Nowa metoda wykrywania usterek zastygnięć w przełącznikach obciążenia

W ostatnich latach, wraz z postępem w automatyzacji rozdzielczyk, przełączniki obciążeniowe znajdują coraz szersze zastosowanie w linii rozdzielczych. Jednakże, wypadki spowodowane awariami mechanicznymi są na wzrost, obciążając operacje i konserwację linii.

Słaba wydajność mechaniczna jest główną przyczyną awarii przełączników. Wielu naukowców bada operacje dużych skali urządzeń przełączających, stosując metody takie jak detekcja prądu cewki, analiza sygnałów drgań, testowanie przejazdu przełącznika, ultradźwiękowa detekcja defektów i pomiar temperatury podczerwienią. Detekcja stanu przełącznika oparta na prądzie silnika działa dla wyłączników obwodowych i rozłączników, ale mniej jest stosowana do awarii mechanizmu napędowego przełączników obciążeniowych.

Badania nad przełącznikami obciążeniowymi działającymi w terenie pokazały, że sygnały prądu silnika akumulującego energię odzwierciedlają stan przełącznika. Problemy mechaniczne (np. zakleszczenie sprężyny, rdza, zakleszczenie trybów) w mechanizmie napędowym zmieniają parametry sygnału prądu (amplituda, czas trwania, lokalne szczyty). Skupiając się na powszechnym problemie zakleszczenia przez rdzę silników akumulujących energię w regionach przybrzeżnych, ten artykuł studiuje ekstrakcję cech uszkodzeń i ich identyfikację. Kolejne kroki to: 1) Analiza charakterystyk prądu silnika, podział form falowych na 4 etapy i ocena każdego etapu. 2) Projekt urządzenia do pozyskiwania danych o formach falowych prądu w różnych warunkach. 3) Propozycja algorytmu startu nagrywania, ekstrakcji cech i metod identyfikacji uszkodzeń. 4) Walidacja poprzez eksperymenty.

1 Analiza charakterystyk prądu silnika akumulującego energię

Przełączniki obciążeniowe zazwyczaj używają silników DC do napędzania sprężyn kompresyjnych do akumulowania energii. Podczas działania silnika, moment obrotowy i prędkość wirnika są ściśle związane z prądem obwodu statora. Równania elektromagnetycznego momentu obrotowego i napięcia dla szeregowo-napędzanego silnika DC są następujące:

W równaniu (1), T reprezentuje elektromagnetyczny moment obrotowy; n reprezentuje prędkość obrotową; Ia reprezentuje prąd armatury; Ra reprezentuje opór obwodu armatury, który jest stałą; Ea reprezentuje indukcyjną siłę elektromotoryczną; U reprezentuje napięcie końcowe; ΔU reprezentuje spadek napięcia kontaktowego, który jest stałą; ϕ reprezentuje natężenie magnetyczne; Ce reprezentuje stałą siły elektromotorycznej; a CT reprezentuje współczynnik momentu. Na podstawie równania (1) możemy wyprowadzić:

Z równania (2) wynika, że gdy prąd obciążenia jest mały, efekt demagnetyzujący z powodu reakcji armatury jest zaniedbywalny, więc natężenie magnetyczne jest uważane za stałe, a elektromagnetyczny moment obrotowy jest proporcjonalny do prądu obciążenia. Gdy prąd obciążenia rośnie, moment obrotowy również rośnie, ale prędkość obrotowa tendencje do spadku. Jednakże, efekt demagnetyzujący z powodu większego prądu obciążenia redukuje natężenie magnetyczne, co spowodowałoby wzrost prędkości. Te przeciwstawne efekty zwykle powodują lekki spadek prędkości szeregowo-napędzanego silnika. Rysunek 1 przedstawia typowe formy falowe prądu DC silnika akumulującego energię podzielone na 4 etapy.

Etap 1 (t₀)–(t₁): Etap uruchomienia silnika

W momencie t₀, przełącznik obciążeniowy otrzymuje sygnał zamknięcia od jednostki terminalowej rozdzielczej, zasilając silnik sterujący do rozpoczęcia pracy pod obciążeniem. Prąd silnika gwałtownie wzrasta do maksymalnego szczytu startowego w t_st, a następnie szybko spada, aby wejść w stabilne działanie.

Etap 2 (t₁)–(t₂): Etap stabilnego działania silnika

Silnik napędza przekładnię do bezładunkowego działania. W tym etapie, silnik działa stabilnie pod lekkim obciążeniem, z amplitudą prądu silnika na poziomie Ia.

Etap 3 (t₂)–(t₄): Etap akumulacji energii przez sprężynę

Gdy sprężyna kompresyjna akumuluje energię, moment obrotowy wyjściowy silnika stopniowo wzrasta, osiągając maksimum w t₃; w tym momencie, prąd silnika również osiąga maksimum etapu Im. Następnie, moment obrotowy wyjściowy silnika stopniowo maleje.

Etap 4 (t₄)–(t₅): Etap przerwania prądu silnika

W momencie t₄, sprężyna kompresyjna dochodzi do granicznego przełącznika, odłączając zasilanie silnika. Prąd silnika gwałtownie spada, aż do zera w t₅, a silnik zatrzymuje się.

2 Diagnoza uszkodzeń zakleszczenia silnika akumulującego energię
2.1 Symulacja uszkodzeń i pozyskiwanie danych

Symulacja testu uszkodzenia zakleszczenia została przeprowadzona na przełączniku obciążeniowym z fabryki sprzętu elektrycznego (scenariusz na rys. 2(a)). Po rozmontowaniu przełącznika, podczas stabilnego działania silnika i etapu akumulacji energii przez sprężynę, dźwignia zastosowała siły odwróconego blokady wirnika, aby symulować zakleszczenie trybów/sprężyn. Wykorzystano niestandardowe urządzenie do pozyskiwania prądu (rys. 2(b)), które używało układu ARM STM32F103 do zbierania sygnałów z transformatora prądowego HSTS016L (wejście DC: 0–30A). Ponieważ sygnał otwarcia nie zawiera docelowego sygnału prądu, to badanie skupia się na sygnale prądu zamknięcia.

2.2 Algorytm startu nagrywania formy fali

Zgodnie z rysunkiem 1, efektywny sygnał formy fali obejmuje okno czasowe od t₀ do t₅, składające się z 4 etapów o różnorodnych zmianach prądu. Dodatkowo, istnieją znaczące różnice w amplitudach sygnałów między różnymi silnikami napędowymi. Dlatego użycie prostej progowej wartości amplitudy prądu jako kryterium startu nagrywania formy fali jest jasno niewłaściwe. Dlatego to badanie wykorzystuje tempa zmiany prądu K_t w jednostkowym oknie czasowym oraz średnią wartość I_mean jako kryteria startu, aby osiągnąć efektywne nagrywanie formy fali. Tempo zmiany prądu w jednostkowym oknie czasowym:

Średni prąd w każdym oknie czasowym:

W równaniach (3) i (4), I_(i) reprezentuje sygnał prądu; M to liczba punktów próbkowania w jednostkowym oknie czasowym; Δt to długość czasowa jednostkowego okna czasowego, a w tym artykule Δt = 0,02 s; I₍₁₎ to pierwszy punkt próbkowania w jednostkowym oknie czasowym.

2.3 Ekstrakcja cech w dziedzinie czasu

Aby zidentyfikować uszkodzenie zakleszczenia silnika akumulującego energię, ekstrahowane są ekspresywne informacje krzywej za pomocą niektórych wskaźników w dziedzinie czasu. Kurtoza K może charakteryzować gładkość sygnału prądu; wartość średnia kwadratów I_rms może charakteryzować średnią energię sygnału prądu; skośność sk jest miarą kierunku i stopnia skośności rozkładu statystycznego danych; współczynnik kształtu sh i współczynnik szczytowy C są używane do charakteryzowania ekstremalnego stopnia szczytu prądu w formie fali.

Algorytm klasyfikacji Random Forest (RF) integruje wiele drzew decyzyjnych. Jego kategoria wyjściowa jest określana przez modalną kategorię poszczególnych drzew decyzyjnych, cechując się wysoką dokładnością, dobrą tolerancją na nietypowe dane i niskim ryzykiem przeuczenia.

2.4 Algorytm Random Forest

RF polega na próbkowaniu Bootstrap (próbkowanie z zamiarem tworzenia n zestawów próbek z oryginalnego zestawu danych) i głosowaniu Bagging. Bagging generuje n zestawów treningowych za pomocą Bootstrap, każdy trening niezależnego słabego klasyfikatora. Ostateczne decyzje pochodzą z głosowania na wyjściach słabych klasyfikatorów, z większościowym głosem jako wynikiem.

RF używa drzew decyzyjnych CART (drzew binarnych dzielących od góry do dołu od korzenia, minimalizując indeks Giniego dla podziałów, wzór (5)). Według Liu Min i innych 100 drzew decyzyjnych optymalizuje wydajność klasyfikacji. Dlatego to badanie używa 100 drzew CART do lasu losowego.

3 Analiza przypadków
3.1 Selekcja cech

Indeks Giniego w lasie losowym jest używany do oceny ważności każdej cechy. Wyniki są przedstawione na rysunku 3, gdzie oś y reprezentuje współczynnik proporcjonalny. Można zauważyć, że cztery wielkości cech, tj. współczynnik szczytowy C, skośność sk, wartość średnia kwadratów I_rms i kurtoza K, są bardzo ważne i mogą efektywnie charakteryzować różnice w różnych stanach przełącznika obciążeniowego. Cztery wielkości cech, w tym współczynnik kształtu sh, maksymalny prąd startowy I_st, czas działania silnika t i T_m, mają niską ważność. Dlatego to badanie wybiera C, sk, I_rms i K jako wektory cech.

3.2 Wyniki diagnozy lasu losowego

Algorytm RF klasyfikuje dwa stany przełącznika obciążeniowego (normalny/zakleszczony) za pomocą 300 próbek na stan do treningu (łącznie 600) i 30 próbek do testowania. Macierz pomyłek (rys. 4) pokazuje idealną identyfikację stanu normalnego, 97% dokładności dla zakleszczenia i 98,33% średnią dokładność klasyfikacji.

3.3 Porównanie różnych algorytmów klasyfikacji

Aby przetestować wydajność klasyfikatora lasu losowego, jednocześnie przeszkolono Maszynę Wektorów Nośnych (SVM) i Ekstremalną Maszynę Uczenia (ELM) do porównania. Wyniki testów są przedstawione w tabeli 1.

Z tabeli 1 wynika, że spośród trzech klasyfikatorów, algorytm Lasu Losowego (RF) zajmuje stosunkowo długi czas diagnozy 6,9 ms dla próbek zestawu testowego. W kwestii dokładności, Maszyna Wektorów Nośnych (SVM) osiąga 95% dla dwóch stanów działania, co jest niższe niż RF. Ze względu na losowe wagi ukrytego warstwy, Ekstremalna Maszyna Uczenia (ELM) ma dokładność wahającą się od 85% do 96,67% i słabszą odporność niż RF. Zatem używany algorytm RF ma wysoką dokładność i dobrą odporność.

4 Wnioski

Ten artykuł proponuje metodę wykrywania uszkodzeń mechanicznych przełączników obciążeniowych za pomocą cech w dziedzinie czasu prądu silnika akumulującego energię i algorytmu Lasu Losowego (RF). Ekstrahuje reprezentatywne cechy w dziedzinie czasu z form falowych prądu silnika i używa klasyfikatora RF do identyfikacji stanów. Proponowane kryterium startu nagrywania formy fali skutecznie pozyskuje sygnały prądu silnika. Wykorzystując indeks Giniego w RF, ocenia ważność cech i wybiera cztery kluczowe cechy (współczynnik szczytowy, skośność, wartość średnia kwadratów, kurtoza) do charakteryzowania stanów przełącznika obciążeniowego. Eksperymenty pokazują, że metoda skutecznie identyfikuje stany zakleszczenia silnika z dokładnością 98,33%.