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
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 Download PDFInfo
- Publication number
- CN103258233B CN103258233B CN201310116989.8A CN201310116989A CN103258233B CN 103258233 B CN103258233 B CN 103258233B CN 201310116989 A CN201310116989 A CN 201310116989A CN 103258233 B CN103258233 B CN 103258233B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- fan
- stability
- rotation speed
- 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
Landscapes
- Air Conditioning Control Device (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
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
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Xm>(1+β)X(m-1)或者Xm<(1-β)X(m-1),则将Xm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xi映射到一个标准的数值范围中的一个新的值x′i,x′i∈X′;
其中xmin为向量X中的最小值;xmax为向量X中的最小值;Lmin为标准数值范围的下限;Lmax为标准数值范围的上限。
优选的,所述Lmin的取值为0;Lmax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,...Xn,一个噪音值Xm>(1+β)X(m-1)或者Xm<(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xi映射到一个标准的数值范围中的一个新的值x′i,x′i∈X′;
其中xmin为向量X中的最小值;xmax为向量X中的最小值;Lmin为标准数值范围的下限;Lmax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Xn,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,…,Xn中某一数据Xm与其前位数据X(m-1)存在如下关系:Xm>(1+β)X(m-1)或者Xm<(1-β)X(m-1),则Xm为需要修正的噪音值,将Xm修正为X′m,且X′m=2*X(m-1)-X(m-2);
其中,
Xm为数据时间序列X1,X2,…,Xn中的第m个数据;
X(m-1)为数据时间序列X1,X2,…,Xn中位于Xm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,…,Xn中位于Xm前两位的数据,即第m-2个数据;
X′m为噪音值Xm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xi映射到一个标准的数值范围中的一个新的值x′i,x′i∈X′;
其中xmin为向量X中的最小值;xmax为向量X中的最大值;Lmin为标准数值范围的下限;Lmax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Lmin的取值为0;Lmax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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310116989.8A CN103258233B (zh) | 2013-04-07 | 2013-04-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310116989.8A CN103258233B (zh) | 2013-04-07 | 2013-04-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103258233A CN103258233A (zh) | 2013-08-21 |
CN103258233B true CN103258233B (zh) | 2016-03-16 |
Family
ID=48962135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310116989.8A Active CN103258233B (zh) | 2013-04-07 | 2013-04-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103258233B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106499656B (zh) * | 2016-11-04 | 2017-10-31 | 安徽理工大学 | 一种风扇风速智能控制方法 |
CN109297582A (zh) * | 2017-07-25 | 2019-02-01 | 台达电子电源(东莞)有限公司 | 风扇异音的检测装置及检测方法 |
CN112462901A (zh) * | 2020-11-23 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种服务器散热方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5563983A (en) * | 1992-07-21 | 1996-10-08 | Fujitsu Limited | Learning system operated through a layered neural network |
CN101697079A (zh) * | 2009-09-27 | 2010-04-21 | 华中科技大学 | 用于航天器实时信号处理的盲系统故障检测与隔离方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4803212B2 (ja) * | 2008-05-28 | 2011-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、及びプログラム |
-
2013
- 2013-04-07 CN CN201310116989.8A patent/CN103258233B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5563983A (en) * | 1992-07-21 | 1996-10-08 | Fujitsu Limited | Learning system operated through a layered neural network |
CN101697079A (zh) * | 2009-09-27 | 2010-04-21 | 华中科技大学 | 用于航天器实时信号处理的盲系统故障检测与隔离方法 |
Non-Patent Citations (2)
Title |
---|
基于人工神经网络的静子叶片优化设计;刘波 等;《推进技术》;20091031;第576页-580页 * |
基于改进型动量BP神经网络算法的;刘波 等;《西北工业大学学报》;20071231;第266页-269页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103258233A (zh) | 2013-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Keib et al. | Application of artificial neural networks in voltage stability assessment | |
CN105955148B (zh) | 基于ZigBee的光伏组件在线监测与故障诊断方法 | |
CN103258233B (zh) | 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 | |
CN103886374A (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN104143024B (zh) | 一种并行高速链路系统的快速时域仿真方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN105550747A (zh) | 一种新型卷积神经网络的样本训练方法 | |
CN106803128A (zh) | 光伏发电的预测方法和装置 | |
TWI404960B (zh) | 太陽光電發電系統之孤島現象檢測方法 | |
CN109670585A (zh) | 神经元仿生电路和神经形态系统 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN106679847A (zh) | 一种电力设备故障诊断方法及装置 | |
CN107178477A (zh) | 基于深度自编码模型的风电机组叶片故障监控方法及系统 | |
CN105162109A (zh) | 基于灵敏度分析的直流潮流控制器优化配置方法 | |
Samkria et al. | Automatic PV grid fault detection system with IoT and LabVIEW as data logger | |
CN109494726A (zh) | 基于dlrnn神经网络的电力系统稳定性在线评估方法 | |
CN106227127A (zh) | 发电设备智能监控装置和监控方法 | |
CN209216149U (zh) | 神经元仿生电路和神经形态系统 | |
CN106169771A (zh) | 一种可预测发电量数据的并网逆变器 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN104766247A (zh) | 一种全电压等级电网可靠性的计算方法 | |
CN102722552B (zh) | 一种协同过滤推荐模型中调整学习速率的方法 |
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 |