一种矿用真空接触器的模态时频图ResNet健康管理系统

一种矿用真空接触器的模态时频图resnet健康管理系统
技术领域
1.本发明涉及矿用真空接触器健康管理领域，特别涉及一种将振动信号转换成模态时频图并基于resnet的接触器健康管理系统。


背景技术：

2.矿用真空接触器根据控制指令，在系统正常运行或发生故障时，接通、切断电机供电线路。其性能与矿井的生产效率和安全休戚相关。然而ckj5-xxx/1140真空接触器触头间距极短，仅有3mm，有时每小时高达数百次地频繁开通和关断，甚至切断4000a的短路电流，加之矿井环境潮湿，容易造成触头黏连、弹簧疲劳、基座松动、铁心生锈等故障，若不及时辨识，会引起巨大经济损失。
3.目前，真空接触器的研究集中于离线故障类型、故障成因以及故障维修分析。为推动无人值守工作面技术的发展，真空接触器在线健康管理提上日程。唐斌等通过采样合闸线圈电流确定故障类型。[唐斌,胡国庆,刘双强,沈华启,黄徐旻,袁钰林.基于仿真与试验研究相结合的真空接触器故障模式分析[j].高压电器,2021,57(05):175-181 188.] 然而相比振动信号，线圈电流无法全面表征接触器健康状态。鉴于振动信号呈现一定的非平稳性和非线性，因此需要研发一种自适应提取信号特征，深度挖掘信号时频特征的真空接触器健康管理系统。


技术实现要素：

[0004]
本发明是为解决上述问题而进行的，目的在于提供一种矿用真空接触器的模态时频图resnet健康管理系统，主要是通过模拟方式采集矿用真空接触器正常情况下的振动信号和模拟矿用真空接触器多种故障振动信号并对采集得到的振动信号进行下采样处理，扩大样本数再进行自适应特征信号提取，得到时频图输入模型进行迭代训练得到预测结果，通过预测结果对矿用真空解触器状态进行判断，从而实现接触的健康管理，本发明采用了如下技术方案：
[0005]
本发明提供了一种矿用真空接触器的模态时频图resnet健康管理系统，其特征在于，包括：振动信号采集模块，用于采集矿用真空接触器的振动信号；专家数据库模块，用于为resnet模型的训练提供训练样本，其中，通过模拟方式，模拟所述矿用真空接触器在故障情况下的所述振动信号，并对模拟得到的所述振动信号进行下采样，从而扩大所述训练样本的数量；特征信号提取模块，利用上位机算法对采集到的所述振动信号进行信号特征提取，得到时频图；以及 resnet故障诊断模块，将所述特征信号提取模块生成的所述时频图输入预先训练好的所述resnet模型，得到所述矿用真空接触器的状态判断，从而实现对所述矿用真空接触器的健康管理。
[0006]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述振动信号采集模块包括多个加速度传感器、恒流源、高速采集卡以及上位机，所述恒流源的一端分别与所述多个加速度传感器相连接，为所述多个加速度
传感器供电，所述恒流源的另一端与所述高速采集卡的一端相连接，充当信号通道，所述高速采集卡的另一端通过以太网与所述上位机相连接。
[0007]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述加速度传感器采用 ct1001l加速度传感器；所述恒流源采用ct5201恒流源适调器；所述高速采集卡采用的是ni mcc usb-e160816位多功能以太网采集卡，将所述振动信号转换为数字信号。
[0008]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述专家数据库模块中，所述故障情况包括：弹簧疲劳故障，通过将所述矿用真空接触器的分闸弹簧减小4mm进行模拟；基座松动故障，通过将所述矿用真空接触器的基座固定螺丝松开5mm进行模拟；以及铁心生锈故障，通过在所述矿用真空接触器的铁心与衔铁接触面上撒上粉尘进行模拟。
[0009]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述专家数据库模块中，信号采样率为500khz，采样时长为50ms，下采样频率为50khz。
[0010]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述特征信号提取模块中，所述上位机算法包括：变分模态分解方法，用于将所述振动信号自适应地分解成多个具有最佳中心频率的固有模态分量，从而提取所述振动信号的信号特征信息；灰狼优化算法，用于对所述变分模态分解方法的参数进行优化；以及小波时频图算法，用于将所述变分模态分解方法分解得到的多个所述固有模态分量，通过小波变换生成小波时频图，即所述时频图。
[0011]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述变分模态分解方法的所述参数包括固有模态分量个数k以及惩罚因子α，所述灰狼优化算法以最小包络熵作为适应度函数，设置所述模态分量个数k的范围为2-10、所述惩罚因子α的范围为200-4000，通过迭代选优，在设置的所述范围内寻找所述最小包络熵对应的所述模态分量个数k以及所述惩罚因子α，从而得到优化后的所述参数。
[0012]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，所述小波时频图算法的参数包括采样频率、小波基以及尺度序列长度，所述采样频率为50khz、所述小波基为cmor4-3、所述尺度序列长度为256。
[0013]
本发明提供的矿用真空接触器的模态时频图resnet健康管理系统，还可以具有这样的技术特征，其中，对所述resnet模型进行训练包括以下步骤：步骤s1，对所述特征信号提取模块生成的所述时频图进行数据划分，随机得到不同的训练集、测试集，步骤s2，对所述训练集中的所述时频图进行数据预处理，其中，数据处理包括：利用resize函数剪裁所述训练集时频图；利用centercrop函数选取中间图像；以及将裁剪后的所述训练集时频图进行随机翻转、标准化和归一化处理，步骤s3，将所述训练集的所述时频图输入所述resnet 模型中，并设置超参数，通过迭代训练得到训练好的所述resnet模型。
[0014]
发明作用与效果
[0015]
根据本发明的矿用真空接触器的模态时频图resnet健康管理系统，由于对矿用真空接触器采用专家数据库模块进行下采样数据扩充和利用resnet故障诊断模块进行resnet模型训练得到预测结果，可以辨识出接触器目前运行状态，实现了接触器的健康管
理。因此，便于解决接触器运行状态识别准确率低、数据不充足随机性较高的问题。同时，本发明由于将采集的振动信号通过最佳参数变分模态分解得到k个模态信号，并将k个模态信号生成一张小波时频图，进行学习和状态识别，可以更深度挖掘原振动信号的特征信息，更好地学习每张时频图的特征，实现接触器运行状态更高准确率判断。
附图说明
[0016]
图1是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的逻辑框图；
[0017]
图2是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的振动信号采集模块结构示意图；
[0018]
图3是本发明实施例中对矿用真空接触器的模态时频图resnet健康管理系统的基于模态变量的小波时频图示例图；
[0019]
图4是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的实时健康管理流向示意图。
具体实施方式
[0020]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的矿用真空接触器的模态时频图resnet健康管理系统作具体阐述。
[0021]
《实施例》
[0022]
图1是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的逻辑框图。
[0023]
如图1所示，矿用真空接触器的模态时频图resnet健康管理系统100包括振动信号采集模块11、专家数据库模块12、特征信号提取模块13、模型训练模块14、数据存储模块15、resnet故障诊断模块16以及控制上述各模块的控制模块17。
[0024]
振动信号采集模块11，通过采集矿用真空接触器合闸时的加速度信号，得到所述矿用真空接触器振动信号。
[0025]
图2是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的振动信号采集模块结构示意图；
[0026]
本实施例中，如图3所示，振动信号采集模块11包括加速度传感器111、恒流源112、高速采集卡113以及上位机114，其中加速度传感器采用ct1001l加速度传感器该，传感器的灵敏度为10mv/g、使用频率范围为0.5khz-10khz、重量为10g、测量范围为500g、电压输出范围为
±
5v。由于接触器振动信号在不同位置采集往往不同，但波动趋势大致相同，通过多次测量后，选取三个振动信号最丰富的位置安置加速度传感器111。其中一个加速度传感器111通过m5螺丝安装在基座上，另外两个加速度传感器111通过磁力吸座分别吸附在接触器上部和下部；恒流源112采用ct5201恒流源适调器，恒流源112与加速度传感器111相连接，为加速度传感器111供电，同时充当信号通道，连接高速采集卡113，并通过以太网与上位机114相连；高速采集卡113选用的是ni mcc usb-e160816位多功能以太网采集卡。
[0027]
具体地，采集矿用真空接触器集振动信号时，首先将恒流源112 的开关由off端拨
到on端，当绿灯亮起时，说明适配器为传感器供电成功，同时恒流源112还有信号输出增益功能，可以将输入信号放大十倍，将高速采集卡113的输入端口连接到适配器的输出信号接口上，通过以太网方式与上位机114连接，实现数据的采集和保存。
[0028]
专家数据库模块12，用于为resnet模型的训练提供训练样本，其中，通过模拟方式，模拟所述矿用真空接触器在正常情况下以及故障情况下的所述振动信号，并对模拟得到的所述振动信号进行下采样，从而扩大所述训练样本的数量。
[0029]
本实施例中，采用模拟方式模拟接触器正常情况以及三种故障情况，并采集对应的振动信号，这三种故障情况分别是：弹簧疲劳故障、基座松动故障以及铁心生锈故障。
[0030]
具体地，设置信号采样率为500khz，采样时长为50ms，正常状态和三种故障状态分别采集60组数据，每个加速度传感器采集20组。弹簧疲劳故障通过将矿用真空接触器的分闸弹簧减小4mm进行模拟，基座松动故障通过将矿用真空接触器的基座固定螺丝松开5mm 模拟进行模拟，弹铁心生锈被污染故障通过在矿用真空接触器的铁心与衔铁接触面上撒上粉尘进行模拟模拟；鉴于真空接触器健康管理数据库不完备问题，采用下采样的方式，将采集的振动信号下采样频率设置为50khz，使样本数目扩大为原来的十倍，每组相当于600组数据，增加了数据样本，减少了接触器状态判断的随机性，便于更准确的判断接触器状态，更好地实现健康管理。
[0031]
特征信号提取模块13，利用上位机算法对采集到的振动信号进行信号特征提取，得到时频图。
[0032]
本实施例中，上位机算法包括灰狼优化算法、变分模态分解方法、小波时频图算法。
[0033]
变分模态分解方法用于将采集得到的振动信号自适应地分解成多个具有最佳中心频率的固有模态分量，从而提取该振动信号的信号特征信息。
[0034]
灰狼优化算法，用于对变分模态分解方法的参数进行优化，由于固有模态分量个数k和惩罚因子α对变分模态分解精度具有极大相关性，因此在利用灰狼算法优化变分模态分解后的变分模态分解参数时需选取最合适的固有模态分量个数k和惩罚因子α。本实施例中，首先先设置分解固有模态分量个数k的范围为2-10、惩罚因子α的范围为200-4000，通过不断迭代选优，在设定好的范围中寻找固有模态函数最小包络熵所选用的固有模态分量个数k和惩罚因子α，求出最佳变分模态分解算法参数。
[0035]
小波时频图算法，用于将所述变分模态分解方法分解得到的多个所述固有模态分量，通过小波变换生成小波时频图，即所述时频图。本实施例中，小波时频图算法的采样频率为50khz、小波基为 cmor4-3、所用尺度序列的长度为256。
[0036]
图3是本发明实施例中对矿用真空接触器的模态时频图resnet 健康管理系统的基于模态变量的小波时频图示例图。
[0037]
如图3所示，本实施例中，采用变分模态分解方法以及优化的参数对采集得到的振动信号进行分解，得到k个固有模态分量，再经过小波变换，生成小波时频率图。
[0038]
模型训练模块14，利用所述专家数据库模块12中提供的所述训练样本进行模型训练，得到训练好的resnet模型，其中，resnet模型以resnet50为骨干网络。
[0039]
本实施例中，模型训练模块14先对数据进行预处理，再将预处理完成的数据的时频图输入到resnet50模型进行迭代训练，得到训练好的resnet模型并存储至数据存储模块
15。
[0040]
具体地，首先对固有模态分量生成时频图进行数据划分，将接触器正常状态和三种故障状态的时频图各放入一个文件夹，每个文件夹含有所对应于一类振动信号的600张时频图，按照8:2的比例随机划分训练集、测试集。将训练集时频图通过resize函数剪裁，再通过 centercrop函数选取中间图像大小为224*224*3，将剪裁处理后的时频图水平随机翻转、标准化和归一化处理。然后将1920张随机选取并经过预处理的训练集模态时频图输入到resnet50模型中，设置超参数为每批处理图片个数batch_size设置为16，训练迭代次数epochs 设置为200，学习率设置为0.001，优化器采用adam算法，损失函数选用交叉熵损失函数，进行迭代训练，得到训练好的resnet模型并保存至数据存储模块15。最后将测试集中的数据输入保存的 resnet模型，用480张测试集时频图分类准确率来测试该模型。
[0041]
数据存储模块15，用于存储训练好的resnet模型。
[0042]
resnet故障诊断模块16，将特征信号提取模块13生成的时频图 (对应于实时采集的振动信号)输入数据存储模块15存储的resnet 模型，得到所述矿用真空接触器的状态判断，从而实现对所述矿用真空接触器的健康管理。
[0043]
图4是本发明实施例中矿用真空接触器的模态时频图resnet健康管理系统的实时健康管理流向示意图。
[0044]
如图4所示，基于上述的矿用真空接触器的模态时频图resnet 健康管理系统，对矿用真空接触器进行健康管理流程为，首先，振动信号采集模块11实时采集矿用真空接触器合闸时的加速度信号，得到所述矿用真空接触器实时的振动信号，然后，特征信号提取模块 13对实时采集的振动信号进行特征信号提取，得到时频图，最后， resnet故障诊断模块16将时频图输入到训练好的resnet模型中，得到预测结果，从而能够通过预测结果判断矿用真空接触器的运行状态，实现接触健康管理。
[0045]
实施例作用与效果
[0046]
根据本实施例提供的矿用真空接触器的模态时频图resnet健康管理系统，由于对矿用真空接触器采用专家数据库模块进行下采样数据扩充和利用resnet故障诊断模块进行resnet模型训练得到预测结果，便于高效辨识出接触器目前运行状态，实现了接触器的健康管理。以及由于将采集的振动信号通过最佳参数变分模态分解得到k个模态信号，并将k个模态信号生成一张小波时频图，进行学习和状态识别，得以更深度地挖掘原振动信号的特征信息，更好地学习每张时频图的特征，实现接触器运行状态更高准确率判断。更准确地判断健康状态。
[0047]
此外，由于通过模拟方式对三种最常见的故障情况进行了模拟，并得到对应的振动信号，因此有效扩大了训练样本的数量，从而能够训练得到更好的、能够达到更高预测精度的模型，从而能够更准确地判断矿用真空接触器的健康状态。
[0048]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。