CN113158585A - 一种防电弧面料耐电弧性能的预测方法、装置和设备 - Google Patents
一种防电弧面料耐电弧性能的预测方法、装置和设备 Download PDFInfo
- Publication number
- CN113158585A CN113158585A CN202110574100.5A CN202110574100A CN113158585A CN 113158585 A CN113158585 A CN 113158585A CN 202110574100 A CN202110574100 A CN 202110574100A CN 113158585 A CN113158585 A CN 113158585A
- Authority
- CN
- China
- Prior art keywords
- arc
- fabric
- arc resistance
- proof fabric
- proof
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 239000000463 material Substances 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 239000004642 Polyimide Substances 0.000 claims description 69
- 229920001721 polyimide Polymers 0.000 claims description 69
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 claims description 35
- 229920002821 Modacrylic Polymers 0.000 claims description 35
- 239000003063 flame retardant Substances 0.000 claims description 35
- 229920000297 Rayon Polymers 0.000 claims description 34
- 238000010891 electric arc Methods 0.000 claims description 24
- 239000004760 aramid Substances 0.000 claims description 13
- 229920003235 aromatic polyamide Polymers 0.000 claims description 13
- AYEKOFBPNLCAJY-UHFFFAOYSA-O thiamine pyrophosphate Chemical compound CC1=C(CCOP(O)(=O)OP(O)(O)=O)SC=[N+]1CC1=CN=C(C)N=C1N AYEKOFBPNLCAJY-UHFFFAOYSA-O 0.000 claims description 10
- 239000000835 fiber Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 229920006231 aramid fiber Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Professional, Industrial, Or Sporting Protective Garments (AREA)
Abstract
本发明属于电力系统防护领域，涉及一种防电弧面料耐电弧性能的预测方法、装置和设备，所述方法步骤如下：建立防电弧面料的耐电弧性能参数体系，选取不同规格和成分的防电弧面料，对面料进行分类，选取同类防电弧面料中部分面料进行耐电弧性能参数测试，再利用机器学习算法预测同类防电弧面料的耐电弧性能参数。本发明的有益效果是提供了一种预测防电弧面料耐电弧性能的方法，在面料的不同成分和规格基础上预测防电弧面料的耐电弧性能，将预测结果建立材料数据库，通过查询成分和规格即可得到材料的耐电弧性能参数，而不用再经过繁琐试验得到结果，从而减少测试费用，缩短测试周期。
Description
技术领域
本发明属于电力系统防护技术领域，具体涉及一种防电弧面料耐电弧性能的预测方法。
背景技术
根据目前用户的供电要求，要减少市区、城镇、农村地区用户的年平均停电时间，停电时间年均同比压缩8％以上。供电企业运行经验表明，带电作业能够有效减低计划停电次数和停电时长，作为一种运维检修手段得到了广泛的应用。但是随着带电作业的增加，工作人员暴露在电弧危害下的可能性就增加了，电力检修发生的事故中，电弧瞬间释放的高温能量是造成工作人员伤亡的主要原因。电弧事故的发生往往具有不可预测性和瞬时性。为了保障电力工作人员的安全，穿戴防电弧服是最方便、安全有效的措施。
目前防电弧服面料的权威检测方法由国外制定，包括ASTMF1959/F1959M、NFPA70E、IEEE1854、IEC61482等标准。防电弧性能测试权威机构仅有加拿大检测实验室和西班牙检测实验室，因此每次对于防电弧面料的测试都具有成本高，周期长的特点。
发明内容
本发明的目的在于提供一种防电弧面料耐电弧性能的预测方法、装置和设备，通过研究相关材料耐电弧性能的结果，利用机器学习算法预测同类型材料耐电弧的性能，以解决实际电弧测试的成本高、周期长的问题。
本发明所述一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法，包括以下步骤：
确定防电弧面料的耐电弧性能参数；
选取不同规格和成分的防电弧面料；
将防电弧面料按照规格、成分或成分占比进行分类；
选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
以测试的耐电弧性能参数作为样本，利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
将预测结果建立材料数据库，根据不同规格和成分的防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
进一步的，防电弧面料的耐电弧性能参数包括热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力。
进一步的，不同规格防电弧面料包括面料的厚度和克重。
进一步的，不同成分防电弧面料指的是以聚酰亚胺为主材料，以腈氯纶、芳纶、阻燃粘胶、导电纤维等为辅材料的复合织物面料。
进一步的，分类方式包括：同规格同成分不同成分占比、不同规格同成分同成分占比同规格不同成分同成分占比三类。
进一步的，机器学习算法为支持向量机算法、决策树算法、神经网络算法或深度学习算法。
进一步的，材料数据库内容包括面料的厚度、克重、面料成分、各成分占比、热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力。
一种防电弧面料耐电弧性能的预测装置，包括：
采集模块，用于采集各类被测面料的耐电弧性能参数，并将采集的耐电弧性能参数传递至机器学习模块；
机器学习模块，用于根据各类被测面料的耐电弧性能参数预测其他面料的耐电弧性能参数，存储并传递至显示模块；
显示模块，用于显示面料的耐电弧性能参数。
一种计算机设备，包括电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的防电弧面料耐电弧性能的预测方法的步骤。
与现有技术相比，本发明至少具有以下有益的技术效果：
本发明提供一种基于机器学习的防电弧面料耐电弧性能的预测方法，利用防电弧面料的规格与成分信息进行划分类别，再利用机器学习算法，通过对部分面料的测试结果进行训练学习，从而预测同类中改变规格或成分后的面料的耐电弧性能参数，包括热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力。本发明所提出的方法可以合理、方便地预测出防电弧面料的耐电弧性能，减少实际试验检测的成本和周期。
本发明在面料的不同成分和规格基础上，预测防电弧面料的耐电弧性能，将预测结果建立材料数据库，通过查询成分和规格即可得到材料的耐电弧性能参数，而不用再经过繁琐试验得到结果，从而减少测试费用，缩短测试周期，探究聚酰亚胺面料与耐电弧性能的映射关系，为防电弧面料的开发与应用提供技术支撑。
附图说明
图1是基于机器学习的防电弧面料耐电弧性能预测方法的流程图。
图2为本发明提供的防电弧面料耐电弧性能预测装置模块结构示意图；
图3为本发明提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图1，一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法，包括以下步骤：
第一步：建立聚酰亚胺防电弧面料的耐电弧性能参数体系；
所建立的聚酰亚胺防电弧面料的耐电弧性能参数体系要能反映出面料的耐电弧性能，根据ASTM F 1959—2012《服装面料电弧热防护性能值测试方法》，选择热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力做为面料的耐电弧性能参数。
第二步：选取不同规格和成分的聚酰亚胺防电弧面料；
不同规格指的是聚酰亚胺防电弧面料的厚度和克重。不同成分聚酰亚胺防电弧面料指的是以聚酰亚胺为主材料，以腈氯纶、芳纶、阻燃粘胶、导电纤维等为辅材料的复合织物面料，面料成分可以是聚酰亚胺/阻燃粘胶/腈氯纶，聚酰亚胺/芳纶/腈氯纶，聚酰亚胺/阻燃粘胶/芳纶/导电纤维等，其成分占比可以是聚酰亚胺/阻燃粘胶/腈氯纶(40/30/30)、聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)、聚酰亚胺/阻燃粘胶/腈氯纶(65/25/10)；聚酰亚胺/芳纶/腈氯纶(45/25/30)、聚酰亚胺/芳纶/腈氯纶(50/25/25)；聚酰亚胺/阻燃粘胶/芳纶/导电纤维(60/20/18/2)、聚酰亚胺/阻燃粘胶/芳纶/导电纤维(55/25/28/2)等，面料组分和成分占比不限于此步骤中的说明。
第三步：将聚酰亚胺防电弧面料分类放置，分类方式可以按照规格、成分或成分占比进行划分；
分类方式可分为：同规格同成分不同成分占比、不同规格同成分且同成分占比、同规格不同成分同成分占比三类，即每次只改变聚酰亚胺防电弧面料中的一种成分，例如聚酰亚胺/阻燃粘胶/腈氯纶和聚酰亚胺/芳纶/腈氯纶的关系。
第四步：选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
按照ASTM F 1959—2012《服装面料电弧热防护性能值测试方法》测试每一类防电弧面料的耐电弧性能参数。
第五步：利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
机器学习算法包括并不限于支持向量机算法、决策树算法、神经网络算法、深度学习算法等，机器学习算法的学习样本是第四步中的材料和测试参数。
第六步：将预测结果建立材料数据库，根据不同规格和成分的聚酰亚胺防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
材料数据库内容包括面料的厚度、克重、面料成分、成分占比、热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力，以方便后续根据面料的规格和成分信息进行查询面料的耐电弧性能参数。
实施例1
一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法，步骤如下：
第一步：建立聚酰亚胺防电弧面料的耐电弧性能参数体系；
第二步：选取不同规格和成分的聚酰亚胺防电弧面料；
第三步：将防电弧面料进行分类放置，分类方式可以按照规格、成分或成分占比进行划分；
第四步：选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
第五步：利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
第六步：将预测结果建立材料数据库，根据不同规格和成分的聚酰亚胺防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
选取同规格同成分不同成分占比组面料，如同样厚度和克重的聚酰亚胺/阻燃粘胶/腈氯纶(40/30/30)、聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)、聚酰亚胺/阻燃粘胶/腈氯纶(65/25/10)，通过测试面料的耐电弧性能参数：热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力，将不同成分占比与所对应的耐电弧性能参数通过机器学习算法进行学习与训练，得到同规格同成分不同成分占比与耐电弧性能参数的关系，预测其他成分占比下面料的耐电弧性能参数，如预测聚酰亚胺/阻燃粘胶/腈氯纶(45/35/20)面料的耐电弧性能参数。此实施例中机器学习算法的学习样本是同样厚度和克重的聚酰亚胺/阻燃粘胶/腈氯纶(40/30/30)、聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)、聚酰亚胺/阻燃粘胶/腈氯纶(65/25/10)的耐电弧性能参数，，机器学习算法的样本学习次数为300次，聚酰亚胺/阻燃粘胶/腈氯纶(40/30/30)、聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)、聚酰亚胺/阻燃粘胶/腈氯纶(65/25/10)各100次，机器学习算法的预测结果是聚酰亚胺/阻燃粘胶/腈氯纶(45/35/20)面料的耐电弧性能参数。即预测与测试的面料同规格同成分不同成分占比的面料的耐电弧性能参数，将将测试结果和预测结果存入材料数据库，后续可根据面料成分占比进行查找相关的耐电弧性能参数。
实施例2
一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法，步骤如下：
第一步：建立聚酰亚胺防电弧面料的耐电弧性能参数体系；
第二步：选取不同规格和成分的聚酰亚胺防电弧面料；
第三步：将防电弧面料进行分类放置，分类方式可以按照规格、成分或成分占比进行划分；
第四步：选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
第五步：利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
第六步：将预测结果建立材料数据库，根据不同规格和成分的聚酰亚胺防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
选取不同规格同成分同成分占比组面料，如厚度为0.35mm克重为180g的聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，厚度为0.35mm克重为200g聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，厚度为0.4mm克重为180g聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，厚度为0.4mm克重为200g聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，通过测试面料的耐电弧性能参数：热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力，将不同厚度和克重与所对应的耐电弧性能参数通过机器学习算法进行学习与训练，得到不同规格同成分同成分占比的面料与耐电弧性能参数的关系，预测其他厚度和克重情况下面料的耐电弧性能参数，如厚度为0.35mm克重为230g预测聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)面料的耐电弧性能参数。
此实施例中机器学习算法的学习样本是厚度为0.35mm克重为180g的聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，厚度为0.35mm克重为200g聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)的耐电弧性能参数，样本学习次数为100次，机器学习算法的预测结果是厚度为0.35mm克重为230g聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)的耐电弧性能参数，即预测与测试的面料同厚度、同成分且同成分占比，不同厚度的材料的耐电弧性能参数，将测试结果和预测结果存入材料数据库，后续可根据厚度和克重进行查找相关的耐电弧性能参数。
实施例3
一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法，步骤如下：
第一步：建立聚酰亚胺防电弧面料的耐电弧性能参数体系；
第二步：选取不同规格和成分的聚酰亚胺防电弧面料；
第三步：将防电弧面料进行分类放置，分类方式可以按照规格、成分或成分占比进行划分；
第四步：选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
第五步：利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
第六步：将预测结果建立材料数据库，根据不同规格和成分的聚酰亚胺防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
选取同规格不同成分同成分占比组面料，如同样厚度和克重的聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，聚酰亚胺/芳纶/阻燃粘胶(50/30/20)，通过测试面料的耐电弧性能参数：热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力，将不同成分与所对应的耐电弧性能参数通过机器学习算法进行学习与训练，得到同规格不同成分同成分占比与耐电弧性能参数的关系，预测改变面料成分情况下面料的耐电弧性能参数，如预测聚酰亚胺/芳纶/腈氯纶(50/30/20)面料的耐电弧性能参数。
此实施例中机器学习算法的学习样本是同样厚度和克重的聚酰亚胺/阻燃粘胶/腈氯纶(50/30/20)，聚酰亚胺/芳纶/阻燃粘胶(50/30/20)的耐电弧性能参数，样本学习次数为100次，机器学习算法的预测结果是聚酰亚胺/芳纶/腈氯纶(50/30/20)的耐电弧性能参数，即预测的是与测试面料同规格、不同成分但同成分占比不同的面料的耐电弧性能参数。将测试结果和预测结果存入材料数据库，后续可根据面料成分进行查找相关的耐电弧性能参数。
实施例4
本发明提供的一种防电弧面料耐电弧性能的预测装置，如图2所示，包括采集模块、机器学习模块和显示模块。
其中，采集模块，用于采集各类被测面料的耐电弧性能参数，并将采集的耐电弧性能参数传递至机器学习模块；机器学习模块，用于根据各类被测面料的耐电弧性能参数预测其他面料的耐电弧性能参数，存储并传递至显示模块；显示模块，用于显示面料的耐电弧性能参数。
实施例5
本发明提供的一种计算机设备，如图3所示，包括电连接的存储器和处理器，其中，存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现上述的防电弧面料耐电弧性能的预测方法的步骤。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述**装置/终端设备的各种功能。
本发明提供了一种基于机器学习的聚酰亚胺防电弧面料耐电弧性能的预测方法。利用防电弧面料的规格与成分信息进行划分类别，再利用机器学习算法，通过对部分面料的测试结果进行训练学习，从而预测同类中改变规格或成分后的面料的耐电弧性能参数。本发明方法可以合理、方便地预测出聚酰亚胺防电弧面料的耐电弧性能，减少实际试验检测的成本和周期。
本发明步骤如下：建立聚酰亚胺防电弧面料的耐电弧性能参数体系，选取不同规格和成分的聚酰亚胺防电弧面料，对聚酰亚胺面料进行分类，选取同类防电弧面料中部分面料进行耐电弧性能参数测试，再利用机器学习算法预测同类防电弧面料的耐电弧性能参数。本发明的有益效果是提供了一种预测聚酰亚胺防电弧面料耐电弧性能的方法，在面料的不同成分和规格基础上预测防电弧面料的耐电弧性能，将预测结果建立材料数据库，通过查询成分和规格即可得到材料的耐电弧性能参数，而不用再经过繁琐试验得到结果，从而减少测试费用，缩短测试周期。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种防电弧面料耐电弧性能的预测方法，其特征在于，包括以下步骤：
确定防电弧面料的耐电弧性能参数；
选取不同规格和成分的防电弧面料；
将防电弧面料按照规格、成分或成分占比进行分类；
选取每一类防电弧面料中部分面料测试其耐电弧性能参数；
以测试的耐电弧性能参数作为样本，利用机器学习算法预测同类防电弧面料的耐电弧性能参数；
将预测结果建立材料数据库，根据不同规格和成分的防电弧面料信息在材料数据库中查找相关的耐电弧性能参数。
2.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述防电弧面料的耐电弧性能参数包括热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力。
3.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述不同规格防电弧面料包括面料的厚度和克重。
4.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述不同成分防电弧面料指的是以聚酰亚胺为主材料，以腈氯纶、芳纶、阻燃粘胶、导电纤维等为辅材料的复合织物面料。
5.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述分类方式包括：同规格同成分不同成分占比、不同规格同成分同成分占比同规格不同成分同成分占比三类。
6.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述机器学习算法为支持向量机算法、决策树算法、神经网络算法或深度学习算法。
7.根据权利要求1所述的一种防电弧面料耐电弧性能的预测方法，其特征在于，所述材料数据库内容包括面料的厚度、克重、面料成分、各成分占比、热防护性能值TPP、电弧热防护性能值ATPV、断裂强力及撕破强力。
8.一种防电弧面料耐电弧性能的预测装置，其特征在于，包括：
采集模块，用于采集各类被测面料的耐电弧性能参数，并将采集的耐电弧性能参数传递至机器学习模块；
机器学习模块，用于根据各类被测面料的耐电弧性能参数预测其他面料的耐电弧性能参数，存储并传递至显示模块；
显示模块，用于显示面料的耐电弧性能参数。
9.一种计算机设备，其特征在于，包括电连接的存储器和处理器，所述存储器上存储有可在处理器上运行的计算程序，所述处理器执行所述计算程序时，实现权利要求1-7中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110574100.5A CN113158585B (zh) | 2021-05-25 | 2021-05-25 | 一种防电弧面料耐电弧性能的预测方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110574100.5A CN113158585B (zh) | 2021-05-25 | 2021-05-25 | 一种防电弧面料耐电弧性能的预测方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158585A true CN113158585A (zh) | 2021-07-23 |
| CN113158585B CN113158585B (zh) | 2023-09-19 |
Family
ID=76877515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110574100.5A Active CN113158585B (zh) | 2021-05-25 | 2021-05-25 | 一种防电弧面料耐电弧性能的预测方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158585B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080036472A1 (en) * | 2006-08-14 | 2008-02-14 | Collins Edward R Jr | Impedance-based arc fault determination device (iadd) and method |
| EP2177653A1 (en) * | 2008-10-17 | 2010-04-21 | Norafin Industries (Germany) GmbH | An arc flash protection, multiple-use nonwoven fabric structure |
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| CN109576868A (zh) * | 2018-12-27 | 2019-04-05 | 陕西元丰纺织技术研究有限公司 | 一种防电弧面料及其制备方法 |
| JP2020026596A (ja) * | 2018-08-16 | 2020-02-20 | 帝人株式会社 | 布帛および防護製品 |
| CN111505496A (zh) * | 2020-05-08 | 2020-08-07 | 西安交通大学 | 一种基于电弧能量的真空断路器电寿命评估方法 |
| CN111832182A (zh) * | 2020-07-21 | 2020-10-27 | 南通大学 | 一种腈氯纶防电弧面料防护性能ebt值的评价方法 |
| CN112288258A (zh) * | 2020-10-22 | 2021-01-29 | 南通大学 | 一种芳纶粘胶织物电弧防护性能atpv值的评价方法 |
| CN112951343A (zh) * | 2021-01-20 | 2021-06-11 | 桂林电子科技大学 | 一种基于机器学习的铁基非晶纳米软磁合金设计方法 |
-
2021
- 2021-05-25 CN CN202110574100.5A patent/CN113158585B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080036472A1 (en) * | 2006-08-14 | 2008-02-14 | Collins Edward R Jr | Impedance-based arc fault determination device (iadd) and method |
| EP2177653A1 (en) * | 2008-10-17 | 2010-04-21 | Norafin Industries (Germany) GmbH | An arc flash protection, multiple-use nonwoven fabric structure |
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| JP2020026596A (ja) * | 2018-08-16 | 2020-02-20 | 帝人株式会社 | 布帛および防護製品 |
| CN109576868A (zh) * | 2018-12-27 | 2019-04-05 | 陕西元丰纺织技术研究有限公司 | 一种防电弧面料及其制备方法 |
| CN111505496A (zh) * | 2020-05-08 | 2020-08-07 | 西安交通大学 | 一种基于电弧能量的真空断路器电寿命评估方法 |
| CN111832182A (zh) * | 2020-07-21 | 2020-10-27 | 南通大学 | 一种腈氯纶防电弧面料防护性能ebt值的评价方法 |
| CN112288258A (zh) * | 2020-10-22 | 2021-01-29 | 南通大学 | 一种芳纶粘胶织物电弧防护性能atpv值的评价方法 |
| CN112951343A (zh) * | 2021-01-20 | 2021-06-11 | 桂林电子科技大学 | 一种基于机器学习的铁基非晶纳米软磁合金设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| MARCIO BOTTARO 等: "Uncertainties in the heat energy calculation process and influences on determination of arc thermal performance value (ATPV) of heat- and flameresistant materials tests", MEASUREMENT, pages 275 - 284 * |
| 薛颖 等: "电力行业个体安全防护现状与发展趋势", 棉纺织技术, vol. 47, no. 9, pages 74 - 78 * |
| 高峰 等: "机织物数据库及工艺计算软件设计研究", 安徽工程大学学报, vol. 32, no. 1, pages 5 - 9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158585B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215722B (zh) | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 | |
| CN108062571A (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
| CN104953583B (zh) | 基于变点探测和Prony方法相结合的电力系统低频振荡在线监测方法 | |
| CN112700144B (zh) | 变电站运行状态风险评估方法、装置、设备以及存储介质 | |
| CN112115618A (zh) | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 | |
| CN113806420A (zh) | 一种电网数据监测方法及装置 | |
| CN110556920A (zh) | 一种配电自动化监测方法、系统、终端及存储介质 | |
| CN114660504B (zh) | 绝缘监测回路的检测方法、装置、电子设备及存储介质 | |
| CN103999316A (zh) | 用于产生说明在供电网中的摆动的信号的方法 | |
| CN109470972A (zh) | 一种基于振动图像的变压器铁心松动诊断方法 | |
| CN109587145B (zh) | 一种电力网络中的虚假数据入侵检测方法、装置及设备 | |
| CN116185757A (zh) | 机房能耗智能监测系统 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN109683040B (zh) | 柔性直流输电换流阀的可靠性检测方法、装置及设备 | |
| CN105652120A (zh) | 电力变压器故障检测方法和检测系统 | |
| CN113158585A (zh) | 一种防电弧面料耐电弧性能的预测方法、装置和设备 | |
| CN114460520A (zh) | 一种电容式电压互感器设备状态诊断方法及系统 | |
| CN108664641A (zh) | 一种基于覆盖集理论的智能电能表故障诊断方法 | |
| CN111709484A (zh) | 新能源场站并网验收方法、装置、计算机设备和存储介质 | |
| CN114527331B (zh) | 一种电容器分析方法及系统 | |
| CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
| CN111737875A (zh) | 有功功率不平衡率分析诊断方法、系统及计算机设备 | |
| Overbye et al. | Human factors aspects of power system visualizations: An empirical investigation | |
| CN112037084A (zh) | 一种测试配电主站故障处理测试分析方法及系统 | |
| CN112507577B (zh) | 基于模式识别的gis断路器触头稳态温度计算方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240518 Address after: No. 669, Hangtian Middle Road, Xi'an national civil aerospace industry base, Shaanxi 710100 Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Patentee after: State Grid Shaanxi Electric Power Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: National Network (Xi'an) Environmental Protection Technology Center Co.,Ltd. Address before: No.669, Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Co. Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right |