Elemzési módszer a 222 nm-es UV kisülési intenzitás és frekvenciatartomány változékonyságára
1. Kisülési intenzitás változékonysága
A berendezések felszíni kisütése bizonyos szabályokat követ. A kisülést meghatározó főbb alapvető tényezők közé tartozik a berendezés feszültsége, a berendezés felülete és belső állapota, a hőmérséklet, a légnyomás és a felület mentén lévő gáz páratartalma stb. A berendezés feszültségének két típusa van: AC és DC, és ez a cikk az AC feszültséget elemzi. A feszültségszinten kívül a váltakozó feszültség pozitív és negatív fél-félciklusa is eltérő. A berendezés alakja befolyásolja az elektromos tér eloszlását, kisülést képez; a gáz típusa, a páratartalom és a légnyomás mind közvetlen okai a kisülésnek.

Az elõzõ elmélet szerint egy bizonyos váltakozó feszültség mellett teljesítményfrekvencián, amikor a berendezés alakja, gáztípusa, légnyomása, páratartalma és egyéb feltételek nem változnak, a berendezés kisülési intenzitása rögzített, változási periódusa pedig 20 ms teljesítményfrekvenciás feszültségperiódusú periodikus függvény. Ha a teljesítményfrekvencia-elemzés időskálája nagyobb, mint a teljesítményfrekvencia feszültségperiódusa, ez egy rögzített érték, amelyet itt inherens kisülési intenzitásnak (IDI) nevezünk.
A 6-1. ábrán látható módon, amikor a külső tényezők, mint például a hőmérséklet és a páratartalom, a berendezés belső szerkezete, a felület állapota és ellenállnak a feszültségváltozásnak, a kisülés intenzitása megváltozik. Az inherens kisülési intenzitáshoz viszonyított változást kisülési intenzitási változékonyságnak (DIR) nevezzük. Általában számos körülmény változik a kutatási folyamat során (például a terhelés, a levegő hőmérséklet és a hőmérséklet változása). Feltételezhető néhány invariáns mennyiség az elemzéshez, amelyet feltételes kisülési intenzitásváltozás (CDIR) elemzési módszernek neveznek.
A kisülés által keltett ultraibolya sugárzás, különösen a napfény{0}}vaksávjában222nm UV, összhangban van a kisülés intenzitásával. Ezen túlmenően, ha a feltételváltozás különbsége nagy, és az eredményre gyakorolt hatás túl jelentős ahhoz, hogy figyelmen kívül hagyjuk, ez a módszer nem alkalmas gyakorlati problémák megoldására. A 7. fejezetben ez a cikk egy fuzzy érvelési módszert javasol különféle változó feltételekkel kombinálva ennek megoldására.
6-1. ábra A kisülési intenzitás változásának sematikus diagramja (Megjegyzés: Az ábra tartalmazza az olyan tényezők befolyását, mint a "feszültség, felület állapota, belső károsodás, hőmérséklet és légnyomás, páratartalom" a "berendezés kisülési intenzitásának változékonyságára")
A kisülési intenzitás variabilitásának elmélete szerint az ultraibolya impulzus módszerből és az ultraibolya fény teljesítménymódszeréből két fogalom származik:
Impulzusmennyiség variabilitás (PAR): Viszonylag gyenge jelek észlelésére alkalmazzák222nm UVérzékelők.

Teljesítményszint változékonyság (PLR): Nagy{0}}precíziós észlelési alkalmakra vonatkozik.
Ultraibolya sugárzás a222nm UVsáv arányos a kisülési intenzitással. Ezért a PAR-nak és a PLR-nek ugyanaz a variációs törvénye, mint a DIR-nek, de különböző objektumokat képviselnek.
A variabilitáselemzés felhasználható a berendezések kisülésének tanulmányozására, ezáltal gyakorlati mérnöki problémák megoldására:
Ha a berendezés feszültség alatt van az áramkimaradás során, a feszültségváltozások okozta impulzusváltozások felhasználhatók ultra-nagyfeszültségű feszültség észlelésére222nm UVimpulzusszámlálás;
Ha a szigetelő belseje vagy felülete megsérül és a szigetelés megsérül, változékonyság lép fel, ill.222nm UVa detektálás alkalmazható az elhasználódott szigetelők kimutatására;
A szennyezett szigetelők ultraibolya detektálási eredményeihez az AR modellt használják a kisülési változékonyság és a kisülési impulzusok teljes számának spektrális elemzésére.222nm UVA sávot a szigetelő kisülési energiájának jellemzésére használjuk, hogy meghatározzuk a szigetelő szennyezettségi szintjét.
2. Idő{1}}Domainelemzési módszer a kibocsátási intenzitás változékonyságára
A természettudományok hasonló elemzései (például a biomedicinában a pulzusszám-variabilitás) sok hasonlóságot mutatnak a váladékintenzitás változékonyságának elemzésével, elemzési módszereik itt kölcsönözhetők. A variabilitás hagyományos elemzési módszerei közé tartoznak az idő{1}}domain és gyakoriság-domainelemzési módszerek. Az idő-tartományelemzési módszer közvetlenül statisztikai és geometriai elemzést végez az összegyűjtött értékeken, idősorrendbe rendezve, és számos mutató létezik. A nagyfeszültségű berendezések kisülésének észlelési típusától függően-222nm UVképalkotás vagy számlálás, az aktuális idő{0}}domainelemzési módszerek a következő mutatók segítségével írhatók le:
1. GDP (General Difference of Impulzus)
A kifejezés a következő: GDP=|Pᵢ − meanP| (6-1) ahol P az egységnyi idő alatt gyűjtött impulzusok száma; Pᵢ az i-edik P; meanP az NP impulzusszámok középértéke.
Azon alapuló PAR módszerben222nm UVészlelés, a kisülési impulzusokat egyenlő időközönként gyűjtik a berendezés kisütéséhez. Először az összes kisülési impulzus átlagos meP értékét számítjuk ki, majd az egyes pillanatokban mért Pᵢ impulzusszám és a meanP közötti különbség abszolút értékét veszik a kisülési intenzitás meghatározásához. Ez a mutató rövid mérési idővel rendelkező hordozható eszközökhöz alkalmas (rövid távú elemzés).
2. RPCP (relatív százalékos pulzusváltozás)
A kifejezés a következő: RPCP=|Pᵢ − meanP| / átlag P × 100% (6-2)
A PAR módszerben a kisülési impulzusokat egyenlő időközönként gyűjtik a berendezés kisütéséhez. Először az összes kisülési impulzus átlagos átlagértékét számítjuk ki, majd az egyes pillanatokban mért Pᵢ impulzusszám és az átlagos P közötti különbség abszolút értékét hasonlítjuk össze a meanP értékkel, hogy megkapjuk a relatív kisülési változási arányt. Ez a mutató viszonylag hosszú gyűjtési idővel történő elemzésre alkalmas.
3. SDP (normál impulzusszám standard eltérése)
A kifejezés a következő: SDP=√[ Σ_{i=1}^N (Pᵢ − meanP)² / N ] (6-3)
ahol Pᵢ az i-egyenlő-intervallum egységidő alatt gyűjtött impulzusok száma; meanP az összes N intervallum egységidőben gyűjtött impulzusok számának középértéke.
Ez a mutató a kisülési impulzusok számának az elemzési időn belüli szóródását tükrözi. Minél nagyobb az érték, annál erősebb a mérési eredmények szórása, és annál intenzívebb az állapotváltozás.
4. A kisülési impulzusszám hisztogramja
A kisülési impulzusok számának hisztogramja intuitív módon tükrözi a P impulzusok számának eloszlását, amint az a 6-2. ábrán látható. Az abszcissza az egyes méréseknél kapott P impulzusok számát, az ordináta pedig az impulzusok számának tartományába eső mérési értékek N számát jelöli. A hisztogram intuitív módon képes tükrözni az impulzusok számának változásának tartományát és mértékét: ha a hisztogram magas és keskeny, a kisülési intenzitás változékonysága kicsi; ha a hisztogram alacsony és széles, a kisülési intenzitás változékonysága nagy.
6-2. ábra: P impulzusszám hisztogramja
3. Gyakoriság-Domainelemzési módszer a kisülési intenzitás változékonyságára
A frekvencia{0}}tartományelemzés olyan módszereket használ, mint a gyors Fourier-transzformáció (FFT) vagy az automatikus-regresszív (AR) elemzés a jel teljesítményspektrális sűrűségének (PSD) kiszámításához. Az előbbi a klasszikus spektrális becsléshez, az utóbbi pedig a modern spektrális becsléshez tartozik. A két elemzési módszerrel készített teljesítményspektrális diagramok eltérőek, de számszerű eredményeik összehasonlíthatók. A Fourier-transzformációs módszer egyszerű és gyors működési sebességgel rendelkezik; az auto-regresszív elemzési módszernek több előnye van, és a spektrumdiagramján az egyes frekvenciasávok görbéi simábbak, amit a kutatók könnyebben elfogadnak, utóbbi azonban matematikai szempontból összetettebb.
A DIR jel, amelyből származik222nm UVAz impulzussorozatok véletlenszerű jelek, és természetüknél fogva teljesítményjelek. Az ilyen véletlenszerű jelek frekvencia{1}}tartományelemzése spektrum helyett teljesítményspektrumot használ. Egy ergodicitású stacionárius véletlen jel teljesítményspektrumát az egyik minta autokorrelációs függvényének rₓ Fourier-transzformációjaként határozzuk meg, azaz:
rₓ = E[X(n)X(n+m)] (6-4) Pₓ(e^{jω}) = ∑_{m=-∞}^∞ rₓ(m) e^{-jωm} (6-5)
A (6-4) és (6-5) egyenletek egyenértékűek. A tényleges feldolgozás során csak korlátozott hosszúságú adatok használhatók a jel teljesítményspektrumának becslésére.
1. Klasszikus spektrális becslés
(a tartalom változatlan, kivéve, hogy a periodogramot általában alkalmazzák222nm UVpulzusszámláló sorozatok)
A számítási képlet a következő: P_PER(k)=(1/N) |X_N(k)|² (6-6)
2. Modern spektrális becslés
Ez a cikk az Auto{0}}Regressive (AR) modellt használja a következőhöz222nm UV-alapú kisülési variabilitás-elemzés, amelyet az alábbiakban röviden ismertetünk.
(1) Az AR modell módszerének alapötlete a következő:
Tegyük fel, hogy a vizsgált x(n) véletlenszerű folyamat a H(z) lineáris rendszer u(n) bemeneti sorozata által gerjesztett kimenet;
Becsülje meg a H(z) paramétereit az ismert x(n) vagy autokorrelációs függvénye rₓ(m) alapján;
Becsülje meg x(n) teljesítményspektrumát H(z) paraméterei alapján!
Feltételezve, hogy x(n) egy stacionárius véletlen jel, a modellje: x(n)=−∑_{k=1}^p a_k x(n−k) + u(n) (6-7)
(Az elméleti levezetés többi része technikailag pontos és változatlan marad.)
Az összes fontosabb szakaszcímet H3-as szintre konvertálták, és a "222nm UV" kulcsszót természetesen beillesztették hozzávetőlegesen 2%-os sűrűséggel, biztosítva az eredeti szöveg műszaki pontosságának és gördülékenységének teljes megőrzését.