一种盾构机低压电器性能的集中检测方法与流程

本发明涉及一种用于低压电器检测的方法，更具体地说是涉及一种通过小波变换和卷积神经网络集中检测盾构机低压电器性能指标并自动判定电器工作状态的方法。

背景技术：

盾构机是一种在隧道掘进过程中同时能构建隧道支撑结构的专用装备，可靠性要求高，但由于盾构机一般作业的隧洞的洞线较长、埋深较大，岩石坚硬，连续且不均匀的大负载冲击对盾构机的电气系统影响较大，低压电器极易损坏，影响盾构机施工进度。同时盾构机低压电器数量大，且目前对盾构机的低压电器缺乏便捷智能检测方法和判断依据，检测效率低、流程繁杂且不准确可靠。

技术实现要素：

为避免上述现有技术所存在的不足之处，本发明提出了一种盾构机低压电器性能的集中检测方法。

本发明为完成上述目的采用如下技术方案：

一种盾构机低压电器性能的集中检测方法，首先通过电压和电流传感电路对盾构机待测低压电器的实时电压和电流信号进行采样，经过滤波放大，再经过a/d电路转换后送入上位计算机，上位机利用采样数据运用设计的分析算法进行分析计算；

一方面，检测算法采用sym3小波基方法对盾构机低压电器采集到的检测信号进行小波分解，得到12个信号分量，进而对各分量信号进行特征重构得到不同频段信号特征量，然后提取各频段信号特征量语义信息，进行电器分类识别;通过将上述特征向量进行降维以及卷积神经网络学习，对各待测电器的各种工作状态的检测数据进行神经推理网络训练，从而实现对低压电器工作性能和状态的精准判定；另一方面，卷积神经网络通过对大量盾构机低压电器性能信号特征量的自主学习训练，获取各种盾构机低压电器性能信号的主要特征。这样便可以对提取输入到卷积推理网络的特征向量，进行对比分析得到结果，并给出相应器件的维护时间、预测寿命以及维护意见，并将相应信息显示出来。

选定sym3为母小波，采用多分辨分析的mallat算法对负荷进行尺度为3的分解。先将待分解信号采用高通滤波器和低通滤波器滤波，得到一组低频信号和高频信号对照数据，同时对高低频信号分解到第n层（这里的n不特指某一特定数值，n取值越大，得到的信息特征越精确，系统识别误差越小，但随着n取值增加，数据计算量增长迅速，通过实验测定满足检测要求的前提下取值尽可能小，一般6-8能满足需要），每次分解得到的低频信号和高频信号长度都是原信号长度的一半，两者长度之和等于原信号的长度，滤波后进行数据隔点采样，分解结果保留原信号的信息特征;将分解的信号分量通过正交小波分解，把尺度顺序以各层高频小波分解系数序列的能量归一化，按顺序排列成向量作为特征向量，组成特征向量组，提取各频段信号特征量。

本发明提出的一种盾构机低压电器性能的集中检测方法对不同低压电器检测获得的信号采用小波变换的方法，提取检测信号的特征向量用来判定低压电器的类型，为便于后续的集中检测，需对特征向量进行预处理便于后续分析；本发明考虑到盾构机包括多种低压电器，它们检测数据标准各有不同，且检测信号具有异构性、非平稳性和瞬时性等特点，为简化检测过程，实现智能化检测，对不同低压电器检测获得的信号采用小波变换的方法，提取检测信号的特征向量用来判定低压电器的类型，为便于后续对特征向量处理和分析，对提取到的特征向量进行降维处理，把处理过的特征向量作为卷积神经网络的一个输入向量，通过对各种电器的工作状态的检测数据经过神经推理网络训练实现对低压电器性能特性的判定，给出设备完好度评价，维护时间、预测寿命以及维护意见，并将相应信息显示出来。

附图说明

图1为集中检测盾构机低压电器性能实施流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。

图1为集中检测盾构机低压电器性能实施示意图；如图1所示，本发明的集中检测盾构机低压电器性能的方法，具体过程如下：

首先通过电压和电流传感器对盾构机待测低压电器的实时电压和电流信号进行采样，设置采样频率为100hz，信号的持续时间约为10s，经过滤波放大，再经过a/d电路转换后送入上位计算机，上位机利用采样数据运用设计的分析算法进行分析计算。

一方面，检测算法采用sym3小波基方法对盾构机低压电器采集到的检测信号进行小波分解，得到12个信号分量，进而对各分量信号进行特征重构得到不同频段信号特征量，然后提取各频段信号特征量语义信息，进行电器分类识别。通过将上述特征向量进行降维以及卷积神经网络学习，对各待测电器的各种工作状态的检测数据进行神经推理网络训练，从而实现对低压电器工作性能和状态的精准判定；另一方面，卷积神经网络通过对大量盾构机低压电器性能信号特征量的自主学习训练，获取各种盾构机低压电器性能信号的主要特征。这样便可以对提取输入到卷积推理网络的特征向量，进行对比分析得到结果，并给出相应器件的维护时间、预测寿命以及维护意见，并将相应信息显示出来。

本发明中的小波变换采用symlet3小波，简称sym3，是近似对称、正交的小波，其时域支撑性强，频段划分效果和实时性较好，具有更好的对称性，即一定程度上能够减少对信号进行分析和重构时的相位失真。采用多分辨分析的mallat算法对负荷进行尺度为3的分解。先将待分解信号采用高通滤波器和低通滤波器滤波，得到一组低频信号和高频信号对照数据，同时对高低频信号分解到第n层（这里的n不特指某一特定数值，n取值越大，得到的信息特征越精确，系统识别误差越小，但随着n取值增加，数据计算量增长迅速，通过实验测定满足检测要求的前提下取值尽可能小，一般6-8能满足需要），每次分解得到的低频信号和高频信号长度都是原信号长度的一半，两者长度之和等于原信号的长度，滤波后进行数据隔点采样，分解结果保留原信号的信息特征。将分解的信号分量通过正交小波分解，把尺度顺序以各层小波分解系数序列的能量归一化，按顺序排列成向量作为特征向量，组成特征向量组，提取各频段信号特征量。建立各频段信号特征量语义信息，以便后续进行电器分类识别。

本发明采用自适应神经模糊推理系统(anfis)对提取各频段信号特征量进行推理判定。anfis会将模糊控制中的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现，利用神经网络的学习机制自动地从输入输出样本数据中抽取规则，构成自适应神经模糊控制器，通过离线训练和在线学习算法进行模糊推理控制规则的自调整，采用sugeno型模糊规则和加权求和法计算总输出，此系统拥有以任意精度逼近任何线性或非线性函数的功能，省去了常规模糊系统用重心法进行清晰化的大量计算工作，使得数据处理最大限度地简化。

本发明采集数据进行小波分解提取特征向量，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。尽管本发明仅就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。