Yleiskatsaus korkeajännitevaihtosähkökatkojen vikadiagnostiikan menetelmiin
1. Mikä ovat kytkinten virtasignaalin ominaisuudet korkeanpaineisissa sähkökytkimetissä? Miten näitä ominaisuuspisteitä voidaan poimia alkuperäisestä kytkinvirtasignaalista?
Vastaus: Kytkinten virtasignaalin ominaisparametrit korkeanpaineisissa sähkökytkimetissä voivat sisältää seuraavat:
Steady-state peak current: Sähkömagnetiin virtaamisen suurin vakioarvoinen virran arvo, joka kuvaa paikkaa, jossa sähkömagneettinen ydin liikkuu ja lyhyesti pysähtyy rajapisteeseensa.
Kesto: Sähkömagnetiin virtaamisen signaalikaaren kesto, joka on yleensä kymmeniä tai satoja millisekunteja.
Ytimen aktivoitumisen ennen kulunut aika: Aika, joka kuluu virransignaalin nousemiseen nollasta ensimmäiseen huippuarvoon.
Putoamisaika: Aika, joka kuluu virransignaalin laskemiseen ensimmäisestä huippuarvosta takaisin toiseen laiskuun. Tämä vastaa aikaa, jolloin armatuuripluntti alkaa liikkua, osuu kytkintämekaanismiin ja ajaa sen sähkömagneettisen armatuurin rajapisteeseen.
Signaalikaaren muoto: Signaalikaaren kokonaismuoto, kuten yksi pulssi, useampi pulssi tai jaksollinen kaari.
Taajuus: Jos signaalikaari on jaksollinen, sen taajuus on tärkeä parametri.
Näiden ominaisparametrien poimimiseksi alkuperäisestä kytkinvirtasignaalista tarvitaan yleensä seuraavia askeleita:
Otentointi: Käytä sopivaa otentolaitetta riittävällä otentataajuudella jatkuvasti ottaaksesi virtasignaalin ja muuttaaksesi signaalin digitaaliseksi muodoksi.
Suodatus: Suodata otetut tiedot poistaaksesi korkeataajuisten häiriöiden vaikutukset paremman signaalikaaren tunnistamisen tueksi.
Huipun havaitseminen: Etsi suodatetusta signaalista maksimiarvo määrittääksesi huippujen amplitudin.
Keston mittaaminen: Lasketaan kesto havaitsemalla ajanhetket, joilla signaalikaari alkaa ja päättyy nollavirrasta.
Nousuaika ja putoama-aika: Lasketaan nousuaika ja putoama-aika havaitsemalla ajanhetket nollavirrasta huippuvirran arvoon ja takaisin nollavirrasta.
Muodon analysointi: Käytä matemaattisia menetelmiä tai signaalikaaren sovitustekniikoita signaalikaaren muodon analysointiin.
Taajuusanalyysi: Jos signaalikaari on jaksollinen, käytä Fourier-muunnosta tai autokorrelaatiota taajuuden estimointiin.
Nämä askeleet edellyttävät yleensä signaalinkäsittely- ja data-analyysityökaluja (kuten MATLAB, Pythonin NumPy ja SciPy kirjastot). Ominaisparametrien poiminta auttaa korkeanpaineisten sähkökytkimetien toiminnan valvonnassa ja analysoinnissa. Huomioi, että korkeanpaineisiin virtoihin käsittelyssä on otettava asianmukaiset turvatoimet välttääksesi sattumanvaraisia sähköiskuut tai muut vaarat.
2. Mitä algoritmeja voidaan käyttää ominaisparametrien, kuten huippujen ja laiskujen amplitudenttien sekä niitä vastaavien ajanhetkien, poimimiseksi kytkinvirtasignaaleista? Anna ne erityisesti luettelomuodossa.
Vastaus: Ominaisparametrien, kuten huippujen ja laiskujen amplitudenttien sekä niitä vastaavien ajanhetkien, poimimiseksi kytkinvirtasignaaleista voidaan käyttää erilaisia signaalinkäsittely- ja analyysialgoritmeja. Signaalikaaren segmentointi ja segmenttien vertailu voivat auttaa ominaisparametrien saamisessa. Seuraavassa on joitakin yleisesti käytettyjä algoritmeja ja menetelmiä:
Huippuhavainnointialgoritmit: Nämä algoritmit voivat havaita signaalikaaren huippuja, mukaan lukien maksimi huippuja ja minimi laiskuja. Yleisiä algoritmeja ovat kynnysarvomenetelmä, liukuva ikkuna -menetelmä, gradienttiperusteiset menetelmät jne.
Nollakohdan havainnointialgoritmit: Nämä algoritmit voivat havaita siirtymiä signaalikaaresta positiivisesta negatiiviseksi tai negatiivisesta positiiviseksi, yleensä yhdessä huippu- ja laiskuhavainnoissa.
Fourier-muunnos: Voi muuntaa kytkinvirtasignaalin taajuusalueelle, poimia huippu- ja laiskutiedot taajuusalueelta ja sitten käänteismuunnoksella palauttaa ne aika-alueelle saadakseen aikatiedot.
Integrointi- ja derivointialgoritmit: Integrointia voidaan käyttää signaalikaaren amplitudin arviointiin, kun taas derivointia voidaan käyttää huippujen ja laiskujen kaltevuuden arviointiin, jolloin voidaan johtaa niiden ajanhetket.
Signaalikaaren sovitus: Sovittamalla signaalikaaria malliin, kuten Gaussin malliin, S-käyrään jne., voidaan arvioida huippujen ja laiskujen sijainteja ja amplitudinsa. Teoreettisten sähkömagneettien parametrien säätämällä voidaan generoida kytkinvirtasignaaleja, jotka jatkuvasti lähestyvät todellisia mittausdataa, jolloin voidaan saada todellisten kytkinvirtasignaalien ominaisparametreja teoreettisista parametreista.
Ikkunananalyysi: Segmentoidaan signaalikaari pieniin ikkunoihin ja poimitaan ominaisparametreja kussakin ikkunassa havaitakseen huippujen ja laiskujen muutoksia.
Derivaattaperusteiset menetelmät: Lasketaan signaalikaaren derivaatta löytääkseen huippujen ja laiskujen sijainnit; derivaatan nollakohdat ovat ääriarvopisteitä.
Nämä algoritmit voidaan käyttää yksitellen tai yhdistettynä, ja tietyn valinnan määräävät aallonmuodon luonne ja sovelluksen vaatimukset. Käytännössä alan osaaminen ja data-analyysityökalut yhdistetään usein varmistaakseen kiertokappaleen sähkövirtaaaltojen ominaisparametrien tarkkan tarkastelun.
3. Mitä ominaisparametreja korkean jännitteen sulkuvalvojien toimintomekanismien vibraatio-kiire-signaalilla on avauksen ja sulkemisen aikana? Miten näitä ominaisparametreja voidaan poimia mitatuista korkean jännitteen sulkuvalvojien mekaanisista vibraation signaaleista?
Vastaus: Korkean jännitteen sulkuvalvojien toimintomekanismien vibraatio-kiire-signaalissa avauksen ja sulkemisen aikana voi olla monia ominaisparametreja, jotka tarjoavat tärkeää tietoa mekanismin toiminnasta ja tilasta. Seuraavassa on joitakin mahdollisia ominaisparametreja ja niiden poimintaan liittyviä menetelmiä:
Kiireen huippuarvo: Vibraationsignaalissa esiintyvä suurin kiirearvo, yleensä ilmaistuna g-yksiköissä (painovoiman kiire).
Kesto: Vibraatiotapahtuman kesto, yleensä millisekunnissa tai sekunnissa.
Taajuuskomponentit: Fourier-muunnoksen tai nopean Fourier-muunnoksen (FFT) sekä muiden spektrianalyysimenetelmien avulla voidaan poimia vibraationsignaalin taajuuskomponentit tunnistamaan eri taajuuskomponenttien esiintyminen.
Vibraation amplitudi: Vibraationsignaalin amplitudi, joka voidaan ilmaista huipusta nollaan kulkevana etäisyytenä.
Huipputo-huippu-arvo: Täydellisen kierroksen vibraation amplitudi vibraationsignaalissa, yleensä käytetty periodisten vibraatioiden tunnistamiseen.
Pulsseja lukumäärä: Monipulssivibraatioiden tapauksessa lasketaan pulssien määrä tietyssä aikavälillä.
Kiireen aallonmuodon muoto: Vibraationsignaalin aallonmuotoa voidaan käyttää analysoimaan vibraation alkua, loppua ja kestoa.
Korkeataajuiset komponentit: Tunnistetaan korkeataajuinen vibraatiokomponentti, joka saattaa viitata mekanismin epävakauttaan tai vahingoittumiseen.
Näiden ominaisparametrien poimimiseksi tarvitaan yleensä seuraavia vaiheita:
Vibraationsignaalin kerääminen: Käytetään sopivia antureita (kuten kiireantureita) korkean jännitteen sulkuvalvojan toimintomekanismin vibraationsignaalien keräämiseen.
Signaalin digitoiminen: Analoginen vibraationsignaali muutetaan digitaaliseksi muodoksi jatkossa tehtävän analyysin tueksi.
Suodatus ja melunpoisto: Suodatetaan ja puhdistetaan vibraationsignaalia melun poistamiseksi ja signaalin laadun parantamiseksi.
Ominaisuusten poiminta: Käytetään signaalinkäsittelytyökaluja (kuten FFT:ta) ja vibraatioanalyysimenetelmiä edellä mainittujen ominaisparametrien poimimiseen. Vibraationsignaalit muunnetaan Fourier-muunnoksella; eri taajuiset signaalit yhdistetään eri ajoissa luodakseen kiihtyvyyden vibraation aaltoja, jotka approksimoivat todellista vibraation kaarta, saaden karakteristiset parametrit teoreettisista tiedoista reaalidatan perusteella.
Dataprosessointi: Analysoidaan poimittuja ominaisparametreja mekanismin suorituskykyongelmien tai epäkohtien tunnistamiseksi.
Näiden ominaisparametrien analyysi voidaan käyttää korkean jännitteen sulkuvalvojien terveydentilan seurantaan, potentiaalisten vikojen tunnistamiseen ja huoltoon ryhtymiseen varmistaakseen niiden asianmukaisen toiminnan. Vibraation seuranta on yleensä tärkeä tehtävä insinöörityössä, joka voi parantaa laitteiston luotettavuutta ja elinkaarta.
4. Mitä algoritmeja voidaan käyttää korkean jännitteen sulkuvalvojien toiminnan aikana havaitsemien mekaanisten vibraation kiire-signaalien ominaisparametrien poimintaan?
Vastaus: Mekaanisten vibraation kiire-signaalien ominaisparametrien poimintaan korkean jännitteen sulkuvalvojien toiminnan aikana voidaan käyttää erilaisia signaalinkäsittely- ja analyysialgoritmeja. Seuraavassa on joitakin yleisiä algoritmeja ja menetelmiä:
Huipun tunnistusalgoritmit: Nämä algoritmit voivat havaita huippuja vibraationsignaaleissa, mukaan lukien maksimikiirehuippuja. Yleisiä algoritmeja ovat kynnysarvomenetelmä, liukuva ikkunamenetelmä, gradienttipohjaiset menetelmät jne.
Spektrianalyysi: Fourier-muunnos tai nopea Fourier-muunnos (FFT) voidaan käyttää vibraationsignaalin siirtämiseen taajuusalueelle ja taajuuskomponenttien sekä amplitudin tiedon poimintaan.
Vibraation energia: Vibraation energian arviointi integroimalla vibraationsignaalin neliötä, jolloin saatetaan tietoa vibraation kokonaismäärästä.
Vibraation taajuus: Pääasiallisten vibraation taajuuskomponenttien arviointi spektrianalyysin tai autokorrelaatiokäyrän avulla taajuuspiirteiden tunnistamiseksi.
Vibraation amplitudi: Vibraation koon kvantifiointi laskelemalla vibraationsignaalin amplitudia.
Huipputo-huippu-arvo: Täydellisen vibraation kierroksen amplitudi vibraationsignaalissa, yleensä käytetty periodisten vibraatioiden tunnistamiseen.
Pulsseja lukumäärä: Monipulssivibraatioiden tapauksessa lasketaan pulssien määrä tietyssä aikavälillä.
Vibraation aallonmuodon muoto: Vibraationsignaalin aallonmuotoa voidaan käyttää analysoimaan vibraation alkua, loppua ja kestoa.
Huippuaika: Arvioi aika, jolloin värähtelyhuippu tapahtuu, tunnistaa värähtelytapahtumien ajankohdat.
Nämä algoritmit voidaan käyttää yksitellen tai yhdistettynä, ja tietty valinta riippuu värähtelysignaalin luonteesta ja sovelluksen vaatimuksista. Käytännössä verkkotiede ja datan analysointityökalut yhdistetään yleensä varmistaakseen mekanisten värähtelyjen kiihtyvyyssignaalien ominaisparametrien tarkkaa poimimista, jotta voidaan valvoa laitteen suorituskykyä ja kunnon tilaa.
5. Miten poimita värähtelyenergiansignaalien huipput ja huippuaika?
Vastaus: Värähtelyenergiansignaalien huipput ja huippuaikojen poimimiseksi voit käyttää signaalinkäsittely- ja analyysimenetelmiä. Seuraava on yleinen menetelmä:
Värähtelyenergiansignaalien huipput poiminta:
a. Tasuta värähtelyenergiansignaali: Sovella keskiarvofiltteriä tai muuta tasausmenetelmää signaalin melun vähentämiseksi, jotta huippuja on helpompi havaita.
b. Etsi huippupisteet: Suorita huippuhavainto tasattuun signaaliin, yleensä seuraavilla askeleilla:
c. Kirjaa huippujen amplitudit: Määritä värähtelyenergiansignaalin amplitudi jokaisessa huippupisteessä.
Laske signaalin ensimmäinen derivaatta tai erotus löytääksesi ääripisteitä signaalissa (pisteitä, joissa gradientti muuttuu nollaksi).
Käytä kynnystä tai muita ehtoja suodatakseen pois huippupisteet, jättäen pienet fluktuoinnit pois.
Huippuaika poiminta:
-
Kirjaa huippuhetket: Jokaiselle havaitulle huippupisteelle kirjaa sen sijainti aikapuolella, eli huippun aikahetki.
Käytä aikatietoa: Huippuhetkien aikatiedolla voidaan edustaa jokaisen huipun esiintymisaikaa, yleensä millisekunnissa tai sekunnissa.
Huomioi, että huippujen ja huippuaikojen poiminnan tarkat menetelmät voivat vaihdella signaalin ominaisuuksista riippuen. Lisäksi signaalin tasauksen aste ja melutaso vaikuttavat myös huippuhavaintoon. Voit käyttää signaalinkäsittelytyökaluja, kuten NumPy- ja SciPy-kirjastoja Pythonissa, sekä huippuhavaintoalgoritmeja, kuten kynnysemetodi, gradienttimenetelmä tai liukuva ikkuna suorittaaksesi nämä vaiheet. Käytännössä sinun saattaa olla tarpeen säätää algoritmin parametreja mukauttaaksesi ne tiettyihin värähtelysignaalin vaatimuksiin.
6. Mitä ominaisparametreja äänisignaalilla on korkeajännitekappaleiden avaamisen ja sulkeutumisen aikana? Miten näitä parametreja voidaan poimia analysoimaan ja diagnostoimaan korkeajännitekappaleiden piilovirheitä?
Vastaus: Korkeajännitekappaleiden avaamisen ja sulkeutumisen aikana äänisignaalissa voi olla joitakin ominaisparametreja, joita voidaan käyttää laitteen suorituskyvyn ja kunnon tilan analysointiin ja diagnostointiin. Seuraavat ovat joitakin mahdollisia äänisignaalin ominaisparametreja ja niiden poimintaan käytettyjä menetelmiä:
Äänen amplitudi: Äänisignaalin amplitudi tai äänenvoimakkuus, yleensä ilmaistuna desibeleinä (dB).
Äänen taajuus: Äänisignaalin taajuuskomponentit, jotka käytetään äänen sävellys- tai taajuusalueen tunnistamiseen.
Äänen kesto: Ääntitapahtuman kesto, yleensä millisekunnissa tai sekunnissa.
Äänen aaltomuoto: Äänisignaalin aaltomuoto, jota käytetään äänen alkamisen, päättymisen ja keston analysointiin.
Äänen spektrogrammi: Äänisignaalin spektrianalyysin kuva, jota käytetään taajuuskomponenttien esiintymisen ja muutosten tunnistamiseen.
Pulsien määrä: Monille äänipulseille lasketaan pulsien määrä tietyssä aikavälillä.
Äänen ominaisuudet: Käytä äänanalyysityökaluja poimiaksesi äänisignaalien ominaisuudet, kuten energia, spektrikeskiarvo, huiput jne.
Näiden ominaisparametrien poimimiseksi voidaan suorittaa seuraavat vaiheet:
Äänisignaalin poiminta: Käytä sopivia mikrofoneja tai antureita kerätäksesi äänisignaaleja korkeajännitekappaleiden avaamisen ja sulkeutumisen aikana.
Signaalin digitoiminen: Muunna analoginen äänisignaali digitaaliseksi muodoksi analyysiä varten.
Äänisignaalin käsittely: Suodata ja vaimenna äänisignaalia poistaaksesi melun ja parantaaksesi signaalin laatua.
Ominaisuuden poiminta: Käytä äänisignaalinkäsittelytyökaluja ja -algoritmeja poimiaksesi edellä mainitut ominaisparametrit, kuten spektrianalyysi, aaltomuotoanalyysi jne.
Datantekijä: Analysoi poimittuja ominaisparametreja tunnistamaan epämuodostumia tai suoritusongelmia äänisignaalissa.
Äänisignaalien valvomalla ja analysoimalla voidaan tunnistaa korkeajännitekappaleiden piilovirheitä, kuten epäluontevat äänet, mekaaniset ongelmat tai muut epäluontoiset toiminnot. Tämä auttaa estämään laitteen epäonnistumisia ja ottaa huolto- ja ylläpitotoimenpiteitä korkeajännitekappaleiden luotettavuuden ja turvallisuuden varmistamiseksi.
