CN109975702B - 一种基于循环网络分类模型的直流齿轮减速电机品检方法 - Google Patents
一种基于循环网络分类模型的直流齿轮减速电机品检方法 Download PDFInfo
- Publication number
- CN109975702B CN109975702B CN201910220117.3A CN201910220117A CN109975702B CN 109975702 B CN109975702 B CN 109975702B CN 201910220117 A CN201910220117 A CN 201910220117A CN 109975702 B CN109975702 B CN 109975702B
- Authority
- CN
- China
- Prior art keywords
- classification model
- motor
- network classification
- network
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于循环网络分类模型的直流齿轮减速电机品检方法,包括以下步骤:1)记录待测减速电机的三秒振动信号,将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机;2)所述PC机获取所述振动信号,经过预处理获得所述振动信号对应的二维时频矩阵数据;3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中识别待测减速电机的优劣分类信息。本发明解决了目前在该领域广泛使用的人工检测法所带来的巨大劳动成本和疲惫检测等问题,在保证精确率的同时,提高对微型直流齿轮减速电机的品质鉴定的效率。
Description
技术领域
本发明涉及机械故障诊断技术和深度学习的交叉领域,使用循环网络分类模型来解决微型直流齿轮减速电机的品质检测问题。
背景技术
随着人类科技的日益发展,自动化将成为21世纪生产发展的主旋律之一。而作为能将电能转化成机械能的电动机,一直都是各领域自动化系统不可或缺的核心部件。其中,在低速,大转矩的场合中,齿轮减速电机一直是最经济、实用的首选方案。
所谓的齿轮减速电机,就是将齿轮减速箱安装于电动机的输出轴,通过齿轮的减速,将输出转速由高速降为低速,同时提高输出转矩。由于该特性,该类微型电机产品广泛用于自动化生产线,医疗设备等精密仪器中以及智能工业,智能农业,智能家居,智能机器人等相关设备智能动力输出中。在该类产品的如此激烈的市场竞争压力下,如何在大规模生产的同时保证产品的品质质量,将成为齿轮减速电机企业能否创造可观的经济收益的重要问题之一。
目前对微型直流齿轮减速电机的品质检测,除了对几个硬性指标转速、转矩、温升等外,还要对噪声和齿轮品质进行鉴定。而在国内微型齿轮减速电机工厂中,该部分检测普遍是通过人工方式进行鉴定,即是通过双手感知电机空载的振动以及用耳聆听电机空载的噪声来进行综合判定产品的优劣。这种落后低效方法不仅大大增加生产中的劳动成本,而且由于这种重复性劳动会使工人出现疲惫判断失误,从而导致次品迈入市场,对企业的信誉和后续经济带来无法挽回的损失。
本发明针对微型直流齿轮减速电机的品质检测效率和精度等问题,将深度学习的方法融入其中。通过改进的循环网络分类模型对齿轮减速电机的振动信号进行特征提取和模型学习,实现了微型直流齿轮减速电机的品质检测任务。在保证精确率的同时,提高对微型直流齿轮减速电机的品质鉴定的效率。
发明内容
本发明是将深度学习技术应用到微型直流齿轮减速电机的品质检测中,使用深度学习的方法能够显著提高电机品检的精度以及效率,减少企业的人力成本以及精度效率等问题。
本发明通过如下技术方案实现:
一种基于循环网络分类模型的直流齿轮减速电机品检方法,包括以下步骤:
1)记录待测减速电机的三秒振动信号,将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机;
2)所述PC机获取所述振动信号,经过预处理获得所述振动信号对应的二维时频矩阵数据;
3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中识别待测减速电机的优劣分类信息,从而减轻人工品检的负担。
进一步地,所述步骤2)具体包括:
对所述振动信号做加窗、分帧处理,其中窗函数选择海明窗:
为抵消加窗带来的两端削弱,所以需要在分帧的时候,帧与帧之间需重叠,帧长为256采样点,帧移为128采样点;
对加窗分帧后的所述振动信号进行快速傅里叶变换,获得振动信号的二维时频矩阵数据,具体公式如下:
其中,x(k)为振动数字信号;g(k)为窗函数的离散形式;Δt为采样频率fs的倒数;m为时间步骤数;Fg(mΔt,f)为二维矩阵,其行代表对于采样时间段,其列代表频率段。
进一步地,步骤3)中,所述循环网络分类模型的训练过程具体包括:
步骤31)首先采集并建立微型直流齿轮减速电机的信号数据库,即收集特定型号优劣电机各数百台,处理获得各电机振动信号的三秒二维时频矩阵数据,并按照一定比例划分训练集以及测试集;
步骤32)然后搭建初始循环网络分类模型,即通过TensorFlow库搭建循环网络分类模型,调整模型框架初始化模型超参数,添加批归一化与dropout层优化模型的学习速度以及泛化能力;让模型拥有测试集错误率低,能实时检测电机品质的特点。
步骤33)将训练集的数据输入进步骤五的初始化模型中训练,在二十个周期或者出现网络的LOSS值相对变化小于某阈值时,通过TTBP算法调整循环网络分类模型的参数;
步骤34)将验证集的数据输入步骤33)训练好的模型中验证准确率,如果出现准确率大于阈值,则保持模型网络参数,否则重新返回步骤32),调整模型的网络框架和超参数。
进一步地,所述循环网络分类模型选择长短期记忆网络LSTM,该循环网络分类模型的前三层为循环网络,第四层为softmax层,输入为循环网络的所有时刻的输出,最后通过softmax来进行分类。
进一步地,所述循环网络分类模型训练超参数时的输入的特征为3*129*92的二维时频矩阵,网络的batchsize为40,学习率为1e-4然后在第10个周期改为1e-5。
进一步地,所述步骤3)具体包括:将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中,得到三份softmax结果,若出现某一个softmax的比值小于设定阈值,则返回步骤1)进行重新测量;接着判断三份softmax结果,若判断为劣的数量num>1.5时,则判断该电机品质为劣,若判断为劣的数量num<1.5时,则判断该电机品质为优。
相比现有技术,本发明能够准确提取微型直流齿轮减速电机的振动信号,结合建立的基于循环网络的深度模型库,判断微型直流齿轮减速电机的优劣情况,进而减少人工品鉴的工作量和提高电机检测精度,从而降低成本、提高电机生产效率降低成本。
附图说明
图1为基于循环网络分类模型的齿轮减速电机的品检系统结构示意图。
图2为基于循环网络分类模型的微型直流齿轮减速电机的模型搭建训练流程图。
图3为循环网络分类模型的框架和部分参数。
图4为齿轮减速电机的品检系统的识别流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明。
图1为基于循环网络分类模型的微型直流齿轮减速电机品检结构框图,通过1.MOTECH数控式线性直流稳压电源LPS-305给2.待检测微型直流齿轮减速电机稳压供电,并通过3.金属钢片将其与4.CT1050LC加速度传感器表面刚性接触。此时通过5.CT5201单通道恒流适配器给4.加速度传感器供电,并传输放大电压信号到6.MCC1608G usb多功能数据采集卡DAQ的模拟输入端口,6.数据采集器会将模拟信号转化成数字信号传入到7.PC机中,从而进行模型训练和品检判断。
如图4所示,一种基于循环网络分类模型的直流齿轮减速电机品检方法,包括以下步骤:
1)记录待测减速电机的三秒振动信号,将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机;
2)所述PC机获取所述振动信号,经过预处理获得所述振动信号对应的二维时频矩阵数据;
3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中,得到三份softmax结果,若出现某一个softmax的比值小于设定阈值,则返回步骤1)进行重新测量;接着判断三份softmax结果,若判断为劣的数量num>1.5时,则判断该电机品质为劣,若判断为劣的数量num<1.5时,则判断该电机品质为优。
具体而言,所述步骤2)具体包括:
对所述振动信号做加窗、分帧处理,其中窗函数选择海明窗:
为抵消加窗带来的两端削弱,所以需要在分帧的时候,帧与帧之间需重叠,帧长为256采样点,帧移为128采样点;
对加窗分帧后的所述振动信号进行快速傅里叶变换,获得振动信号的二维时频矩阵数据,具体公式如下:
其中,x(k)为振动数字信号;g(k)为窗函数的离散形式;Δt为采样频率fs的倒数;m为时间步骤数;Fg(mΔt,f)为二维矩阵,其行代表对于采样时间段,其列代表频率段。
附图2为基于循环网络分类模型的微型直流齿轮减速电机的模型搭建训练流程图,具体包括如下步骤:
步骤一:根据工厂技工的人工判断法,收集优劣电机各100台,并做好标记。
步骤二:通过附图1所示的硬件设备,对每台样品电机采集3s电机振动信号,各20组。按照6:2:2比例划分训练集测试集验证集,并将3s电机信号按顺序分割成3份1s电机信号。
步骤三:由于电机信号属于非平稳信号,需要做加窗分帧处理才能做傅里叶变换。其中窗函数选择的是海明窗:
为了抵消加窗带来的两端削弱,所以需要在分帧的时候,帧与帧之间需要重叠,帧长为256采样点,帧移为128采样点。
步骤四:对加窗分帧后的电机信号进行快速傅里叶变换,获得振动信号的二维时频矩阵数据,具体公式如下:
其中,x(k)为振动数字信号;g(k)为窗函数的离散形式;Δt为采样频率fs的倒数;m为时间步骤数;Fg(mΔt,f)为二维矩阵,其行代表对于采样时间段,其列代表频率段。
步骤五:通过tensorflow深度学习库搭建循环网络分类模型,其中循环网络选择长短期记忆网络(Long Short-Term Memory,lstm),具体结构如公式所示:
it=σ(Wixt+Riht-1+Pict-1+bi)inputgate
ft=σ(Wfxt+Rfht-1+Pfct-1+bf)forgetgate
ct=ft⊙ct-1+it⊙Φ(Wcxt+Rcht-1+bc)cellstate
ot=σ(Woxt+Roht-1+Poct-1+bo)outputgate
ht=ot⊙Φ(ct)output
其中xt是t时刻下的输入矩阵,W是输入到LSTM结构的输入权值矩阵,R和P分别为上一时刻LSTM结构输出和状态到此时刻的权值矩阵,而b是偏差矢量。函数σ和Φ分别是sigmoid函数和tanh函数,⊙表示两个矢量的点乘运算。
具体网络结构是由三层LSTM结构,并在第四层加上softmax层连接所有时刻的LSTM输出。搭建的模型框架如附图3所示,目前先初始化模型超参数,如学习率,批大小,循环网络lstm结构的大小与数量等。然后在LSTM结构添加层归一化(layer normalization,LN),并仅在LSTM结构中后添加对输出的dropout层和循环结构的dropout层,具体结构如公式所示:
it=σ(LN(Wixt+Riht-1+Pict-1+bi))inputgate
ft=σ(LN(Wfxt+Rfht-1+Pfct-1+bf))forgetgate
ct=ft⊙ct-1+DP1t⊙it⊙Φ(LN(Wcxt+Rcht-1+bc))cellstate
ot=σ(LN(Woxt+Roht-1+Poct-1+bo))outputgate
ht=DP2t⊙ot⊙Φ(LN(ct))output
其中LN如公式所示
其中H表示某层隐结点个数,同一层的隐结点共享相同的均值μt和方差σt,而b和g分别是偏差参数和增益参数。
这部分是为了提高模型的学习速度以及模型泛化能力。
步骤六、将训练集的数据输入进步骤五的初始化模型中训练,在二十个周期或者出现网络的LOSS值相对变化小于某阈值时,通过TTBP算法调整循环网络分类模型的权值等参数。
步骤七、将验证集的数据输入进步骤六训练好的模型中验证准确率,如果出现准确率大于阈值,则保持模型网络参数,否则重新返回步骤五,调整模型的网络框架和超参数。
所述循环网络分类模型选择长短期记忆网络LSTM,该循环网络分类模型的前三层为循环网络,第四层为softmax层,输入为循环网络的所有时刻的输出,最后通过softmax来进行分类。
所述循环网络分类模型训练超参数时的输入的特征为3*129*92的二维时频矩阵,网络的batchsize为40,学习率为1e-4然后在第10个周期改为1e-5。
本发明能够准确提取微型直流齿轮减速电机的振动信号,结合建立的基于循环网络的深度模型库,判断微型直流齿轮减速电机的优劣情况,进而减少人工品鉴的工作量和提高电机检测精度,从而提高电机生产效率。
以上所述,仅为本发明专利较佳的实施例子,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (4)
1.一种基于循环网络分类模型的直流齿轮减速电机品检方法,其特征在于,包括以下步骤:
1)记录待测减速电机的三秒振动信号,将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机;
2)所述PC机获取所述振动信号,经过预处理获得所述振动信号对应的二维时频矩阵数据;
3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中识别待测减速电机的优劣分类信息;具体包括:将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中,得到三份softmax结果,若出现某一个softmax的比值小于设定阈值,则返回步骤1)进行重新测量;接着判断三份softmax结果,若判断为劣的数量num>1.5时,则判断该电机品质为劣,若判断为劣的数量num<1.5时,则判断该电机品质为优;
所述循环网络分类模型的训练过程具体包括:
步骤31)首先采集并建立微型直流齿轮减速电机的信号数据库,即收集特定型号优劣电机各数百台,处理获得各电机振动信号的三秒二维时频矩阵数据,并按照一定比例划分训练集以及测试集;
步骤32)然后搭建初始循环网络分类模型,即通过TensorFlow库搭建循环网络分类模型,调整模型框架初始化模型超参数,添加层归一化与dropout层优化模型的学习速度以及泛化能力;让模型拥有测试集错误率低,能实时检测电机品质的特点;
步骤33)将训练集的数据输入进步骤32)的初始循环网络分类模型中训练,在二十个周期或者出现网络的LOSS值相对变化小于某阈值时,通过TTBP算法调整循环网络分类模型的网络参数;
步骤34)将验证集的数据输入步骤33)训练好的模型中验证准确率,如果出现准确率大于阈值,则保持模型网络参数,否则重新返回步骤32),调整模型的网络框架和超参数。
3.根据权利要求1所述的基于循环网络分类模型的直流齿轮减速电机品检方法,其特点在于:所述循环网络分类模型选择长短期记忆网络LSTM,该循环网络分类模型的前三层为循环网络,第四层为softmax层,输入为循环网络的所有时刻的输出,最后通过softmax来进行分类。
4.根据权利要求3所述的基于循环网络分类模型的直流齿轮减速电机品检方法,其特点在于:所述循环网络分类模型训练超参数时的输入的特征为3*129*92的二维时频矩阵,网络的batchsize为40,学习率为1e-4然后在第10个周期改为1e-5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220117.3A CN109975702B (zh) | 2019-03-22 | 2019-03-22 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220117.3A CN109975702B (zh) | 2019-03-22 | 2019-03-22 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975702A CN109975702A (zh) | 2019-07-05 |
CN109975702B true CN109975702B (zh) | 2021-08-10 |
Family
ID=67080000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910220117.3A Active CN109975702B (zh) | 2019-03-22 | 2019-03-22 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975702B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108986834A (zh) * | 2018-08-22 | 2018-12-11 | 中国人民解放军陆军工程大学 | 基于编解码器架构与递归神经网络的骨导语音盲增强方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
-
2019
- 2019-03-22 CN CN201910220117.3A patent/CN109975702B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108986834A (zh) * | 2018-08-22 | 2018-12-11 | 中国人民解放军陆军工程大学 | 基于编解码器架构与递归神经网络的骨导语音盲增强方法 |
Non-Patent Citations (1)
Title |
---|
基于长短期记忆网络的轴承故障识别;唐赛 等;《汽车工程学报》;20180731;第8卷(第4期);第1.2节-第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109975702A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171263B (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
Qiao et al. | An adaptive weighted multiscale convolutional neural network for rotating machinery fault diagnosis under variable operating conditions | |
CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN111307452B (zh) | 一种时变转速下旋转机械智能故障诊断方法 | |
CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及系统 | |
CN112650146B (zh) | 一种数控机床多工况下故障诊断优化方法、系统及设备 | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN109975702B (zh) | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 | |
CN112651426A (zh) | 一种风电机组滚动轴承故障诊断方法 | |
CN109782167B (zh) | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 | |
CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN111428788A (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
CN110082106A (zh) | 一种基于Yu范数的深度度量学习的轴承故障诊断方法 | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
CN113392475A (zh) | 一种工业机器人减速机智能故障识别方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
Zhang et al. | A variable working condition rolling bearing fault diagnosis method based on improved triplet loss algorithm | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |