CN109946606B - 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的微型振动马达缺陷故障分类方法及装置，将采集的串联在微型振动马达通电回路的采集电阻两端的电压信号图像，输入到训练好的卷积神经网络模型，便可实现对微型振动马达缺陷种类的准确识别，整个过程为自动化识别操作，无需工作人员过多参与整个生成过程，大大提高了检测效率，且降低了劳动生产成本。

Description

基于卷积神经网络的微型振动马达缺陷故障分类方法及装置

技术领域

本发明属于机器缺陷检测技术领域，涉及一种基于深度学习的微型振动马达缺陷故障检测技术，尤其涉及一种基于卷积神经网络的微型振动马达缺陷故障方法分类及装置。

背景技术

微型振动马达广泛的应用在手机、智能穿戴等电子设备上。随着交互式电子设备在我国的快速发展，微型振动马达需求量与日俱增，每年需求量达到20多亿只。如何在生产线中快速地对不良品检出成为了限制马达产量的瓶颈。

微型振动马达轴承缺陷引起的机械振动会导致气隙宽度的偏心振荡，进而引起磁通密度的变化，磁通密度的变化会使电机电感产生定子电流振动谐波，这是造成微型振动马达不良的重要原因。实际生产中，工厂通过示波器采集微型振动马达在运转时的图像，然后通过人眼观察示波器屏幕上的波形来判断微型振动马达缺陷故障，并对微型振动马达缺陷故障进行分类。而一条产线每小时生产1400个微型振动马达，无论是检测的速度还是准确率都难以得到有效保证。

机器视觉是人工智能正在快速发展的一个分支。简单说，机器视觉就是用机器代替人眼来做测量和判断，其特点是能够提高生产的灵活性和自动化程度。特别是随着深度学习(人工神经网络)的发展，机器视觉已经深入到当前人工智能研究的热门领域，这些研究涉及到工业、农业、金融业等多个领域，例如语音识别，人脸识别，目标检测，语义分割等等。基于深度学习的机器视觉缺陷故障检测方法已经渗透到我们生活中的各个方面。目前，基于深度学习的机器视觉缺陷故障检测在工业方面的应用主要是通过工业相机收集图片，然后通过采集的数据预训练出模型，再根据产线的实际情况来微调模型，这种检测方式在比如裂纹缺陷、瓶盖缺陷等检测等都已经表现出良好的检测效果。

然而，目前还没有针对微型振动马达的机器视觉缺陷故障检测技术。

发明内容

针对目前基于人工视觉的微型振动马达缺陷故障检测存在的效率低、准确度难以保证等问题，本发明目的旨在提供一种基于卷积神经网络的微型振动马达缺陷故障分类方法及装置，在实现对微型振动马达缺陷故障准确分类的同时，简化操作难度、提高检测效率。

本发明的发明思路是通过训练的神经网络模型对采集的电压信号进行分析，由于神经网络模型经过训练后，其具有很高的识别效率，因此能够实现对微型振动马达缺陷故障(例如电刷不良(由于转子换向时间过长引起)、磁场不良(由于极片与刷片接触期间马达电阻变化引起)、波形异常(由于换向片弧度长短不一导致)、波形跌落(由于刷片与极片没有接触引起)、转子卡死、转子断线等)的准确分类。由于不需要工作人员有特别专业的背景技术，也降低了操作难度。本发明提供的基于卷积神经网络的微型振动马达缺陷故障分类方法，包括以下步骤：

S1获得电压特征信号：在待测微型振动马达通电回路串联采集电阻，并在待测微型振动马达通电运转时测量采集电阻两端电压信号，并将其作为待处理的电压特征信号；

S2利用小波变换重构电压特征信号：对得到的电压特征信号进行二层小波分解与重构，提取第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层重构信号中的低频信号得到重构的电压特征信号；

S3对重构后的电压特征信号图像进行预处理，包括二值化处理、感兴趣区域提取和膨胀处理；

S4缺陷故障诊断：将预处理后的电压特征信号图像输入到训练好的卷积神经网络模型中，根据卷积神经网络模型的输出值判断待测微型振动马达是否存在缺陷故障并给出相应的缺陷故障种类。

上述基于卷积神经网络的微型振动马达缺陷故障分类方法，步骤S1的目的在于对微型振动马达所在电路的电压信号进行测量，由于微型振动马达在运转过程中，马达的刷片和极片每转动60度会瞬时短路接触一次，在短路瞬间，回路电阻变小，导致瞬间电流变大，整个回路电阻发生周期性变化。由于采集电阻的阻值是一定的，因此测量的采集电阻两端的电压信号便可反映微型振动马达通电回路中的电流变化情况，进而能够反映微型振动马达的运转情况；因此，本发明采取了在微型振动马达通电回路串联一个采集电阻，通过测量采集电阻的电压，实现对微型振动马达运转情况的检测。

上述基于卷积神经网络的微型振动马达缺陷故障分类方法，步骤S2的目的在于对步骤S1采集的电压特征信号进行小波分解与重构，并提取分解后第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层第二层重构信号中的低频信号得到含有细节量的重构电压特征信号。本发明中对得到的电压特征信号进行bior2.2小波分解。

上述基于卷积神经网络的微型振动马达缺陷故障分类方法，步骤S3的目的是对重构后的电压特征信号图像进行预处理，以去除大量网格线的干扰，而且减少了神经网络的输入，有利于提高检测效率。为了提交检测效率，本发明是从重构的电压特征信号图像中截取设定区间内的电压特征信号图像进行预处理。预处理操作包括二值化处理、感兴趣区域提取和膨胀处理。

上述基于卷积神经网络的微型振动马达缺陷故障分类方法，步骤S4的目的是利用训练好的卷积神经网络模型对预处理后的电压特征信号图像进行判断。以卷积神经网络模型输出的最大概率对应的故障种类最为待测微型振动马达的缺陷故障种类。为了提高对微型振动马达缺陷故障种类的识别精度，可以在每个微型振动马达运转中，采集若干张电压特征信号图像，当若干张电压特征信号图像中至少有一半以上判断为同一缺陷故障种类时，才将其定为该待测微型振动马达的缺陷故障种类。

上述基于卷积神经网络的微型振动马达缺陷故障分类方法，卷积神经网络模型的训练过程包括以下步骤：

A1将良品及不同缺陷故障种类的若干微型振动马达按照步骤(S1)-(S3)，获取预处理后的重构电压特征信号图像。

A2对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签，构建数据训练集。本步骤中，首先采用独热编码方式对若干微型振动马达对应的重构电压特征信号图像，根据其对应的良品及不同缺陷故障种类制作标签。然后用作好标签的数据构建数据训练集。

A3将数据训练集输入到卷积神经网络中进行训练，直至满足迭代停止要求，得到训练好的卷积神经网络模型。本步骤中，所述卷积神经网络模型为AlexNet网络，AlexNet网络去掉了网络中的局部相应归一化层(LRN，Local Response Normalization)，并在每个卷积层增加批归一化(BN，Batch Normalization)层。将数据训练集输入到卷积神经网络中进行分类训练，具体分类训练过程可以参考本领域已经披露的常规卷积神经网络分类方法。当训练过程中迭代满足迭代次数(例如10000次)，或者卷积神经网络模型的损失值小于设定值(例如0.01)时，停止迭代，得到训练好的卷积神经网络模型。

本发明进一步提供了一种基于卷积神经网络的微型振动马达缺陷故障分类装置，其包括若干安装有待测微型振动马达的连接支路、微控制单元、电源、采集电阻、启动电阻、数据采集卡和计算机；安装有待测微型振动马达连接支路一端与电源连接，另一端接入微控制单元的输入接口，微控制单元的输出接口依次串联启动电阻和采集电阻，采集电阻的另一端与电源连接，电源、微型振动马达连接支路、微控制单元、启动电阻和采集电阻构成闭合回路；数据采集卡包含两个电压采集通道，第一个电压采集通道与启动电阻并联，第二个电压采集通道与采集电阻并联，数据采集卡的信号输出端与计算机连接；计算机对接收的电压信号按照上述基于卷积神经网络的微型振动马达缺陷故障分类方法进行处理，对待测微型振动马达是否存在缺陷进行判断并给出相应的缺陷故障类型。

上述基于卷积神经网络的微型振动马达缺陷故障分类装置，若干待测微型振动马达安置于微型振动马达夹具上，所述微型振动马达夹具上设置有若干用于安装微型振动马达的卡槽，卡槽一侧槽壁上设计有与微型振动马达接电口相对应的两个电极，其中一个电极与微控制单元的输入接口连接，另一个电极接入电源。所述卡槽与微型振动马达外型相匹配；微型振动马达的偏心块从卡槽另一侧槽壁延伸出，且卡槽槽壁上设计有防止微型振动马达轴向移动的限位结构，卡槽内设置有用于固定微型振动马达的磁铁，以避免因马达振动产生的接触不良等问题。为了确保微型振动马达牢固固定在夹具卡槽中，还可以在卡槽上方设置阻尼压紧机构或盖板在将微型振动马达放入卡槽后，将阻尼压紧机构压在微型振动马达上端面上，或者在卡槽开口位置放上盖板。夹具整体材料为绝缘体，可以为橡胶或者塑料等。

上述基于卷积神经网络的微型振动马达缺陷故障分类装置，所述微控制单元可以采用本领域已经披露的常规单片机，例如(51系列单电机，STM32系列单片机)。

上述基于卷积神经网络的微型振动马达缺陷故障分类装置，启动电阻可以与微控制单元安放在一起。

上述基于卷积神经网络的微型振动马达缺陷故障分类装置，工作原理为：当若干待测微型振动马达安装到夹具上后，微控制单元控制通电时间并依次控制接通每个微型振动马达所在的通电回路，当数据采集卡采集到启动电阻两端电压时，证明通电回路已构成，数据采集卡开始对采集电阻两端电压信号进行采集，并将采集的电压信号传输给计算机，由计算机进行处理，输出待测微型振动马达的缺陷故障种类，当夹具上的微型振动马达一一检测完毕后，按照分类结果进行不良品人工剔除，或者将分类结果输出给用于分拣的下位机，由下位机将有缺陷故障的产品和合格的良品进行分拣，然后再对下一批次微型振动马达进行检测。为了实现微型振动马达检测的全自动化，还可以采用PLC(可编程逻辑控制器)控制机械手臂安放微型振动马达产品，或/和对有缺陷故障的不良品进行挑选。

本发明提供的基于卷积神经网络的微型振动马达缺陷故障分类方法及装置，可实现对微型振动马达电刷不良、磁场不良、波形异常、波形跌落、转子卡死、转子断线等缺陷种类的快速、高精度检测。与传统微型振动马达缺陷检测技术相比，本发明具有以下有益效果：

(1)本发明将采集的串联在微型振动马达通电电路的采集电阻两端的电压信号图像，输入到训练好的卷积神经网络模型，便可实现对微型振动马达缺陷种类的准确识别，整个过程为自动化识别操作，无需工作人员过多参与整个生成过程，大大提高了检测效率，且降低了劳动生产成本。

(2)本发明将传统图像处理方法(小波分解、二值化和膨胀处理等)与深度学习网络相结合，不仅改善了传统故障诊断模型的泛化能力差、鲁棒性小等不足、而且检测精度高，所需样本数据量小，测试结果表明测试集的准确率达到了98％，具有很高的检测精度。

(3)本发明微型振动马达缺陷故障分类装置，结构简单、操作方便、检测精度高，在微型振动马达缺陷检测领域具有很好的应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，以下将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图所示实施例得到其它的实施例及其附图。

图1为本发明微型振动马达缺陷故障分类装置组成示意图。

图2为本发明微型振动马达缺陷故障分类装置的电路原理示意图。

图3为夹具结构示意图。

图4为boir2.2小波包分解示意图

图5为采集的原始电压特征信号波形图。

图6为重构的电压特征信号波形图。

图7为膨胀处理后的电压特征信号波形图。

图8为波形异常缺陷故障的微型振动马达对应的电压特征信号波形图及卷积神经网络模型最大输出值。

图9为磁场不良缺陷故障的微型振动马达对应的电压特征信号波形图及卷积神经网络模型最大输出值。

图10为电刷不良缺陷故障的微型振动马达对应的电压特征信号波形图及卷积神经网络模型最大输出值。

图11为微型振动马达良品对应的电压特征信号波形图及卷积神经网络模型最大输出值。

图中，1-夹具，11-卡槽，12-电极，2-微控制单元，3-电源，4-采集电阻，5-数据采集卡，6-计算机，7-微型振动马达。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

实施例1

本实施例提供的微型振动马达缺陷故障分类装置，如图1至图3所示，其包括微型振动马达夹具1、微控制单元2、电源3、采集电阻4、启动电阻、数据采集卡5和计算机6。

如图3所示，微型振动马达夹具1上设置有若干用于安装微型振动马达7的卡槽11，卡槽一侧槽壁上设计有与微型振动马达接电口相对应的两个电极12，卡槽与微型振动马达外型相匹配；微型振动马达的偏心块从卡槽另一侧槽壁延伸出，且卡槽槽壁上设计有防止微型振动马达轴向移动的限位结构，该限位结构为一固定于卡槽内侧壁上的限位片，且限位片上设计有与微型振动马达偏心块外型匹配的限位开口。卡槽内设置有用于固定微型振动马达的磁铁。本实施例中，夹具长度为15cm、宽为5cm，每次可以夹取10个样品。

如图1及2所示，上述微型控制单元2和启动电阻封装在一起。夹具上每个卡槽位置构成一个微型振动马达连接支路，其上设置的两个电极12，一个电极经导线与微控制单元的输入接口连接，另一个电极经导线与电源正极连接。微控制单元2的输出接口依次串联启动电阻和采集电阻4后接入电源负极，从而使电源3、微型振动马达连接支路、微控制单元2、启动电阻和采集电阻4构成闭合回路。数据采集卡5包含两个电压采集通道，第一个电压采集通道与启动电阻并联，第二个电压采集通道与采集电阻并联，数据采集卡的信号输出端与计算机连接；计算机6对接收的电压信号按照下述基于卷积神经网络的微型振动马达缺陷故障分类方法进行处理，对待测微型振动马达是否存在缺陷进行判断并给出相应的缺陷故障类型。

实施例2

本实施例中利用labview软件对电压信号进行采集，利用python的OpenCV支持包对采集的电压信号图像进行处理。计算机均采用串口通讯，主机采用自带串口，labview软件采用visa串口通讯支持包，python采用pyseries串口通讯支持包。

本实施例采用卷积神经网络对采集的电压信号进行分析，实现对微型振动马达缺陷故障的检测。

本实施例采用实施例1中提供的微型振动马达缺陷故障分类装置按照以下步骤对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型：

A1将良品及不同缺陷故障种类的若干已知微型振动马达7按照步骤(S1)-(S3)，获取预处理后的重构电压特征信号图像：

S1获得电压特征信号。

本实施例中采集电阻阻值为30欧姆，启动电阻阻值为1欧姆。本实施例中设置数据采集卡的采样率和采样点数，对于采集电阻，采样率为50KHz、采样点数在375个；对于启动电阻，采样率为10KHz、采样点数在1000个。

设置好参数后，将选取的良品及各种缺陷故障类型(包括波形异常、电刷不良、磁场不良)的已知待测微型振动马达安装到夹具1上后，微控制单元2接收来自计算机的操作指令，依次控制接通每个微型振动马达所在的通电回路，当数据采集卡5采集到启动电阻两端电压时，证明通电回路已构成，数据采集卡5开始采集采集电阻4两端电压信号，并将采集的电压信号传输给计算机，由labview软件对电压信号进行采集，即得到待处理的电压特征信号。

S2利用小波变换重构电压特征信号：对得到的电压特征信号进行二层小波分解与重构，提取第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层重构信号中的低频信号得到重构的电压特征信号。

本实施例中采用boir2.2小波对采集的电压特征信号进行2层分解，如图4所示，节点(i，j)代表第i层第j个节点(i＝0,1,2，j＝0,1,2,3)，每个节点代表一定特征的信号，如节点(0,0)代表原始信号，节点(1,0)代表小波包分解的第1层低频系数，节点(1,1)代表小波包分解的第1层高频系数，其他依次类推。

小波包分解公式为：

式中，h_l-2k和g_l-2k为低通滤波器系数，l,k∈Z。

然后按照以下公式进行小波包重构：

则用原有电压特征信号(如图5所示)减去第2层小波包重构后的低频信号，得到含有细节量的重构电压特征信号，如图6所示。

S3对重构后的电压特征信号图像进行预处理；

本实施例中是从重构的电压特征信号图像中截取设定区间内的电压特征信号图像进行预处理。

为此，本实施例采用了截屏功能，首先设置好电压特征信号波形在屏幕上的截取初始位置和结束位置，从而方便每次自动截图到同一位置。前面已经指出，马达的刷片和极片每转动60度会瞬时短路接触一次，在短路瞬间，回路电阻变小，导致瞬间电流变大，整个回路电阻发生周期性变化，因此所采集的电压特征信号也呈现周期性的变化，通过控制截屏的间隔时间，可以保证截取的所有图像波形起始位置和结束位置都相同。这样可以保证截图位置的准确性，从而确保后构建的数据训练集的准确性。

本实施例采用的截屏功能为本领域的常规截屏方法才实现，本实施例采用的截屏程序如下：

import time

#导入时间处理模块

import serial

#导入串口通讯支持模块

from PIL import ImageGrab

#从PIL库中导入ImageGrab用于截屏

import cv2as cv

#导入图像处理模块

time.sleep(2)

#程序暂停2s

serialPort＝"COM8"

#设置串口

baudRate＝9600

#设置通讯波特率

ser＝serial.Serial(serialPort,baudRate,timeout＝0.5)

#设置串口通讯的参数

print("参数设置：串口＝％s，波特率＝％d"％(serialPort,baudRate))

#打印设置参数

for i in range(0,10):

img＝ImageGrab.grab()

#先截取整个屏幕

img.save("img.png")

#保存图片

src1＝cv.imread("img.png")

#读取图片

bai＝src1[210:600,50:1000]

#在图片上裁剪出指定区域

cv.imwrite("F:\\shuju\\biorjietu\\ccbl\\"+str(i)+".png",bai)

#写入固定的路径

if i＝＝9：

#如果存储9张图片，开始发送字符，停止截屏

str＝"a"

ser.write((str+'\n').encode())

#打印数据

print(ser.readline())

break

#程序停止

#串口关闭

ser.close()

图像截屏完成后，利用python的串口通讯支持包pyserial将停止数据采集的信号发送到labview的串口支持包visa，labview软件停止数据采集。然后对截取的电压特征信号图像进行预处理，预处理操作包括二值化处理、感兴趣区域提取和膨胀处理。

首先通过二值化处理方法，先遍历图片所有像素，对于像素值小于和等于254的保留原值，像素值等于255的置零，从而将截取的图像转化为背景为白色、波形为黑色的图像，以增大图像的对比度。然后从二值化处理后的图像上提取ROI(感兴趣区域)，提取方法可以采用本领域已经披露的常规技术手段。

再对提取的ROI区域进行膨胀处理，本实施例采用的膨胀处理过程为：设二值图像为F，结构元素为B，B^s代表B关于原点(0,0,)对称的结构元素。当结构元素B^s的原点移到(x,y)处时，结构元素用

表示。则图像被结构元素B膨胀的定义式为：

其含义是，当结构元素B^s的原点移动到(x,y)位置时，如果

覆盖范围内的二值图像像素值至少有一个不为0，则膨胀后图像(x,y)位置像素为1，否则为空。图像的膨胀处理的核函数大小为[3，3]，结构元素为十字型。膨胀处理后的波形图如图7所示。

重复上述步骤S1-S3，至得到所有已知微型振动马达的膨胀处理图像。

A2对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签，构建数据训练集。

本步骤中，首先采用独热编码方式对若干已知缺陷故障类型的微型振动马达对应的重构电压特征信号图像，根据其对应的良品及不同缺陷故障种类制作标签。本实施例中分别将良品、波形异常、电刷不良、磁场不良制作成标签[1,0,0,0,0,0]，[0,1,0,0,0,0]，[0,0,1,0,0,0]，[0,0,0,1,0,0]。

然后用作好标签的数据构建数据训练集。

A3将数据训练集输入到卷积神经网络中进行训练，直至满足迭代停止要求，得到训练好的卷积神经网络模型。

本步骤中，卷积神经网络模型为AlexNet网络，AlexNet网络去掉了网络中的局部相应归一化层(LRN)，并在每个卷积层增加批归一化(BN)层。将数据训练集输入到卷积神经网络中进行分类训练，具体分类训练过程可以参考本领域已经披露的常规卷积神经网络分类方法。当训练过程中迭代满足迭代次数达到10000次，或者卷积神经网络模型的损失值(loss)小于0.01(以先到达的为准)，停止迭代，得到训练好的卷积神经网络模型。

将若干待测微型振动马达安装到夹具上后，采用上述训练好的卷积神经网络模型对待测微型振动马达进行检测的过程包括以下步骤：

S1获得电压特征信号。

本实施例中采集电阻阻值为30欧姆，启动电阻阻值为1欧姆。本实施例中设置数据采集卡的采样率和采样点数，对于采集电阻，采样率为50KHz、采样点数在375个；对于启动电阻，采样率为10KHz、采样点数在1000个。

设置好参数后，将若干待测微型振动马达安装到夹具1上后，微控制单元2接收来自计算机的操作指令，依次控制接通每个微型振动马达所在的通电回路，当数据采集卡5采集到启动电阻两端电压时，证明通电回路已构成，数据采集卡5开始采集采集电阻4两端电压信号，并将采集的电压信号传输给计算机，由labview软件对电压信号进行采集，即得到待处理的电压特征信号。

S2利用小波变换重构电压特征信号：对得到的电压特征信号进行二层小波分解与重构，提取第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层重构信号中的低频信号得到重构的电压特征信号。

本实施例中采用boir2.2小波对采集的电压特征信号进行2层分解，分解、重构过程与前面相同。然后用原有电压特征信号减去第2层小波包重构后的低频信号，得到含有细节量的重构电压特征信号。

S3对重构后的电压特征信号图像进行预处理；

本实施例中是从重构的电压特征信号图像中截取设定区间内的电压特征信号图像进行预处理。

这里采用前面相同的方式进行图像截屏。为了提高检测精度，需要截取与训练过程中相同位置的波形。这里可以截取10张该微型振动马达的图像。图像截屏完成后，利用python的串口通讯支持包pyserial将停止数据采集的信号发送到labview的串口支持包visa，labview软件停止数据采集。然后对截取的10张电压特征信号图像进行预处理，预处理操作与前面给出的相同，这里不再赘述。

S4缺陷故障诊断：将预处理后的电压特征信号图像输入到训练好的卷积神经网络模型中，根据卷积神经网络模型的输出值判断待测微型振动马达是否存在缺陷故障并给出相应的缺陷故障种类。

本实施例中，将10张预处理后的图像输入到训练好的卷积神经网络模型中，对于每张图像以卷积神经网络模型输出的最大概率对应的故障种类最为待测微型振动马达的缺陷故障种类。

例如图8中给出的最大输出值0.9987521对应的缺陷故障为波形异常，图9中给出的最大输出值0.9926918对应的缺陷故障为磁场不良，图10中给出的最大输出值0.9875267对应的缺陷故障为电刷不良，图11中给出的最大输出值0.9606821对应的为微型振动马达良品。

对于获得的同一待测微型振动马达预处理后的10张输入图像，当有6张以上图像输出的缺陷故障种类相同时，就以该故障缺陷类型作为待测微型振动马达的缺陷故障类别。

当对一个微型振动马达检测完毕后，计算机将向下一个微型振动马达通电检测的操作命令传输给微控制单元，微控制单元接通下一个微型振动马达的通电回路，返回步骤S1采集下一个微型振动马达的电压特征信号。当然微控制单元对微型振动马达通电控制还可以通过设定通电时间来实现，当到达设定时间时，自动转换到下一个微型振动马达检测。

当夹具上的微型振动马达一一检测完毕后，将分类结果输出给用于分拣的PLC，由PLC控制机械手臂安放微型振动马达产品，对有缺陷故障的不良品进行挑选。

本领域的普通技术人员将会意识到，这里的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于包括以下步骤：

S1 获得电压特征信号：在待测微型振动马达通电回路串联采集电阻，并在待测微型振动马达通电运转时测量采集电阻两端电压信号，并将其作为待处理的电压特征信号；

S2 利用小波变换重构电压特征信号：对得到的电压特征信号进行二层小波分解与重构，提取第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层重构信号中的低频信号得到重构的电压特征信号；

S3 对重构后的电压特征信号图像进行预处理，包括二值化处理、感兴趣区域提取和膨胀处理；

S4 缺陷故障诊断：将预处理后的电压特征信号图像输入到训练好的卷积神经网络模型中，根据卷积神经网络模型的输出值判断待测微型振动马达是否存在缺陷故障并给出相应的缺陷故障种类。

2.根据权利要求1所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤S2中，对得到的电压特征信号进行bior2.2小波分解。

3.根据权利要求1所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤S3中，从重构的电压特征信号图像中截取设定区间内的电压特征信号图像进行预处理。

4.根据权利要求1至3任一所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于卷积神经网络模型的训练过程包括以下步骤：

A1 将良品及不同缺陷故障种类的若干微型振动马达按照步骤(S1)-(S3)，获取预处理后的重构电压特征信号图像；

A2 对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签，构建数据训练集；

A3 将数据训练集输入到卷积神经网络中进行训练，直至满足迭代停止要求，得到训练好的卷积神经网络模型。

5.根据权利要求4所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤A2中，采用独热编码方式对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签。

6.根据权利要求4所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于所述卷积神经网络模型为AlexNet网络。

7.根据权利要求6所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于所述AlexNet网络的每个卷积层增加BN层。

8.一种基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于包括若干安装有待测微型振动马达的连接支路、微控制单元(2)、电源(3)、采集电阻(4)、启动电阻、数据采集卡(5)和计算机(6)；安装有待测微型振动马达连接支路一端与电源连接，另一端接入微控制单元(2)的输入接口，微控制单元的输出接口依次串联启动电阻和采集电阻，采集电阻的另一端与电源连接，电源、微型振动马达连接支路、微控制单元、启动电阻和采集电阻构成闭合回路；数据采集卡包含两个电压采集通道，第一个电压采集通道与启动电阻并联，第二个电压采集通道与采集电阻并联，数据采集卡的信号输出端与计算机连接；计算机对接收的电压信号按照权利要求1至7任一权利要求所述方法进行处理，对待测微型振动马达是否存在缺陷进行判断并给出相应的缺陷故障类型。

9.根据权利要求8所述基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于若干待测微型振动马达安置于微型振动马达夹具(1)上，所述微型振动马达夹具(1)上设置有若干用于安装微型振动马达(7)的卡槽(11)，卡槽一侧槽壁上设计有与微型振动马达接电口相对应的两个电极(12)，其中一个电极(12)与微控制单元(2)的输入接口连接，另一个电极接入电源(3)。

10.根据权利要求9所述基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于所述卡槽与微型振动马达外型相匹配；微型振动马达的偏心块从卡槽另一侧槽壁延伸出，且卡槽槽壁上设计有防止微型振动马达轴向移动的限位结构，卡槽内设置有用于固定微型振动马达的磁铁。

Images