วิธีการตรวจจับใหม่สำหรับข้อผิดพลาดที่ติดอยู่ในสวิตช์โหลด

ในช่วงหลายปีที่ผ่านมา เนื่องจากความก้าวหน้าในการ automatization ของการกระจายพลังงาน สวิตช์โหลดได้ถูกใช้งานอย่างกว้างขวางมากขึ้นในสายการกระจายพลังงาน แต่เหตุการณ์อุบัติเหตุที่เกิดจากความล้มเหลวทางกลกลับเพิ่มขึ้น ทำให้การดำเนินงานและการบำรุงรักษาสายส่งมีภาระมากขึ้น

ประสิทธิภาพทางกลที่ไม่ดีเป็นสาเหตุหลักของความผิดปกติของสวิตช์ นักวิชาการจำนวนมากศึกษาการทำงานของสวิตช์ขนาดใหญ่โดยใช้วิธีการตรวจจับกระแสคอยล์ การวิเคราะห์สัญญาณสั่นสะเทือน การทดสอบการเดินทางของสวิตช์ การตรวจสอบข้อบกพร่องด้วยคลื่นเสียงความถี่สูง และการวัดอุณหภูมิด้วยอินฟราเรด การตรวจจับสถานะสวิตช์โดยอาศัยกระแสไฟฟ้าของมอเตอร์สามารถทำงานได้สำหรับวงจรตัดและวงจรแยก แต่มีการใช้น้อยลงสำหรับความผิดปกติของกลไกขับเคลื่อนสวิตช์โหลด

การวิจัยสวิตช์โหลดที่กำลังทำงานในสนามแสดงให้เห็นว่าสัญญาณกระแสไฟฟ้าของมอเตอร์สำหรับการสะสมพลังงานสะท้อนสถานะของสวิตช์ ปัญหาทางกล (เช่น การติดของสปริง การขึ้นสนิม การติดของเฟือง) ในกลไกขับเคลื่อนจะเปลี่ยนแปลงพารามิเตอร์ของสัญญาณกระแส (แอมปลิจูด ระยะเวลา ยอดสูงสุดท้องถิ่น) โดยเน้นที่การขึ้นสนิมของมอเตอร์สำหรับการสะสมพลังงานที่พบบ่อยในพื้นที่ชายฝั่ง บทความนี้ศึกษาการสกัดคุณสมบัติและระบุความผิดปกติ ขั้นตอน: 1) วิเคราะห์ลักษณะของกระแสไฟฟ้าของมอเตอร์ แบ่งสัญญาณออกเป็น 4 ระยะ และประเมินแต่ละระยะ 2) ออกแบบอุปกรณ์รวบรวมข้อมูลสำหรับสัญญาณกระแสภายใต้สภาพต่างๆ 3) เสนอขั้นตอนการเริ่มบันทึก สกัดคุณสมบัติ และวิธีการระบุความผิดปกติ 4) ตรวจสอบผ่านการทดลอง

1 วิเคราะห์ลักษณะของกระแสไฟฟ้าของมอเตอร์สำหรับการสะสมพลังงาน

สวิตช์โหลดโดยทั่วไปใช้มอเตอร์กระแสตรงเพื่อขับเคลื่อนสปริงสำหรับการสะสมพลังงาน ระหว่างการทำงานของมอเตอร์ แรงบิดเอาต์พุตของโรเตอร์และความเร็วรอบมีความสัมพันธ์ใกล้ชิดกับกระแสวงจรสเตเตอร์ สมการแรงบิดแม่เหล็กไฟฟ้าและแรงดันไฟฟ้าของมอเตอร์กระแสตรงที่กระตุ้นขนานเป็นดังนี้:

ในสมการ (1), T แทนแรงบิดแม่เหล็กไฟฟ้า n แทนความเร็วรอบ Ia แทนกระแสอาร์เมเจอร์ Ra แทนความต้านทานวงจรอาร์เมเจอร์ซึ่งเป็นค่าคงที่ Ea แทนแรงดันไฟฟ้าเหนี่ยวนำของขดลวด U แทนแรงดันที่ขั้ว ΔU แทนแรงดันตกคร่อมที่ติดต่อซึ่งเป็นค่าคงที่ ϕ แทนฟลักซ์แม่เหล็ก Ce แทนค่าคงที่ของแรงดันไฟฟ้า C_T แทนสัมประสิทธิ์แรงบิด ตามสมการ (1) เราสามารถสรุปได้ว่า:

จากสมการ (2) เมื่อกระแสโหลดเล็ก ผลจากการลด Flux ของ Armature reaction สามารถละเลยได้ ดังนั้น Flux ถือว่าคงที่ และแรงบิดแม่เหล็กไฟฟ้าเป็นสัดส่วนกับกระแสโหลด เมื่อกระแสโหลดเพิ่มขึ้น แรงบิดเพิ่มขึ้น แต่ความเร็วรอบมีแนวโน้มลดลง อย่างไรก็ตาม ผลจากการลด Flux จากกระแสโหลดที่สูงขึ้นทำให้ความเร็วรอบเพิ่มขึ้น ผลต้านกันนี้มักทำให้ความเร็วรอบของมอเตอร์ที่กระตุ้นขนานลดลงเล็กน้อย รูปที่ 1 แสดงสัญญาณกระแสไฟฟ้าแบบทั่วไปของมอเตอร์สะสมพลังงานกระแสตรงขณะทำงาน แบ่งออกเป็น 4 ระยะ

ระยะที่ 1 (t₀)–(t₁): ระยะเริ่มต้นมอเตอร์

เมื่อเวลา t0 สวิตช์โหลดได้รับสัญญาณปิดจากหน่วยปลายทางการกระจาย ทำให้ควบคุมมอเตอร์เริ่มทำงานพร้อมกับโหลด กระแสไฟฟ้าของมอเตอร์พุ่งขึ้นสู่จุดสูงสุดของการเริ่มต้นที่ (t_st) แล้วลดลงอย่างรวดเร็วเพื่อเข้าสู่การทำงานที่เสถียร

ระยะที่ 2 (t₁)–(t₂): ระยะการทำงานที่เสถียรมอเตอร์

มอเตอร์ขับเคลื่อนเกียร์ส่งกำลังให้ว่างเปล่า ระหว่างระยะนี้ มอเตอร์ทำงานอย่างเสถียรภายใต้โหลดเบา ด้วยแอมปลิจูดของกระแสไฟฟ้ามอเตอร์ที่ (Ia)

ระยะที่ 3 (t₂)–(t₄): ระยะสะสมพลังงานสปริง

เมื่อสปริงสะสมพลังงาน แรงบิดเอาต์พุตของมอเตอร์เพิ่มขึ้นอย่างค่อยเป็นค่อยไป จนถึงจุดสูงสุดที่ (t3) ณ จุดนี้ กระแสไฟฟ้าของมอเตอร์ก็สูงสุดที่ (Im) ต่อจากนั้น แรงบิดเอาต์พุตของมอเตอร์ค่อยๆ ลดลง

ระยะที่ 4 (t₄)–(t₅): ระยะหยุดกระแสไฟฟ้ามอเตอร์

ที่ (t4) สปริงอัดถึงสวิตช์จำกัด ทำให้ตัดไฟฟ้าของมอเตอร์ กระแสไฟฟ้าของมอเตอร์ลดลงอย่างรวดเร็วจนถึง 0 ที่ (t₅) และมอเตอร์หยุดทำงาน

2 การวินิจฉัยความผิดปกติจากการติดของมอเตอร์สำหรับการสะสมพลังงาน
2.1 การจำลองความผิดปกติและการรวบรวมข้อมูล

การทดสอบความผิดปกติจากการติดได้ถูกจำลองบนสวิตช์โหลดจากโรงงานอุปกรณ์ไฟฟ้า (เหตุการณ์ในรูปที่ 2(a)) หลังจากถอดสวิตช์ ระหว่างระยะการทำงานที่เสถียรและระยะสะสมพลังงานสปริง ใช้ร็อกเกอร์ทำการกดแรงย้อนกลับเพื่อจำลองการติดของเฟือง/สปริง อุปกรณ์รวบรวมข้อมูลกระแสไฟฟ้าแบบกำหนดเอง (รูปที่ 2(b)) ใช้ชิป ARM STM32F103 ในการรวบรวมสัญญาณจาก Hall current transformer HSTS016L (DC input: 0–30A) เนื่องจากสัญญาณเปิดขาดแคลนสัญญาณกระแสที่ต้องการ ดังนั้นการศึกษานี้จึงเน้นที่สัญญาณกระแสปิด

2.2 ขั้นตอนการเริ่มบันทึกสัญญาณ

จากรูปที่ 1 สัญญาณที่มีผลครอบคลุมช่วงเวลาตั้งแต่ t₀ ถึง t₅ ประกอบด้วย 4 ระยะที่มีการเปลี่ยนแปลงของกระแสแตกต่างกัน นอกจากนี้ยังมีความแตกต่างอย่างมากในแอมปลิจูดของสัญญาณระหว่างมอเตอร์ขับเคลื่อนต่างๆ ดังนั้น การใช้ค่าความสูงสุดของกระแสเป็นเกณฑ์เริ่มต้นในการบันทึกสัญญาณไม่เหมาะสม ดังนั้นการศึกษานี้จึงใช้อัตราการเปลี่ยนแปลงของกระแส K_t ภายในช่วงเวลาหน่วยและค่าเฉลี่ย I_mean เป็นเกณฑ์เริ่มต้นในการบันทึกสัญญาณอย่างมีประสิทธิภาพ อัตราการเปลี่ยนแปลงของกระแสภายในช่วงเวลาหน่วย:

ค่าเฉลี่ยของกระแสในแต่ละช่วงเวลา:

ในสมการ (3) และ (4), I_i แทนสัญญาณกระแส M คือจำนวนจุดตัวอย่างในช่วงเวลาหน่วย Δt คือความยาวของช่วงเวลาหน่วย และ Δt = 0.02s ในบทความนี้ I₍₁₎ คือจุดตัวอย่างแรกในช่วงเวลาหน่วย

2.3 การสกัดคุณสมบัติในโดเมนเวลา

เพื่อระบุความผิดปกติจากการติดของมอเตอร์สำหรับการสะสมพลังงาน สารสนเทศที่แสดงออกของเส้นโค้งถูกสกัดผ่านตัวชี้วัดบางอย่างในโดเมนเวลา Kurtosis K สามารถแสดงความเรียบของสัญญาณกระแส RMS I_rms สามารถแสดงพลังงานเฉลี่ยของสัญญาณกระแส Skewness sk เป็นการวัดทิศทางและระดับของการเบ้ของการแจกแจงข้อมูล Form factor sh และ peak factor C ใช้เพื่อแสดงระดับสูงสุดของกระแสในรูปคลื่น

อัลกอริธึม Random Forest (RF) รวมต้นไม้การตัดสินใจหลายต้น ผลลัพธ์ของหมวดหมู่ถูกกำหนดโดยโหมดของหมวดหมู่ของต้นไม้การตัดสินใจแต่ละต้น ซึ่งมีความแม่นยำสูง ทนทานต่อข้อมูลผิดปกติ และมีความเสี่ยงต่อ overfitting ต่ำ

2.4 อัลกอริธึม Random Forest

RF อาศัยการสุ่มตัวอย่าง Bootstrap (การสุ่มตัวอย่างแบบมีทดแทนเพื่อสร้าง n ชุดตัวอย่างจากชุดข้อมูลเดิม) และ Bagging voting Bagging สร้าง n ชุดฝึกอบรมผ่าน Bootstrap แต่ละชุดฝึกอบรมต้นไม้การตัดสินใจอิสระ คำตัดสินสุดท้ายมาจากคะแนนโหวตของต้นไม้การตัดสินใจที่อ่อนแอ ผลลัพธ์ส่วนใหญ่เป็นคำตอบ

RF ใช้ต้นไม้การตัดสินใจ CART (ต้นไม้ไบนารีที่แบ่งจากบนลงล่างจากราก ลด Gini index สำหรับการแบ่ง สมการ (5)) ตาม Liu Min et al. 100 ต้นไม้การตัดสินใจเพิ่มประสิทธิภาพการจำแนก ดังนั้นการศึกษานี้ใช้ 100 ต้นไม้ CART สำหรับ random forest

3 การวิเคราะห์กรณี
3.1 การเลือกคุณสมบัติ

Gini index ใน random forest ใช้ประเมินความสำคัญของแต่ละคุณสมบัติ ผลลัพธ์แสดงในรูปที่ 3 แกน y แสดงสัมประสิทธิ์สัดส่วน สามารถเห็นได้ว่า 4 คุณสมบัติ ได้แก่ peak factor C skewness sk root mean square I_rms และ kurtosis K มีความสำคัญสูงและสามารถแสดงความแตกต่างของสถานะสวิตช์โหลดได้ 4 คุณสมบัติ รวมถึง form factor sh maximum starting current I_st motor operating time t และ T_m มีความสำคัญต่ำ ดังนั้นการศึกษานี้เลือก C sk I_rms และ K เป็นเวกเตอร์คุณสมบัติ

3.2 ผลการวินิจฉัยด้วย Random Forest

อัลกอริธึม RF จำแนกสองสถานะของสวิตช์โหลด (ปกติ/ติด) โดยใช้ 300 ตัวอย่างต่อสถานะสำหรับการฝึก (รวม 600) และ 30 ตัวอย่างสำหรับการทดสอบ เมทริกซ์ความสับสน (รูปที่ 4) แสดงการระบุสถานะปกติอย่างสมบูรณ์ ความแม่นยำ 97% สำหรับการติด และความแม่นยำเฉลี่ยในการจำแนก 98.33%

3.3 การเปรียบเทียบอัลกอริธึมการจำแนกประเภทต่างๆ

เพื่อทดสอบประสิทธิภาพของตัวจำแนก random forest ได้ฝึก Support Vector Machine (SVM) และ Extreme Learning Machine (ELM) พร้อมกันเพื่อเปรียบเทียบ ผลทดสอบแสดงในตาราง 1

จากตาราง 1 ระหว่างสามตัวจำแนก อัลกอริธึม Random Forest (RF) ใช้เวลาวินิจฉัยค่อนข้างนาน 6.9 ms สำหรับตัวอย่างชุดทดสอบ ในด้านความแม่นยำ Support Vector Machine (SVM) ได้ 95% สำหรับสองสถานะการทำงาน น้อยกว่า RF ด้วยน้ำหนักของชั้นซ่อนที่สุ่ม Extreme Learning Machine (ELM) มีความแม่นยำเปลี่ยนแปลงระหว่าง 85% - 96.67% และมีความทนทานน้อยกว่า RF ดังนั้น อัลกอริธึม RF ที่ใช้มีความแม่นยำสูงและทนทานดี

4 สรุป

บทความนี้เสนอวิธีการตรวจจับความผิดปกติทางกลของสวิตช์โหลดโดยใช้คุณสมบัติในโดเมนเวลาของกระแสไฟฟ้าของมอเตอร์สำหรับการสะสมพลังงานและอัลกอริธึม Random Forest (RF) วิธีการสกัดคุณสมบัติที่มีความสำคัญในโดเมนเวลาจากสัญญาณกระแสไฟฟ้าของมอเตอร์และใช้ตัวจำแนก RF ในการระบุสถานะ ข้อเสนอเกณฑ์เริ่มบันทึกสัญญาณมีประสิทธิภาพในการรวบรวมสัญญาณกระแสไฟฟ้าของมอเตอร์ โดยใช้ Gini index ใน RF ประเมินความสำคัญของคุณสมบัติและเลือก 4 คุณสมบัติหลัก (peak factor, skewness, root mean square, kurtosis) เพื่อแสดงสถานะของสวิตช์โหลด ผลการทดลองแสดงว่าวิธีการนี้สามารถระบุสถานะการติดของมอเตอร์ได้อย่างมีประสิทธิภาพ ด้วยความแม่นยำ 98.33%