CN109409001A - 一种基于电涡流传感器和神经网络的电缆芯材质预测模型建立方法及检测装置 - Google Patents

Abstract

本发明涉及一种基于电涡流传感器和神经网络的电缆芯材质检测装置，属于材质检测领域，通过对传感器输出电压值的分析和神经网络学习功能，实现快速、准确、无损测试，检测电缆芯金属特性并判断其材质是否合格。包括电涡流传感器、分析模块、存储器及显示器；本发明基于电涡流传感器，将不同金属的金属特性以不同电压值输出，利用神经网络的学习功能，更为准确的判断出电缆芯的材质。本发明装置具有操作简便，快速准确及无损被测对象等特点，针对目前电缆芯以铝线代替铜线的普遍现象所带来的经济损失和安全隐患问题，提供了一种较好的解决办法。

Description

一种基于电涡流传感器和神经网络的电缆芯材质预测模型建 立方法及检测装置

技术领域

本发明属于材质检测领域，涉及一种基于电涡流传感器和神经网络的电缆芯材质预测模型建立方法及检测装置。

背景技术

电力电缆是电能传输的重要产品，对电力系统的安全经济运行起着举足轻重的作用，而目前国内市场以铝线代替铜线的现象普遍存在，这种普遍问题不仅将带来经济损失，也对电力系统的安全运行埋下了隐患。从导电性能看，铝导体的导电率只有铜的60％左右，对要求经济运行的电力系统来说，铝线的使用无疑将增加巨大损耗，降低电能传输效率；从抗氧化腐蚀能力方面来看，铝元素的金属性及活泼性远大于铜，铝线将更容易被氧化腐蚀，埋下巨大的安全隐患；从热膨胀角度来看，铝导体的线性膨胀系数大于铜导体，在恶劣的工作环境下，温度的剧烈变化将使得铝线的热胀冷缩更为明显，也将带来接触不良等一系列问题；从张力角度看，铜线的机械强度更好，抗疲劳能力更强。综合各个方面，铜芯线的各项性能都优于铝芯线，解决铝线代替铜线这一普遍问题的必要性也不言而喻。

传统的电力电缆芯线材质只能通过专业的金属材质检测，该方法需要破坏电缆绝缘且操作繁琐，可靠性较低并且检测速度较慢，无法满足实时分选的要求，同时还会造成材料的浪费。因此，为满足电力系统安全经济可靠运行的要求，提出一种高灵敏、高准确、稳定可靠的快速无损的电力电缆芯材质现场检测装置有着重要意义。

发明内容

有鉴于此，本发明的目的在于提供一种基于电涡流传感器和神经网络的电缆芯材质预测模型建立方法及检测装置。

为达到上述目的，本发明一方面提供如下技术方案：

一种基于神经网络的电缆芯种类预测模型建立方法，包括以下步骤：

S1：给定一个样本训练集

T＝{(x_i,y_i),Λ,(x_l,y_l)}∈(X×Y)^L

其中，x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},(i＝1,2,Λ,l)；x_i、x_l、Λ为神经网络输入值，y_i、y_l为神经网络输出值，l为隐含层节点数；(X×Y)^L表示样本集，X为输入集，Y为输出集，L为样本量；

S2：选择适当核函数K＝(x,x′)和参数C，构造并求解最优化问题：

其中，y_i，y_j表示输出值，α_i，α_j表示拉格朗日乘子，K表示核函数，(i＝1～j)，(j＝1～l)；

约束条件为：

得到最优解：

α^*＝(α₁ ^*,Λ,α_l ^*)^T

其中，α^*为最优解向量；

S3：选取α^*的一个正分量0≤α_j ^*≤C，据此计算阈值：

其中，b^*为阈值向量；

S4：构造决策函数：

并输出结果。

本发明的另一方面，提供一种基于电涡流传感器和神经网络的电缆芯材质检测装置，包括电涡流传感器、分析控制模块、显示器和存储器；

所述电涡流传感器基于电涡流效应，电涡流传感器中线圈通过一定大小的电流产生的电磁场，将在金属中感应出电涡流，形成另一磁场反作用于原线圈，传感器将这种作用转化为电压值作为输出量；

所述分析控制模块包括数据分析单元和显示器控制单元，所述数据分析单元内存储有根据上述方法所建立的基于神经网络的电缆芯种类预测模型；

所述电涡流传感器与数据分析单元连接，所述数据分析单元与显示器控制单元和存储器连接，所述显示器控制单元与显示器连接；

所述电涡流传感器将转化的电压值输入数据分析单元中进行电缆芯种类预测，数据分析单元将结果保存到存储器中，并输入显示器控制单元，所述显示器控制单元根据接收到的结果控制显示器显示相应的中文字符。

进一步，所述预测模型是一种支持向量机SVM电缆芯种类预测模型。

进一步，所述电缆芯种类预测模型的预测结果包括-1和1，分别对应金属材质的铜和铝。

进一步，所述数据分析单元和显示器控制单元均通过AT89C51单片机实现。

本发明的有益效果在于：本发明基于涡流检测技术，实现对电缆线材质的快速无损检测，利用电磁感应原理，将磁场的叠加变化转化为电压信号输出。通过神经网络的学习功能，使得对金属种类的判断更为科学准确，以实测电压值作为输入，实际金属种类作为输出，利用支持向量机SVM建立电缆芯种类预测模型；将训练好的网络存储于分析模块的数据分析单元，实测电缆芯材质时，将预测结果传递至显示器控制单元，对应金属种类输出预测结果；本发明同时进行了模型验证，以保证基于电涡流传感器和神经网络的电缆芯材质检测装置的实际应用效果。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为基于电涡流传感器和神经网络的电缆芯材质检测装置原理结构图；

图2为基于电涡流传感器和神经网络的电缆芯材质检测装置流程图；

图3为基于SVM支持向量机算法流程图；

图4为基于SVM二分类算法分类流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

1.建立SVM支持向量机预测模型

通电线圈与其周围的金属导体将产生电涡流效应，而不同的金属导体有着不同的电导率和磁导率，故由通电线圈引起的金属感应磁场不相同，使得对原线圈的电感、阻抗和品质因素等特性的影响程度产生差异。电涡流传感器将这种差异转换为电压幅值的差别作为输出，而神经网络对电压幅值及对应金属进行训练，便可建立电缆芯种类预测模型。

如图2、3所示，所述支持向量机SVM建立电缆芯种类预测模型具体建立方法为：

S1：假定给定一个样本训练集T＝{(x_i,y_i),Λ,(x_l,y_l)}∈(X×Y)^L，其中x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},(i＝1,2,Λ,l)；x_i、x、_lΛ为神经网络输入值，y_i、y_l为神经网络输出值，l为隐含层节点数；

S2：选择适当核函数K＝(x,x′)和参数C，构造并求解最优化问题：

约束条件为：

得到最优解：

α^*＝(α₁ ^*,Λ,α_l ^*)^T，其中α^*为最优解向量:

S3：选取α^*的一个正分量0≤α_j ^*≤C，据此计算阈值：

其中b^*为阈值向量

S4：构造决策函数：

通过模型建立及训练便可得到预测结果；

2.SVM支持向量机电缆芯种类预测模型验证

基于SVM神经网络的电缆芯种类预测模型建立以实测电压值作为输入，实际金属种类作为输出，在所述模型应用于分析模块中数据分析单元之前，须对其有效性和准确性进行验证。

分别选取三组铜芯电缆和铝芯电缆作为被测对象，利用所建立的预测模型对电缆芯种类进行预测，预测结果如表1所示。

表1 SVM预测模型结果

3.基于电涡流传感器和神经网络的电缆芯铜铝材质检测装置实现

如图1所示，一种基于电涡流传感器和神铜铝经网络的电缆芯材质检测装置，铜铝包括电涡流传感器、分析控制模块、显示器和存储器；

所述电涡流传感器基于电涡流效应，电涡流传感器中线圈通过一定大小的电流产生的电磁场，将在金属中感应出电涡流，形成另一磁场反作用于原线圈，传感器将这种作用转化为电压值作为输出量；

所述分析控制模块包括数据分析单元和显示器控制单元，所述数据分析单元内存储有根据上述方法所建立的基于神经网络的电缆芯种类预测模型；

所述电涡流传感器与数据分析单元连接，所述数据分析单元与显示器控制单元和存储器连接，所述显示器控制单元与显示器连接；

所述电涡流传感器将转化的电压值输入数据分析单元中进行电缆芯种类预测，数据分析单元将结果保存到存储器中，并输入显示器控制单元，所述显示器控制单元根据接收到的结果控制显示器显示相应的中文字符。

如图4所示，本发明中分析控制模块是核心部分，包括数据分析单元和显示器控制单元，由两片AT89C51单片机实现。其中，数据分析单元依赖于所述1中建立的支持向量机SVM电缆芯种类预测模型，将训练好的神经网络矩阵写入AT89C51单片机，数据分析单元接受电涡流传感器输出的电压信号作为输入，通过预测模型输出预测结果，即1或-1。数据分析单元输出信号作为第二片单片机，即显示器控制单元输入信号，两种预测结果分别对应金属铜或铝，控制显示器输出对应中文字符于显示屏上。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于神经网络的电缆芯种类预测模型建立方法，其特征在于：包括以下步骤：

S1：给定一个样本训练集

T＝{(x_i,y_i),Λ,(x_l,y_l)}∈(X×Y)^L

其中，x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},(i＝1,2,Λ,l)；x_i、x_l、Λ为神经网络输入值，y_i、y_l为神经网络输出值，l为隐含层节点数；(X×Y)^L表示样本集，X为输入集，Y为输出集，L为样本量；

S2：选择适当核函数K＝(x,x′)和参数C，构造并求解最优化问题：

其中，y_i，y_j表示输出值，α_i，α_j表示拉格朗日乘子，K表示核函数，(i＝1～j)，(j＝1～l)；

约束条件为：

得到最优解：

α^*＝(α₁ ^*,Λ,α_l ^*)^T

其中，α^*为最优解向量；

S3：选取α^*的一个正分量0≤α_j ^*≤C，据此计算阈值：

其中，b^*为阈值向量；

S4：构造决策函数：

并输出结果。

2.一种基于电涡流传感器和神经网络的电缆芯材质检测装置，其特征在于：包括电涡流传感器、分析控制模块、显示器和存储器；

所述电涡流传感器基于电涡流效应，电涡流传感器中线圈通过一定大小的电流产生的电磁场，将在金属中感应出电涡流，形成另一磁场反作用于原线圈，传感器将这种作用转化为电压值作为输出量；

所述分析控制模块包括数据分析单元和显示器控制单元，所述数据分析单元内存储有根据权利要求1所述方法所建立的基于神经网络的电缆芯种类预测模型；

所述电涡流传感器与数据分析单元连接，所述数据分析单元与显示器控制单元和存储器连接，所述显示器控制单元与显示器连接；

所述电涡流传感器将转化的电压值输入数据分析单元中进行电缆芯种类预测，数据分析单元将结果保存到存储器中，并输入显示器控制单元，所述显示器控制单元根据接收到的结果控制显示器显示相应的中文字符。

3.根据权利要求2所述的基于电涡流传感器和神经网络的电缆芯材质检测装置，其特征在于：所述预测模型是一种支持向量机SVM电缆芯种类预测模型。

4.根据权利要求2所述的基于电涡流传感器和神经网络的电缆芯材质检测装置，其特征在于：所述电缆芯种类预测模型的预测结果包括-1和1，分别对应金属材质的铜和铝。

5.根据权利要求2所述的基于电涡流传感器和神经网络的电缆芯材质检测装置，其特征在于：所述数据分析单元和显示器控制单元均通过AT89C51单片机实现。