En ny metode for deteksjon av fastlåste feil i lastskruer

I løpet av de siste årene, med fremgang i distribusjonsautomatisering, blir lastskruer mer og mer anvendt i distribusjonslinjer. Imidlertid øker antallet av ulykker forårsaket av mekaniske feil, noe som belaster drift og vedlikehold av linjen.

Dårlig mekanisk ytelse er den hovedsakelige årsaken til skrudefekter. Mange forskere studerer operasjon av stor-skala skruutstyr, ved hjelp av metoder som spolestrøm deteksjon, vibrasjonsignalanalyse, skruferdtesting, ultralydsfeildeteksjon og infrarød termometri. Motorstrømsbasert skrustatusdeteksjon fungerer for strømbrytere og koblingsbrytere, men brukes mindre for feil i drivemekanismen for lastskrue.

Forskning på feltkjørende lastskruer viser at energilagringsmotorstrømsignaler reflekterer skrustatus. Mekaniske problemer (f.eks. fjærsperring, rost, tandhjulsblokkering) i drivemekanismen endrer strømsignalkarakteristika (amplitude, varighet, lokale toppunkter). Med fokus på vanlige rustningsproblemer i kystområder, studerer denne artikkelen uttrekking og identifisering av feilegenskaper. Trinn: 1) Analyser motorstrømkarakteristika, del bølgeformer inn i 4 stadier, og vurder hvert stadium. 2) Design en datainnsamlingsenhet for strømbølgeformer under ulike betingelser. 3) Forslag et opptaksstartalgoritme, egenskapsuttrekking, og feilidentifikasjonsmetoder. 4) Valider gjennom eksperimenter.

1 Analyse av energilagringsmotorstrømkarakteristika

Lastskruer bruker typisk DC-motorer for å drive komprimeringsfjærer for energilagring. Under motordrift har rotors utgående dreiemoment og hastighet tett sammenheng med stator-sirkuitsstrøm. For parallellspolerte DC-motorer er elektromagnetisk dreiemoment- og spenningsekvationer som følger:

I Ligning (1), representerer T det elektromagnetiske dreiemomentet; n representerer rotasjonshastigheten; Ia representerer armaturstrømmen; Ra representerer armaturkretsens motstand, som er konstant; Ea representerer vindings indukserte emf; U representerer terminalspenningen; ΔU representerer kontaktspenningsfall, som er konstant; ϕ representerer magnetfløyten; Ce representerer emf-konstanten; og CT representerer dreiemomentkoeffisienten. Ifølge Ligning (1) kan vi derivere:

Ifølge Ligning (2), når belastningsstrømmen er liten, er armaturreaksjonens demagnetiserende effekt ubetydelig, så magnetfløyte betraktes som konstant, og elektromagnetisk dreiemoment er proporsjonalt med belastningsstrømmen. Når belastningsstrømmen øker, stiger dreiemomentet, men rotasjonshastigheten neiger til å synke. Men den demagnetiserende effekten fra høyere belastningsstrøm reduserer magnetfløyten, noe som ville øke hastigheten. Disse motsette effektene fører ofte til en svak reduksjon i parallellspolerte motors hastighet. Figur 1 viser typisk strømbølgeform for en DC-energilagringsmotor i drift, delt inn i 4 stadier.

Stadium 1 (t₀)–(t₁): Motormoppstartsfase

Ved tidspunkt t₀, mottar lastskruen et slukkesignal fra distribusjonsterminalen, energiserer kontrollmotoren for å starte med last. Motorstrømmen skyter opp til en starttopp ved t_st, deretter raskt faller til å gå over i stabil drift.

Stadium 2 (t₁)–(t₂): Motorstabil driftsfase

Motoren driver overføringsgear for å være ledig. I dette stadiet kjører motoren stabil under lett last, med motorstrømamplitude på Ia.

Stadium 3 (t₂)–(t₄): Fjærelagring av energi-fase

Når komprimeringsfjæren lagrer energi, øker motorens utgående dreiemoment gradvis, oppnår maksimum ved t₃; på dette punktet, slår også motorstrømmen stagets maksimum Im. Deretter gradvis minsker motorens utgående dreiemoment.

Stadium 4 (t₄)–(t₅): Motorstrømbryting fase

Ved t₄, når komprimeringsfjæren når grenseswitchen, kuttes strømmen til motoren. Motorstrømmen falt raskt til 0 ved t₅, og motoren stopper å kjøre.

2 Feil-diagnose for energilagringsmotor blokkering
2.1 Feilsimulering & Datainnsamling

En blokkeringsfeiltest ble simulert på en lastskru fra et elektrisk utstyrfabrikk (scenario i Figur 2(a)). Etter at skruen ble demontert, under motorens stabile drift og fjærelagring av energi, ble en rocker brukt for å gi omvendte låste rotorkrefter for å simulere gear/fjær-blokkering. En tilpasset strøminnsamlingsenhet (Figur 2(b)) brukte en ARM STM32F103 chip for å samle signaler fra HSTS016L Hall-strømtransformator (DC-inngang: 0–30A). Siden åpningssignalet mangler målrettede strømbølgeformer, fokuserer denne studien på lukkingssignalet.

2.2 Bølgeform-opptaksstart algoritme

Fra Figur 1, spenner den effektive signalfase tidsvinduet t₀ til t₅, bestående av 4 stadier med diverse strømmendlinger. I tillegg er det store forskjeller i signalamplituder mellom ulike drivemotorer. Derfor er det klart uaktuelt å bruke en enkel strømamplitudetrærskel som startkriterie for signalfaseopptak. Derfor benytter denne studien strømmendlingen K_t innen enhetstidsvinduet og gjennomsnittverdien I_mean som startkriterier for å oppnå effektiv faseopptak. Strømmendling i enhetstidsvindu:

Gjennomsnittlig strøm for hvert tidsvindu:

I Ligninger (3) og (4), representerer I_(i) strømsignalet; M er antall samplingpunkter i enhetstidsvinduet; Δt er lengden på enhetstidsvinduet, og Δt = 0.02s i denne artikkelen; I₍₁₎ er det første samplingpunktet i enhetstidsvinduet.

2.3 Tidsdomenet egenskapsuttrekking

For å identifisere blokkeringsfeil for energilagringsmotoren, trekkes uttryksfulle informasjon fra kurven gjennom noen tidsdomen indikatorer. Kurtosis K kan karakterisere glattheten av strømsignalet; kvadratrots gjennomsnitt I_rms kan karakterisere gjennomsnittlig energi av strømsignalet; skewness sk er et mål for retningen og graden av skevhet i statistiske datafordeling; formfaktor sh og toppfaktor C brukes for å karakterisere ekstremgraden av strømtopp i bølgeformen.

Tilfeldig Skog (RF)-klassifiseringsalgoritmen integrerer flere beslutningstre. Dets utdatakategori fastsettes av modus av individuelle beslutningstre-kategorier, med høy nøyaktighet, god toleranse for anormalt data, og lav risiko for overfitting.

2.4 Tilfeldig Skog Algoritme

RF bygger på Bootstrap-sampling (med erstattelsesprøvetaking for å danne n prøvesett fra det opprinnelige datasettet) og Bagging-stemmeforkasting. Bagging genererer n treningsett via Bootstrap, hver trener en uavhengig svak klassifiserer. Sluttbeslutninger kommer fra stemmeforkasting av svak-klassifiserer-utdata, med flertallsstemme som resultat.

RF bruker CART-beslutningstre (binære trær som splitter top-down fra rota, minimere Gini-indeksen for splitting, formel (5)). Per Liu Min et al. 100 beslutningstre optimaliserer klassifiseringsytelsen. Derfor bruker denne studien 100 CART-trær for tilfeldige skoger.

3 Case-analyse
3.1 Egenskapsvalg

Gini-indeksen i tilfeldige skoger brukes for å evaluere viktigheten av hver egenskap. Resultatene er vist i Figur 3, hvor ordinaten representerer proporsjonalitetskoeffisienten. Det kan sees at fire egenskapsmengder, nemlig toppfaktor C, skewness sk, kvadratrots gjennomsnitt I_rms og kurtosis K, er høyt viktige og kan effektivt karakterisere forskjellene i ulike tilstander for lastskruen. Fire egenskapsmengder, inkludert formfaktor sh, maksimal startstrøm I_st, motor driftstid t, og T_m, har lav viktighet. Derfor velger denne studien C, sk, I_rms og K som egenskapsvektorer.

3.2 Diagnose-resultater for Tilfeldig Skog

RF-algoritmen klassifiserer to lastskru-tilstander (normal/blokkert) ved å bruke 300 prøver per tilstand for trening (totalt 600) og 30 prøver for testing. Forvirringsmatrisen (Figur 4) viser perfekt identifisering av normal-tilstand, 97% nøyaktighet for blokkering, og 98.33% gjennomsnittlig klassifiseringsnøyaktighet.

3.3 Sammenligning av ulike klassifiseringsalgoritmer

For å teste ytelser av tilfeldige skog-klassifisereren, trenes en Støttevektor Maskin (SVM) og en Ekstrem Læringsmaskin (ELM) samtidig for sammenligning. Testresultatene er vist i Tabell 1.

Fra Tabell 1, blant de tre klassifisererne, tar Tilfeldig Skog (RF)-algoritmen relativt lang diagnose-tid på 6.9 ms for testsett-prøver. I henhold til nøyaktighet, oppnår Støttevektor Maskin (SVM) 95% for to driftstillstander, lavere enn RF. På grunn av tilfeldige skjulte-lagsvekter, har Ekstrem Læringsmaskin (ELM) nøyaktighet som flukterer mellom 85% - 96.67% og dårligere robusthet enn RF. Derfor har den brukte RF-algoritmen høy nøyaktighet og god robusthet.

4 Konklusjon

Denne artikkelen foreslår en metode for mekanisk feildeteksjon av lastskru ved hjelp av energilagringsmotorstrøms tidsdomen-egenskaper og Tilfeldig Skog (RF)-algoritmen. Den trekker representativ tidsdomen-egenskaper fra motorstrømbølgeformer og bruker en RF-klassifiserer for tilstandsidentifisering. Det foreslåtte opptaksstartkriteriet akkumulerer effektivt motorstrømsignaler. Ved hjelp av Gini-indeksen i RF, vurderer den viktigheten av egenskaper og velger fire nøkkel-egenskaper (toppfaktor, skewness, kvadratrots gjennomsnitt, kurtosis) for å karakterisere lastskru-tilstander. Eksperimenter viser at metoden effektivt identifiserer motorblokkeringstillstand med 98.33% nøyaktighet.