CN111178425B - 一种基于卷积神经网络的大型高速回转装备面型分类方法 - Google Patents
一种基于卷积神经网络的大型高速回转装备面型分类方法 Download PDFInfo
- Publication number
- CN111178425B CN111178425B CN201911367243.8A CN201911367243A CN111178425B CN 111178425 B CN111178425 B CN 111178425B CN 201911367243 A CN201911367243 A CN 201911367243A CN 111178425 B CN111178425 B CN 111178425B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- data
- surface type
- equipment
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于卷积神经网络的大型高速回转装备面型分类方法,所述分类方法包括以下步骤:采集调心调倾后大型高速回转装备轴向测量面的跳动量数据,对所述跳动量数据进行高斯滤波,进行人工标注;将滤波后的数据归一化到0‑255像素值内,并转化为矩阵结构形式,将结构形式数据转换为灰度图;将数据集按照合适的比例分为训练集和测试集;搭建卷积神经网络;根据所述训练集分类效果对卷积神经网络超参数进行训练,并利用训练完毕的卷积神经网络对测试集装备面型进行分类。本发明通过学习数据的深层特征进行分类,分类准确性高,客观性更强。且该方法分类速度快,可提高多级装备装配效率,具有良好的推广应用价值。
Description
技术领域
本发明涉及一种基于卷积神经网络的大型高速回转装备面型分类方法,属于大型高速回转装备面型分类领域。
背景技术
大型高速回转装备是航空发动机核心机的主要结构,其装配质量将直接影响航空发动机性能。多级装备由单级大型高速回转装备堆叠装配而成,装备间通过法兰螺栓结构连接定位,各级大型高速回转装备误差通过止口配合面传递。大型高速回转装备装配厂根据装备表面形貌特征,将大型高速回转装备面型分为“单倾面”和“马鞍面”两种形式。当大型高速回转装备面型为单倾面时,装备间止口配合面为面接触;当大型高速回转装备面型为马鞍面时,装备间止口配合面为点接触。螺栓连接时,受拧紧力矩影响,配合面产生变形。二者接触方式不同,变形机制不同,使得装配后多级装备装配质量预测难度增大,严重影响多级装备一次合格率。因此,多级装备装配前,需要预先判别大型高速回转装备面型,降低多级装备装配质量预测难度。
目前多级装备装配前虽具备对大型高速回转装备面型分类的步骤,但该步骤多依靠装配工人人工经验,现有测量装置皆不具备面型分类功能。工人人工经验分类不具备通用性,主观性强,且极大降低多级装备装配效率。
发明内容
本发明提出一种基于卷积神经网络的大型高速回转装备面型分类方法,其目的是为了解决现有测量装置皆不具备面型分类功能,工人人工经验分类不具备通用性,主观性强,且极大降低多级装备装配效率的问题。
一种基于卷积神经网络的大型高速回转装备面型分类方法,所述分类方法包括以下步骤:
步骤一、采集调心调倾后大型高速回转装备轴向测量面的跳动量数据,对所述跳动量数据进行高斯滤波,并进行人工标注;
步骤二、将滤波后的数据归一化到0-255像素值内,并转化为矩阵结构形式,将结构形式数据转换为灰度图,灰度图即为卷积神经网络输入;
步骤三、将数据集按照合适的比例分为训练集和测试集;
步骤四、搭建卷积神经网络;
步骤五、根据所述训练集分类效果对卷积神经网络超参数进行训练,并利用训练完毕的卷积神经网络对测试集装备面型进行分类。
进一步的,在步骤四中,所述卷积神经网络模型为卷积层-池化层-卷积层-池化层-全连接层,卷积层的激活函数为ReLU函数,表达式如式(1)所示:
由ReLU函数表达式可知,当自变量大于0时,函数式取本身,否则函数式取0,
池化层采用最大值池化方法,
全连接层激活函数采用Softmax回归函数,表达式如式(2)所示:
式中,N为类别个数,yi(i=1,2…,N)为原始输出层输出,
所述卷积神经网络采用最小化正则化的交叉熵的反向误差传播算法来更新网络参数,其交叉熵C的计算方法如式(3)所示:
式中,n为样本数量,y为输出层的理想输出,a为卷积网络训练输出,
采用Adam优化方法代替传统梯度下降法更新卷积神经网络的权值和偏置。
进一步的,第一次卷积的过滤器尺寸大小为4×4,深度为1,个数为4,移动步幅为1,第一次池化的过滤器大小为2×2,移动步幅为2,采用最大值池化,第二次卷积的过滤器尺寸大小为5×5,深度为4,个数为8,移动步幅为1,第二次池化的过滤器大小也为2×2,移动步幅为2,采用最大值池化。
本发明具有以下有益效果:本发明的一种基于卷积神经网络的大型高速回转装备面型分类方法,所示的基于卷积神经网络的大型高速回转装备面型分类方法通过学习数据的深层特征进行分类,分类准确性高,客观性更强。且该方法分类速度快,可提高多级装备装配效率,具有良好的推广应用价值。
附图说明
图1为一种基于卷积神经网络的大型高速回转装备面型分类方法的方法流程图;
图2为大型高速回转装备轴向测量面的跳动量数据所转化的灰度图,其中图2(a)为单倾面灰度图;图2(b)为马鞍面灰度图;
图3为卷积神经网络模型结构图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明提出了一种基于卷积神经网络的大型高速回转装备面型分类方法,所述分类方法包括以下步骤:
步骤一、采集调心调倾后大型高速回转装备轴向测量面的跳动量数据,对所述跳动量数据进行高斯滤波,并进行人工标注;
步骤二、将滤波后的数据归一化到0-255像素值内,并转化为矩阵结构形式,将结构形式数据转换为灰度图,灰度图即为卷积神经网络输入;将滤波后数据转为图像结构数据,首先将数据直接归一化到0-255,然后将1×1000的数据结构改写为40×25,该矩阵结构的数据可与灰度值一一对应,即可直接转为灰度图。如图2所示,图2(a)和图2(b)分别为“单倾面”,“马鞍面”大型高速回转装备轴向测量面的跳动量数据所转化的灰度图;
步骤三、将数据集按照合适的比例分为训练集和测试集,数据集可按照3:1的比例进行划分;
步骤四、搭建卷积神经网络;
步骤五、根据所述训练集分类效果对卷积神经网络超参数进行训练,并利用训练完毕的卷积神经网络对测试集装备面型进行分类。
在本部分优选实施例中,在步骤四中,所述卷积神经网络模型为卷积层-池化层-卷积层-池化层-全连接层,卷积层的激活函数为ReLU函数,表达式如式(1)所示:
由ReLU函数表达式可知,当自变量大于0时,函数式取本身,否则函数式取0,
池化层采用最大值池化方法,
全连接层激活函数采用Softmax回归函数,表达式如式(2)所示:
式中,N为类别个数,yi(i=1,2…,N)为原始输出层输出,
所述卷积神经网络采用最小化正则化的交叉熵的反向误差传播算法来更新网络参数,其交叉熵C的计算方法如式(3)所示:
式中,n为样本数量,y为输出层的理想输出,a为卷积网络训练输出,
采用Adam优化方法代替传统梯度下降法更新卷积神经网络的权值和偏置。
参照图3所示,在本部分优选实施例中,第一次卷积的过滤器尺寸大小为4×4,深度为1,个数为4,移动步幅为1,第一次池化的过滤器大小为2×2,移动步幅为2,采用最大值池化,第二次卷积的过滤器尺寸大小为5×5,深度为4,个数为8,移动步幅为1,第二次池化的过滤器大小也为2×2,移动步幅为2,采用最大值池化。
具体的,本实施例共获取224组数据样本,经过步骤一至步骤三后得到训练样本168组,测试样本56组;将这168组训练样本输入步骤四建立的卷积神经网络进行训练,通过训练样本分类准确率对网络超参数进行调整。为提高学习速率、避免陷入局部最优,学习时采用批量梯度下降法,取批量值为32。利用训练好的卷积神经网络对56组测试样本进行分类。最终分类的准确率高达98.2%,由此可见,使用本发明方法对大型高速回转装备面型分类准确率极高,本发明方法中的网络模型具有良好的泛化能力和鲁棒性。
Claims (3)
1.一种基于卷积神经网络的大型高速回转装备面型分类方法,其特征在于,所述分类方法包括以下步骤:
步骤一、采集调心调倾后大型高速回转装备轴向测量面的跳动量数据,对所述跳动量数据进行高斯滤波,并进行人工标注;
步骤二、将滤波后的数据归一化到0-255像素值内,并转化为矩阵结构形式,将结构形式数据转换为灰度图,灰度图即为卷积神经网络输入;
步骤三、将数据集按照3:1的比例分为训练集和测试集;
步骤四、搭建卷积神经网络;
步骤五、根据训练集分类效果对卷积神经网络超参数进行训练,并利用训练完毕的卷积神经网络对测试集装备面型进行分类。
2.根据权利要求1所述的一种基于卷积神经网络的大型高速回转装备面型分类方法,其特征在于,在步骤四中,所述卷积神经网络模型为卷积层-池化层-卷积层-池化层-全连接层,卷积层的激活函数为ReLU函数,表达式如式(1)所示:
由ReLU函数表达式可知,当自变量大于0时,函数式取本身,否则函数式取0,
池化层采用最大值池化方法,
全连接层激活函数采用Softmax回归函数,表达式如式(2)所示:
式中,N为类别个数,yi(i=1,2…,N)为原始输出层输出,
所述卷积神经网络采用最小化正则化的交叉熵的反向误差传播算法来更新网络参数,其交叉熵C的计算方法如式(3)所示:
式中,n为样本数量,y为输出层的理想输出,a为卷积网络训练输出,
采用Adam优化方法代替传统梯度下降法更新卷积神经网络的权值和偏置。
3.根据权利要求2所述的一种基于卷积神经网络的大型高速回转装备面型分类方法,其特征在于,第一次卷积的过滤器尺寸大小为4×4,深度为1,个数为4,移动步幅为1,第一次池化的过滤器大小为2×2,移动步幅为2,采用最大值池化,第二次卷积的过滤器尺寸大小为5×5,深度为4,个数为8,移动步幅为1,第二次池化的过滤器大小也为2×2,移动步幅为2,采用最大值池化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367243.8A CN111178425B (zh) | 2019-12-26 | 2019-12-26 | 一种基于卷积神经网络的大型高速回转装备面型分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367243.8A CN111178425B (zh) | 2019-12-26 | 2019-12-26 | 一种基于卷积神经网络的大型高速回转装备面型分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178425A CN111178425A (zh) | 2020-05-19 |
CN111178425B true CN111178425B (zh) | 2022-11-29 |
Family
ID=70652172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911367243.8A Active CN111178425B (zh) | 2019-12-26 | 2019-12-26 | 一种基于卷积神经网络的大型高速回转装备面型分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112420175A (zh) * | 2020-11-04 | 2021-02-26 | 湖北工业大学 | 基于stn的自闭症大脑磁共振图像可视化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6674546B1 (en) * | 1998-12-25 | 2004-01-06 | Toshiba Tec Kabushiki Kaisha | Image processing method according to sort of image and image processing apparatus |
AU2009257271A1 (en) * | 2008-06-13 | 2009-12-17 | Scott & White Healthcare | Characterization of biological samples |
CN103105141A (zh) * | 2012-12-30 | 2013-05-15 | 北京理工大学 | 大型球面非球面轮廓扫描测量方法与装置 |
WO2013114564A1 (ja) * | 2012-01-31 | 2013-08-08 | 株式会社電子応用 | 渦電流センサ及びそれを用いたターボチャージャ回転検出装置 |
US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650765B (zh) * | 2016-09-06 | 2019-06-11 | 哈尔滨工业大学 | 基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法 |
CN107121092A (zh) * | 2017-05-24 | 2017-09-01 | 西安交通大学 | 一种激光干涉检测轴承滚珠面型误差的系统及方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
US10957523B2 (en) * | 2018-06-08 | 2021-03-23 | Thermo Finnigan Llc | 3D mass spectrometry predictive classification |
CN109948207A (zh) * | 2019-03-06 | 2019-06-28 | 西安交通大学 | 一种航空发动机高压转子装配误差预测方法 |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110595780B (zh) * | 2019-09-20 | 2021-12-14 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
-
2019
- 2019-12-26 CN CN201911367243.8A patent/CN111178425B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6674546B1 (en) * | 1998-12-25 | 2004-01-06 | Toshiba Tec Kabushiki Kaisha | Image processing method according to sort of image and image processing apparatus |
AU2009257271A1 (en) * | 2008-06-13 | 2009-12-17 | Scott & White Healthcare | Characterization of biological samples |
US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
WO2013114564A1 (ja) * | 2012-01-31 | 2013-08-08 | 株式会社電子応用 | 渦電流センサ及びそれを用いたターボチャージャ回転検出装置 |
CN103105141A (zh) * | 2012-12-30 | 2013-05-15 | 北京理工大学 | 大型球面非球面轮廓扫描测量方法与装置 |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的航空发动机转子智能装配方法研究;李成钿;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第(2021)01期);C031-459 * |
Also Published As
Publication number | Publication date |
---|---|
CN111178425A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN110222769A (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN109800795A (zh) | 一种果蔬识别方法及系统 | |
CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
CN111178425B (zh) | 一种基于卷积神经网络的大型高速回转装备面型分类方法 | |
CN111401358A (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN113096085A (zh) | 基于两阶段卷积神经网络的集装箱表面损伤检测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
CN115375635A (zh) | 一种晶圆缺陷的识别方法 | |
CN110673568A (zh) | 玻璃纤维制造业工业设备故障顺序确定方法及系统 | |
CN111126173B (zh) | 一种高精度人脸检测方法 | |
CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 | |
CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
CN111369503B (zh) | 一种基于卷积神经网络对图像中的铅笔进行精确计数的方法 | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 |
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 |