CN103258233B - 通过神经网络学习对风扇转速及其稳定性进行检测的方法 - Google Patents

Abstract

本发明公开了一种通过神经网络学习对风扇转速及其稳定性进行检测的方法，包括如下步骤：1)将合格的风扇电机的电流信号通过数据采集卡传输到PC机上并转变成时间序列的数据；2)对收集来的时间序列的数据进行数据清洗；3)对数据清洗后的数据进行标准化处理；4)将标准化处理后的数据输入向后传递的神经网络，对神经网络进行训练，以最小均方误差的模型为理想模型；5)对理想模型进行是否过度拟合的验证；6)将验证好的理想模型应用于生产系统，对风扇电机的电流曲线进行判定。本发明通过神经网络学习能对风扇转速及其稳定性进行检测，能够很准确的判断产品的类型和有效值区间的界定。

Description

通过神经网络学习对风扇转速及其稳定性进行检测的方法

技术领域

本发明涉及通过神经网络学习对风扇转速及其稳定性进行检测的方法，其主要用于汽车零部件检测，特别是空调风扇的检测。

背景技术

汽车零部件检测，特别是空调风扇的检测，目前的生产性企业主要是通过人工对样件产生的电流曲线的主观判断来实现，这个过程主要是对有效区间根据人的经验来界定，这个界定的范围很容易产生误差，不同的人界定的范围很可能是不一样的。而且在同一生产线上，如果同时生产好几种型号的产品的时候，工人很容易对界定的范围产生混淆。

发明内容

本发明的目的在于提供一种通过神经网络学习对风扇转速及其稳定性进行检测的方法。

为实现上述目的，本发明提供一种通过神经网络学习对风扇转速及其稳定性进行检测的方法，包括如下步骤：

1)将合格的风扇电机的电流信号通过数据采集卡传输到PC机上并转变成时间序列的数据；

2)对收集来的时间序列的数据进行数据清洗；

3)对数据清洗后的数据进行标准化处理；

4)将标准化处理后的数据输入向后传递的神经网络，对神经网络进行训练，以最小均方误差的模型为理想模型；

5)对理想模型进行是否过度拟合的验证；

6)将验证好的理想模型应用于生产系统，对风扇电机的电流曲线进行判定。

优选的，所述数据清洗的过程如下：

当时间序列的数据中X_m＞(1+β)X_(m-1)或者X_m＜(1-β)X_(m-1)，则将X_m修正为X′_m＝2*X_(m-1)-X_(m-2)；其中β为经验值。

优选的，所述β大于等于0.2。

优选的，所述数据的标准化处理的过程如下：

将一个输入向量X转换为规范化的输出向量X′，把向量X中每个数值x_i映射到一个标准的数值范围中的一个新的值x′_i，x′_i∈X′；

$x_i^{\′}=\frac{(x_i-x_{\min })(L_{\max }-L_{\min })}{x_{\max }-x_{\min }}+L_{\min }$

其中x_min为向量X中的最小值；x_max为向量X中的最小值；L_min为标准数值范围的下限；L_max为标准数值范围的上限。

优选的，所述Lmin的取值为0；L_max的取值为1。

优选的，所述对神经网络进行训练采用移动窗口的方法。

风扇在旋转过程中，扭矩的改变会改变转速，不同的扭矩产生不同的电流(因为电压基本稳定)，故可针对风扇电机的电流曲线，对风扇转速及其稳定性进行判断。

本发明的优点和有益效果在于：提供一种通过神经网络学习对风扇转速及其稳定性进行检测的方法，其能够很准确的判断产品的类型和有效值区间的界定。

附图说明

图1是数据信号的示意图；

图2是本发明的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

风扇在旋转过程中，扭矩的改变会改变转速，不同的扭矩产生不同的电流(因为电压基本稳定)，故可针对风扇电机的电流曲线，对风扇转速及其稳定性进行判断。

电流信号通过模拟数据采集卡传输到PC机上转变成数据信号。

数据信号在时间为X轴的图表上表现出来的是时间序列的数据(timeseriesdata)，如图1所述。

时间序列的数据可以通过机器学习的方法来对被检测物品转速合格性进行判断。机器学习的方法选择的是神经网络(ANNs)。

神经网络学习的过程分为训练部分和验证部分：训练部分是让神经网络对大量合格样件产生的数据作为输入进行学习，输出的误差值的有效值(RootMeanSquare)在最小值的时候完成训练。验证部分是验证训练好的神经网络不会造成过度拟合(overfitting)的情况。

利用训练好的神经网络，生产系统就能比较准确的判断风扇在不同测试条件下是否运行正常。

本发明具体实施的技术方案是：

一种通过神经网络学习对风扇转速及其稳定性进行检测的方法，包括如下步骤：

1)将合格的风扇电机的电流信号通过数据采集卡传输到PC机上并转变成时间序列的数据；

2)对收集来的时间序列的数据进行数据清洗；

3)对数据清洗后的数据进行标准化处理；

4)将标准化处理后的数据输入向后传递的神经网络，对神经网络进行训练，以最小均方误差的模型为理想模型；

5)对理想模型进行是否过度拟合的验证；

6)将验证好的理想模型应用于生产系统，对风扇电机的电流曲线进行判定。

因为收集来的原始信号因为各种可能的人为或者环境的干扰会产生一些数据上的噪音(数值突然增加或者减少)，所以我们需要对收集来的电流信号进行数据清洗。判定的方法是设定一个可允许的经验值β，假定时间序列表示为X₁，X₂，...X_n，一个噪音值X_m＞(1+β)X_(m-1)或者X_m＜(1-β)X_(m-1)，噪音值是需要修正的，新的修正的值为X′_m＝2*X_(m-1)-X_(m-2)；β大于等于0.2。

所述数据的标准化处理的过程如下：

将一个输入向量X转换为规范化的输出向量X′，把向量X中每个数值x_i映射到一个标准的数值范围中的一个新的值x′_i，x′_i∈X′；

$x_i^{\′}=\frac{(x_i-x_{\min })(L_{\max }-L_{\min })}{x_{\max }-x_{\min }}+L_{\min }$

其中x_min为向量X中的最小值；x_max为向量X中的最小值；L_min为标准数值范围的下限；L_max为标准数值范围的上限；Lmin的取值为0；Lmax的取值为1。

在确定理想的数据模型的过程中我们需要对大量的数据进行训练来确定以下几个参数：(遍历输入参数)

输入层节点数量I(Inputnode)；

隐藏层节点数量H(Hiddennode)；

学习速率M(Learningrate)即学习速度；

循环次数Iteration，即重复次数；

输出层只有一个节点。

输入时间序列值(2-10步)。

训练的方法是用移动窗口(movingwindow)的方法，如果输入是X₁到X_n，输出就是X`_(n+1)。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，包括如下步骤：

1)将合格的风扇电机的电流信号通过数据采集卡传输到PC机上并转变成时间序列的数据；

2)对收集来的时间序列的数据进行数据清洗；

3)对数据清洗后的数据进行标准化处理；

4)将标准化处理后的数据输入向后传递的神经网络，对神经网络进行训练，以最小均方误差的模型为理想模型；

5)对理想模型进行是否过度拟合的验证；

6)将验证好的理想模型应用于生产系统，对风扇电机的电流曲线进行判定。

2.根据权利要求1所述的通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，所述数据清洗的过程如下：

当数据时间序列X₁，X₂，…，X_n中某一数据X_m与其前位数据X_(m-1)存在如下关系：X_m＞(1+β)X_(m-1)或者X_m＜(1-β)X_(m-1)，则X_m为需要修正的噪音值，将X_m修正为X′_m，且X′_m＝2*X_(m-1)-X_(m-2)；

其中，

X_m为数据时间序列X₁，X₂，…，X_n中的第m个数据；

X_(m-1)为数据时间序列X₁，X₂，…，X_n中位于X_m前一位的数据，即第m-1个数据；

X_(m-2)为数据时间序列X₁，X₂，…，X_n中位于X_m前两位的数据，即第m-2个数据；

X′_m为噪音值X_m修正后的值；

β为经验值。

3.根据权利要求2所述的通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，所述β大于等于0.2。

4.根据权利要求1所述的通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，所述数据的标准化处理的过程如下：

将一个输入向量X转换为规范化的输出向量X′，把向量X中每个数值x_i映射到一个标准的数值范围中的一个新的值x′_i，x′_i∈X′；

$x_i^{\′}=\frac{\left(x_i-x_{\min }\right)\left(L_{\max }-L_{\min }\right)}{x_{\max }-x_{\min }}+L_{\min }$

其中x_min为向量X中的最小值；x_max为向量X中的最大值；L_min为标准数值范围的下限；L_max为标准数值范围的上限。

5.根据权利要求4所述的通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，所述L_min的取值为0；L_max的取值为1。

6.根据权利要求1所述的通过神经网络学习对风扇转速及其稳定性进行检测的方法，其特征在于，所述对神经网络进行训练采用移动窗口的方法。