5 suurten voimansiirtojen vikahaku menetelmää

Muuntaja vianmääritysmenetelmät

1. Suhteellisuusmenetelmä hajotettujen kaasujen analysointiin

Useimmissa öljyimurtuissa teho-muuntajissa tietyt palamiset kaasut tuotetaan muuntajan säiliössä lämpö- ja sähköstressin alaisena. Öljyyn hajottuneita palamisia kaasuja voidaan käyttää muuntajan öljy-paperisolinnostojärjestelmän lämpöhajoamisominaisuuksien määrittämiseen niiden tiettyjen kaasupitoisuuksien ja suhteellisuuksien perusteella. Tätä teknologiaa käytettiin ensimmäisen kerran vianmääritykseen öljyimurtuissa. Myöhemmin Barraclough ja muut ehdottivat vianmääritysmenetelmää neljällä kaasu-suhteella: CH4/H2, C2H6/CH4, C2H4/C2H6 ja C2H2/C2H4. Jälkimmäisessä IEC-standardissa C2H6/CH4-suhteen poistettiin, ja muokattu kolme-suhteen menetelmä sai laajaa soveltumista. Rogers tarjosi yksityiskohtaisen analyysin ja selityksen kaasuyhdisteiden suhteellisuuskoodaukselle ja käyttötavalle IEEE:n ja IEC:n standardeissa. Pitkäaikainen IEC 599:n soveltaminen osoitti, että se ei vastaa aina todellisia olosuhteita ja ei pysty diagnostoimaan joitakin vian skenaarioita. Tämän vuoksi sekä Kiina että Japanin Sähköliitto ovat tehneet parannuksia IEC-koodaukseen, kun taas muutkin hajotettujen kaasujen analysointimenetelmät ovat saaneet laajaa soveltumista.

2. Epäselvä logiikan diagnostinen menetelmä

Amerikkalainen ohjausteoreettikko L.A. Zadeh esitti ensimmäisenä epäselvän diagnostiikan menetelmät, jotka ovat jälkeen saaneet laajempaa soveltumista. Epäselvä logiikka on hyödyllinen ilmaisemassa laadullista tietoa ja kokemusta epäselvillä rajoilla. Käyttämällä jäsenfunktiokonseptia se erottaa epäselviä joukkoja, käsittelee epäselviä suhteita, simuloi ihmisen sääntöpohjaisen päätöksenteon ja ratkaisee erilaisia epävarmuustekijöitä käytännön sovelluksissa. Käytännössä muuntajissa esiintyy usein epäselviä syitä ja mekanismeja, jotka perinteisiä menetelmiä ei voi selittää tai kuvailla hyvin. Epäselvä logiikan menetelmiä voidaan tehokkaasti käyttää näiden epävarmojen suhteiden käsittelyssä muuntajissa, tarjoten uuden lähestymistavan sähkömuuntajien vianmääritykseen.

Yleisesti käytettyjen Rogers-suhdeluokitusmenetelmien kriittisten suhteellisuussuoriteiden puutteen korjaamiseksi on ehdotettu menetelmä, joka käyttää epäselvää joukkoteoriaa. Tämä lähestymistapa tuo epäselvän logiikan tekniikat perinteisiin suhteellisuusmenetelmiin summaamalla suhteellisuusrajoja. Tämä menetelmä on osoittanut hyvää soveltuvuutta monien muuntajien vianmääritykseen ja on kehittynyt sarjaksi vianmääritysmenetelmiä, mukaan lukien koodausyhdistelmämenetelmät, epäselvät klusterointitekniikat, Petri-verkot ja harmaat järjestelmät. Nämä mallit huomioivat täysin datan luontaisen epäselvyyden, parantavat tehokkuutta kompleksisilla tiedoilla ja lisäävät muuntajien vianmäärityksen tarkkuutta.

3. Asiantuntijajärjestelmän diagnostinen menetelmä

Asiantuntijajärjestelmät edustavat tärkeää tekoälyn haaraa. Ne ovat tietokoneohjelmajärjestelmiä, jotka kykenevät simuloida ihmisen asiantuntija-kokemusta ja päättelyprosesseja tietyssä määrin. Käyttäjän antamien tietojen perusteella ne soveltavat tallennettua asiantuntija-tietoa tai kokemusta päättelyyn ja arvioihin, lopulta tarjoten uskottavuusasteilla varustettuja päätelmiä käyttäjän päätöksentekoon. Sähkömuuntajien vianmääritys on erittäin monimutkainen ongelma, joka sisältää useita tekijöitä.

Tarkkojen arvioiden tekeminen eri parametrien perusteella vaatii vankia teoreettisia periaatteita ja runsaata toiminnallista ylläpitokokemusta. Lisäksi muuntajien kapasiteetin, jännitteiden ja toimintaympäristön vaihteluja vuoksi sama vika voi ilmaista eri tavoin eri muuntajissa. Asiantuntijajärjestelmillä on vahva virhekiintolevyisyys ja sopeutettavuus, mikä mahdollistaa niiden tietokannan muuttamisen saadun diagnostisen tiedon perusteella varmistaakseen täydellisyyden. Siksi ne voivat tehokkaasti diagnostoida erilaisia sähkömuuntajia. Sähkömuuntajien vianmääritysasiantuntijajärjestelmät voivat määrittää vian ominaisuudet yhdistelemällä vian syiden ja tyypien tietoutta, sisällyttäen vian havaitsemisen tietoutta, kuten öljyssä hajotettujen kaasujen analysointia. Ne voivat tehokkaasti käsitellä epäselviä ongelmia vianmäärityksessä käyttäen epäselvää logiikkaa, käsitellä täydellisen tiedon saamisen pullonkaulaongelmaa käyttäen ruuhkasarjamenetelmiä ja luoda rakenteita, jotka sopivat moni-asiantuntijan yhteistyöhön käyttäen levyn mallia.

4. Teollinen neuroverkon diagnostinen menetelmä

Teolliset neuroverkot matemaattisesti mallintavat neuronien toimintaa ja edustavat tietojenkäsittelyjärjestelmää, joka imitoi aivojen neuroverkkojen rakennetta ja toimintoja. ANN:lla on itseorganisoituvia, sopeutettavia, itsenäisiä oppimiskykyjä, virhekiintolevyisyyttä ja vahvoja epälineaarisiin approksimaatioihin. Ne voivat toteuttaa ennustuksen, simuloinnin ja epäselvän ohjausfunktion, mikä tekee niistä tehokkaita työkaluja epälineaaristen järjestelmien käsittelyyn. Teollisten neuroverkkojen käyttö muuntajien vianmääritykseen öljyssä hajotettujen kaasuyhdisteiden ja -pitoisuuksien perusteella on ollut viime vuosina tutkimuksen painopiste. Tämä on johtanut erilaisten vianmääritysmenetelmien kehittymiseen, kuten kaksivaiheinen ANN-menetelmä, takaisinpropagoiva teollinen neuroverkko, päätöspuun neuroverkomalli, yhdistetty neuroverkon hierarkkinen rakennemalli ja radiaalifunktio-neuroverkko. Nämä menetelmät jatkuvasti parantavat konvergenssinopeutta, luokittelukykyä ja tarkkuutta neuroverkkoalgoritmeissa.

5. Muut diagnostiset menetelmät

Näiden neljän menetelmän lisäksi on käytössä useita muitakin muuntajien vianmääritysmenetelmiä. Yhdistämällä teollisia neuroverkkoja ja todiste-teoriaa ja hyödyntämällä niiden komplementaarisia etuja voidaan kehittää monipuolinen muuntajien vianmääritysmenetelmä, joka integroi useita teollisia neuroverkkoja ja todiste-teorian. Ottaen inspiraation biologisista immuunijärjestelmistä, jossa antibodioiden tunnistamis- ja muistimekanismi on tehokas, voidaan soveltaa itseorganisoivia antibodiverkkoja ja antibodi-luontialgoritmeja sähkömuuntajien vianmäärityksen ratkaisemiseen. Lisäksi muita muuntajien vianmääritysmenetelmiä ovat tiedon fuusion perusteella, ruuhkasarjamenetelmällä, yhdistettyjen päätöspuiden, Bayes-verkkojen, tekoimmuunijärjestelmien, uusia radiaalifunktioverkkoja ja tukivektori-makineiden perusteella.