Augstsprieguma AC lādējumu traucējumu diagnosticēšanas metožu pārskats

1. Kādi ir spēka magnēta strāvas formas raksturīgie parametri augstsprieguma pārslēgumu darbības mehānismos? Kā iegūt šos raksturīgos parametrus no sākotnējās spēka magnēta strāvas signāla?

Atbilde: Spēka magnēta strāvas formas raksturīgie parametri augstsprieguma pārslēgumu darbības mehānismos var ietvert šādus:

• Stacionārā augstākā strāva: Maksimālā stacionārā strāvas vērtība spēka magnēta strāvas formā, kas atspoguļo spēka magnēta kodolu pozīciju, kurā tas pārvietojas un īsu laiku uzturas savā robežvietā.

• Ilgums: Spēka magnēta strāvas formas ilgums, parasti no desmit līdz simtiem milisekundēm.

• Paaugstināšanās laiks līdz kodola aktivizācijai: Laiks, kas nepieciešams strāvas formai paaugstināties no nulles līdz pirmajam maksimālam strāvas pieaugumam.

• Samazināšanās laiks: Laiks, kas nepieciešams strāvas formai samazināties no pirmā maksimālā strāvas pieauguma līdz otrajam minimālam strāvas pazeminājumam. Tas atbilst laikam, kad plūgs sāk kustēties, trauks trip mehānismu un pārvieto to līdz spēka magnēta kodola robežvietā.

• Formas veids: Formas kopējais veids, piemēram, viens impuls, vairāki impulsi vai periodiska forma.

• Frekvence: Ja forma ir periodiska, tās frekvence ir svarīgs parametrs.

Lai iegūtu šos raksturīgos parametrus no sākotnējās spēka magnēta strāvas signāla, parasti tiek veikti šādi soļi:

• Mērīšana: Izmantojot atbilstošu mērīšanas aprīkojumu ar pietiekamu mērīšanas frekvenci, nepārtraukti mēra spēka magnēta strāvu un konvertē signālu digitālajā formā.

• Filtrēšana: Filtrē mērītos datus, lai noņemtu augstfrekvenču troksni, labāk identificējot formas īpašības.

• Augstākā punkta detektors: Atrod maksimālo vērtību no filtrētajiem signāliem, lai noteiktu maksimālo strāvu.

• Ilguma mērīšana: Aprēķina ilgumu, noteikot laika punktus, kad forma sākas un beidzas no nulles strāvas.

• Paaugstināšanās laika un samazināšanās laika mērīšana: Aprēķina paaugstināšanās laiku un samazināšanās laiku, noteikot laika punktus no nulles strāvas līdz maksimālajai strāvai un no maksimālās strāvas atpakaļ uz nulles strāvu attiecīgi.

• Formas analīze: Izmanto matemātiskas metodes vai formas pielāgošanas tehnoloģijas, lai analizētu formas veidu.

• Frekvenču analīze: Ja forma ir periodiska, izmanto Furje transformāciju vai savstarpējo korelācijas funkciju, lai novērtētu frekvenci.

Šiem soļiem parasti ir nepieciešami signālu apstrādes un datu analīzes rīki (piemēram, MATLAB, Python NumPy un SciPy bibliotēkas utt.). Raksturīgo parametru izgūšana palīdz monitorēt un analizēt augstsprieguma pārslēgumu darbības mehānismu veiktspēju. Jāņem vērā, ka, strādājot ar augstsprieguma strāvām, jāievēro atbilstošas drošības pasākumi, lai novērstu nejaušas elektriskās šoka vai citu bīstamību radīšanu.

2. Kādas algoritmas var tikt izmantotas, lai iegūtu raksturīgos parametrus, piemēram, augstāko un zemāko amplitūdu un to atbilstošos laika punktus no spēka magnēta strāvas formām? Lūdzu, norādiet tos konkrēti.

Atbilde: Lai iegūtu raksturīgos parametrus, piemēram, augstāko un zemāko amplitūdu un to atbilstošos laika punktus no spēka magnēta strāvas formām, var izmantot dažādas signālu apstrādes un analīzes algoritmas. Formas segmentācija un segmentu salīdzināšana var tikt izmantota, lai iegūtu raksturīgos parametrus. Šeit ir daži bieži izmantotie algoritmi un metodes:

• Augstākā punkta detekcijas algoritmi: Šie algoritmi var detektēt formas augstākos punktus, ieskaitot maksimālos augstākos punktus un minimālos zemākos punktus. Bieži izmantoti algoritmi ietver sliekšņa metodi, kustināmo logu metodi, grādienta balstītas metodes utt.

• Nulles pagrieziena detekcijas algoritmi: Šie algoritmi var detektēt formas pārejas no pozitīvām uz negatīvām vai no negatīvām uz pozitīvām, parasti tiek izmantoti kopā ar augstāko un zemāko punktu detekciju.

• Furje transformācija: Var konvertēt spēka magnēta strāvas formu frekvenču domēnā, izgūst augstāko un zemāko punktu informāciju frekvenču domēnā, un pēc tam, izmantojot inverso transformāciju, atgriezt to laika domēnā, lai iegūtu laika informāciju.

• Integrācijas un diferencēšanas algoritmi: Integrāciju var izmantot, lai novērtētu formas amplitūdu, savukārt diferencēšanu, lai novērtētu augstāko un zemāko punktu slīpumu, no kura var secināt to laika punktus.

• Formas pielāgošana: Izmantojot formas modeļus, piemēram, Gausa modelis, S-kurve utt., lai novērtētu augstāko un zemāko punktu pozīcijas un amplitūdas. Teorētisko parametru pielāgošana spēka magnētam, lai radītu spēka magnēta strāvas formas, kas tuvina reālos mērījumu datus, tādējādi iegūstot reālo spēka magnēta strāvas formas raksturīgos parametrus no teorētiskajiem parametriem.

• Loga analīze: Segmentē formu mazos logos un izgūst raksturīgos parametrus katrā logā, lai uztvertu mainījumus augstākajos un zemākajos punktos.

• Grādienta balstītas metodes: Aprēķina formas grādientu, lai atrastu augstāko un zemāko punktu pozīcijas; punkti, kur grādients kļūst par nulles, ir ekstrēmu punkti.

Šie algoritmi var tikt izmantoti atsevišķi vai kombinācijā, konkrētās izvēles atkarībā no viļņa formas rakstura un konkrētās lietojuma prasībām. Praktiskajos lietojumos parasti tiek apvienota domēna zināšanas un datu analīzes rīki, lai nodrošinātu precīzu raksturlielumu izgūšanu no spuldzes strāvas viļņu formām.

3. Kādi raksturlielumi ir augstsprieguma līdzstrādājumu darbības mehānismu vibrācijas paātrinājuma signālā atverot un slēdzot? Kā var izgūt šos raksturlielumus no mērītajiem augstsprieguma līdzstrādājumu mehānisko vibrāciju signāliem?

Atbilde: Augstsprieguma līdzstrādājumu darbības mehānismu vibrācijas paātrinājuma signāls atverot un slēdzot var saturēt daudzus raksturlielumus, kas sniedz svarīgu informāciju par mehānisma veiktspēku un stāvokli. Šeit ir daži iespējamie raksturlielumi un metodes to izgūšanai:

• Augstākais paātrinājums: Vibrācijas signāla maksimālais paātrinājuma vērtība, parasti izteikts g vienībās (gravitācijas paātrinājums).

• Ilgums: Vibrācijas notikuma ilgums, parasti milisekundēs vai sekundēs.

• Frekvenču komponentes: Caurlaidīgās pārveidošanas vai ātras caurlaidīgās pārveidošanas (FFT) un citu spektra analīzes metožu palīdzībā no vibrācijas signāla var izgūt frekvenču komponentes, lai identificētu jebkuru frekvenču komponentu parādīšanos.

• Vibrācijas amplitūda: Vibrācijas signāla amplitūda, kuru var izteikt kā attālumu no augstākā punkta līdz nulles punktam.

• Augstākais punkts līdz augstākajam punktam: Pilnas vibrācijas cikla vibrācijas amplitūda vibrācijas signālā, parasti izmanto identificēt periodiskas vibrācijas.

• Impulsu skaits: Daudzimpulsu vibrācijām var aprēķināt impulsu skaitu noteiktā laika periodā.

• Paātrinājuma viļņa formas: Vibrācijas signāla viļņa forma var tikt izmantota, lai analizētu vibrācijas sākumu, beigas un ilgumu.

• Augstfrekvenčas komponentes: Identificē augstfrekvenčas vibrācijas komponentes, kas var norādīt uz mehānisma nestabilitāti vai bojājumu.

Lai izgūtu šos raksturlielumus, parasti tiek veikti šādi soļi:

• Vibrācijas signāla iegūšana: Izmantojot piemērotus sensorus (piemēram, paātrinājuma sensorus), tiek iegūti vibrācijas signāli no augstsprieguma līdzstrādājumu darbības mehānisma.

• Signāla digitalizācija: Analogā vibrācijas signāla pārveidošana digitālā formā nākamo analīzes vajadzībām.

• Filtrēšana un trokšņa samazināšana: Vibrācijas signāla filtrēšana un trokšņa samazināšana, lai novērstu trokšņu un uzlabotu signāla kvalitāti.

• Raksturlielumu izgūšana: Izmantojot signālu apstrādes rīkus (piemēram, FFT) un vibrācijas analīzes metodes, lai izgūtu minētos raksturlielumus. Vibrācijas signāli tiek transformēti, izmantojot caurlaidīgo pārveidošanu; dažādas frekvences signāli tiek surogāti dažādos laika momentos, lai radītu paātrinājuma vibrācijas viļņus, kas tuvina reālo vibrācijas līkni, iegūstot raksturlielumus no teorētiskiem datiem.

• Datu analīze: Izgūto raksturlielumu analīze, lai identificētu mehānisma veiktspēkas problēmas vai anomalijas.

Šo raksturlielumu analīze var tikt izmantota, lai monitorētu augstsprieguma līdzstrādājumu veselības stāvokli, identificētu potenciālas kļūdas un veiktu uzturēšanas pasākumus, lai nodrošinātu to pareizo darbību. Vibrācijas monitorings parasti ir svarīga inženierzinātnes uzdevums, kas var uzlabot iekārtu uzticamību un ilgumu.

4. Kādi algoritmi var tikt izmantoti, lai izgūtu raksturlielumus no mehāniskajiem vibrācijas paātrinājuma signāliem augstsprieguma līdzstrādājumu darbībā?

Atbilde: Izgūstot raksturlielumus no mehāniskajiem vibrācijas paātrinājuma signāliem augstsprieguma līdzstrādājumu darbībā, var izmantot dažādus signālu apstrādes un analīzes algoritmus. Šeit ir daži bieži izmantotie algoritmi un metodes:

• Augstāko punktu detektācijas algoritmi: Šie algoritmi var detektēt vibrācijas signālos augstākos punktus, ieskaitot maksimālo vibrācijas paātrinājuma augstākos punktus. Bieži izmantotie algoritmi ietver robežmetodi, slīdošo loga metodi, grādienta balstītas metodes utt.

• Spektra analīze: Caurlaidīgās pārveidošanas vai ātras caurlaidīgās pārveidošanas (FFT) palīdzībā var pārvērst vibrācijas signālu frekvenču domēnā un izgūt vibrācijas frekvenču komponentes un amplitūdas informāciju.

• Vibrācijas enerģija: Integrējot vibrācijas signāla kvadrātu, var novērtēt vibrācijas enerģiju, tādējādi iegūstot informāciju par vibrācijas kopējo enerģiju.

• Vibrācijas frekvence: Izmantojot spektra analīzi vai savstarpējās korelācijas funkcijas, var novērtēt galvenās vibrācijas frekvenču komponentes, lai identificētu vibrācijas frekvenču raksturlielumus.

• Vibrācijas amplitūda: Aprēķinot vibrācijas signāla amplitūdu, var kvantificēt vibrācijas izmēru.

• Augstākais punkts līdz augstākajam punktam: Pilnas vibrācijas cikla vibrācijas amplitūda vibrācijas signālā, parasti izmanto identificēt periodiskas vibrācijas.

• Impulsu skaits: Daudzimpulsu vibrācijām var aprēķināt impulsu skaitu noteiktā laika periodā.

• Vibrācijas viļņa formas: Vibrācijas signāla viļņa forma var tikt izmantota, lai analizētu vibrācijas sākumu, beigas un ilgumu.

• Augstākais punkts: Apgūstiet laika punktu, kad notiek vibrācijas augstākais punkts, lai noteiktu vibrācijas notikumu laiku.

Šīs algoritmas var izmantot atsevišķi vai kombinēti, atkarībā no vibrācijas signāla raksturojuma un konkrētās lietojuma prasībām. Praktiskajos lietojumos parasti tiek apvienotas domēna zināšanas un datu analīzes rīki, lai nodrošinātu precīzu raksturlielumu izgūšanu no augstsprieguma līkstrāju mehāniskajiem vibrācijas paātrinājuma signāliem, lai monitorētu iekārtas veiktspēku un stāvokli.

5. Kā izgūt vibrācijas enerģijas signālu augstāko punktu un augstākā punkta laiku?

Atbilde: Lai izgūtu vibrācijas enerģijas signālu augstāko punktu un augstākā punkta laiku, var izmantot signālu apstrādes un analīzes metodes. Šeit ir vispārīga metode:

• Vibrācijas enerģijas signālu augstākā punkta izgūšana:

• a. Gludiniet vibrācijas enerģijas signālu: Izmantojiet vidējo filtrēšanu vai citus gludināšanas metodes, lai samazinātu troksni signālā, padarot to vieglāk identificējamu augstākos punktos.

• b. Atrodiet augstākos punktus: Izveidojiet augstāko punktu detektāru uz gludinātā signāla, parasti caur šādiem soļiem:

• c. Ierakstiet augstāko punktu amplitūdas: Noteikiet vibrācijas enerģijas signāla amplitūdu katram augstākajam punktam.

• Aprēķiniet signāla pirmo atvasinājumu vai atšķirību, lai atrastu ekstremumus signālā (punkti, kur gradienta vērtība kļūst nulle).

• Izmantojiet sliekšņus vai citas nosacījumus, lai izfiltrētu augstākos punktus, izslēdzot mazus svārstījumus.

• Augstākā punkta laika izgūšana:

• • Ierakstiet augstāko punktu momentus: Katram atklātajam augstākajam punktam ierakstiet tā pozīciju laika ass, t.i., augstākā punkta laiku.

  • Izmantojiet laika informāciju: Augstāko punktu laika informācija var tikt izmantota, lai pārstāvētu katra augstākā punkta laiku, parasti milisekundēs vai sekundēs.

Atcerieties, ka konkrētās metodes augstāko punktu un augstākā punkta laika izgūšanai var atšķirties atkarībā no signāla raksturojuma. Tāpat signāla gludināšanas pakāpe un trokšņa līmenis arī ietekmēs augstāko punktu detektārus. Jūs varat izmantot signālu apstrādes rīkus, piemēram, NumPy un SciPy bibliotēkas Python valodā, kā arī augstāko punktu detektāru algoritmus, piemēram, sliekšņu metodi, gradienta metodi vai slīdējošā loga metodi, lai veiktu šos soļus. Praktiskajos lietojumos jums var būt nepieciešams pielāgot algoritmu parametrus, lai pielāgotos konkrētiem vibrācijas signālu prasībām.

6. Kādi raksturlielumi ir skaņas signālam augstsprieguma līkstrāju atveršanas un slēgšanas darbībā? Kā izgūt šos raksturlielumus, lai analizētu un diagnosticētu slēptās defektes augstsprieguma līkstrājos?

Atbilde: Skaņas signāls augstsprieguma līkstrāju atveršanas un slēgšanas darbībā var saturēt dažus raksturlielumus, kas tiek izmantoti, lai analizētu un diagnosticētu iekārtas veiktspēku un stāvokli. Šeit ir daži iespējamie skaņas signāla raksturlielumi un metodes to izgūšanai:

• Skaņas amplitūda: Skaņas signāla amplitūda vai svars, parasti izteikts decibels (dB).

• Skaņas frekvence: Skaņas signāla frekvenču komponentes, izmantojamas, lai identificētu skaņas toni vai frekvenču diapazonu.

• Skaņas ilgums: Skaņas notikuma ilgums, parasti milisekundēs vai sekundēs.

• Skaņas formas: Skaņas signāla forma, izmantojama, lai analizētu skaņas sākumu, beigas un ilgumu.

• Skaņas spektrogramma: Skaņas signāla spektrālā analīzes grafiks, izmantojams, lai identificētu frekvenču komponentu parādīšanos un maiņu.

• Impulsu skaits: Ja ir vairāki skaņas impulsi, var aprēķināt impulsu skaitu noteiktā laika periodā.

• Skaņas īpašības: Izmantojiet skaņas analīzes rīkus, lai izgūtu skaņas īpašības, piemēram, enerģiju, spektra vidējo, augstākos punktus u.c., no audio signāliem.

Lai izgūtu šos raksturlielumus, var veikt šādus soļus:

• Skaņas signāla iegūšana: Izmantojiet atbilstošus mikrofonus vai sensorus, lai iegūtu skaņas signālus augstsprieguma līkstrāju atveršanas un slēgšanas darbībā.

• Signāla digitalizācija: Pārveidojiet analogo skaņas signālu digitālajā formā analīzei.

• Skaņas signāla apstrāde: Filtrējiet un izolējiet skaņas signālu, lai samazinātu trokšņu un uzlabotu signāla kvalitāti.

• Raksturlielumu izgūšana: Izmantojiet audio signālu apstrādes rīkus un algoritmus, lai izgūtu minētos raksturlielumus, piemēram, spektra analīzi, formas analīzi u.c.

• Datu analīze: Analizējiet izgūtos raksturlielumus, lai identificētu neprātības vai veiktspējas problēmas skaņas signālā.

Uzraudzot un analizējot skaņas signālus, var identificēt slēptās defektes augstsprieguma līkstrājos, piemēram, neprātīgas skaņas, mehāniskas problēmas vai citas neprātīgas operācijas. Tas palīdz novērst iekārtu traucējumus un veikt uzturēšanas pasākumus, lai nodrošinātu augstsprieguma līkstrāju uzticamību un drošību.