基于CNN對斷路器手車梅花觸頭接觸分析診斷

韓云巖 張彥歡 崔浩 張星 馮保林

(1. 上海交通大學 機械與動力工程學院,上海 20024;2. 江蘇瑞盈智拓電力科技發(fā)展有限公司,江蘇揚州 225006;3. 國網(wǎng)上海市電力公司 奉賢供電公司,上海 201499)

0 引 言

隨著中國經(jīng)濟發(fā)展、工業(yè)化程度提高對電網(wǎng)提出了越來越高的要求,城市電網(wǎng)負擔不斷加重,需要加強供電的可靠性和穩(wěn)定性。中置式開關柜作為配電站與工廠不可或缺的開關供電元件,由于工作的環(huán)境多為高壓、密閉環(huán)境下,很容易出現(xiàn)過溫損壞。截止到2019年,全國國家電網(wǎng)中的開關柜大約為900 000面,且每年增長速度約為7.8%[1］。而電力系統(tǒng)中常見故障事件中,因開關柜發(fā)熱導致的供電事故占比高達42%[2］。每次電力系統(tǒng)的事故都會導致嚴重的后果。

開關柜發(fā)熱事故通常由柜內(nèi)斷路器手車的梅花觸頭引起,梅花觸頭作為開關柜連接斷路器與強電的元器件,在日常斷路器檢修中對動、靜觸頭進行多次摩擦,可能導致梅花觸頭彈簧老化,以及開關柜高負載工作出現(xiàn)觸頭點蝕,觸頭處接觸處電阻增大,運行環(huán)境溫度增高導致運行事故。近些年,許多學者對梅花觸頭故障診斷做出了大量的研究工作。王剛[3］提出了基于電流與所受阻力關系的分析模型,將動、靜觸頭嚙合分為三類:精準嚙合、一級偏差嚙合、二級偏差嚙合,針對不同情況嚙合過程中的電流,利用支持向量機(Support Vector Machine, SVM)分類模型進行數(shù)據(jù)分類,從而對梅花觸頭狀態(tài)進行監(jiān)測。黃勐哲[4］提出利用記憶合金對梅花觸頭溫度監(jiān)控并通過記憶合金形變達到減小接觸電阻的目的,分析出了梅花觸頭的安全性。冀立鵬[5］建立基于磁場-溫度場耦合的開關柜梅花觸頭的有限元分析,實現(xiàn)對梅花觸頭狀態(tài)監(jiān)控。

以上研究都可以改善中置式開關柜內(nèi)的觸頭接觸問題,對梅花觸頭存在的接觸錯位問題有著良好的應用前景,但是并不一定適用于某些特定的應用場景。本文結合配電站工作環(huán)境與日常檢修相結合,提出了基于虛擬樣機技術多工況模擬的斷路器手車檢修系統(tǒng)。利用配電站日常斷路器檢修中對斷路器手車的操作過程數(shù)據(jù),實現(xiàn)對梅花觸頭的預檢修。

1 斷路器手車虛擬樣機建模

中置式開關柜是電網(wǎng)運維中的重要器件,應用于電站、工業(yè)系統(tǒng)、地鐵等多種類設施中,當部分電力設備出現(xiàn)問題時可以將故障部分從電力系統(tǒng)中分離出來,從而保證電力系統(tǒng)的安全。

開關柜在結構上分為低壓儀表室、斷路器手車室、母線室和電纜室[6］。其中斷路器手車室位于封閉空間,結合手車工作方式和結構特點,導致其安全性相對薄弱。斷路器手車由末端的梅花觸頭完成斷路器與強電的連接,斷路器下部連接著底盤車,組成斷路器手車。手車在斷路器手車室實現(xiàn)移進移出,完成日常對斷路器的巡檢任務。由于梅花觸頭位于手車末端且處于封閉環(huán)境中,所以難以對梅花觸頭進行監(jiān)控。

在實際運行中,由于梅花觸頭導致的故障因素[7］眾多,如:梅花觸頭彈簧疲勞、動靜觸頭不在一條直線、觸頭氧化點蝕[8］、存在外力導致觸頭發(fā)生形變,在實際運行環(huán)境中難以獲取多種類大數(shù)量的樣本。同時梅花觸頭安裝位于斷路器手車,手車的安裝狀態(tài)也對實際運行工況存在影響,所以對于多因素復雜工況下梅花觸頭狀態(tài)難以采集足量樣本進行分析。

利用計算機的虛擬樣機技術[9］(Virtual Prototyping Technology, VPT)基于SolidWorks與Workbench聯(lián)合仿真,建立斷路器手車三維模型,利用ANSYS AIM插件將Workbench內(nèi)置于SolidWorks中,將模型導入SpaceClaim對模型中結構復雜又不影響目標仿真結果處進行簡化,便于后續(xù)網(wǎng)格繪制與仿真。建立模型材質、單元類型生成網(wǎng)格,創(chuàng)建約束并求解。利用虛擬樣機通過改變約束條件參數(shù),實現(xiàn)對復雜工況下斷路器手車模擬。

1.1 梅花觸頭變形及力分析

梅花觸頭由觸指、觸指抱箍、支架和連接板組成[10］。其中根據(jù)觸指數(shù)量分為不同種類,如1 250 A(30片)梅花觸頭有30片觸指。在日常工作時梅花觸頭通常與靜觸頭搭配使用,靜觸頭的外徑略大于梅花觸頭觸指的內(nèi)切圓,靜觸頭配合梅花觸頭時,觸指受到擠壓向外擴翻,外側由于彈簧作用阻止觸指向外運動,通過觸指在靜觸頭產(chǎn)生徑向壓力,從而利用摩擦力保證梅花觸頭工作時靜觸頭不會滑落。梅花觸頭有4根拉伸彈簧,按安裝位置可分為兩組:頭部和尾部彈簧。靜觸頭外徑與梅花觸頭內(nèi)徑差異較小,觸指在小范圍內(nèi)擴張,所以主要由頭部彈簧提供壓力。

1.2 梅花觸頭分析模型

以1 250A(30片)梅花觸頭為例,觸指由15組(兩片)觸片以圓周序列排列而成。在實際工作中,兩片觸片之間不產(chǎn)生分離現(xiàn)象,且運動規(guī)律一致,所以可以將同組觸片簡化為一個觸指。觸指上留有彈簧安裝凹槽,凹槽是網(wǎng)格劃分的難點,但在此模型中彈簧力不再采用傳統(tǒng)彈簧拉伸產(chǎn)生(由下文介紹彈簧模塊),可以去除原有凹槽改用直線模型進行簡化。

原模型徑向力由環(huán)形彈簧拉伸所產(chǎn)生,在Workbench中提供了一種Combin14彈簧單元[11］,選擇彈簧兩端連接位置,設定剛度系數(shù)與預緊力,軟件根據(jù)兩端點位置關系計算出相應力大小,并且該彈簧非實體單元,對原有模型不產(chǎn)生任何空間約束行為。原有梅花觸頭共有四個環(huán)形彈簧,將前后兩個相鄰彈簧簡化為一組,對一組彈簧進行等效加載,簡化前后的模型如圖1所示。

圖1 簡化梅花觸頭

當采用Combin14單元代替時,需要在每一個觸指處都建立彈簧單元,所以共需要建立30個彈簧單元模擬彈簧對梅花觸頭的徑向作用。前彈簧組等效連接處為觸指與靜觸頭接觸面中心,同時也是前彈簧組等距中心,后組彈簧等效連接中心同樣如此,同時彈簧單元另一端與地(Workbench軟件中)相連。

1.3 整體樣機模型與邊界條件

論文基于中置柜常用的VS1-12(1250-31.5)手車斷路器搭建分析模型。由于斷路器手車在仿真過程中僅擔任載體的作用,仿真重心關注在梅花觸頭嚙合過程,在建模時手車盡量簡化方便后期仿真,手車主體采用四面體進行替代,模型尺寸保持一致,去除手車細節(jié)。梅花觸頭與手車采用觸臂連接,觸臂一端固定在手車主體,另一端采用卡扣完成梅花觸頭連接。經(jīng)過單獨觸臂仿真與實物檢測,觸臂自身剛度與連接處強度遠遠大于手車柜內(nèi)嚙合需求,所以將觸臂與手車主體簡化為整體,安裝位置保持一致。梅花觸頭的靜觸頭固定在背板上,斷路器手車通過滾輪在軌道內(nèi)移動。整體模型如圖2所示。

圖2 整體仿真模型

在梅花觸頭模型對彈簧單元的簡化中,梅花觸頭彈簧單元采用一端與地連接一端與觸頭相連,所以需要保持梅花觸頭零件靜止不動從而彈簧始終產(chǎn)生梅花觸頭徑向拉力,相對移動靜觸頭端背板實現(xiàn)嚙合。同理應將手車上端設置為固定面,重力反向施加于背板滑軌,移動背板完成對接。

本文將斷路器手車對接分為四種工況:正常對接、因彈簧剛度導致的異常、橫向偏移導致的異常、角度偏移導致的異常。根據(jù)工況劃分,利用Workbench參數(shù)化設計,分別將靜觸頭X、Y軸方向位移,繞X、Y軸角度,彈簧剛度系數(shù)參數(shù)化每次僅將單一變量設置為參數(shù)進行仿真,得到可變范圍內(nèi)仿真結果,導出結果分析中的力—位移關系曲線。

2 CNN接觸力分析研究

由上文虛擬樣機仿真可以得到在不同工況下斷路器手車接觸力,在此基礎上需要對不同工況下力-位曲線進行工況匹配,以實現(xiàn)在得到接觸力信息的基礎上進行工況匹配,完成對斷路器手車的預檢。由此引入1D-CNN模型。

2.1 診斷數(shù)據(jù)構建

在運用虛擬樣機構建訓練數(shù)據(jù)時,由于數(shù)據(jù)仿真過程極為復雜需要運行大量數(shù)據(jù)計算,因此每一次數(shù)據(jù)仿真都需要大量時間。而神經(jīng)網(wǎng)絡模型訓練時一般需要每種分類下的樣本數(shù)量要達到上百數(shù)量級,因此需要對已仿真結果進行數(shù)據(jù)擴充。

常見樣本增強[12］方式有翻轉、縮放、窗口規(guī)整、窗口切片和增加噪聲?？紤]到本次樣本各工況之間的差異性,采用添加噪聲的方式對樣本數(shù)據(jù)進行增強。

(1)

其中,Xi為數(shù)據(jù)樣本中的數(shù)據(jù)點值,Xi, new為樣本增強后的數(shù)據(jù)值。對整體樣本添加高斯噪聲,增強樣本數(shù)量與魯棒性。

2.2 一維卷積神經(jīng)網(wǎng)絡模型

一維卷積神經(jīng)網(wǎng)絡[13］(OneDimensional Convolutional Neural Networks,1DCNN)是當前對時序數(shù)列數(shù)據(jù)分類廣泛使用的神經(jīng)網(wǎng)絡。1D-CNN主要包括多層卷積池、池化層和全連接層。在上文數(shù)據(jù)處理之后,直接將帶有標簽的數(shù)據(jù)傳入到神經(jīng)網(wǎng)絡中,所構建模型的輸入樣本記為X,其分類維度為4類,相關樣本數(shù)據(jù)參數(shù)如表1所示。

表1 樣本數(shù)據(jù)參數(shù)表

2.2.1 卷積層與池化層

卷積層的數(shù)學模型為:

(2)

池化層作用為對卷積層的輸出特征進行降維,本文搭建的神經(jīng)網(wǎng)絡在每個卷積層之后均搭建池化層,池化層數(shù)學模型為:

(3)

2.2.2 全連接層

輸入樣本在經(jīng)過卷積層與池化層之后,通過兩層全連接層進行工況分析,全連接層函數(shù)為:

(4)

式中,wl與μl分別為全連接層的權值矩陣和偏置向量,同時全連接層前面激活函數(shù)仍然為ReLU函數(shù),最后一層采用Softmax激活函數(shù)得到數(shù)據(jù)的分類結果。

2.3 網(wǎng)絡模型訓練流程

基于虛擬樣機的梅花觸頭接觸分析主要流程步驟如圖3所示。

圖3 接觸分析流程

將虛擬樣機仿真數(shù)據(jù)點集利用拉格朗日插值函數(shù)得到數(shù)據(jù)曲線,同時在曲線上增加高斯噪點使曲線產(chǎn)生擾動,在相同位移尺度下平均截取1 000個樣本點完成數(shù)據(jù)預處理。在1D-CNN中,每個種類采用70%的數(shù)據(jù)作為訓練集30%作為驗證集。將訓練集傳入三層卷積層并每一個卷積層之后對結果進行歸一化,同時Dropout參數(shù)設置為0.2隨機舍棄一些神經(jīng)網(wǎng)絡節(jié)點,之后進入池化層進一步減少特征點數(shù)量。當經(jīng)歷三層卷積與池化之后,數(shù)據(jù)進入到全連接層,對數(shù)據(jù)進行分類最終得到符合精度要求的網(wǎng)絡模型。

3 仿真實驗

3.1 仿真驗證

本文使用Workbench 2022版本為仿真軟件,在仿真分析中將子部數(shù)量分為兩個。其中第一個子部為施加預載荷包含重力、彈簧預載荷,同時為背板添加位移運動,滾輪在導軌中移動,但梅花觸頭不存在接觸。第二個子部梅花觸頭開始接觸并完成嚙合。在仿真完成后,添加位移運動力反應求解,導出嚙合過程力—位曲線。其中標準無誤差模型下,嚙合過程力—位曲線如圖4所示,在完全嚙合下力圍繞860 N上下波動。

圖4 仿真力—位曲線

3.2 聯(lián)合驗證

針對手車裝載時常見的四種一級工況,將工況轉化為仿真軟件邊界條件同時將其參數(shù)化,根據(jù)圖中范圍設定參數(shù)上下邊界,軟件將自動分配參數(shù)值,并仿真得到力—位曲線,如圖5所示為一級工況下選取一條數(shù)據(jù)的曲線。

圖5 各工況力—位曲線

圖6 模型訓練曲線

CNN結構參數(shù)為:輸入層卷積核大小為1×10,卷積層1的卷積核大小為32×3,卷積層2的卷積核大小為64×3,池化層窗口大小為2×2,每次滑動大小為2。全連接一層的大小為64×64,輸出層卷積核大小為64×4,最終輸出4種接觸狀態(tài)。

CNN模型訓練結果從最終結果圖可以看到隨著神經(jīng)網(wǎng)絡迭代次數(shù)的增加,測試集與驗證集準確率不斷提高,最終可達95%以上。訓練結果如表2所示。

表2 訓練結果

通過訓練結果可以得到由虛擬樣機仿真得到的數(shù)據(jù)可以通過一維卷積神經(jīng)網(wǎng)絡模型進行分類,并且驗證集準確率可以達到95.5%,為斷路器手車梅花出頭接觸分析提供了預檢方法。

4 結 論

隨著中置式開關柜大規(guī)模應用,斷路器手車自動化檢修成為各配電房、變電站的急迫需求,但由于斷路器手車所處結構空間封閉,人眼以及感應設備難以直接對后方零件直接進行監(jiān)測,且難以獲取異常情況斷路器手車數(shù)據(jù)樣本。所以本文通過三維模型與Workbench建立虛擬樣機,針對梅花觸頭模型特點,建立易于仿真計算的簡化觸頭模型,通過邊界條件參數(shù)化建立異常工況數(shù)據(jù)庫,通過理論計算與仿真數(shù)據(jù)證明仿真模型的有效性。將仿真數(shù)據(jù)通過一維卷積網(wǎng)絡訓練得到的模型結果表明通過虛擬樣機仿真數(shù)據(jù)進行斷路器手車預檢的可行性。