Новий метод виявлення застрялих дефектів у вимикачах навантаження

Останнім часом, з розвитком автоматизації розподілу, використання завантажувачів у розподільчих лініях стає все більш поширеним. Однак, аварії, спричинені механічними відмовами, також зростають, що створює додаткове навантаження на експлуатацію та обслуговування ліній.

Погана механічна продуктивність є основною причиною відмов у вмикачах. Багато вчених вивчають масштабну роботу комутаційного обладнання, використовуючи методи, такі як виявлення струму в катушках, аналіз сигналів вібрації, тестування ходу вмикача, ультразвукове виявлення дефектів та інфрачервоне термометрія. Виявлення стану вмикача на основі струму двигуна ефективне для вимикачів та роз'єднуючих пристроїв, але менш застосовується до відмов механізмів приводу завантажувачів.

Дослідження завантажувачів, що працюють в полі, показали, що сигнали струму двигуна аккумулювання енергії відображають стан вмикача. Механічні проблеми (наприклад, заклинивання пружин, корозія, заклинивання шестерень) в механізмі приводу змінюють параметри сигнала струму (амплітуду, тривалість, місцеві піки). Зосереджуючись на типовому для прибережних районів заклиниванню пружин через корозію, ця стаття вивчає видобуток та ідентифікацію характеристик відмов. Кроки: 1) Аналіз характеристик струму двигуна, поділ форми сигналу на 4 етапи та оцінка кожного етапу. 2) Розробка пристрою для збору даних про форму струму в різних умовах. 3) Пропозиція алгоритму початку запису, видобутку характеристик та методів ідентифікації відмов. 4) Перевірка експериментально.

1 Аналіз характеристик струму двигуна аккумулювання енергії

Завантажувачі зазвичай використовують DC-двигуни для приводу пружин для аккумулювання енергії. Під час роботи двигуна, вихідний момент та швидкість ротора тісно пов'язані зі струмом в контурі статора. Електромагнітний момент та рівняння напруги для паралельно запаленого DC-двигуна наступні:

У рівнянні (1), T представляє електромагнітний момент; n — швидкість обертання; Ia — струм якоря; Ra — опір контуру якоря, який є сталою; Ea — викликана електродвижуща сила; U — напруга на клемах; ΔU — крапковий напад, який є сталою; ϕ — магнітний потік; Ce — константа електродвижущої сили; CT — коефіцієнт моменту. Згідно з рівнянням (1), можна отримати:

Згідно з рівнянням (2), коли струм навантаження невеликий, демагнітизаційний ефект реакції якоря несуттєвий, тому магнітний потік вважається сталою, а електромагнітний момент пропорційний струму навантаження. Коли струм навантаження збільшується, момент зростає, але швидкість обертання зменшується. Однак, збільшення струму навантаження зменшує магнітний потік, що збільшує швидкість. Ці протилежні ефекти зазвичай призводять до незначного зменшення швидкості паралельно запаленого двигуна. На рисунку 1 показано типову форму струму DC-двигуна аккумулювання енергії під час роботи, поділену на 4 етапи.

Етап 1 (t₀)—(t₁): Етап запуску двигуна

В момент t0, завантажувач отримує сигнал замикання від термінального пристрою розподілу, що підключає контрольний двигун до навантаження. Струм двигуна стрімко зростає до піку запуску в момент t_st, а потім швидко падає, переходячи до стабільної роботи.

Етап 2 (t₁)—(t₂): Етап стабільної роботи двигуна

Двигун приводить передачу зубчатого колеса до холостого ходу. На цьому етапі двигун стабільно працює при легкому навантаженні, з амплітудою струму двигуна Ia.

Етап 3 (t₂)—(t₄): Етап аккумулювання енергії пружиною

При аккумулюванні енергії пружиною, вихідний момент двигуна поступово зростає, досягаючи максимуму в момент t3; в цей момент струм двигуна також досягає максимуму Im. Потім, вихідний момент двигуна поступово зменшується.

Етап 4 (t₄)—(t₅): Етап переривання струму двигуна

В момент t4, пружина стиснення досягає крайнього перемикача, відключуючи живлення двигуна. Струм двигуна стрімко падає, досягаючи 0 в момент t5, і двигун зупиняється.

2 Діагностика відмов двигуна аккумулювання енергії через заклинивання
2.1 Моделювання відмов та збор даних

Було проведено моделювання випробувань на завантажувачі з заводу електрообладнання (сценарій на рис. 2(a)). Після розбирання вмикача, під час стабільної роботи двигуна та етапу аккумулювання енергії пружиною, використовувався рокер, щоб застосувати зворотні силові навантаження для моделювання заклинивання шестерен/пружин. Використовувався спеціальний пристрій для збору даних про струм (рис. 2(b)), який використовував чип ARM STM32F103 для збору сигналів від трансформатора струму Холла HSTS016L (DC-вхід: 0-30A). Оскільки сигнал відкриття не має цільової форми струму, це дослідження зосереджується на сигналі струму при замиканні.

2.2 Алгоритм початку запису форми сигналу

Згідно з рисунком 1, ефективна форма сигналу розташована в часовому вікні від t0 до t5, складається з 4 етапів з різними змінами струму. Крім того, є значні відмінності в амплітудах сигналів для різних привідних двигунів. Тому, використання простого порогового значення амплітуди струму як критерію початку запису форми сигналу є недоречним. Тому, це дослідження використовує швидкість зміни струму Kt в одному часовому вікні та середнє значення I_mean як критерії початку запису для ефективного захоплення форми сигналу. Швидкість зміни струму в одному часовому вікні:

Середній струм кожного часовго вікна:

У рівняннях (3) і (4), I(i) представляє сигнал струму; M — кількість точок вибірки в одному часовому вікні; Δt — довжина одного часовго вікна, і Δt = 0.02c у цьому дослідженні; I(1) — перша точка вибірки в одному часовому вікні.

2.3 Видобуток характеристик у часовій області

Для ідентифікації відмови через заклинивання двигуна аккумулювання енергії, використовуються виразні характеристики кривої через деякі часові індикатори. Ексцес K може характеризувати гладкість сигналу струму; середньоквадратичне значення Irms може характеризувати середню енергію сигналу струму; асиметрія sk є мірою напрямку та ступеня асиметрії розподілу статистичних даних; фактор форми sh та фактор піку C використовуються для характеризації екстремального ступеня піку струму в формі сигналу.

Алгоритм класифікації Random Forest (RF) інтегрує кілька дерев рішень. Його категорія виходу визначається модою категорій окремих дерев рішень, що має високу точність, добре переносить аномальні дані та має низький ризик перевчання.

2.4 Алгоритм Random Forest

RF залежить від Bootstrap-вибірки (вибірки з повторенням для формування n наборів вибірок з оригінального набору даних) та голосування Bagging. Bagging генерує n тренувальних наборів через Bootstrap, кожен тренує незалежний слабкий класифікатор. Остаточні рішення приймаються на основі голосування на виходах слабких класифікаторів, з більшістю голосів як результатом.

RF використовує дерева рішень CART (бінарні дерева, що розщеплюються зверху вниз від кореня, мінімізуючи індекс Джині для розщеплень, формула (5)). За даними Лю Міна та ін. 100 дерев рішень оптимізують класифікаційну продуктивність. Тому, це дослідження використовує 100 дерев CART для випадкового лісу.

3 Аналіз випадку
3.1 Вибір характеристик

Індекс Джині в випадковому лісі використовується для оцінки важливості кожної характеристики. Результати показані на рис. 3, де ордината представляє пропорційний коефіцієнт. Видно, що чотири характеристики, а саме фактор піку C, асиметрія sk, середньоквадратичне значення Irms та ексцес K, мають високу важливість та можуть ефективно характеризувати відмінності в різних станах завантажувача. Чотири характеристики, включаючи фактор форми sh, максимальний стартовий струм Ist, час роботи двигуна t та Tm, мають низьку важливість. Тому, це дослідження вибирає C, sk, Irms та K як вектори характеристик.

3.2 Результати діагностики Random Forest

Алгоритм RF класифікує два стану завантажувача (нормальний/заклинений) з використанням 300 вибірок для кожного стану для тренування (всього 600) та 30 вибірок для тестування. Матриця плутанини (рис. 4) показує ідеальне визначення нормального стану, 97% точності для заклинивання, і середню точність класифікації 98.33%.

3.3 Порівняння різних алгоритмів класифікації

Для тестування продуктивності класифікатора випадкового лісу, одночасно були навчені Support Vector Machine (SVM) та Extreme Learning Machine (ELM) для порівняння. Результати тестування показані в таблиці 1.

Згідно з таблицею 1, серед трьох класифікаторів, алгоритм Random Forest (RF) має відносно довге час діагностики 6.9 мс для вибірок тестового набору. У плані точності, Support Vector Machine (SVM) досягає 95% для двох робочих станів, що нижче за RF. Через випадкові ваги прихованого шару, Extreme Learning Machine (ELM) має точність, що коливається від 85% до 96.67%, і гіршу стійкість, ніж RF. Тому, використовуваний алгоритм RF має високу точність та хорошу стійкість.

4 Висновки

Ця стаття пропонує метод виявлення механічних відмов завантажувачів, використовуючи характеристики струму двигуна аккумулювання енергії у часовій області та алгоритм Random Forest (RF). Він витягує представницькі характеристики у часовій області з форми сигналу струму двигуна та використовує класифікатор RF для ідентифікації стану. Предложений критерій початку запису форми сигналу ефективно збирає сигнали струму двигуна. Використовуючи індекс Джині в RF, він оцінює важливість характеристик та вибирає чотири ключові характеристики (фактор піку, асиметрія, середньоквадратичне значення, ексцес) для характеризації станів завантажувачів. Експерименти показали, що метод ефективно виявляє стани заклинивання двигуна з точністю 98.33%.