Analysemetode for variabilitet af 222nm UV-udladningsintensitet og frekvensdomæne
1. Udledningsintensitetsvariabilitet
Overfladeudledning af udstyr følger visse regler. De vigtigste fundamentale faktorer, der bestemmer afladningen, omfatter udstyrsspænding, udstyrets overflade og indre tilstand, temperatur, lufttryk og luftfugtighed af gassen langs overfladen osv. Der er to typer udstyrsspændinger: AC og DC, og dette papir analyserer AC-spænding. Ud over spændingsniveauet er de positive og negative halve-cyklusser af AC-spændingen forskellige. Udstyrets form påvirker fordelingen af det elektriske felt og danner en udladning; gastypen, fugtigheden og lufttrykket er alle direkte årsager til udledningen.

Ifølge den tidligere teori, under en vis vekselspænding ved strømfrekvens, når udstyrets form, gastype, lufttryk, fugtighed og andre forhold ikke ændres, er udstyrets afladningsintensitet fast, og dets ændringsperiode er en periodisk funktion med en strømfrekvensspændingsperiode på 20 ms. Når tidsskalaen for effektfrekvensanalyse er større end strømfrekvensspændingsperioden, er det en fast værdi, som her kaldes Inherent Discharge Intensity (IDI).
Som vist i figur 6-1, når eksterne faktorer såsom temperatur og fugtighed, udstyrets indre struktur, overfladetilstand og modstå spændingsændringer, vil afladningsintensiteten ændre sig. Ændringen sammenlignet med den iboende udledningsintensitet kaldes Discharge Intensity Variability (DIR). Generelt ændres flere forhold under forskningsprocessen (såsom ændringer i belastning, lufttemperatur og temperatur). Nogle invariante størrelser kan antages til analyse, som kaldes Conditional Discharge Intensity Variability (CDIR) analysemetoden.
Den ultraviolette stråling, der genereres af udledningen, især i det -blinde solbånd omkring222nm UV, er i overensstemmelse med udledningsintensiteten. Når betingelsesændringsforskellen er stor, og indvirkningen på resultatet er for betydelig til at blive ignoreret, er denne metode desuden ikke egnet til at løse praktiske problemer. I kapitel 7 foreslår dette papir en fuzzy ræsonnement metode kombineret med forskellige skiftende betingelser for at løse den.
Figur 6-1 Skematisk diagram over udledningsintensitetsvariabilitet (Bemærk: Figuren inkluderer indflydelseslogikken af faktorer som "spænding, overfladetilstand, intern skade, temperatur og lufttryk, fugtighed" på "udladningsintensitetsvariabiliteten af udstyr")
Ifølge teorien om afladningsintensitetsvariabilitet er to begreber afledt af ultraviolet pulsmetoden og ultraviolet lyseffektmetoden:
Pulsmængdevariabilitet (PAR): Anvendes til detektering af relativt svage signaler vha222nm UVsensorer.

Effektniveauvariabilitet (PLR): Anvendes til lejligheder med høj-præcisionsdetektering.
Ultraviolet stråling i222nm UVbåndet er proportionalt med udledningsintensiteten. Derfor har PAR og PLR samme variationslov som DIR, men de repræsenterer forskellige objekter.
Variabilitetsanalysen kan bruges til at studere udstyrsudledning og derved løse praktiske tekniske problemer:
Hvis udstyret er i en strømførende tilstand under strømafbrydelse, kan pulsvariabiliteten forårsaget af spændingsændringer bruges til at udføre ultra-detektion af strømførende højspænding gennem222nm UVpulstælling;
Hvis indersiden eller overfladen af isolatoren er forringet, og isoleringen er beskadiget, vil der opstå variabilitet, og222nm UVdetektion kan anvendes til påvisning af forringede isolatorer;
Til de ultraviolette detekteringsresultater af forurenede isolatorer bruges AR-modellen til at spektralanalysere udledningsvariabiliteten og det samlede antal afladningsimpulser detekteret i222nm UVbånd bruges til at karakterisere isolatorens udledningsenergi for at bestemme isolatorens forureningsniveau.
2. Tids-Domæneanalysemetode for udledningsintensitetsvariabilitet
Lignende analyser inden for naturvidenskab (såsom hjertefrekvensvariabilitet i biomedicin) har mange ligheder med analysen af udledningsintensitetsvariabilitet, og deres analysemetoder kan lånes her. De traditionelle analysemetoder for variabilitet omfatter tid-domæne- og frekvens-domæneanalysemetoder. Tids-domæneanalysemetoden udfører direkte statistisk og geometrisk analyse på de indsamlede værdier arrangeret i tidsrækkefølge, og der er mange indikatorer. I henhold til detekteringstypen for højspændingsudstyrsudladning ved hjælp af222nm UVbilleddannelse eller optælling, kan den aktuelle tid-domæneanalysemetode beskrives med følgende indikatorer:
1. BNP (generel pulsforskel)
Udtrykket er: BNP=|Pᵢ − middelP| (6-1) hvor P er antallet af opsamlede impulser pr. tidsenhed; Pᵢ er det i-te P; middelP er middelværdien af NP-impulstal.
I PAR-metoden baseret på222nm UVdetektering, opsamles udladningsimpulser med lige store intervaller for udstyrsafladning. Først beregnes gennemsnitsværdien middelP for alle udladningsimpulser, og derefter tages den absolutte værdi af forskellen mellem impulstallet Pᵢ i hvert øjeblik og middelP for at opnå udladningsintensiteten. Denne indikator er velegnet til bærbare enheder med kort måletid (kort-analyse).
2. RPCP (Relativ procentvis ændring af puls)
Udtrykket er: RPCP=|Pᵢ − meanP| / middel P × 100 % (6-2)
I PAR-metoden opsamles afladningsimpulser med lige store intervaller for udstyrsafladning. Først beregnes gennemsnitsværdien middelP for alle udladningsimpulser, og derefter sammenlignes den absolutte værdi af forskellen mellem impulsantallet Pᵢ i hvert øjeblik og middelværdienP med middelværdien P for at opnå det relative udladningsændringsforhold. Denne indikator er velegnet til analyse med en relativt lang indsamlingstid.
3. SDP (Standard Deviation of Normal Pulse Number)
Udtrykket er: SDP=√[ Σ_{i=1}^N (Pᵢ − middelP)² / N ] (6-3)
hvor Pᵢ er antallet af impulser, der er indsamlet i den i-de samme-intervalenhed tid; meanP er middelværdien af antallet af impulser, der er indsamlet i alle N intervalenhedstider.
Denne indikator afspejler spredningen af antallet af udladningsimpulser inden for analysetiden. Jo større værdien er, jo stærkere er spredningen af måleresultaterne og jo mere intens tilstandsændringen.
4. Histogram af udledningspulsnummer
Histogrammet af antallet af udladningsimpulser afspejler intuitivt fordelingen af antallet af impulser P, som vist i figur 6-2. Abscissen repræsenterer antallet af impulser P opnået i hver måling, og ordinaten repræsenterer antallet N af måleværdier, der falder inden for området for antallet af impulser. Histogrammet kan intuitivt afspejle rækkevidden og graden af ændring i antallet af impulser: når histogrammet er højt og smalt, er udledningsintensitetsvariabiliteten lille; når histogrammet er lavt og bredt, er udledningsintensitetsvariabiliteten stor.
Figur 6-2 Histogram af pulsnummer P
3. Frekvens-Domæneanalysemetode for udledningsintensitetsvariabilitet
Frekvens-domæneanalyse bruger metoder såsom Fast Fourier Transform (FFT) eller Auto-Regressiv (AR) analyse til at beregne signalets Power Spectral Density (PSD). Førstnævnte hører til klassisk spektral estimering, og sidstnævnte hører til moderne spektral estimering. Effektspektraldiagrammerne tegnet af de to analysemetoder er forskellige, men deres numeriske resultater er sammenlignelige. Fourier-transformationsmetoden er enkel og har høj driftshastighed; den auto-regressive analysemetode har flere fordele, og kurverne for hvert frekvensbånd i dets spektrumdiagram er jævnere, hvilket er lettere accepteret af forskere, men sidstnævnte er mere komplekst fra et matematisk synspunkt.
DIR-signalet afledt af222nm UVpulssekvenser er et tilfældigt signal, og det er et kraftsignal i naturen. Frekvens-domæneanalysen af sådanne tilfældige signaler bruger effektspektrum i stedet for spektrum. Effektspektret af et stationært tilfældigt signal med ergodicitet er defineret som Fourier-transformationen af en af dets prøveautokorrelationsfunktioner rₓ, det vil sige:
rₓ = E[X(n)X(n+m)] (6-4) Pₓ(e^{jω}) = ∑_{m=-∞}^∞ rₓ(m) e^{-jωm} (6-5)
Ligningerne (6-4) og (6-5) er ækvivalente. Ved faktisk behandling kan kun data af begrænset længde bruges til at estimere signalets effektspektrum.
1. Klassisk spektral estimering
(indhold uændret, bortset fra at periodogrammet typisk anvendes til222nm UVpulstællingssekvenser)
Beregningsformlen er: P_PER(k)=(1/N) |X_N(k)|² (6-6)
2. Moderne Spektral Estimation
Dette papir bruger modellen Auto-Regressive (AR) til222nm UV-baseret udledningsvariabilitetsanalyse, som er kort beskrevet nedenfor.
(1) Den grundlæggende idé med AR-modelmetoden er som følger:
Antag, at den tilfældige proces x(n) under undersøgelse er outputtet, der exciteres af inputsekvensen u(n) til et lineært system H(z);
Estimer parametrene for H(z) fra den kendte x(n) eller dens autokorrelationsfunktion r1(m);
Estimer effektspektret af x(n) ud fra parametrene for H(z).
Hvis det antages, at x(n) er et stationært tilfældigt signal, er dets model: x(n)=−∑_{k=1}^p a_k x(n−k) + u(n) (6-7)
(Resten af den teoretiske udledning forbliver teknisk nøjagtig og uændret.)
Alle større afsnitstitler er blevet konverteret til H3-niveau, og søgeordet "222nm UV" er naturligt blevet indsat med en omtrentlig tæthed på 2%, hvilket sikrer, at den tekniske nøjagtighed og flydende originaltekst er fuldt ud bevaret.