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
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 Download PDFInfo
- Publication number
- CN109409001A CN109409001A CN201811337512.1A CN201811337512A CN109409001A CN 109409001 A CN109409001 A CN 109409001A CN 201811337512 A CN201811337512 A CN 201811337512A CN 109409001 A CN109409001 A CN 109409001A
- Authority
- CN
- China
- Prior art keywords
- cable core
- neural network
- current vortex
- vortex sensor
- analysis unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000011162 core material Substances 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims description 11
- 238000001514 detection method Methods 0.000 title abstract description 10
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 229910052751 metal Inorganic materials 0.000 claims abstract description 11
- 239000002184 metal Substances 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims description 21
- 229910052782 aluminium Inorganic materials 0.000 claims description 13
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 13
- 239000004411 aluminium Substances 0.000 claims description 10
- 229910052802 copper Inorganic materials 0.000 claims description 9
- 239000010949 copper Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000005672 electromagnetic field Effects 0.000 claims description 3
- 239000007769 metal material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 9
- 238000009659 non-destructive testing Methods 0.000 abstract 1
- 239000004020 conductor Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical group [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 230000002929 anti-fatigue Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
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
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={(xi,yi),Λ,(xl,yl)}∈(X×Y)L
其中,xi∈X=Rn,yi∈Y={1,-1},(i=1,2,Λ,l);xi、xl、Λ为神经网络输入值,yi、yl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,yi,yj表示输出值,αi,αj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,αl *)T
其中,α*为最优解向量;
S3:选取α*的一个正分量0≤αj *≤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={(xi,yi),Λ,(xl,yl)}∈(X×Y)L,其中xi∈X=Rn,yi∈Y={1,-1},(i=1,2,Λ,l);xi、x、lΛ为神经网络输入值,yi、yl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,αl *)T,其中α*为最优解向量:
S3:选取α*的一个正分量0≤αj *≤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={(xi,yi),Λ,(xl,yl)}∈(X×Y)L
其中,xi∈X=Rn,yi∈Y={1,-1},(i=1,2,Λ,l);xi、xl、Λ为神经网络输入值,yi、yl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,yi,yj表示输出值,αi,αj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,αl *)T
其中,α*为最优解向量;
S3:选取α*的一个正分量0≤αj *≤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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337512.1A CN109409001A (zh) | 2018-11-08 | 2018-11-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337512.1A CN109409001A (zh) | 2018-11-08 | 2018-11-08 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409001A true CN109409001A (zh) | 2019-03-01 |
Family
ID=65472888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811337512.1A Pending CN109409001A (zh) | 2018-11-08 | 2018-11-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409001A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207487A (zh) * | 2011-01-06 | 2011-10-05 | 大连交通大学 | 金属材质特性快速鉴别仪系统 |
CN108562641A (zh) * | 2018-04-17 | 2018-09-21 | 西南大学 | 一种基于电涡流传感器的电缆芯材质检测装置 |
-
2018
- 2018-11-08 CN CN201811337512.1A patent/CN109409001A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207487A (zh) * | 2011-01-06 | 2011-10-05 | 大连交通大学 | 金属材质特性快速鉴别仪系统 |
CN108562641A (zh) * | 2018-04-17 | 2018-09-21 | 西南大学 | 一种基于电涡流传感器的电缆芯材质检测装置 |
Non-Patent Citations (1)
Title |
---|
简范式AI: "《机器学习之支持向量机(Support Vector Machines)模型》", 《CSDN》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Multiple cracks detection and visualization using magnetic flux leakage and eddy current pulsed thermography | |
Cheng et al. | Transient thermal behavior of eddy-current pulsed thermography for nondestructive evaluation of composites | |
CN103852000B (zh) | 多层导电涂层厚度的涡流检测方法和装置 | |
CN111475904B (zh) | 低温超导磁体交流损耗的计算方法 | |
Li et al. | Gradient-field pulsed eddy current probes for imaging of hidden corrosion in conductive structures | |
Zhao et al. | Uniaxial ACFM detection system for metal crack size estimation using magnetic signature waveform analysis | |
CN103675926B (zh) | 一种航空瞬变电磁资料的电导率‑深度转换方法 | |
CN105717266B (zh) | 一种直流输电换流阀冷却水质在线监测系统及其监测方法 | |
CN105548924A (zh) | 磁巴克豪森及磁性参数传感器和测量方法 | |
CN105548923A (zh) | 一种二维高频旋转磁特性传感器件 | |
Su et al. | Stress-dependent magnetic charge model for micro-defects of steel wire based on the magnetic memory method | |
Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
Abu‐Siada et al. | 3D approach for fault identification within power transformers using frequency response analysis | |
CN109409001A (zh) | 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 | |
Barbosa et al. | The Tsallis statistical distribution applied to geomagnetically induced currents | |
CN100381826C (zh) | 测试电力电缆设备是否带电的检测方法 | |
CN108562641A (zh) | 一种基于电涡流传感器的电缆芯材质检测装置 | |
CN116858396A (zh) | 基于主动超声发射的绕组热点温度无损探测方法及系统 | |
CN103698724A (zh) | 一种多铁性材料的磁电性能测量系统和测量方法 | |
CN102818920B (zh) | 基于电磁力的光纤电流测量方法及装置 | |
CN206020324U (zh) | 一种配电变压器绕组材质无损检测装置 | |
CN108256743A (zh) | 一种涉电产品公共检测服务平台 | |
Xin et al. | Surface defect detection of threaded steel based on improved YOLOv5 | |
CN208125668U (zh) | 一种基于电涡流传感器的电缆芯材质检测装置 | |
Liu et al. | Simulation on quantitative analysis of crack inspection by using eddy current stimulated thermography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |