CN115222157B - 电流互感器铁芯数据智能预测装置 - Google Patents
电流互感器铁芯数据智能预测装置 Download PDFInfo
- Publication number
- CN115222157B CN115222157B CN202211082317.5A CN202211082317A CN115222157B CN 115222157 B CN115222157 B CN 115222157B CN 202211082317 A CN202211082317 A CN 202211082317A CN 115222157 B CN115222157 B CN 115222157B
- Authority
- CN
- China
- Prior art keywords
- iron core
- torus
- data
- finished product
- current transformer
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 149
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000010438 heat treatment Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 12
- 239000010959 steel Substances 0.000 claims abstract description 12
- 238000004804 winding Methods 0.000 claims abstract description 12
- 238000010422 painting Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- PMVSDNDAUGGCCE-TYYBGVCCSA-L Ferrous fumarate Chemical group [Fe+2].[O-]C(=O)\C=C\C([O-])=O PMVSDNDAUGGCCE-TYYBGVCCSA-L 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000007598 dipping method Methods 0.000 claims description 4
- 239000003973 paint Substances 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 230000035484 reaction time Effects 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000003292 glue Substances 0.000 description 3
- 238000000465 moulding Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
- H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
- H01F41/0206—Manufacturing of magnetic cores by mechanical means
- H01F41/0213—Manufacturing of magnetic circuits made from strip(s) or ribbon(s)
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Primary Health Care (AREA)
- Manufacturing Cores, Coils, And Magnets (AREA)
Abstract
本发明涉及一种电流互感器铁芯数据智能预测装置,包括:铁芯生产机构,包括钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备,所述铁芯成品为圆环体形状;信息预测设备,用于将内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积。本发明的电流互感器铁芯数据智能预测装置运行稳定、操控智能。由于能够针对同一生产线生产的电流互感器铁芯,采用定制结构的深度神经网络以基于先前各个电流互感器铁芯的产品数据智能预测后续生产的电流互感器铁芯的产品数据,从而为电流互感器铁芯产品的质量校正提供反应时间。
Description
技术领域
本发明涉及铁芯领域,尤其涉及一种电流互感器铁芯数据智能预测装置。
背景技术
电流互感器是依据电磁感应原理将一次侧大电流转换成二次侧小电流来测量的仪器。电流互感器是由闭合的铁芯和围绕的线圈组成。其中,铁芯是制造电流互感器并影响其性能的关键部件。在铁芯的制造过程中,如果可以对前期采集的数据进行整理,将为后面铁芯的制造提供极大的帮助。
CN114925718A公开了一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法。该预测方法包括:采集影响变压器铁芯接地电流的特征量实时数据,并进行预处理;将预处理后的特征量实时数据输入至预先构建并训练好的SSA优化BP神经网络模型中,获取变压器铁芯接地电流在线预测结果;SSA优化BP神经网络模型的训练方法包括:采集影响变压器铁芯接地电流的特征量历史数据;根据输入矩阵维度搭建BP神经网络模型,依据特征量历史数据对所搭建的BP神经网络模型进行模型训练,并在训练过程中采用SSA算法优化BP神经网络模型参数,得到SSA优化BP神经网络模型。该专利是利用神经网络模型对变压器铁芯接地电流的未来数据做出预测,并未涉及对于铁芯的数据预测。
CN114843096A公开了一种电流互感器铁芯包扎新方法,包括(1)材料预备:Q1:将电流互感器需要使用的铁芯进行预检,预检时包括:检测铁芯表面光洁、无破损、油污,在铁芯中挑选预测铁芯备用;Q2:确认铁芯的型号,根据铁芯的型号进行选择相适配的模具工装,选择模具工装后将Q1中预测铁芯放入模具工装中的型腔内再次确认工装是否正确;Q3:检查平板硫化机,将平板硫化机进行清理,使其保持洁净度,检查胶桶内胶量,在胶量不足时进行及时补充。该专利主要涉及将铁芯的外绝缘层一次成型,成型速度快,大大提高了生产效率,而不涉及铁芯本身的数据采集。
由此可见,现有技术中并未公开针对铁芯本身数据采集并为电流互感器铁芯产品质量的预测提供帮助的技术方案。
发明内容
为了解决上述问题,本发明提供了一种电流互感器铁芯数据智能预测装置,能够针对同一生产线生产的电流互感器铁芯,采用定制结构的深度神经网络以基于先前各个电流互感器铁芯的产品数据智能预测后续生产的电流互感器铁芯的产品数据,从而为电流互感器铁芯厂家对电流互感器铁芯产品质量的预测提供关键数据。
根据本发明的一方面,提供了一种电流互感器铁芯数据智能预测装置,所述装置包括:
铁芯生产机构,包括钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备,所述钢带卷绕设备用于将钢带绕成铁芯结构,所述加热罩体用于对放置在所述加热炉台上的铁芯结构进行第一预设时长的设定加热温度的加热处理,所述表面涂漆设备用于将完成第一预设时长的加热处理后的铁芯结构执行第二预设时长的浸漆处理以获得浸漆后的铁芯结构,所述成品传输设备用于将并浸漆后的铁芯结构作为待缠绕线圈的铁芯成品输出,所述铁芯成品为圆环体形状;
数据探测机构,用于在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积,所述数据探测机构包括命令接收设备、超声测量设备和/或视觉测量设备以及数据输出设备,所述命令接收设备与所述铁芯生产机构连接,所述数据输出设备与超声测量设备和/或视觉测量设备连接;
内容转换设备,与所述数据探测机构连接,用于将所述数据探测机构最新探测的设定数目的各个铁芯成品的圆环体厚度以及圆环体径向截面面积作为设定数目的各份输入内容输出;
信息预测设备,与所述内容转换设备连接,用于将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积;
其中,所述设定数目的取值与所述第一预设时长的数值反向关联,以及所述设定数目的取值与所述第二预设时长的数值反向关联。
本发明的电流互感器铁芯数据智能预测装置运行稳定、操控智能。由于能够针对同一生产线生产的电流互感器铁芯,采用定制结构的深度神经网络以基于先前各个电流互感器铁芯的产品数据智能预测后续生产的电流互感器铁芯的产品数据,从而为电流互感器铁芯产品的质量校正提供反应时间。
附图说明
以下将结合附图对本发明的实施方案进行描述。
图1为根据本发明实施方案示出的电流互感器铁芯数据智能预测装置所针对的电流互感器铁芯的应用场景示意图。
图2为根据本发明实施方案A示出的电流互感器铁芯数据智能预测装置的内部结构图。
图3为根据本发明实施方案B示出的电流互感器铁芯数据智能预测装置的内部结构图。
在本发明中,1:电流互感器铁芯;2:缠绕在电流互感器铁芯1上的线圈。
具体实施方式
下面将参照附图对本发明的电流互感器铁芯数据智能预测装置的实施方案进行详细说明。
图1为根据本发明实施方案示出的电流互感器铁芯数据智能预测装置所针对的电流互感器铁芯的应用场景示意图。
如图1所示,1为电流互感器铁芯,2为缠绕在电流互感器铁芯1上的线圈,共同用于构成一种电流互感器。
图2为根据本发明实施方案A示出的电流互感器铁芯数据智能预测装置的内部结构图,所述装置包括:
铁芯生产机构,包括钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备,所述钢带卷绕设备用于将钢带绕成铁芯结构,所述加热罩体用于对放置在所述加热炉台上的铁芯结构进行第一预设时长的设定加热温度的加热处理,所述表面涂漆设备用于将完成第一预设时长的加热处理后的铁芯结构执行第二预设时长的浸漆处理以获得浸漆后的铁芯结构,所述成品传输设备用于将并浸漆后的铁芯结构作为待缠绕线圈的铁芯成品输出,所述铁芯成品为圆环体形状;
数据探测机构,用于在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积,所述数据探测机构包括命令接收设备、超声测量设备和/或视觉测量设备以及数据输出设备,所述命令接收设备与所述铁芯生产机构连接,所述数据输出设备与超声测量设备和/或视觉测量设备连接;
内容转换设备,与所述数据探测机构连接,用于将所述数据探测机构最新探测的设定数目的各个铁芯成品的圆环体厚度以及圆环体径向截面面积作为设定数目的各份输入内容输出;
信息预测设备,与所述内容转换设备连接,用于将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积;
其中,所述设定数目的取值与所述第一预设时长的数值反向关联,以及所述设定数目的取值与所述第二预设时长的数值反向关联;
示例地,所述设定数目的取值与所述第一预设时长的数值反向关联,以及所述设定数目的取值与所述第二预设时长的数值反向关联中,所述第一预设时长的数值越小,所述设定数目的取值越大,以及所述第二预设时长的数值越小,所述设定数目的取值越大;
其中,所述铁芯生产机构还可以包括微控芯片,所述微控芯片分别与钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备连接,用于分别实现对钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备的运行参数的同步配置。
由此可见,本发明需要具备以下三处重要的发明构思:
首先:引入定制结构的深度神经网络,基于同一生产线生产的之前的产品数据预测后续电流互感器铁芯的圆环体厚度以及径向截面面积,从而为产品质量检验提供参考信息;
其次:具体的定制结构的深度神经网络中,将同一生产线之前生产的设定数目各件铁芯成品的圆环体厚度以及圆环体径向截面面积作为深度神经网络的输入数据,将后续电流互感器铁芯的圆环体厚度以及径向截面面积作为深度神经网络的输出数据;
再次:深度神经网络的定制参数与铁芯生产线的制造参数关联以实现对深度神经网络的结构定制,其中,深度神经网络的输入数据的数量与浸漆处理时长以及加热处理时长分别呈现反向关联的数值关系。
图3为根据本发明实施方案B示出的电流互感器铁芯数据智能预测装置的内部结构图。
相比较于图2,所述电流互感器铁芯数据智能预测装置还可以包括以下部件:
网络重构设备,与所述信息预测设备连接,用于将已知圆环体厚度以及圆环体径向截面面积的铁芯成品作为已知铁芯成品,并将已知铁芯成品的圆环体厚度以及圆环体径向截面面积作为深度神经网络的输出内容,将所述已知铁芯成品之前的预设数目的各个铁芯成品的圆环体厚度以及圆环体径向截面面积作为深度神经网络的设定数目的各个输入数据,实现对深度神经网络的单次学习动作;
参数储存机构,分别与所述铁芯生产机构、所述信息预测设备以及所述网络重构设备连接;
其中,所述参数储存机构可以采用本地存储器件或者远程存储器件来实现,例如,本地存储器件可以为内存芯片,远程存储器件可以为云端服务节点。
接着,继续对本发明的电流互感器铁芯数据智能预测装置的具体结构进行进一步的说明。
根据本发明任一实施方案的电流互感器铁芯数据智能预测装置中:
所述网络重构设备将完成多次训练后的深度神经网络发送给所述信息预测设备使用;
其中,所述网络重构设备将完成多次训练后的深度神经网络发送给所述信息预测设备使用包括:所述多次训练的次数与所述第一预设时长的数值反向关联,以及所述多次训练的次数与所述第二预设时长的数值反向关联;
其中,所述深度神经网络包括输入层、隐层和输出层,所述输入层和所述输出层的数量都为一个,所述隐层的数量为多个且所述隐层设置在所述输入层和所述输出层之间;
其中,所述参数储存机构用于存储所述第一预设时长、所述第二预设时长、所述多次训练的次数以及所述设定数目的取值。
根据本发明任一实施方案的电流互感器铁芯数据智能预测装置中:
将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积包括:将所述内容转换设备输出的每一份输入内容中的圆环体厚度以及圆环体径向截面面积分别进行八进制转换;
其中,将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积包括:将八进制转换后的数据作为所述深度神经网络的单个输入数据。
根据本发明任一实施方案的电流互感器铁芯数据智能预测装置中:
在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积包括:所述铁芯生产机构每生产一件铁芯成品,向所述命令接收设备发送一次成品制备命令以触发超声测量设备和/或视觉测量设备的测量动作;
其中,在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积还包括:采用超声测量模式和/或视觉测量模式测量所述铁芯成品的圆环体厚度;
其中,在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积还包括:采用超声测量模式和/或视觉测量模式测量所述铁芯成品的圆环体径向截面面积。
另外,在所述电流互感器铁芯数据智能预测装置中,将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积包括:所述深度神经网络输出的预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积为八进制数值表示模式。
尽管结合附图的较佳实施方案描述了本发明,然而可以理解,可以使用其它类似的实施方案,或对所描述的实施方案作出修改和添加,以执行本发明的相同的功能,而不脱离本发明。例如,尽管在仿真个人计算机的功能的数字设备的环境中描述了本发明的示例性实施方案,然而本领域的技术人员将认识到,本发明不限于这类数字设备,如本申请中所描述的,本发明可应用于任意数量的现有或新兴计算设备或环境。因此,本发明不应当限于任何单个实施方案,而是相反,应当依照所附权利要求书的广度和范围来解释。
Claims (10)
1.一种电流互感器铁芯数据智能预测装置,其特征在于,所述装置包括:
铁芯生产机构,包括钢带卷绕设备、加热罩体、加热炉台、表面涂漆设备以及成品传输设备,所述钢带卷绕设备用于将钢带绕成铁芯结构,所述加热罩体用于对放置在所述加热炉台上的铁芯结构进行第一预设时长的设定加热温度的加热处理,所述表面涂漆设备用于将完成第一预设时长的加热处理后的铁芯结构执行第二预设时长的浸漆处理以获得浸漆后的铁芯结构,所述成品传输设备用于将并浸漆后的铁芯结构作为待缠绕线圈的铁芯成品输出,所述铁芯成品为圆环体形状;
数据探测机构,用于在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积,所述数据探测机构包括命令接收设备、超声测量设备和/或视觉测量设备以及数据输出设备,所述命令接收设备与所述铁芯生产机构连接,所述数据输出设备与超声测量设备和/或视觉测量设备连接;
内容转换设备,与所述数据探测机构连接,用于将所述数据探测机构最新探测的设定数目的各个铁芯成品的圆环体厚度以及圆环体径向截面面积作为设定数目的各份输入内容输出;
信息预测设备,与所述内容转换设备连接,用于将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积;
其中,所述设定数目的取值与所述第一预设时长的数值反向关联,以及所述设定数目的取值与所述第二预设时长的数值反向关联。
2.如权利要求1所述的电流互感器铁芯数据智能预测装置,其特征在于,所述装置还包括:
网络重构设备,与所述信息预测设备连接,用于将已知圆环体厚度以及圆环体径向截面面积的铁芯成品作为已知铁芯成品,并将已知铁芯成品的圆环体厚度以及圆环体径向截面面积作为深度神经网络的输出内容,将所述已知铁芯成品之前的预设数目的各个铁芯成品的圆环体厚度以及圆环体径向截面面积作为深度神经网络的设定数目的各个输入数据,实现对深度神经网络的单次学习动作;
参数储存机构,分别与所述铁芯生产机构、所述信息预测设备以及所述网络重构设备连接。
3.如权利要求1-2任一所述的电流互感器铁芯数据智能预测装置,其特征在于,
网络重构设备将完成多次训练后的深度神经网络发送给所述信息预测设备使用。
4.如权利要求3所述的电流互感器铁芯数据智能预测装置,其特征在于,
所述网络重构设备将完成多次训练后的深度神经网络发送给所述信息预测设备使用包括:所述多次训练的次数与所述第一预设时长的数值反向关联,以及所述多次训练的次数与所述第二预设时长的数值反向关联;
其中,所述深度神经网络包括输入层、隐层和输出层,所述输入层和所述输出层的数量都为一个,所述隐层的数量为多个且所述隐层设置在所述输入层和所述输出层之间。
5.如权利要求4所述的电流互感器铁芯数据智能预测装置,其特征在于,
参数储存机构用于存储所述第一预设时长、所述第二预设时长、所述多次训练的次数以及所述设定数目的取值。
6.如权利要求1-2任一所述的电流互感器铁芯数据智能预测装置,其特征在于,
将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积包括:将所述内容转换设备输出的每一份输入内容中的圆环体厚度以及圆环体径向截面面积分别进行八进制转换。
7.如权利要求6所述的电流互感器铁芯数据智能预测装置,其特征在于,
将所述内容转换设备输出的各份输入内容作为深度神经网络的设定数目的各个输入数据并运行所述深度神经网络以获得预测的下一件铁芯成品的圆环体厚度以及圆环体径向截面面积包括:将八进制转换后的数据作为所述深度神经网络的单个输入数据。
8.如权利要求1-2任一所述的电流互感器铁芯数据智能预测装置,其特征在于,
在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积包括:所述铁芯生产机构每生产一件铁芯成品,向所述命令接收设备发送一次成品制备命令以触发超声测量设备和/或视觉测量设备的测量动作。
9.如权利要求8所述的电流互感器铁芯数据智能预测装置,其特征在于,
在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积还包括:采用超声测量模式和/或视觉测量模式测量所述铁芯成品的圆环体厚度。
10.如权利要求9所述的电流互感器铁芯数据智能预测装置,其特征在于,
在所述铁芯生产机构每生产一件铁芯成品,执行对铁芯成品的数据探测以获得所述铁芯成品的圆环体厚度以及圆环体径向截面面积还包括:采用超声测量模式和/或视觉测量模式测量所述铁芯成品的圆环体径向截面面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082317.5A CN115222157B (zh) | 2022-09-06 | 2022-09-06 | 电流互感器铁芯数据智能预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082317.5A CN115222157B (zh) | 2022-09-06 | 2022-09-06 | 电流互感器铁芯数据智能预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222157A CN115222157A (zh) | 2022-10-21 |
CN115222157B true CN115222157B (zh) | 2023-11-07 |
Family
ID=83617201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082317.5A Active CN115222157B (zh) | 2022-09-06 | 2022-09-06 | 电流互感器铁芯数据智能预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222157B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000278903A (ja) * | 1999-03-26 | 2000-10-06 | Nissan Motor Co Ltd | 電動機及びその製造方法 |
WO2013058808A2 (en) * | 2011-10-19 | 2013-04-25 | Earhart Keith D | Wound transformer core and method of manufacture |
JP2013192357A (ja) * | 2012-03-14 | 2013-09-26 | Mitsubishi Electric Corp | 電気機器の巻線体及びその製造方法 |
CN106910612A (zh) * | 2017-01-11 | 2017-06-30 | 常州市美格耐特非晶材料有限公司 | 一种高频变压器铁芯的制造方法及其专用模具 |
CN108038078A (zh) * | 2017-12-11 | 2018-05-15 | 囯网河北省电力有限公司电力科学研究院 | 电流互感器检定中参数计算方法、装置及终端设备 |
CA2951643A1 (en) * | 2016-12-13 | 2018-06-13 | Keith D. Earhart | Wound transformer core and transformer and method of manufacture |
CN113258696A (zh) * | 2021-02-24 | 2021-08-13 | 江苏大学 | 一种用于降低分数槽集中绕组永磁电机电磁振动的方法 |
CN114896852A (zh) * | 2022-06-13 | 2022-08-12 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
CN114925718A (zh) * | 2022-04-02 | 2022-08-19 | 国电南瑞科技股份有限公司 | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 |
-
2022
- 2022-09-06 CN CN202211082317.5A patent/CN115222157B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000278903A (ja) * | 1999-03-26 | 2000-10-06 | Nissan Motor Co Ltd | 電動機及びその製造方法 |
WO2013058808A2 (en) * | 2011-10-19 | 2013-04-25 | Earhart Keith D | Wound transformer core and method of manufacture |
JP2013192357A (ja) * | 2012-03-14 | 2013-09-26 | Mitsubishi Electric Corp | 電気機器の巻線体及びその製造方法 |
CA2951643A1 (en) * | 2016-12-13 | 2018-06-13 | Keith D. Earhart | Wound transformer core and transformer and method of manufacture |
CN106910612A (zh) * | 2017-01-11 | 2017-06-30 | 常州市美格耐特非晶材料有限公司 | 一种高频变压器铁芯的制造方法及其专用模具 |
CN108038078A (zh) * | 2017-12-11 | 2018-05-15 | 囯网河北省电力有限公司电力科学研究院 | 电流互感器检定中参数计算方法、装置及终端设备 |
CN113258696A (zh) * | 2021-02-24 | 2021-08-13 | 江苏大学 | 一种用于降低分数槽集中绕组永磁电机电磁振动的方法 |
CN114925718A (zh) * | 2022-04-02 | 2022-08-19 | 国电南瑞科技股份有限公司 | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 |
CN114896852A (zh) * | 2022-06-13 | 2022-08-12 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
Non-Patent Citations (3)
Title |
---|
基于遗传算法-人工神经网络的发电机定子铁心补偿预测模型研究;陈伟伟等;《机械制造》;第32-34页 * |
陈伟伟等.基于遗传算法-人工神经网络的发电机定子铁心补偿预测模型研究.《机械制造》.2017,第32-34. * |
雷电流测量专用柔性无磁芯大型Rogowski线圈;杨波;周璧华;石立华;高成;;强激光与粒子束(09);第1421-1425页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222157A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Šibalija et al. | Advanced multiresponse process optimisation | |
CN108197820B (zh) | 一种配电网可靠性关联关系模型的建立方法 | |
WO2013150541A2 (en) | A system and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the method/s therefor | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
CN116720622B (zh) | 一种电流互感器计量误差值预测方法 | |
CN109586301B (zh) | 基于同步相量量测等值的智能配电网就地电压控制方法 | |
CN116993029B (zh) | 用于智慧厂务的设备能效评估方法及*** | |
CN115222157B (zh) | 电流互感器铁芯数据智能预测装置 | |
CN116582596B (zh) | 数据处理方法、装置和基于物联网的plc数据传输*** | |
CN113902183B (zh) | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 | |
CN115588993B (zh) | 一种配电变压器的有载实时在线调容方法及装置 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及*** | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
JP6110452B1 (ja) | 機械学習装置およびコイル通電加熱装置 | |
CN117312791A (zh) | 电流互感器误差状态趋势预测方法、装置、设备及介质 | |
CN112348259A (zh) | 电力设备采购价格预测方法 | |
CN108427792A (zh) | 一种制造成本估算方法及*** | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN114462708A (zh) | 应用智能模型的内容识别上报***及方法 | |
JP3056324B2 (ja) | 学習/想起方法および装置 | |
Chen et al. | Pattern recognition with cerebellar model articulation controller and fractal features on partial discharges | |
CN115342904A (zh) | 一种基于多信息融合的变压器振动基频幅值预测方法 | |
Lei et al. | Design of Dry-type Transformer Online Monitoring and Fault Diagnosis System | |
CN113011103A (zh) | 一种多维信息融合的电力变压器寿命预测模型 | |
CN112534435A (zh) | 生成复杂设备的结构参数的***、计算机辅助的方法和计算机程序产品 |
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 |