Новый метод обнаружения заклинивания в нагрузочных выключателях

В последние годы, по мере развития автоматизации распределения, нагрузочные выключатели находят все более широкое применение в распределительных линиях. Однако количество аварий, вызванных механическими неисправностями, увеличивается, что создает дополнительную нагрузку на эксплуатацию и обслуживание линий.

Низкая механическая производительность является основной причиной неисправностей выключателей. Многие ученые изучают работу крупномасштабного коммутационного оборудования, используя методы, такие как обнаружение тока катушки, анализ вибрационных сигналов, тестирование хода выключателя, ультразвуковое обнаружение дефектов и инфракрасная термометрия. Обнаружение состояния выключателя на основе тока двигателя работает для автоматических выключателей и разъединителей, но менее применимо к неисправностям приводного механизма нагрузочных выключателей.

Исследования работающих нагрузочных выключателей показывают, что сигналы тока двигателя накопления энергии отражают состояние выключателя. Механические проблемы (например, заклинивание пружины, коррозия, заклинивание шестерен) в приводном механизме изменяют параметры сигнала тока (амплитуда, продолжительность, локальные пики). В данной работе исследуется извлечение и идентификация признаков неисправности, связанной с коррозией и заклиниванием двигателя накопления энергии, часто встречающейся в прибрежных районах. Шаги: 1) Анализ характеристик тока двигателя, разделение осциллограмм на 4 этапа и оценка каждого этапа. 2) Разработка устройства сбора данных для осциллограмм тока при различных условиях. 3) Предложение алгоритма начала записи, методов извлечения признаков и идентификации неисправностей. 4) Проверка экспериментальным путем.

1 Анализ характеристик тока двигателя накопления энергии

Нагрузочные выключатели обычно используют постоянные токовые двигатели для приведения в действие сжимаемых пружин для накопления энергии. Во время работы двигателя крутящий момент и скорость ротора тесно связаны с током цепи статора. Электромагнитный момент и уравнение напряжения для параллельно возбужденного постоянного токового двигателя следующие:

В уравнении (1), T представляет электромагнитный момент; n представляет скорость вращения; Ia представляет ток якоря; Ra представляет сопротивление цепи якоря, которое является постоянным; Ea представляет индуцированное электродвижущее силу; U представляет напряжение на зажимах; ΔU представляет падение напряжения на контактах, которое является постоянным; ϕ представляет магнитный поток; Ce представляет константу электродвижущей силы; CT представляет коэффициент момента. Согласно уравнению (1), можно вывести:

Согласно уравнению (2), когда ток нагрузки мал, демагнитизирующий эффект реакции якоря незначителен, поэтому магнитный поток считается постоянным, и электромагнитный момент пропорционален току нагрузки. По мере увеличения тока нагрузки момент увеличивается, но скорость вращения имеет тенденцию снижаться. Однако демагнитизирующий эффект от большего тока нагрузки уменьшает магнитный поток, что приводит к увеличению скорости. Эти противоположные эффекты обычно вызывают небольшое уменьшение скорости параллельно возбужденного двигателя. На рисунке 1 показана типичная осциллограмма тока постоянного токового двигателя накопления энергии, разделенная на 4 этапа.Рисунок 1 показывает типичную осциллограмму тока постоянного токового двигателя накопления энергии в работе, разделенную на 4 этапа.

Этап 1 (t₀)–(t₁): Этап запуска двигателя

В момент t₀ нагрузочный выключатель получает сигнал на срабатывание от распределительного терминального устройства, подавая питание на управляющий двигатель для начала работы под нагрузкой. Ток двигателя резко возрастает до пика запуска в момент t_st, затем быстро снижается, переходя в режим стабильной работы.

Этап 2 (t₁)–(t₂): Этап стабильной работы двигателя

Двигатель приводит в движение передачу, работая вхолостую. На этом этапе двигатель работает стабильно под легкой нагрузкой, с амплитудой тока двигателя Ia.

Этап 3 (t₂)–(t₄): Этап накопления энергии пружиной

По мере накопления энергии сжимаемой пружиной выходной момент двигателя постепенно увеличивается, достигая максимума в момент t₃; в этот момент ток двигателя также достигает максимального значения Im. Затем выходной момент двигателя постепенно уменьшается.

Этап 4 (t₄)–(t₅): Этап прерывания тока двигателя

В момент t₄ сжимаемая пружина достигает предельного выключателя, отключая питание двигателя. Ток двигателя резко падает, достигая 0 в момент t₅, и двигатель останавливается.

2 Диагностика заклинивания двигателя накопления энергии
2.1 Моделирование неисправности и сбор данных

Проведено моделирование неисправности заклинивания на нагрузочном выключателе завода электротехнического оборудования (ситуация показана на рисунке 2(a)). После разборки выключателя, во время стабильной работы двигателя и этапа накопления энергии пружиной, использовался рычаг, чтобы приложить обратные силы блокировки ротора, имитируя заклинивание шестерен/пружины. Устройство сбора данных (рисунок 2(b)) использовало чип ARM STM32F103 для сбора сигналов от датчика Холла HSTS016L (постоянный ток: 0–30А). Поскольку сигнал открытия не содержит целевой осциллограммы тока, данное исследование сосредоточено на сигнале тока закрытия.

2.2 Алгоритм начала записи осциллограммы

Как видно из рисунка 1, эффективная осциллограмма сигнала охватывает временной интервал от t₀ до t₅, состоящий из 4 этапов с различными изменениями тока. Кроме того, существуют значительные различия в амплитудах сигналов между различными приводными двигателями. Поэтому использование простого порога амплитуды тока в качестве критерия начала записи осциллограммы сигнала явно неприемлемо. Поэтому в данном исследовании используется скорость изменения тока K_t в единичном временном окне и среднее значение I_mean в качестве критериев начала для эффективной записи осциллограммы. Скорость изменения тока в единичном временном окне:

Средний ток каждого временного окна:

В уравнениях (3) и (4), I_i представляет собой сигнал тока; M — количество точек выборки в единичном временном окне; Δt — длина единичного временного окна, и в данной работе Δt = 0.02 с; I₍₁₎ — первая точка выборки в единичном временном окне.

2.3 Извлечение признаков во временной области

Для идентификации неисправности заклинивания двигателя накопления энергии извлекаются информативные данные кривой через некоторые временные индикаторы. Куртозис K может характеризовать гладкость сигнала тока; среднеквадратическое значение I_rms может характеризовать среднюю энергию сигнала тока; асимметрия sk является мерой направления и степени асимметрии распределения статистических данных; форма sh и фактор пика C используются для характеристики экстремальности пика тока в осциллограмме.

Алгоритм классификации случайного леса (Random Forest, RF) интегрирует несколько деревьев решений. Его выходная категория определяется модой категорий отдельных деревьев решений, что обеспечивает высокую точность, хорошую устойчивость к аномальным данным и низкий риск переобучения.

2.4 Алгоритм случайного леса

RF основан на Bootstrap-выборке (выборка с заменой для формирования n наборов образцов из исходного набора данных) и голосовании Bagging. Bagging генерирует n тренировочных наборов через Bootstrap, каждый из которых обучает независимый слабый классификатор. Окончательные решения принимаются на основе голосования по выходам слабых классификаторов, где большинство голосов является результатом.

RF использует деревья решений CART (бинарные деревья, разделяющие сверху вниз от корня, минимизируя индекс Джини для разбиений, формула (5)). Согласно Liu Min et al., 100 деревьев решений оптимизируют производительность классификации. Таким образом, в данном исследовании используется 100 деревьев CART для случайного леса.

3 Анализ случаев
3.1 Выбор признаков

Индекс Джини в случайном лесу используется для оценки важности каждого признака. Результаты показаны на рисунке 3, где ордината представляет коэффициент пропорциональности. Можно видеть, что четыре признака, а именно фактор пика C, асимметрия sk, среднеквадратическое значение I_rms и куртозис K, имеют высокую важность и могут эффективно характеризовать различия в различных состояниях нагрузочного выключателя. Четыре признака, включая форму sh, максимальный ток запуска I_st, время работы двигателя t и T_m, имеют низкую важность. Поэтому в данном исследовании выбираются C, sk, I_rms и K в качестве векторов признаков.

3.2 Результаты диагностики случайного леса

Алгоритм RF классифицирует два состояния нагрузочного выключателя (нормальное/заклинившее) с использованием 300 образцов для каждого состояния для обучения (всего 600) и 30 образцов для тестирования. Матрица ошибок (рисунок 4) показывает идеальное распознавание нормального состояния, 97% точности для заклинивания и 98.33% средней точности классификации.

3.3 Сравнение различных алгоритмов классификации

Для проверки производительности классификатора случайного леса одновременно обучались машина опорных векторов (SVM) и экстремальная машина обучения (ELM) для сравнения. Результаты тестов показаны в таблице 1.

Как видно из таблицы 1, среди трех классификаторов алгоритм случайного леса (RF) занимает относительно длительное время диагностики 6.9 мс для образцов тестового набора. В плане точности машина опорных векторов (SVM) достигает 95% для двух рабочих состояний, что ниже, чем у RF. Из-за случайных весов скрытого слоя экстремальная машина обучения (ELM) имеет точность, колеблющуюся от 85% до 96.67%, и меньшую устойчивость, чем RF. Таким образом, используемый алгоритм RF имеет высокую точность и хорошую устойчивость.

4 Заключение

В данной работе предложен метод обнаружения механических неисправностей нагрузочного выключателя с использованием временных характеристик тока двигателя накопления энергии и алгоритма случайного леса (RF). Он извлекает представительные временные признаки из осциллограмм тока двигателя и использует классификатор RF для идентификации состояния. Предложенный критерий начала записи эффективно собирает сигналы тока двигателя. Используя индекс Джини в RF, он оценивает важность признаков и выбирает четыре ключевых признака (фактор пика, асимметрия, среднеквадратическое значение, куртозис) для характеристики состояний нагрузочного выключателя. Эксперименты показывают, что данный метод эффективно идентифицирует состояния заклинивания двигателя с точностью 98.33%.