Yük Anahtarlarında Tıkanma Hataları için Yeni Bir Algılama Yöntemi

Son yıllarda, dağıtım otomasyonu ilerledikçe, yük anahtarlari dağıtım hatlarında daha yaygın kullanılmaya başlanmıştır. Ancak, mekanik arızalara bağlı olaylar artmaktadır ve bu, hattın işletilmesi ve bakımını zorlaştırıyor.

Kötü mekanik performans, anahtar arızalarının başlıca nedenidir. Birçok bilim insanı, bobin akımı tespiti, titreşim sinyali analizi, anahtar seyri testi, ultrasonik kusur tespiti ve kızılötesi termometri gibi yöntemleri kullanarak büyük ölçekli anahtar cihazları işlemini inceliyor. Motor akımı temelli anahtar durumu tespiti, devre kesiciler ve ayrıtıcılar için uygulanabilirken, yük anahtarı sürme mekanizmasındaki arızalar için daha az kullanılır.

Alan koşullarında çalışan yük anahtarları üzerinde yapılan araştırmalar, enerji depolama motorunun akım sinyallerinin anahtar durumunu yansıttığını göstermiştir. Sürme mekanizmasındaki mekanik sorunlar (örneğin, yay sıkışması, paslanma, dişli sıkışması) akım sinyali parametrelerini (genlik, süre, yerel tepe noktaları) değiştirir. Sahil bölgelerinde yaygın olan enerji depolama motorunun paslanma sıkışması üzerine odaklanan bu makale, arıza özelliği çıkarımını ve tanımayı inceler. Adımlar: 1) Motor akımı karakteristiklerini analiz et, dalga formunu 4 aşamaya böl ve her aşamayı değerlendir. 2) Farklı koşullar altında akım dalga formları için bir veri toplama cihazı tasarla. 3) Kayıt başlatma algoritması, özellik çıkarımı ve arıza tanıma yöntemleri öner. 4) Deneysel olarak doğrula.

1 Enerji Depolama Motoru Akımı Karakteristiği Analizi

Yük anahtarları genellikle enerji depolaması için kompresyon yaylarını sürükleme amacıyla DC motorları kullanır. Motor çalışırken, rotor çıkış torku ve hızı statör devresi akımıyla yakından ilişkilidir. Paralel beslemeli DC motorun elektromanyetik tork ve voltaj denklemleri şu şekildedir:

Denklem (1)'de, T elektromanyetik torku, n dönme hızını, Ia armatür akımını, Ra armatür devre direncini, Ea sarım indüklenmiş elektromotiv kuvvetini, U uç gerilimini, ΔU temas gerilim düşümünü, ϕ manyetik akıyı, Ce elektromotiv kuvvet sabitini ve C_T tork katsayısını temsil eder. Denklem (1)'e göre, şu sonucu elde edebiliriz:

Denklem (2)'ye göre, yük akımı küçük olduğunda, armatür reaksiyonunun manyetize etkisi ihmal edilebilir, bu nedenle manyetik akı sabit kabul edilir ve elektromanyetik tork yük akımı ile orantılıdır. Yük akımı arttıkça, tork artar ancak dönme hızı azalmaya eğilimlidir. Ancak, daha yüksek yük akımı, manyetik akıyı azaltan manyetize etkisine neden olur, bu da hızı artırır. Bu karşıt etkiler genellikle paralel beslemeli motordan oluşan hızda hafif bir azalmaya neden olur. Şekil 1, işlem halindeki bir DC enerji depolama motorunun tipik akım dalga formunu, 4 aşamaya ayrılmış olarak göstermektedir.Şekil 1, işlem halindeki bir DC enerji depolama motorunun tipik akım dalga formunu, 4 aşamaya ayrılmış olarak göstermektedir.

Aşama 1 (t₀)–(t₁): Motor Başlatma Aşaması

Zaman t0'da, yük anahtarı dağıtım terminal biriminden kapalı sinyal alır, kontrol motoru yük ile başlar. Motor akımı, (t_st) noktasında başlangıç tepe değerine ulaşır, ardından hızlı bir şekilde düşerek istikrarlı çalışma aşamasına girer.

Aşama 2 (t₁)–(t₂): Motor İstikrarlı Çalışma Aşaması

Motor, transmisyon dişlisini boş运转中的电机驱动传动齿轮空转。在此阶段，电机在轻负载下稳定运行，电机电流幅值为 \(I_a\)。 **阶段3（\(t_2\)）–（\(t_4\)）：弹簧储能阶段** 随着压缩弹簧储存能量，电机的输出扭矩逐渐增加，在 \(t_3\) 时达到最大；此时，电机电流也达到该阶段的最大值 \(I_m\)。随后，电机的输出扭矩逐渐减小。 **阶段4（\(t_4\)）–（\(t_5\)）：电机电流中断阶段** 在 \(t_4\) 时，压缩弹簧达到限位开关，切断电机电源。电机电流急剧下降，直到在 \(t_5\) 时降至0，电机停止运行。 **2 能量存储电机卡滞故障诊断** **2.1 故障模拟与数据采集** 在一个电气设备厂的负荷开关上进行了卡滞故障测试（场景如图2(a)所示）。拆卸开关后，在电机稳定运行和弹簧储能阶段，通过摇臂施加反向堵转力来模拟齿轮/弹簧卡滞。一个定制的电流采集装置（图2(b)）使用ARM STM32F103芯片从HSTS016L霍尔电流互感器（直流输入：0-30A）中采集信号。由于开闸信号缺乏目标电流波形，本研究重点关注合闸电流信号。 **2.2 波形记录启动算法** 从图1可以看出，有效信号波形的时间窗口从 \(t_0\) 到 \(t_5\)，由四个具有不同电流变化的阶段组成。此外，不同驱动电机的信号幅值存在显著差异。因此，仅使用简单的电流幅值阈值作为信号波形记录的启动标准显然是不合适的。因此，本研究采用单位时间窗口内的电流变化率 \(K_t\) 和均值 \(I_{\text{mean}}\) 作为启动标准，以实现有效的波形记录。单位时间窗口内的电流变化率为： \[ K_t = \frac{I_{(i)} - I_{(i-1)}}{\Delta t} \] 每个时间窗口的平均电流为： \[ I_{\text{mean}} = \frac{1}{M} \sum_{i=1}^{M} I_{(i)} \] 在公式（3）和（4）中，\(I_{(i)}\) 表示电流信号；\(M\) 是单位时间窗口内的采样点数；\(\Delta t\) 是单位时间窗口的时长，在本文中 \(\Delta t = 0.02\,\text{s}\)；\(I_{(1)}\) 是单位时间窗口的第一个采样点。 **2.3 时域特征提取** 为了识别能量存储电机的卡滞故障，通过一些时域指标提取曲线的信息。峰度 \(K\) 可以表征电流信号的平滑度；均方根 \(I_{\text{rms}}\) 可以表征电流信号的平均能量；偏度 \(sk\) 是统计数据分布方向和程度的度量；形状因子 \(sh\) 和峰值因子 \(C\) 用于表征波形中电流峰值的极端程度。 随机森林（RF）分类算法集成了多个决策树。其输出类别由单个决策树类别的众数决定，具有高精度、对异常数据的良好容忍度和低过拟合风险。 **2.4 随机森林算法** RF依赖于Bootstrap抽样（有放回抽样形成原始数据集的 \(n\) 个样本集）和Bagging投票。Bagging通过Bootstrap生成 \(n\) 个训练集，每个训练集训练一个独立的弱分类器。最终决策来自弱分类器输出的投票，多数票作为结果。 RF使用CART决策树（自顶向下分裂的二叉树，最小化基尼指数进行分裂，公式（5））。根据刘敏等人的研究，100棵决策树优化了分类性能。因此，本研究使用100棵CART树构建随机森林。 \[ G = 1 - \sum_{i=1}^{c} p_i^2 \] **3 案例分析** **3.1 特征选择** 随机森林中的基尼指数用于评估每个特征的重要性。结果如图3所示，其中纵坐标表示比例系数。可以看出，四个特征量，即峰值因子 \(C\)、偏度 \(sk\)、均方根 \(I_{\text{rms}}\) 和峰度 \(K\) 具有很高的重要性，可以有效地表征负荷开关不同状态的差异。包括形状因子 \(sh\)、最大起动电流 \(I_{\text{st}}\)、电机运行时间 \(t\) 和 \(T_m\) 在内的四个特征量重要性较低。因此，本研究选择 \(C\)、\(sk\)、\(I_{\text{rms}}\) 和 \(K\) 作为特征向量。 **3.2 随机森林诊断结果** RF算法使用每种状态300个样本进行训练（总共600个），并用30个样本进行测试，对两种负荷开关状态（正常/卡滞）进行分类。混淆矩阵（图4）显示，正常状态识别完美，卡滞状态识别准确率为97%，平均分类准确率为98.33%。 **3.3 不同分类算法的比较** 为了测试随机森林分类器的性能，同时训练了支持向量机（SVM）和极限学习机（ELM）进行比较。测试结果如表1所示。 从表1可以看出，在三种分类器中，随机森林（RF）算法对测试集样本的诊断时间相对较长，为6.9 ms。在准确性方面，支持向量机（SVM）对两种工作状态的准确率为95%，低于RF。由于随机隐藏层权重，极限学习机（ELM）的准确性在85%-96.67%之间波动，稳健性不如RF。因此，所使用的RF算法具有高准确性和良好的稳健性。 **4 结论** 本文提出了一种利用能量存储电机电流时域特征和随机森林（RF）算法的负荷开关机械故障检测方法。它从电机电流波形中提取代表性时域特征，并使用RF分类器进行状态识别。提出的波形记录启动标准能有效获取电机电流信号。利用RF中的基尼指数评估特征重要性，并选择四个关键特征（峰值因子、偏度、均方根、峰度）来表征负荷开关的状态。实验表明，该方法能够有效识别电机卡滞状态，准确率达到98.33%。 请确保翻译内容符合土耳其语的书写体要求，并且完整保留原文的格式和结构。