Một phương pháp phát hiện mới cho lỗi kẹt trong công tắc tải
Trong những năm gần đây, khi tự động hóa phân phối phát triển, các công tắc tải được sử dụng rộng rãi hơn trong các đường dây phân phối. Tuy nhiên, số lượng tai nạn do lỗi cơ khí đang tăng lên, gây gánh nặng cho hoạt động và bảo trì đường dây.
Hiệu suất cơ khí kém là nguyên nhân chính của các lỗi công tắc. Nhiều học giả nghiên cứu việc vận hành thiết bị đóng cắt quy mô lớn, sử dụng các phương pháp như phát hiện dòng cuộn, phân tích tín hiệu rung, thử nghiệm hành trình công tắc, kiểm tra khuyết tật siêu âm và đo nhiệt độ hồng ngoại. Phát hiện trạng thái công tắc dựa trên dòng điện động cơ chủ yếu áp dụng cho cầu chì và công tắc cách ly nhưng ít được áp dụng cho lỗi cơ chế truyền động công tắc tải.
Nghiên cứu về công tắc tải đang chạy trên thực địa cho thấy tín hiệu dòng điện động cơ lưu trữ năng lượng phản ánh trạng thái công tắc. Các vấn đề cơ khí (ví dụ: kẹt lò xo, gỉ sét, kẹt bánh răng) trong cơ chế truyền động thay đổi các thông số tín hiệu dòng điện (độ lớn, thời gian, đỉnh cục bộ). Tập trung vào tình trạng gỉ sét kẹt động cơ lưu trữ năng lượng phổ biến ở các khu vực ven biển, bài viết này nghiên cứu việc trích xuất và nhận dạng đặc trưng lỗi. Các bước: 1) Phân tích đặc tính dòng điện động cơ, chia sóng thành 4 giai đoạn, và đánh giá từng giai đoạn. 2) Thiết kế thiết bị thu thập dữ liệu cho các dạng sóng dòng điện dưới các điều kiện khác nhau. 3) Đề xuất thuật toán bắt đầu ghi, trích xuất đặc trưng và phương pháp nhận dạng lỗi. 4) Kiểm chứng qua thí nghiệm.
1 Phân tích Đặc trưng Dòng Điện Động Cơ Lưu Trữ Năng Lượng
Công tắc tải thường sử dụng động cơ DC để lái lò xo nén để lưu trữ năng lượng. Trong quá trình hoạt động, lực kéo ra và tốc độ rotor có mối quan hệ chặt chẽ với dòng điện mạch stator. Phương trình lực kéo điện từ và điện áp của động cơ DC kích thích song song như sau:
Trong Phương trình (1), T đại diện cho lực kéo điện từ; n đại diện cho tốc độ quay; Ia đại diện cho dòng điện armature; Ra đại diện cho điện trở mạch armature, là hằng số; Ea đại diện cho điện thế cảm ứng cuộn dây; U đại diện cho điện thế cuối; ΔU đại diện cho điện thế rơi tiếp xúc, là hằng số; ϕ đại diện cho lưu lượng từ; Ce đại diện cho hằng số điện thế cảm ứng; và CT đại diện cho hệ số lực kéo. Theo Phương trình (1), ta có thể suy ra:
Từ Phương trình (2), khi dòng tải nhỏ, hiệu ứng demagnetization do phản ứng armature không đáng kể, nên lưu lượng từ được coi là hằng số, và lực kéo điện từ tỷ lệ thuận với dòng tải. Khi dòng tải tăng, lực kéo tăng nhưng tốc độ quay có xu hướng giảm. Tuy nhiên, hiệu ứng demagnetization do dòng tải cao làm giảm lưu lượng từ, sẽ tăng tốc độ. Những tác động đối lập này thường gây ra sự giảm nhẹ tốc độ của động cơ kích thích song song. Hình 1 cho thấy dạng sóng dòng điện điển hình của động cơ lưu trữ năng lượng DC đang hoạt động, được chia thành 4 giai đoạn.Hình 1 cho thấy dạng sóng dòng điện điển hình của động cơ lưu trữ năng lượng DC đang hoạt động, được chia thành 4 giai đoạn.
Giai đoạn 1 (t0)–(t1): Giai đoạn Khởi Động Động Cơ
Tại thời điểm t0, công tắc tải nhận tín hiệu đóng từ đơn vị đầu cuối phân phối, cấp điện cho động cơ điều khiển để khởi động với tải. Dòng điện động cơ tăng vọt đến đỉnh khởi động tại (tst), sau đó nhanh chóng giảm xuống để vào trạng thái hoạt động ổn định.
Giai đoạn 2 (t1)–(t2): Giai đoạn Hoạt Động Ổn Định Của Động Cơ
Động cơ lái bánh răng truyền động để rảnh. Trong giai đoạn này, động cơ hoạt động ổn định dưới tải nhẹ, với biên độ dòng điện động cơ tại (Ia).
Giai đoạn 3 (t2)–(t4): Giai đoạn Lưu Trữ Năng Lượng Lò Xo
Khi lò xo nén lưu trữ năng lượng, lực kéo ra của động cơ dần tăng, đạt cực đại tại (t3); tại thời điểm này, dòng điện động cơ cũng đạt cực đại (Im). Sau đó, lực kéo ra của động cơ dần giảm.
Giai đoạn 4 (t4)–(t5): Giai Đoạn Ngắt Dòng Điện Động Cơ
Tại (t4), lò xo nén đạt tới công tắc giới hạn, ngắt nguồn điện cho động cơ. Dòng điện động cơ giảm mạnh cho đến khi đạt 0 tại (t5), và động cơ ngừng chạy.
2 Chẩn Đoán Lỗi Kẹt Động Cơ Lưu Trữ Năng Lượng
2.1 Mô Phỏng Lỗi & Thu Thập Dữ Liệu
Một thử nghiệm lỗi kẹt đã được mô phỏng trên một công tắc tải từ nhà máy thiết bị điện (tình huống trong Hình 2(a)). Sau khi tháo rời công tắc, trong giai đoạn hoạt động ổn định và lưu trữ năng lượng lò xo, một cần gạt áp dụng lực khóa rotor ngược để mô phỏng tình trạng kẹt bánh răng/lò xo. Thiết bị thu thập dòng điện tùy chỉnh (Hình 2(b)) sử dụng chip ARM STM32F103 để thu thập tín hiệu từ biến dòng Hall HSTS016L (đầu vào DC: 0–30A). Do tín hiệu mở thiếu dạng sóng dòng điện mục tiêu, nghiên cứu này tập trung vào tín hiệu dòng điện đóng.
2.2 Thuật Toán Bắt Đầu Ghi Dạng Sóng
Từ Hình 1, dạng sóng tín hiệu hiệu quả trải dài trong khoảng thời gian t0 đến t5， bao gồm 4 giai đoạn với các thay đổi dòng điện đa dạng. Ngoài ra, còn có sự khác biệt đáng kể về biên độ tín hiệu giữa các động cơ truyền động khác nhau. Do đó, việc sử dụng ngưỡng biên độ dòng điện đơn giản làm tiêu chí bắt đầu ghi dạng sóng tín hiệu rõ ràng không phù hợp. Do đó, nghiên cứu này sử dụng tỷ lệ thay đổi dòng điện Kt trong cửa sổ thời gian đơn vị và giá trị trung bình Imean làm tiêu chí bắt đầu để ghi dạng sóng hiệu quả.Tỷ lệ thay đổi dòng điện trong cửa sổ thời gian đơn vị:
Dòng điện trung bình của mỗi cửa sổ thời gian:
Trong Phương trình (3) và (4), Ii đại diện cho tín hiệu dòng điện; M là số điểm lấy mẫu trong cửa sổ thời gian đơn vị; Δ t là độ dài thời gian của cửa sổ thời gian đơn vị, và Δ t = 0.02s trong bài báo này; I(1) là điểm lấy mẫu đầu tiên trong cửa sổ thời gian đơn vị.
2.3 Trích Xuất Đặc Trưng Thời Gian
Để xác định lỗi kẹt của động cơ lưu trữ năng lượng, thông tin biểu đạt của đường cong được trích xuất thông qua một số chỉ số thời gian. Độ nhọn K có thể đặc trưng cho độ mượt mà của tín hiệu dòng điện; độ lệch chuẩn trung bình căn bậc hai Irms có thể đặc trưng cho năng lượng trung bình của tín hiệu dòng điện; độ xiên sk là một biện pháp về hướng và mức độ nghiêng của phân phối dữ liệu thống kê; hệ số hình dạng sh và hệ số đỉnh C được sử dụng để đặc trưng cho mức độ cực đại của đỉnh dòng điện trong dạng sóng.
Thuật toán phân loại Rừng Ngẫu Nhiên (RF) tích hợp nhiều cây quyết định. Kết quả phân loại của nó được xác định bởi chế độ của các loại cây quyết định riêng lẻ, có độ chính xác cao, dung nạp tốt cho dữ liệu bất thường, và rủi ro overfitting thấp.
2.4 Thuật Toán Rừng Ngẫu Nhiên
RF dựa trên lấy mẫu Bootstrap (lấy mẫu có thay thế để tạo n bộ mẫu từ bộ dữ liệu gốc) và Bagging bỏ phiếu. Bagging tạo ra n bộ huấn luyện thông qua Bootstrap, mỗi bộ huấn luyện một phân loại yếu độc lập. Quyết định cuối cùng đến từ bỏ phiếu trên kết quả của các phân loại yếu, với kết quả đa số là kết quả cuối cùng.
RF sử dụng cây quyết định CART (cây nhị phân chia từ trên xuống từ gốc, tối thiểu hóa chỉ số Gini cho các chia, công thức (5)). Theo Liu Min et al., 100 cây quyết định tối ưu hóa hiệu suất phân loại. Do đó, nghiên cứu này sử dụng 100 cây CART cho rừng ngẫu nhiên.
3 Phân Tích Trường Hợp
3.1 Chọn Đặc Trưng
Chỉ số Gini trong rừng ngẫu nhiên được sử dụng để đánh giá tầm quan trọng của mỗi đặc trưng. Kết quả được hiển thị trong Hình 3, trong đó trục tung đại diện cho hệ số tỷ lệ. Có thể thấy rằng bốn đại lượng đặc trưng, bao gồm hệ số đỉnh C, độ xiên sk, độ lệch chuẩn trung bình căn bậc hai Irms, và độ nhọn K, rất quan trọng và có thể đặc trưng hiệu quả cho sự khác biệt trong các trạng thái khác nhau của công tắc tải. Bốn đại lượng đặc trưng, bao gồm hệ số hình dạng sh, dòng điện khởi động tối đa Ist, thời gian hoạt động của động cơ t, và Tm, có tầm quan trọng thấp. Do đó, nghiên cứu này chọn C, sk, Irms, và K là các vector đặc trưng.
3.2 Kết Quả Chẩn Đoán Rừng Ngẫu Nhiên
Thuật toán RF phân loại hai trạng thái của công tắc tải (bình thường/kẹt) sử dụng 300 mẫu cho mỗi trạng thái để huấn luyện (tổng cộng 600) và 30 mẫu để kiểm tra. Ma trận nhầm lẫn (Hình 4) cho thấy việc nhận dạng trạng thái bình thường hoàn hảo, độ chính xác 97% cho tình trạng kẹt, và độ chính xác trung bình phân loại 98.33%.
3.3 So Sánh Các Thuật Toán Phân Loại Khác Nhau
Để kiểm tra hiệu suất của bộ phân loại rừng ngẫu nhiên, một Máy Vector Hỗ trợ (SVM) và một Máy Học Siêu Nhanh (ELM) được huấn luyện đồng thời để so sánh. Kết quả kiểm tra được hiển thị trong Bảng 1.
Từ Bảng 1, trong ba bộ phân loại, thuật toán Rừng Ngẫu Nhiên (RF) mất thời gian chẩn đoán tương đối lâu là 6.9 ms cho các mẫu trong tập kiểm thử. Về độ chính xác, Máy Vector Hỗ trợ (SVM) đạt 95% cho hai trạng thái hoạt động, thấp hơn RF. Do trọng số tầng ẩn ngẫu nhiên, Máy Học Siêu Nhanh (ELM) có độ chính xác dao động từ 85% - 96.67% và độ bền vững kém hơn RF. Do đó, thuật toán RF được sử dụng có độ chính xác cao và độ bền vững tốt.
4 Kết Luận
Bài báo này đề xuất một phương pháp phát hiện lỗi cơ khí công tắc tải sử dụng đặc trưng thời gian dòng điện động cơ lưu trữ năng lượng và thuật toán Rừng Ngẫu Nhiên (RF). Nó trích xuất các đặc trưng thời gian đại diện từ dạng sóng dòng điện động cơ và sử dụng bộ phân loại RF để nhận dạng trạng thái. Tiêu chí bắt đầu ghi dạng sóng được đề xuất hiệu quả thu thập tín hiệu dòng điện động cơ. Sử dụng chỉ số Gini trong RF, nó đánh giá tầm quan trọng của đặc trưng và chọn bốn đặc trưng chính (hệ số đỉnh, độ xiên, độ lệch chuẩn trung bình căn bậc hai, độ nhọn) để đặc trưng cho trạng thái công tắc tải. Các thí nghiệm cho thấy phương pháp này hiệu quả trong việc nhận dạng trạng thái kẹt động cơ với độ chính xác 98.33%.
