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展有限公司,江蘇揚州 225006;3. 國網上海市電力公司 奉賢供電公司,上海 201499)

0 引 言

隨著中國經濟發展、工業化程度提高對電網提出了越來越高的要求,城市電網負擔不斷加重,需要加強供電的可靠性和穩定性。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,由于工作的環境多為高壓、密閉環境下,很容易出現過溫損壞。截止到2019年,全國國家電網中的開關柜大約為900 000面,且每年增長速度約為7.8%[1］。而電力系統中常見故障事件中,因開關柜發熱導致的供電事故占比高達42%[2］。每次電力系統的事故都會導致嚴重的后果。

開關柜發熱事故通常由柜內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觸頭點蝕,觸頭處接觸處電阻增大,運行環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)分類模型進行數據分類,從而對梅花觸頭狀態進行監測。黃勐哲[4］提出利用記憶合金對梅花觸頭溫度監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,實現對梅花觸頭狀態監控。

以上研究都可以改善中置式開關柜內的觸頭接觸問題,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。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據,實現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運維中的重要器件,應用于電站、工業系統、地鐵等多種類設施中,當部分電力設備出現問題時可以將故障部分從電力系統中分離出來,從而保證電力系統的安全。

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境中,所以難以對梅花觸頭進行監控。

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生形變,在實際運行環境中難以獲取多種類大數量的樣本。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聯合仿真,建立斷路器手車三維模型,利用ANSYS AIM插件將Workbench內置于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,便于后續網格繪制與仿真。建立模型材質、單元類型生成網格,創建約束并求解。利用虛擬樣機通過改變約束條件參數,實現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］。其中根據觸指數量分為不同種類,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徑差異較小,觸指在小范圍內擴張,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,兩片觸片之間不產生分離現象,且運動規律一致,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,凹槽是網格劃分的難點,但在此模型中彈簧力不再采用傳統彈簧拉伸產生(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。

原模型徑向力由環形彈簧拉伸所產生,在Workbench中提供了一種Combin14彈簧單元[11］,選擇彈簧兩端連接位置,設定剛度系數與預緊力,軟件根據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,對原有模型不產生任何空間約束行為。原有梅花觸頭共有四個環形彈簧,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。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生梅花觸頭徑向拉力,相對移動靜觸頭端背板實現嚙合。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。根據工況劃分,利用Workbench參數化設計,分別將靜觸頭X、Y軸方向位移,繞X、Y軸角度,彈簧剛度系數參數化每次僅將單一變量設置為參數進行仿真,得到可變范圍內仿真結果,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 診斷數據構建

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

常見樣本增強[12］方式有翻轉、縮放、窗口規整、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據進行增強。

(1)

其中,Xi為數據樣本中的數據點值,Xi, new為樣本增強后的數據值。對整體樣本添加高斯噪聲,增強樣本數量與魯棒性。

2.2 一維卷積神經網絡模型

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

表1 樣本數據參數表

2.2.1 卷積層與池化層

卷積層的數學模型為:

(2)

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

(3)

2.2.2 全連接層

輸入樣本在經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仍然為ReLU函數,最后一層采用Softmax激活函數得到數據的分類結果。

2.3 網絡模型訓練流程

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

將虛擬樣機仿真數據點集利用拉格朗日插值函數得到數據曲線,同時在曲線上增加高斯噪點使曲線產生擾動,在相同位移尺度下平均截取1 000個樣本點完成數據預處理。在1D-CNN中,每個種類采用70%的數據作為訓練集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參數設置為0.2隨機舍棄一些神經網絡節點,之后進入池化層進一步減少特征點數量。當經歷三層卷積與池化之后,數據進入到全連接層,對數據進行分類最終得到符合精度要求的網絡模型。

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化,根據圖中范圍設定參數上下邊界,軟件將自動分配參數值,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據的曲線。

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。

CNN模型訓練結果從最終結果圖可以看到隨著神經網絡迭代次數的增加,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據可以通過一維卷積神經網絡模型進行分類,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測,且難以獲取異常情況斷路器手車數據樣本。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,通過邊界條件參數化建立異常工況數據庫,通過理論計算與仿真數據證明仿真模型的有效性。將仿真數據通過一維卷積網絡訓練得到的模型結果表明通過虛擬樣機仿真數據進行斷路器手車預檢的可行性。