CN109725218A - 一种基于K-Medoid算法的电磁阀极性检测方法 - Google Patents
一种基于K-Medoid算法的电磁阀极性检测方法 Download PDFInfo
- Publication number
- CN109725218A CN109725218A CN201811641366.1A CN201811641366A CN109725218A CN 109725218 A CN109725218 A CN 109725218A CN 201811641366 A CN201811641366 A CN 201811641366A CN 109725218 A CN109725218 A CN 109725218A
- Authority
- CN
- China
- Prior art keywords
- solenoid valve
- voltage
- voltage data
- central point
- algorithm
- 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.)
- Pending
Links
Landscapes
- Magnetically Actuated Valves (AREA)
Abstract
本发明提出了一种基于K‑Medoid算法的电磁阀极性检测方法，提高了电磁阀极性检测系统的准确性，避免了电磁阀之间的互相干扰，提高看检测的智能化程度，节约了大量人力物力。本发明通过磁场强度传感器对电磁阀周边磁场强度进行实时监测，避免了电磁阀之间的互相干扰，基于电磁阀周边磁场强度采用基于K‑Medoid算法对电磁阀工作状态进行自主判断，判断更为迅速，准确，节约人力物力，提高了电磁阀极性测试系统的准确度和智能化水平。本发明采用无线传输方式，减小了测试系统的复杂程度。
Description
技术领域
本发明属于数据识别与检测技术领域，具体涉及一种基于K-Medoid算法的电磁阀极性检测方法。
背景技术
随着对航天型号系统总装测试设备小型化以及智能化等的需求，针对航天型号系统总装测试中，对于电磁阀极性测试的准确性以及可靠性的要求也进一步提升。现有的电磁阀极性检测方法，多采用“电流曲线法”在安装前进行单机性能测试，安装后仅能通过听声音以及手摸振动等方式进行判断，占用大量人力物力，而且当电磁阀数量较多或者分布不均匀时，现有是检测方式的准确性会因电磁阀之间的互相干扰而降低。
发明内容
有鉴于此，本发明提出了一种基于K-Medoid算法的电磁阀极性检测方法，提高了电磁阀极性检测系统的准确性，避免了电磁阀之间的互相干扰，提高看检测的智能化程度，节约了大量人力物力。
为实现上述目的，本发明的一种基于K-Medoid算法的电磁阀极性检测方法，包括如下步骤：
步骤1，利用磁场强度传感器，采集不同开关状态的电磁阀周围磁场强度并转换为电压信号，得到电压数据；
步骤2，基于K-Medoid算法对步骤1得到的电压数据进行学习，得到电压数据分类模型，所述分类模型将电压数据分为两类，两类中绝对值较大的一类所对应的电磁阀状态设定为闭合状态，另一类所对应的电磁阀状态设定为断开状态；
步骤3，依次使用已知不同开关状态的电磁阀接近磁场强度传感器，得到对应的电压信号，将各个电压信号输入到步骤2得到的电压数据分类模型中，得到关于电磁阀状态的分类结果；判断分类结果是否正确，若正确，则执行步骤4，若不正确，则重复步骤1-3，直到分类结果正确；
步骤4，利用步骤3得到的电压数据分类模型进行电磁阀极性检测。
其中所述步骤2中，基于K-Medoid算法对步骤1得到的电压数据进行学习的具体步骤如下：
步骤21，在所有电压数据中随机选取2个电压数据作为中心点，每个中心点对应一个簇；
步骤22，分别计算所有电压数据到2个中心点的距离；
对比电压数据与两个中心点的距离，将电压数据分类到与其距离较短的中心点所对应的簇中，若电压数据与两个中心点的距离相同，则将该电压数据归类到较小中心点对应的簇中；
步骤23，针对各簇内的电压数据，将该簇内与其他电压数据差值最小的电压数据作为新的中心点，若有两个以上与其他电压数据差值最小的电压数据，则选取数值较小的电压数据作为新的中心点；
如果新的中心点与步骤22中所述中心点相同，则输出电压数据分类模型，算法终止；如果新的中心点与步骤22中所述中心点不完全相同，则更新步骤22中所述中心点为新的中心点，重复执行步骤22-步骤23，直至输出电压数据分类模型，算法终止。
其中，N大于或等于100。
其中，所述步骤4中，将电磁阀极性检测结果通过无线通讯送至外显设备。
其中，所述外显设备包括状态指示灯和屏幕显示器。
其中，所述磁场强度传感器为霍尔传感器。
有益效果：
本发明通过磁场强度传感器对电磁阀周边磁场强度进行实时监测，避免了电磁阀之间的互相干扰，基于电磁阀周边磁场强度采用基于K-Medoid算法对电磁阀工作状态进行自主判断，判断更为迅速，准确，节约人力物力，提高了电磁阀极性测试系统的准确度和智能化水平。
本发明采用无线传输方式，减小了测试系统的复杂程度。
附图说明
图1为本发明基于K-Medoid算法的电磁阀极性检测原理示意图。
图2为本发明采用的K-Medoid算法流程图。
具体实施方式
下面结合附图，并举实施例，对本发明进行进一步详细说明。
步骤1，利用磁场强度传感器，采集不同开关状态的电磁阀周围磁场强度并转换为电压信号，得到电压数据；
由于电磁阀的极性变化会造成周围磁场强度的变化，本实施例使用霍尔传感器采集电磁阀周围的磁场强度并转换为电压信号；采集N组以上的电压值，作为电压数据；考虑数据的覆盖程度以及计算复杂度，N大于或等于100；
步骤2，基于K-Medoid算法对步骤1得到的电压数据进行学习，得到电压数据分类模型，所述分类模型将电压数据分为两类，两类中绝对值较大的一类所对应的电磁阀状态设定为闭合状态(由于闭合状态时电磁阀磁场强度较强，此时霍尔元件采集的电压绝对值也就较大)，另一类所对应的电磁阀状态设定为断开状态；
步骤3，依次使用已知不同开关状态的电磁阀接近霍尔传感器，得到对应的电压信号，将各个电压信号输入到步骤2得到的电压数据分类模型中，得到关于电磁阀状态的分类结果；判断分类结果是否正确，若正确，执行步骤4，若不正确，则重复步骤1-3，直到分类结果正确；
步骤4，利用步骤3得到的电压数据分类模型进行电磁阀极性检测。
对单个传感器数据处理模型训练过程中使用K-Medoid算法，K-Medoid算法是基于划分方法的一种聚类算法，属于机器学习中的无监督学习，其工作过程如下：
步骤21，在所有电压数据中随机选取2个电压数据作为中心点，每个中心点对应一个簇；
步骤22，分别计算所有电压数据到2个中心点的距离；
对比电压数据与两个中心点的距离，将电压数据分类到与其距离较短的中心点所对应的簇中，若电压数据与两个中心点的距离相同，则将该电压数据归类到较小中心点对应的簇中；
步骤23，针对各簇内的电压数据，将该簇内与其他电压数据差值最小的电压数据作为新的中心点，若有两个以上与其他电压数据差值最小的电压数据，则选取数值较小的电压数据作为新的中心点；
如果新的中心点与步骤22中所述中心点相同，则输出电压数据分类模型，算法终止；如果新的中心点与步骤22中所述中心点不完全相同，则更新步骤22中所述中心点为新的中心点，重复执行步骤22-步骤23，直至输出电压数据分类模型，算法终止。
图1是本发明中无线传感器终端中传感器数据采集判断的原理图。霍尔效应传感器输出电压由AD采集，之后进行低通滤波处理，并通过控制器进行数值的采集比较判断等，然后将结果数据通过无线通讯送至软件界面显示，同时控制点亮传感器终端的状态指示灯。
本发明的基于K-Medoid算法的电磁阀极性检测方法，将机器自学习算法应用于型号装备总装测试中的电磁阀极性检测。通过传感器终端对电磁阀极性状态的无监督学习的方式，无需人为判断，只需多组数据采集，即可应用于电磁阀极性状态的检测。同时针对不同规格的电磁阀，不必对传感器终端进行修改，只需将数据清零后重复学习过程，即可与新的电磁阀进行匹配，能够适用于各种不同规格的电磁阀的极性检测。采用无线数据传输技术，不需外加测试接口，拆装方便快捷。将最新的无线非接触式检测方法与无线自组网技术、机器学习以及模式识别等技术相结合，具有小型化、智能化、实时性和普适性的特点，能够满足各种条件下对电磁阀极性状态的实施监督检测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于K-Medoid算法的电磁阀极性检测方法，其特征在于，包括如下步骤：
步骤1，利用磁场强度传感器，采集不同开关状态的电磁阀周围磁场强度并转换为电压信号，得到电压数据；
步骤2，基于K-Medoid算法对步骤1得到的电压数据进行学习，得到电压数据分类模型，所述分类模型将电压数据分为两类，两类中绝对值较大的一类所对应的电磁阀状态设定为闭合状态，另一类所对应的电磁阀状态设定为断开状态；
步骤3，依次使用已知不同开关状态的电磁阀接近磁场强度传感器，得到对应的电压信号，将各个电压信号输入到步骤2得到的电压数据分类模型中，得到关于电磁阀状态的分类结果；判断分类结果是否正确，若正确，则执行步骤4，若不正确，则重复步骤1-3，直到分类结果正确；
步骤4，利用步骤3得到的电压数据分类模型进行电磁阀极性检测。
2.如权利要求1所述的基于K-Medoid算法的电磁阀极性检测方法，其特征在于，所述步骤2中，基于K-Medoid算法对步骤1得到的电压数据进行学习的具体步骤如下：
步骤21，在所有电压数据中随机选取2个电压数据作为中心点，每个中心点对应一个簇；
步骤22，分别计算所有电压数据到2个中心点的距离；
对比电压数据与两个中心点的距离，将电压数据分类到与其距离较短的中心点所对应的簇中，若电压数据与两个中心点的距离相同，则将该电压数据归类到较小中心点对应的簇中；
步骤23，针对各簇内的电压数据，将该簇内与其他电压数据差值最小的电压数据作为新的中心点，若有两个以上与其他电压数据差值最小的电压数据，则选取数值较小的电压数据作为新的中心点；
如果新的中心点与步骤22中所述中心点相同，则输出电压数据分类模型，算法终止；如果新的中心点与步骤22中所述中心点不完全相同，则更新步骤22中所述中心点为新的中心点，重复执行步骤22-步骤23，直至输出电压数据分类模型，算法终止。
3.如权利要求1所述的基于K-Medoid算法的电磁阀极性检测方法，其特征在于，N大于或等于100。
4.如权利要求1所述的基于K-Medoid算法的电磁阀极性检测方法，其特征在于，所述步骤4中，将电磁阀极性检测结果通过无线通讯送至外显设备。
5.如权利要求1所述的基于K-Medoid算法的电磁阀极性检测方法，其特征在于，所述外显设备包括状态指示灯和屏幕显示器。
6.如权利要求1所述的基于K-Medoid算法的电磁阀极性检测方法，其特征在于，所述磁场强度传感器为霍尔传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641366.1A CN109725218A (zh) | 2018-12-29 | 2018-12-29 | 一种基于K-Medoid算法的电磁阀极性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641366.1A CN109725218A (zh) | 2018-12-29 | 2018-12-29 | 一种基于K-Medoid算法的电磁阀极性检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109725218A true CN109725218A (zh) | 2019-05-07 |
Family
ID=66298524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811641366.1A Pending CN109725218A (zh) | 2018-12-29 | 2018-12-29 | 一种基于K-Medoid算法的电磁阀极性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109725218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019431A (zh) * | 2021-10-26 | 2022-02-08 | 上海空间推进研究所 | 极性测试装置及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01202616A (ja) * | 1987-12-09 | 1989-08-15 | Herion Werke Kg | コイルの電磁的な値、特にコイル／接極子磁気システムの接極子の位置を測定する装置 |
| CN101359228A (zh) * | 2008-09-09 | 2009-02-04 | 张东来 | 基于驱动端电流变化的电磁控制元件故障诊断方法及装置 |
| CN205280900U (zh) * | 2016-01-08 | 2016-06-01 | 张家口冀雨科技有限公司 | 一种直流脉冲式电磁阀状态检测装置 |
| CN207147394U (zh) * | 2017-07-31 | 2018-03-27 | 武汉迪昌科技股份有限公司 | 电子防滑器的排风阀对位检测装置 |
| CN108302241A (zh) * | 2018-01-16 | 2018-07-20 | 杭州电子科技大学 | 一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法 |
| CN108734088A (zh) * | 2018-03-29 | 2018-11-02 | 浙江长兴笛卡尔科技有限公司 | 基于机器学习的数据训练方法及装置 |
-
2018
- 2018-12-29 CN CN201811641366.1A patent/CN109725218A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01202616A (ja) * | 1987-12-09 | 1989-08-15 | Herion Werke Kg | コイルの電磁的な値、特にコイル／接極子磁気システムの接極子の位置を測定する装置 |
| CN101359228A (zh) * | 2008-09-09 | 2009-02-04 | 张东来 | 基于驱动端电流变化的电磁控制元件故障诊断方法及装置 |
| CN205280900U (zh) * | 2016-01-08 | 2016-06-01 | 张家口冀雨科技有限公司 | 一种直流脉冲式电磁阀状态检测装置 |
| CN207147394U (zh) * | 2017-07-31 | 2018-03-27 | 武汉迪昌科技股份有限公司 | 电子防滑器的排风阀对位检测装置 |
| CN108302241A (zh) * | 2018-01-16 | 2018-07-20 | 杭州电子科技大学 | 一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法 |
| CN108734088A (zh) * | 2018-03-29 | 2018-11-02 | 浙江长兴笛卡尔科技有限公司 | 基于机器学习的数据训练方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 邱莉榕等: "《算法设计与优化》", 28 February 2017, 中央民族大学出版社 * |
| 马小叶: "基于神经网络的电磁阀质量诊断研究", 《内燃机与配件》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019431A (zh) * | 2021-10-26 | 2022-02-08 | 上海空间推进研究所 | 极性测试装置及方法 |
| CN114019431B (zh) * | 2021-10-26 | 2024-04-09 | 上海空间推进研究所 | 极性测试装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160474B (zh) | 一种基于深度课程学习的图像识别方法 | |
| CN106056879B (zh) | 一种基于智能识别的电表远程监控系统 | |
| CN104090189B (zh) | 一种设备工作状态检测方法和设备工作状态检测装置 | |
| CN105510049B (zh) | 基于振动信号分析的车辆运行工况监测模块及方法 | |
| CN103971342A (zh) | 一种基于卷积神经网络的图像噪点检测方法 | |
| US20210398674A1 (en) | Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same | |
| CN106992823A (zh) | 一种认知无线电网络频谱感知方法 | |
| CN107391370A (zh) | 一种基于数据过采样和集成学习的软件缺陷数目预测方法 | |
| CN109725218A (zh) | 一种基于K-Medoid算法的电磁阀极性检测方法 | |
| CN108536136A (zh) | 自动行走设备以及边界距离检测方法、装置和系统 | |
| CN106199237A (zh) | 测试设备天线的系统 | |
| CN104820143A (zh) | 配电自动化终端的自动检测方法及系统 | |
| CN111983504B (zh) | 一种基于三轴陀螺仪的智能极性测试系统及方法 | |
| CN108055673A (zh) | 一种wifi智能设备批量出厂绑定测试的方法和系统 | |
| CN107947286A (zh) | 一种支持负载识别的无线充电设备及其识别方法 | |
| CN208283493U (zh) | 一种基于LabVIEW和PXI板卡的自动测试系统 | |
| CN109359650A (zh) | 目标检测方法及装置、嵌入式设备 | |
| CN115809622A (zh) | 具有自动优化配置功能的芯片仿真加速系统 | |
| CN208239888U (zh) | 整车控制器自动测试装置 | |
| CN104658306B (zh) | 一种车辆在位检测方法及车位监控装置 | |
| CN204789978U (zh) | 一种智能电表故障抓取测试设备 | |
| CN106250298B (zh) | 一种测试方法及装置 | |
| CN115270983A (zh) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 | |
| CN109655688B (zh) | 无线充电器充电面积测试方法及系统 | |
| CN113033821A (zh) | 一种应用于算法核心单元的负载识别机器学习系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190507 |
|
| WD01 | Invention patent application deemed withdrawn after publication |