Novi metod detekcije zastašenih grešaka u prekidničkim kontaktima

U poslednjih godina, kako napreduje automatizacija raspodele, prekidaci opterećenja šire se u distributivnim linijama. Međutim, nesreće uzrokovane mehaničkim kvarovima rastu, opterećujući održavanje i rad linija.

Loša mehanička performansa je glavni uzrok grešaka na prekidacima. Mnogi naučnici proučavaju velikoprostorni rad prekidača, koristeći metode kao što su detekcija strujnog toka bobine, analiza vibracionih signala, testiranje putanje prekidaca, ultrazvučna detekcija defekata i infracrvena termometrija. Detekcija statusa prekidaca bazirana na strujnom toku motora radi za prekidače i odvojitelje, ali se manje primenjuje na greške pogonskih mehanizama prekidaca opterećenja.

Istraživanje poljoprivrede prekidaca opterećenja pokazuje da signali strujnog toka akumulativnog motora odražavaju status prekidaca. Mehanički problemi (npr. zategnuti mahnovi, korozija, zategnuti zupčanici) u pogonskom mehanizmu menjaju parametre strujnih signala (amplituda, trajanje, lokalni vrhovi). Fokusirajući se na česte probleme sa korozijom akumulativnog motora u obalnim područjima, ovaj rad proučava ekstrakciju i identifikaciju karakteristika grešaka. Koraci: 1) Analiza karakteristika strujnog toka motora, podela talasa na 4 faze i procena svake faze. 2) Dizajn uređaja za prikupljanje podataka o strujnim talasima pod različitim uslovima. 3) Predlaganje algoritma za početak snimanja, ekstrakciju karakteristika i metoda identifikacije grešaka. 4) Provera eksperimentima.

1 Analiza karakteristika strujnog toka akumulativnog motora

Prekidaci opterećenja tipično koriste DC motive za pogon kompresivnih mahnova za akumulaciju energije. Toku rada motora, izlazni vrtljazni moment i brzina su blisko povezani sa strujnim tokom statorne kruga. Jednačine elektromagnetskog vrtljaznog momenta i napona shunt-ugostiteljnog DC motora su sledeće:

U jednačini (1), T predstavlja elektromagnetski vrtljazni moment; n predstavlja vrtljazu brzinu; Ia predstavlja strujni tok armature; Ra predstavlja otpor armature, koji je konstantan; Ea predstavlja inducirani elektronički napon; U predstavlja terminalni napon; ΔU predstavlja pad napona kontakta, koji je konstantan; ϕ predstavlja magnetni fluks; Ce predstavlja konstantu elektroničkog napona; i C_T predstavlja koeficijent vrtljaznog momenta. Prema jednačini (1), možemo izvesti:

Prema jednačini (2), kada je strujni tok opterećenja mali, demagnetizujući efekat armature je zanemarljiv, tako da se magnetni fluks smatra konstantnim, a elektromagnetski vrtljazni moment je proporcionalan strujnom toku opterećenja. Kako strujni tok opterećenja raste, moment raste, ali vrtljaza brzina teži da opada. Međutim, demagnetizujući efekat većeg strujnog toka opterećenja smanjuje magnetni fluks, što bi trebalo povećati brzinu. Ovi suprotstavljeni efekti obično dovode do malog opadanja brzine shunt-ugostiteljnog motora. Slika 1 pokazuje tipični strujni talas DC akumulativnog motora u radu, podeljen na 4 faze.Slika 1 pokazuje tipični strujni talas DC akumulativnog motora u radu, podeljen na 4 faze.

Faza 1 (t₀)–(t₁): Početna faza motora

U trenutku t0, prekidac opterećenja prima signal za zatvaranje od distributivnog terminala, energizira kontrolni motor da započne rad pod opterećenjem. Strujni tok motora skoči na početni vrh u (t_st), zatim brzo opada da bi unutrašnji rad postao stabilan.

Faza 2 (t₁)–(t₂): Faza stabilnog rada motora

Motor pokreće prenosni zupčanik da bude slobodan. Tokom ove faze, motor radi stabilno pod lakim opterećenjem, sa amplitudom strujnog toka motora na (Ia).

Faza 3 (t₂)–(t₄): Faza akumulacije energije mahnova

Kako kompresivni mahnovi akumuliraju energiju, izlazni vrtljazni moment motora postepeno raste, dostizajući maksimum u (t3); u tom trenutku, strujni tok motora takođe dostiže maksimum faze (Im). Zatim, izlazni vrtljazni moment motora postepeno opada.

Faza 4 (t₄)–(t₅): Faza prekida strujnog toka motora

U (t4), kompresivni mahnovi dostižu granicni prekid, isključujući strujni tok motora. Strujni tok motora brzo opada dok ne doseže 0 u (t₅), a motor prestaje da radi.

2 Dijagnostika zaključavanja akumulativnog motora
2.1 Simulacija grešaka i prikupljanje podataka

Test simulacije greške zaključavanja je proveden na prekidacu opterećenja iz električne opreme (scenario na Slici 2(a)). Nakon dešifriranja prekidaca, tokom faze stabilnog rada motora i faze akumulacije energije mahnova, roker je primenio obrtanje zaključanih rotorskih sila da simuliše zaključavanje zupčanika/mahnova. Prilagođeni uređaj za prikupljanje strujnog toka (Slika 2(b)) koristi ARM STM32F103 čip za prikupljanje signala od HSTS016L Hall transformatora strujnog toka (DC ulaz: 0–30A). Budući da signal otvaranja nema ciljnu formu talasa strujnog toka, ovo istraživanje se fokusira na signal strujnog toka zatvaranja.

2.2 Algoritam početka snimanja talasa

Prema Slici 1, efektivni signal talasa obuhvata vremensko prozor t₀ do t₅， sastoji se od 4 faza sa različitim promenama strujnog toka. Takođe, postoje značajne razlike u amplitudama signala između različitih pogonskih motora. Stoga, upotreba jednostavnog pragovnog kriterijuma amplituda strujnog toka kao kriterijuma za početak snimanja signala talasa jasno nije prikladna. Stoga, ovo istraživanje koristi stopu promene strujnog toka K_t unutar jedinice vremenskog prozora i srednju vrednost I_mean kao kriterijume za početak snimanja efektivnog talasa. Stopa promene strujnog toka unutar jedinice vremenskog prozora:

Srednji strujni tok svakog vremenskog prozora:

U jednačinama (3) i (4), I_i predstavlja signal strujnog toka; M je broj tačaka uzorkovanja unutar jedinice vremenskog prozora; Δ t je dužina vremena jedinice vremenskog prozora, a Δ t = 0.02s u ovom radu; I₍₁₎ je prva tačka uzorkovanja unutar jedinice vremenskog prozora.

2.3 Ekstrakcija vremenskih karakteristika

Da bi se identifikovala greška zaključavanja akumulativnog motora, izrazita informacija krive se ekstrahuje kroz nekoliko vremenskih indikatora. Kurtosis K može karakterizovati gladkoću signala strujnog toka; kvadratni srednji I_rms može karakterizovati prosečnu energiju signala strujnog toka; asimetrija sk je mera smera i stepena asimetrije statističke distribucije podataka; faktor forme sh i faktor vrha C se koriste za karakterizaciju ekstremnog stepena vrha strujnog toka u talasu.

Algoritam Random Forest (RF) integrira mnogo odlučnih stabala. Njegov izlazni kategorija se određuje modom pojedinačnih kategorija odlučnih stabala, obezbeđujući visoku preciznost, dobru toleranciju na anormalne podatke i nisku riziku od pretreniranja.

2.4 Algoritam Random Forest

RF se oslanja na Bootstrap uzorkovanje (uzorkovanje sa zamenovalnim uzorkovanjem da formira n setova uzoraka iz originalnog seta podataka) i Bagging glasanje. Bagging generiše n setova za trening preko Bootstrap, svaki trening generiše nezavisni slabi klasifikator. Konačna odluka dolazi od glasanja nad izlazima slabi klasifikatora, sa najvećim brojem glasova kao rezultatom.

RF koristi CART odlučna stabla (binarna stabla koje se deli top-down od korena, minimizirajući Gini indeks za deljenja, formula (5)). Prema Liu Min et al. 100 odlučnih stabala optimizuje performanse klasifikacije. Stoga, ovo istraživanje koristi 100 CART stabala za nasumičnu šumu.

3 Analiza slučaja
3.1 Selekcija karakteristika

Gini indeks u nasumičnoj šumi se koristi za evaluaciju važnosti svake karakteristike. Rezultati su prikazani na Slici 3, gde ordinata predstavlja proporcionalni koeficijent. Može se videti da su četiri karakteristike, to jest faktor vrha C, asimetrija sk, kvadratni srednji I_rms, i kurtosis K, visoko važne i mogu efektivno karakterizovati razlike u različitim stanjima prekidaca opterećenja. Četiri karakteristike, uključujući faktor forme sh, maksimalni početni strujni tok I_st, vreme rada motora t, i T_m, imaju nisku važnost. Stoga, ovo istraživanje bira C, sk, I_rms, i K kao vektore karakteristika.

3.2 Rezultati dijagnoze Random Forest

Algoritam RF klasifikuje dva stanja prekidaca opterećenja (normalno/zaključano) koristeći 300 uzoraka po stanju za trening (ukupno 600) i 30 uzoraka za testiranje. Matrica zabune (Slika 4) pokazuje savršenu identifikaciju normalnog stanja, tačnost od 97% za zaključavanje, i prosečnu tačnost klasifikacije od 98.33%.

3.3 Uporedba različitih algoritama klasifikacije

Da bi se testirala performansa klasifikatora Random Forest, paralelno su trenirani Support Vector Machine (SVM) i Extreme Learning Machine (ELM) za uporedbu. Testni rezultati su prikazani u Tabeli 1.

Prema Tabeli 1, među tri klasifikatora, algoritam Random Forest (RF) ima relativno dugo vreme dijagnoze od 6.9 ms za uzorke test skupa. U pogledu tačnosti, Support Vector Machine (SVM) dostiže 95% za dva operativna stanja, niže od RF. Zbog nasumičnih težina skrivenog sloja, Extreme Learning Machine (ELM) ima fluktuaciju tačnosti između 85% - 96.67% i lošiju robustnost od RF. Stoga, korišćen algoritam RF ima visoku tačnost i dobrui robustnost.

4 Zaključak

Ovaj rad predlaže metod detekcije mehaničkih grešaka prekidaca opterećenja koristeći vremenske karakteristike strujnog toka akumulativnog motora i algoritam Random Forest (RF). Ekstrahuju se reprezentativne vremenske karakteristike iz talasa strujnog toka motora i koristi se klasifikator RF za identifikaciju stanja. Predloženi kriterijum početka snimanja talasa efektivno prikuplja signale strujnog toka motora. Koristeći Gini indeks u RF, procenjuje se važnost karakteristika i biraju se četiri ključne karakteristike (faktor vrha, asimetrija, kvadratni srednji, kurtosis) za karakterizaciju stanja prekidaca opterećenja. Eksperimenti pokazuju da metoda efektivno identifikuje stanja zaključavanja motora sa tačnošću od 98.33%.