CN115049027A - 基于神经网络识别电机良品的方法及装置 - Google Patents

Abstract

本申请提供了一种基于神经网络识别电机良品的方法及装置。该方法包括：获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。本申请解决了现有技术中电机良品识别不准确的问题。

Description

基于神经网络识别电机良品的方法及装置

技术领域

本申请涉及人工智能领域，具体而言，涉及一种基于神经网络识别电机良品的方法及装置。

背景技术

微电机主要应用在油轿车以及新能源汽车的雨刷调节、反光镜位置调节、玻璃门上下调节、座椅调节等领域。

当前微电机的需求量逐步增大，以往的生产模式大多为半自动生产模式，这种半自动生产模式大多采用人工对微电机的磁瓦进行推力测试，从而踢出微电机中的不良品，但这种生产模式人工成本高、生产效率低。

为了提高生产效率，相关技术又提出了一种利用电机磁瓦推力测试装置来判断电机是否为良品的方法。这种方法，是通过电机磁瓦推力测试装置的压力头运动预先设定的距离来控制施力的大小，并进一步根据受力检测元件检测出的受力的大小，来识别微电机是否为良品。但是，相关技术中的这种方法，针对同种类型的微电机，压力头运动的距离都是固定的，并没有考虑机械运动中存在的误差，因此，还是存在电机良品识别不准确的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供了一种基于神经网络识别电机良品的方法及装置，能够高效且准确地识别出电机生产过程中的不良品。

根据本申请实施例的一个方面，提供了一种基于神经网络识别电机良品的方法，所述方法包括：获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

根据本申请实施例的另一个方面，提供了一种基于神经网络识别电机良品的装置，包括：数据获取模块，用于获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；特征提取模块，用于从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；识别模块，基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

在本申请实施例中，首先，获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；接着，从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；最后，基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。通过上述方法，可以快速且准确地识别出电机生产过程中的不良品。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例公开的一种基于神经网络识别电机良品的方法的流程图；

图2是本申请实施例公开的另一种基于神经网络识别电机良品的方法的流程图；

图3是本申请实施例公开的电机的剖视图；

图4是本申请实施例公开的电机磁瓦推力测试装置的主视图；

图5是本申请实施例公开的电机磁瓦推力测试装置的剖视图；

图6是图5中的I区域的放大图；

图7是本申请实施例公开的又一种基于神经网络识别电机良品的方法的流程图；

图8是本申请实施例公开的基于神经网络识别电机良品的装置的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到 ：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

实施例1

本申请实施例提供了一种利用神经网络模型识别电机良品的方法，如图1所示，该方法包括以下步骤：

步骤S102，获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力。

所述运动状态数据包括：所述施力组件对所述电机的磁瓦施加的压力、所述电机磁瓦推力测试装置的压力检测元件检测到的所述磁瓦所承受的压力、以及所述施力组件的运动状态。

步骤S104，从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；

步骤S106，基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

在一个实施例中，通过以下步骤建立所述良品识别神经网络模型：基于上一时刻所述施力组件的运动状态，利用LSTM神经网络模型计算得到当前时刻所述施力组件的运动状态的调制因子，并利用所述调制因子对当前时刻所述施力组件的运动状态的图像数据中的频率组分通过缩放和相移进行调制；基于调制后的所述图像数据，确定所述图像数据中需要加权的局部区域以及所确定的局部区域的权重因子；基于所述调制因子和所述权重因子，构建所述良品识别神经网络模型的卷积层。

在一个实施例中，在构建所述良品识别神经网络模型的卷积层之后，所述方法还包括：构建所述良品识别神经网络模型的全连接层，其中，所述全连接层的神经元只与所述良品识别神经网络模型中的所述全连接层的前一层的部分神经元的节点相连，且所述全连接层中的部分神经元之间的偏移值是共享的；为所述全连接层构建分类器，其中，所述分类器基于所述良品识别神经网络模型的预测类别、所述偏移值以及不同预测类别的概率分布情况，对所述电机进行分类。

在一个实施例中，在构建所述分类器之后，所述方法还包括：按照所述概率分布情况将所述全连接层的隐藏的神经元节点置于不活跃状态。

在一个实施例中，在所述良品识别神经网络模型被构建之后，所述方法还包括：获取所述施力组件的相应的历史运动状态数据，其中，所述历史运动状态数据标注有时间戳；将不同的所述历史运动状态数据进行数据预处理，并将预处理后的不同的所述历史运动状态数据打上对应标签，形成数据标签对集；将所述数据标签对集分为训练集和测试集，利用所述训练集对所述良品识别神经网络模型进行训练，并利用所述测试集测试所述良品识别神经网络模型，以评估所述良品识别神经网络模型的分类效果。

在一个实施例中，在将所述训练集输入到所述良品识别神经网络模型进行训练之后，所述方法还包括：在正向传播过程中，如果在所述良品识别神经网络模型的输出层得不到期望的输出值，则将所述输出值与期望的误差的平方和作为目标函数；计算所述目标函数对所述卷积层和所述全连接层中的各个神经元权值的偏导数，构成所述目标函数对权值向量的梯量，并将所述梯量作为修改所述权重因子的依据，循环迭代进行权重因子的更新，直至所述输出值的误差达到所期望的误差。

在一个实施例中，将不同的所述历史运动状态数据进行数据预处理包括：计算所述历史运动状态数据的特征均值，并对所述历史运动状态数据进行去均值处理；将去均值处理之后的所述历史运动状态数据除以该条所述历史运动状态数据所在的维度上的历史运动状态数据的标准差，得到该维度上的归一化后的所述历史运动状态数据；基于各个维度上的归一化后的所述历史运动状态数据，计算协方差矩阵，并对所述协方差矩阵进行奇异值分解，得到所述历史运动状态数据的特征值和特征向量。

本申请实施例，基于神经网络，预先构建并训练出良品识别神经网络模型，并利用良品识别神经网络模型来识别电机良品，解决了现有技术中电机良品识别不准确的问题。

实施例2

本申请实施例提供了另一种利用神经网络模型识别电机良品的方法，如图2所示，该方法包括以下步骤：

步骤S202，构建并训练良品识别神经网络模型。

CNN神经网络的层级结构一般包括以下几层：输入层（Input layer）、卷积层（CONVlayer）、池化层（Pooling layer）、全连接层（FC layer）和输出层（Output layer）。

输入层是整个神经网络的输入，在良品识别中，输入的数据是所述施力组件对所述电机的磁瓦施加的压力、所述电机磁瓦推力测试装置的压力检测元件检测到的所述磁瓦所承受的压力、以及所述施力组件的运动状态，这三个参数相当于图像识别中的RGB三个通道。

卷积层是CNN的核心，卷积层由一组可学习的滤波器或内核组成，每个卷积核具有卷积大小、步进等参数。卷积层的主要作用是提取输入的数据的特征，将神经网络中的每一块内容进行更深入的分析从而得到抽象程度更高的特征。

卷积是一种线性的、平移不变性的运算。卷积层首先在输入数据上执行局部加权，然后根据所选择的权重集合的不同，即根据所选择的点扩散函数的不同，得到输入数据的不同特征。本申请实施例中，在构建卷积层的核时，引入了调制因子和权重因子，调制因子用于对当前时刻所述施力组件的运动状态的图像数据中的频率组分通过缩放和相移进行调制。因此，选择合适的调制因子对获取输入数据中所包含的最显著和最重要的特征而言至关重要。而通过权重因子对局部区域进行加权，降低了卷积层的参数量。

本实施例中的调制因子是利用LSTM神经网络模型计算得到的。在使用深度学习处理时序问题时，LSTM在时序数据上有着优异的表现。LSTM是一种特殊的 RNN，能够学习长期依赖性。公共LSTM单元由单元、输入门、输出门和忘记门组成。该单元记住任意时间间隔内的值，并且三个门控制进出单元的信息流。LSTM网络非常适合基于时间序列数据进行分类、处理和预测，因为在时间序列中的重要事件之间可能存在未知持续时间的滞后。

本实施例中，施力组件的下压头的运动状态都是随着时间的变化而变化的。调制因子的作用是将之前的时间片的运动状态也用于计算当前时间片的运动状态，而传统方案中的隐藏节点的输出只取决于当前时间片的输入数据。本申请实施例中，基于上一时刻所述施力组件的运动状态，利用LSTM神经网络模型计算得到当前时刻所述施力组件的运动状态的调制因子，并利用所述调制因子对当前时刻所述施力组件的运动状态的图像数据中的频率组分通过缩放和相移进行调制。

具体地，利用遗忘门、遗忘门权重参数、上一时刻隐藏层的输出、上一时刻记忆单元状态、遗忘门偏移参数，当前时刻下压头的运动状态，当前时刻的记忆单元状态、激活函数等，来计算随着时间而变化的调制因子。通过这样的方式，可以随着时间的变化，生成不同的调制因子，这样生成的卷积层的核能够更准确地对输入层输入的数据的内容做出更好的推断。

在计算出调制因子之后，基于利用调制因子调制后的图像数据，确定图像数据中需要加权的局部区域以及所确定的局部区域的权重因子，并基于所述调制因子和所述权重因子，构建所述良品识别神经网络模型的卷积层。

在一个示例性实施例中，为了使良品识别神经网络模型对输入层输入的数据的内容做出更好的推断，可以通过以下公式搭建卷积层，即构建卷积神经网络的核心，以提取输入数据中的特征：

其中，x表示通道特征，j表示通道特征编号，l表示神经网络层的编号，n表示第l层卷积层的特征图通道数，i表示通道编号，k表示卷积核，b表示偏移，M为调制因子，W为权重因子。

其中，在一个示例中，调制因子可以通过以下公式计算取得：

其中，i_t表示输入门，σ表示sigmoid 函数，W_xi、W_hi、W_ci分别表示第一遗忘门、第二遗忘门、第三遗忘门的权重参数，x_t表示输入数据，例如施力组件的运动状态数据，h_t-1表示t-1 时刻隐藏层的输出,C_t-1表示t-1时刻的记忆单元状态，b_i、b_o、b_c分别表示第一、第二、第三输入门的偏置参数,O_t表示t时刻输出的细胞状态，W_xo、W_ho、W_co、W_xc、W_hc分别表示第一、第二、第三、第四、第五输出门权重参数，tanh表示激活函数，f_t表示t时刻的隐藏层的输出，M表示调制因子。

池化层位于连续的卷积层之间，对卷积后输出的特征图进行下采样操作，以进一步降低参数的数量。通过池化层可以进一步减少全连接层中参数的节点和压缩数据，降低过拟合的程度。池化层的操作相当于合并，输入一个过滤器的大小，与卷积的操作一样，也是一步一步滑动，但是将过滤器覆盖的区域进行合并，只保留一个值。池化层的池化方式有很多种，有均值池化和最大值池化。均值池化方式是在每个池化窗口的对应区域，取其平均值，作为池化后的值。最大值池化方式是在每个池化窗口的对应区域，取其最大值，作为池化后的值。本申请实施例采用最大值池化方式，其效果比平均池化要好。

全连接层的主要作用是进行分类。全连接层将通过卷积层和池化层得出的特征进行分类。全连接层是一个完全连接的神经网络，根据权重，每个神经元反馈的比重不一样，最后通过调整权重得到分类结果。但是，现有技术中的全连接层的连接方式是“全连接”，也就是这一层的神经元的输入会接受上一次每一个神经元的输出。这样的连接方式有一个的缺点：因为权值与偏移等参数量大，导致训练收敛十分缓慢。

为了解决上述问题，本申请实施例中，全连接层的神经元只与前一层的部分神经元节点相连，即它的神经元间的连接是非全连接的，且同一层中某些神经元之间的权重和偏移值是共享的，这样大量地减少了需要训练参数的数量。

本实施例中，全连接层进行分类时，对soft Max分类法进行了改进。经过改进的soft Max分类法分类处理后，可以得到当前样例中属于不同种类的概率分布情况，以达到更准确的分类。

本实施例，采用以下两个公式进行概率分布情况计算：

其中，S_i表示第 i 个神经元的概率输出值， k表示预测类别，Z表示全连接层的输出，X_ij表示全连接层的输入，W_ij表示第 i 个神经元的第 j 个权重，b表示偏移值，j表示通道特征编号，其中，第i个神经元对应第i个输出，i是神经元的编号，也是全连接层的编号。本实施例中，计算第i个神经元的输出Zi时，不仅仅基于权重和输入，还考虑了预测类别以及偏移值，因此针对不同类别的概率分布情况计算出了概率Si，从而使得分类更准确。

在进行分类之后，为了避免过拟合，本申请实施例还按照一定的随机概率将隐藏的神经元节点置于不活跃的状态，以减少隐藏的神经元节点之间的相互作用和复杂的共适应性。过拟合是一种完全记忆性的训练模式，模型在训练集上的误差很小，在测试集上的误差很大，这样当出现新的状态时，往往会导致误判。而通过将隐藏的神经元节点置于不活跃的状态，会在训练时便很好的减少过拟合现象，增加鲁棒性，提高泛化活力。

本实施例是将改进后的CNN和LSTM 融合在一起，来实现电机良品识别。LSTM可以构建出一个长短期记忆网络的模型，通过前一时刻的运动状态来更加精准地计算得到当前时刻的调制因子，并基于调制因子进一步判断出当前时刻的运动状态，而CNN可以高效地进行特征提取，并将提取出来的特征映射到特征图，然后将结果输送给输出层，进行最后的分类。通过这样的方式，可以准确的对电机进行分类，从而更精确地识别出良品电机。

步骤S204，对良品识别神经网络模型进行训练和测试。

获取施力组件的相应的历史运动状态数据，其中，所述历史运动状态数据标注有时间戳。将不同的历史运动状态数据进行数据预处理，并将预处理后的不同的所述历史运动状态数据打上对应标签，形成数据标签对集。

将得到的数据标签对集分为训练集和测试集，其中，训练集送入搭建的良品识别神经网络模型进行训练，训练完成后利用测试集评估良品识别神经网络模型的分类效果。

图3是本申请实施例公开的电机的剖视图，参见图3所示，本实施例中的电机100包括外壳110和磁瓦140，该外壳110呈圆柱形壳体设置，该圆柱形壳体围设形成圆柱形的安装腔120和与该安装腔120连通的安装孔130，具体地，该安装孔130位于安装腔120的底部，即位于圆柱形的安装腔120的端面上。磁瓦140为多片，该多片磁瓦140沿同一圆周粘接设置于外壳110的内壁面上。在实际粘接磁瓦140的时候，磁瓦140在安装腔120内的位置容易出现偏高或者偏低的问题，进而产生不良品。

在识别电机是否为良品时，将电机放置于电机磁瓦推力装置的产品座上并使测力杆的顶端位于磁瓦的底部。利用施力组件的施力元件带动下压头下压电机，直至下压头向下运动预定距离。利用压力检测元件对测力杆受到的压力进行检测。

本实施例中，通过训练数据集的数据训练上述模型，能够确定出电机为良品时压力检测元件所检测出的压力的一个预定范围。这样，在识别的过程中，如果检测到的压力检测元件的检测结果大于该预定范围，则说明磁瓦的粘接位置偏低，分类器将其分类为属于不良品的概率增大；如果压力检测元件的检测结果小于该预定范围时，则说明磁瓦的粘接位置偏高，分类器将其分类为属于不良品的概率增大。如果压力检测元件的检测结果在该预定范围时，则说明磁瓦的粘接位置适合，分类器将其分类为属于良品的概率增大。

步骤S206，采集实时数据。

图4是本申请实施例公开的电机磁瓦推力测试装置。结合图3至4，将电机放置于电机磁瓦推力测试装置的产品座22上，此时，测力杆23可以从电机100上的安装孔130伸入至安装腔120内并正好位于磁瓦140的底部。放置好电机100之后，利用施力元件31对下压头32施力，带动下压头32朝向靠近电机100的方向运动预定距离，此时，电机100在下压头32的作用下带动产品座22以及测力杆23浮动。当下压头32带动电机100运动之后，利用压力检测元件24对测力杆23所受的压力进行检测。

此时，实时采集施力组件30对电机的磁瓦施加的压力、压力检测元件24检测到的磁瓦所承受的压力、以及施力组件30的运动状态。这些实时数据可以通过图像采集系统和传感器等来采集。图像采集系统可以包括全景摄像机或双目视觉相机。图像采集系统采集到实时数据之后，将采集到的实时数据传送到处理器。

步骤S208，对实时数据进行分类和评估。

将采集的电机磁瓦推力测试装置的实时数据导入到处理器中训练好的良品识别神经网络模型，进行线上实时分类，以进行评估，进而将电机生产过程中的不良品踢出。

实施例3

本申请实施例提供了又一种利用神经网络模型识别电机良品的方法，该方法主要是通过检测电机磁瓦推力测试装置的运动状态数据来对电机进行识别的。

因此，本实施例首先将详细描述电机磁瓦推力测试装置的具体结构及操作过程。

参见图4至图5所示，本实施例中的电机磁瓦推力测试装置包括支架10、测力组件20以及施力组件30。

其中，支架10的底部设置有第一安装座11，支架10的顶部设置有第二安装座12；测力组件20包括固定座21、产品座22、测力杆23、压力检测元件24以及弹性元件25，固定座21安装在第一安装座11上，产品座22通过弹性元件25支撑在固定座21的上方以用于放置电机100，测力杆23沿支架10的高度方向穿设在固定座21和产品座22上以用于穿过安装孔130并抵顶在磁瓦140上，压力检测元件24设置于测力杆23的底部以用于检测测力杆23受到的压力；施力组件30包括施力元件31和下压头32，施力元件31安装在第二安装座12上，下压头32与施力元件31固定连接并在施力元件31的驱动下沿支架10的高度方向往复运动以对电机100施加下压力。

将电机100放置于产品座22上，此时，测力杆23可以从电机100上的安装孔130伸入至安装腔120内并正好位于磁瓦140的底部。放置好电机100之后，利用施力元件31对下压头32施力，带动下压头32朝向靠近电机100的方向运动预定距离，此时，电机100在下压头32的作用下带动产品座22以及测力杆23浮动。当下压头32带动电机100运动预定距离之后，利用压力检测元件24对测力杆23所受的压力进行检测。

参考图4至图6，将电机100放置在电机磁瓦推力检测装置的产品座22上，然后启动相关的控制程序对电机100的磁瓦140施加压力。

本实施例中的支架10大体上呈长方体设置，此时，第一安装座11为设置在支架10底部的板状结构，第二安装座12为设置在支架10顶部的板状结构。当然，在本申请的其他实施方式中，第一安装座11和第二安装座12还可以设置为架体、横梁结构等。

本实施例中的固定座21可以通过螺钉、焊接、卡接等等方式固定在第一安装座11上，通过该固定座21的作用，可以对测力杆23和产品座22进行支撑和限位。可选地，该固定座21可以是固定板、固定块或者其他异形结构。

为了提高本实施例中的电机磁瓦推力测试装置的检测效率，本实施例中将测力杆23设置为多根，该多根测力杆23沿同一圆周布置，压力检测元件24也设置为多个，且该多根测力杆23、多个压力检测元件24以及多片磁瓦140三者一一对应地设置。如此，当施力元件31带动下压头32向下运动时，多根测力杆23可以同时对电机100内侧的多片磁瓦140进行推力测试，可以提高本实施例中的电机磁瓦推力检测装置的检测效率，结构简单，稳定可靠。

本实施例中的测力杆23的顶端固定设置有受力块231，实际安装时，该受力块231可以螺钉、销钉、焊接、卡接等等方式固定在测力杆23的顶端，当电机磁瓦推力检测装置工作时，测力杆23通过该受力块231与磁瓦140接触，能够提高本实施例中的测力杆23的使用寿命。可以理解的是，本实施例中的受力块231采用硬度和强度与磁瓦140匹配的材料制备而成，当受力块231与磁瓦140接触时，不容易被磨损。本实施例中的产品座22可以是板状结构，也可以是其他异形结构。

本实施例中的弹性元件25包括浮动弹簧，实际安装时，该浮动弹簧套设在测力杆23上，通过该测力杆23的作用，可以对浮动弹性进行限位，防止浮动弹簧从产品座22和固定座21之间掉落出来。当然，在本申请的其他实施例中，弹性元件25还可以设置为弹性垫、弹性柱等结构，只要是在本申请的构思下的其他变形方式，均在本申请的保护范围之内。

本实施例中的电机磁瓦推力测试装置还包括调试组件40，该调试组件40包括调节件41和弹性件42，其中，弹性件42设置在第一安装座11上，压力检测元件24设置在弹性件42的顶端，调节件41设置在第一安装座11上以调节弹性件42对压力检测元件24施加的弹力的大小。对电机100的磁瓦140进行推力测试之前，可以采用调节件41对弹性件42进行调节，具体体现为对弹性件42的压缩量进行调节，通过调节弹性件42的压缩量，能够对弹性件42对压力检测元件24施加的弹力的大小进行调节，如此，可以对磁瓦140最终受到的推力大小进行调节，避免出现测力杆23推力过小无法检测到不良品，或者推力过大会将合格品损坏的情况。

为了便于对弹性件42进行安装和支撑，本实施例中的调试组件40还包括支撑块43，该支撑块43可升降地设置于弹性件42的底部，实际使用时，调节件41用于对支撑块43的升降高度进行调节，进而可以对弹性件42压缩量进行调节。

本实施例中的弹性件42为压力弹簧，为了对该压力弹簧进行支撑和限位，本实施例中的支撑块43上设置有限位凹槽，实际安装时，压力弹簧的底端抵挡在该限位凹槽内，结构简单，稳定可靠。当然，在本申请的其他实施方式中，还可以将弹性件42设置为弹性柱或者弹性垫等结构，只要是在本申请的构思下的其他变形方式，均在本申请的保护范围之内。

本实施例中的调节件41为调节螺丝，该调节螺丝安装在第一安装座11的底部，且该调节螺丝的长度方向与支架10的高度方向一致，实际使用时，通过旋拧该调节螺丝，使得该调节螺丝在支撑块43的底部升降，即可对支撑块43的升降高度进行调节，结构简单，便于操作。当然，在本申请的其他实施例中，支撑块43的升降还可以通过气缸、顶丝、推动杆推动来实现。

结合图4至图6所示，本实施例中的施力元件31可以是气缸，也可以液压缸，还可以是驱动电机和丝杠的组合结构，只要是能够带动下压头32向下运动的其他变形方式，均在本申请保护范围之内。本申请的附图中示出了施力元件31为气缸时的情况。

为了提高本实施例中的下压头32运动平稳性，本实施例中的施力组件30还包括导轨33和滑块34，其中，导轨33安装在支架10上并沿支架10的高度方向延伸，滑块34安装在导轨33上并在施力元件31的驱动下沿导轨33的长度方向往复运动，下压头32固定安装在滑块34的底部。如此设置，当施力元件31工作时，可以带动滑块34沿导轨33滑动，进而可以带动安装在滑块34上的下压头32沿支架10的高度方向往复运动，结构更加稳定。

为了对下压头32的运动行程进行检测，本实施例中的支架10上还设置有位移传感器（图中未示出），通过该位移传感器的作用，可以对下压头32的运动位移进行检测，当下压头32运动预定距离时，如图3中f时，控制施力元件31停止施力，然后利用压力检测元件24对测力杆23所受的压力进行检测。

图7是根据本申请实施例的又一种基于神经网络识别电机良品的方法的流程图，如图7所示，该方法包括以下步骤：

步骤S702，初始化良品识别神经网络模型。

利用AlexNet搭建良品识别神经网络模型。AlexNet包含1层输入层、5层卷积层和2层全连接层，以及1层输出层。AlexNet的卷积层中的第一层中的卷积窗口是11*11。由于图像占用较多的像素，所以需要更大的卷积窗口来捕获物体。第二层中的卷积窗口形状减小到5 * 5，之后的其他层全部采用3* 3。具体的卷积层和全连接层的构建方法，如上述实施例描述，此处不再赘述。

步骤S704，训练良品识别神经网络模型。

将采集到的电机磁瓦推力测试装置的历史运动状态数据进行数据预处理。首先，计算历史运动状态数据的特征均值，并对所述历史运动状态数据进行去均值处理。将每一条作为训练数据的历史运动状态数据，都减去全部历史运动状态数据的特征均值，这样，把输入数据各个维度的数据中心化到零。接着，将去均值处理之后的历史运动状态数据除以该条历史运动状态数据所在的维度上的历史运动状态数据的标准差，得到该维度上的归一化后的所述历史运动状态数据。归一化的目的是保证所有的维度上的训练数据都在一个变化幅度上。例如，在-1到1之间。然后，基于各个维度上的归一化后的历史运动状态数据，计算协方差矩阵，并对协方差矩阵进行奇异值分解，得到所述历史运动状态数据的特征值和特征向量。这样，实现了PCA降维。本申请实施例对训练数据进行了预处理，可以减少训练时长，加快网络的收敛速度。

将预处理后的历史运动状态数据打上对应标签，形成数据标签对集。将数据标签对集分为训练集和测试集，利用训练集对良品识别神经网络模型进行训练，并利用测试集测试良品识别神经网络模型。

步骤S706，误差反向传播处理。

误差反向传播网络的信息处理能力来源于简单非线性函数的多次复合,其输入输出的映射关系是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，其具有很强的函数复现能力，具有高度非线性。

误差反向传播网络由多层构成，使神经网络能够从输入数据中挖掘更多的信息，完成更复杂的任务。误差反向传播网络层与层之间全连接，一般使用Sigmoid函数或线性函数作为传递函数。

误差反向反向传播的学习过程由正向传播过程和反向传播过程组成。误差反向传播算法主要包括两个重复循环迭代的步骤，即激励传播和权重更新，直到误差反向传播网络对输入的响应达到预定的目标范围为止。

在正向传播过程中，如果在输出层得不到期望的输出值，则将输出与期望的误差的平方和作为目标函数进行反向传播。在反向传播过程中，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，误差达到所期望值时，网络学习结束。

步骤S708，实时采集运动状态数据。

实时采集电机磁瓦推力测试装置的运动状态。例如，采集施力组件对电机的磁瓦施加的压力、压力检测元件检测到的磁瓦所承受的压力、以及施力组件的运动状态。在其他的实施例中，还可以采集弹性元件的压缩状态、以及调试组件的弹性件的压缩状态。从运动状态数据中提取电机磁瓦推力测试装置的运动状态特征。

步骤S710，进行识别分类。

将所提取的运动状态特征，导入到训练好的良品识别神经网络模型，进行实时分类，以评估生产线上生产出的电机是否为良品。

本实施例提供了一种实时性高、准确性高的基于CNN的良品识别方法，可判断被测试的电机的磁瓦的安装是否合格，进而可以快速地踢出不良电机。

实施例4

图8是本申请实施例公开的基于神经网络识别电机良品的装置的结构示意图。如图8所示，该装置包括：数据获取模块82、特征提取模块84和识别模块86。

数据获取模块82，用于为获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力。

特征提取模块84，用于为从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征。

识别模块86，用于基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

本实施例中的基于神经网络识别电机良品的装置能够实现上述实施例中的基于神经网络识别电机良品的方法，因此，此处不再赘述。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：通过本申请的识别方法，可以快速且准确地检测出电机生产过程中的不良品，自动化程度高，人工劳动强度低，识别准确率高，从而能够提高电机的生产效率。

实施例5

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质被设置为存储用于执行上述远程尾控制导炮弹气动特性的分析方法的程序代码。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

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为本发明的保护范围。

Claims (10)

1.一种基于神经网络识别电机良品的方法，其特征在于，所述方法包括：

获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；

从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；

基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

2.根据权利要求1所述的方法，其特征在于，所述运动状态数据包括：所述施力组件对所述电机的磁瓦施加的压力、所述电机磁瓦推力测试装置的压力检测元件检测到的所述磁瓦所承受的压力、以及所述施力组件的运动状态。

3.根据权利要求2所述的方法，其特征在于，通过以下步骤建立所述良品识别神经网络模型：

基于上一时刻所述施力组件的运动状态，利用LSTM神经网络模型计算得到当前时刻所述施力组件的运动状态的调制因子，并利用所述调制因子对当前时刻所述施力组件的运动状态的图像数据中的频率组分通过缩放和相移进行调制；

基于调制后的所述图像数据，确定所述图像数据中需要加权的局部区域以及所确定的局部区域的权重因子；

基于所述调制因子和所述权重因子，构建所述良品识别神经网络模型的卷积层。

4.根据权利要求3所述的方法，其特征在于，在构建所述良品识别神经网络模型的卷积层之后，所述方法还包括：

构建所述良品识别神经网络模型的全连接层，其中，所述全连接层的神经元只与所述良品识别神经网络模型中的所述全连接层的前一层的部分神经元的节点相连，且所述全连接层中的部分神经元之间的偏移值是共享的；

为所述全连接层构建分类器，其中，所述分类器基于所述良品识别神经网络模型的预测类别、所述偏移值以及不同预测类别的概率分布情况，对所述电机进行分类。

5.根据权利要求4所述的方法，其特征在于，在构建所述分类器之后，所述方法还包括：按照所述概率分布情况将所述全连接层的隐藏的神经元节点置于不活跃状态。

6.根据权利要求3至5中任一项所述的方法，其特征在于，所述良品识别神经网络模型被构建之后，所述方法还包括：

获取所述施力组件的相应的历史运动状态数据，其中，所述历史运动状态数据标注有时间戳；

将所述历史运动状态数据进行数据预处理，并将预处理后的所述历史运动状态数据打上对应标签，形成数据标签对集；

将所述数据标签对集分为训练集和测试集，利用所述训练集对所述良品识别神经网络模型进行训练，并利用所述测试集测试所述良品识别神经网络模型，以评估所述良品识别神经网络模型的分类效果。

7.根据权利要求6所述的方法，其特征在于，在利用所述训练集对所述良品识别神经网络模型进行训练之后，所述方法还包括：

在正向传播过程中，如果在所述良品识别神经网络模型的输出层得不到期望的输出值，则将所述输出值与期望的误差的平方和作为目标函数；

计算所述目标函数对所述卷积层和全连接层中的各个神经元权值的偏导数，构成所述目标函数对权值向量的梯量，并将所述梯量作为修改所述权重因子的依据，循环迭代进行权重因子的更新，直至所述输出值的误差达到所期望的误差。

8.根据权利要求6所述的方法，其特征在于，将所述历史运动状态数据进行数据预处理包括：

计算所述历史运动状态数据的特征均值，并对所述历史运动状态数据进行去均值处理；

将去均值处理之后的所述历史运动状态数据进行归一化处理；

基于归一化处理后的所述历史运动状态数据，计算所述历史运动状态数据的协方差矩阵，并对所述协方差矩阵进行奇异值分解，得到所述历史运动状态数据的特征值和特征向量。

9.一种基于神经网络识别电机良品的装置，其特征在于，包括：

数据获取模块，被配置为获取电机磁瓦推力测试装置的运动状态数据，其中，所述电机磁瓦推力测试装置通过其施力组件的运动对电机的磁瓦施加压力；

特征提取模块，被配置为从所述运动状态数据中提取所述电机磁瓦推力测试装置的运动状态特征；

识别模块，被配置为基于所述运动状态特征，利用预先构建并训练的良品识别神经网络模型，识别所述电机是否为良品。

10.一种计算机可读存储介质，其上存储有程序，所述程序在被执行时，使得所述计算机执行如权利要求1至8中任一项所述的方法。

Images