CN112379266A - 一种智能家具电机用检测方法 - Google Patents
一种智能家具电机用检测方法 Download PDFInfo
- Publication number
- CN112379266A CN112379266A CN202011323164.XA CN202011323164A CN112379266A CN 112379266 A CN112379266 A CN 112379266A CN 202011323164 A CN202011323164 A CN 202011323164A CN 112379266 A CN112379266 A CN 112379266A
- Authority
- CN
- China
- Prior art keywords
- detection
- motor
- data
- network
- detection method
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000007659 motor function Effects 0.000 claims abstract description 4
- 230000005236 sound signal Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 13
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Multiple Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及智能家具技术领域,尤其是一种智能家具电机用检测方法,其特征是,包括如下步骤:S1采集数据:从对使用中不同的电机进行实时数据检测,并记录下检测数据;S2数据标注:基于电机功能对步骤S1中采集数据做标注,标注包括温度数值、声音数值和运转数值;S3构建基础对比网络;S4构建检测方法;S5存储检测反馈信息:对步骤S4中反馈的检测信息进行记录和备份存储。对电机检测中获得良好的效果;经测试,检出率最高达到95%,检测精度接近100%,批量测试中,保证检测精度接近100%的情况下,平均检出率接近90%,做到对电机故障的实时检测识别,有效的提高较大电机故障的检出率,具有重要的应用价值。
Description
技术领域
本发明涉及智能家具技术领域,尤其是一种智能家具电机用检测方法。
背景技术
智能家具,是在现代时尚家具的基础上,将组合智能、电子智能、机械智能、物联智能巧妙的融入家具产品当中,使家具智能化、国际化、时尚化,使家居生活更加便捷、舒适,是新贵生活方式重要组成部分,是未来国际家居的发展潮流和趋势。随着人们生活水准的提高,家用电器具备了高度自动化功能,例如,自动电饭煲依次执行送米、供水、洗米、下米和烹煮等进程,家用电器如设有风机组件,风机组件执行相应动作的核心部件也是电机。在检验过程中电机的单元快速标准化检验尤为重要。在以往的使用过程中,由于大批量使用时单元电机检测的不准确性和检验缺失情况直接影响了整机的质量。
发明内容
为了克服现有的智能家具电机用检测方法技术的不足,本发明提供了一种智能家具电机用检测方法。
本发明解决其技术问题所采用的技术方案是:一种智能家具电机用检测方法,包括如下步骤:
S1采集数据:从对使用中不同的电机进行实时数据检测,并记录下检测数据;
S2数据标注:基于电机功能对步骤S1中采集数据做标注,标注包括温度数值、声音数值和运转数值,采用excel表格工具在标注的数据根据标注分别导入不同的表格中,将画出的每类数据的曲线变化图;
S3构建基础对比网络:在步骤S2数据标注方式下,使用ResNet网络的残差连接,按照设定的标准数值对输入的检测数据逐层进行对比,将超过标准数值误差范围内的数据标记出来,构建基础对比网络;
S4构建检测方法:根据公式countif和公式vlookup进行对比,在步骤S3构建的基础对比网络的基础上利用对比技术,分别从基础网络对比中标记数据并融合到检测网络,与检测网络中相对应的特征问题的特征数据融合,然后经过sigmoid函数和0.5阈值的筛选,选取最高置信度的种类作为预测种类,经过对多个预测框进行非极大值抑制得到最终预测框,再得到预测目标电机是否合格的信息,构成检测方法;
S5存储检测反馈信息:对步骤S4中反馈的检测信息进行记录和备份存储。
根据本发明的另一个实施例,进一步包括步骤S1中不同的电机分根据工作电源分类根据电机工作电源的不同,分为直流电机和交流电机。
根据本发明的另一个实施例,进一步包括步骤S2中温度数据和运转数据皆需要获取流经电机的电流分量和施加的电压分量,电流分量基于电压分量生成,基于电压分量和电流分量,确定电机的热态电阻,根据第一预设转换关系,基于热态电阻确定电机的测算温度,通过温度传感器检测实际温度,测算温度和实际温度进行比对。
根据本发明的另一个实施例,进一步包括步骤S2中声音数值检测包括设定采样频率和采样时长,将电机处于空载状态、正常运转状态和满载状态下进行音频信号采集,对音频信号进行分帧加窗处理,设置每帧的帧长和相邻两帧的重叠长度,将音频信号分为N帧信号,对提取的音频特征做主成分分析获得特征向量,选取N个合格的电机音频数据,重复步骤2-4,分别提取每个合格的电机音频数据。
根据本发明的另一个实施例,进一步包括步骤S3中基础对比网络以步骤S1中电机种类不同分为直流电机对比网络和交流电机对比网络。
根据本发明的另一个实施例,进一步包括步骤S4中的检测方法对测试数据做预测,查看测试精度和测试速度,当测试精度和速度符合要求时,此时构建的检测方法便达到了要求,然后利用构建好的检测方法和权重数据模型对电机检测数据对比,实时识别电机故障,完成对电机的检测。
本发明的有益效果是:对电机检测中获得良好的效果,经测试,检出率最高达到95%,检测精度接近100%,批量测试中,保证检测精度接近100%的情况下,平均检出率接近90%,做到对电机故障的实时检测识别,有效的提高较大电机故障的检出率,具有重要的应用价值。
具体实施方式
一种智能家具电机用检测方法,包括如下步骤:
S1采集数据:从对使用中不同的电机进行实时数据检测,并记录下检测数据;
S2数据标注:基于电机功能对步骤S1中采集数据做标注,标注包括温度数值、声音数值和运转数值,采用excel表格工具在标注的数据根据标注分别导入不同的表格中,将画出的每类数据的曲线变化图;
S3构建基础对比网络:在步骤S2数据标注方式下,使用ResNet网络的残差连接,按照设定的标准数值对输入的检测数据逐层进行对比,将超过标准数值误差范围内的数据标记出来,构建基础对比网络;
S4构建检测方法:根据公式countif和公式vlookup进行对比,在步骤S3构建的基础对比网络的基础上利用对比技术,分别从基础网络对比中标记数据并融合到检测网络,与检测网络中相对应的特征问题的特征数据融合,然后经过sigmoid函数和0.5阈值的筛选,选取最高置信度的种类作为预测种类,经过对多个预测框进行非极大值抑制得到最终预测框,再得到预测目标电机是否合格的信息,构成检测方法;
S5存储检测反馈信息:对步骤S4中反馈的检测信息进行记录和备份存储。
对电机检测中获得良好的效果;经测试,检出率最高达到95%,检测精度接近100%,批量测试中,保证检测精度接近100%的情况下,平均检出率接近90%,做到对电机故障的实时检测识别,有效的提高较大电机故障的检出率,具有重要的应用价值。
所述步骤S1中不同的电机分根据工作电源分类根据电机工作电源的不同,分为直流电机和交流电机。
所述步骤S2中温度数据和运转数据皆需要获取流经电机的电流分量和施加的电压分量,电流分量基于电压分量生成,基于电压分量和电流分量,确定电机的热态电阻,根据第一预设转换关系,基于热态电阻确定电机的测算温度,通过温度传感器检测实际温度,测算温度和实际温度进行比对。
所述步骤S2中声音数值检测包括设定采样频率和采样时长,将电机处于空载状态、正常运转状态和满载状态下进行音频信号采集,对音频信号进行分帧加窗处理,设置每帧的帧长和相邻两帧的重叠长度,将音频信号分为N帧信号,对提取的音频特征做主成分分析获得特征向量,选取N个合格的电机音频数据,重复步骤2-4,分别提取每个合格的电机音频数据。
所述步骤S3中基础对比网络以步骤S1中电机种类不同分为直流电机对比网络和交流电机对比网络。
所述步骤S4中的检测方法对测试数据做预测,查看测试精度和测试速度,当测试精度和速度符合要求时,此时构建的检测方法便达到了要求,然后利用构建好的检测方法和权重数据模型对电机检测数据对比,实时识别电机故障,完成对电机的检测。
以上说明对本发明而言只是说明性的,而非限制性的,本领域普通技术人员理解,在不脱离所附权利要求所限定的精神和范围的情况下,可做出许多修改、变化或等效,但都将落入本发明的保护范围内。
Claims (6)
1.一种智能家具电机用检测方法,其特征是,包括如下步骤:
S1采集数据:从对使用中不同的电机进行实时数据检测,并记录下检测数据;
S2数据标注:基于电机功能对步骤S1中采集数据做标注,标注包括温度数值、声音数值和运转数值,采用excel表格工具在标注的数据根据标注分别导入不同的表格中,将画出的每类数据的曲线变化图;
S3构建基础对比网络:在步骤S2数据标注方式下,使用ResNet网络的残差连接,按照设定的标准数值对输入的检测数据逐层进行对比,将超过标准数值误差范围内的数据标记出来,构建基础对比网络;
S4构建检测方法:根据公式countif和公式vlookup进行对比,在步骤S3构建的基础对比网络的基础上利用对比技术,分别从基础网络对比中标记数据并融合到检测网络,与检测网络中相对应的特征问题的特征数据融合,然后经过sigmoid函数和0.5阈值的筛选,选取最高置信度的种类作为预测种类,经过对多个预测框进行非极大值抑制得到最终预测框,再得到预测目标电机是否合格的信息,构成检测方法;
S5存储检测反馈信息:对步骤S4中反馈的检测信息进行记录和备份存储。
2.根据权利要求1所述的一种智能家具电机用检测方法,其特征是,所述步骤S1中不同的电机分根据工作电源分类根据电机工作电源的不同,分为直流电机和交流电机。
3.根据权利要求1所述的一种智能家具电机用检测方法,其特征是,所述步骤S2中温度数据和运转数据皆需要获取流经电机的电流分量和施加的电压分量,电流分量基于电压分量生成,基于电压分量和电流分量,确定电机的热态电阻,根据第一预设转换关系,基于热态电阻确定电机的测算温度,通过温度传感器检测实际温度,测算温度和实际温度进行比对。
4.根据权利要求1所述的一种智能家具电机用检测方法,其特征是,所述步骤S2中声音数值检测包括设定采样频率和采样时长,将电机处于空载状态、正常运转状态和满载状态下进行音频信号采集,对音频信号进行分帧加窗处理,设置每帧的帧长和相邻两帧的重叠长度,将音频信号分为N帧信号,对提取的音频特征做主成分分析获得特征向量,选取N个合格的电机音频数据,重复步骤2-4,分别提取每个合格的电机音频数据。
5.根据权利要求1所述的一种智能家具电机用检测方法,其特征是,所述步骤S3中基础对比网络以步骤S1中电机种类不同分为直流电机对比网络和交流电机对比网络。
6.根据权利要求1所述的一种智能家具电机用检测方法,其特征是,所述步骤S4中的检测方法对测试数据做预测,查看测试精度和测试速度,当测试精度和速度符合要求时,此时构建的检测方法便达到了要求,然后利用构建好的检测方法和权重数据模型对电机检测数据对比,实时识别电机故障,完成对电机的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011323164.XA CN112379266A (zh) | 2020-11-23 | 2020-11-23 | 一种智能家具电机用检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011323164.XA CN112379266A (zh) | 2020-11-23 | 2020-11-23 | 一种智能家具电机用检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112379266A true CN112379266A (zh) | 2021-02-19 |
Family
ID=74587720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011323164.XA Withdrawn CN112379266A (zh) | 2020-11-23 | 2020-11-23 | 一种智能家具电机用检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176501A (zh) * | 2021-06-30 | 2021-07-27 | 深圳百里科技有限公司 | 基于物联网的设备故障检测方法、设备及存储介质 |
-
2020
- 2020-11-23 CN CN202011323164.XA patent/CN112379266A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176501A (zh) * | 2021-06-30 | 2021-07-27 | 深圳百里科技有限公司 | 基于物联网的设备故障检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN112149510A (zh) | 一种非侵入式负荷检测方法 | |
US20120084031A1 (en) | Equipment operation state measurement device, equipment operation state measurement method, and control program | |
WO2012103485A2 (en) | Signal identification methods and systems | |
CN118842080A (zh) | 一种光伏并网逆变器控制系统及方法 | |
CN103884943A (zh) | 一种变压器绕组变形综合分析诊断方法 | |
TW201830186A (zh) | 不良原因推定裝置以及不良原因推定方法 | |
CN108470570B (zh) | 电机异音检测方法 | |
CN117630649B (zh) | Pcba的测试方法、装置、设备及存储介质 | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN105978145A (zh) | 智能变电站二次系统信息融合系统 | |
CN112379266A (zh) | 一种智能家具电机用检测方法 | |
CN113901973A (zh) | 电力负荷识别方法、装置以及存储介质和芯片设备 | |
CN118194206A (zh) | 一种生产设备故障智能诊断方法及系统 | |
CN117746327A (zh) | 储能变流器pcs故障检测方法及相关装置 | |
CN116453437A (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN113009341B (zh) | 电机异常状态的监测方法及系统 | |
Wu et al. | Detectability Based Data-Driven Fault Diagnosis Method for Multiple Device Faults of Converters | |
Schirmer et al. | Improving energy disaggregation performance using appliance-driven sampling rates | |
CN111352365B (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN108594035B (zh) | 一种负荷检测方法及系统 | |
CN118132931A (zh) | 基于机器学习的日用电器亚健康检测方法 | |
CN111355243B (zh) | 一种用电负荷辨识方法及装置 | |
Kulathilaka et al. | Maximizing Efficiency in Commercial Power Systems with an Optimized Load Classification and Identification Method Using Deep Learning and Ensemble Techniques | |
CN118315037B (zh) | 一种用于自助体检机的故障诊断方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210219 |