Isang Bagong Paraan ng Pagdedekta para sa mga Sakit na Nakakadikit sa mga Load Switches

Sa mga nakaraang taon, habang ang pag-automate ng distribusyon ay umuunlad, ang mga load switch ay mas lalong kumakalat sa mga linya ng distribusyon. Gayunpaman, ang mga aksidente na dulot ng mekanikal na pagkabigo ay patuloy na tumataas, nagpapabigat sa operasyon at pagmamaneho ng linya.

Ang mahinang performance ng mekanika ang pangunahing sanhi ng mga pagkabigo ng switch. Maraming mga iskolar ang nag-aaral ng malaking operasyon ng switchgear, gamit ang mga pamamaraan tulad ng deteksiyon ng coil current, analisis ng signal ng vibration, pagsusuri ng biyahe ng switch, deteksiyon ng ultrasonic flaw, at infrared thermometry. Ang deteksiyon ng status ng switch batay sa motor current ay gumagana para sa mga circuit breaker at disconnectors, ngunit hindi ito kadalasang ginagamit para sa mga pagkabigo ng drive mechanism ng load switch.

Ang pag-aaral sa mga field-running load switch ay nagpapakita na ang mga signal ng current ng energy-storage motor ay nagsasalarawan ng status ng switch. Ang mga isyu sa mekanika (halimbawa, spring jamming, rust, gear jamming) sa drive mechanism ay nagbabago sa mga parameter ng signal ng current (amplitude, duration, lokal na peaks). Tungkol sa karaniwang energy-storage motor rust-jamming sa mga coastal areas, ang papel na ito ay nag-aaral ng pagkuha at pagkilala ng feature ng pagkabigo. Mga hakbang: 1) Analisahan ang mga katangian ng current ng motor, hatiin ang waveform sa 4 yugto, at i-assess ang bawat yugto. 2) Idisenyo ang device para sa pagkuha ng data ng current waveforms sa iba't ibang kondisyon. 3) Ipropose ang algoritmo ng simula ng recording, pagkuha ng feature, at mga pamamaraan ng pagkilala ng pagkabigo. 4) I-validate sa pamamagitan ng mga eksperimento.

1 Pagsusuri ng Katangian ng Current ng Energy-Storage Motor

Ang mga load switch ay karaniwang gumagamit ng DC motors upang mag-drive ng compression springs para sa energy storage. Sa panahon ng operasyon ng motor, ang output torque at bilis ng rotor ay malapit na nauugnay sa current ng stator-circuit. Ang mga ekwasyon ng electromagnetic torque at voltage ng shunt-excited DC motor ay sumusunod:

Sa Ekwasyon (1), T representa ang electromagnetic torque; n representa ang rotational speed; Ia representa ang armature current; Ra representa ang resistance ng armature circuit, na isang constant; Ea representa ang induced electromotive force ng winding; U representa ang terminal voltage; ΔU representa ang contact voltage drop, na isang constant; ϕ representa ang magnetic flux; Ce representa ang electromotive force constant; at C_T representa ang torque coefficient. Ayon sa Ekwasyon (1), maaari tayong makalkula:

Mula sa Ekwasyon (2), kapag ang load current ay maliit, ang demagnetizing effect ng armature reaction ay maliit lamang, kaya ang magnetic flux ay itinuturing na constant, at ang electromagnetic torque ay proporsyonal sa load current. Habang ang load current ay tumataas, ang torque ay tumaas pero ang rotational speed ay may tendensyang bumaba. Gayunpaman, ang mataas na load current ay nagbabawas ng magnetic flux, na nagpapataas ng speed. Ang mga opposing effects na ito ay karaniwang nagdudulot ng kaunting pagbaba ng speed ng shunt-excited motor. Ang Figura 1 ay nagpapakita ng typical na current waveform ng DC energy-storage motor sa operasyon, nahahati sa 4 yugto.Ang Figura 1 ay nagpapakita ng typical na current waveform ng DC energy-storage motor sa operasyon, nahahati sa 4 yugto.

Yugto 1 (t₀)–(t₁): Stage ng Pag-start ng Motor

Sa oras na t0, ang load switch ay tumatanggap ng closing signal mula sa distribution terminal unit, na nagbibigay ng enerhiya sa control motor upang magsimula na may load. Ang current ng motor ay humihigit sa isang peak sa (t_st), pagkatapos ay mabilis na bumaba upang pumasok sa stable operation.

Yugto 2 (t₁)–(t₂): Stage ng Stable Operation ng Motor

Ang motor ay nagdradrive ng transmission gear upang mag-idle. Sa yugto na ito, ang motor ay tumatakbo nang matatag sa ilalim ng light load, na ang amplitude ng current ng motor ay (Ia).

Yugto 3 (t₂)–(t₄): Stage ng Energy-Storage ng Spring

Bilang ang compression spring ay nagsasagawa ng energy, ang output torque ng motor ay unti-unting tumataas, na umabot sa maximum sa (t3); sa punto na ito, ang current ng motor ay umabot din sa stage maximum (Im). Pagkatapos, ang output torque ng motor ay unti-unting bumaba.

Yugto 4 (t₄)–(t₅): Stage ng Interruption ng Current ng Motor

Sa (t4), ang compression spring ay umabot sa limit switch, na nagbibigay ng cutoff ng power sa motor. Ang current ng motor ay mabilis na bumaba hanggang ito ay umabot sa 0 sa (t₅), at ang motor ay natigil na ang pagtakbo.

2 Pag-diagnose ng Jamming ng Energy-Storage Motor
2.1 Fault Simulation & Data Acquisition

Isinimulang test ang isang jamming fault sa isang load switch mula sa isang electrical equipment factory (scenario sa Fig. 2(a)). Pagkatapos ng pag-disassemble ng switch, sa panahon ng stable operation ng motor at spring energy-storage stages, isinama ang rocker upang mag-apply ng reverse locked-rotor forces upang simulan ang gear/spring jamming. Isang custom current acquisition device (Fig. 2(b)) ay gumamit ng ARM STM32F103 chip upang kunin ang mga signal mula sa HSTS016L Hall current transformer (DC input: 0–30A). Dahil ang opening signal ay walang target na current waveform, ang pag-aaral na ito ay nakatuon sa closing current signal.

2.2 Waveform Recording Start Algorithm

Mula sa Figura 1, ang effective signal waveform ay sumasaklaw sa time window t₀ hanggang t₅， na binubuo ng 4 yugto na may iba't ibang pagbabago ng current. Bukod dito, mayroong malaking pagkakaiba sa amplitudes ng signal sa iba't ibang drive motors. Kaya, ang paggamit ng simple na threshold ng current amplitude bilang start criterion para sa recording ng signal waveform ay hindi angkop. Kaya, ang pag-aaral na ito ay gumagamit ng rate ng pagbabago ng current K_t sa loob ng unit time window at ang mean value I_mean bilang start criteria upang makamit ang effective waveform recording. Rate ng pagbabago ng current sa unit time window:

Mean current ng bawat time window:

Sa Ekwasyon (3) at (4), I_i representa ang current signal; M ang bilang ng sampling points sa unit time window; Δ t ang length ng oras ng unit time window, at Δ t = 0.02s sa papel na ito; I₍₁₎ ang unang sampling point sa unit time window.

2.3 Time-Domain Feature Extraction

Upang kilalanin ang jamming fault ng energy-storage motor, in-extract ang expressive information ng curve sa pamamagitan ng ilang time-domain indicators. Ang kurtosis K ay maaaring karakterisuhin ang smoothness ng current signal; ang root mean square I_rms ay maaaring karakterisuhin ang average energy ng current signal; ang skewness sk ay isang measure ng direction at degree ng skewness ng statistical data distribution; ang form factor sh at ang peak factor C ay ginagamit upang karakterisuhin ang extreme degree ng current peak sa waveform.

Ang Random Forest (RF) classification algorithm ay nag-integrate ng maraming decision trees. Ang output category nito ay itinalaga sa pamamagitan ng mode ng individual na decision-tree categories, na may mataas na accuracy, mabuting tolerance para sa abnormal na data, at mababang panganib ng overfitting.

2.4 Random Forest Algorithm

Ang RF ay umaasa sa Bootstrap sampling (sampling with replacement upang mabuo ang n sample sets mula sa original dataset) at Bagging voting. Ang Bagging ay naglilikha ng n training sets sa pamamagitan ng Bootstrap, bawat isa ay nagtatrain ng independent na weak classifier. Ang final decisions ay galing sa voting sa mga output ng weak-classifier, ang majority vote ay ang resulta.

Ang RF ay gumagamit ng CART decision trees (binary trees na nag-split top-down mula sa root, minimizing ang Gini index para sa splits, formula (5)). Ayon kay Liu Min et al. 100 decision trees ay optimize ang performance ng classification. Kaya, ang pag-aaral na ito ay gumagamit ng 100 CART trees para sa random forest.

3 Case Analysis
3.1 Feature Selection

Ang Gini index sa random forest ay ginagamit upang i-evaluate ang importance ng bawat feature. Ang resulta ay ipinapakita sa Figura 3, kung saan ang ordinate ay represents ang proportional coefficient. Nakikita na ang apat na feature quantities, na ang peak factor C, skewness sk, root mean square I_rms, at kurtosis K, ay napakalaki ang importance at maaaring epektibong karakterisuhin ang mga pagkakaiba sa iba't ibang states ng load switch. Ang apat na feature quantities, kasama ang form factor sh, maximum starting current I_st, motor operating time t, at T_m, ay may mababang importance. Kaya, ang pag-aaral na ito ay pinili ang C, sk, I_rms, at K bilang feature vectors.

3.2 Resulta ng Diagnosis ng Random Forest

Ang RF algorithm ay nagclassify ng dalawang state ng load-switch (normal/jammed) gamit ang 300 samples bawat state para sa training (total 600) at 30 samples para sa testing. Ang confusion matrix (Figure 4) ay nagpapakita ng perpekto na pag-identify ng normal state, 97% accuracy para sa jamming, at 98.33% average classification accuracy.

3.3 Paghahambing ng Iba't Ibang Classification Algorithms

Upang suriin ang performance ng random forest classifier, isinaayos ang Support Vector Machine (SVM) at Extreme Learning Machine (ELM) para sa paghahambing. Ang resulta ng pagsusuri ay ipinapakita sa Table 1.

Mula sa Table 1, sa tatlong classifiers, ang Random Forest (RF) algorithm ay kumukha ng medyo mahabang diagnosis time na 6.9 ms para sa test set samples. Sa termino ng accuracy, ang Support Vector Machine (SVM) ay nagpapakita ng 95% para sa dalawang operating states, na mas mababa kaysa sa RF. Dahil sa random na hidden-layer weights, ang Extreme Learning Machine (ELM) ay may fluctuating na accuracy na nasa 85% - 96.67% at mas mahinang robustness kaysa sa RF. Kaya, ang RF algorithm na ginamit ay may mataas na accuracy at mabuting robustness.

4 Conclusion

Ang papel na ito ay nagpopropose ng paraan ng pag-detect ng mekanikal na pagkabigo ng load switch gamit ang time-domain features ng current ng energy-storage motor at ang Random Forest (RF) algorithm. In-extract ang representative na time-domain features mula sa current waveforms ng motor at ginagamit ang RF classifier para sa pag-identify ng state. Ang proposed na recording-wave start criterion ay epektibong nakuha ang mga signal ng current ng motor. Sa pamamagitan ng Gini index sa RF, ito ay nagsusuri ng importansya ng feature at pinili ang apat na key features (peak factor, skewness, root mean square, kurtosis) upang karakterisuhin ang mga state ng load switch. Ang mga eksperimento ay nagpapakita na ang paraan ay epektibong nagi-identify ng mga state ng motor jamming na may 98.33% accuracy.