CN113359577B - 超声电机嵌入式状态监测与故障诊断系统及方法 - Google Patents
超声电机嵌入式状态监测与故障诊断系统及方法 Download PDFInfo
- Publication number
- CN113359577B CN113359577B CN202110753288.XA CN202110753288A CN113359577B CN 113359577 B CN113359577 B CN 113359577B CN 202110753288 A CN202110753288 A CN 202110753288A CN 113359577 B CN113359577 B CN 113359577B
- Authority
- CN
- China
- Prior art keywords
- layer
- analog
- signal
- data
- ultrasonic motor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 48
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 69
- 238000005070 sampling Methods 0.000 claims description 50
- 210000002569 neuron Anatomy 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000011324 bead Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 239000002783 friction material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010992 reflux Methods 0.000 claims description 6
- 239000000919 ceramic Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 229920001971 elastomer Polymers 0.000 claims description 3
- 239000000806 elastomer Substances 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02N—ELECTRIC MACHINES NOT OTHERWISE PROVIDED FOR
- H02N2/00—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction
- H02N2/10—Electric machines in general using piezoelectric effect, electrostriction or magnetostriction producing rotary motion, e.g. rotary motors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种超声电机嵌入式状态监测与故障诊断系统及方法,包括:信号采集单元、嵌入式模块和显示器;所述信号采集单元包括模数转换电路ADC、微控制器MCU、静态随机存储器SRAM、USB接口电路、基准电压电路和时钟电路;所述微控制器MCU的输出端连接到所述USB接口电路的输入端;所述USB接口电路的输出端连接到所述嵌入式模块的输入端;所述嵌入式模块的输出端连接到所述显示器的输入端。本发明在降低监测和诊断设备成本的同时,因其集成度高、稳定性高的特性和小巧易便携的结构,有助于降低状态监测与故障诊断的工作量,提高故障诊断的准确率,实现超声电机集成化、微型化、高速化、实时化的故障诊断。
Description
技术领域
本发明属于超声电机状态监测技术领域,具体涉及一种超声电机嵌入式状态监测与故障诊断系统及方法。
背景技术
与传统电磁电机相比,超声电机没有线圈和变速机构,具有质量轻、体积小、无磁场、断电自锁、响应快、噪声小、单位质量能量密度高等优点,在航空航天、智慧医疗、智能制造等领域存在巨大的应用潜力。但是,超声电机由于内部的压电陶瓷会出现过应力与疲劳损伤,摩擦材料与定子也会发生碰摩损伤,存在磨损发热问题严重、寿命较短、控制电路复杂等缺陷。因此,为满足超声电机高可靠、长寿命的使用需求,必须开展状态监测与故障诊断技术研究。
状态监测技术能够及时发现处于亚健康阶段的潜在故障,在不影响正常运行的情况下评估健康状态,同时对状态监测数据进行预处理,统一数据格式,开展数据挖掘与数据融合,解决“故障表征”的问题。数据驱动的状态监测方法有两个关键问题——状态特征参量的数据来源和运行状态的准确识别。故障诊断技术主要是在状态监测的基础上,根据提取的故障特征和状态监测阈值,利用统计分析、信号处理或机器学习等方法完成故障的及时判断、故障类型的分类、故障的定位以及故障严重程度的评价,解决“故障定位”的问题。其中,基于机器学习的故障诊断进行特征的融合、降维、分类和可视化分析,无需建立定量的数学模型即可实现故障预警和诊断,是当前研究热点。
当前国内外研究超声电机状态监测与故障诊断多停留在理论和方法层面,缺少实际的超声电机状态监测与故障诊断系统。特别地,现有的基于计算机的在线或离线状态监测与故障诊断系统,其成本高、便携与实时性较差。
发明内容
针对现有技术存在的缺陷,本发明提供一种超声电机嵌入式状态监测与故障诊断系统及方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种超声电机嵌入式状态监测与故障诊断系统,包括:信号采集单元、嵌入式模块和显示器;
所述信号采集单元包括模数转换电路ADC、微控制器MCU、静态随机存储器SRAM、USB接口电路、基准电压电路和时钟电路;
所述模数转换电路ADC的输入端与所述基准电压电路连接;所述模数转换电路ADC的输出端,通过所述静态随机存储器SRAM后,连接到所述微控制器MCU;所述微控制器MCU的控制端与所述模数转换电路ADC连接;所述微控制器MCU配置数字信号输入端口;
所述时钟电路分别与所述微控制器MCU和所述USB接口电路连接;
所述微控制器MCU的输出端连接到所述USB接口电路的输入端;所述USB接口电路的输出端连接到所述嵌入式模块的输入端;所述嵌入式模块的输出端连接到所述显示器的输入端。
优选的,所述模数转换电路ADC为8通道ADC同步采样转换电路。
优选的,所述嵌入式模块为嵌入式芯片。
优选的,所述信号采集单元的电路板采用四层PCB设计,第一层为信号层、第二层为地层、第三层为电源层、第四层为信号层;
其中:第二层地层为第一层和第三层提供参考平面和回流路径,第三层电源层作为第四层信号层的参考平面和回流路径,进而保证较好的信号和电源质量。
优选的,所述信号采集单元的电路板的高速信号线布线方式为:
模数转换电路ADC、静态随机存储器SRAM和USB接口电路的并口数据总线速率高,为减小信号传输时的相对延时,保证信号质量,PCB走线时做蛇形绕等长处理,且阻抗管控单端50Ω,进而防止特性阻抗不连续造成信号的反射;为减小信号之间的串扰,两相邻信号的间距大于3倍信号走线的宽度,进而减少90%以上的串扰;
USB信号需管控差分90Ω特性阻抗,且走线平行等长,避免与嵌入式模块通讯不稳定丢失传输数据;
在电路布局方面:
模数转换电路ADC的8路输入均为模拟信号,其相对数字信号抗干扰能力较弱,易受到干扰源的影响,电路板设计时将模数转换电路ADC独立放置在一块区域,远离其他信号与电源,保证其不受任何干扰源的影响,提高信号采样质量;
采集系统电路板上既有模拟信号又有数字信号,数字信号产生的噪声最终回流到数字地上去,为防止数字地的噪声干扰到模拟地,数字地和模拟地直接采用磁珠隔离,通过磁珠将噪声损耗掉。
本发明还提供一种超声电机嵌入式状态监测与故障诊断系统的方法,包括以下步骤:
步骤1,微控制器MCU控制模数转换电路ADC的采集速率及采集时机,配置静态随机存储器SRAM的逻辑地址;
步骤2,当微控制器MCU控制模数转换电路ADC开始进行数据采集时,采用以下方式进行数据采集:
步骤2.1,电机端的数据通过电机控制器中的编码器连接到信号采集单元,采样参数包括电机工作参数和环境参数;具体包括模拟信号和数字信号两部分;模拟信号通过模数转换电路ADC进行多路同步采样,在模数转换电路ADC按设定的采样频率进行采样时,通过基准电压电路提供模数转换基准,保证模数转换电路ADC采样的精度和稳定性;
步骤2.2,模数转换电路ADC采样到的监测数据存储到静态随机存储器SRAM中,作为采样数据的缓存空间;
而对于数字信号,直接通过微控制器MCU进行采集,并通过微控制器MCU内部存储空间进行缓存;
步骤3,微控制器MCU预设置采样发送时间间隔;
每当达到采样发送时间间隔时,微控制器MCU访问静态随机存储器SRAM和微控制器MCU内部存储空间,读取采样数据,并将需要发送的采样数据放置到USB接口电路的发送缓冲区中;
步骤4,嵌入式模块从USB接口电路的发送缓冲区读取到需要发送的采样数据,并将采样数据格式转码为csv格式,得到csv文件,并存储在csv目录文件内;
步骤5,嵌入式模块包含界面显示控制程序和算法程序,嵌入式模块通过高清多媒体接口HDMI与显示屏连接,在显示屏的显示控制界面展示采样信号的处理结果。
优选的,步骤2.1中,模拟信号包括:超声电机驱动电压、超声电机驱动电流、超声电机弧极反馈电压和环境温度;数字信号包括超声电机驱动频率和超声电机转速。
优选的,步骤4中,csv文件为1s采样数据构成的数据包文件,随超声电机运行,csv目录文件中的csv文件的数量不断增加,并以时间先后排序;
界面显示控制程序启动后,在初始界面预设电机为正常状态,并设有启动按钮,点击启动按钮,csv目录文件中的最新的csv文件传输到界面显示控制程序中,界面显示控制程序调用python算法,对csv文件内容进行处理,python算法的返回值为-2、-1、0、1、2、3、4、5,分别对应超声电机的八种状态模式,包括:电机未启动状态、电机不平稳状态、电机状态正常以及异常状态的五种故障模式,包括弹性体断齿故障模式、胶层脱开故障模式、陶瓷片裂纹故障模式、摩擦材料磨损故障模式和导线焊点脱落故障模式;返回值经界面显示控制程序的字典翻译,在界面显示控制程序展示电机的状态测试结果;
再次点击启动按钮,则界面显示控制程序读取新的csv文件;如此不断循环;
每次测试存为一个历史记录,在辅助界面中查看记录。
优选的,显示控制界面可以实时控制电机状态信息的读取和结果展示,通过用户图形界面GUI进行结果展示,以实现状态监测功能和故障诊断功能;
其中,显示控制界面具备控制读取采集数据包的功能和动态实时监测演示功能;当需要对电机状态进行监测时,操作显示控制界面,打开开始监测开关,此时信号通道打开,电机信号通过信号采集单元采样和信息转码后传输到嵌入式模块,嵌入式模块中已经烧录的信号处理算法将采样信号主要特征提取,并返回值到界面数据接口,通过选择算法展示电机此时的健康状态。
优选的,界面显示控制程序采用深度卷积神经网络,其中,深度卷积神经网络中添加深度可分离卷积以及门控机制;
深度卷积神经网络为:建立超声电机运行状态参数空间和健康状态信息空间的映射关系模型,模型输入为环境监测序列、超声电机控制序列以及超声电机监测序列,模型的输出为超声电机的故障类别,从而实现超声电机故障诊断;具体方法为:
深度卷积神经网络的卷积结构分为10层,前四层为卷积层和池化层,提取特征后的序列输入GRU层,并加入Dropout层减少过拟合发生,全连接层引入ReLU激活函数,使得网络层具有自归一化功能,输出层为多分类问题利用Softmax函数返回数据类别概率,实现信号类别诊断;
卷积神经网络组成为:
卷积神经网络由卷积层、池化层、全连接层和输出层组成,包含多层的叠加;
卷积层对高维输入数据进行降维处理并且提取原始数据的核心特征,其数学模型描述为:
式中:
是第k层中第i个神经元的输出值;
为神经元的输入值;
为卷积局部区域的神经元;
表示第k层卷积核参数,神经元共享此参数以实现权值共享;
是神经元偏置项;
Mi表示上一层中第i个神经元的卷积输出;
f()是非线性激活函数,通过加入非线性因素解决线性模型表达欠缺问题,从而提升结构的表征能力;
引入PRelu激活函数,其表达式如下:
式中:
是第l层中第i个神经元的激活值;
为上层神经元输入值;
ei表示斜率参数;
池化层利用局部相关性,下采样减少数据规模的同时保留有用信息,具备局部线性转换不变性,进而增强CNN的泛化能力,局部最大池化方式数学描述如下:
式中:
为第l层的最大池化神经元输出;
是第l-1层的第i个特征输入中第t个神经元;
W表示池化区域的宽度;
全连接层在多个前序处理之后,待处理的数据已变为抽象具体的特征,数据维度已可适应全连接处理;
全连接层前向传递表述如下:
其中:
是第l层第i个神经元输出;
为该层神经元输入;
是第l层第i个神经元与前层连接的权值矩阵;
是神经元偏置项;
激活函数f()的不同,用以区别全连接与输出层的表现形式,当激活函数f()为Softmax函数时,对应为输出层,Softmax函数应用在输出层解决多分类问题,其返回由分类数目的概率分布组成的数组,每个概率值表示当前数据分类的每一种概率情况,Softmax回归处理后的输出表达如下:
为样本实际输出,含义为:该样本的指数与所有样本指数和的比值;
e是指数运算,xij为全连接输出值;
n是样本所属类;
输出对应的损失函数采用分类交叉熵函数,交叉熵刻画的是实际输出与期望输出的距离,两者间距与交叉熵正相关,要使实际与真实值的更为接近即需使损失函数尽可能最小化;交叉熵损失函数表达式为:
式中:
m为批量样本数目;
n是样本所属类;
为样本实际输出;
yij为样本期望输出。
本发明提供的超声电机嵌入式状态监测与故障诊断系统及方法具有以下优点:
本发明设计并开发一种超声电机嵌入式状态监测与故障诊断系统,在降低监测和诊断设备成本的同时,因其集成度高、稳定性高的特性和小巧易便携的结构,有助于降低状态监测与故障诊断的工作量,提高故障诊断的准确率,实现超声电机集成化、微型化、高速化、实时化的故障诊断。
附图说明
图1为本发明提供的硬件系统框图和实体连接图;
图2为本发明提供的软件流程图;
图3为本发明提供的数据读取流程图;
图4为本发明提供的硬件连接逻辑图;
图5为本发明提供的界面控制软件功能逻辑图;
图6为本发明提供的运行状态参数空间与其健康状态信息空间的映射关系模型方案图;
图7为本发明提供的门控机制图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
随着计算机技术和微电子技术的日益进步,嵌入式技术在状态实时监测与故障诊断中是大势所趋。因此,本发明设计并开发一种超声电机嵌入式状态监测与故障诊断系统,在降低监测和诊断设备成本的同时,因其集成度高、稳定性高的特性和小巧易便携的结构,有助于降低状态监测与故障诊断的工作量,提高故障诊断的准确率,实现超声电机集成化、微型化、高速化、实时化的故障诊断。
下面对本发明提供的超声电机嵌入式状态监测与故障诊断系统及方法进行详细介绍:
(一)系统功能与技术指标
数据采集部分实现8路高速信号同步采集;采用嵌入式边缘计算模块NVIDIAJetson TX2进行嵌入式开发,在此芯片上集成了基于C++的界面控制程序,开发了Qt框架的用户界面,并设置对电机信号处理的python算法接口;最终结果将以便携式显示屏做用户界面展示。为了达到超声电机嵌入式测试的实时性能,需达到多通道的高速采样能力、实时处理和结果输出能力。开发过程同时兼顾成本和效率,开发系统的应实现以下主要技术指标:
(1)信号采集功能
采集并监测超声电机试验系统工作参数及环境参数测量,工作参数包括但不限于驱动电压、驱动频率、驱动电流、孤极反馈电压、转速、电机内部温度,环境参数包括环境温度、振动等。具备低通滤波过压保护功能
(2)实时处理功能
具备并行计算和高速信号实时处理能力,调用后台算法程序,实现状态监测数据处理与故障诊断需求。
(3)界面显示功能
采用显示屏动态实时显示故障预警和诊断结果。
(二)平台系统架构
超声电机嵌入式状态监测与故障诊断系统由采集电路、嵌入式模块、显示器构成。高频数据采集系统需对超声电机的多种工作参数和环境参数进行采集,是系统运行的基础。采集系统包括模数转换电路ADC(Analog to Digital Converter,ADC)、微控制器MCU(Microcontroller Unite,MCU)、静态随机存储器SRAM(Static Random-Access Memory,SRAM)、USB接口电路、基准电压、时钟电路。平台整体硬件连接关系如图1所示。
采集的电机信号包括模拟信号和数字信号两部分。模拟信号包括超声电机驱动电压、驱动电流、弧极反馈电压、环境温度等,通过ADC模块可多路同步采样,其中采样频率还可根据实际需求进行调整。为保证ADC采样的精度和稳定性,设计基准电压电路,提供模数转换基准。正常情况下,ADC芯片采集到数据后首先发送到MCU芯片缓存,但由于8通道ADC同时采样时数据量比较大,MCU内置的存储空间较小,缓存的数据不能及时发送出去,此时可能导致采样数据被覆盖,造成数据丢失。开发过程中采用SRAM存储器对MCU进行扩展,作为采样数据的缓存空间,避免数据丢失的问题。ADC采样到的数据首先存储到SRAM芯片中,采样1s时长,MCU将SRAM里的采样数据统一读取和发送。
采样信号中的数字信号包括驱动频率和转速,通过MCU直接进行采集。数字信号占用存储空间较小,直接使用MCU内部存储。由于MCU芯片只支持USB全速模式,USB接口速率仅有12Mbps,不能满足大数据量实时传输的技术要求,本发明设计USB转接电路,此电路数据传输速率可达到480Mbps,满足设计需求。
数据采集系统开发过程中考虑到模拟信号容易受到电源噪声或时钟干扰,从而影响数据采集精度。在电路板设计时,将模拟电源和数字电源、数字地和模拟地进行区分,相互之间通过磁珠进行隔离,减少数字信号噪声对模拟信号的干扰。
嵌入式开发基于NVIDIA(英伟达)的JetsonTX2嵌入式板卡。此型号的嵌入式板卡主要用于AI计算设备的开发,模块配有NVIDIA Pascal GPU、高达8GB内存、59.7GB/s显存带宽,硬件条件支持界面开发和程序、算法集成功能。软件系统支持Linux系统。在同等产品中性能较佳。
为与Jetson TX2嵌入式板卡相匹配,显示屏采用SmartFLY HDMI 10.1寸电容触摸屏显示器,支持Ubuntu系统。显示屏比例为16:9,分辨率1920×1280,且画面无拉伸。
超声电机嵌入式演示验证平台的硬件构成中,采集卡为自研板卡,在以下内容中会详细介绍采集系统的硬件设计和软件设计;作数据存储和算法处理功能的嵌入式开发模块,连同具有触屏和显示功能的显示屏,集成于界面控制算法,在以下内容中会详细介绍。
(三)采集系统硬件设计
采集系统集成于一个采集板卡,由模数转换电路ADC、微控制器MCU、存储器SRAM、USB接口芯片、LED状态指示灯、通道控制开关等构成。为实现数据采集功能并达到技术指标,以下分别介绍硬件芯片或组件的配置和硬件设计。
(3.1)模数转换电路
超声电机的驱动电压、驱动电流、弧极反馈电压、环境温度等信号均为连续的模拟信号,其信号采集需使用模数转换芯片进行采样。兼顾考虑数据采样通道不低于8通道、采样率不低于500kHZ、分辨率不小于16bit、具备低通滤波过压保护功能的技术要求,开发采用亚德诺半导体(ADI)公司设计的高精高速的ADC芯片AD7606B,满足开发要求。
(3.2)微控制器MCU模块
ADC芯片所输出的并行数据无法直接传输到嵌入式芯片(英伟达NVIDIA JetsonTX2),需要通过MCU芯片首先进行处理再通过MCU外设串行接口(RS232/USB)接到嵌入式芯片。
MCU采用意法半导体(ST)的STM32F427IGT6芯片,其为M4核32位高性能MCU,主频高达180MHZ,具有140个I/O,1024kB Flash,256kB RAM,丰富的外设接口如I2C总线,SPI串行外设接口,UART通用异步收发传输器,CAN总线,ADC,I2S音频总线等。内置90MHZ的内存控制器和32位并行接口,支持Compact Flash,SRAM,PSRAM,NOR,NAND和SDRAM存储器扩展。集成USBFullSpeed/OTG控制器,具有片上ULPI的USB2.0高速控制器。同时具有FIFO和突发支持的16路DMA控制器。
(3.3)异步静态随机存取存储器
静态随机存取存储器(Static Random-Access Memory,SRAM)是随机存取存储器的一种,主要用于芯片上的高速缓存。由于MCU仅内置256KB容量的RAM,但因为ADC数据采集量比较大,256KB的RAM不能满足设计的需求,所以MCU外接一颗芯城半导体(ISSI)的异步SRAM-IS61WV102416ALL作为ADC数据的缓存,容量为16Mb(1Mx16),其地址线有20根,数据线16根。
(3.4)USB接口芯片
为实现MCU的高速模式,MCU外接一款微芯半导体设计的USBTransceiver IC--USB3300。其内部集成符合ULPI规范的控制器,可以和任何支持ULPI协议的芯片连接,实现高速USB口的通讯。
(3.5)LED状态指示灯
信号采集板具有3颗LED状态指示灯。LED2为电源指示灯,当打开电源开关时,LED2将显示绿灯;LED1为MCU正常工作指示灯,MCU正常工作时,LED1将显示绿灯;LDE3为采样状态指示灯,当ADC进行数据采样时,LED3将显示绿灯。
(3.6)开关控制
整体方案由USB接口供电,当设备接入USB接口后,打开电源开关,此时数据采集系统将开始运行,数据采集等待状态。
(3.7)电路板设计
(3.7.1)PCB叠构
数据采集系统电路板采用4层PCB设计,第一层为信号层、第二层为地层、第三层为电源层、第四层为信号层。此PCB叠构第二层地层可为第一层和第三层提供参考平面和回流路径,第三层电源层又可作为第四层信号层的参考平面和回流路径,可以保证较好的信号和电源质量。
(3.7.2)元器件布局
电源信号的质量会影响采集信号的质量,大的电源纹波噪声会导致数据采集质量变差,保证电源信号的稳定尤为重要。由于电容的去耦半径有限,故而电容需就近摆放到芯片电源引脚位置,此时电容不仅有去耦滤波作用,还可以更快的响应芯片瞬间对电流的需求。晶振的时钟信号频率较高,是较强的噪声干扰源,其摆放时需要远离高速信号线等敏感的信号走线,防止被时钟信号干扰。
(3.7.3)高速信号线布线
ADC芯片、SRAM芯片、USB接口芯片的并口数据总线速率相对较高,为减小信号传输时的相对延时,保证信号质量,PCB走线时做蛇形绕等长处理,且阻抗管控单端50Ω,防止特性阻抗不连续造成信号的反射。为减小信号之间的串扰,两相邻信号的间距大于3倍信号走线的宽度,可以减少90%以上的串扰。
USB信号为差分信号,其在高速模式下传输速率可达480Mbps。根据USB2.0协议,在PCB设计时,USB信号需管控差分90Ω特性阻抗,且走线平行等长。避免与嵌入式芯片通讯不稳定丢失传输数据。
(3.7.4)模拟信号处理
ADC芯片的8路输入均为模拟信号,其相对数字信号抗干扰能力较弱,易受到干扰源的影响。电路板设计时将模拟输入信号独立放置在一块区域,远离其他信号与电源,保证其不受任何干扰源的影响,提高信号采样质量。采集系统电路板上既有模拟信号又有数字信号,数字信号产生的噪声最终会回流到数字地上去,为防止数字地的噪声干扰到模拟地,数字地和模拟地直接用磁珠进行隔离,通过磁珠将噪声损耗掉。
(四)采集系统软件集成
(4.1)数据采集总流程
本发明需要实现高速数据采集、传输和存储功能,数据采集和发送由微控制器负责,采用C语言编写。数据接收和存储由TX2负责,采用QT语言编写。
微控制器采用STM32F427,主要功能包括:控制模数转换电路的采集速率及采集时机,配置外部存储芯片逻辑地址,数据批量读取和发送,数字信号采集。模数转换芯片AD7606B与外部存储芯片SRAM直接连接,采样数据直接存储到外部SRAM中,微控制器通过直接存储器访问(Directory Memory Accress,DMA))通道读取8通道采样结果,将其缓存到双路缓冲FIFO(先进先出First in First out.FIFO)控制器中并将当前要发送的数据放置到通用串行总线(Universal Serial Bus.USB)发送缓冲区中。
TX2软件通过读取对应的用户接口设备(Human Interface Device,HID)数据,将缓存在微控制器USB缓存区块中的数据读取到上位机,并将数据进行格式转码,将数据存储为CSV格式。
(4.2)MCU模块搭建
为便捷的开发嵌入式程序,使用意法半导体公司开发的初始化代码生成软件(STM32CubeMx)分配MCU芯片各管脚及功能模块,配置各模块的基本功能信息,使用STM32CubeMx可以更直观的分配MCU内部的资源。
(4.3)数据读取及格式转换
Ubuntu端HID数据读取流程如下:
采用标准HID API接口,根据需要可以使用Qt生成操作界面,通过按钮的点击控制Ubuntu上Adc数据的接收的起始和终止。每次数据接收均重新生成新的文件不在原有文件的基础上插入后续接收的数据。
(五)界面显示与设计
为便于实时控制电机状态信息的读取和结果展示,超声电机嵌入式状态监测与故障诊断系统最终以用户图形界面GUI(Graphical User Interface,简称GUI)进行结果展示,以实现状态监测功能和故障诊断功能。显示界面具备控制读取采集数据包的功能,也可以扩展为动态实时监测演示功能;若需要对电机状态进行监测时,打开“开始监测”开关,此时信号通道打开,电机信号通过采样接口采样和信息转码后传输到TX2嵌入式芯片中,芯片中已经烧录的信号处理算法可以将信号主要特征(多个主要参数)提取出来,并返回值到界面数据接口,通过选择算法展示电机此时的健康状态。
(5.1)硬件逻辑
图4为界面实现的硬件连接逻辑图。电机端的数据通过电机控制器中的编码器连接到采样电路,采样电路通过转码将采集到的二进制信号转为数据包文件,通过网口连接的网线传递给TX2嵌入式芯片中,TX2嵌入式芯片内含界面显示控制程序和算法程序,作处理数据的功能。TX2通过高清多媒体接口HDMI(High Definition Multimedia Interface,HDMI)与显示屏连接,在显示控制界面展示采样信号的处理结果。
(5.2)软件设计
从电机到TX2芯片的数据传输都是通过硬件实现的。软件设计的主要工作是关于界面控制程序的开发和调用算法程序的接口。
(5.3)功能逻辑
界面控制软件功能逻辑如图5所示,.csv文件目录中的文件是1s采样数据构成的数据包文件,随电机运行,目录中的数据包在不断增加,并以时间先后排序。最终显示状态都是通过程序控制,读取当前测试目录中最新的数据包文件。
通过采样电路形成的数据包文件存储于TX2的测试目录中,界面控制程序启动后,在初始界面预设电机为正常状态,并设有启动按钮,点击启动按钮,测试目录中的数据包将传输到控制程序中,此时控制程序调用python算法,对数据包内容进行处理,python算法的返回值为-2、-1、0、1、2、3、4、5,分别对应电机的八种状态模式(其中-2、-1为调试测试模式,非最终显示状态)。返回值经控制程序的字典翻译,在控制程序界面展示电机的状态测试结果。
再次点击启动按钮,则新的数据包将被读取。每次测试都将存为一个历史记录,可以在辅助界面中查看记录。
(5.4)数据调用关系
控制程序主要以基于C++和的Qt搭建,通过调用python算法,实现采样数据的算法处理。调用python的库实现方式为调用库libpython,生成python的库和路径并添加python的头文件和函数。
(5.5)界面功能
为实现电机状态精简化显示,主界面设计为极简化展示,主要展示测试采样信号经TX2的嵌入式软件信号处理后反馈出的电机状态。
暂定电机功能状态为八个状态:电机未启动、电机不平稳、电机状态正常以及异常状态的五种故障模式——弹性体断齿、胶层脱开、陶瓷片裂纹、摩擦材料磨损、导线焊点脱落(其中电机未启动和电机不平稳为调试状态)。
(六)基于映射关系模型的故障诊断方法
对应数据处理环节,部署于TX2嵌入式系统中,以供调用。
通过实物模拟不同类型的超声电机故障,采集故障数据,再结合正常运行状态下的数据,训练深度神经网络模型,建立运行状态参数空间与健康状态信息空间的映射关系模型。
针对超声电机监测参数信息量大,传统故障诊断方法无法直接通过原始运行信号建立健康状态的相关关系,状态信息无法充分发掘的问题,提出一种深度神经网络,建立超声电机运行状态参数空间和健康状态信息空间的映射关系模型。该方法可以建立环境监测信号、控制信号序列、监测信号和健康状态信息空间的映射关系,实现超声电机故障诊断。经测试,故障诊断准确率达到90%以上。
如图6所示,模型输入为环境监测序列(环境温度序列、振动序列)、超声电机控制序列(电压序列、电流序列)以及超声电机监测序列(孤极反馈电压、电机转速序列、电机温度序列),模型的输出为超声电机的故障类别。上述数据通过超声电机故障注入系统实现。故障注入系统是在原有超声电机试验系统的基础上,将故障模拟件替换正常件得到。故障模拟包括不同厚度的摩擦材料、含有剥落点的摩擦材料、不同破损程度的压电陶瓷等。
采用的模型结构如图6所示,卷积结构分为10层,前四层为卷积层和池化层,提取特征后的序列输入GRU层,并加入Dropout层减少过拟合发生。全连接层引入ReLU激活函数,使得网络层具有自归一化功能,输出层为多分类问题利用Softmax函数返回数据类别概率,实现信号类别诊断。
a)卷积神经网络组成
典型的CNN网络由卷积层、池化层、全连接层和输出层组成,包含多层的叠加。
卷积层对高维输入数据进行降维处理并且提取原始数据的核心特征,其数学模型可以描述为:
式中:
是第k层中第i个神经元的输出值;
为神经元的输入值;
为卷积局部区域的神经元;
表示第k层卷积核参数,神经元共享此参数以实现权值共享;
是神经元偏置项;
Mi表示上一层中第i个神经元的卷积输出;
f()是非线性激活函数。通过加入非线性因素解决线性模型表达欠缺问题,从而提升结构的表征能力。文中引入PRelu激活函数,其表达式如下:
式中:
是第l层中第i个神经元的激活值;
为上层神经元输入值;
ei表示斜率参数。PRelu为带参数优化Relu的一种方法,训练动态更新ei以解决Relu在x<0时梯度为零导致的神经元坏死,当ei=0时即为Relu激活函数。
池化层利用局部相关性,下采样减少数据规模的同时保留了有用信息,具备局部线性转换不变性,进而增强CNN的泛化能力,常用局部最大池化方式进行,其数学描述如下:
式中:
为第l层的最大池化神经元输出;
是第l-1层的第i个特征输入中第t个神经元;
W表示池化区域的宽度。
全连接层在多个前序处理之后,待处理的数据已变为抽象具体的特征,数据维度已可适应全连接处理;输出层通过分类函数返回数据特征的概率,判别数据类别信息,得到网络的学习结果。
全连接层前向传递表述如下:
其中:
是第l层第i个神经元输出;
为该层神经元输入;
是第l层第i个神经元与前层连接的权值矩阵;
是神经元偏置项;
激活函数f()的不同,用以区别全连接与输出层的表现形式,当f()为Softmax函数时,对应为输出层,Softmax函数应用在输出层解决多分类问题,其返回由分类数目的概率分布组成的数组,每个概率值表示当前数据分类的每一种概率情况,Softmax回归处理后的输出表达如下:
为样本实际输出,含义为:该样本的指数与所有样本指数和的比值;
e是指数运算,xij为全连接输出值;
n是样本所属类;
输出对应的损失函数采用分类交叉熵函数,交叉熵刻画的是实际输出与期望输出的距离,两者间距与交叉熵正相关,要使实际与真实值的更为接近即需使损失函数尽可能最小化。交叉熵损失函数表达式为:
式中:
m为批量样本数目;
n是样本所属类;
为样本实际输出;
yij为样本期望输出。
b)深度可分离卷积
深度可分离卷积(Depthwise Separable Convolution)用以优化常规卷积模型,减少权值参数,加快模型运算。对输入数据通道独立执行空间卷积,连接后再逐点卷积,用以独立的通道特征学习。对于输入的振动信号而言,通道信号特征相对独立,可分离卷积可使参数轻量化,从而优化模型速度,即使用更少的数据学习到更好的特征表示,在序列卷积之中视为更有效的方法。
设常规卷积层的输入特征图为M,输入大小为C×H×W,其中,C为特征图通道数目,H与W分别表示特征图的高与宽,由C×K×K×N大小的卷积核F在通道上线性组合,卷积输出大小为N×H′×W′的新特征图P,其中K为卷积核大小,N为输出新特征图通道数目。卷积过程可以表述为:
PN,H',W'为卷积操作计算结果;
FC,i,j,n为第n个通道的卷积核MC,H'+i-1,W'+j-1包含垂直和水平滑动运算,滑动量分别为H′和W′;
一次卷积运算的乘法次数(卷积核大小)为C×K×K,有N个卷积核并且每个卷积核分别垂直和水平滑动H′和W′次,因此由卷积过程,可得到训练参数量η1为:
η1=C×K×K×N×H'×W'
区别于常规卷积,本发明提供的深度可分离卷积,包括深度卷积和逐点卷积两步。使得每个卷积核对应单一特征图,可分离卷积操作表述为:
FC,i,j为单个通道的卷积核
⊙表示可分离卷积操作符,在分离卷积后在N个通道上由1×1逐点卷积。
其中,深度卷积参数量η21=C×K×K×H'×W',逐点卷积参数量η22=C×H'×W'×N
因此,参数量η2为:
η2=η21+η22
对比深度可分离卷积与常规卷积训练参数量:
可见深度可分离卷积参数明显轻量化,当卷积核尺寸较大时,训练参数优化明显,卷积模型可提升训练速度。
c)门控机制
加入门控机制(Gate Mechanism)是为了更好地捕捉时间序列中时间步距离的依赖关系。它通过可以学习的门来控制信息的流动,门控机制控制输入、记忆,在当前时间步做出预测。门控循环单元(Gated Recurrent Unit)有两个门,一个重置门(Reset Gate)和一个更新门(Update Gate),其结构如图7所示。其前向传递可以描述为:
zt=σ(Wxzxt+Whzht-1+bz)
rt=σ(Wxrxt+Whrht-1+br)
yt=σ(Wo·ht)
式中:
zt与rt表示更新门与重置门;
与ht分别为时间步t时的候选隐藏状态与隐藏状态;
ht-1为时间步t-1时的隐藏状态;
Wo为t时刻系统隐层状态向量ht的权重参数;
xt为给定时间步t的数据输入;
yt为输出层输出;
Wxz,Wxr,分别表示输入层与更新门,重置门和候选隐藏状态的权值矩阵;
Whz,Whr,表示循环连接的权值矩阵;
bz,br,别为对应的偏置矢量;
σ为sigmoid函数;
tanh为双曲正切函数;
⊙为点积。
门控的意义在于重置门决定了如何将当前输入信息与前序的记忆相结合,用于控制忽略前序时刻的状态信息的程度,重置门的值越小则说明忽略程度越深。更新门定义了前面记忆保存到当前时间步的量,用于控制前序时刻的状态信息被带入到当前状态中的程度,更新门的值的大小影响着前序时刻的状态信息带入的多少。两个门控向量决定了门控循环单元的输出信息。门控机制的特点在于,能够保存长期序列中的信息,且不会随时间而消失,也不会因为与预测不相关而移除。
(七)设计总结
针对本发明技术要求,进行符合性对照。具体内容见表1。
表1符合性对照表
本发明提供的一种超声电机嵌入式状态监测与故障诊断系统及方法,在降低监测和诊断设备成本的同时,因其集成度高、稳定性高的特性和小巧易便携的结构,有助于降低状态监测与故障诊断的工作量,提高故障诊断的准确率,实现超声电机集成化、微型化、高速化、实时化的故障诊断。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (7)
1.一种超声电机嵌入式状态监测与故障诊断系统,其特征在于,包括:信号采集单元、嵌入式模块和显示器;
所述信号采集单元包括模数转换电路ADC、微控制器MCU、静态随机存储器SRAM、USB接口电路、基准电压电路和时钟电路;
所述模数转换电路ADC的输入端与所述基准电压电路连接;所述模数转换电路ADC的输出端,通过所述静态随机存储器SRAM后,连接到所述微控制器MCU;所述微控制器MCU的控制端与所述模数转换电路ADC连接;所述微控制器MCU配置数字信号输入端口;
所述时钟电路分别与所述微控制器MCU和所述USB接口电路连接;
所述微控制器MCU的输出端连接到所述USB接口电路的输入端;所述USB接口电路的输出端连接到所述嵌入式模块的输入端;所述嵌入式模块的输出端连接到所述显示器的输入端;
基于所述的超声电机嵌入式状态监测与故障诊断系统的方法,包括以下步骤:
步骤1,微控制器MCU控制模数转换电路ADC的采集速率及采集时机,配置静态随机存储器SRAM的逻辑地址;
步骤2,当微控制器MCU控制模数转换电路ADC开始进行数据采集时,采用以下方式进行数据采集:
步骤2.1,电机端的数据通过电机控制器中的编码器连接到信号采集单元,采样参数包括电机工作参数和环境参数;具体包括模拟信号和数字信号两部分;模拟信号通过模数转换电路ADC进行多路同步采样,在模数转换电路ADC按设定的采样频率进行采样时,通过基准电压电路提供模数转换基准,保证模数转换电路ADC采样的精度和稳定性;
步骤2.2,模数转换电路ADC采样到的监测数据存储到静态随机存储器SRAM中,作为采样数据的缓存空间;
而对于数字信号,直接通过微控制器MCU进行采集,并通过微控制器MCU内部存储空间进行缓存;
步骤3,微控制器MCU预设置采样发送时间间隔;
每当达到采样发送时间间隔时,微控制器MCU访问静态随机存储器SRAM和微控制器MCU内部存储空间,读取采样数据,并将需要发送的采样数据放置到USB接口电路的发送缓冲区中;
步骤4,嵌入式模块从USB接口电路的发送缓冲区读取到需要发送的采样数据,并将采样数据格式转码为csv格式,得到csv文件,并存储在csv目录文件内;
步骤5,嵌入式模块包含界面显示控制程序和算法程序,嵌入式模块通过高清多媒体接口HDMI与显示屏连接,在显示屏的显示控制界面展示采样信号的处理结果;
步骤4中,csv文件为1s采样数据构成的数据包文件,随超声电机运行,csv目录文件中的csv文件的数量不断增加,并以时间先后排序;
界面显示控制程序启动后,在初始界面预设电机为正常状态,并设有启动按钮,点击启动按钮,csv目录文件中的最新的csv文件传输到界面显示控制程序中,界面显示控制程序调用python算法,对csv文件内容进行处理,python算法的返回值为-2、-1、0、1、2、3、4、5,分别对应超声电机的八种状态模式,包括:电机未启动状态、电机不平稳状态、电机状态正常以及异常状态的五种故障模式,包括弹性体断齿故障模式、胶层脱开故障模式、陶瓷片裂纹故障模式、摩擦材料磨损故障模式和导线焊点脱落故障模式;返回值经界面显示控制程序的字典翻译,在界面显示控制程序展示电机的状态测试结果;
再次点击启动按钮,则界面显示控制程序读取新的csv文件;如此不断循环;
每次测试存为一个历史记录,在辅助界面中查看记录;
界面显示控制程序采用深度卷积神经网络,其中,深度卷积神经网络中添加深度可分离卷积以及门控机制;
深度卷积神经网络为:建立超声电机运行状态参数空间和健康状态信息空间的映射关系模型,模型输入为环境监测序列、超声电机控制序列以及超声电机监测序列,模型的输出为超声电机的故障类别,从而实现超声电机故障诊断;具体方法为:
深度卷积神经网络的卷积结构分为10层,前四层为卷积层和池化层,提取特征后的序列输入GRU层,并加入Dropout层减少过拟合发生,全连接层引入ReLU激活函数,使得网络层具有自归一化功能,输出层为多分类问题利用Softmax函数返回数据类别概率,实现信号类别诊断;
卷积神经网络组成为:
卷积神经网络由卷积层、池化层、全连接层和输出层组成,包含多层的叠加;
卷积层对高维输入数据进行降维处理并且提取原始数据的核心特征,其数学模型描述为:
式中:
是第k层中第i个神经元的输出值;
为神经元的输入值;
为卷积局部区域的神经元;
表示第k层卷积核参数,神经元共享此参数以实现权值共享;
是神经元偏置项;
Mi表示上一层中第i个神经元的卷积输出;
f()是非线性激活函数,通过加入非线性因素解决线性模型表达欠缺问题,从而提升结构的表征能力;
引入PRelu激活函数,其表达式如下:
式中:
是第l层中第i个神经元的激活值;
为上层神经元输入值;
ei表示斜率参数;
池化层利用局部相关性,下采样减少数据规模的同时保留有用信息,具备局部线性转换不变性,进而增强CNN的泛化能力,局部最大池化方式数学描述如下:
式中:
为第l层的最大池化神经元输出;
是第l-1层的第i个特征输入中第t个神经元;
W表示池化区域的宽度;
全连接层在多个前序处理之后,待处理的数据已变为抽象具体的特征,数据维度已可适应全连接处理;
全连接层前向传递表述如下:
其中:
是第l层第i个神经元输出;
为该层神经元输入;
是第l层第i个神经元与前层连接的权值矩阵;
是神经元偏置项;
激活函数f()的不同,用以区别全连接与输出层的表现形式,当激活函数f()为Softmax函数时,对应为输出层,Softmax函数应用在输出层解决多分类问题,其返回由分类数目的概率分布组成的数组,每个概率值表示当前数据分类的每一种概率情况,Softmax回归处理后的输出表达如下:
为样本实际输出,含义为:该样本的指数与所有样本指数和的比值;
e是指数运算,xij为全连接输出值;
n是样本所属类;
输出对应的损失函数采用分类交叉熵函数,交叉熵刻画的是实际输出与期望输出的距离,两者间距与交叉熵正相关,要使实际与真实值的更为接近即需使损失函数尽可能最小化;交叉熵损失函数表达式为:
式中:
m为批量样本数目;
n是样本所属类;
为样本实际输出;
yij为样本期望输出。
2.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,所述模数转换电路ADC为8通道ADC同步采样转换电路。
3.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,所述嵌入式模块为嵌入式芯片。
4.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,所述信号采集单元的电路板采用四层PCB设计,第一层为信号层、第二层为地层、第三层为电源层、第四层为信号层;
其中:第二层地层为第一层和第三层提供参考平面和回流路径,第三层电源层作为第四层信号层的参考平面和回流路径,进而保证较好的信号和电源质量。
5.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,所述信号采集单元的电路板的高速信号线布线方式为:
模数转换电路ADC、静态随机存储器SRAM和USB接口电路的并口数据总线速率高,为减小信号传输时的相对延时,保证信号质量,PCB走线时做蛇形绕等长处理,且阻抗管控单端50Ω,进而防止特性阻抗不连续造成信号的反射;为减小信号之间的串扰,两相邻信号的间距大于3倍信号走线的宽度,进而减少90%以上的串扰;
USB信号需管控差分90Ω特性阻抗,且走线平行等长,避免与嵌入式模块通讯不稳定丢失传输数据;
在电路布局方面:
模数转换电路ADC的8路输入均为模拟信号,其相对数字信号抗干扰能力较弱,易受到干扰源的影响,电路板设计时将模数转换电路ADC独立放置在一块区域,远离其他信号与电源,保证其不受任何干扰源的影响,提高信号采样质量;
采集系统电路板上既有模拟信号又有数字信号,数字信号产生的噪声最终回流到数字地上去,为防止数字地的噪声干扰到模拟地,数字地和模拟地直接采用磁珠隔离,通过磁珠将噪声损耗掉。
6.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,步骤2.1中,模拟信号包括:超声电机驱动电压、超声电机驱动电流、超声电机弧极反馈电压和环境温度;数字信号包括超声电机驱动频率和超声电机转速。
7.根据权利要求1所述的超声电机嵌入式状态监测与故障诊断系统,其特征在于,显示控制界面可以实时控制电机状态信息的读取和结果展示,通过用户图形界面GUI进行结果展示,以实现状态监测功能和故障诊断功能;
其中,显示控制界面具备控制读取采集数据包的功能和动态实时监测演示功能;当需要对电机状态进行监测时,操作显示控制界面,打开开始监测开关,此时信号通道打开,电机信号通过信号采集单元采样和信息转码后传输到嵌入式模块,嵌入式模块中已经烧录的信号处理算法将采样信号主要特征提取,并返回值到界面数据接口,通过选择算法展示电机此时的健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753288.XA CN113359577B (zh) | 2021-07-02 | 2021-07-02 | 超声电机嵌入式状态监测与故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753288.XA CN113359577B (zh) | 2021-07-02 | 2021-07-02 | 超声电机嵌入式状态监测与故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359577A CN113359577A (zh) | 2021-09-07 |
CN113359577B true CN113359577B (zh) | 2023-08-11 |
Family
ID=77538185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753288.XA Active CN113359577B (zh) | 2021-07-02 | 2021-07-02 | 超声电机嵌入式状态监测与故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359577B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115426318B (zh) * | 2022-11-04 | 2023-03-24 | 深圳市湘凡科技有限公司 | 优化数据传输方法及相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10116122A (ja) * | 1996-10-11 | 1998-05-06 | Aisan Ind Co Ltd | 粉体フィーダの制御装置及び粉体フィーダ |
US5938075A (en) * | 1996-05-17 | 1999-08-17 | Aisan Kogyo Kabushiki Kaisha | Powder feeder and method for driving powder feeder |
CN201724826U (zh) * | 2010-06-17 | 2011-01-26 | 深圳市元征软件开发有限公司 | 四轮定位仪探测装置 |
JP2011221596A (ja) * | 2010-04-05 | 2011-11-04 | Taiheiyo Cement Corp | 位置決め装置及び位置決めステージの位置決め方法 |
CN102722136A (zh) * | 2012-06-29 | 2012-10-10 | 沈阳工业大学 | 基于神经网络的超声波电机xy工作平台控制装置及方法 |
CN103868694A (zh) * | 2014-03-26 | 2014-06-18 | 东南大学 | 一种嵌入式变转速轴承故障诊断装置 |
WO2016165391A1 (zh) * | 2015-04-16 | 2016-10-20 | 华南理工大学 | 一种视觉设备作为传感器的并联平台跟踪控制装置与方法 |
CN110096005A (zh) * | 2019-04-03 | 2019-08-06 | 中国人民解放军国防科技大学 | 一种超声电机多参量快速测控装置及测控方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6423099B1 (en) * | 2000-05-22 | 2002-07-23 | Motion Control, Inc. | Safety clutch for a prosthetic grip |
US9513620B2 (en) * | 2014-03-24 | 2016-12-06 | Vital Biomedical Technologies Inc. | Ultrasonic motor control system and method |
-
2021
- 2021-07-02 CN CN202110753288.XA patent/CN113359577B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5938075A (en) * | 1996-05-17 | 1999-08-17 | Aisan Kogyo Kabushiki Kaisha | Powder feeder and method for driving powder feeder |
JPH10116122A (ja) * | 1996-10-11 | 1998-05-06 | Aisan Ind Co Ltd | 粉体フィーダの制御装置及び粉体フィーダ |
JP2011221596A (ja) * | 2010-04-05 | 2011-11-04 | Taiheiyo Cement Corp | 位置決め装置及び位置決めステージの位置決め方法 |
CN201724826U (zh) * | 2010-06-17 | 2011-01-26 | 深圳市元征软件开发有限公司 | 四轮定位仪探测装置 |
CN102722136A (zh) * | 2012-06-29 | 2012-10-10 | 沈阳工业大学 | 基于神经网络的超声波电机xy工作平台控制装置及方法 |
CN103868694A (zh) * | 2014-03-26 | 2014-06-18 | 东南大学 | 一种嵌入式变转速轴承故障诊断装置 |
WO2016165391A1 (zh) * | 2015-04-16 | 2016-10-20 | 华南理工大学 | 一种视觉设备作为传感器的并联平台跟踪控制装置与方法 |
CN110096005A (zh) * | 2019-04-03 | 2019-08-06 | 中国人民解放军国防科技大学 | 一种超声电机多参量快速测控装置及测控方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Non-Patent Citations (1)
Title |
---|
超声电机数据采集系统软件设计与实现;王晓丹;《现代电子技术》;第42卷(第6期);第105-118、113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359577A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
EP3511831A1 (en) | System and method for remote system recovery | |
CN110929807A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
WO2021139317A1 (zh) | 语料数据的数据特征增强方法、装置、计算机设备及存储介质 | |
CN113359577B (zh) | 超声电机嵌入式状态监测与故障诊断系统及方法 | |
Liu et al. | FPGA-NHAP: A general FPGA-based neuromorphic hardware acceleration platform with high speed and low power | |
Yin et al. | A skeleton-based action recognition system for medical condition detection | |
CN110515454B (zh) | 一种基于内存计算的神经网络架构电子皮肤 | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN116306408B (zh) | 片上系统soc的验证环境确定方法、装置、设备和存储介质 | |
CN108388918A (zh) | 具有结构保持特性的数据特征选择方法 | |
CN109117352A (zh) | 服务器性能预测方法和装置 | |
CN107704417A (zh) | 与被测设备通信的方法及其通信系统 | |
CN115455891A (zh) | 一种模拟集成电路前仿过程的预测寄生参数方法及系统 | |
CN113189900B (zh) | 一种具有转换功能的移动终端数据线、控制系统及方法 | |
CN112860531B (zh) | 基于深度异构图神经网络的区块链广泛共识性能评测方法 | |
CN101539778A (zh) | 一种pcr仪的通用基础控制平台 | |
Paulin et al. | Vau da muntanialas: Energy-efficient multi-die scalable acceleration of RNN inference | |
CN113866638A (zh) | 一种电池参数推测方法、装置、设备及介质 | |
Xu et al. | MMBench: Benchmarking End-to-End Multi-modal DNNs and Understanding Their Hardware-Software Implications | |
Lu et al. | FPGA Design and Implementation of ECG Classification Neural Network | |
Hu | [Retracted] Painting Color Editing System Based on Virtual Reality Sensor Technology | |
Li et al. | Principal Properties Attention Matching for Partial Domain Adaptation in Fault Diagnosis | |
CN114238004B (zh) | 互联电路的数据传输正确性检查方法及装置、电子设备 | |
CN118035811A (zh) | 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质 |
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 |