CN116232123B - 一种基于矿用风筒振动频谱的能量自适应转换装置及方法 - Google Patents
一种基于矿用风筒振动频谱的能量自适应转换装置及方法 Download PDFInfo
- Publication number
- CN116232123B CN116232123B CN202310502353.0A CN202310502353A CN116232123B CN 116232123 B CN116232123 B CN 116232123B CN 202310502353 A CN202310502353 A CN 202310502353A CN 116232123 B CN116232123 B CN 116232123B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- frequency
- vibration
- energy
- processing module
- 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 54
- 238000005065 mining Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001845 vibrational spectrum Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000004146 energy storage Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000017525 heat dissipation Effects 0.000 claims description 9
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000087 stabilizing effect Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
- H02N2/00—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction
- H02N2/18—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing electrical output from mechanical input, e.g. generators
- H02N2/186—Vibration harvesters
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
- E21F1/04—Air ducts
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03G—SPRING, WEIGHT, INERTIA OR LIKE MOTORS; MECHANICAL-POWER PRODUCING DEVICES OR MECHANISMS, NOT OTHERWISE PROVIDED FOR OR USING ENERGY SOURCES NOT OTHERWISE PROVIDED FOR
- F03G7/00—Mechanical-power-producing mechanisms, not otherwise provided for or using energy sources not otherwise provided for
- F03G7/08—Mechanical-power-producing mechanisms, not otherwise provided for or using energy sources not otherwise provided for recovering energy derived from swinging, rolling, pitching or like movements, e.g. from the vibrations of a machine
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- General Electrical Machinery Utilizing Piezoelectricity, Electrostriction Or Magnetostriction (AREA)
Abstract
本发明提供一种基于矿用风筒振动频谱的能量自适应转换装置及方法,属于矿用风筒振动频谱能量自适应转换技术领域;所要解决的技术问题为:提供一种基于矿用风筒振动频谱的能量自适应转换装置硬件结构及转换方法的改进;解决该技术问题采用的技术方案为:包括用于采集矿用风筒自身固有振动频率数据和将振动能量转换为电能的能量转换装置、用于对所述能量转换装置输出的电能进行自适应匹配的能量处理装置;能量转换装置的电能输出端与能量处理装置电连接,能量处理装置的电能输出端与储能设备电连接;能量转换装置通过刚性外壳封装有CCD图像传感器、压电式能量收集模块、通信端口;本发明应用于井下无线传感器电能转换场所。
Description
技术领域
本发明提供一种基于矿用风筒振动频谱的能量自适应转换装置及方法,属于矿用风筒振动频谱能量自适应转换技术领域。
背景技术
近年来为支持智慧型矿山系统的建设与发展,投入了种类功能繁多的智能设备进行使用,其中无线传感器作为典型的智能传感器节点,能够实时采集井下环境的多种物理信息,已成为矿用监控系统建设的重要组成部分。
随着信息采集要求的不断提高,要求无线传感器节点在降低成本的同时,大幅度提升其智能化及可靠性,这就导致了设备的功耗不断增加,然而绝大多数节点目前仍使用独立搭载的电池供电,矿用传感器网络中的节点数量巨大,并且节点布置在危险区域、复杂结构内部,一旦电池电量耗尽,批量更换电池的工作量巨大,维护成本高,有时甚至会因为无法更换电池而影响节点使用寿命。
为克服上述缺陷有两种思路,一种是对井下所有传感器节点的设备进行统一供电,但必须对井下供电系统进行重新改造,重新采购布设变频器变压器等设备,实现该手段成本高,难度大;另外一种思路尝试将每一台传感器改造为能够进行能量收集并进行转化的设备,由于矿井环境中风能、振动能等能量源较为丰富,可以采用微发电技术将其转化成电能。
井下的机械振动能几乎处处存在,同时具有相当可观的能量密度,由通风机、风筒、风道等装置构成的矿用通风设备,可以基于对气体传感器的检测数据,动态调节风速、风量等参数,但在动态调节的过程中,设备的结构件会发生非线性振动;在现有技术中,设备往复运动产生的能量会被浪费掉,存在难以兼顾高效能量收集和对不同频率进行自适应能量转换的问题,没有实现这一振动能量的收集利用,将不利于节约能源。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于矿用风筒振动频谱的能量自适应转换装置硬件结构及转换方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于矿用风筒振动频谱的能量自适应转换装置,包括用于采集矿用风筒自身固有振动频率数据和将振动能量转换为电能的能量转换装置;
包括用于对所述能量转换装置输出的电能进行自适应匹配的能量处理装置;
所述能量转换装置的电能输出端与能量处理装置电连接,所述能量处理装置的电能输出端与储能设备电连接;
所述能量转换装置包括:第一刚性外壳、CCD图像传感器、压电式能量收集模块、固定孔、第一通信端口、第一连接线;
所述第一刚性外壳通过固定孔与矿用风筒设备刚性连接;
所述CCD图像传感器和压电式能量收集模块均安装在第一刚性外壳的底部;
所述第一通信端口通过第一连接线分别与CCD图像传感器、压电式能量收集模块相连;
所述能量处理装置包括:第二刚性外壳、矿用电能存储模块、电能处理模块、第二通信端口、第二连接线、散热台;
所述矿用电能存储模块和散热台均安装在第二刚性外壳的底部;
所述电能处理模块安装在散热台上;
所述CCD图像传感器通过第一通信端口和第一连接线将采集到的设备振频数据传输到电能处理模块;
所述矿用电能存储模块将存储的电能通过第二通信端口和第二连接线传输到CCD图像传感器。
一种基于矿用风筒振动频谱的能量自适应转换方法,包括如下转换步骤:
步骤一:将能量转换装置安装在矿用风筒设备上并起动,控制CCD图像传感器实时采集矿用风筒设备的振动图像,电能处理模块根据预设的振动频谱分析数据对采集图像的振动频谱进行实时分析;
步骤二:结合能量转换装置中的加速度感知模块采集到的实时加速度数据,由电能处理模块基于可变形卷积和可变形感兴趣区域池化的卷积神经网络组合分析,得到由矿用风筒自身产生的微振与电能处理模块的映射模型;
步骤三:控制压电式能量收集模块将环境中无序的机械振动转换成周期性振荡的机械能,利用压电材料的正压电效应将周期性振动的机械能转换为电能;
步骤四:自适应匹配电能处理方式,处理为符合预设要求的电能来给其他设备或储能设备供电。
所述步骤二中建立映射模型的具体步骤为:
步骤2.1:通过CCD图像传感器将采集到的设备实时加速度数据,经由频谱分析过后生成设备的频谱分类数据,类别分别对应于低频、中频、高频电能处理模块,将处理后的电能输入到矿用电能储能模块中储存;
步骤2.2:控制电能处理模块建立平行网络模型用于偏移学习,建立的平行网络作为卷积神经网络,采用的激活函数为ReLu,针对图像数据处理的计算公式为:
;
采用的分类函数为SoftMax函数,针对图像数据处理的计算公式为:
;
式中C为输出类型的个数;Xi为第i类振频的概率值;
步骤2.3:在可变形卷积的操作中,对常规卷积网络中的感受野内的每一个点增加偏移量进行扩张,得到改进后的计算公式为:
;
式中代表感受野R内的任意一点,/>代表感受野中心的点,/>代表偏移量;
对于可变形池化而言,与可变形卷积操作基本相同,此时需要增加一个偏移量,改进后的计算公式为:
;
式中,bin(i,j)表示将感受野内第K块的i行j列,将一张n*n的图像按照m*m的比例进行分割,分割为N块,其中,n≥m,参数K∈N。
本发明相对于现有技术具备的有益效果为:本发明提供一种基于采集的非线性矿用风筒振动频谱数据进行能量自适应转换的装置,该转换装置包括能量转换装置和能量处理装置,将能量转换装置固定安装在风筒设备上,用于实时感知矿用风筒自身的固有振动频率并将振动能量转换电能,设置的能量处理装置与能量转换装置进行数据交互,能量处理装置对收到的振动频率数据进行分析处理,对能量转换装置输出的电能进行调节,并自适应匹配合适的电能处理方式,最后将处理后的电能输出至储能设备,同时为能量转换装置供能;本发明以设备实时的加速度特征为数据基础,建立频谱计算模型,根据频谱分析结果,通过收集设备的振动能量转换为电能对现场其他设备进行供电,解决了振动能量浪费的问题,有效提高了现场其他设备的续航能力。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明面向矿用风筒设备的能量转换装置的结构示意图;
图2为图1的俯视图;
图3为本发明面向矿用风筒设备的能量处理装置的结构示意图;
图4为图3的俯视图;
图5为本发明能量处理装置中压电式能量收集模块的工作步骤流程图;
图6为本发明能量处理装置中电能处理模块的工作步骤流程图;
图7为本发明使用的平行网络架构图;
图8为本发明使用可变性卷积神经网络处理图像的步骤流程图;
图中序号含义:1-第一刚性外壳,2-CCD图像传感器,3-压电式能量收集模块,4-固定孔,5-第一通信端口,6-第一连接线;
7-第二刚性外壳,8-矿用电能存储模块,9-电能处理模块,10-第二通信端口,11-第二连接线,12-散热台。
具体实施方式
如图1至图4所示,本发明提供一种基于非线性矿用风筒振动频谱的自适应能量转换装置,主要包括能量转换装置和能量处理装置;
所述能量转换装置由第一刚性外壳封装,在其内部设置有CCD图像传感器、压电式能量收集模块、第一通信端口等部件,安装时将刚性外壳通过固定孔与矿用风筒设备刚性连接,并将CCD振动传感器与压电式能量收集模块均安装在第一刚性外壳中,同时将CCD图像传感器、压电式能量收集模块分别与第一通信端口相连。
所述能量处理装置由第二刚性外壳封装,在其内部设置有矿用电能存储模块、电能处理模块、散热台、第二通信端口等部件,安装时将矿用电能存储模块和散热台安装在第二刚性外壳中,由于电能处理模块工作时会产生热量,为保证电能处理模块稳定工作,需要将电能处理模块需与散热台紧密刚性连接,同时将CCD图像传感器通过第二通信端口将设备的加速度实时数据传输到电能处理模块;所述矿用电能存储模块可以将存储的电能为CCD图像传感器和附近设备提供电能。
本发明提供的基于非线性矿用风筒振动频谱的能量自适应转换装置及方法,解决了现有技术难以兼顾高效能量收集和对不同频率进行自适应能量转换的问题,该转换装置以CCD图像数据为基础,建立频谱分析模型,并根据频谱分析结果,通过收集矿用风筒设备振动能量转化为的电能,为转换装置周边的感知节点设备进行供电,实现对能量的充分利用,有效解决能量浪费问题,保持对无线传感器的持续供电,避免当供电设备出现故障时现场感知预警设备失效,同时,本发明对矿用风筒设备的振动频谱进行实时分析,根据采集到的振动频率数值自适应匹配对应的电能处理方式,充分提高能量转换效率和能量利用率。
进一步的,如图1和图2所示,本发明提供的能量转换装置包括:刚性外壳、CCD图像传感器、压电式能量收集模块、固定孔、输入输出端以及连接线,其中刚性外壳通过4个固定孔与矿用风筒设备刚性连接,CCD图像传感器与压电式能量收集模块均在刚性外壳的底部与刚性外壳刚性连接,外部输入输出端分别与CCD图像传感器、压电式能量收集模块相连;本发明提供的CCD图像传感器可作为振动传感器对矿用风筒设备的振动频谱数据进行采集。
进一步地,CCD图像传感器2在工作时,在采集矿用风筒设备的频率分类数据后,通过连接线将数据发送到数据输入输出端,同时压电式能量收集模块3将振动能量转换为电能,并将产生的电能通过第一连接线6将数据发送到数据输入输出端。
进一步地,如图5所示为压电式能量收集模块3的工作流程:过程一,将环境中无序的机械振动转换成周期性振荡的机械能;过程二,利用压电材料的正压电效应将周期性振动的机械能转换为电能。
如图3和图4所示,本发明提供的能量处理装置包括:刚性外壳、矿用电能存储模块、电能处理模块、输入输出端以及连接线、散热台,其中矿用电能存储模块和散热台刚性连接在刚性外壳的内侧底部,由于电能处理模块工作时会产生热量,为保证电能处理模块稳定工作,电能处理模块需要与散热台紧密刚性连接,上述CCD图像传感器具体通过输入输出端和连接线将设备的频率分类数据传输到电能处理模块;所述矿用电能存储模块通过输入输出端和连接线将存储的电能为能量转换装置的CCD图像传感器和附近设备供电。
进一步地,如图6所示为电能处理模块的工作流程:其中CCD图像传感器2将采集到的设备实时加速度数据经由频谱分析过后生成设备的频谱分类数据,类别分别为低频振动(f<10Hz)、中频振动 (f=10~1000Hz)、高频振动(f>1000Hz)三类,分别对应于低频、中频、高频电能处理模块,将处理后的电能输入到矿用电能储能模块中储存,储存的电能同时为能量转换装置中的CCD图像传感器2和附近设备提供电能。
同时,针对现阶段矿用振动传感器工作时存在精度低、时延大、不稳定的问题,本发明采用人工智能领域深度学习技术对矿用风筒设备振动频率进行分类;由于矿井下各类机械设备颇多且不同设备之间振动频率各不相同,导致最终作用在矿用风筒表面的作用力呈现非线性排布,因此需要采用一种灵活度高、计算效率高的分析处理算法来实时提取矿用风筒自身表面的微振数据,从而实现高效能量收集和对不同频率进行自适应能量转换的目的。
传统的机器学习和卷积神经网络因需要先验信息,才能完成特征的提取工作,针对煤矿井下复杂未知的实验环境,传统的视觉检测方法存在应变能力较差、检测精度较低、鲁棒性较弱等问题;而本发明采用具有偏移量的可变形卷积神经网络,即使各机械设备对矿下风筒表面产生干扰,也能够快速识别矿下风筒自身产生的微振。
在进行矿下风筒微振数据的识别前,需要建立一个平行网络用于偏移学习,使得卷积核在输入特征图的采样点发生偏移,剥离外在干扰因素,集中于关注的矿用风筒设备微振目标,建立的平行网络即为常规的卷积神经网络,其网络架构如图8所示:
其中激活函数为ReLu,采用的计算公式为:;
分类函数使用SoftMax函数,采用的计算公式为:;
式中C为输出类型的个数,本发明的C值取3;Xi为第i类振频的概率值,本发明取概率最大的类型作为输出值。
在可变形卷积的操作中,需要对常规卷积网络中的感受野内的每一个点增加偏移量进行扩张,得到改进后的计算公式为:
;
式中代表感受野R内的任意一点,/>代表感受野中心的点,/>代表偏移量;
对于可变形池化而言,与可变形卷积操作基本相同,此时需要增加一个偏移量,改进后的计算公式为:
;
式中,bin(i,j)表示将感受野内第K块的i行j列,将一张n*n的图像按照m*m的比例进行分割,分割为N块,其中,n≥m,参数K∈N。
如图7所示,本发明通过采用上述可变形卷积和可变形关注区域池化的卷积神经网络组合分析方法,有效剔除煤矿井下非风筒设备产生的振动对风筒表面造成的影响,获得由矿用风筒自身产生的微振与电能处理模块的映射模型,为实现煤矿井下能量再利用奠定基础;采用上述能量自适应转换方法,可得频谱分类模型,实现对设备的频谱分析,从而高效收集矿井通风设备运行时产生的振动能量,解决矿井中通风设备产生的大量振动能量而无法利用的问题。
进一步地,根据频谱分类数据,对设备振动分为低频、中频、高频三类进行反馈,基于自适应切换功能按照分类结果切换至对应的电能处理模块。
上述低频电能处理模块中包括:低频整流电路、滤波电路、稳压电路;
上述中频电能处理模块中包括:整流电路、滤波电路、稳压电路;
上述高频电能处理模块中包括:高频整流电路、多级滤波电路、多级稳压电路。
进一步地,将处理后的电能输入到矿用电能存储模块中,存储的电能为能量转换装置中的CCD图像传感器和附近设备提供电能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于矿用风筒振动频谱的能量自适应转换装置,其特征在于:包括用于采集矿用风筒自身固有振动频率数据和将振动能量转换为电能的能量转换装置;
包括用于对所述能量转换装置输出的电能进行自适应匹配的能量处理装置;
电能处理模块包括低频、中频、高频电能处理模块;CCD图像传感器将采集到的设备实时加速度数据经由频谱分析过后生成设备的频谱分类数据,上述频谱分类数据的类别分为f<10Hz的低频振动、f=10~1000Hz的中频振动、f>1000Hz的高频振动三类;基于风筒自身产生的微振与电能处理模块的映射模型,依据频谱分类数据的分类结果将电能处理模块自适应切换至对应的低频、中频或高频电能处理模块;其中,低频振动、中频振动、高频振动分别对应于低频、中频、高频电能处理模块;
所述能量转换装置的电能输出端与能量处理装置电连接,所述能量处理装置的电能输出端与储能设备电连接;
所述能量转换装置包括:第一刚性外壳、CCD图像传感器、压电式能量收集模块、固定孔、第一通信端口、第一连接线;
所述第一刚性外壳通过固定孔与矿用风筒设备刚性连接;
所述CCD图像传感器和压电式能量收集模块均安装在第一刚性外壳的底部;
所述第一通信端口通过第一连接线分别与CCD图像传感器、压电式能量收集模块相连;
所述能量处理装置包括:第二刚性外壳、矿用电能存储模块、电能处理模块、第二通信端口、第二连接线、散热台;
所述矿用电能存储模块和散热台均安装在第二刚性外壳的底部;
所述电能处理模块安装在散热台上;
所述CCD图像传感器通过第一通信端口和第一连接线将采集到的设备振频数据传输到电能处理模块;
所述矿用电能存储模块将存储的电能通过第二通信端口和第二连接线传输到CCD图像传感器;
将电能处理模块处理后的电能输入到矿用电能存储模块中。
2.一种基于矿用风筒振动频谱的能量自适应转换方法,其特征在于:包括如下转换步骤:
步骤一:将能量转换装置安装在矿用风筒设备上并起动,控制CCD图像传感器实时采集矿用风筒设备的振动图像,电能处理模块根据预设的振动频谱分析数据对采集图像的振动频谱进行实时分析;
步骤二:结合能量转换装置中的加速度感知模块采集到的实时加速度数据,由电能处理模块基于可变形卷积和可变形感兴趣区域池化的卷积神经网络组合分析,得到由矿用风筒自身产生的微振与电能处理模块的映射模型;
步骤三:控制压电式能量收集模块将环境中无序的机械振动转换成周期性振荡的机械能,利用压电材料的正压电效应将周期性振动的机械能转换为电能;
步骤四:自适应匹配电能处理方式,处理为符合预设要求的电能来给其他设备或储能设备供电;
电能处理模块包括低频、中频、高频电能处理模块;CCD图像传感器将采集到的设备实时加速度数据经由频谱分析过后生成设备的频谱分类数据,上述频谱分类数据的类别分为f<10Hz的低频振动、f=10~1000Hz的中频振动、f>1000Hz的高频振动三类;基于风筒自身产生的微振与电能处理模块的映射模型,依据频谱分类数据的分类结果将电能处理模块自适应切换至对应的低频、中频或高频电能处理模块;其中,低频振动、中频振动、高频振动分别对应于低频、中频、高频电能处理模块。
3.根据权利要求2所述的一种基于矿用风筒振动频谱的能量自适应转换方法,其特征在于:所述步骤二中建立映射模型的具体步骤为:
步骤2.1:通过CCD图像传感器将采集到的设备实时加速度数据,经由频谱分析过后生成设备的频谱分类数据,类别分别对应于低频、中频、高频电能处理模块,将处理后的电能输入到矿用电能储能模块中储存;
步骤2.2:控制电能处理模块建立平行网络模型用于偏移学习,建立的平行网络作为卷积神经网络,采用的激活函数为ReLu,针对图像数据处理的计算公式为:
;
采用的分类函数为SoftMax函数,针对图像数据处理的计算公式为:
;
式中C为输出类型的个数;Xi为第i类振频的概率值;
步骤2.3:在可变形卷积的操作中,对常规卷积网络中的感受野内的每一个点增加偏移量进行扩张,得到改进后的计算公式为:
;
式中代表感受野R内的任意一点,/>代表感受野中心的点,/>代表偏移量;
对于可变形池化而言,与可变形卷积操作基本相同,此时需要增加一个偏移量,改进后的计算公式为:
;
式中,bin(i,j)表示将感受野内第K块的i行j列,将一张n*n的图像按照m*m的比例进行分割,分割为N块,其中,n≥m,参数K∈N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502353.0A CN116232123B (zh) | 2023-05-06 | 2023-05-06 | 一种基于矿用风筒振动频谱的能量自适应转换装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310502353.0A CN116232123B (zh) | 2023-05-06 | 2023-05-06 | 一种基于矿用风筒振动频谱的能量自适应转换装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116232123A CN116232123A (zh) | 2023-06-06 |
CN116232123B true CN116232123B (zh) | 2023-08-08 |
Family
ID=86587635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310502353.0A Active CN116232123B (zh) | 2023-05-06 | 2023-05-06 | 一种基于矿用风筒振动频谱的能量自适应转换装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116232123B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
EP2109217A2 (en) * | 2008-04-07 | 2009-10-14 | Stichting IMEC Nederland | System and method for resonance frequency tuning of resonant devices |
CN108365729A (zh) * | 2018-04-28 | 2018-08-03 | 忻州师范学院 | 一种自适应电磁-摩擦复合振动能量采集器 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110262243A (zh) * | 2019-07-02 | 2019-09-20 | 上海大学 | 一种混合并联自适应结构微振动主动控制方法 |
CN113795773A (zh) * | 2019-03-08 | 2021-12-14 | 欧司朗股份有限公司 | 用于lidar传感器系统的部件,lidar传感器系统,lidar传感器装置,用于lidar传感器系统的方法和用于lidar传感器装置的方法 |
CN114233581A (zh) * | 2021-12-13 | 2022-03-25 | 山东神戎电子股份有限公司 | 一种风机机舱智能巡视报警系统 |
CN114862809A (zh) * | 2022-05-19 | 2022-08-05 | 杭州意能电力技术有限公司 | 一种基于移动终端与图像处理的振动监测方法和装置 |
CN114865943A (zh) * | 2022-04-20 | 2022-08-05 | 杭州电子科技大学 | 一种风致振动的压电-摩擦电耦合能量收集装置 |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN115165081A (zh) * | 2022-07-29 | 2022-10-11 | 东北大学 | 一种矿山机械振动信号采集及工况识别的系统和方法 |
CN115912991A (zh) * | 2022-12-16 | 2023-04-04 | 中北大学 | 一种电磁压电复合型拓频振动能量收集器及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7893599B2 (en) * | 2008-01-29 | 2011-02-22 | Washington State University | Energy converters and associated methods |
EP2133866B1 (en) * | 2008-06-13 | 2016-02-17 | Harman Becker Automotive Systems GmbH | Adaptive noise control system |
-
2023
- 2023-05-06 CN CN202310502353.0A patent/CN116232123B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
EP2109217A2 (en) * | 2008-04-07 | 2009-10-14 | Stichting IMEC Nederland | System and method for resonance frequency tuning of resonant devices |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN108365729A (zh) * | 2018-04-28 | 2018-08-03 | 忻州师范学院 | 一种自适应电磁-摩擦复合振动能量采集器 |
CN113795773A (zh) * | 2019-03-08 | 2021-12-14 | 欧司朗股份有限公司 | 用于lidar传感器系统的部件,lidar传感器系统,lidar传感器装置,用于lidar传感器系统的方法和用于lidar传感器装置的方法 |
CN110262243A (zh) * | 2019-07-02 | 2019-09-20 | 上海大学 | 一种混合并联自适应结构微振动主动控制方法 |
CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
CN114233581A (zh) * | 2021-12-13 | 2022-03-25 | 山东神戎电子股份有限公司 | 一种风机机舱智能巡视报警系统 |
CN114865943A (zh) * | 2022-04-20 | 2022-08-05 | 杭州电子科技大学 | 一种风致振动的压电-摩擦电耦合能量收集装置 |
CN114862809A (zh) * | 2022-05-19 | 2022-08-05 | 杭州意能电力技术有限公司 | 一种基于移动终端与图像处理的振动监测方法和装置 |
CN115165081A (zh) * | 2022-07-29 | 2022-10-11 | 东北大学 | 一种矿山机械振动信号采集及工况识别的系统和方法 |
CN115912991A (zh) * | 2022-12-16 | 2023-04-04 | 中北大学 | 一种电磁压电复合型拓频振动能量收集器及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116232123A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116232123B (zh) | 一种基于矿用风筒振动频谱的能量自适应转换装置及方法 | |
CN111342485A (zh) | 一种基于边缘计算的分布式电源电力分配方法 | |
CN107589776A (zh) | 最大功率点跟踪方法、mppt控制器及光伏发电系统 | |
Rizman et al. | Smart multi-application energy harvester using Arduino | |
CN113708402A (zh) | 一种离网型微电网的能量分配管理系统及其方法 | |
CN106056467A (zh) | 基于物联网和云平台的能源管理系统 | |
Kala et al. | Effect of change in power coefficient on the performance of wind turbines with different dimensions | |
CN106602605A (zh) | 光伏阵列的最大功率点跟踪控制系统及光伏空调系统 | |
Chew et al. | Combined power extraction with adaptive power management module for increased piezoelectric energy harvesting to power wireless sensor nodes | |
Mohan et al. | The future of energy harvesting: A brief review of MXenes‐based triboelectric nanogenerators | |
WO2021043912A1 (en) | System and method for balancing power in an offshore renewable power system | |
CN112082597A (zh) | 桥梁检测系统 | |
CN116067188A (zh) | 一种六氟磷酸锂制备用的余热回收系统 | |
KR20230161721A (ko) | 딥 러닝 기반 재생 에너지 소비 및 생산 예측 방법 및 그 장치 | |
CN104158435A (zh) | 一种高效压电发电机 | |
CN208174339U (zh) | 一种基于压电新能源的输电线路视频监控供电装置 | |
Dhananjaya et al. | A survey of energy harvesting sources for IoT device | |
CN206349772U (zh) | 电池盒控制系统 | |
CN207728400U (zh) | 尾排废气再利用系统 | |
CN109931970A (zh) | 一种气流监测应用程序 | |
CN108365638B (zh) | 基于无线传感器网络的能源微网分布式功率控制系统 | |
CN116254575B (zh) | 一种基于模拟退火算法的制氢效率优化控制系统及方法 | |
CN114087113B (zh) | 一种全周向高效绕轴式波浪能发电装置及其工作方法 | |
CN219605464U (zh) | 一种风电机组液压变桨模拟系统 | |
CN202872393U (zh) | 电子产品和电器产品的供电系统 |
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 |