基于Pd-SWCNTs的UWB-RFID无线瓦斯传感器研究
华南理工大学第十四届“挑战杯”大学生课外学术科技作品竞赛获奖作品

华南理工大学第十四届“挑战杯”大学生课外学术科技作品竞赛获奖作品
A机械控制类
序号
作品编码
作品名称
参赛队员
所在学院
指导老师
奖项
1
AC30315015
微纳尺度光功能结构研究与应用
陈丘、李家声、吴宇璇、陈家晓、陈永辉、蔡杨华、林庆宏、王卉玉、陈凯航
机械与汽车工程学院
李宗涛、汤勇
特等
2
AC20315003
电子与信息学院
冯久超
三等
29
BC21615049
基于现实增强和地理位置的信息投放系统
谢永盛、章浩、谢滔、肖鸿洋
软件学院
李粤
三等
30
BC22215013
转转联系人
左梦龙、孙阔、许海雯、王雨佳、
金芷伊
新闻与传播学院
三等
31
BC30415011
城市沙井盖监控管理系统
邝细超、向淘、金海
电子与信息学院
贺前华
三等
庄晓康、葛宪东、张国江、梁沛聪、冯炎强、黄增锐、苏宏通、彭逸康、李斌、张文龙
机械与汽车工程学院
丁康、朱刚
三等
11
AC20315017
华南理工大学纯电动赛车E-one
蔡凯、梁政焘、杜江、卢昱光、林耿杰、张泽敏、肖佳玉、黄嘉昱、翟宇翔
机械与汽车工程学院
丁康、李巍华
三等
12
AC20315027
基于中枢控制的城市智能交通系统
环境与能源学院
施召才
三等
8
DC31415006
四环素生物检测器
金亚彬、贾晋、靳珅、林未、陆远芳、贾乐华、邹淑香
生物科学与工程学院
2010年度河南省工业和信息化科技成果奖获奖项目名单(公示)

王辉、郭敬业、姚斌、李君、张俊花、陈剑波、 韩民、王东方、刘伟、曹晓新、马宏兵、柴建 一等奖 勋、郑如军、张军伟、张耿 焦大宏、叶继明、黄林浩、许海涛、任新强、 史国显、南怀志、王君玲、石亚飞、常丽强、 宋彩玲、吕达、郭谦、王涛、孙晓娜 李文海、罗干平、张金岭、张德聚、冯焕丽、 孙浩欣、许保卫、李营超、米永祥 李新宝、徐丽、周文强、刘国际、温淅华、郭 红玲、李凯慧、王海荣、杨光瑞、雒廷亮 陈建中、刘文朝、沈丽娟、祝学斌、王中民、 赵建华、李延峰、刘丙春、张新民、黄文峰、 尹茂、聂倩倩、赵江涛 一等奖 一等奖 一等奖
一等奖
39
一等奖
40
一等奖
41
42
秦海清、李现锋、申 江、洪玉申、张永灿、 胡 城、陈亚楠、刘 斌、张咸忠、 张平卿、 一等奖 许银亮、闫 瑾、杨 英 孙海良、李延河、周 文、司新波、王襄禹、 孟庆妮、齐中立、赵义华、朱 明、柏建彪、 一等奖 李 冰、宋英明、张 旭、曹书凯
43
矿井重点工程决策系统 HNGXS-20101114 研究与实施
河南通和高速公路养护工程 有限责任公司 郑州市豫中轻金属机械有限 公司 河南索凌电气有限公司 平高集团有限公司 华北水利水电学院 郑州大学 中国矿业大学 河南神火煤电股份有限公司 选煤厂 河南省科学院地理研究所 河南省遥感与地理信息系统 重点实验室 建设综合勘察研究设计院 乐凯集团第二胶片厂 河南省煤科院耐磨技术有限 公司 河南省煤炭科学研究院有限 公司 河南工程学院
中国平煤神马能源化工集团 有限责任公司 平顶山煤业集团有限责任公 司中国矿业大学 平顶山天安煤业股份有限公 司 中国矿业大学 煤炭资源与安全开采国家重 点实验室 平顶山天安煤业股份有限公 司十矿 河南理工大学 平顶山天安煤业股份有限公 司十三矿 河南理工大学 中国平煤神马能源化工集团 有限责任公司 平顶山天安煤业股份有限公 司二矿 河南理工大学 河南平禹煤电有限责任公司 中国矿业大学
基于C8051F040单片机的红外瓦斯传感器的设计与研究

1 红外气体检 测原 理
不 同 气体 对 红外 光有 着 不 同 的 吸收 光谱 , 体 气 的特 征光 谱 吸收 强度 与该 气 体 的 浓度 相 关 , 用这 利
一
原 理可 以测 量 出气体 浓度 。非 对称 双原 子 和多原
图 1 红 外 光 谱 吸 收式 瓦斯 探 头 原 理 不 意 图
5 V
C 0 10 0 8 5F 4 光 源驱 ● 一
●一动 电路 — 一
—
I × + 频率/ I 电流输 出 I
2 传 感 器 硬 件 框 图
2 2 主 控芯 片 C U选择 . P
C 0 1 0 0是 C g a 公 司生 产 的 功 能 强 大 的 8 5 F4 y nl 新 型单 片 机 , 单 片 机 具 有 高 速 的 8 5 该 0 1控 制 器 内 核 ,4 的 程 序 存 储 器 , 按 扇 区 在 运 行 中编 程 , 6K 可
t e e tg sc nc n r t n. r i r v n h t o o d tc a o e ta i o Fo mp o i g t e daa c mm u i ain r t n e ib lt CAN us me h d n c to a e a d r la ii y, b to
红外 光 谱 吸收式 瓦斯 探头 示意 图如 图 1 示 。光 源 所 由 C U控 制 以 2 5H P . z的 频 率 调 制 , 线 经 反 射 镜 光
作者简介 : 谢子殿(92 , , 16 )男 黑龙江鹤岗市人, 教授 , 主要从事计算 机测控 , 矿井信 息监测, 煤矿电气控制方面工作。
的 IO 口控制三极管 的通断 , IO 口输 出低 电平 时 , / 当 /
一种井下瓦斯传感器故障辨识方法

一种井下瓦斯传感器故障辨识方法乔维德1,周晓谋2(1.无锡开放大学科研与质量控制处,江苏无锡214011;2.中国矿业大学机电工程学院,江苏徐州221116)摘要:鉴于目前煤矿井下瓦斯传感器故障辩识速度慢、辩识准确度不高等缺陷,提出基于小波包分解与RBF 神经网络的瓦斯传感器故障辨识方法.采用小波包分解提取瓦斯传感器故障特征向量并输入至RBF 神经网络,应用粒子群-人工蜂群(PSO-ABC )算法优化RBF 神经网络结构参数,并通过大量的瓦斯传感器样本对RBF 神经网络模型进行训练和检测.实验分析表明:本方法的辨识速度快、诊断正确率高,为精准辩识瓦斯传感器故障提供一种更加科学高效的新途径.关键词:瓦斯传感器;小波包分解;RBF 神经网络;粒子群-人工蜂群算法;故障辨识中图分类号:TP212文献标识码:A 文章编号:1673-1972(2017)03-0046-070引言在煤矿瓦斯监测系统中,瓦斯传感器是一种关系煤矿安全生产的重要检测仪器.由于瓦斯传感器长期受到煤矿井下高粉尘、高湿度、强电磁干扰等恶劣环境影响,通常出现卡死、冲击、漂移等各种故障,从而导致瓦斯传感器输出数据失真、灵敏度降低、准确性降低、可靠性不高;当瓦斯传感器监测出错时,往往给井下生产及生命财产带来很多安全隐患甚至严重后果.瓦斯传感器一般有缓变型和突发型两类故障,其中突发型故障如典型的周期、冲击、漂移、偏置等,故障隐蔽性强,且难以精准诊断.因此,瓦斯传感器作为煤矿安全监测系统中不可或缺的组成部件,对其运行故障进行准确诊断并及时修复,对于提高煤矿安全监测系统可靠性、保障煤矿安全生产具有非常重要的意义.日前许多学者对瓦斯传感器故障诊断方法进行了大量的研究,并取得了一定成果.王其军等[1]提出基于RBF 网络逼近器的瓦斯传感器故障监测系统,张涛等[2]提出瓦斯传感器故障诊断的灰色动态预测模型,赵金宪、王军号、单亚峰、赵劲松等学者先后分别提出小波包与BP 或RBF 神经网络的瓦斯传感器故障诊断分析方法[3-8],王婷等[9]设计出一种粒子群算法优化RBF 神经网络的瓦斯传感器故障诊断新方法,付华、单亚峰、黄丹等也先后提出基于支持向量机、主元分析和BP 神经网络等技术的瓦斯传感器故障辨识方法[10-13],等等.但以上方法仍存在一定缺陷,主要表现为:灰色动态预测模型仅仅适用于瓦斯传感器的小样本故障数据分析;采用支持向量机能解决故障数据的小样本问题,但对参数选择依赖性大,影响瓦斯传感器故障诊断速度;BP 算法、粒子群算法训练BP 网络、RBF 网络时收敛速度慢、极易陷入局部最优,会导致瓦斯传感器故障诊断准确性及可靠性不高等.笔者在梳理已有研究成果并比较分析各种方法优缺点基础上,提出由小波包分解提取特征能量谱与粒子群-人工蜂群算法优化的RBF 神经网络进行识别的瓦斯传感器故障诊断方法,并通过仿真实验分析验证本方法辨识瓦斯传感器故障诊断类型的有效性.1瓦斯传感器故障诊断系统模型瓦斯传感器故障诊断流程包括:采集瓦斯传感器原始故障数据、提取故障信号特征向量、RBF 神经网络收稿日期:2017-04-26基金项目:无锡市“530”社会事业领军人才资助项目(2017/530/009)作者简介:乔维德(1967-),男,江苏宝应人,教授,主要从事电机智能控制、机电设备监测与故障诊断研究.第19卷第3期石家庄学院学报Vol.19,No.32017年5月Journal of Shijiazhuang University May 2017(0.0)(1.1)(1.0)(2.3)(2.2)(2.1)(2.0)(3.0)(3.1)(3.2)(3.3)(3.4)(3.5)(3.7)(3.6)训练与故障检测等,见图1.E 30-E 37分别表示井下瓦斯传感器采集的原始数据经过小波包分解、能量特征构造并对数据归一化后的故障特征向量值.利用RBF 神经网络设计瓦斯传感器故障诊断模型,采取粒子群-人工蜂群混合算法优化RBF 神经网络.RBF 神经网络输入量为E 30-E 37,输出为S 1、S 2、S 3,S 1S 2S 3的不同状态组合000、001、010、011、100分别对应瓦斯传感器的输出Y 0-Y 4,即瓦斯传感器的正常运行以及偏置型、冲击型、漂移型、周期型等典型故障状态.2基于小波包分解的故障特征提取小波包分解属于一种由小波分析延伸而来的更为细致的信号分解与重构方法,在不同频段分解故障信号,并推算不同频带段对应的能量.本方法将获取的煤矿井下瓦斯传感器故障信号进行小波包分解,图2为小波包分解示意图(以3层为例)[14].每个结点表示一定意义的信号特征,结点(i ,j )为第i 层的第j 个结点,其中i =0,1,2,3;j =0,1,2,…,7.通过小波包分解重构能有效提取各频带段信号特征.假设通过小波包分解后第3层第j 个频带的重构信号设定为S (3,j ),则其对应的信号能量为E (3,j ),即:E (3,j )=S (3,j )(t )2d t =nk =1∑x kj2.(1)其中(j =0,1,2,…,7;k =1,2,…,n )表示重构信号S (3,j )离散点幅值;n 表示信号采样点数.定义信号S (3,j )的总能量E 为各频带能量之和,即:E 3=7j =0∑E (3,j ).(2)图1瓦斯传感器故障诊断模型图2三层小波包分解示意图乔维德,周晓谋:一种井下瓦斯传感器故障辨识方法第3期47因为瓦斯传感器发生故障时对各频段的信号能量影响比较大,对故障数据分析极为不利,因此本方法对各频段内的信号能量进行归一化处理,即:E 3j *=E (3,j )E 3.(3)信号能量归一化处理后,可以提取瓦斯传感器故障特征向量,即:E j *=(E 30*,E 31*,E 32*,E 33*,E 34*,E 35*,E 36*,E 37*).(4)3RBF 神经网络及其优化3.1RBF 神经网络RBF 神经网络结构包含输入层、隐含层、输出层的前馈网络,具有较强的非线性映射能力,其特性主要取决于隐含层单元的径向基函数.RBF 神经网络拓扑结构模型如图3所示.本结构中,隐含层单元的径向基函数采取高斯分布,x 1-x n 表示网络输入,s 1-s m 表示网络输出,其中网络第p 个输出为:y p =ki =1∑ωip H i .(5)式(5)中,ωip 为隐含层与输出层之间的连接权值,H i 表示第i 个径向基函数,即为:H i =exp[-(x -c i )22δi2].(6)式(6)中,c i 为径向基函数的中心值,δi 为径向基函数的方差(宽度)值,i =1,2,…,k ,k 为网络隐含层中神经元节点个数.3.2RBF 神经网络优化利用上述RBF 神经网络对矿井瓦斯传感器进行故障监测时,由图2可以首先确定网络输入节点数n =8,网络输出神经元个数m =3,k 根据实际需要由n 、m 确定,其中参数c i 、δi 、ωip 对RBF 神经网络运行影响比较大,本方法应用笔者在文献[15]中提出的粒子群—人工蜂群混合优化算法即PSO-ABC 算法,用于对RBF 神经网络进行优化.PSO-ABC 算法优化RBF 神经网络具体步骤为[15]:1)初始化种群并设置参数:粒子群规模N ,惯性权重初始值ω1与终值ω2,学习因子C 1、C 2;PSO 算法最大迭代次数t max [16];ABC 算法限定的循环次数limit ,等等.2)将粒子群均分成N group 组,每组含num 个粒子,即N =N group ×num ;3)计算所有粒子的适应度值,保存每组最优粒子G ij ;x 1x nx 2s 1s 2s nH 1(x )H k (x )H 3(x )H 3(x )输入层隐含层输出层图3RBF 神经网络结构模型石家庄学院学报2017年5月484)根据公式(7)和(8)更新粒子当前速度V ij 和位置X ij ,从而更新并记录每组全局最优粒子G ij ;V ij t +1=ωV ij t +C 1*R 1*(P ij t -X ij t )+C 2*R 2*(G j t -X ij t ),(7)X ij t +1=X ij t +V ij t +1.(8)其中公式(7)中的惯性权重ω表示为:ω=(ω1-ω2)(t max -t )t max+ω2.(9)5)将上述各组记录的最优粒子G ij 组成人工蜂群,且为ABC 算法的初始粒子;6)令ABC 算法的初始迭代次数NC =1,引领蜂寻找蜜源时按公式(10)更新位置,且由式(11)来评价蜜源适应度大小;x ij *=x ij +rand (-1,1)(x ij -x kj ),(10)Fit i =11+f i(f i ≥0)1+abs (f i )(f i <0)⎧⎩⏐⏐⏐⏐⏐⎨⏐⏐⏐⏐⏐.(11)式中,Fit i 、f i 分别表示第i 个蜜源适应度与适应值.7)比较引领蜂寻找的新蜜源与原蜜源适应度,如果前者高于后者,便采用新蜜源位置取代原蜜源;否则不变且NC +1;8)根据公式(12)计算各蜜源位置的概率值P ,而跟随蜂按照P i 选择引领蜂搜索到的新蜜源,然后计算其适应度值;P i =Fit iNk =1∑Fitk.(12)9)比较跟随蜂的新蜜源与原蜜源适应度值,若前者大于后者,则以新蜜源位置取代原蜜源;否则不变且NC +1;10)当迭代次数NC 超过限定值limit 时,保存并输出群体中最优蜜源,并作为对应的RBF 神经网络结构最优参数c i 、δi 、ωip .PSO-ABC 算法的适应度设为RBF 神经网络期望输出与实际输出的均方差倒数,即:Fit=1/1d [dj =1∑mu =1∑(q ju -s ju)2].(13)其中,q ju 、s ju 分别表示第j 个训练样本在第u 个网络输出节点处的期望输出与实际输出值,m 表示输出节点数(m =3),d 表示训练样本数目.4瓦斯传感器故障诊断实例与结果分析4.1神经网络训练结合井下瓦斯传感器信号输出频带特性,将其进行3层小波包分解,然后求出8个频带内最优小波包基对应的重构信号能量,并组成特征能量谱.通过对瓦斯传感器数据库中典型故障的实测数据分析,借助MATLAB 仿真软件获取标准化的特征能量图谱,图3-7分别为瓦斯传感器处于正常运行以及偏置型、冲击型、漂移型、周期型5种不同状态下的特征能量谱[6].在图3-7中的标准小波包分解频带特征能量谱中有效提取其特征向量并构成样本,瓦斯传感器的5种状态分别选取20组数据作为学习样本,用来训练RBF 神经网络.RBF 网络的拓扑结构设计成8-7-3,网络输入节点为E 30*-E 37*,网络输出节点为S 1、S 2、S 3.用于优化RBF 神经网络的学习算法采取PSO-ABC 算法,该算法初始参数设置如下:粒子群数目N =60,惯性权重初始值ω1=1.4,惯性权重终值ω2=0.3;学习因子C 1=C 2=3;PSO 算法最大迭代次数t max =100;ABC 算法最多循环次数limit=150,误差精度ε=10-4,学习训练984步后,乔维德,周晓谋:一种井下瓦斯传感器故障辨识方法第3期49测试样本数据诊断状态辩识率/%E 30*E 31*E 32*E 33*E 34*E 35*E 36*E 37*S 2S 30.25020.35180.37990.36970.39550.36840.40210.24980.00010.0002正常运行97.60.10170.09450.59730.63970.12060.20160.09630.08090.00040.9976偏置型故障97.10.90020.16900.06980.08950.10190.03140.02060.01320.99530.0007冲击型故障96.50.43180.13990.24030.29940.50150.47780.51810.43930.99370.9995漂移型故障96.00.30190.28570.23350.31120.64850.29970.22850.45530.0030.0005周期型故障95.6网络输出S 10.00010.00040.00050.00020.9973表1网络测试样本实验结果输入节点1234567891.00.50输入节点12345678900.51.0输入节点1234567890.51.06798543210.51.0输入节点输入节点1234567891.00.5网络收敛能满足精度ε要求.4.2实验结果验证实验以山西乡宁焦煤集团煤矿7260工作面瓦斯传感器为研究对象,从瓦斯传感器故障数据库中提取100组数据(每组含正常运行及偏置型、冲击型、漂移型、周期型故障)作为测试样本,用于验证上述已训练好的RBF 神经网络.表1为其中1组样本诊断结果(因版面限制其他略),图9为100组测试样本经过系统辨识的分类结果,其中5种类别的辨识正确率均高于95.5%,因此可以有效辨识井下瓦斯传感器的故障类型,实现了本方法故障诊断系统模型的预期设计要求.4.3比较实验分析为验证PSO-ABC 算法优化RBF 神经网络的瓦斯传感器故障诊断模型优越性,本方法采取比较实验图4正常型的特征能量谱图5偏置型的特征能量谱图6冲击型的特征能量谱图7漂移型的特征能量谱图8周期型的特征能量谱石家庄学院学报2017年5月50性能指标传统RBF 神经网络PSO-RBF 神经网络ABC-RBF 神经网络PSO-ABC-RBF 神经网络训练时间/s 8.56 5.44 6.35 2.27训练误差0.01730.00650.00520.0009辩识正确率/%82.587.892.397.5正常运行偏置型故障冲击型故障漂移型故障周期型故障图9样本辨识的分类结果法,即分别将上述经过小波包变换后的用于训练RBF 神经网络的100组数据样本,分别输入至传统RBF 神经网络以及以PSO 算法、ABC 算法、PSO-ABC 算法优化的RBF 神经网络模型,训练结束后再同样选取50组传感器故障样本进行测试,性能评价主要考量训练时间、训练误差、辨识准确率等主要指标,其故障辨识的结果分析比较如表2所示.表2表明,由PSO-ABC 算法优化的RBF 神经网络时训用于瓦斯传感器故障辨识速度快、误差精度高、故障辨识正确率高,是一种非常有效的瓦斯传感器故障辨识方法.5结论1)通过小波包分解能使瓦斯传感器的故障特征能量谱的向量维数减少,增强频率分辨率,从而优化信号的时频特性,更有利于瓦斯传感器故障信号特征的有效提取.2)以PSO-ABC 算法优化的RBF 神经网络系统模型,训练速度快、辨识准确度高,能够在线并迅速正确地辨识瓦斯传感器的5类状态(含正常及4类故障),故障辨识正确率都高于95.5%,该方法具有较强的瓦斯传感器故障诊断能力.表2不同模型的性能指标比较乔维德,周晓谋:一种井下瓦斯传感器故障辨识方法第3期51参考文献:[1]王其军.基于信息融合技术的瓦斯传感器故障诊断研究[J].工矿自动化,2008,(2):22-25.[2]张涛,牛金星.瓦斯传感器故障诊断的灰色预测模型研究[J].机床与液压,2013,41(13):195-196.[3]赵金宪,金鸿章.基于小波包和神经网络的瓦斯传感器故障诊断[J].传感器与微系统,2010,29(5):80-82.[4]邵俊倩.基于小波神经网络技术的井下瓦斯传感器故障诊断分析[J].中州煤炭,2016,(5):1-3.[5]陈宏,邓芳明,吴翔,等.基于小波包分形的瓦斯传感器故障诊断方法[J].传感器与微系统,2016,35(11):26-29.[6]王军号,孟祥瑞,吴宏伟.基于小波包与EKF-RBF 神经网络辨识的瓦斯传感器故障诊断[J].煤炭学报,2011,36(5):867-871.[7]单亚峰,孙璐,付华,等.基于小波包和RBF 神经网络的瓦斯传感器故障诊断[J].传感技术学报,2015,28(2):278-283.[8]赵劲松,李元,邱彤.一种基于小波变换与神经网络的传感器故障诊断方法[J].清华大学学报(自然科学版),2013,53(2):205-209.[9]王婷,李国勇,吕世轩.基于HPSO-RBF 神经网络的瓦斯传感器故障诊断[J].仪表技术与传感器,2015,(3):78-81.[10]付华,杨欣,高婷.基于SVR 的瓦斯传感器故障诊断方法[J].传感器与微系统,2016,28(2):10-12.[11]单亚峰,汤月,任仁,等.基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断[J].传感技术学报,2016,29(9):1400-1404.[12]黄丹,徐平安,王其军,等.基于PCA 神经网络和D-S 决策的瓦斯传感器故障辨识[J].仪表技术与传感器,2015,(3):99-103.[13]杨真,邓芳明,郝勇.基于主元分析和集成神经网络的瓦斯传感器故障诊断术[J].传感器与微系统,2016,35(9):33-35.[14]乔维德.萤火虫—粒子群优化神经网络的异步电机转子断条故障诊断[J].电机与控制应用,2017,44(1):83-88.[15]乔维德.无刷同步发电机旋转整流器故障的神经网络识别[J].温州职业技术学院学报,2016,16(4):44-48.[16]乔维德.一种改进的提升机同步电机直接转矩控制[J].盐城工学院学报,2017,30(1):28-33.(责任编辑王颖莉)Fault Identification Method for Underground Gas SensorQIAO Wei-de 1,ZHOU Xiao-mou 2(1.Dept.of Scientific Research &Quality Control,Wuxi Open University,Wuxi,Jiangsu 214011,China;2.School of Mechanical &Electrical Engineering,China University of Mining &Technology,Xuzhou Jiangsu 221116,China)Abstract:In view of the current coal mine gas sensor fault identification speed and identification accuracy of defects,this paper proposes a wavelet packet decomposition and gas sensor fault identification method based on RBF neural network.The wavelet packet decomposition is used to extract the fault feature vector of the gas sensor and in-put to the RBF neural network.The particle swarm artificial bee colony (PSO-ABC)algorithm is used to optimize the structural parameters of RBF neural network,and the RBF neural network model is trained and detected by a large number of gas sensor samples.The experimental analysis shows that the identification speed of this method is fast,high rate of correct diagnosis,providing a new,more scientific and efficientway for accurate identification of gas sen-sor fault.Key words:gas sensor;wavelet packet decomposition;RBF neural network;particle swarm -artificial bee colony algorithm;fault identification石家庄学院学报2017年5月52。
开关柜局部放电特高频信号传输特性

第38卷第5期电力科学与工程Vol. 38, No. 5 2022年5月Electric Power Science and Engineering May 2022 doi: 10.3969/j.ISSN.1672-0792.2022.05.006开关柜局部放电特高频信号传输特性陈国源1,王笑飞2,孟卫杰1(1. 国网山西省电力有限公司朔州供电分公司,山西朔州036000;2. 华北电力大学电气与电子工程学院,北京102206)摘要:针对开关柜局部放电(PD)检测中特高频(UHF)传感器因安装位置不同而出现输出信号的差异问题,通过对时域边值问题进行仿真,研究了安装在开关柜内壁和外壁的UHF 传感器检测信号规律。
采用有限元法对开关柜内部局部放电产生UHF信号进行对比分析,得到安装在开关柜内壁和外壁的UHF传感器时域响应信号的变化特性。
通过开关柜内部模拟局部放电的UHF信号检测实验,对上述仿真结果进行了验证。
仿真研究和实验研究均表明,2种安装方式下UHF传感器的幅值和响应时间存在差异。
当PD源与传感器在同一腔室时,内部安装传感器的信号强度比外部安装显著增强;当PD源与UHF传感器不在同一腔室时,内部安装传感器信号强度与外部安装基本相同。
关键词:开关柜;局部放电;特高频信号;高斯电流脉冲;波形畸变中图分类号:TM591 文献标识码:A 文章编号:1672-0792(2022)05-0044-07Transmission Characteristics of PD UHF Signals of SwitchgearCHEN Guoyuan1, WANG Xiaofei2, MENG Weijie1(1. Shuozhou Power Supply Company, State Grid Shanxi Electric Power Company, Shuozhou 036000, China;2. School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)Abstract:The output signals will be different of ultra-high frequency (UHF) sensors used for partial discharge (PD) detection of switchgear cabinet for different installation locations. With simulating time boundary value problems, the law of detection signals are studied for UHF sensors installed inside and outside of the switchgear cabinet. The UHF signal from partial discharge inside the switchgear is compared and analyzed based on the finite element method and change characteristics of UHF sensor signals installed on the inner wall and outer wall of the switchgear cabinet are obtained. The above simulation is verified by UHF detection test of partial discharge in the switchgear cabinet. The results show that the amplitude and response time of the UHF sensors are different between the two installation methods. When the PD source is in the same chamber as the sensor, the signal strength of the sensor can be significantly enhanced by the inside installation compared with the outside installation. When the PD source and the UHF sensor are not in the same chamber, the signal strength obtained by the sensor installed inside is basically at the same level as that obtained by the sensor installed outside.Key words: switchgear; partial discharge; UHF signal; Gaussian current pulse; waveform distortion第5期陈国源,等:开关柜局部放电特高频信号传输特性450引言当开关柜内部发生局部放电现象时,正电荷和负电荷的中和过程会导致在放电位置出现带电粒子的快速迁移。
集成于无源UHF RFID标签的新结构CMOS温度传感器

关键 词 : 无源 R I ; F. 1 T 2 2 1
文献标 识码 : A
文章 编 号 :0 4 1 9 ( 0 1 1 — 5 6 0 10 — 6 9 2 1 ) 1 1 2 — 6
由于 无源 U F R I 电子标签 与其 它频 段标 签 H FD
1 0 ℃ , eba u rn s1 2 A ,h siao rq e c ftetgi 2 0 t isc re t n t eocl trfe u n y o h a s MHz a d tetmp rtr e sra he e h i 1 l ,n h e eau esn o c iv s
振荡器提供 , 其频率受前面的偏置 电流控制 , 近似与 温度 无关 。这使 得设 计 的温度 传感 器不 需要 额外 的
振荡 器 来提 供计 数信 号 , 简化 了 电路 , 降低 了芯 片面
第2 4卷 第 1 1期
21年 1 01 1月
传 感 技 术 学 报
C N S OU AL OF S NS S AN T AT RS HI E E J RN E OR D AC U O
Vo . 4 No 1 12 .1
NO 2 V. 0l1
A w Ne CM OS T mp r t r e s r In e r td i h a sv e e a u e S n o i t g a e n t e P s ie UHF RF D a I T g
E ACC:2 0 7 2 R E 7 3 ;3 0
d i1 . 9 9 j i n 1 0 — 6 9 2 1 . 1 0 3 o :0 3 6 / .s .0 4 1 9 .0 1 1 .0 s
集成于无源 U FR I H FD标签的新结构 C O 温度传感器 术 MS
基于光纤传感器的矿井瓦斯浓度监测系统
基于光纤传感器的矿井瓦斯浓度监测系统邓洪高;俞斌;汤群芳【摘要】设计了一个基于空芯带隙型光子晶体光纤传感器的矿井瓦斯浓度监测系统,系统通过NEC高性能单片机78F0511对各光纤传感器进行数据采集并进行存储,同时通过低压电力线载波通信芯片PL2102将数据调制到220/380V低压电力线送给向上位机.分析了传感器系统的工作原理,给出了低压电力线载波通信系统的设计方案.实验结果表明,该系统完全可以满足矿井安全生产的需要.【期刊名称】《光通信技术》【年(卷),期】2014(038)005【总页数】2页(P40-41)【关键词】光纤传感器;瓦斯监测;低压电力线载波通信【作者】邓洪高;俞斌;汤群芳【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;湖南工学院电气与信息工程学院,湖南衡阳421002;湖南工学院电气与信息工程学院,湖南衡阳421002【正文语种】中文【中图分类】TP230 引言近年来,国内外由于瓦斯爆炸造成的煤矿重特大事故频繁发生,其原因多为瓦斯积聚和浓度超限所致。
因此,井下瓦斯浓度的实时监测就成了当前许多煤矿管理部门及科研院所的热门研究课题。
文献[1~3]虽然提出了几种解决办法,但无论从成本还是检测效果都不理想。
目前,光纤传感器技术已在诸多工程领域的安全监测中得到了充分应用[4],因此本文提出一种基于光纤传感器技术的矿井瓦斯浓度监测系统。
1 光纤瓦斯传感器原理矿井瓦斯主要由甲烷(CH4)组成。
文献[5]依据甲烷气体的红外吸收光谱原理,分析了甲烷对不同波长红外光的吸收强度,得出红外光检测甲烷体积分数最佳波长为1651nm。
由Beer-Lambert定律,可知:其中:μ与γ的乘积为气体在某一频率处的吸收系数(与频率有关);L为吸收路径的长度;C为气体体积分数。
通常情况,由于矿井环境、杂散光、光路损耗及外界温度变化等都会对甲烷气体的吸收强度产生影响,所以式(1)须改写成:其中β(λ)为光路的干扰系数。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
36 传感器与微系统(Transducer and Microsystem Technologies) 2015年第34卷第7期 DOI:10.13873/J.1000-9787(2015)07--0036-04
基于Pd—SWCNTs的UWB-RFID无线瓦斯传感器研究 刘健,毛昕蓉 (西安科技大学通信与信息工程学院,陕西西安710054)
摘要:针对在室温环境下探测瓦斯浓度,提出一种基于钯掺杂单壁碳纳米管(Pd—SWCNTs)的超宽带射 频识别(UWB-RFID)传感器。传感器为薄型标签,由传感探头和电磁界面组成,其中传感探头为一Pd— SWCNTs加载的交叉指型电极(IDE);电磁界面由天线、微带线和终端负载组成。Pd.SWCNTs感知瓦斯浓 度,引起IDE电流的变化,形成带隙幅度调制和带隙频率调制两种识别模式。当瓦斯浓度从0×10 增加 到100×10~,基于带隙调幅调制的识别灵敏度为一9.32 dB;而基于带隙调频调制的识别灵敏度为
-11.30dB。 关键词:钯掺杂单壁碳纳米管;瓦斯传感器;超宽带射频识别;室温 中图分类号:TN99 文献标识码:A 文章编号:1000-9787(2015)07-9036-94
Study of UWB—RFID wireless methane sensor based on Pd-SWCNTs LIU Jian,MAO Xin—rong (College 0f Communication and Information Engineering.Xi’all University of Science and Technology,Xi’an 710054,China)
Abstract:Aiming at detection of concentration of methane at room temperature,a sensor in uhra。wideband radio frequency identification(UWB—RFID)is proposed based on Pd—doped single walled carbon nanotubes(Pd— SWCNTs).The proposed sensor is a thinly filmed tag composed of a sensor probe and an EM interface,sensor probe is an inter—digital electrode(IDE)that takes the Pd—SWCNTs as load;The EM interface is composed of an antenna,a mierostrip line and a terminal load.When the Pd—SWCNTs senses concentration of methane,the current of IDE will be changed,form two detection modes which are band・gap amplitude modulation and band—gap  ̄equency modulation.When concentration of methane from 0×10一。to 100×10~.the identifiable sensitivity in
terms of the band—gap amplitude modulation is一9.32 dB:while the identifiable sensitivity in terms of the band— gap ̄equency modulation is-11.30 dB. Key words:Pd-doped single walled carbon nanotubes(Pd・SWCNTs);methane sensor;ultra—wideband radio frequency identification(UWB-RFID);room temperature
0引 言 瓦斯是一种无色、无味的气体。当空气中的瓦斯浓度 达到5.3%一14.3%,会引起燃烧,甚至爆炸。探索在室温 环境下检测瓦斯气体的途径和方法,始终是以煤矿为代表 的技术领域重要而迫切的课题 。 可是,传统的瓦斯检测技术,包括催化燃烧、金属氧化 和红外火焰电离等,无法实现在室温环境下的瓦斯探 测 ]。近年来,纳米技术成为这一领域的研究热点 。由 于瓦斯气体分子的弱极性,与纳米分子的交互能力低,相较 于其它气体,采用纳米材料的瓦斯传感器并不多见,可循的 方案包括:以非电方法将以钯型纳米粒(PdNPs)沉积到1, 收稿日期:2014—10-09 6一己二胺多壁碳纳米管(MWCNTs)所合成的纳米材料沉积 于氧化铟锡上,构成一种简易的瓦斯传感器 ;以10 nm的 金属钯喷溅并附着于单壁碳纳米管(SWCNTs)粉,经混合, 形成一种钯掺杂单壁碳纳米管(Pd—doped single walled car— bon nanotubes,Pd—SWCNTs)瓦斯传感器 和一种基于孔隙 SnO 纳米棒的微瓦斯传感器 。 此外,由于瓦斯的易燃性,探测宜采用无接触方式。不 同的无线协议决定不同的传感架构。基于UHF频段的射 频识别(RFID)是较为成熟的无线传感架构 ,但其固有的 窄带特性限制了应用范围;超宽带射频识别(ultra.wideband radiofrequencyidentification,UWB—RFID)则以极短脉冲取 第7期 刘健,等:基于Pd.SWCNTs的UWB—RFID无线瓦斯传感器研究 37 代窄带连续波 J,具备隐秘性好、安全性高、阻塞概率低等 特点,可识别金属表面的目标,实现精确、高效、无缝隙的识 别与探测 J。 本文将纳米技术与UWB・RFID相结合,提出一种瓦斯 传感器,研究其在在室温环境下远程探测瓦斯的可能性。 1 UWB-RFID探测瓦斯原理 UWB-RFID传感系统由阅读器和传感标签组成。阅读 器天线为超宽带天线。当阅读器发射的已调高斯脉冲到达 传感标签时,被标签的电磁界面反射,形成背向散射电磁 波。若标签的天线为超宽带天线,则背向散射电磁波亦具 有超宽带特性。 假定背向散射电磁波中仅有结构模,以 (,)表示,阅 读器发射的信号功率P ,经过UWB—RFID信道,接收到的 信号功率P,与反射功率之比为 Pr ~I Sll( ) XO" ×
e (1一lS。。( I ). (1) 其中,e ,e 与发射损耗和接收损耗相关的参数;R 为 阅读器到传感标签之间的距离;R 为传感标签到阅读器之 间的距离;A为波长;S 。(,),S (f)为阅读器、传感标签天 线的反射系数;D (0 , ),D,(0 , )为阅读器、传感标签 天线的方向系数; 为传感标签的雷达散射截面(RCS)。 若阅读器的收发天线一致,且与传感标签天线极化匹 配,则R = =R。结构模 ( 可近似表示为 (f) X(厂) ̄/(1一IS 。( I。)×Je,O,(0 , )X 1 e_『2J × e_2j ×
 ̄/(1一lS。 ( f ). (2) 其中, ( 为已调高斯脉冲的频谱;c为自由空间的波 速。忽略由S。 ( 和S (,)引入的相位改变,上式可近似 表示为
( — ( 叼  ̄/1一I.s ( I。H,( × ( A( 叼 ^//l—ISz。( l . (3) 其中,叩r= e D (0 , ),rlR= e D,(0,, ,), HF(/)=日 (,)=1/(4,/ ̄R)e一 ,叩£= ;而c/ 百lfI)是接收天线的有效接收面积,由 ( 表示。 由于传感标签的结构模 ( 是瓦斯体积分数d(t)的 函数,标签的结构模应表示为 f,d(t)],即 [,,d(t)] ̄-x(jorlr ̄/l—lSl1( l xHF(,,d(t))× 叼 [d(£)] ( A( xrI  ̄/1一I 52。[f,cz( )]I。.(4) 其中,JS。 [f,d(t)]替代JS 。( ,表示传感器标签天线的 反射系数随瓦斯体积分数而变;卵,[d(t)}= ̄/ [d(t)]代
替rl,= ̄/ ,表示传感器标签的雷达散射截面亦随瓦斯浓 度而变,因此 If,d(t)]= ( [f,d(t)]. (5) 其中 ( = ∽  ̄/1一I Js。 ( 1 2 ( A( ( ,(6) 为与瓦斯浓度无关项; [f,d(t)]=叩 [d(t)] ̄/1一lS f,d(t)]l , (7) 为与瓦斯浓度相关项。 设t。时刻,瓦斯浓度为d(t。),在频点,处,无频带带 隙;在t时刻,瓦斯浓度为d(t),在频点,处,发生频带带 隙,形成带隙幅度调制,其识别灵敏度S 。[d(t)]可表示为 s…[d(t)]=
2olg ). (8) 设£。时刻,瓦斯浓度为d(t。),在频点 处,发生频带 带隙;在t时刻,瓦斯浓度为d(t),带隙频点转移到/处。 形成带隙频率调制,其识别灵敏度S [d(t)]表示为 s [d(t)]=
2。 dB ㈩ 2传感标签的设计原则 UWB—RFID传感标签一般由传感探头和电磁界面组 成。传感探头承载传感机理,将探测目标转换为电信号;电 磁界面完成对阅读信号的反射,在背向散射电磁波中形成 可辨识的幅频特性,当传感探头嵌入电磁界面,该特性由电 信号控制。当0{ [f,d(t)]}/0[d(t)]越大,幅度调制的 识别度越大;当0{ (d(t))…]}/o[d(t)]越大,则频率 调制的识别度越大。此外,为与附着体共型,传感标签应采 用平面薄型结构。 2.1标签的电磁界面 为使背向散射电磁波中仅有结构模,传感标签的电磁 界面主要由金属材质构成。天线为双阶梯下切角平面贴片 超宽带天线Ⅲ ,馈线为微带传输线 ,终端为匹配负载。 在天线上,刻蚀一个u型槽。U型槽在背向散射电磁 波的结构模的频谱中形成带隙,U型槽的长度和宽度决定 带隙频点和带隙深度 。如图1所示,给定的结构尺寸 (单位:mm)在3.1—10.6 GHz通频带中的5 GHz频点形成 电磁带隙。 2.2传感探头 基于孔隙SnO 的MWCNRs传感器 ,极间电流幅度 很小,研究表明,这一电流无法对频带带隙进行有效的调 制。基于Pd—SWCNTs的传感器 ],如图2(a)所示,Pd. SWCNTs为IDE电极间的负载,其SEM如图2(b)所示。当