En ny metod för detektering av fastlåsta fel i lastväxlar

Under de senaste åren, medan distributionsautomationen utvecklas, får lastomkopplare ett allt större användningsområde i distributionslinjer. Ändå ökar antalet olyckor orsakade av mekaniska fel, vilket belastar linjeoperation och underhåll.

Dålig mekanisk prestanda är den huvudsakliga orsaken till omkopplingsfel. Många forskare studerar storskalig drift av strömbrytare, genom metoder som spoleströmsdetektion, vibrationsignalanalys, omkopplingsresetest, ultraljudsflawdetektion och infraröd termometri. Motorströmsbaserad statusdetektion fungerar för strömbrytare och avkopplare men används mindre för fel i drivmekanismen för lastomkopplare.

Forskning på fältkörsna lastomkopplare visar att energilagringsmotorströmsignaler återspeglar omkopplingens status. Mekaniska problem (t.ex. fjäderklibbning, rost, kugghjulsklibbning) i drivmekanismen ändrar strömsignalparametrar (amplitud, varaktighet, lokala toppar). Med fokus på den vanliga energilagringsmotorklibbningen av rost i kustnära områden, studerar denna artikel felutdragning och identifiering. Steg: 1) Analysera motorströmskarakteristika, dela upp vågformerna i 4 steg, och utvärdera varje steg. 2) Utforma en datainsamlingsenhet för strömvågor under olika förhållanden. 3) Föreslå en startalgoritm för inspelning, utdragning av egenskaper och felidentifieringsmetoder. 4) Validera via experiment.

1 Analys av energilagringsmotorströmskarakteristika

Lastomkopplare använder normalt likströmsmotorer för att driva komprimeringsspringor för energilagring. Under motordrift är rotorutmattningsmoment och hastighet nära relaterade till statorcirkuitets ström. För parallelanimerade likströmsmotorer är elektromagnetiska moment- och spänningsfunktionerna följande:

I ekvation (1), T representerar det elektromagnetiska momentet; n representerar rotationshastigheten; Ia representerar armaturströmmen; Ra representerar armaturcircuitets resistans, vilket är en konstant; Ea representerar den inducerade elektromotoriska kraften; U representerar terminalspänningen; ΔU representerar kontaktspänningsfall, vilket är en konstant; ϕ representerar magnetflöde; Ce representerar elektromotorisk kraftkonstant; och CT representerar momentkoefficient. Enligt ekvation (1) kan vi härleda:

Enligt ekvation (2), när belastningsströmmen är liten, är armaturreaktionens demagnetiserande effekt försumbar, så magnetflöde anses vara konstant, och elektromagnetiskt moment är proportionellt mot belastningsströmmen. När belastningsströmmen ökar, stiger momentet men rotationshastigheten tenderar att minska. Men högre belastningsström minskar magnetflöde, vilket skulle öka hastigheten. Dessa motsatta effekter orsakar normalt en lätt minskning av parallelanimerade motorers hastighet. Figur 1 visar typisk strömvåg för en likströmsenergilagringsmotor i drift, indelad i 4 steg.Figur 1 visar den typiska strömvågen för en likströmsenergilagringsmotor i drift, indelad i 4 steg.

Steg 1 (t₀)–(t₁): Motorstartfas

Vid tidpunkt t0 mottar lastomkopplingen ett stängningsmeddelande från distributionsenhetsuttaget, vilket ger kontrollmotorn energi för att starta med last. Motorn ström stiger till en starttopp vid t_st, sedan faller snabbt för att inleda stabil drift.

Steg 2 (t₁)–(t₂): Motorstabil driftfas

Motorn driver överföringshjulet för att idla. Under denna fas kör motorn stabilt under lätt last, med motorns strömförstärkning vid Ia.

Steg 3 (t₂)–(t₄): Fjäderenergilagringsfas

När komprimeringsspringan lagrar energi, gradvis ökar motorns utmattningsmoment, når sitt maximum vid t3; vid detta tillfälle når även motorströmmen fasmaximum Im. Sedan minskar motorns utmattningsmoment gradvis.

Steg 4 (t₄)–(t₅): Motorströmsavbrottsfas

Vid t4 når komprimeringsspringan gränskontakten, avbryter strömmen till motorn. Motorströmmen sjunker snabbt tills den når 0 vid t5, och motorn slutar köra.

2 Felgranskning av energilagringsmotorblockering
2.1 Felsimulering & Datainsamling

Ett blockeringsfeltest simulerades på en lastomkoppling från en elektrisk utrustningsfabrik (scenario i figur 2(a)). Efter att ha demonterat omkopplingen, under motorns stabil drift och fjäderenergilagringsfas, applicerades en vippa med reversiv låst rotorförlust för att simulera kugg/springblockering. En anpassad ströminsamlingsenhet (figur 2(b)) använde en ARM STM32F103-chip för att samla signaler från HSTS016L Hall-strömsomvandlaren (DC-inmatning: 0–30A). Eftersom öppningsignalen saknar målströmvåg fokuserar denna studie på stängningsströmsignalen.

2.2 Algoritm för start av våginmatning

Från figur 1, täcker den effektiva signalvågen tidsfönstret t0 till t5, bestående av 4 steg med varierande strömändringar. Dessutom finns det betydande skillnader i signalamplitud mellan olika drivmotorer. Användandet av en enkel strömförstärkningsgräns som startkriterium för signalvåginmatning är tydligt olämpligt. Därför använder denna studie strömändringshastigheten Kt inom enhetstidsfönster och medelvärdet I_mean som startkriterier för effektiv våginmatning. Strömändringshastighet inom enhetstidsfönster:

Medelström för varje tidsfönster:

I ekvationer (3) och (4), I_(i) representerar strömsignalen; M är antalet provpunkter i enhetstidsfönstret; Δt är längden på enhetstidsfönstret, och Δt = 0.02s i denna artikel; I_(1) är den första provpunkten i enhetstidsfönstret.

2.3 Tidsdomänegenskapsextraktion

För att identifiera blockeringen av energilagringsmotorn extraheras uttrycksfull information från kurvan genom några tidsdomänindikatorer. Kurtosis K kan karakterisera strömsignalens släthet; rötmedelkvadrat I_rms kan karakterisera strömsignalens genomsnittliga energi; skevhet sk är ett mått på riktning och grad av skevhet i statistiska datadistributioner; formfaktor sh och toppfaktor C används för att karakterisera extremgraden av strömstoppar i vågformen.

Random Forest (RF)-klassificeringsalgoritmen integrerar flera beslutsträd. Dess utdatakategori fastställs av modus för enskilda beslutsträdskategorier, med hög precision, god tolerans för avvikande data och låg risk för överanpassning.

2.4 Random Forest-algoritm

RF bygger på Bootstrap-sampling (med ersättningsprovtagning för att forma n provuppsättningar från det ursprungliga datasätet) och Bagging-röstning. Bagging genererar n träningsuppsättningar via Bootstrap, varje tränar en oberoende svag klassificerare. Slutliga beslut kommer från röstning på svaga klassificerare, med majoritetsrösten som resultat.

RF använder CART-beslutsträd (binära träd som delas nedifrån roten, minimera Gini-index för delningar, formel (5)). Enligt Liu Min et al. optimera 100 beslutsträd klassificeringsprestanda. Så denna studie använder 100 CART-träd för random forest.

3 Fallanalys
3.1 Egenskapsval

Gini-index i random forest används för att utvärdera vikten av varje egenskap. Resultaten visas i figur 3, där y-axeln representerar proportionalitetskoefficienten. Det kan ses att fyra egenskapsmängder, nämligen toppfaktor C, skevhet sk, rötmedelkvadrat I_rms, och kurtosis K, är mycket viktiga och kan effektivt karakterisera skillnaderna i olika tillstånd för lastomkopplingen. De fyra egenskapsmängderna, inklusive formfaktor sh, maximal startström I_st, motortillverkningstid t, och T_m, har låg vikt. Därför väljer denna studie C, sk, I_rms, och K som egenskapsvektorer.

3.2 Random Forest-diagnosresultat

RF-algoritmen klassificerar två lastomkopplingstillstånd (normal/blockerad) med 300 prov per tillstånd för träningsdata (totalt 600) och 30 prov för test. Konfusionsmatrisen (figur 4) visar perfekt identifiering av normaltillstånd, 97% noggrannhet för blockeringsstatus, och 98.33% genomsnittlig klassificeringsnoggrannhet.

3.3 Jämförelse av olika klassificeringsalgoritmer

För att testa prestandan hos random forest-klassificeraren tränas en Support Vector Machine (SVM) och en Extreme Learning Machine (ELM) samtidigt för jämförelse. Testresultaten visas i tabell 1.

Enligt tabell 1, bland de tre klassificerarna, tar Random Forest (RF)-algoritmen en relativt lång diagnos tid på 6.9 ms för provuppsättningssamples. I termer av noggrannhet uppnår Support Vector Machine (SVM) 95% för två driftlägen, lägre än RF. På grund av slumpmässiga dolda lager vikter, har Extreme Learning Machine (ELM) en noggrannhet som varierar mellan 85% - 96.67% och sämre robusthet än RF. Så den använda RF-algoritmen har hög noggrannhet och god robusthet.

4 Slutsats

Denna artikel föreslår en metod för mekanisk felgranskning av lastomkopplingar genom användning av tidsdomänegenskaper från energilagringsmotorström och Random Forest (RF)-algoritm. Den extraherar representativa tidsdomänegenskaper från motorströmvågor och använder en RF-klassificerare för tillståndsidentifiering. Den föreslagna startkriteriet för inspelning av vågformen effektivt hämtar motorströmsignaler. Genom att utnyttja Gini-indexet i RF utvärderar den egenskapsvikt och väljer fyra nyckelattribut (toppfaktor, skevhet, rötmedelkvadrat, kurtosis) för att karakterisera lastomkopplingstillstånd. Experiment visar att metoden effektivt identifierar motorblockeringslägen med 98.33% noggrannhet.