CN112036435B - 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 - Google Patents
一种基于卷积神经网络的无刷直流电机传感器故障检测方法 Download PDFInfo
- Publication number
- CN112036435B CN112036435B CN202010713226.1A CN202010713226A CN112036435B CN 112036435 B CN112036435 B CN 112036435B CN 202010713226 A CN202010713226 A CN 202010713226A CN 112036435 B CN112036435 B CN 112036435B
- Authority
- CN
- China
- Prior art keywords
- hyperplane
- neural network
- training
- convolutional neural
- fault
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 30
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/12—Monitoring commutation; Providing indication of commutation failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Abstract
本发明公开一种基于卷积神经网络的无刷直流电机传感器故障检测方法。其具体如下：获取无刷直流电机运行时的原始数据；通过小波变换，将原始数据转换为时‑频谱图作为样本集；对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；建立卷积神经网络，将训练集中的时‑频谱图输入卷积神经网络并提取分类前一层的特征；根据前面给定的标签和提取的特征，训练多类SVM分类器；训练完成后，得到SVM分类器对每一类故障的预测率；最后对无刷直流电机系统状态进行分析，对可能存在的故障进行预示。本发明可以定性和定量地评价被监测无刷直流电机传感器的运行状态，并预测其发展趋势；使得故障诊断过程更加智能化，检测的准确性更高。
Description
技术领域
本发明属于电机传感器故障检测领域，具体是指一种基于卷积神经网络的无刷直流电机传感器故障检测方法。
背景技术
无刷直流电机凭着其体积小，效率高，结构简单，运行稳定，便于控制等诸多优点，广泛的应用于航空航天、工业汽车、家用电器等诸多领域。传统直流电机换相是通过机械换相的方式进行，因此在换向过程有火花，噪声的产生，从而使得电机寿命比较短，而无刷直流电机的换相控制需要位置传感器来获得转子的位置信号，通常电机工作在三相六状态的情况下，需要在一个运行周期内获得6个转子的位置信号来控制换相过程，获得6个转子的位置信号来控制换相过程。在实际生产中，考虑到传感器成本、体积等具体因素，无刷直流电机上使用最为普遍的位置传感器是霍尔传感器，然而霍尔传感器在高温、潮湿、电磁干扰等工作环境中很容易发生故障，一旦霍尔传感器发生故障，将导致无刷直流电机工作异常，从而影响整个控制系统的稳定性。
人工神经网络是近几十年来得到迅速发展的一个前沿课题。由于其能够进行大规模并行处理，且具有高容错性、高自组织性、自适应性及逼近任意非线性函数的能力，其在突破现有瓶颈，更深入地探索和研究非线性现象时发挥了重要的作用。将人工神经网络应用于传感器故障检测是现在的研究热点，但现有的基于人工神经网络的霍尔传感器故障诊断方法多是基于BPNN这一经典的人工神经网络，而且在针对传感器故障检测上，往往只能解决一个或两个传感器故障的问题，对于单相传感器易出现的其他故障情况，现并未对此进行过多深入的讨论，且在现有检测方法相对复杂，应用场合受限。
而卷积神经网络是当前图像识别领域的研究热点。它的权值共享网络架构使之更类似于生物神经网络，降低了网络模型的复杂性，减少了权值的数量。该优点在网络的输入是多维图像时更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移/比例缩放/倾斜或者共他形式的变形具有高度不变性。在传感器故障检测中运用卷积神经网络，会有突破性进展。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于卷积神经网络的无刷直流电机传感器故障检测方法。该方法可以为无刷直流电机传感器提供在线检测，同时推动了无刷直流电机传感器故障检测的智能化发展，提高故障预检测的精确性和快速性。
为了实现上述目的，本发明采用的技术方案是包括有以下步骤：
S1:获取无刷直流电机的原始数据，并对该原始数据进行降噪处理；
S2:通过小波变换，将原始数据转换为时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；
S3:将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；
S4:建立卷积神经网络，将训练集中的时频谱图输入卷积神经网络并提取分类前一层的特征；
S5:根据步骤S3中的所述标签和步骤S4中提取的所述特征，训练多类支持向量机分类器；
S6:训练完成后，得到支持向量机分类器对每一类故障的预测率；
S7:将电机原始数据数据通过步骤S1的方法进行采集和降噪处理后，输入所述支持向量机分类器进行故障检测，对原始数据中存在故障进行检测分类，获得故障分类结果。
本发明的技术方案能够通过构建卷积神经网络和多类SVM分类器对无刷直流电机传感器故障进行诊断预测，可以发现处于萌芽状态的故障风险，及时通知维保人员进行检修，降低电机故障率，并且随着时间累积和数据丰富，模型的预测准确性会不断提高。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面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来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明具体实施例无刷直流电机系统整体结构框图；
图2为本发明具体实施例无刷直流电机控制系统结构框图；
图3为本发明所述的基于卷积神经网络的电机传感器故障识别方法流程图；
图4为本发明具体实施例CNN神经网络的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
本发明的具体实施例如图1图2所示是无刷直流电机系统的系统框图，无刷直流电机系统主要由电机本体、电子换向电路和转子位置传感器共同组成。电子换向电路主要包括两部分，分为：驱动和控制部分。在控制系统中，高精度控制板是控制核心，对霍尔传感器信号、反电动势过零信号、电压信号、电流信号等进行处理、计算和分析，并且在同一时间输出相应信号来实现逆变器的通断，进而实现有效的控制无刷直流电机的运转。对于驱动电路，主要对控制部分输出的各种信号进行预处理，包括信号延迟、滤波、稳压处理，同时，它为无刷直流电机提供常规驱动信号，驱动电机实时运行。定子与转子共同组成转子位置传感器，无刷直流电机的端盖上安装定子，无刷直流电机转子与转子传感器贴合装载。
如图3所示，是基于CNN网络的无刷直流电机传感器故障检测预示方法来实现无刷直流电机制动系统的在线诊断，其具体步骤如下：
将采集到的电机传感器正常运行或发生故障时的原始数据进行降噪处理。提取原始数据中的转子转速、电磁转矩、相电压及相电流这四种类型信号并进行小波变换，转换为时-频谱图。对样本集中样本标记故障种类以及故障程度，作为数据样本的己知标签。随后将转换后的图像及其标签等相关信息存储于原始图像数据库，作为卷积神经网络的样本集。通过对上述样本集中照片的分析可以检测出电机传感器不同故障时数据的表现形式。
小波变换是指用有限长或快速衰减的、称为母小波的振荡波形来表示信号。该波形被缩放和平移以匹配输入的信号。小波变换的数学形式为：
其中x为原信号，X为x经小波变换后的输出，ψ为母小波；所述的母小波需满足以下条件：
另外预处理包括：将小波变换后的时-频谱图缩放成大小为227X 227像素的彩色图片。
还包括：在传输图片至卷积神经网络输入层时，每次读取图像时都调用读函数。所述读函数是将图像先灰度化，再重复灰度化图像3次形成RGB图像，再对图像进行缩放；缩放时应注意宽高比，保证输入卷积神经网络的图片大小始终为227X227像素。在将样本集中百分之七十的数据作为训练集，百分之三十数据作为测试集。将训练集中的样本数据根据故障种类程度的不同进行标记。
卷积神经网络虽然在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率；但超过一-定程度也会出现过拟合的现象，即随着训练能力的提高，预测能力反而降低。这是由于网络学习了过多的样本细节，无法反映样本所包含的规律。因此本发明选择A1exNet网络架构作为卷积神经网络模型。它的权值共享网络架构使之更类似与生，物神经网络，降低了网络模型的复杂的，减少了权值的数量.AlexNet是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移/比例缩放/倾斜或者共他形式的变形具有高度不变性。步骤四中，卷积神经网络为AlexNet网络架构，该网络共有8层，其中前5层为卷积层，后三层为全连接层，最后一个全连接层的输出为一个具有融合了标签1000个分类特征的Softmax函数。
所述卷积层在卷积神经网络中用于图像特征的抽象和提取，其核心操作是一个卷积核对图像做自上而下，自左而右的加权和。这里所述的卷积核的尺寸是网络事先指定的，但是卷积核内的参数全部都是需要不断学习得到的。卷积核的厚度等于被卷积的图像的通道数，卷积核的个数等于卷积操作后输出的通道数。下面将给出五层卷积层的卷积核的相关参数：
卷积层conv1:96*11*11*3(卷积核个数/宽/高/厚度)
卷积层conv2:256*5*5*48(卷积核个数/宽/高/厚度)
卷积层conv3:384*3*3*256(卷积核个数/宽/高/厚度)
卷积层conv4:384*3*3*192(卷积核个数/宽/高/厚度)
卷积层conv5:256*3*3*192(卷积核个数/宽/高/厚度)
在每一次卷积操作之后都会进行池化操作，用于特征融合和降维其中所有参数都是网络事先设置好的，不需要通过学习得到。
全连接层负责逻辑推断，其权系数都是通过学习得到。第一层全连接层fc6用于链接卷积层的输出，去除空间信息即通道数，将三维矩阵变为向量。全连接层的每-一个结点都与上一层的所有结点相连，用来把之前架构层提取到的特征综合起来。我们将提取fc7层或fc8层综合的特征作为SVM分类器的输入特征向量。
在每一次卷积操作之后都会进行池化操作，用于特征融合和降维，其中所有参数都是网络事先设置好的，不需要通过学习得到。
第五步中，假设训练数据集在一个给定的特征空间上，其中训练数据集表示为:
T{(x1,y1),(x2,y2),...,(xN,yN)
其中,xi∈x＝Rn，yi∈y＝{1，-1}，i＝1，2，…,N,xi为第i个特征向量,yi为xi的类标记,当yi＝1时,称xi为正例；当yi＝-1时,称:x1为负例，(xi，yi)称为样本点。
SVM分类器根据间隔最大化准则构造最优超平面进行分类；
其中最优超平面表示为：
wT+b＝0
其中，w为超平面的法向量，x为原始数据通过卷积神经网络提取的特征形成的训练数据集中的特征向量，b为超平面的截距，T表示转置；
对于给定的训练数据集T和超平面(w,b)，定义超平面(w,b)关于样本点(xi，yi)的函数间隔：
其中，为函数间隔，(xi，yi)为样本点，w为超平面的法向量，b为超平面的截距；
由于函数间隔无法表示确信度，因此对法向量进行规范化处理，对于给定的训练数据集T和超平面(w，h)，定义超平面(w，h)关于样本点(xi，yi)的几何间隔为
其中，γ为几何间隔，(xi，yi)为样本点，w为超平面的法向量，||w||为w的范数，b为超平面的截距；
定义超平面wT+b＝0与训练集T中全部点与超平面几何间隔的最小值，即
γ＝mini＝1..Nγi
其中，γ为几何间隔的最小值，γi为训练数据集中的各样本的几何间隔值；
为了找到能使几何间隔最大化的分隔超平面，转化为最优化问题就是：
利用拉格朗日对偶性，求解最大间隔分类器最优化问题的对偶问题；构建拉格朗日函数，对之前最优化问题中的每一个不等式约束引进拉格朗日乘子αi≥0，则最优化问题的拉格朗日函数为：
其中，α＝(α1,α2,...,αm)T为拉格朗日乘子向量，(xi，yi)为样本点，w为超平面的法向量，||w||为w的范数，b为超平面的截距；根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题:
其中，α＝(α1,α2,...,αm)T拉格朗日乘子向量，w为超平面的法向量，b为超平面的截距；为了求得对偶问题的解，先求L(w,b,α)对w和b的极小，再求对α的极大；解出α后，可以进一步求得w和b，从而得到模型：
其中，w为超平面的法向量，b为超平面的截距，从对偶问题中解出的αi是训练样本(xi，yi)对应的拉格朗日乘子；
引入高斯核函数：
其中δ>0为高斯核的带宽，x和z为输入向量；
将输入的线性不可分空间转化到高维空间，在高维空间线性可分，采用的核函数为高斯核函数；对于多类SVM分类问题，在二类问题的基础上采用推广算法一对一算法。
所述一对一算法是在任意两类样本之间设计一个SVM分类器，因此k个类别的样本就需要设计个SVM分类器，并对k个分类所对应的/>个向量作为训练集，得到个训练结果；在测试的时候，把对应的向量分别对/>个结果进行测试，得到概率最高的一组结果；
利用提取的特征训练多类SVM分类器，并获取训练的类别的标签；分批次对所有样本进行训练并不断更新权值，直到目标函数的值收敛在-一个稳定区域内，即错误率收敛于一个稳定值。训练好的SVM分类器用于分类测试样本中的图像，得到每张图片的类别标签，并输出分类后的图片，计算分类精度，并利用分类器做预测。
用混淆矩阵评价预测结果，返回值为K*K的矩阵，对角线为预测正确的值，其他位置为预测错误的值。其中K为要是识别的故障类型数目。
将实时采集到并预处理后的电机原始数据进行小波变换后输入已经训练好的多类SVM分类器，实时对电机设备当前运行参数进行分析，推断其是否正常，当分类器检测到输入的数据表现为不同类型的电机传感器故障时进行报警或警告，并根据累计数据的变化趋势推断潜在风险发生的概率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
应当注意，本发明的实施例可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤组合为一个步骤执行，和/或将一个步骤分解为多个步骤执行。还应当注意，根据本发明的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
Claims (8)
1.一种基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于包括有：
S1:获取无刷直流电机的原始数据，并对该原始数据进行降噪处理；
S2:通过小波变换，将原始数据转换为时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；
S3:将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；
S4:建立卷积神经网络，将训练集中的时频谱图输入卷积神经网络并提取分类前一层的特征；
S5:根据步骤S3中的所述标签和步骤S4中提取的所述特征，训练多类支持向量机分类器；
S6:训练完成后，得到支持向量机分类器对每一类故障的预测率；
S7:将电机原始数据数据通过步骤S1的方法进行采集和降噪处理后，输入所述支持向量机分类器进行故障检测，对原始数据中存在故障进行检测分类，获得故障分类结果；
所述步骤S5中，设定训练数据集在一个给定的特征空间上，其中训练数据集表示为：
T{(x1,y1),(x2,y2),...,(xN,yN)
其中,xi∈x＝Rn，yi∈y＝{1，-1}，i＝1，2，…,N,xi为第i个特征向量,yi为xi的类标记,当yi＝1时,称xi为正例；当yi＝-1时,称:x1为负例，(xi，yi)称为样本点；
支持向量机分类器根据间隔最大化准则构造最优超平面进行分类；其中最优超平面表示为：
wT+b＝0
其中，w为超平面的法向量，x为原始数据通过卷积神经网络提取的特征形成的训练数据集中的特征向量，b为超平面的截距，T表示转置；
对于给定的训练数据集T和超平面(w,b)，定义超平面(w,b)关于样本点(xi，yi)的函数间隔：
其中，为函数间隔，(xi，yi)为样本点，w为超平面的法向量，b为超平面的截距；
由于函数间隔无法表示确信度，因此对法向量进行规范化处理，对于给定的训练数据集T和超平面(w，h)，定义超平面(w，h)关于样本点(xi，yi)的几何间隔为
其中，γ为几何间隔，(xi，yi)为样本点，w为超平面的法向量，||w||为w的范数，b为超平面的截距；
定义超平面wT+b＝0与训练集T中全部点与超平面几何间隔的最小值，即γ＝mini＝1..Nγi
其中，γ为几何间隔的最小值，γi为训练数据集中的各样本的几何间隔值；为了找到能使几何间隔最大化的分隔超平面，转化为最优化问题就是：
利用拉格朗日对偶性，求解最大间隔分类器最优化问题的对偶问题；构建拉格朗日函数，对之前最优化问题中的每一个不等式约束引进拉格朗日乘子αi≥0，则最优化问题的拉格朗日函数为：
其中，α＝(α1,α2,...,αm)T为拉格朗日乘子向量，(xi，yi)为样本点，w为超平面的法向量，||w||为w的范数，b为超平面的截距；根据拉格朗日对偶性，原始问题的对偶问题是极大极小问题:
其中，α＝(α1,α2,...,αm)T拉格朗日乘子向量，w为超平面的法向量，b为超平面的截距；为了求得对偶问题的解，先求L(w,b,α)对w和b的极小，再求对α的极大；解出α后，进一步求得w和b，从而得到模型：
其中，w为超平面的法向量，b为超平面的截距，从对偶问题中解出的αi是训练样本点(xi，yi)对应的拉格朗日乘子；
引入高斯核函数：
其中δ>0为高斯核的带宽，x和z为输入向量；
将输入的线性不可分空间转化到高维空间，在高维空间线性可分，采用的核函数为高斯核函数；对于多类支持向量机分类问题，在二类问题的基础上采用推广算法一对一算法。
2.根据权利1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：原始数据的采集包括霍尔传感器正常运行和霍尔传感器发生故障时的原始数据，原始数据具体包括电机转子的转速、电磁转矩、各相电压和各相电流。
3.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：
所述步骤S2中小波变换是指用有限长或快速衰减的并称为母小波的振荡波形来表示信号，该波形被缩放和平移以匹配输入的信号；小波变换的数学形式为：
其中x为原信号，X为x经小波变换后的输出，ψ为母小波；所述的母小波需满足以下条件：
4.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：
所述步骤S2中的预处理包括：
将已知不同霍尔传感器故障种类的电机原始数据经小波变换后的时-频谱图缩放成大小为227＊227像素的彩色图片并根据故障种类的不同与不同标签相匹配：
另外还包括：
在传输图片至卷积神经网络输入层时，每次读取图像时都调用读函数；所述读函数是将图像先灰度化，再重复灰度化图像3次形成RGB图像，再对图像进行缩放；缩放时应注意宽高比，保证输入卷积神经网络的图片大小始终为227＊227像素。
5.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：步骤S3中，将样本集中百分之七十的数据作为训练集，百分之三十数据作为测试集。
6.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：步骤S4中，卷积神经网络为AlexNet网络架构，该网络共有8层，其中前5层为卷积层，后三层为全连接层，最后一个全连接层的输出为一个具有融合了标签1000个分类特征的Softmax函数。
7.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：
所述一对一算法是在任意两类样本之间设计一个支持向量机分类器，因此k个类别的样本就需要设计个支持向量机分类器，并对k个分类所对应的/>个向量作为训练集，得到/>个训练结果；在测试的时候，把对应的向量分别对/>个结果进行测试，得到概率最高的一组结果；
利用提取的特征训练多类支持向量机分类器，并获取训练的类别的标签；分批次对所有样本进行训练并不断更新权值，直到目标函数的值收敛在一个稳定区域内，即错误率收敛于一个稳定值。
8.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：
所述步骤S6中，训练好的支持向量机分类器用于分类测试样本中的图像，得到每张图片的类别标签，并输出分类后的图片，计算分类精度，并利用分类器做预测；
用混淆矩阵评价预测结果，返回值为K*K的矩阵，对角线为预测正确的值，其他位置为预测错误的值；其中K为要是识别的故障类型数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010713226.1A CN112036435B (zh) | 2020-07-22 | 2020-07-22 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010713226.1A CN112036435B (zh) | 2020-07-22 | 2020-07-22 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036435A CN112036435A (zh) | 2020-12-04 |
| CN112036435B true CN112036435B (zh) | 2024-01-09 |
Family
ID=73582920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010713226.1A Active CN112036435B (zh) | 2020-07-22 | 2020-07-22 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036435B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128864B (zh) * | 2021-04-16 | 2022-09-30 | 广东便捷神科技股份有限公司 | 一种基于物联网的智能零售管理平台 |
| CN114199785B (zh) * | 2021-11-18 | 2023-09-26 | 国网浙江省电力有限公司诸暨市供电公司 | 基于gan数据增强的回音壁微腔传感方法 |
| CN114499057B (zh) * | 2022-03-14 | 2023-06-20 | 浙江大学 | 一种无刷直流电机磁干扰消除方法 |
| CN115032946B (zh) * | 2022-06-21 | 2022-12-06 | 浙江同发塑机有限公司 | 吹塑机的吹塑控制方法及其系统 |
| CN116972914B (zh) * | 2023-09-22 | 2023-12-26 | 华夏天信智能物联股份有限公司 | 变频一体机智能测试方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学（保定） | 一种基于振动数据的风电机组轴承故障特征提取方法 |
| CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
| 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 |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN108664906A (zh) * | 2018-04-27 | 2018-10-16 | 温州大学激光与光电智能制造研究院 | 一种基于卷积网络的火灾场景中内容的检测方法 |
| CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
| EP3499384A1 (en) * | 2017-12-18 | 2019-06-19 | Fortia Financial Solutions | Word and sentence embeddings for sentence classification |
| CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
| RU2713850C1 (ru) * | 2018-12-10 | 2020-02-07 | Федеральное государственное бюджетное учреждение науки Институт теплофизики им. С.С. Кутателадзе Сибирского отделения Российской академии наук (ИТ СО РАН) | Система мониторинга режимов горения топлива путем анализа изображений факела при помощи классификатора на основе свёрточной нейронной сети |
| CN110781612A (zh) * | 2019-11-14 | 2020-02-11 | 哈工大机器人（山东）智能装备研究院 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180260699A1 (en) * | 2017-03-13 | 2018-09-13 | Intel IP Corporation | Technologies for deep machine learning with convolutional neural networks and reduced set support vector machines |
-
2020
- 2020-07-22 CN CN202010713226.1A patent/CN112036435B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学（保定） | 一种基于振动数据的风电机组轴承故障特征提取方法 |
| CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
| 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 |
| EP3499384A1 (en) * | 2017-12-18 | 2019-06-19 | Fortia Financial Solutions | Word and sentence embeddings for sentence classification |
| CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
| CN108664906A (zh) * | 2018-04-27 | 2018-10-16 | 温州大学激光与光电智能制造研究院 | 一种基于卷积网络的火灾场景中内容的检测方法 |
| CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
| RU2713850C1 (ru) * | 2018-12-10 | 2020-02-07 | Федеральное государственное бюджетное учреждение науки Институт теплофизики им. С.С. Кутателадзе Сибирского отделения Российской академии наук (ИТ СО РАН) | Система мониторинга режимов горения топлива путем анализа изображений факела при помощи классификатора на основе свёрточной нейронной сети |
| CN110348511A (zh) * | 2019-07-08 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图片翻拍检测方法、系统及电子设备 |
| CN110781612A (zh) * | 2019-11-14 | 2020-02-11 | 哈工大机器人（山东）智能装备研究院 | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卷积神经网络的异步电机故障诊断;王丽华;谢阳阳;周子贤;张永宏;赵晓平;;振动.测试与诊断(06);全文 * |
| 基于深层卷积神经网络电动飞机主驱动电机故障诊断方法;杨柏;关焕新;王森;杨亮;王鹤蓉;;微电机(03);全文 * |
| 基于连续小波变换和卷积神经网络的无刷直流电机故障诊断;王骁贤;张保华;陆思良;;机械与电子(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036435A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036435B (zh) | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 | |
| Liu et al. | Multiscale kernel based residual convolutional neural network for motor fault diagnosis under nonstationary conditions | |
| Su et al. | Deep learning-based solar-cell manufacturing defect detection with complementary attention network | |
| CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
| CN114972213A (zh) | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 | |
| CN114707598A (zh) | 一种混合气体识别方法、系统、终端设备及可读存储介质 | |
| CN111398811A (zh) | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 | |
| Hou et al. | Diagnosisformer: An efficient rolling bearing fault diagnosis method based on improved Transformer | |
| Chen et al. | Research on YOLOv7-based defect detection method for automotive running lights | |
| Lughofer et al. | Transfer learning of fuzzy classifiers for optimized joint representation of simulated and measured data in anomaly detection of motor phase currents | |
| CN110634198A (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
| CN114241606A (zh) | 一种基于自适应集学习预测的人物交互检测方法 | |
| CN116666676A (zh) | 废旧钒电池电解液的智能修复方法 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
| Li | Edge aware learning for 3d point cloud | |
| Wang et al. | Self-supervised learning for high-resolution remote sensing images change detection with variational information bottleneck | |
| Li et al. | Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions | |
| Sun et al. | Cross-domain health status assessment of three-phase inverters using improved DANN | |
| Raisi et al. | Investigation of Deep Learning Optimization Algorithms in Scene Text Detection | |
| CN112418267A (zh) | 一种基于多尺度可视图和深度学习的电机故障诊断方法 | |
| CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
| CN116538127B (zh) | 轴流风机及其控制系统 | |
| Li et al. | Fault diagnosis of air handling unit via combining probabilistic slow feature analysis and attention residual network |
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 |