Ufundi Jalizi Mpya kwa Kutambua Matukio ya Kujifunza katika Vipengele vya Kuhamisha Uchaji

Katika miaka ya hivi karibuni, kama teknolojia ya awamu inaendelea kupanda, vifaa vya kutumia mwanga vinafanyika kutumika zaidi katika mitishamba. Hata hivyo, ajali za msingi ya mifano ya nguvu zinazotokana na matatizo ya mekaniiki zinapongezeka, kuleta mzigo wa kutengeneza na kutunza mitishamba.

Uwezo mdogo wa mekaniiki ni sababu muhimu ya matatizo ya vifaa vya kutumia mwanga. Wanachama wengi wanastudia uchumi mkubwa wa kutumia vifaa vya kutumia mwanga, kutumia njia kama kutafuta magari ya mapaza, kutathmini ishara za uvinyaji, kutest kwenda ya vifaa, kutafuta majeraha na kutembelea joto kwa maumbile. Kutathmini hali ya vifaa vya kutumia mwanga kutumia magari ya moto inafanya kwa circuit breakers na disconnectors lakini haijamalizika sana kwa matatizo ya mfumo wa kutumia vifaa vya kutumia mwanga.

Utafiti wa vifaa vya kutumia mwanga vilivyotumika katika nchi ulimwengu unaonyesha kuwa ishara za magari ya moto ya kutumia mwanga hutambua hali ya vifaa. Matatizo ya mekaniiki (kama vile kuchukua spring, ukungu, kuchukua gear) katika mfumo wa kutumia hutabadilisha parameta za ishara ya magari (amplitude, muda, mikoa yasiyofanikiwa). Kulingana na kuchukua ukungu wa magari ya kutumia mwanga yanayokuwa ya asili katika eneo la pwani, kitabu hiki kinastudia kutathmini na kutambua vipengele vya matatizo. Hatua: 1) Tathmini vitendo vya magari ya moto, gawanya grafu kwa 4 hatua, na tathmini kila hatua. 2) Unda kifaa cha kukusanya data kwa grafu tofauti. 3) Toa njia ya kutenganisha rekodi, kutathmini vipengele, na njia za kutambua matatizo. 4) Thibitisha kwa majaribio.

1 Tathmini Vitendo Vya Magari Ya Moto Ya Kutumia Mwanga

Vifaa vya kutumia mwanga mara nyingi hutumia magari ya DC kudrive compression springs kwa kutumia mwanga. Wakati magari yakiendelea, torque ya rotor na mwendo unahusiana kwa kutosha na magari ya stator-circuit. Equations za electromagnetic torque na voltage za shunt-excited DC motor ni ifuatavyo:

Katika Equation (1), T hutambua electromagnetic torque; n hutambua mwendo wa kiwango; Ia hutambua armature current; Ra hutambua resistance ya armature circuit, ambayo ni chanzo cha kutosha; Ea hutambua induced electromotive force; U hutambua terminal voltage; ΔU hutambua contact voltage drop, ambayo ni chanzo cha kutosha; ϕ hutambua magnetic flux; Ce hutambua electromotive force constant; na C_T hutambua torque coefficient. Kulingana na Equation (1), tunaweza kupata:

Kutoka Equation (2), wakati load current ni ndogo, armature reaction demagnetizing effect ni kidogo, hivyo magnetic flux inaeleweka kama chanzo cha kutosha, na electromagnetic torque inaendelea kwa load current. Waktu load current inapongezeka, torque inapongezeka lakini mwendo unastahimili kupungua. Hata hivyo, demagnetizing effect kutokana na load current inapongezeka inapunguza magnetic flux, ambayo ingeweza kupongeza mwendo. Matukio haya vinavyozunguka kwa kawaida huunda upungufu ndogo wa mwendo wa shunt-excited motor. Fig. 1 inaonyesha typical current waveform ya DC energy-storage motor in operation, imegawanyika katika 4 hatua.Fig. 1 inaonyesha typical current waveform ya DC energy-storage motor in operation, imegawanyika katika 4 hatua.

Hatua 1 (t₀)–(t₁): Hatua ya Motor Start-up

Wakati t0, vifaa vya kutumia mwanga vinapokea ishara ya closing kutoka kwenye distribution terminal unit, kutumia magari ya utambulisho kuanza na load. Magari ya moto yanapanda hadi peak ya start-up at (t_st), basi yanapungua haraka ili kuingia kwenye uendeshaji wa kutosha.

Hatua 2 (t₁)–(t₂): Hatua ya Uendeshaji wa Moto wa Kutosha

Moto unda transmission gear kuuenda. Katika hatua hii, moto unategemea kwa light load, na amplitude ya magari ya moto ni (Ia).

Hatua 3 (t₂)–(t₄): Hatua ya Spring Energy-Storage

Wakati compression spring anatengeneza mwanga, output torque ya moto yanapongezeka pole pole, kunapata maximum at (t3); point hii, magari ya moto pia yanapata maximum ya hatua (Im). Baada ya hii, output torque ya moto yanapungua pole pole.

Hatua 4 (t₄)–(t₅): Hatua ya Kutumia Magari ya Moto

At (t4), compression spring anapata limit switch, kutumia magari ya moto. Magari ya moto yanapungua haraka mpaka yanapata 0 at (t₅), na moto anastahimili kutumika.

2 Utambuzi wa Matatizo kwa Kutumia Magari ya Moto Jamming
2.1 Simulation ya Matatizo & Kutambua Data

Matatizo ya jamming fault test ilisimuliwa kwenye vifaa vya kutumia mwanga kutoka kwa viwanda vya vifaa vya umeme (scenario katika Fig. 2(a)). Baada ya kutengeneza vifaa, katika hatua ya uendeshaji wa moto wa kutosha na hatua ya spring energy-storage, rocker alipiga reverse locked-rotor forces kusimulia gear/spring jamming. Kifaa cha kutambua magari kilichopangwa (Fig. 2(b)) lilipigania ARM STM32F103 chip ili kutambua ishara kutoka kwenye HSTS016L Hall current transformer (DC input: 0–30A). Tangu ishara ya opening hakuna target current waveform, utafiti huu unategemea kwenye closing current signal.

2.2 Algorithm ya Kutenganisha Rekodi

Kutoka Fig. 1, ishara sahihi ya waveform inaendelea kwenye window ya muda t₀ hadi t₅， ina 4 hatua na mabadiliko mbalimbali ya magari. Pia, kuna tofauti kubwa katika amplitudes za ishara kati ya magari tofauti. Hivyo, kutumia thamani chache ya magari ya current kama thamani ya kutenganisha rekodi ya waveform ni chache kwa kutosha. Hivyo, utafiti huu unapewa current change rate K_t katika window ya muda na mean value I_mean kama thamani za kutenganisha rekodi ya waveform.
Current change rate of the unit time window:

Mean current of each time window:

Katika Equations (3) na (4), I_i hutambua ishara ya magari; M ni idadi ya points za kutambua katika window ya muda; Δ t ni muda wa window ya muda, na Δ t = 0.02s katika makala hii; I₍₁₎ ni point ya kutambua ya kwanza katika window ya muda.

2.3 Extraction ya Time-Domain Features

Kutambua matatizo ya jamming ya magari ya kutumia mwanga, taarifa za curve zinatengenezwa kwa kutumia baadhi ya time-domain indicators. Kurtosis K inaweza kutambua smoothness ya ishara ya magari; root mean square I_rms inaweza kutambua average energy ya ishara ya magari; skewness sk ni mtaalamu wa direction na degree ya skewness ya distribution ya data; form factor sh na peak factor C zinatumika kutambua extreme degree ya current peak katika waveform.

Random Forest (RF) classification algorithm hunajumuisha multiple decision trees. Output category yake inatumika kwa mode ya individual decision-tree categories, inayotambua accuracy ya juu, tolerance ya nzuri kwa data ya abnormal, na hatari ndogo ya overfitting.

2.4 Random Forest Algorithm

RF hupendelezwa Bootstrap sampling (with-replacement sampling kutengeneza n sample sets kutoka kwenye dataset asili) na Bagging voting. Bagging hutoa n training sets kwa kutumia Bootstrap, kila moja kujenga independent weak classifier. Decisions za mwisho humtembelea kutumia outputs za weak-classifier, na majority vote kama result.

RF hutumia CART decision trees (binary trees splitting top-down kutoka kwenye root, minimizing Gini index for splits, formula (5)). Kulingana na Liu Min na wengine 100 decision trees husaidia kutengeneza performance ya classification. Hivyo, utafiti huu hutumia 100 CART trees kwa random forest.

3 Case Analysis
3.1 Selection ya Features

Gini index katika random forest hutumika kutambua importance ya kila feature. Matokeo yameonyeshwa katika Fig. 3, ambapo ordinate hutambua proportional coefficient. Inaweza kuonekana kuwa four features, kama vile peak factor C, skewness sk, root mean square I_rms, na kurtosis K, ni muhimu sana na zinaweza kutambua tofauti katika states tofauti za vifaa vya kutumia mwanga. Four features, kama vile form factor sh, maximum starting current I_st, motor operating time t, na T_m, ni muhimu chache. Hivyo, utafiti huu unachagua C, sk, I_rms, na K kama feature vectors.

3.2 Matokeo ya Utambuzi wa Random Forest

Algorithm ya RF huchanganua two load-switch states (normal/jammed) kutumia 300 samples per state kwa training (total 600) na 30 samples kwa testing. Confusion matrix (Figure 4) inaonyesha identification kamili ya hali ya normal, accuracy ya 97% kwa jamming, na average classification accuracy ya 98.33%.

3.3 Comparison ya Algorithms tofauti za Classification

Kutesta ufanisi wa random forest classifier, Support Vector Machine (SVM) na Extreme Learning Machine (ELM) zimefundishwa pamoja kwa kutambua. Matokeo ya test yameonyeshwa katika Table 1.

Kutoka Table 1, kati ya three classifiers, algorithm ya Random Forest (RF) inatumia muda wa diagnosis wa 6.9 ms kwa sampuli za test set. Kulingana na accuracy, Support Vector Machine (SVM) inapata 95% kwa two operating states, chini kuliko RF. Kulingana na random hidden-layer weights, Extreme Learning Machine (ELM) ina accuracy inapungua kati ya 85% - 96.67% na robustness chache kuliko RF. Hivyo, algorithm ya RF inatumika ina accuracy ya juu na robustness nzuri.

4 Conclusion

Kitabu hiki kinatoa njia ya kutambua matatizo ya mekaniiki ya vifaa vya kutumia mwanga kutumia vitendo vya magari ya kutumia mwanga na algorithm ya Random Forest (RF). Inatengeneza vitendo vya representative time-domain kutoka kwenye waveforms ya magari ya moto na kutumia classifier ya RF kwa kutambua hali. Criterion ya kutenganisha rekodi ya wave iliyotolewa imeundwa vizuri kutambua ishara za magari ya moto. Kutumia Gini index katika RF, inatambua importance ya features na kutambua four key features (peak factor, skewness, root mean square, kurtosis) kutambua hali za vifaa vya kutumia mwanga. Majaribio yanavyonyesha njia hii inaweza kutambua hali za matatizo ya magari ya kutumia mwanga na accuracy ya 98.33%.