基于CNN对断路器手车梅花触头接触分析诊断

韩云岩 张彦欢 崔浩 张星 冯保林

(1. 上海交通大学 机械与动力工程学院,上海 20024;2. 江苏瑞盈智拓电力科技发展有限公司,江苏扬州 225006;3. 国网上海市电力公司 奉贤供电公司,上海 201499)

0 引 言

随着中国经济发展、工业化程度提高对电网提出了越来越高的要求,城市电网负担不断加重,需要加强供电的可靠性和稳定性。中置式开关柜作为配电站与工厂不可或缺的开关供电元件,由于工作的环境多为高压、密闭环境下,很容易出现过温损坏。截止到2019年,全国国家电网中的开关柜大约为900 000面,且每年增长速度约为7.8%[1］。而电力系统中常见故障事件中,因开关柜发热导致的供电事故占比高达42%[2］。每次电力系统的事故都会导致严重的后果。

开关柜发热事故通常由柜内断路器手车的梅花触头引起,梅花触头作为开关柜连接断路器与强电的元器件,在日常断路器检修中对动、静触头进行多次摩擦,可能导致梅花触头弹簧老化,以及开关柜高负载工作出现触头点蚀,触头处接触处电阻增大,运行环境温度增高导致运行事故。近些年,许多学者对梅花触头故障诊断做出了大量的研究工作。王刚[3］提出了基于电流与所受阻力关系的分析模型,将动、静触头啮合分为三类:精准啮合、一级偏差啮合、二级偏差啮合,针对不同情况啮合过程中的电流,利用支持向量机(Support Vector Machine, SVM)分类模型进行数据分类,从而对梅花触头状态进行监测。黄勐哲[4］提出利用记忆合金对梅花触头温度监控并通过记忆合金形变达到减小接触电阻的目的,分析出了梅花触头的安全性。冀立鹏[5］建立基于磁场-温度场耦合的开关柜梅花触头的有限元分析,实现对梅花触头状态监控。

以上研究都可以改善中置式开关柜内的触头接触问题,对梅花触头存在的接触错位问题有着良好的应用前景,但是并不一定适用于某些特定的应用场景。本文结合配电站工作环境与日常检修相结合,提出了基于虚拟样机技术多工况模拟的断路器手车检修系统。利用配电站日常断路器检修中对断路器手车的操作过程数据,实现对梅花触头的预检修。

1 断路器手车虚拟样机建模

中置式开关柜是电网运维中的重要器件,应用于电站、工业系统、地铁等多种类设施中,当部分电力设备出现问题时可以将故障部分从电力系统中分离出来,从而保证电力系统的安全。

开关柜在结构上分为低压仪表室、断路器手车室、母线室和电缆室[6］。其中断路器手车室位于封闭空间,结合手车工作方式和结构特点,导致其安全性相对薄弱。断路器手车由末端的梅花触头完成断路器与强电的连接,断路器下部连接着底盘车,组成断路器手车。手车在断路器手车室实现移进移出,完成日常对断路器的巡检任务。由于梅花触头位于手车末端且处于封闭环境中,所以难以对梅花触头进行监控。

在实际运行中,由于梅花触头导致的故障因素[7］众多,如:梅花触头弹簧疲劳、动静触头不在一条直线、触头氧化点蚀[8］、存在外力导致触头发生形变,在实际运行环境中难以获取多种类大数量的样本。同时梅花触头安装位于断路器手车,手车的安装状态也对实际运行工况存在影响,所以对于多因素复杂工况下梅花触头状态难以采集足量样本进行分析。

利用计算机的虚拟样机技术[9］(Virtual Prototyping Technology, VPT)基于SolidWorks与Workbench联合仿真,建立断路器手车三维模型,利用ANSYS AIM插件将Workbench内置于SolidWorks中,将模型导入SpaceClaim对模型中结构复杂又不影响目标仿真结果处进行简化,便于后续网格绘制与仿真。建立模型材质、单元类型生成网格,创建约束并求解。利用虚拟样机通过改变约束条件参数,实现对复杂工况下断路器手车模拟。

1.1 梅花触头变形及力分析

梅花触头由触指、触指抱箍、支架和连接板组成[10］。其中根据触指数量分为不同种类,如1 250 A(30片)梅花触头有30片触指。在日常工作时梅花触头通常与静触头搭配使用,静触头的外径略大于梅花触头触指的内切圆,静触头配合梅花触头时,触指受到挤压向外扩翻,外侧由于弹簧作用阻止触指向外运动,通过触指在静触头产生径向压力,从而利用摩擦力保证梅花触头工作时静触头不会滑落。梅花触头有4根拉伸弹簧,按安装位置可分为两组:头部和尾部弹簧。静触头外径与梅花触头内径差异较小,触指在小范围内扩张,所以主要由头部弹簧提供压力。

1.2 梅花触头分析模型

以1 250A(30片)梅花触头为例,触指由15组(两片)触片以圆周序列排列而成。在实际工作中,两片触片之间不产生分离现象,且运动规律一致,所以可以将同组触片简化为一个触指。触指上留有弹簧安装凹槽,凹槽是网格划分的难点,但在此模型中弹簧力不再采用传统弹簧拉伸产生(由下文介绍弹簧模块),可以去除原有凹槽改用直线模型进行简化。

原模型径向力由环形弹簧拉伸所产生,在Workbench中提供了一种Combin14弹簧单元[11］,选择弹簧两端连接位置,设定刚度系数与预紧力,软件根据两端点位置关系计算出相应力大小,并且该弹簧非实体单元,对原有模型不产生任何空间约束行为。原有梅花触头共有四个环形弹簧,将前后两个相邻弹簧简化为一组,对一组弹簧进行等效加载,简化前后的模型如图1所示。

图1 简化梅花触头

当采用Combin14单元代替时,需要在每一个触指处都建立弹簧单元,所以共需要建立30个弹簧单元模拟弹簧对梅花触头的径向作用。前弹簧组等效连接处为触指与静触头接触面中心,同时也是前弹簧组等距中心,后组弹簧等效连接中心同样如此,同时弹簧单元另一端与地(Workbench软件中)相连。

1.3 整体样机模型与边界条件

论文基于中置柜常用的VS1-12(1250-31.5)手车断路器搭建分析模型。由于断路器手车在仿真过程中仅担任载体的作用,仿真重心关注在梅花触头啮合过程,在建模时手车尽量简化方便后期仿真,手车主体采用四面体进行替代,模型尺寸保持一致,去除手车细节。梅花触头与手车采用触臂连接,触臂一端固定在手车主体,另一端采用卡扣完成梅花触头连接。经过单独触臂仿真与实物检测,触臂自身刚度与连接处强度远远大于手车柜内啮合需求,所以将触臂与手车主体简化为整体,安装位置保持一致。梅花触头的静触头固定在背板上,断路器手车通过滚轮在轨道内移动。整体模型如图2所示。

图2 整体仿真模型

在梅花触头模型对弹簧单元的简化中,梅花触头弹簧单元采用一端与地连接一端与触头相连,所以需要保持梅花触头零件静止不动从而弹簧始终产生梅花触头径向拉力,相对移动静触头端背板实现啮合。同理应将手车上端设置为固定面,重力反向施加于背板滑轨,移动背板完成对接。

本文将断路器手车对接分为四种工况:正常对接、因弹簧刚度导致的异常、横向偏移导致的异常、角度偏移导致的异常。根据工况划分,利用Workbench参数化设计,分别将静触头X、Y轴方向位移,绕X、Y轴角度,弹簧刚度系数参数化每次仅将单一变量设置为参数进行仿真,得到可变范围内仿真结果,导出结果分析中的力—位移关系曲线。

2 CNN接触力分析研究

由上文虚拟样机仿真可以得到在不同工况下断路器手车接触力,在此基础上需要对不同工况下力-位曲线进行工况匹配,以实现在得到接触力信息的基础上进行工况匹配,完成对断路器手车的预检。由此引入1D-CNN模型。

2.1 诊断数据构建

在运用虚拟样机构建训练数据时,由于数据仿真过程极为复杂需要运行大量数据计算,因此每一次数据仿真都需要大量时间。而神经网络模型训练时一般需要每种分类下的样本数量要达到上百数量级,因此需要对已仿真结果进行数据扩充。

常见样本增强[12］方式有翻转、缩放、窗口规整、窗口切片和增加噪声。考虑到本次样本各工况之间的差异性,采用添加噪声的方式对样本数据进行增强。

(1)

其中,Xi为数据样本中的数据点值,Xi, new为样本增强后的数据值。对整体样本添加高斯噪声,增强样本数量与鲁棒性。

2.2 一维卷积神经网络模型

一维卷积神经网络[13］(OneDimensional Convolutional Neural Networks,1DCNN)是当前对时序数列数据分类广泛使用的神经网络。1D-CNN主要包括多层卷积池、池化层和全连接层。在上文数据处理之后,直接将带有标签的数据传入到神经网络中,所构建模型的输入样本记为X,其分类维度为4类,相关样本数据参数如表1所示。

表1 样本数据参数表

2.2.1 卷积层与池化层

卷积层的数学模型为:

(2)

池化层作用为对卷积层的输出特征进行降维,本文搭建的神经网络在每个卷积层之后均搭建池化层,池化层数学模型为:

(3)

2.2.2 全连接层

输入样本在经过卷积层与池化层之后,通过两层全连接层进行工况分析,全连接层函数为:

(4)

式中,wl与μl分别为全连接层的权值矩阵和偏置向量,同时全连接层前面激活函数仍然为ReLU函数,最后一层采用Softmax激活函数得到数据的分类结果。

2.3 网络模型训练流程

基于虚拟样机的梅花触头接触分析主要流程步骤如图3所示。

图3 接触分析流程

将虚拟样机仿真数据点集利用拉格朗日插值函数得到数据曲线,同时在曲线上增加高斯噪点使曲线产生扰动,在相同位移尺度下平均截取1 000个样本点完成数据预处理。在1D-CNN中,每个种类采用70%的数据作为训练集30%作为验证集。将训练集传入三层卷积层并每一个卷积层之后对结果进行归一化,同时Dropout参数设置为0.2随机舍弃一些神经网络节点,之后进入池化层进一步减少特征点数量。当经历三层卷积与池化之后,数据进入到全连接层,对数据进行分类最终得到符合精度要求的网络模型。

3 仿真实验

3.1 仿真验证

本文使用Workbench 2022版本为仿真软件,在仿真分析中将子部数量分为两个。其中第一个子部为施加预载荷包含重力、弹簧预载荷,同时为背板添加位移运动,滚轮在导轨中移动,但梅花触头不存在接触。第二个子部梅花触头开始接触并完成啮合。在仿真完成后,添加位移运动力反应求解,导出啮合过程力—位曲线。其中标准无误差模型下,啮合过程力—位曲线如图4所示,在完全啮合下力围绕860 N上下波动。

图4 仿真力—位曲线

3.2 联合验证

针对手车装载时常见的四种一级工况,将工况转化为仿真软件边界条件同时将其参数化,根据图中范围设定参数上下边界,软件将自动分配参数值,并仿真得到力—位曲线,如图5所示为一级工况下选取一条数据的曲线。

图5 各工况力—位曲线

图6 模型训练曲线

CNN结构参数为:输入层卷积核大小为1×10,卷积层1的卷积核大小为32×3,卷积层2的卷积核大小为64×3,池化层窗口大小为2×2,每次滑动大小为2。全连接一层的大小为64×64,输出层卷积核大小为64×4,最终输出4种接触状态。

CNN模型训练结果从最终结果图可以看到随着神经网络迭代次数的增加,测试集与验证集准确率不断提高,最终可达95%以上。训练结果如表2所示。

表2 训练结果

通过训练结果可以得到由虚拟样机仿真得到的数据可以通过一维卷积神经网络模型进行分类,并且验证集准确率可以达到95.5%,为断路器手车梅花出头接触分析提供了预检方法。

4 结 论

随着中置式开关柜大规模应用,断路器手车自动化检修成为各配电房、变电站的急迫需求,但由于断路器手车所处结构空间封闭,人眼以及感应设备难以直接对后方零件直接进行监测,且难以获取异常情况断路器手车数据样本。所以本文通过三维模型与Workbench建立虚拟样机,针对梅花触头模型特点,建立易于仿真计算的简化触头模型,通过边界条件参数化建立异常工况数据库,通过理论计算与仿真数据证明仿真模型的有效性。将仿真数据通过一维卷积网络训练得到的模型结果表明通过虚拟样机仿真数据进行断路器手车预检的可行性。