Um Novo Método de Detecção para Falhas de Travamento em Interruptores de Carga

Nos últimos anos, com o avanço da automação de distribuição, os interruptores de carga têm sido mais utilizados nas linhas de distribuição. No entanto, acidentes causados por falhas mecânicas estão aumentando, sobrecarregando a operação e manutenção das linhas.

O desempenho mecânico deficiente é a principal causa de falhas nos interruptores. Muitos estudiosos investigam a operação em larga escala de equipamentos de chaveamento, utilizando métodos como detecção de corrente do bobinado, análise de sinais de vibração, teste de curso do interruptor, detecção de defeitos ultrassônicos e termometria infravermelha. A detecção do estado do interruptor baseada na corrente do motor funciona para disjuntores e seccionadores, mas é menos aplicada a falhas no mecanismo de acionamento dos interruptores de carga.

Pesquisas sobre interruptores de carga em operação no campo mostram que os sinais de corrente do motor de armazenamento de energia refletem o estado do interruptor. Problemas mecânicos (por exemplo, travamento de molas, ferrugem, travamento de engrenagens) no mecanismo de acionamento alteram os parâmetros do sinal de corrente (amplitude, duração, picos locais). Focando na ferrugem e travamento comum dos motores de armazenamento de energia em áreas costeiras, este artigo estuda a extração e identificação de características de falhas. Passos: 1) Analisar as características da corrente do motor, dividir os diagramas de onda em 4 estágios e avaliar cada estágio. 2) Projetar um dispositivo de aquisição de dados para ondas de corrente em diferentes condições. 3) Propor um algoritmo de início de gravação, extração de características e métodos de identificação de falhas. 4) Validar através de experimentos.

1 Análise das Características da Corrente do Motor de Armazenamento de Energia

Os interruptores de carga geralmente usam motores DC para acionar molas de compressão para armazenamento de energia. Durante a operação do motor, o torque de saída do rotor e a velocidade estão intimamente relacionados à corrente do circuito do estator. As equações de torque eletromagnético e tensão do motor DC série são as seguintes:

Na Equação (1), T representa o torque eletromagnético; n representa a velocidade de rotação; Ia representa a corrente do âncora; Ra representa a resistência do circuito do âncora, que é constante; Ea representa a força eletromotriz induzida; U representa a tensão terminal; ΔU representa a queda de tensão de contato, que é constante; ϕ representa o fluxo magnético; Ce representa a constante de força eletromotriz; e CT representa o coeficiente de torque. De acordo com a Equação (1), podemos derivar:

A partir da Equação (2), quando a corrente de carga é pequena, o efeito demagnetizante da reação do âncora é desprezível, então o fluxo magnético é considerado constante, e o torque eletromagnético é proporcional à corrente de carga. À medida que a corrente de carga aumenta, o torque aumenta, mas a velocidade tende a diminuir. No entanto, o efeito demagnetizante de uma corrente de carga maior reduz o fluxo magnético, o que aumentaria a velocidade. Esses efeitos opostos geralmente causam uma ligeira diminuição na velocidade do motor série. A Figura 1 mostra o diagrama de onda típico de corrente de um motor DC de armazenamento de energia em operação, dividido em 4 estágios.A Figura 1 mostra o diagrama de onda típico de corrente de um motor DC de armazenamento de energia em operação, dividido em 4 estágios.

Estágio 1 (t₀)–(t₁): Estágio de Inicialização do Motor

No tempo t0, o interruptor de carga recebe um sinal de fechamento da unidade terminal de distribuição, energizando o motor de controle para iniciar com carga. A corrente do motor sobe a um pico de inicialização em (tst), então cai rapidamente para entrar em operação estável.

Estágio 2 (t₁)–(t₂): Estágio de Operação Estável do Motor

O motor aciona a engrenagem de transmissão para funcionar em vazio. Nesta etapa, o motor opera estávelmente sob carga leve, com a amplitude da corrente do motor em (Ia).

Estágio 3 (t₂)–(t₄): Estágio de Armazenamento de Energia da Mola

À medida que a mola de compressão armazena energia, o torque de saída do motor aumenta gradualmente, atingindo o máximo em (t3); neste ponto, a corrente do motor também atinge o máximo do estágio (Im). Subsequentemente, o torque de saída do motor diminui gradualmente.

Estágio 4 (t₄)–(t₅): Estágio de Interrupção da Corrente do Motor

Em (t4), a mola de compressão atinge o interruptor de limite, cortando a alimentação do motor. A corrente do motor cai bruscamente até chegar a 0 em (t5), e o motor para de funcionar.

2 Diagnóstico de Falhas de Travamento do Motor de Armazenamento de Energia
2.1 Simulação de Falhas e Aquisição de Dados

Foi simulado um teste de falha de travamento em um interruptor de carga de uma fábrica de equipamentos elétricos (cenário na Figura 2(a)). Após desmontar o interruptor, durante as etapas de operação estável do motor e armazenamento de energia da mola, foi aplicada uma força de bloqueio reverso ao oscilador para simular o travamento de engrenagens/molas. Um dispositivo personalizado de aquisição de corrente (Figura 2(b)) usou um chip ARM STM32F103 para coletar sinais do transformador de corrente Hall HSTS016L (entrada DC: 0-30A). Como o sinal de abertura não possui o diagrama de onda de corrente desejado, este estudo se concentra no sinal de corrente de fechamento.

2.2 Algoritmo de Início de Gravação de Onda

A partir da Figura 1, o diagrama de onda de sinal efetivo abrange a janela de tempo t0 a t5, consistindo em 4 estágios com variações diversas de corrente. Além disso, há diferenças significativas nas amplitudes de sinal entre diferentes motores de acionamento. Portanto, usar um simples limiar de amplitude de corrente como critério de início para a gravação do diagrama de onda de sinal é claramente inadequado. Assim, este estudo adota a taxa de variação de corrente Kt dentro de uma janela de tempo unitária e o valor médio I_mean como critérios de início para alcançar a gravação efetiva do diagrama de onda. Taxa de variação de corrente da janela de tempo unitária:

Corrente média de cada janela de tempo:

Nas Equações (3) e (4), I(i) representa o sinal de corrente; M é o número de pontos de amostragem na janela de tempo unitária; Δt é o comprimento de tempo da janela de tempo unitária, e Δt = 0,02s neste artigo; I(1) é o primeiro ponto de amostragem na janela de tempo unitária.

2.3 Extração de Características no Domínio do Tempo

Para identificar a falha de travamento do motor de armazenamento de energia, a informação expressiva da curva é extraída através de alguns indicadores no domínio do tempo. A curtose K pode caracterizar a suavidade do sinal de corrente; a tensão quadrática média Irms pode caracterizar a energia média do sinal de corrente; a assimetria sk é uma medida da direção e grau de assimetria da distribuição de dados estatísticos; o fator de forma sh e o fator de pico C são usados para caracterizar o grau extremo do pico de corrente no diagrama de onda.

O algoritmo de classificação Random Forest (RF) integra múltiplas árvores de decisão. Sua categoria de saída é determinada pelo modo das categorias individuais de árvores de decisão, apresentando alta precisão, boa tolerância a dados anormais e baixo risco de overfitting.

2.4 Algoritmo Random Forest

O RF depende de amostragem Bootstrap (amostragem com reposição para formar n conjuntos de amostras a partir do conjunto de dados original) e votação Bagging. O Bagging gera n conjuntos de treinamento via Bootstrap, cada um treinando um classificador fraco independente. As decisões finais vêm da votação nos resultados dos classificadores fracos, com a maioria dos votos como resultado.

O RF usa árvores de decisão CART (árvores binárias que se dividem de cima para baixo a partir da raiz, minimizando o índice Gini para divisões, fórmula (5)). Segundo Liu Min et al., 100 árvores de decisão otimizam o desempenho de classificação. Assim, este estudo usa 100 árvores CART para a floresta aleatória.

3 Análise de Caso
3.1 Seleção de Características

O índice Gini na floresta aleatória é usado para avaliar a importância de cada característica. Os resultados são mostrados na Figura 3, onde a ordenada representa o coeficiente proporcional. Pode-se ver que quatro quantidades de características, a saber, o fator de pico C, a assimetria sk, a tensão quadrática média Irms e a curtose K, são altamente importantes e podem caracterizar eficazmente as diferenças em diferentes estados do interruptor de carga. As quatro quantidades de características, incluindo o fator de forma sh, a corrente de partida máxima Ist, o tempo de operação do motor t e Tm, têm baixa importância. Portanto, este estudo seleciona C, sk, Irms e K como vetores de características.

3.2 Resultados do Diagnóstico da Floresta Aleatória

O algoritmo RF classifica dois estados do interruptor de carga (normal/travado) usando 300 amostras por estado para treinamento (total de 600) e 30 amostras para teste. A matriz de confusão (Figura 4) mostra identificação perfeita do estado normal, 97% de precisão para travamento e 98,33% de precisão média de classificação.

3.3 Comparação de Diferentes Algoritmos de Classificação

Para testar o desempenho do classificador de floresta aleatória, foram treinados simultaneamente um Máquina de Vetores de Suporte (SVM) e uma Máquina de Aprendizagem Extrema (ELM) para comparação. Os resultados dos testes são mostrados na Tabela 1.

A partir da Tabela 1, entre os três classificadores, o algoritmo de Floresta Aleatória (RF) leva um tempo de diagnóstico relativamente longo de 6,9 ms para as amostras do conjunto de teste. Em termos de precisão, a Máquina de Vetores de Suporte (SVM) alcança 95% para dois estados de operação, inferior ao RF. Devido aos pesos aleatórios da camada oculta, a Máquina de Aprendizagem Extrema (ELM) tem precisão variando entre 85% - 96,67% e robustez inferior ao RF. Assim, o algoritmo RF utilizado tem alta precisão e boa robustez.

4 Conclusão

Este artigo propõe um método de detecção de falhas mecânicas em interruptores de carga usando características no domínio do tempo da corrente do motor de armazenamento de energia e o algoritmo de Floresta Aleatória (RF). Ele extrai características representativas no domínio do tempo dos diagramas de onda da corrente do motor e usa um classificador RF para identificação de estado. O critério de início de gravação proposto permite a aquisição efetiva dos sinais de corrente do motor. Utilizando o índice Gini no RF, ele avalia a importância das características e seleciona quatro características-chave (fator de pico, assimetria, tensão quadrática média, curtose) para caracterizar os estados do interruptor de carga. Os experimentos mostram que o método identifica efetivamente os estados de travamento do motor com 98,33% de precisão.