اقرأ في هذا المقال
ضرورة تشخيص الأعطال الهجينة الأولية للمحول الكهربائي
ترتبط حالة تشغيل محول الطاقة ارتباطاً وثيقاً بالتشغيل الموثوق لشبكة الطاقة، وأثناء وقت تشغيل المحول؛ قد يتسبب تيار الدائرة القصيرة والقوة الكهرومغناطيسية في إتلاف النقل والعطل الميكانيكي هو النوع الأكثر خطورة، حيث تنتج الأعطال الميكانيكية بشكل أساسي عن اللف أو اللب ومن الصعب التعرف عليه في مرحلته المبكرة، لذا؛ فإن الفشل الميكانيكي سيؤدي دائماً إلى خسارة اقتصادية كبيرة.
حيث تم بالفعل اقتراح العديد من طرق تشخيص أعطال المحولات، منها تحليل الغاز المذاب (DGA) واختبار الدفع المنخفض الجهد (LVI)، وهما قادران على تمييز نوع العيوب، ولكن لا يمكن تحديد موقع الخطأ، كما أن تحليل استجابة التردد (FRA)، لذلك؛ فإن لديه دقة تشخيص عالية، ولكن يلزم فصل لفات الجهد المنخفض أثناء عملية القياس في مفاعلة الدائرة القصيرة (SCR),
كما أنها قادرة على تحقيق قياس الخط الحي، وبالتالي يمكن للمحول الاستمرار في العمل أثناء إجراء القياس، لكن لا يمكن الحصول على موقع وفئة الفشل، وفي الآونة الأخيرة؛ فقد تم اقتراح تقنية النطاق الواسع الفائق (UWB) في مجال تشخيص أعطال المحولات الكهربائية، كما ويمكن الحصول على كل من موقع ونوع الفشل، وحالياً يمكن لهذا النهج فقط اكتشاف حالة اللف.
وعلاوة على ذلك، تحتاج هذه الطريقة إلى أجهزة إرسال واستقبال (UWB) وهوائي (Vivaldi) للقياس، مما سيزيد من تكلفة التشخيص، حيث جذب تحليل الاهتزاز اهتماماً كبيراً في مجال تشخيص الأعطال الميكانيكية لأنه من السهل تحقيقه ووصفه بقياس الخط الحي، وفي دراسات سابقة؛ فقد تم استخدام مستشعر (RFID) وطريقة “تحليل الاهتزاز” لتحقيق تشخيص غير تدخلي للخطأ والتنبؤ بالمحول بتكاليف منخفضة ودقة عالية.
بحيث يتم استخدام أداة “التشفير التلقائي” المكدسة لتقليل الضوضاء لتشخيص أعطال المحولات الكهربائية وأظهرت أداءً مرضياً؛ فهي تركز على تشخيص الخطأ الفردي، خاصةً عندما تحدث عدة أنواع من الأخطاء في وقت واحد، كما لا يمكنها تحقيق نتيجة مرضية.
وعلاوة على ذلك، تقوم كل هذه الطرق بتشخيص الأعطال بعد حدوث الخطأ، وبالتالي؛ فإن المحول قد تعرض للتلف بالفعل وتسبب في خسارة اقتصادية، لذلك تهدف هذه الورقة إلى إدراك تشخيص الخطأ عندما يكون الفشل في فترة الحضانة، وهو تشخيص الخطأ الأولي.
وفي هذه الفترة، لا يظهر الفشل أي تأثير على تشغيل المحول، لكن الفشل قد يتدهور بسرعة في الوقت التالي، مما يؤدي إلى إغلاق المحول، وبهذه الطريقة؛ فإنه يمكن إصلاح المحول قبل حدوث عطل خطير، كما ويمكن تقليل الخسارة الاقتصادية بشكل كبير.
مستشعر (RFID) الذي يعمل بالطاقة الشمسية
الشكل التالي (1) هو مستشعر (RFID)، والذي يعمل بالطاقة الشمسية والذي يستخدم لاكتساب إشارة الاهتزاز، وله نفس البنية الموجودة، حيث تم اعتماد منظم الجهد المنخفض للتسرب (TPS780180300DRVR)، وذلك لتحقيق الاستقرار في جهد الخرج للوحة الشمسية والمكثف الفائق.
وفي استراتيجية التصميم هذه؛ فإنه يتم استخدام (MSP430FR5964 MCU) لمعالجة الإشارات ولها سرعة كتابة سريعة يمكنها كتابة بيانات (64) كيلو بايت في غضون 4 مللي ثانية واستهلاكها للطاقة هو (118 μA MHz) في الوضع النشط، حيث يتم جمع إشارة الاهتزاز بواسطة مستشعر التسارع (ADXL372)، والذي يكون استهلاكه الحالي (22 μA) تحت جهد 2.5 فولت عند القياس، وهناك شريحة (RFID) هي شريحة نموذجية من طراز (Monza X-8K)، والتي يمكن الوصول إليها من خلال واجهة (I2C) وواجهة (UHF).
حيث يتم استخدام “قفص فاراداي”، والذي يتكون الجانب الداخلي من “راتنجات الايبوكسي”، وذلك لتقليل التداخل الكهرومغناطيسي في المستشعر، وفي الوقت نفسه؛ فإنه يمكنه أيضاً منع تلف مستشعر (RFID) بسبب جهد الحث.
آلة (Boltzmann) المقيدة
تم تصميم نموذج (DBN) بواسطة آلة “بولتزمان” المقيدة (RBM) عبر مبدأ تدريب طبقي، بحيث يتكون نموذج (RBM) من طبقتين بما في ذلك الطبقة المرئية (v = {0، 1} ) (D) وطبقة مخفية (h = {0، 1} ) (K)، كما وتظهر بنية (RBM) في الشكل التالي، كذلك كل من الطبقة المرئية والمخفية تحتوي الطبقة على سلسلة من الوحدات، ويتم إدخال بيانات الإدخال في الطبقة المرئية. يتم تعريف تكوين الطاقة للطبقات على النحو التالي:
حيث:
(wpq): هو الوزن بين الوحدة المرئية (p) والوحدة المخفية (q).
[(cp) و (bq)]: هما مصطلح التحيز للوحدة المرئية (p) والوحدة المخفية (q) على التوالي.
الهيكل الخاص بـ (DBN)
بشكل عام، لا يمكن لمرحلة واحدة من الإدارة القائمة على النتائج تحقيق الأداء الأمثل لتعلم الميزات، وبالتالي؛ فإنه يتم تكديس العديد من أنظمة الإدارة القائمة على النتائج لتشكيل بنية عميقة لاستخراج الميزات جيداً.
كما أن الميزات المستخرجة بواسطة الإدارة القائمة على النتائج الأولى هي مدخلات إلى الإدارة القائمة على النتائج التالية، بحيث يوضح الشكل التالي عملية التدريب الكاملة لـ (DBN) النموذجي مع (RBM) على مرحلتين، كما وتحتوي العملية على تدريب مسبق وإجراء ضبط دقيق، وتستخدم طبقة الإخراج عموماً باستخدام مصنف (Softmax).
أثناء إجراء ما قبل التدريب، تتم معالجة بيانات الإدخال بواسطة (RBM) الأول ويتم التعرف على الميزات الخاصة، ثم يتم استخدام الميزات التي تم تعلمها كبيانات إدخال لـ (RBM) الثاني ويتم الحصول على ميزات (RBM) الثانية.
كما يتم تشغيل هذا الإجراء بهذه الطريقة بشكل متكرر، والميزات التي تم الحصول عليها بواسطة (RBM) الأخيرة هي الميزات المستخرجة في إجراء ما قبل التدريب، وبعد ذلك؛ فإنه يتم إدخال الميزات في طبقة مصنف (Softmax) للضبط الدقيق.
أيضاً يتم ضبط نموذج (DBN) المُدرَّب مسبقاً بواسطة مُصنف (Softmax) أثناء عملية الضبط الدقيق، بحيث يتم استخدام مصنف (Softmax) لتصنيف الميزات المستخرجة في عملية ما قبل التدريب وإنشاء تسميات الميزات، وبعد ذلك تتم مقارنة الملصقات التي تم إنشاؤها مع ملصق بيانات الإدخال ويتم استخدام آلية الانتشار العكسي لتقليل الخطأ بين هذين النوعين من الملصقات عن طريق تحديث الأوزان في (RBM).
وبعد الانتهاء من عملية الضبط الدقيق، يُعتقد أن الميزات المستخرجة بواسطة (RBM) الأخير الجديد هي الميزات التي تم تعلمها لنموذج (DBN)، حيث يعد معدل التعلم وطبقات (RBM) معطيات مهمة لنموذج (DBN)، مما سيؤثر بشكل كبير على أداء استخراج الميزات لـ (DBN)، كما تقدم خوارزمية (QPSO) السلوك الكمي في آلية التقارب لخوارزمية سرب الجسيمات.
وأخيراً يهدف نموذج (DBN) إلى الحصول على ميزات مختصرة وتمييزية من إشارات اهتزاز المحولات التي تحتوي على ضوضاء متنوعة ومكونات متناسقة وفيرة، كما يتم استخدام طيف غلاف (Hilbert) كبيانات إدخال لـ (DBN)، والتي تعد بأداء موثوق لاستخراج الميزات بالإضافة إلى أداء تشخيص الأخطاء.
بحيث تم تحسين بنية الطبقة المخفية ومعدل التعلم لـ (DBN)، وذلك من خلال نهج (QPSO) لضمان نتائج استخراج الميزات المثلى، حيث أثبتت النتائج التجريبية صحة فعالية النهج المقترح في ميزات التعلم من إشارات الخطأ الهجين، كما ويمكن أن تحقق الطريقة المقترحة دقة تشخيص الأخطاء بنسبة 99.8٪ للخطأ الأولي.
