نئی دیٹکشن میتھڈ برائے سٹکک فلٹس لود سوچز میں

ہندسیات کے ترقی کے ساتھ، برقی تقسیم میں لوڈ سوچز کا استعمال عام ہو گیا ہے۔ لیکن، مکینکل فیل جس کی وجہ سے حادثات کی تعداد میں اضافہ ہوا ہے، یہ لائن کے آپریشن اور مینٹیننس پر بوجھ بن گیا ہے۔

کمزور مکینکل کارکردگی سوچز کی خرابی کی اصل وجہ ہے۔ کئی ماہرین نے وسیع پیمانے پر سوچگیری کے آپریشن کا مطالعہ کیا ہے، جس میں کوئل کرنٹ ڈیٹیکشن، ویبریشن سگنل تجزیہ، سوچ ٹریول ٹیسٹنگ، الٹرا صوتی داغ کشی، اور انفراریڈ ترمومیٹری شامل ہیں۔ موتروں کی کرنٹ پر مبنی سوچ کی حالت کی ڈیٹیکشن سرکٹ بریکرز اور ڈسکنیکٹرز کے لیے کام کرتی ہے لیکن لوڈ سوچ ڈرائیو میکانزم کی خرابیوں کے لیے کم استعمال ہوتی ہے۔

فیلڈ میں چل رہے لوڈ سوچز کے مطالعہ سے ظاہر ہوتا ہے کہ انرجی-سٹوریج موٹر کرنٹ سگنل سوچ کی حالت کو ظاہر کرتا ہے۔ ڈرائیو میکانزم میں مکینکل مسئلے (مثال کے طور پر، سپرنگ جیم کرنگ، روئنگ، گیار جیم کرنگ) کرنٹ سگنل پیرامیٹرز (ایمپلیٹیوڈ، دورانیہ، مقامی پیک) کو تبدیل کرتے ہیں۔ ساحلی علاقوں میں عام طور پر انرجی-سٹوریج موٹر کی روئنگ-جیم کرنگ پر مرکوز ہو کر، یہ مقالہ خرابی کے خصوصیات کی تخلیق اور شناخت کا مطالعہ کرتا ہے۔ قدم: 1) موٹر کرنٹ کی خصوصیات کا تجزیہ، ویو فارمز کو چار مرحلوں میں تقسیم کرنا، اور ہر مرحلے کا جائزہ لینا۔ 2) مختلف شرائط کے تحت کرنٹ ویو فارمز کے لیے ڈیٹا اکیوژن ڈیوائس کا ڈیزائن کرنا۔ 3) ریکارڈنگ شروع کرنے کا الگورتھم، خصوصیات کی تخلیق، اور خرابی کی شناخت کے طریقے کا پیش کرنا۔ 4) تجربات کے ذریعے درستی کی جانچ کرنا۔

1 انرجی-سٹوریج موٹر کرنٹ کی خصوصیات کا تجزیہ

لوڈ سوچز عام طور پر انرجی سٹوریج کے لیے کمپریشن سپرنگ کو چلانے کے لیے ڈی سی موٹر استعمال کرتے ہیں۔ موٹر کے آپریشن کے دوران، روتر کی آؤٹ پٹ ٹورک اور رفتار ستارہ کے سرکٹ کرنٹ سے قریبی تعلق رکھتے ہیں۔ شنٹ محرک ڈی سی موٹر کی الیکٹرومیگنٹک ٹورک اور ولٹیج کے مساوات مندرجہ ذیل ہیں:

معادلہ (1) میں، T الیکٹرومیگنٹک ٹورک کو ظاہر کرتا ہے؛ n رفتار کو ظاہر کرتا ہے؛ Ia آرمیچر کرنٹ کو ظاہر کرتا ہے؛ Ra آرمیچر سرکٹ کے ریزسٹنس کو ظاہر کرتا ہے، جو ایک دائمی ہے؛ Ea واائنڈنگ کی موجب شدہ الیکٹروموٹیو فورس کو ظاہر کرتا ہے؛ U انجین کی ولٹیج کو ظاہر کرتا ہے؛ ΔU کنٹیکٹ ولٹیج ڈراپ کو ظاہر کرتا ہے، جو ایک دائمی ہے؛ ϕ مغناطیسی فلکس کو ظاہر کرتا ہے؛ Ce الیکٹروموٹیو فورس کے دائم کو ظاہر کرتا ہے؛ اور CT ٹورک کے دائم کو ظاہر کرتا ہے۔ معادلہ (1) کے مطابق، ہم یہ نتیجہ اخذ کر سکتے ہیں:

معادلہ (2) سے، جب لاڈ کرنٹ چھوٹا ہوتا ہے تو آرمیچر کے ردعمل کا دی میگنٹائزنگ اثر غیر محسوس ہوتا ہے، لہذا مغناطیسی فلکس کو دائمی سمجھا جاتا ہے، اور الیکٹرومیگنٹک ٹورک لاڈ کرنٹ کے تناسب میں ہوتا ہے۔ جب لاڈ کرنٹ بڑھتا ہے تو ٹورک بڑھتا ہے لیکن رفتار کم ہونے کی رجحان ہوتی ہے۔ لیکن، زیادہ لاڈ کرنٹ کا دی میگنٹائزنگ اثر مغناطیسی فلکس کو کم کرتا ہے، جس سے رفتار میں اضافہ ہوتا ہے۔ یہ مخالف اثرات عام طور پر شنٹ محرک موٹر کی رفتار میں ہلکی کمی کا باعث بناتے ہیں۔شکل 1 میں ڈی سی انرجی-سٹوریج موٹر کا معمولی کرنٹ ویو فارم دکھایا گیا ہے، جسے چار مرحلوں میں تقسیم کیا گیا ہے۔

مرحلہ 1 (t0)–(t1): موٹر کا شروع ہونا

وقت t0 پر، لوڈ سوچ تقسیم کے ٹرمینل یونٹ سے بند کرنے کا سگنل وصول کرتا ہے، کنٹرول موٹر کو لاڈ کے ساتھ شروع کرنے کے لیے بجلی کو فراہم کرتا ہے۔ موٹر کرنٹ tst پر شروع کرنے کے پیک تک بڑھتی ہے، پھر تیزی سے کم ہوتی ہے تاکہ مستقیم آپریشن میں داخل ہو سکے۔

مرحلہ 2 (t1)–(t2): موٹر کا مستقیم آپریشن

موٹر ٹرانسمیشن گیار کو خالی چلاتا ہے۔ اس مرحلے میں، موٹر کم لاڈ کے تحت مستقیم کام کرتا ہے، جس میں موٹر کرنٹ کی امپلیٹیوڈ Ia ہوتی ہے۔

مرحلہ 3 (t2)–(t4): سپرنگ انرجی-سٹوریج

کمپریشن سپرنگ انرجی کو سٹور کرتا ہے، موٹر کا آؤٹ پٹ ٹورک تدریجی طور پر بڑھتا ہے، t3 پر زیادہ سے زیادہ پہنچتا ہے؛ اس وقت، موٹر کرنٹ بھی مرحلہ کا زیادہ سے زیادہ Im پہنچتی ہے۔ بعد میں، موٹر کا آؤٹ پٹ ٹورک تدریجی طور پر کم ہوتا ہے۔

مرحلہ 4 (t4)–(t5): موٹر کرنٹ کا ختم ہونا

وقت t4 پر، کمپریشن سپرنگ لمبائی کے لیمٹ سوچ تک پہنچ جاتا ہے، موٹر کو بجلی کا سپلائی کٹ جاتا ہے۔ موٹر کرنٹ تیزی سے کم ہوتی ہے، t5 پر صفر تک پہنچتی ہے، اور موٹر کام کرتا ہے۔

2 انرجی-سٹوریج موٹر کی جیم کرنگ کی خرابی کی تشخیص
2.1 خرابی کی محاکاة اور ڈیٹا کی اکٹھگی

ایک برقی معدن کے لود سوچ پر جم فلٹ کا محاکمہ کیا گیا (حالت میں دیکھیں شکل 2(a))۔ سوچ کو ایکٹر کرنے کے بعد، موتر کے مستقر آپریشن اور سپرنگ توانائی کے مرحلوں میں، ایک راکر نے مخالف لوکڈ روٹر کی طاقت کا محاکمہ کیا تاکہ گیر/سپرنگ جم کا محاکمہ کیا جا سکے۔ ایک مخصوص کرنٹ اکیوزیشن ڈیوائس (شکل 2(b)) نے ARM STM32F103 چپ کا استعمال کرتے ہوئے HSTS016L ہال کرنٹ ٹرانسفارمر سے سگنل کو جمع کیا (DC ان پٹ: 0-30A)۔ کیونکہ اوپننگ سگنل میں مقصد کرنٹ ویو فارم کی کمی ہے، اس لیے یہ مطالعہ بند کرنٹ سگنل پر توجہ مرکوز کرتا ہے۔

2.2 ویو فارم ریکارڈنگ شروع کرنے کا الگورتھم

شکل 1 سے ظاہر ہے کہ موثر سگنل ویو فارم وقت کے ونڈو t₀ سے t₅، تک پھیلا ہوا ہے، جس میں 4 مرحلے شامل ہیں جن میں مختلف کرنٹ کے تبدیلی ہیں۔ علاوہ ازیں، مختلف ڈرائیو موتروں کے درمیان سگنل امپلیٹیوں میں قابل ذکر فرق ہے۔ اس لیے، صرف کرنٹ امپلیٹیو کے ساتھ سادہ آغاز کرنے کا معیار سگنل ویو فارم ریکارڈنگ کے لیے واضح طور پر مناسب نہیں ہے۔ اس لیے یہ مطالعہ یونٹ وقت کے ونڈو کے اندر کرنٹ تبدیلی کی شرح K_t اور اوسط قیمت I_mean کو آغاز کرنے کے معیار کے طور پر استعمال کرتا ہے تاکہ موثر ویو فارم ریکارڈنگ حاصل کیا جا سکے۔ یونٹ وقت کے ونڈو کی کرنٹ تبدیلی کی شرح:

ہر وقت کے ونڈو کا اوسط کرنٹ:

مساوی (3) اور (4) میں، I_i کرنٹ سگنل کو ظاہر کرتا ہے; M یونٹ وقت کے ونڈو میں سینکروں کی تعداد ہے; Δ t یونٹ وقت کے ونڈو کی لمبائی ہے، اور Δ t = 0.02s یہ مقالہ میں ہے; I₍₁₎ یونٹ وقت کے ونڈو کا پہلا سینکروں ہے۔

2.3 وقت - ڈومین خصوصیات کا اخراج

توانائی کے ذخیرہ موتر کی جم فلٹ کو شناخت کرنے کے لیے، منحنی کی معلومات کو کچھ وقت - ڈومین کے شاخص کے ذریعے اخراج کیا جاتا ہے۔ کرٹوسس K کرنٹ سگنل کی ہمواری کو ظاہر کر سکتا ہے؛ روت میں اوسط I_rms کرنٹ سگنل کی اوسط توانائی کو ظاہر کر سکتا ہے؛ سکیونس sk آماری معلومات کی تقسیم کی سمت اور درجہ کا پیمانہ ہے؛ شکل sh اور پیک فیکٹر C ویو فارم میں کرنٹ پیک کی شدید درجہ کو ظاہر کرنے کے لیے استعمال ہوتے ہیں۔

رینڈم فارسٹ (RF) کلاسیفیکیشن الگورتھم متعدد فیصلہ لٹروں کو جوڑتا ہے۔ اس کا آؤٹ پٹ کیٹیگری انفرادی فیصلہ لٹروں کی کیٹیگری کی میڈ کے ذریعے متعین ہوتا ہے، جس میں زیادہ درستگی، غیر معمولی معلومات کے لیے اچھا تحمل، اور کم اوور فٹنگ کا خطرہ ہوتا ہے۔

2.4 رینڈم فارسٹ الگورتھم

RF بٹسٹرپ سینپلنگ (پریپلیسمنٹ سینپلنگ کے ذریعے اصل مجموعہ سے n سینپل سیٹ بنانے) اور بیگنگ ووٹنگ پر انحصار کرتا ہے۔ بیگنگ بٹسٹرپ کے ذریعے n تربیت کے مجموعے بناتا ہے، ہر ایک نے ایک آزاد ضعیف کلاسیفائر کو تربیت دیا ہے۔ آخری فیصلے ضعیف کلاسیفائر کے آؤٹ پٹ کے ووٹنگ سے آتے ہیں، جہاں اکثریت کا ووٹ نتیجہ ہوتا ہے۔

RF CART فیصلہ لٹروں (ثنائی درخت جو ریٹ کے اوپر سے نیچے کی طرف تقسیم ہوتے ہیں، تقسیم کے لیے جینی انڈیکس کو کم کرتے ہیں، مساوی (5)) کا استعمال کرتا ہے۔ لیو مین وغیرہ کے مطابق 100 فیصلہ لٹروں کلاسیفیکیشن کی کارکردگی کو بہتر بناتے ہیں۔ اس لیے، یہ مطالعہ رینڈم فارسٹ کے لیے 100 CART درخت کا استعمال کرتا ہے۔

3 مثال کا تجزیہ
3.1 خصوصیات کا انتخاب

درجنگل تصادفی از شاخص جینی برای ارزیابی اهمیت هر ویژگی استفاده می‌شود. نتایج در شکل 3 نمایش داده شده است، که محور عمودی ضریب تناسب را نشان می‌دهد. می‌توان دید که چهار ویژگی، یعنی عامل قله C، چولگی sk، ریشه میانگین مربعات I_rms، و کشیدگی K، بسیار مهم هستند و می‌توانند به طور مؤثر تفاوت‌های مختلف حالت‌های سوئیچ بار را مشخص کنند. چهار ویژگی شامل عامل شکل sh، جریان شروع ماکسیمم I_st، زمان عملکرد موتور t، و T_m اهمیت پایینی دارند. بنابراین، این مطالعه C، sk، I_rms، و K را به عنوان بردارهای ویژگی انتخاب می‌کند.

3.2 نتایج تشخیص جنگل تصادفی

الگوریتم RF دو حالت سوئیچ بار (معمولی/متوقف) با استفاده از 300 نمونه برای هر حالت برای آموزش (جمعاً 600) و 30 نمونه برای تست طبقه‌بندی می‌کند. ماتریس سردرگمی (شکل 4) تشخیص کامل حالت معمولی، دقت 97٪ برای متوقف شدن، و میانگین دقت طبقه‌بندی 98.33٪ را نشان می‌دهد.

3.3 مقایسه الگوریتم‌های طبقه‌بندی مختلف

برای آزمایش عملکرد طبقه‌بند جنگل تصادفی، یک ماشین بردار پشتیبان (SVM) و یک ماشین یادگیری فراگیر (ELM) همزمان آموزش داده شده و برای مقایسه استفاده می‌شوند. نتایج تست در جدول 1 نمایش داده شده است.

از جدول 1، در میان سه طبقه‌بند، الگوریتم جنگل تصادفی (RF) زمان تشخیص نسبتاً طولانی 6.9 میلی ثانیه برای نمونه‌های مجموعه تست دارد. از نظر دقت، ماشین بردار پشتیبان (SVM) 95٪ برای دو حالت عملکردی دارد که کمتر از RF است. به دلیل وزن‌های تصادفی لایه مخفی، ماشین یادگیری فراگیر (ELM) دقت متغیر بین 85٪ - 96.67٪ و مقاومت ضعیف‌تر از RF دارد. بنابراین، الگوریتم RF استفاده شده دقت بالا و مقاومت خوبی دارد.

4 نتیجه‌گیری

این مقاله یک روش تشخیص خطای مکانیکی سوئیچ بار با استفاده از ویژگی‌های زمانی جریان موتور ذخیره انرژی و الگوریتم جنگل تصادفی (RF) پیشنهاد می‌کند. این روش ویژگی‌های نماینده زمانی را از موج‌های جریان موتور استخراج کرده و از طبقه‌بند RF برای شناسایی حالت استفاده می‌کند. معیار شروع ضبط موج پیشنهادی به طور موثری سیگنال‌های جریان موتور را بدست می‌آورد. با استفاده از شاخص جینی در RF، اهمیت ویژگی‌ها ارزیابی شده و چهار ویژگی کلیدی (عامل قله، چولگی، ریشه میانگین مربعات، کشیدگی) برای مشخص کردن حالت‌های سوئیچ بار انتخاب می‌شوند. آزمایش‌ها نشان می‌دهند که این روش به طور مؤثر حالت‌های متوقف شدن موتور را با دقت 98.33٪ شناسایی می‌کند.