CN101694701B - 用于动平衡检测系统中通道补偿的神经网络建模方法 - Google Patents
用于动平衡检测系统中通道补偿的神经网络建模方法 Download PDFInfo
- Publication number
- CN101694701B CN101694701B CN2009101976212A CN200910197621A CN101694701B CN 101694701 B CN101694701 B CN 101694701B CN 2009101976212 A CN2009101976212 A CN 2009101976212A CN 200910197621 A CN200910197621 A CN 200910197621A CN 101694701 B CN101694701 B CN 101694701B
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- frequency
- frequency characteristic
- input
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及动平衡检测系统中的通道补偿方法，用于动平衡检测系统中通道补偿的神经网络建模方法。动平衡测试系统中振动信号处理电路对信号频率特性的影响需要消除或补偿，硬件方法成本高且效果不佳，查表方法占用较多存储空间且精度不高。本发明用不同频率的标准信号源送入信号处理板，记录频率特性数据；提取部分数据归一化处理后为训练数据；确定神经网络结构，采用改进型BP算法进行网络训练测量系统硬件电路的频率特性模型；测量系统中采用软件方法根据模型进行在线补偿运算。本发明优点：测量频率范围内具有较好线性度，克服测量系统硬件电路对振动信号频率特性的影响，提高测量精度；对通过测量电路任意频率的信号进行频率特性补偿。
Description
技术领域
本发明涉及动平衡检测系统中的通道补偿方法，具体地说是一种用于动平衡检测系统中通道补偿的神经网络建模方法。
背景技术
动平衡检测系统广泛用于旋转机械的生产和维护中，提高动平衡检测系统精度可以节省转子的平衡时间和降低转子平衡的成本。动平衡检测系统的原理是：支承点的振动信号经过硬件电路的积分、放大、滤波等处理环节后进入计算机，同时转速脉冲经过整形处理后也进入计算机，然后计算机软件进行分离解算、不平衡量提取等环节得到不平衡量的大小和相位。由于振动信号处理电路部分对振动信号的幅频和相频特性有影响，因此在软件处理中需要对信号处理通道进行补偿，才能提高测量的精度，尤其采用永久定标对通用动平衡机来说，特别重要。为了克服幅频特性的影响，传统的方法有两种：一种是采用分段定标的方法，对转速脉冲经过与振动信号相同的处理电路，以便抵消这部分电路对系统相频特性的影响，但是这种方法效果不好，并增加了系统硬件成本；另一种方法是采用软件中查表的方法进行补偿，因为表中的项目少，补偿的精度受到影响，并且表占用较多的存储资源。所以发明一种采用神经网络建模的方法得到测量系统各通道的频率特性模型，软件中按照该模型进行补偿，提高系统测量精度的用于动平衡检测系统中通道补偿的神经网络建模方法是十分重要的。
发明内容：
本发明的目的是提供一种采用神经网络建模的方法得到测量系统各通道的频率特性模型，软件中按照该模型进行补偿，提高系统测量精度的用于动平衡检测系统中通道补偿的神经网络建模方法。
本发明的目的是这样实现的：
一种用于动平衡检测系统中通道补偿的神经网络建模方法，包括以下步骤：
建立幅频特性模型：
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入，观测输入信号和输出信号的大小，记录幅频特性数据；
b从幅频特性中抽取20对以上数据进行归一化处理；
c确定三层前向神经网络的输入和输出参数：选取信号的频率作为神经网络模型的输入，输出信号幅值和输入信号幅值之比作为神经网络模型的输出；
d取出归一化处理后的部分数据作为训练样本，利用改进型BP学习算法训练网络，得到幅频特性模型；
e对得到的幅频特性模型进行仿真，若精度不能达到要求，调整BP学习算法的参数重复步骤d进行训练；
建立相频特性模型：
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入，观测输入信号和输出信号的相位，记录相频特性数据；
b从相频特性中抽取20对以上数据进行归一化处理；
c确定三层前向神经网络的输入和输出参数：选取信号的频率作为神经网络模型的输入，输出信号相位和输入信号相位之差作为神经网络模型的输出；
d取出归一化处理后的部分数据作为训练样本，利用改进型BP学习算法训练网络，得到相频特性模型；
e对得到的相频特性模型进行仿真，若精度不能达到要求，调整BP学习算法的参数重复步骤d进行训练。
本发明的要点是：
采用神经网络建模的方法得到测量系统各通道的幅频特性模型和相频特性模型，软件处理中按照模型进行补偿。
采用高精度标准信号发生器产生频率可调的正弦信号作为输入，观测输入信号和输出信号的大小，记录频率特性，包括幅频特性和相频特性，两个校正面的硬支承动平衡测量系统一般由两个支承点的振动信号，需要分别建立幅频和相频模型；对频率特性进行归一化处理，归一化处理是将单位不一致的各数据都变换到[-1，1]或[0，1]范围内，目的是为了训练网络的收敛性，加快网络学习的速度；确定三层前向神经网络，信号的频率作为神经网络模型的输入，输出信号幅值和输入信号幅值之比或输出信号相位和输入信号相位之差作为神经网络模型的输出，中间层是隐层，隐层多少的选择只会对训练速度和精度有些影响；从实验数据中取出20对以上，利用改进型BP学习算法训练模型，得到频率特性模型；对得到频率特性模型，进行数据仿真，仿真的目的是检验模型的泛化能力，满足仿真精度要求后，训练得到的权系数表征系统的模型，软件中根据转子的频率进行通道的频率特性补偿。
归一化处理前测量数据是从实验记录的数据中抽取较好的数据对，幅频特性建模，每个数据对是频率和输入输出信号幅值之比组成；相频特性建模，每个数据对是由频率和输入输出信号相位之差组成；抽取时考虑到频率要覆盖整个频率测量范围，可以每隔一段频率取一对数据。
本发明的优点如下：
1.通过软件补偿使测量系统在整个测量的频率范围内都具有较好的线性度，克服测量系统硬件电路对振动信号的频率特性的影响，提高测量精度。
2.实现简单：利用基于BP算法的三层前向神经网络模型可以对通过测量电路的任意频率的信号进行频率特性补偿，该模型代表着信号处理电路的频率特性的非线性模型，可以用它进行任何频率的输入信号的补偿。
3.频率特性模型可以在较宽频率范围内以较高的精度逼近信号处理通道的模型。
附图说明
图1为本发明用于动平衡检测系统中通道补偿的神经网络建模方法带通道补偿的测量系统流程图。
图2为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络幅频特性模型逼近目标值曲线图。
图3为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络幅频特性模型训练过程的误差平方和变化曲线图。
图4为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络相频特性模型学习逼近目标值曲线图。
图5为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络相频特性模型训练过程的误差平方和变化曲线图。
具体实施方式
下面结合附图通过具体实施例对本发明做进一步说明。
本发明用于动平衡检测系统中通道补偿的神经网络建模方法，在带通道补偿的测量系统流程图的虚线框内为建模部分，这部分是离线完成的，仅在系统调试时进行该过程的操作，建模完成后，除非硬件电路发生过变化，否则不需要再次建模。虚线框外为实时测量时的处理流程，动平衡测量系统中的处理器先采集外部的转速信号和振动信号，然后从振动信号中提取与转子同频的信号的幅值和相位，接着把振动信号的频率，即转子的旋转频率作为输入，按照测量通道的模型进行通道补偿运算；最后经过平面分离解算等过程得到不平衡量的大小和相位。
平衡机测量电路由积分、程控放大、带通自动跟踪滤波环节组成，正常工作时信号频率在3~100HZ，采用Matlab建立特性的模型如下：
采用25ppm即0.0025％的高精度信号发生器产生幅值为3V，频率为3～100HZ的正弦信号，把信号送至测量电路输入端，用示波器观测输入信号和输出信号的大小和相位，记录每个观测点上的幅值之比和相位之差，组成2组数据，一组为幅频特性对应的数据，一组为相频特性对应的数据；
1、幅频特性建模补偿
从幅频特性对应的数据组中挑选20对数据，先进行归一化处理。
如挑选出的输入数据的样本集为：
Xin＝[3，5，6，7，8，9，10，12，15，20，25，30，35，40，45，50，60，70，80，100]；
输出数据样本集为：
Yout＝[1.14，1.15，1.15，.15，1.075，0.975，0.875，0.625，0.4，0.21，0.105，0.09，0.0675，0.05，0.04125，0.03375，0.0225，0.015，0.0125，0.0075]；
输入数据见表1。
表1：
| 输入Xin(HZ) | 3 | 5 | 6 | 7 | 8 | 9 | 10 | 12 | 15 | 20 |
| 输出Yout(Vo/Vi) | 1.145 | 1.153 | 1.154 | 1.15 | 1.075 | 0.975 | 0.875 | 0.625 | 0.4 | 0.21 |
| 输入Xin(HZ) | 25 | 30 | 35 | 40 | 45 | 50 | 60 | 70 | 80 | 100 |
| 输出Yout(Vo/Vi) | 0.105 | 0.09 | 0.0675 | 0.05 | 0.04125 | 0.03375 | 0.0225 | 0.015 | 0.0125 | 0.0075 |
归一化处理操作为：Xin＝(Xin-3)/(100-3)；
Yout＝(Yout-0.0075)/(1.154-0.00755)。
设计三层前向神经网络，输入层神经元个数为1，隐层神经元个数为5，输出层神经元个数为1，隐层和输出层都选取sigmoid函数为激励函数；在Matlab中初始化权值函数为：[w1，b1，w2，b2]＝initff(Xin，S1，′tansig′，Yout，′purelin′)；其中S1为隐层节点数。
采用优化算法Levenberg_Marquardt法对BP算法进行改进，Matlab中采用下面函数来训练神经网络：
[w1，b1，w2，b2，ep，tr]＝trainlm(w1，b1，′tansig′，w2，b2，′purelin′，Xin，Yout，tp)；其中tp为学习算法参数表，这里tp＝[dispfreq，maxepoch，erogoal，learnrate]用来设置显示频率、最大训练次数、训练目标精度和学习率，这里分别设为：
dispfreq＝20，maxepoch＝5000，erogoal＝0.0001，learnrate＝0.001；
经过171步学习，得到幅频特性模型：神经网络模型幅频特性逼近目标值的曲线和神经网络幅频特性模型训练过程的误差平方和变化曲线。
采用训练结束，得到一组权系数[w1，b1，w2，b2]，这组权系数就代表测量系统的幅频特性模型，为了验证模型的精度，用实验数据中的另外6对数据进行仿真，这6对数据不同于训练时使用的数据，仿真的函数如下：
Xin1＝([5.5，10.5，22.5，42，55，90]-3)/(100-3)；
a＝(simuff(p，w1，b1，′tansig′，w2，b2，′purelin′)+0.0075)*(1.154-0.0075)
仿真结果和实际测量值对比见表2：
表2：
| 输入(HZ) | 5.5 | 10.5 | 22.5 | 42 | 55 | 90 |
| 仿真结果 | 1.1583 | 0.8032 | 0.1448 | 0.0470 | 0.0289 | 0.0083 |
| 测量结果 | 1.15 | 0.8 | 0.160 | 0.045 | 0.027 | 0.009 |
从上述仿真结果看该模型可以在较宽的频率范围内以较高的精度逼近信号处理通道的模型。
测量过程中的在线补偿，神经网络训练得到的一组权系数[w1，b1，w2，b2]就代表着测量通道的幅频特性模型，测量过程中，采集到每个通道的振动信号后，根据信号的频率进行归一化处理，然后代入神经网络前向计算公式，得到系统的输出，最后进行反归一化处理就得到需要补偿的值。
2、相频特性建模补偿
从相频特性对应的数据组中挑选20对数据，先进行归一化处理。
如挑选出的输入数据的样本集为：
Xin＝[3，5，6，7，8，9，10，12，15，20，25，30，35，40，45，50，60，70，80，100]；
输出数据样本集为：
Yout＝[13.25，13.26，13.263，13.267，12.67，11.82，10.88，7.95，4.08，-1.51，-7.54，-8.87，-11.37，-13.98，-15.65，-17.39，-20.92，-24.44，-26.02，-30.46]；
数据见表3。
表3：
| 输入Xin(HZ) | 3 | 5 | 6 | 7 | 8 | 9 | 10 | 12 | 15 | 20 |
| 输出Yout(Vo/Vi) | 13.25 | 13.26 | 13.263 | 13.267 | 12.67 | 11.82 | 10.88 | 7.95 | 4.08 | -1.51 |
| 输入Xin(HZ) | 25 | 30 | 35 | 40 | 45 | 50 | 60 | 70 | 80 | 100 |
| 输出Yout(Vo/Vi) | -7.54 | -8.87 | -11.37 | -13.98 | -15.65 | -17.39 | -20.92 | -24.44 | -26.02 | -30.46 |
归一化处理操作为：Xin＝(Xin-3)/(100-3)；
Yout＝(Yout+30.46)/(30.46+13.267)；
设计三层前向神经网络，输入层神经元个数为1，隐层神经元个数为5，输出层神经元个数为1，隐层和输出层都选取sigmoid函数为激励函数；在Matlab中初始化权值函数为：[w1，b1，w2，b2]＝initff(Xin，S1，′tansig′，Yout，′purelin′)；其中S1为隐层节点数；
采用优化算法Levenberg_Marquardt法对BP算法进行改进，Matlab中采用下面函数来训练神经网络：
[w1，b1，w2，b2，ep，tr]＝trainlm(w1，b1，′tansig′，w2，b2，′purelin′，Xin，Yout，tp)；其中tp为学习算法参数表，这里tp＝[dispfreq，maxepoch，erogoal，learnrate]用来设置显示频率、最大训练次数、训练目标精度和学习率，这里分别设为：
dispfreq＝20，maxepoch＝5000，erogoal＝0.0001，learnrate＝0.001；
经过10步学习，得到相频频特性模型：神经网络相频特性模型逼近目标值的曲线和神经网络相频特性模型训练过程的误差平方和变化曲线；
采用训练结束，得到一组权系数[w1，b1，w2，b2]，这组权系数就代表测量系统的相频特性模型，为了验证模型的精度，用实验数据中的另外6对数据进行仿真，这6对数据不同于训练时使用的数据，仿真的函数如下：
Xin1＝([5.5，10.5，22.5，42，55，90]-3)/(100-3)；
a＝simuff(p，w1，b1，′tansig′，w2，b2，′purelin′)*(30.46+13.267)-30.46
仿真结果和实际测量值对比见表4。
表4：
| 输入(HZ) | 5.5 | 10.5 | 22.5 | 42 | 55 | 90 |
| 仿真结果 | 13.4519 | 10.1475 | -4.8100 | -14.5203 | -18.7961 | -28.1563 |
| 测量结果 | 13.26 | 10.1 | -3.48 | -14.15 | -19.13 | -27.96 |
测量过程中的在线补偿，神经网络训练得到的一组权系数[w1，b1，w2，b2]就代表着测量通道的相频特性模型，测量过程中，采集到每个通道的振动信号后，根据把信号的频率进行归一化处理，然后代入神经网络前向计算公式，得到系统的输出，最后进行反归一化处理就得到需要补偿的值。
以上所述仅为本发明的优选实施例而以，并不用于限制本发明。对于本领域的技术人员来说可以有任何更改和变换，凡在本发明的精神和原则范围内所做的任何改变、变化或等同替换等都应包括在本发明的保护范围内。
Claims (1)
1.一种用于动平衡检测系统中通道补偿的神经网络建模方法，包括以下步骤：
(1)建立幅频特性模型：
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入，观测输入信号和输出信号的大小，记录幅频特性数据；
b从幅频特性中抽取20对以上数据进行归一化处理；
c确定三层前向神经网络的输入和输出参数：选取信号的频率作为神经网络模型的输入，输出信号幅值和输入信号幅值之比作为神经网络模型的输出；
d取出归一化处理后的部分数据作为训练样本，利用改进型BP学习算法训练网络，得到幅频特性模型；
e对得到的幅频特性模型进行仿真，若精度不能达到要求，调整BP学习算法的参数重复步骤d进行训练；
(2)建立相频特性模型：
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入，观测输入信号和输出信号的相位，记录相频特性数据；
b从相频特性中抽取20对以上数据进行归一化处理；
c确定三层前向神经网络的输入和输出参数：选取信号的频率作为神经网络模型的输入，输出信号相位和输入信号相位之差作为神经网络模型的输出；
d取出归一化处理后的部分数据作为训练样本，利用改进型BP学习算法训练网络，得到相频特性模型；
e对得到的相频特性模型进行仿真，若精度不能达到要求，调整BP学习算法的参数重复步骤d进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009101976212A CN101694701B (zh) | 2009-10-23 | 2009-10-23 | 用于动平衡检测系统中通道补偿的神经网络建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009101976212A CN101694701B (zh) | 2009-10-23 | 2009-10-23 | 用于动平衡检测系统中通道补偿的神经网络建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101694701A CN101694701A (zh) | 2010-04-14 |
| CN101694701B true CN101694701B (zh) | 2012-02-22 |
Family
ID=42093670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009101976212A Expired - Fee Related CN101694701B (zh) | 2009-10-23 | 2009-10-23 | 用于动平衡检测系统中通道补偿的神经网络建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101694701B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103994858B (zh) * | 2014-05-12 | 2017-01-25 | 上海大学 | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 |
| CN106932144B (zh) * | 2017-03-29 | 2019-05-07 | 中国铁道科学研究院 | 基于朴素贝叶斯的轮对残余动不平衡量评估方法及装置 |
| CN111413031B (zh) * | 2019-01-07 | 2021-11-09 | 哈尔滨工业大学 | 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 |
| US11488007B2 (en) | 2019-12-06 | 2022-11-01 | International Business Machines Corporation | Building of custom convolution filter for a neural network using an automated evolutionary process |
| CN117233682B (zh) * | 2023-11-13 | 2024-03-19 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1996192A (zh) * | 2006-12-28 | 2007-07-11 | 浙江大学 | 基于仿生智能的工业软测量仪表及软测量方法 |
| CN101008917A (zh) * | 2007-01-29 | 2007-08-01 | 中南大学 | 基于人工免疫系统的移动机器人软件故障诊断系统 |
-
2009
- 2009-10-23 CN CN2009101976212A patent/CN101694701B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1996192A (zh) * | 2006-12-28 | 2007-07-11 | 浙江大学 | 基于仿生智能的工业软测量仪表及软测量方法 |
| CN101008917A (zh) * | 2007-01-29 | 2007-08-01 | 中南大学 | 基于人工免疫系统的移动机器人软件故障诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101694701A (zh) | 2010-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101694701B (zh) | 用于动平衡检测系统中通道补偿的神经网络建模方法 | |
| Zheng et al. | Real-time dynamic displacement monitoring with double integration of acceleration based on recursive least squares method | |
| US20180349525A1 (en) | Generator dynamic model parameter estimation and tuning using online data and subspace state space model | |
| CN101411213A (zh) | 音频系统中的校准方法和装置 | |
| CN102654771B (zh) | 一种模拟通道的自动校准方法及系统 | |
| CN103475336B (zh) | 一种基于逆控制技术的电力变压器噪声控制方法 | |
| CN105181249B (zh) | 一种用于直升机旋翼平衡的一次配重调整方法 | |
| CN108401218B (zh) | 主动降噪耳机故障诊断方法 | |
| CN106855540B (zh) | 一种变电站主噪声设备隔声罩隔声量测试方法及系统 | |
| CN108613730A (zh) | 一种生产线动态称重在线标定方法 | |
| CN104792450B (zh) | 一种设备对安装基座激励力的间接测量方法 | |
| CN106772171A (zh) | 一种超声波局部放电检测装置的检测与校验系统 | |
| CN103092224B (zh) | 多维随机振动控制方法 | |
| CN104316266B (zh) | 一种带修正的直升机模型动平衡调整相位计算方法 | |
| CN103837884A (zh) | 基于时域分析的数字核脉冲信号梯形成形算法 | |
| CN102879698B (zh) | 一种电网电力系统稳定器参数适应性测试方法 | |
| CN108122560A (zh) | 一种提取发动机噪声音调度的系统及方法 | |
| CN110703313A (zh) | 考虑传感器感度的声发射事件震级获取方法、系统及可读存储介质 | |
| CN106705995A (zh) | 一种MEMS陀螺仪g值敏感系数的标定方法 | |
| CN102829940B (zh) | 针对卫星飞轮的扰动仿真的实现方法 | |
| CN106706285A (zh) | 一种制动盘固有频率在线检测方法 | |
| CN107315343A (zh) | 一种机械主动隔振的多振源多参考窄带自适应方法 | |
| CN110031087B (zh) | 一种用于测量飞机舱内噪声的方法 | |
| CN110096779B (zh) | 一种伺服机构动特性分析方法 | |
| CN104268126B (zh) | 一种矿井通风系统风道参数的多态自动识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120222 Termination date: 20141023 |
|
| EXPY | Termination of patent right or utility model |