0 tot t5, bestaande uit 4 fasen met diverse stroomveranderingen. Bovendien zijn er aanzienlijke verschillen in signaalamplitudes tussen verschillende aandrijfmotoren. Daarom is het gebruik van een eenvoudige drempelwaarde voor de stroomamplitude als startcriterium voor de opname van het signaalgolfpatroon duidelijk ongeschikt. Daarom gebruikt dit onderzoek de stroomverandering Kt binnen een eenheidstijdsvenster en de gemiddelde waarde I_mean als startcriteria om een effectieve golfopname te realiseren. Veranderingssnelheid van de stroom binnen het eenheidstijdsvenster:

Gemiddelde stroom per tijdsvenster:

In vergelijkingen (3) en (4) vertegenwoordigt Ii het stroomsignaal; M is het aantal steekproefpunten in het eenheidstijdsvenster; Δt is de lengte van het eenheidstijdsvenster, en Δt = 0,02 s in dit artikel; I(1) is het eerste steekproefpunt in het eenheidstijdsvenster.

2.3 Tijd-Domein Kenmerk Extractie

Om de verstoppingsfout van de energie-opslagmotor te identificeren, worden expressieve informatie van de curve door enkele tijd-domeinindicatoren geëxtraheerd. De kurtosis K kan de gladheid van het stroomsignaal karakteriseren; de root mean square Irms kan de gemiddelde energie van het stroomsignaal karakteriseren; de scheefheid sk is een maat voor de richting en mate van scheefheid van de statistische gegevensverdeling; de form factor sh en de piekfactor C worden gebruikt om de extreme mate van de stroompiek in de golfvorm te karakteriseren.

Het Random Forest (RF) classificatie-algoritme integreert meerdere beslisbomen. Zijn uitvoercategorie wordt bepaald door de modus van individuele beslisboomcategorieën, met hoge nauwkeurigheid, goede tolerantie voor abnormale gegevens, en een lage risico op overfitting.

2.4 Random Forest Algoritme

RF is afhankelijk van Bootstrap-steekproeven (met vervanging-sampling om n steekproefsets te vormen van de originele dataset) en Bagging-stemmen. Bagging genereert n trainingssets via Bootstrap, elk treint een onafhankelijke zwakke classificator. De uiteindelijke beslissingen komen voort uit stemmen over de uitvoer van de zwakke classificatoren, met de meerderheid als resultaat.

RF gebruikt CART-beslisbomen (binair bomen die top-down van de wortel splitsen, minimiseren de Gini-index voor splitsingen, formule (5)). Volgens Liu Min et al. optimaliseert 100 beslisbomen de classificatieprestaties. Daarom gebruikt dit onderzoek 100 CART-bomen voor het willekeurige bos.

3 Casusanalyse
3.1 Kenmerkselectie

De Gini-index in het willekeurige bos wordt gebruikt om het belang van elk kenmerk te evalueren. De resultaten zijn weergegeven in figuur 3, waarbij de ordinaat de proportionele coëfficiënt vertegenwoordigt. Het blijkt dat vier kenmerken, namelijk de piekfactor C, de scheefheid sk, de root mean square Irms, en de kurtosis K, zeer belangrijk zijn en effectief de verschillen in verschillende toestanden van de laadschakelaar kunnen karakteriseren. De vier kenmerken, inclusief de form factor sh, de maximale startstroom Ist, de motortijd t, en Tm, zijn van gering belang. Daarom selecteert dit onderzoek C, sk, Irms, en K als kenmerkvectoren.

3.2 Diagnoseresultaten van het Willekeurige Bos

Het RF-algoritme classificeert twee laadschakelaartoestanden (normaal/verstopt) met 300 monsters per toestand voor training (totaal 600) en 30 monsters voor testen. De verwarringmatrix (figuur 4) toont perfecte identificatie van de normale toestand, 97% nauwkeurigheid voor verstopping, en een gemiddelde classificatie-nauwkeurigheid van 98,33%.

3.3 Vergelijking van Verschillende Classificatie-Algoritmen

Om de prestaties van de willekeurige bosclassificator te testen, worden een Support Vector Machine (SVM) en een Extreme Learning Machine (ELM) gelijktijdig getraind voor vergelijking. De testresultaten staan in tabel 1.

Uit tabel 1 blijkt, onder de drie classificatoren, dat het Random Forest (RF) algoritme een relatief lange diagnose-tijd van 6,9 ms heeft voor testset-monsters. Wat de nauwkeurigheid betreft, behaalt de Support Vector Machine (SVM) 95% voor de twee bedrijfsstaten, lager dan RF. Vanwege de willekeurige verborgen-laag gewichten, fluctueert de nauwkeurigheid van de Extreme Learning Machine (ELM) tussen 85% - 96,67% en heeft ze een minder robuuste prestatie dan RF. Dus, het gebruikte RF-algoritme heeft een hoge nauwkeurigheid en goede robuustheid.

4 Conclusie

Dit artikel stelt een methode voor voor de detectie van mechanische fouten in laadschakelaars, gebruikmakend van tijd-domeinkenmerken van de energie-opslagmotorstroom en het Random Forest (RF) algoritme. Het extrahert representatieve tijd-domeinkenmerken uit de motorstroomgolfformen en gebruikt een RF-classificator voor toestandsidentificatie. Het voorgestelde opname-startcriterium verwerft effectief motorstroomsignalen. Door gebruik te maken van de Gini-index in RF, evalueert het de belangrijkheid van kenmerken en selecteert vier sleutelkenmerken (piekfactor, scheefheid, root mean square, kurtosis) om de toestanden van de laadschakelaar te karakteriseren. Experimenten tonen aan dat de methode effectief motorverstoppingsstaten identificeert met 98,33% nauwkeurigheid.