CN117825642A - 基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 - Google Patents
基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 Download PDFInfo
- Publication number
- CN117825642A CN117825642A CN202410254705.XA CN202410254705A CN117825642A CN 117825642 A CN117825642 A CN 117825642A CN 202410254705 A CN202410254705 A CN 202410254705A CN 117825642 A CN117825642 A CN 117825642A
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- power generation
- early warning
- wind
- sensor
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 51
- 238000005065 mining Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012806 monitoring device Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910052802 copper Inorganic materials 0.000 claims abstract description 26
- 239000010949 copper Substances 0.000 claims abstract description 26
- 241001465754 Metazoa Species 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 229920001343 polytetrafluoroethylene Polymers 0.000 claims description 11
- 239000004810 polytetrafluoroethylene Substances 0.000 claims description 11
- 239000003990 capacitor Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000000087 stabilizing effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 231100001261 hazardous Toxicity 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- -1 polytetrafluoroethylene Polymers 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 241000283973 Oryctolagus cuniculus Species 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002305 electric material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种基于风能摩擦纳米发电的矿用气体浓度监测装置及方法，属于矿井危险气体浓度监测预警技术领域；解决了无线矿用传感器存在的维护和运营成本高且缺乏预警功能的问题；包括风能摩擦纳米发电装置和智能预警传感器，风能摩擦纳米发电装置包括风能发电装置和电能管理装置，风能发电装置包括封闭圆筒状的刚性外壳，刚性外壳的中心连接有转轴，转轴的一端伸出刚性外壳，伸出刚性外壳的转轴端部固定有多个风勺，转轴位于刚性外壳内的部分连接有转子，转子外表面粘贴有动物毛，转子与刚性外壳内壁之间留有孔隙，刚性外壳的内壁上等间隔粘贴有多个铜电极，铜电极内表面涂覆有绝缘薄膜；本发明应用于矿井危险气体监测。
Description
技术领域
本发明提供了一种基于风能摩擦纳米发电的矿用气体浓度监测装置及方法，属于矿井危险气体浓度监测预警技术领域。
背景技术
煤矿井下的生产环境异常复杂，面临着多种挑战，如光线不足、危险气体容易超标、粉尘浓度高、区域狭小易变形等多重问题。在这些问题中，危险气体浓度成为煤矿安全监测中至关重要的指标之一。危险气体一旦超标，可能引发爆炸、中毒等严重事故，及时发现和处理危险气体浓度异常是预防事故的有效手段。因此，一个高效、实时的监测系统不仅能够在危险气体浓度达到危险水平之前提供预警，还可以迅速采取措施，减缓事故的发展。
传统的工业矿用传感器采用外部电源供电，电路布线布局困难，尽管已经实现了气体浓度的监测与记录，但难以满足智慧矿山建设过程中对无线化和智能化的迫切需求。随着无线通讯技术的快速发展，结合WiFi、ZigBee、NB-IoT和5G等通信方式的无线传感器应运而生，然而凸显出来的问题是其功耗不断增大，这导致它们需要频繁地更换电池，从而增加了维护和运营的成本。
结合矿井环境特点，巷道中的气流通常具有较高的持续性，设计一种风能发电装置连续为无线传感器供电，不仅可以实现矿井危险气体浓度智能监测装置的可靠供电，降低装置宕机风险，同时有效利用矿井巷道自然资源，降低能源成本和对传统能源的依赖，其次，通过将气体浓度预测预警能力置于传感器设备本身，提前感知危险气体浓度未来变化趋势，自适应响应煤矿井下的环境变化，实现事故前的预警机制，为防范潜在危险创造了更加可靠的安全防线。
发明内容
本发明为了解决无线矿用传感器存在的维护和运营成本高且缺乏预警功能的问题，提出了一种基于风能摩擦纳米发电的矿用气体浓度监测装置及方法。
为了解决上述技术问题，本发明采用的技术方案为：一种基于风能摩擦纳米发电的矿用气体浓度监测装置，包括风能摩擦纳米发电装置和智能预警传感器，所述风能摩擦纳米发电装置包括风能发电装置和电能管理装置，所述风能发电装置包括封闭圆筒状的刚性外壳，所述刚性外壳的中心连接有转轴，所述转轴的一端伸出刚性外壳，且伸出刚性外壳的转轴端部固定有多个风勺，所述转轴位于刚性外壳内的部分连接有转子，所述转子外表面粘贴有动物毛，且转子与刚性外壳内壁之间留有孔隙，所述刚性外壳的内壁上等间隔粘贴有多个铜电极，所述铜电极的内表面涂覆有绝缘薄膜；
所述刚性外壳的底部连接有电能管理装置，所述电能管理装置的底部固定有智能预警传感器的防爆壳体，所述风能发电装置的电能输出端通过导线将风能摩擦产生的交流电传输到电能管理装置，所述电能管理装置的电能输出端通过导线给智能预警传感器供电，所述智能预警传感器内部集成有智能预测预警算法，所述智能预测预警算法通过图卷积神经网络GCN+LSTM对矿井内的危险气体浓度进行预测。
所述智能预警传感器包括设置在防爆外壳内的微控制器单元、历史数据存储单元、通信单元、智能预警单元和设置在防爆外壳外部的传感器监测单元，所述微控制器单元通过导线分别与传感器监测单元、历史数据存储单元、通信单元、智能预警单元相连；
所述传感器监测单元用于采集矿井中的危险气体浓度、风速、风向信息并发送至微控制器单元和历史数据存储单元；
所述微控制器单元用于控制传感器监测单元的数据采集和实现对矿井中危险气体浓度的智能预测预警；
所述历史数据存储单元用于存储传感器监测单元采集的数据，为智能预测预警算法提供数据支撑；
所述通信单元用于接收巷道内不同的矿用传感器装置的实时数据以及将预警信息通过无线方式传输至集控室；
所述智能预警单元用于对超过阈值的危险气体浓度进行报警。
所述转子与铜电极按照1：2的比例设置数量。
所述转子由6个立体扇形叶片以转轴为轴心30°等间隔排列组成，每个立体扇形叶片的扇形面的圆心角为30°，所述铜电极对应设置有12片。
所述铜电极内表面的绝缘薄膜具体采用聚四氟乙烯薄膜。
所述传感器监测单元设置在智能预警传感器的防爆壳体底部，为圆筒状，圆筒状的四周间隔设置有多个通孔，圆筒状的中心设置有传感器探头。
所述电能管理装置包括整流器、超级电容、电压比较器和稳压转换模块，所述整流器的交流输入端通过导线与风能发电装置的交流输出端相连，将风能发电装置产生的周期性的交流电转换为直流电存储在超级电容中，所述超级电容的两端分别连接电压比较器的两个输入端，所述电压比较器的输出端连接稳压转换模块，所述稳压转换模块输出直流电给智能预警传感器供电。
一种基于风能摩擦纳米发电的矿用气体浓度监测方法，采用基于风能摩擦纳米发电的矿用气体浓度监测装置，包括如下步骤：
步骤一：历史数据收集，通过传感器监测单元收集矿井内危险气体浓度、风速、风向历史时间序列数据，建立危险气体浓度监测数据库；
步骤二：数据预处理，以传感器监测单元为空间原点划分网格，每个网格代表了空间中的一个特定位置，基于风速风向的反距离加权插值法对所有网格内的危险气体浓度进行插值处理，得到空间离散化的危险气体浓度数据集；
步骤三：训练预测模型，采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型，采用步骤二的空间离散化的危险气体浓度数据集对危险气体浓度预测模型进行训练和验证，获取离线的危险气体浓度预测模型；
步骤四：将训练好的危险气体浓度预测模型移植至智能预警传感器的微控制器单元中，实现实时的危险气体浓度预测，输入插值后的危险气体浓度数据，预测未来一段时间内危险气体浓度的变化趋势，当危险气体浓度预测值超过设定阈值时，预警信息通过智能预警传感器的通信单元发送至集控室。
所述步骤二中基于风速风向的反距离加权插值法，具体插值步骤如下：
步骤2.1：计算传感器监测单元i到待插值网格X的浓度扩散距离d i ：
d i =(Q 1(i)+Q 2(i))L iX ；
式中：Q 1(i)为第i个传感器监测单元处风速对网格X的气体浓度扩散距离的影响程度，Q 2(i)为第i个传感器监测单元处风向对网格X的气体浓度扩散距离的影响程度，L iX 为第i个传感器监测单元与网格X中心的直线距离；
步骤2.2：计算第i个传感器监测单元风速与风向对气体浓度扩散距离的影响程度Q j (i)：
Q j (i)=；
式中，F i 为第i个传感器监测单元处的风速，为第i个传感器监测单元风向与网格X方位角的夹角；D i 为第i个传感器监测单元处风向的方位角；D iX 为第i个传感器监测单元与网格X的方位角；j=1,2；
步骤2.3：通过反距离加权插值计算网格X的危险气体浓度V X ：
；
式中，n为传感器监测单元数量，V i 为第i个传感器监测单元气体浓度，为浓度扩散距离d i 的p次方。
所述步骤三中采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型的步骤如下：
步骤3.1：构建图结构，将空间离散化的危险气体浓度数据集输入图卷积神经网络，其中每个网格作为图的节点，节点之间的边表示空间关系，对图进行卷积操作，以捕捉节点之间的空间依赖关系，从而产生空间上的危险气体浓度的节点表示；
步骤3.2：使用LSTM层处理时序数据，以捕捉危险气体浓度数据时序上的依赖关系，从而产生时序上的危险气体浓度的节点表示；
步骤3.3：整合危险气体浓度时间空间特征信息，利用全连接层将时空特征映射到更高维度的表示空间；
步骤3.4：全连接层预测，利用全连接层将高维表示映射到输出空间，生成最终的危险气体浓度的预测结果。
本发明相对于现有技术具备的有益效果为：本发明提供首次公开了一种风能摩擦纳米发电装置，有效利用矿井巷道内大量的风能资源，为智能预警传感器提供可靠的能量来源，其次公开了一种智能预警传感器，通过对微控制器单元编写智能预测预警算法，使其具有边缘计算功能，提前感知危险气体浓度变化趋势并预警。本发明相比现有的气体传感器，既利用矿井源源不断的风能实现了自主供电，又以实时监测的危险气体浓度为数据基础，赋予智能预警传感器边缘计算功能，使其更具智能化，且降低了维护成本。
附图说明
下面结合附图对本发明做进一步说明：
图1是本发明基于风能摩擦纳米发电的矿用气体浓度监测装置的结构框图；
图2是本发明基于风能摩擦纳米发电的矿用气体浓度监测装置的结构示意图；
图3为去掉图2中顶盖的结构示意图；
图4是本发明风能摩擦纳米发电装置的发电原理图；
图5是本发明电能管理装置的电路原理图；
图6是本发明图卷积神经网络GCN+LSTM的构建示意图；
图中：100为风能摩擦纳米发电装置、200为智能预警传感器、1为风能发电装置、11为风勺、12为转轴、13为轴承、14为铜电极、15为转子、16为刚性外壳、17为能量输出正端子、18为能量输出负端子、2为电能管理装置、21为整流器、22为超级电容、23为电压比较器、24为稳压转换模块、3为传感器监测单元、4为微控制器单元、5为历史数据存储单元、6为通信单元、7为智能预警单元。
具体实施方式
如图1-6所示，本发明提供了一种基于风能摩擦纳米发电的矿用气体浓度监测装置，具体包括风能摩擦纳米发电装置100和智能预警传感器200两部分，其中，风能摩擦纳米发电装置100包括风能发电装置1和电能管理装置2，智能预警传感器200包括防爆外壳，在防爆外壳内设置有微控制器单元4、历史数据存储单元5、通信单元6和智能预警单元7，在防爆外壳外部设置有传感器监测单元3；
风能发电装置1的电能输出端通过导线将风能摩擦产生的交流电传输到电能管理装置2；电能管理装置2的电能输出端通过导线分别与智能预警传感器200的传感器监测单元3、微控制器单元4、历史数据存储单元5、通信单元6、智能预警单元7连接，为整个智能预警传感器200提供电能；
微控制器单元4通过导线分别与传感器监测单元3、历史数据存储单元5、通信单元6、智能预警单元7相连；
其中传感器监测单元3用于采集矿井中的危险气体浓度、风速、风向信息并发送至微控制器单元4和历史数据存储单元5；
微控制器单元4用于控制传感器监测单元3的数据采集和实现智能预测预警算法；
历史数据存储单元5用于存储传感器监测单元3采集的数据，为智能预测预警算法提供数据支撑，并做定期清除处理；
通信单元6用于接收巷道内不同的矿用传感器装置的实时数据以及将预警信息通过无线方式传输至集控室；
智能预警单元7用于对超过阈值的危险气体浓度进行报警。
如图2-3所示，本发明提出的基于风能摩擦纳米发电的矿用传感器装置的结构如下：包括从上往下设置的风勺11、转轴12、轴承13、铜电极14、转子15、刚性外壳16、电能管理装置2、智能预警传感器200和传感器监测单元3，其中刚性外壳16为密封的圆筒，圆筒顶部有可拆卸的顶盖，转轴12通过轴承13固定在刚性外壳16的中心，刚性外壳16的顶部围绕转轴12设置有转子15，且转轴12伸出刚性外壳16的一端固定有三个风勺11，转子15由6个圆心角为30°的立体扇形叶片以转轴12为轴心30°等间隔排列组成，转子15的外表面粘贴有动物毛，具体可采用兔毛，兔毛是一种优良的正电材料，且摩擦阻力低，能有效增加风电转换效率，转子15与刚性外壳16内壁留有2mm空隙，刚性外壳16内壁粘贴12片等间隔排列的铜电极14；铜电极14内表面涂抹聚四氟乙烯（PTFE）薄膜，该PTFE薄膜是一种负电材料，并作为电绝缘体，可有效隔离电荷，避免电流的泄漏与损耗；刚性外壳16为由亚克力板制成的密封的圆筒，将转子15和铜电极14封闭在圆筒内，有效减小外部环境对风能发电装置1的影响。刚性外壳16的底部固定有电能管理装置2，电能管理装置2的底部固定有智能预警传感器200，智能预警传感器200的底部固定有传感器监测单元3，传感器监测单元3为圆筒状，圆筒状的四周间隔设置有多个通孔，圆筒状的中心设置有传感器探头，通过在圆筒状的四周设置通孔能够使得传感器探头与矿井内的危险气体进行充分的接触，保证检测的灵敏度。
使用时将本发明的矿用气体浓度监测装置放置于巷道两帮，将风勺11旋转的方向对准下风口，有效完成对矿井中风能的收集，从而实现对智能预警传感器200的有效供电。
如图4所示为本发明风能摩擦纳米发电装置的发电原理图，将12片铜电极14间隔分成两组，两组铜电极14分别用不同的两根导线连接起来，当转子15与铜电极14正对重叠时（相对旋转0°），由于静电感应作用，兔毛摩擦层带正电，PTFE薄膜层带等量的负电荷；当风力驱动转子15所带正电摩擦层逆时针旋转0-30°时，两摩擦层的接触面积减小，带正电的兔毛摩擦层吸引负电荷，带负电的PTFE薄膜层吸引正电荷，为保持静电平衡，相邻两铜电极14表面正向电势差逐渐增大驱动外部负载发生电荷转移产生正向电流，并通过能量输出正端子17和能量输出负端子18输出至电能管理装置2；当转子15与铜电极14相对旋转30°-60°至再次正对重叠时，两组铜电极14表面负向电势差达到最大，产生反向电流。
其中风能发电装置1的输出电压V为：
；
上式中：Q为PTFE薄膜与铜电极之间的转移电荷量、S为PTFE薄膜与铜电极之间的有效接触面积、d 0为PTFE薄膜介电厚度、ε 0为真空介电常数、ε 1为PTFE薄膜介电常数、x为PTFE薄膜与铜电极之间的分离距离、σ为摩擦电荷密度。
如图5所示为本发明电能管理装置的电路原理示意图，风能发电装置1产生周期性的交流电经整流器21转换为直流电，存储于超级电容22中，超级电容22充电速度快，长期使用免维护。随着超级电容22两端的电压不断升高，经电压比较器23处理后，当其电压高于5V时，开启稳压转换模块24，得到智能预警传感器200所需要的供电电压VCC。
本发明还提出了一种基于风能摩擦纳米发电的矿用气体浓度监测方法，其实现步骤如下：
步骤一：历史数据收集，通过传感器监测单元3收集矿井内危险气体浓度、风速、风向历史时间序列数据，建立危险气体浓度监测数据库；
步骤二：数据预处理，以传感器监测单元3为空间原点划分网格，每个网格代表了空间中的一个特定位置，基于风速风向的反距离加权插值法对所有网格内的危险气体浓度进行插值处理，得到空间离散化的危险气体浓度数据集；
步骤三：训练预测模型，采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型，采用步骤二的空间离散化的危险气体浓度数据集对危险气体浓度预测模型进行训练和验证，获取离线的危险气体浓度预测模型；
步骤四：将训练好的危险气体浓度预测模型移植至智能预警传感器200的微控制器单元4中，以实现实时的危险气体浓度预测，输入插值后的危险气体浓度数据，预测未来一段时间内危险气体浓度的变化趋势，当危险气体浓度预测值超过设定阈值时，预警信息通过智能预警传感器200的通信单元6发送至集控室。
步骤二中基于风速风向的反距离加权插值法，具体插值步骤如下：
步骤2.1：计算传感器监测单元i到待插值网格X的浓度扩散距离d i ：
d i =(Q 1(i)+Q 2(i))L iX ；
式中：Q 1(i)为第i个传感器监测单元处风速对网格X的气体浓度扩散距离的影响程度，Q 2(i)为第i个传感器监测单元处风向对网格X的气体浓度扩散距离的影响程度，L iX 为第i个传感器监测单元与网格X中心的直线距离；
步骤2.2：计算第i个传感器监测单元风速与风向对气体浓度扩散距离的影响程度Q j (i)：
Q j (i)=；
式中，F i 为第i个传感器监测单元处的风速，为第i个传感器监测单元风向与网格X方位角的夹角；D i 为第i个传感器监测单元处风向的方位角；D iX 为第i个传感器监测单元与网格X的方位角；j=1,2。
步骤2.3：通过反距离加权插值计算网格X的危险气体浓度V X ：
；
式中，n为传感器监测单元数量，V i 为第i个传感器监测单元气体浓度，为浓度扩散距离d i 的p次方，此处取p=2。
如图6所示为图卷积神经网络GCN+LSTM构建示意图，采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型的步骤如下：
步骤3.1：构建图结构，将空间离散化的危险气体浓度数据集输入图卷积神经网络，其中每个网格作为图的节点，节点之间的边表示空间关系，对图进行卷积操作，以捕捉节点之间的空间依赖关系，从而产生空间上的危险气体浓度的节点表示；
步骤3.2：使用LSTM层处理时序数据，以捕捉危险气体浓度数据时序上的依赖关系，从而产生时序上的危险气体浓度的节点表示；
步骤3.3：整合危险气体浓度时间空间特征信息，利用全连接层将时空特征映射到更高维度的表示空间，此处采用ReLU激活函数，其数学表达式为f(x)=max(0,x)，其中f(x)为神经网络中的激活函数，其中，x代表神经元接收到的输入信号加权和；
步骤3.4：全连接层预测，利用全连接层将高维表示映射到输出空间，生成最终的危险气体浓度的预测结果。
本发明可应用于矿井自供电危险气体浓度智能预测传感器，充分利用环境资源，实现能量转换，且为保障矿井安全提供了极大帮助。
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 (10)
1.一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：包括风能摩擦纳米发电装置和智能预警传感器，所述风能摩擦纳米发电装置包括风能发电装置和电能管理装置，所述风能发电装置包括封闭圆筒状的刚性外壳，所述刚性外壳的中心连接有转轴，所述转轴的一端伸出刚性外壳，且伸出刚性外壳的转轴端部固定有多个风勺，所述转轴位于刚性外壳内的部分连接有转子，所述转子外表面粘贴有动物毛，且转子与刚性外壳内壁之间留有孔隙，所述刚性外壳的内壁上等间隔粘贴有多个铜电极，所述铜电极内表面涂覆有绝缘薄膜；
所述刚性外壳的底部连接有电能管理装置，所述电能管理装置的底部固定有智能预警传感器的防爆壳体，所述风能发电装置的电能输出端通过导线将风能摩擦产生的交流电传输到电能管理装置，所述电能管理装置的电能输出端通过导线给智能预警传感器供电，所述智能预警传感器内部集成有智能预测预警算法，所述智能预测预警算法通过图卷积神经网络GCN+LSTM对矿井内的危险气体浓度进行预测。
2.根据权利要求1所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述智能预警传感器包括设置在防爆外壳内的微控制器单元、历史数据存储单元、通信单元、智能预警单元和设置在防爆外壳外部的传感器监测单元，所述微控制器单元通过导线分别与传感器监测单元、历史数据存储单元、通信单元、智能预警单元相连；
所述传感器监测单元用于采集矿井中的危险气体浓度、风速、风向信息并发送至微控制器单元和历史数据存储单元；
所述微控制器单元用于控制传感器监测单元的数据采集和实现对矿井中危险气体浓度的智能预测预警；
所述历史数据存储单元用于存储传感器监测单元采集的数据，为智能预测预警算法提供数据支撑；
所述通信单元用于接收巷道内不同的矿用传感器装置的实时数据以及将预警信息通过无线方式传输至集控室；
所述智能预警单元用于对超过阈值的危险气体浓度进行报警。
3.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述转子与铜电极按照1：2的比例设置数量。
4.根据权利要求3所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述转子由6个立体扇形叶片以转轴为轴心30°等间隔排列组成，每个立体扇形叶片的扇形面的圆心角为30°，所述铜电极对应设置有12片。
5.根据权利要求3所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述铜电极内表面的绝缘薄膜具体采用聚四氟乙烯薄膜。
6.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述传感器监测单元设置在智能预警传感器的防爆壳体底部，为圆筒状，圆筒状的四周间隔设置有多个通孔，圆筒状的中心设置有传感器探头。
7.根据权利要求2所述的一种基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：所述电能管理装置包括整流器、超级电容、电压比较器和稳压转换模块，所述整流器的交流输入端通过导线与风能发电装置的交流输出端相连，将风能发电装置产生的周期性的交流电转换为直流电存储在超级电容中，所述超级电容的两端分别连接电压比较器的两个输入端，所述电压比较器的输出端连接稳压转换模块，所述稳压转换模块输出直流电给智能预警传感器供电。
8.一种基于风能摩擦纳米发电的矿用气体浓度监测方法，采用如权利要求2-7任一项所述的基于风能摩擦纳米发电的矿用气体浓度监测装置，其特征在于：包括如下步骤：
步骤一：历史数据收集，通过传感器监测单元收集矿井内危险气体浓度、风速、风向历史时间序列数据，建立危险气体浓度监测数据库；
步骤二：数据预处理，以传感器监测单元为空间原点划分网格，每个网格代表了空间中的一个特定位置，基于风速风向的反距离加权插值法对所有网格内的危险气体浓度进行插值处理，得到空间离散化的危险气体浓度数据集；
步骤三：训练预测模型，采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型，采用步骤二的空间离散化的危险气体浓度数据集对危险气体浓度预测模型进行训练和验证，获取离线的危险气体浓度预测模型；
步骤四：将训练好的危险气体浓度预测模型移植至智能预警传感器的微控制器单元中，实现实时的危险气体浓度预测，输入插值后的危险气体浓度数据，预测未来一段时间内危险气体浓度的变化趋势，当危险气体浓度预测值超过设定阈值时，预警信息通过智能预警传感器的通信单元发送至集控室。
9.根据权利要求8所述的一种基于风能摩擦纳米发电的矿用气体浓度监测方法，其特征在于：所述步骤二中基于风速风向的反距离加权插值法，具体插值步骤如下：
步骤2.1：计算传感器监测单元i到待插值网格X的浓度扩散距离d i ：
d i =(Q 1(i)+Q 2(i))L iX ；
式中：Q 1(i)为第i个传感器监测单元处风速对网格X的气体浓度扩散距离的影响程度，Q 2(i)为第i个传感器监测单元处风向对网格X的气体浓度扩散距离的影响程度，L iX 为第i个传感器监测单元与网格X中心的直线距离；
步骤2.2：计算第i个传感器监测单元风速与风向对气体浓度扩散距离的影响程度Q j (i)：
Q j (i)= ；
式中，F i 为第i个传感器监测单元处的风速，为第i个传感器监测单元风向与网格X方位角的夹角；D i 为第i个传感器监测单元处风向的方位角；D iX 为第i个传感器监测单元与网格X的方位角；j=1,2；
步骤2.3：通过反距离加权插值计算网格X的危险气体浓度V X ：
；
式中，n为传感器监测单元数量，V i 为第i个传感器监测单元气体浓度，为浓度扩散距离d i 的p次方。
10.根据权利要求9所述的一种基于风能摩擦纳米发电的矿用气体浓度监测方法，其特征在于：所述步骤三中采用图卷积神经网络GCN+LSTM构建危险气体浓度预测模型的步骤如下：
步骤3.1：构建图结构，将空间离散化的危险气体浓度数据集输入图卷积神经网络，其中每个网格作为图的节点，节点之间的边表示空间关系，对图进行卷积操作，以捕捉节点之间的空间依赖关系，从而产生空间上的危险气体浓度的节点表示；
步骤3.2：使用LSTM层处理时序数据，以捕捉危险气体浓度数据时序上的依赖关系，从而产生时序上的危险气体浓度的节点表示；
步骤3.3：整合危险气体浓度时间空间特征信息，利用全连接层将时空特征映射到更高维度的表示空间；
步骤3.4：全连接层预测，利用全连接层将高维表示映射到输出空间，生成最终的危险气体浓度的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410254705.XA CN117825642B (zh) | 2024-03-06 | 2024-03-06 | 基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410254705.XA CN117825642B (zh) | 2024-03-06 | 2024-03-06 | 基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117825642A true CN117825642A (zh) | 2024-04-05 |
| CN117825642B CN117825642B (zh) | 2024-04-30 |
Family
ID=90513921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410254705.XA Active CN117825642B (zh) | 2024-03-06 | 2024-03-06 | 基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117825642B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014169724A1 (zh) * | 2013-04-16 | 2014-10-23 | 国家纳米科学中心 | 一种风力摩擦纳米发电机 |
| CN105704251A (zh) * | 2016-04-25 | 2016-06-22 | 南阳师范学院 | 基于风致振动压电能量自供能的矿井wsn安全监测系统 |
| KR20170059662A (ko) * | 2015-11-23 | 2017-05-31 | 울산대학교 산학협력단 | 마찰전기 기반 수소센서 및 그의 제조 방법 |
| CN112217265A (zh) * | 2020-10-12 | 2021-01-12 | 大连海事大学 | 一种自供能环境监测传感器装置 |
| CN113791124A (zh) * | 2021-05-20 | 2021-12-14 | 中国石油大学(华东) | 一种风力摩擦纳米发电机驱动的no2气体监测系统及其制备方法及应用 |
| WO2023000542A1 (zh) * | 2021-07-20 | 2023-01-26 | 浙江大学 | 一种摩擦纳米发电机及风速风向自驱动感知装置 |
| CN116307068A (zh) * | 2023-01-10 | 2023-06-23 | 北京工商大学 | 基于四维有向gcn-lstm模型的多城市多种大气污染物预测方法 |
-
2024
- 2024-03-06 CN CN202410254705.XA patent/CN117825642B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014169724A1 (zh) * | 2013-04-16 | 2014-10-23 | 国家纳米科学中心 | 一种风力摩擦纳米发电机 |
| KR20170059662A (ko) * | 2015-11-23 | 2017-05-31 | 울산대학교 산학협력단 | 마찰전기 기반 수소센서 및 그의 제조 방법 |
| CN105704251A (zh) * | 2016-04-25 | 2016-06-22 | 南阳师范学院 | 基于风致振动压电能量自供能的矿井wsn安全监测系统 |
| CN112217265A (zh) * | 2020-10-12 | 2021-01-12 | 大连海事大学 | 一种自供能环境监测传感器装置 |
| CN113791124A (zh) * | 2021-05-20 | 2021-12-14 | 中国石油大学(华东) | 一种风力摩擦纳米发电机驱动的no2气体监测系统及其制备方法及应用 |
| WO2023000542A1 (zh) * | 2021-07-20 | 2023-01-26 | 浙江大学 | 一种摩擦纳米发电机及风速风向自驱动感知装置 |
| CN116307068A (zh) * | 2023-01-10 | 2023-06-23 | 北京工商大学 | 基于四维有向gcn-lstm模型的多城市多种大气污染物预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| KAI HAN: "Wind-Driven Radial-Engine-Shaped Triboelectric Nanogenerators for Self- Powered Absorption and Degradation of NOX", ACS NANO, no. 14, 14 February 2020 (2020-02-14) * |
| 王旭东;乔铁柱: "一种新型煤矿井下传感器供电方法研究", 煤炭工程, vol. 49, no. 1, 17 January 2017 (2017-01-17) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117825642B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Self-powered fault diagnosis of rolling bearings based on triboelectric effect | |
| CN109682989B (zh) | 基于摩擦纳米发电机的自驱动农业物联网风速传感器 | |
| Fu et al. | High output performance and ultra-durable DC output for triboelectric nanogenerator inspired by primary cell | |
| Talaat et al. | Artificial intelligence applications for microgrids integration and management of hybrid renewable energy sources | |
| Gui et al. | Self-powered smart agriculture real-time sensing device based on hybrid wind energy harvesting triboelectric-electromagnetic nanogenerator | |
| Gao et al. | A turbine disk-type triboelectric nanogenerator for wind energy harvesting and self-powered wildfire pre-warning | |
| CN110784121B (zh) | 一种升频式电磁-摩擦串联复合波浪能量采集系统 | |
| Zhang et al. | Irregular wind energy harvesting by a turbine vent triboelectric nanogenerator and its application in a self-powered on-site industrial monitoring system | |
| Ghaderiaram et al. | A multi-mode R-TENG for self-powered anemometer under IoT network | |
| Ouyang et al. | Copper particles-PTFE tube based triboelectric nanogenerator for wave energy harvesting | |
| Ramya et al. | Energy harvesting in wireless sensor networks | |
| Menéndez et al. | Displacement current-based energy harvesters in power grids: Topologies and performance evaluation | |
| CN112758252A (zh) | 一种长续航自供能海洋监测浮标 | |
| CN117825642B (zh) | 基于风能摩擦纳米发电的矿用气体浓度监测装置及方法 | |
| Cao et al. | A Rolling‐Bead Triboelectric Nanogenerator for Harvesting Omnidirectional Wind‐Induced Energy toward Shelter Forests Monitoring | |
| Gao et al. | Self-powered system for environment and aeolian vibration monitoring in the high-voltage transmission system by multi-directional wind-driven triboelectric nanogenerator | |
| Samosir et al. | Development of an IoT Based Monitoring System for Solar PV Power Plant Application | |
| Zhang et al. | A hybrid nanogenerator based on wind energy harvesting for powering self-driven sensing systems | |
| Hussain et al. | A Comprehensive Review on Techniques and Challenges of Energy Harvesting from Distributed Renewable Energy Sources for Wireless Sensor Networks | |
| CN109861579B (zh) | 自驱动农业物联网风速传感器纳米摩擦生电方法 | |
| CN109525141B (zh) | 风力纳米摩擦发电机 | |
| CN207685087U (zh) | 一种基于物联网的污水处理系统 | |
| Ji et al. | Efficient self-powered cathodic corrosion protection system based on multi-layer grid synergistic triboelectric nanogenerator and power management circuits | |
| Lateef et al. | Artificial intelligence techniques applied on renewable energy systems: a review | |
| CN206804688U (zh) | 一种自供能液体流速计 |
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 |