Nov način za detekcijo zastojnih napak v preklopnih ventilih

V zadnjih letih, s napredkom distribucijske avtomatizacije, se brzki preklopniki širše uporabljajo v distribucijskih linijah. Kljub temu so nesreče, povzročene mehansko poškodbo, na večji stopnji, kar obremenjuje delo in vzdrževanje linij.

Slaba mehanska zmogljivost je glavni vzrok za težave z preklopniki. Številni znanstveniki raziskujejo velikoploskovno delovanje preklopnikov, uporabljajo metode, kot so merjenje tokov bobnov, analiza vibracijskih signalov, testiranje poti preklopnika, ultrazvočna iskanja pomanjkljivosti in infrardeča termometrija. Tokomotorne metode za določanje stanja preklopnika delujejo za stikala in odvajalnike, a manj se uporabljajo za težave z pogonskim mehanizmom brzkih preklopnikov.

Raziskave o brzkih preklopnikih, ki delujejo na terenu, kažejo, da signali toka energijskega skladiščenja motornega toka odražajo stanje preklopnika. Mehanske težave (npr. zaklep pruge, okvaro, zaklep ozubenika) v pogonskem mehanizmu spremembajo parametre signala toka (amplitudo, trajanje, lokalne vrhove). Ta članek se osredotoča na pogosto okvaro zaradi korozije energijskega skladiščenja motorjev v obalnih območjih, raziskuje izluščevanje značilnic okvar in identifikacijo. Koraki: 1) Analiza karakteristik toka energijskega skladiščenja motorja, razdelitev valovnih oblik na 4 faze in ocena vsake faze. 2) Izrada naprave za zajemanje podatkov o valovnih oblikah pri različnih pogojih. 3) Predlaganje algoritma za začetek snemanja, izluščevanje značilnic in metode za identifikacijo okvar. 4) Preverjanje z eksperimenti.

1 Analiza karakteristik toka energijskega skladiščenja motorja

Brzki preklopniki tipično uporabljajo DC motorje za pogon pruznih prug za shranjevanje energije. Med delovanjem motorja sta izhodni torzijski moment in hitrost rotora tesno povezana z tokom v statorju. Enačbi elektromagnetskega torza in napetosti za stranično vzbuđeni DC motor so naslednje:

V enačbi (1), T predstavlja elektromagnetski torz; n predstavlja hitrost vrtenja; Ia predstavlja tok armature; Ra predstavlja upornost vezja armature, ki je konstanta; Ea predstavlja inducirano elektromotorno napetost; U predstavlja napetost na klemmah; ΔU predstavlja padec napetosti na kontaktih, ki je konstanta; ϕ predstavlja magnetni tok; Ce predstavlja konstanto elektromotorne napetosti; in CT predstavlja koeficient torza. Na podlagi enačbe (1) lahko izpeljemo:

Iz enačbe (2) vidimo, da, kadar je tok naložbe majhen, demagnetizacijski učinek armature ni pomemben, zato se magnetni tok obravnava kot konstanta, in elektromagnetski torz je sorazmeren s tokom naložbe. Ko se tok naložbe poveča, se torz poveča, a hitrost vrtenja ima tendenco padati. Vendar pa višji tok naložbe zmanjša magnetni tok, kar bi moralo povečati hitrost. Ti nasprotujoči učinki tipično povzročijo majhen padec hitrosti stranično vzbuđenega motorja. Slika 1 prikazuje tipično valovno obliko toka DC motorja za shranjevanje energije, razdeljeno na 4 faze.Slika 1 prikazuje tipično valovno obliko toka DC motorja za shranjevanje energije, razdeljeno na 4 faze.

Faza 1 (t₀)–(t₁): Faza zaganjanja motorja

Ob času t0 preklopnik prejme signal za zapiranje od distribucijskega terminalnega enota, s čimer se kontrolni motor zagoni z naložbo. Tok motorja hitro naraste do špica pri t_st, nato pa hitro pada in vstopi v stabilno delovanje.

Faza 2 (t₁)–(t₂): Faza stabilnega delovanja motorja

Motor pogaja prenosni ozubenik, da vruti brez naložbe. V tej fazi motor deluje stabilno pod lahkimi naložbami, z amplitudo toka motorja Ia.

Faza 3 (t₂)–(t₄): Faza shranjevanja energije v pruzni prugi

Ko se pruzna pruga polni s energijo, izhodni torzijski moment motorja postopoma narašča, doseže maksimum ob t3; ob tem času doseže tudi tok motorja maksimalno vrednost Im. Nato izhodni torzijski moment motorja postopoma pada.

Faza 4 (t₄)–(t₅): Faza prekinitve toka motorja

Ob t4 doseže pruzna pruga limitni preklopnik, ki prekine napajanje motorja. Tok motorja hitro pada, dokler ne doseže 0 ob t5, in motor ustavi delovanje.

2 Diagnoza okvar zaradi zaklepa energijskega skladiščenja motorja
2.1 Simulacija okvar in zajemanje podatkov

Test okvar zaradi zaklepa je bil simuliran na brzkem preklopniku iz električne opreme (scenario na Sliki 2(a)). Po razmontaži preklopnika je bila med stabilnim delovanjem motorja in fazo shranjevanja energije v pruzni prugi z uporabo klinciha aplikirana obratna sila zaključnega vrtenja, da bi se simuliral zaklep ozubenika/pruge. Prilagojena naprava za zajemanje toka (Slika 2(b)) je uporabila čip ARM STM32F103 za zajemanje signalov iz Hall-jevega pretvornika toka HSTS016L (DC vhod: 0–30A). Ker signal za odpiranje nima ciljnega valovnega oblika, se ta raziskava osredotoča na signal za zapiranje toka.

2.2 Algoritem za začetek snemanja valovnih oblik

Iz Slike 1 je videti, da učinkovita valovna oblika signala sega v časovno okno t0 do t5, sestavljena iz 4 faz z različnimi spremembami toka. Poleg tega so med različnimi pogonskimi motorji znatne razlike v amplitudah signalov. Zato je očitno neprimeren enostaven prag amplitude toka kot kriterij za začetek snemanja valovnih oblik signalov. Zato ta raziskava uporablja stopnjo spremembe toka Kt v enotnem časovnem oknu in povprečno vrednost I_mean kot kriterije za začetek, da doseže učinkovito snemanje valovnih oblik. Stopnja spremembe toka v enotnem časovnem oknu:

Povprečni tok vsakega časovnega okna:

V enačbah (3) in (4) I(i) predstavlja signal toka; M je število vzorcev v enotnem časovnem oknu; Δt je dolžina časovnega okna, in Δt = 0,02s v tem prispevku; I(1) je prvi vzorec v enotnem časovnem oknu.

2.3 Izluščevanje časovnih značilnic

Za identifikacijo okvar zaradi zaklepa energijskega skladiščenja motorja se izrazite informacije krivulje izluščijo preko nekaterih časovnih kazalnikov. Kurtosis K lahko opiše gladkost signala toka; RMS I_rms lahko opiše povprečno energijo signala toka; skevnes sk je mera smeri in stopnje skevne statistične porazdelitve; faktor oblike sh in faktor špika C se uporabljata za opis ekstremnosti špika toka v valovni obliki.

Algoritem Random Forest (RF) združuje več odločitvenih dreves. Njegov izhodni kategoriji določi način pojavitve posameznih odločitvenih dreves, značilen za visoko natančnost, dobro toleranco za nenormalne podatke in nizko tveganje preučevanja.

2.4 Algoritem Random Forest

RF se oslanja na vzorčenje Bootstrap (vzorčenje z nadomestili za tvorbo n vzorcev iz prvotnega nabora podatkov) in Bagging glasovanje. Bagging generira n treningovih naborov preko Bootstrap, vsak trenira neodvisen šibko klasifikator. Končna odločitev pride od glasovanja o izhodih šibkih klasifikatorjev, z večino glasov kot rezultatom.

RF uporablja odločitvena drevesa CART (binarna drevesa, ki se razdeljujejo top-down od korena, minimizirajo indeks Gini za razdelitve, formula (5)). Liu Min et al. navadno 100 odločitvenih dreves optimizira uspešnost klasifikacije. Zato ta raziskava uporablja 100 dreves CART za naključni gozd.

3 Analiza primerov
3.1 Izbor značilk

Indeks Gini v naključnem gozdu se uporablja za ocenjevanje pomembnosti posameznih značilk. Rezultati so prikazani na Sliki 3, kjer ordinata predstavlja proporcionalni koeficient. Videti je, da so štiri značilnice, namreč faktor špika C, skevnes sk, RMS I_rms in kurtosis K, zelo pomembne in lahko učinkovito opredelijo razlike v različnih stanjih brzkega preklopnika. Štiri značilnice, vključno z faktorjem oblike sh, največjim začetnim tokom I_st, časom delovanja motorja t in Tm, so malo pomembne. Zato ta raziskava izbere C, sk, I_rms in K kot vektorske značilnice.

3.2 Rezultati diagnoze s Random Forest

Algoritem RF klasificira dva stanja brzkega preklopnika (normalno/zaklenjeno) z uporabo 300 vzorcev na stanje za učenje (skupaj 600) in 30 vzorcev za testiranje. Matrica zamenjave (Slika 4) kaže popolno identifikacijo normalnega stanja, 97% natančnost za zaklep in 98,33% povprečno natančnost klasifikacije.

3.3 Primerjava različnih algoritmov klasifikacije

Za testiranje zmogljivosti klasifikatorja Random Forest so hkrati trenirani Support Vector Machine (SVM) in Extreme Learning Machine (ELM) za primerjavo. Rezultati testiranja so prikazani v Tabeli 1.

Iz Tabele 1 je videti, da med tremi klasifikatorji algoritem Random Forest (RF) za vzorce testnega nabora zahteva relativno dolgo časovno diagnozo 6,9 ms. Glede natančnosti doseže Support Vector Machine (SVM) 95% za dva stanja delovanja, kar je nižje od RF. Zaradi naključnih tež skritih slojev ima Extreme Learning Machine (ELM) natančnost, ki se spreminja med 85% in 96,67%, in slabšo odpornost kot RF. Zato ima uporabljen algoritem RF visoko natančnost in dobro odpornost.

4 Zaključek

Ta članek predlaga metodo za zaznavo mehanskih okvar brzkega preklopnika z uporabo časovnih značilnic toka energijskega skladiščenja motorja in algoritma Random Forest (RF). Izluščuje reprezentativne časovne značilnice iz valovnih oblik toka motorja in uporablja klasifikator RF za identifikacijo stanja. Predlagan kriterij za začetek snemanja valovnih oblik učinkovito zajema signale toka motorja. S pomočjo indeksa Gini v RF oceni pomembnost značilnic in izbere štiri ključne značilnice (faktor špika, skevnes, RMS, kurtosis) za opis stanj brzkega preklopnika. Eksperimenti kažejo, da metoda učinkovito identificira stanja zaklepa motorja z 98,33% natančnostjo.