CN116224062A - 一种基于卷积神经网络的伺服电机故障诊断方法 - Google Patents
一种基于卷积神经网络的伺服电机故障诊断方法 Download PDFInfo
- Publication number
- CN116224062A CN116224062A CN202310214568.2A CN202310214568A CN116224062A CN 116224062 A CN116224062 A CN 116224062A CN 202310214568 A CN202310214568 A CN 202310214568A CN 116224062 A CN116224062 A CN 116224062A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- fault
- neural network
- servo 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.)
- Pending
Links
Images
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
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种基于卷积神经网络的伺服电机故障诊断方法,在Matlab中建立电机模型,设置不同故障模式进行仿真,采集伺服电机正常工作情况下和故障情况下的输入输出数据集,对采集的数据进行切割图像化处理,在基础CNN模型上,设置不同网络参数网络层数、卷积核个数和核函数,比较训练效果,得出网络参数最优参数,从而确定最优算法。本发明相比于传统故障识别算法做对比,在数据特征提取方面效果显著,模型预测准确度也有显著提升,从而提高了故障检测的准确率,实现对电机输入输出特性的高精度模拟,同时实现对所获取的电机输出数据进行自主的故障检测与诊断。
Description
技术领域
本发明涉及电机领域,尤其是一种伺服电机的故障诊断方法。
背景技术
伺服电机(Servo Motor)作为一种必不可少的驱动装置,在人们生产生活中尤为常见。作为机电作动器(EMA)的重要组成部分之一,伺服电机更加被广泛应用于航空航天、军事、交通、医疗、土木、纺织等领域。近年来,随着航空工业的不断发展,多电/全电飞机正在航空设计领域引发一场深刻的变革。飞行器在飞行过程中,电控系统通过控制机电作动器的伸缩实现机体俯仰、滚转、偏航等动作,舵面及作动器承受的空气载荷在不断变化,容易加速电机老化、降低寿命并引发故障。一旦飞控系统核心作动器(例如方向舵、副翼、升降舵等)发生故障,轻则造成经济财产损失,重则酿成机毁人亡的事故,带来重大的生命财产损失。
发明内容
为了克服现有技术的不足,本发明提供一种基于卷积神经网络的伺服电机故障诊断方法。
为了实现对伺服电机的故障检测与诊断问题,本发明提出了一种基于卷积神经网络的伺服电机的故障诊断方法,作为一种伺服电机状态监测与故障诊断手段。相比于传统故障识别算法做对比,在数据特征提取方面效果显著,模型预测准确度也有显著提升,从而提高了故障检测的准确率。
本发明解决其技术问题所采用的技术方案包括如下步骤:
一种基于卷积神经网络的伺服电机故障诊断方法,包括以下步骤:
步骤1:在Matlab中建立电机模型,设置不同故障模式进行仿真,根据导出的三相电流、转矩和转速波形图,分析伺服电机处于故障模式下的输入输出数据集,确定伺服电机的故障模式集合;
步骤2:由步骤1建立的电机模型,采集伺服电机正常工作情况下和故障情况下的输入输出数据集;
步骤3:对步骤2采集的数据进行切割图像化处理;
步骤4:在基础CNN模型上,设置不同网络参数网络层数、卷积核个数和核函数,比较训练效果,得出网络参数最优参数,从而确定最优算法。
所述步骤1中分析伺服电机在不同故障模式下采集的数据集,将导出的三相电流、转矩、转速波形图与电机正常运行下的波形图作比较,确定伺服电机的故障类型,故障类型包括定子匝间短路故障、断路故障、三相对称短路故障;其中匝间短路故障是由同向绕组之间的绝缘层破坏造成的,一旦电机发生匝间短路故障,故障发生的环路会产生较大电流,并造成局部温度迅速提高,可能会导致相邻相绝缘破坏,造成更大的损害,温度过高可能会产生冲击电流,造成电机剧烈震动,甚至发生不可逆退磁,使得电机无法正常工作。
所述的步骤2中,根据步骤1建立的电机模型采集到的数据集包括电机的三相电流、转矩、转速。
所述步骤3中,将获得三相电流信号分割成数据量为n的一维子序列p=[l1,l2,...,ln]后,将m个子序列从上到下堆叠成新的二维图像矩阵;为了增强机器学习模型的泛化能力需要更多的训练样本,数据增强采用大小为1×n的窗,以步长为s在一维信号上截取到更多的子序列,其中1<s<n,则得到的图片的信号格式为其中amn为像素点,三维图像本质上就是对二维图像进行堆叠,将同一时刻的三相电流样本顺序堆叠,则可获得所需的三维数据样本用于故障诊断。
所述的步骤4中搭建卷积神经网络模型,并进行网络参数选择:
步骤4.1:搭建卷积神经网络模型,模型基于Keras框架;
步骤4.2:对CNN网络参数进行选择,卷积将样本已以7:2:1的比例分为训练集、验证集和测试集,设置不同的网络参数,参数选择为:卷积层个数:[1,2,3,4,5],全连接层个数[1,2],卷积核个数[16,32,64,128,256],迭代次数设置为12,在Keras框架下连续训练后,于TensorBoard中查看训练效果,确定卷积为3层、核函数个数为64个,全连接层为一层时训练效果最佳,其准确度最高;
步骤4.3:将采集的不同故障深度的匝间短路故障及A相断路故障的实测三相电流信号作为原始信号,按步骤3进行数据处理后导入Adam优化算法中,分别迭代D次,D大于等于10次。
所述步骤4.1搭建卷积神经网络模型的步骤如下:
步骤4.1.1:首先搭建的是输入层Input Layer,用以加载训练数据,训练样本为步骤3中所得64×64×3的三维数据,如果用来表示RGB彩色图像的特征,这里的3指的是三个颜色通道,可以把它想象成三个64×64图像的堆叠。其每一层对应红、绿、蓝三个通道。
步骤4.1.2:搭建第二层边界填充层Padding,由于每做一次卷积后,图像尺寸缩小,且边缘数据相对于中间数据的利用率较低,为了解决这两个不足,因此在卷积操作之前,沿着图像边缘填充一层像素,卷积的输出与输入的维度关系为n-f+1,其中n×n为输入矩阵的维度,f×f为卷积核的维度,如果填充了p个像素点后,其输出维度则为n+2p-f+1,用0填充边缘像素,这样便可充分利用样本中的信息;
步骤4.1.3:第三层进行卷积操作,设置batch_size,减少一次性输入样本个数,batch_size与样本总量有关,本发明的batch_size采用256;
步骤4.1.4:第四层为正则化操作Batch Normalization;通过正则化解决过拟合问题。Dropout层是在训练的过程中,对神经网络某一层的单元中数据进行随机丢弃,所得到的结果就是其输出值,采用Dropout集成方法从原始网络随机去掉部分单元后形成网络,为了有效删除某些单元,将要删除的单元的输入乘以0;
步骤4.1.5:搭建第五层激活函数Activation,第三层的卷积操作完成之后,经过激活函数非线性化操作输入至下一层网络;
步骤4.1.6:搭建第六层池化层,池化操作本质上是一种降采样操作,降低神经网络过拟合的风险;经过池化操作之后,有效降低特征的数据量,减少神经网络的计算负担。
步骤4.1.7:该模型是一个三层卷积神经网络,因而又将卷积、正则化、激活及池化操作进行两次;
步骤4.1.8:倒数第二层为全连接层fully connected layer,将网络中学习到的数据特征投射到样本空间中,即将网络前层输出的多维数据转化为一维向量;
步骤4.1.9:最后一层为输出层Dense,使用Sotfomax函数将卷积层和全连接层提取的特征进行分类,输出分类结果。
本发明的有益效果在于基于三维图像的卷积神经网络模型,对采集的数据进行切割图像化处理、打标签及独热编码,实现对电机输入输出特性的高精度模拟,同时实现对所获取的电机输出数据进行自主的故障检测与诊断。相比于传统的依靠专家经验或者传统神经网络不仅耗时较长,而且对于故障诊断的准确率也不高,本发明的基于卷积神经网络的伺服电机故障诊断方法能够提高微小故障的诊断能力,对于同一故障类型不同故障深度的匝间短路故障的识别能力十分优秀。
附图说明
图1为本发明PMSM组成原理图。
图2为本发明PMSM结构示意图。
图3为本发明CNN构建流程图。
图4为本发明电机故障诊断流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
一种基于卷积神经网络的伺服电机故障诊断方法,包括以下步骤:
步骤1:在Matlab中建立电机模型,设置不同故障模式进行仿真,根据导出的三相电流、转矩和转速波形图,分析伺服电机处于故障模式下的输入输出数据集,确定伺服电机的故障模式集合;
步骤2:由步骤1建立的电机模型,采集伺服电机正常工作情况下和故障情况下的输入输出数据集;
步骤3:对步骤2采集的数据进行切割图像化处理;
步骤4:在基础CNN模型上,设置不同网络参数网络层数、卷积核个数和核函数,比较训练效果,得出网络参数最优参数,从而确定最优算法。
所述步骤1中分析伺服电机在不同故障模式下采集的数据集,将导出的三相电流、转矩、转速波形图与电机正常运行下的波形图作比较,确定伺服电机的故障类型,故障类型包括定子匝间短路故障、断路故障、三相对称短路故障;其中匝间短路故障是由同向绕组之间的绝缘层破坏造成的,一旦电机发生匝间短路故障,故障发生的环路会产生较大电流,并造成局部温度迅速提高,可能会导致相邻相绝缘破坏,造成更大的损害,温度过高可能会产生冲击电流,造成电机剧烈震动,甚至发生不可逆退磁,使得电机无法正常工作。
所述的步骤2中,根据步骤1建立的电机模型采集到的数据集包括电机的三相电流、转矩、转速。
所述步骤3中,将获得三相电流信号分割成数据量为n的一维子序列p=[l1,l2,..,ln]后,将m个子序列从上到下堆叠成新的二维图像矩阵;为了增强机器学习模型的泛化能力需要更多的训练样本,数据增强采用大小为1×n的窗,以步长为s在一维信号上截取到更多的子序列,其中1<s<n,则得到的图片的信号格式为其中amn为像素点,三维图像本质上就是对二维图像进行堆叠,以A相电流信号为例,采样频率为2MHz,2.1s的仿真产生1,050,000个数据点,利用Matlab强大的矩阵运算功能(reshape函数)将一维数据分割成64×64的图像矩阵,并且采用数据增强方法,以500为步长,一共可以得到2091个样本。这便是A相电流特征样本。依次可获得其他两项电流样本,将同一时刻的三相电流样本顺序堆叠,则可获得所需的三维数据样本用于故障诊断。
所述的步骤4中搭建卷积神经网络模型,并进行网络参数选择:
步骤4.1:搭建卷积神经网络模型,模型基于Keras框架;
步骤4.1.1:首先搭建的是输入层Input Layer,用以加载训练数据,训练样本为步骤3中所得64×64×3的三维数据,如果用来表示RGB彩色图像的特征,这里的3指的是三个颜色通道,可以把它想象成三个64×64图像的堆叠。其每一层对应红、绿、蓝三个通道。
步骤4.1.2:搭建第二层边界填充层Padding,由于每做一次卷积后,图像尺寸缩小,且边缘数据相对于中间数据的利用率较低,为了解决这两个不足,因此在卷积操作之前,沿着图像边缘填充一层像素,卷积的输出与输入的维度关系为n-f+1,其中n×n为输入矩阵的维度,f×f为卷积核的维度,如果填充了p个像素点后,其输出维度则为n+2p-f+1,用0填充边缘像素,这样便可充分利用样本中的信息;
步骤4.1.3:第三层进行卷积操作,设置batch_size,减少一次性输入样本个数,batch_size与样本总量有关,本发明的batch_size采用256;
步骤4.1.4:第四层为正则化操作Batch Normalization;通过正则化解决过拟合问题。Dropout层是在训练的过程中,对神经网络某一层的单元中数据进行随机丢弃,所得到的结果就是其输出值,采用Dropout集成方法从原始网络随机去掉部分单元后形成网络,为了有效删除某些单元,将要删除的单元的输入乘以0;
步骤4.1.5:搭建第五层激活函数Activation,第三层的卷积操作完成之后,经过激活函数非线性化操作输入至下一层网络;
步骤4.1.6:搭建第六层池化层,池化操作本质上是一种降采样操作,降低神经网络过拟合的风险;经过池化操作之后,有效降低特征的数据量,减少神经网络的计算负担。
步骤4.1.7:该模型是一个三层卷积神经网络,因而又将卷积、正则化、激活及池化操作进行两次;
步骤4.1.8:倒数第二层为全连接层fully connected layer,将网络中学习到的数据特征投射到样本空间中,即将网络前层输出的多维数据转化为一维向量;
步骤4.1.9:最后一层为输出层Dense,使用Sotfomax函数将卷积层和全连接层提取的特征进行分类,输出分类结果;
步骤4.2:对CNN网络参数进行选择,卷积将样本已以7:2:1的比例分为训练集、验证集和测试集,设置不同的网络参数,参数选择为:卷积层个数:[1,2,3,4,5],全连接层个数[1,2],卷积核个数[16,32,64,128,256],迭代次数设置为12,在Keras框架下连续训练后,于TensorBoard中查看训练效果,确定卷积为3层、核函数个数为64个,全连接层为一层时训练效果最佳,其准确度最高;
步骤4.3:将采集的不同故障深度的匝间短路故障及A相断路故障的实测三相电流信号作为原始信号,按步骤3进行数据处理后导入Adam优化算法中,分别迭代D次,D大于等于10次,本发明取D为25次,与传统算法作对比,发现与CNN结合的Adam优化算法准确率更高,表明基于三维图像的卷积神经网络能够提高微小故障的诊断能力,对于同一故障类型不同故障深度的匝间短路故障的识别能力十分优秀。
永磁同步电机组成如图1所示。图2所示为永磁同步电机的结构示意图。结合对永磁同步电机的健康监控以及本发明公布的故障检测与诊断技术进行具体说明。如图3所示,本发明为一种基于神经网络解析永磁同步电机故障检测与诊断技术,实施例包括以下步骤:
步骤1:采集永磁同步电机的运行数据,通过对运行数据,尤其是电机处于故障模式下的输入输出数据集进行分析,归纳总结出电机常见的三种故障模式,分别为:
a)电机发生匝间短路故障:电机三相电流相较于无故障状态略有增加,其中故障相电流变化较为明显;
b)电机发生三相对称短路故障:瞬时电流增大为原来的2倍以上,较之正常状态有明显增大;
c)电机发生断路故障:电机的B、C相电流在故障发生后电流波形产生了畸变,其畸变率达到百分之十五以上,其幅值较正常电流波形明显增大。
步骤2:采集电机正常工作情况下和发生常见三种故障时的输入输出数据集,对采集的数据进行切割图像化处理,具体步骤为:
步骤2.1:在数据截取分割对数据进行归一化处理,二维灰度图像的每个像素点为0~255之间的整数,将采集的信号映射到该区间,一维电流信号点的最大值为pmax(i),最小值为pmin(i),则将任意信号点p(i)归一化,并取整转化为灰度值的信号pm(i)的公式为:
式中f为取整函数。
步骤2.2:将灰度化后获得三相电流信号分割成数据量为n的一维子序列p=[l1,l2,...ln]后,将m个子序列堆叠成新的二维图像矩阵。为了增强机器学习模型的泛化能力需要更多的训练样本,数据增强技术即使用大小为1×n的窗以步长为s(1<s<n)在一维信号上截取到更多的子序列,则得到的图片的信号格式为其中a为像素点。
二维图像的大小为64×64,则形成一张图片所需4096个数据点,采用同样的方法进行图形化操作,将同一时刻获得的图片按照ia、ib、ic顺序进行堆叠,则可获得三维图像样本;
步骤2.3:信号图形化之后,电机每种状态保留2000组样本数据,对样本进行分割,将这每种状态的2000组样本数据以7:2:1的比例分为训练集、验证集和测试集。每种状态训练集包含样本数量1400个,验证集包含样本400个,测试集包含样本数量200个。在此之前需要对已经处理好的数据进行乱序处理,以便后期神经网络训练。
步骤3:建立基于卷积神经网络的电机解析模型,并利用采集的历史数据集对神经网络模型进行训练构建电机的解析,卷积神经网络建立框图如图3所示,具体步骤为:
步骤3.1.1:首先搭建输入层(Input Layer),用以加载训练数据,训练样本为步骤三中所得64×64×3的三维数据。
步骤3.1.2:搭建第二层边界填充层(Padding),在卷积操作之前,沿着图像边缘填充一层像素,通常卷积的输出与输入的维度关系为n=f+1,其中n×n为输入矩阵的维度,f×f为卷积核的维度,如果填充了p个像素点后,其输出维度则为n+2p-f+1。这里用0填充边缘像素,这样便可充分利用样本中的信息。
步骤3.1.3:在第三层进行卷积操作,设置batch_size,减少一次性输入样本个数,batch_size与样本总量有关,这里设置为256。
步骤3.1.4:在第四层进行正则化操作,通过正则化解决过拟合问题。采用Dropout集成方法从原始网络去掉部分单元后形成网络,为了有效删除某些单元将一些单元的输入乘以0。
步骤3.1.5:搭建第五层激活函数Activation,卷积操作完成之后,经过激活函数非线性化操作输入至下一层网络。
步骤3.1.6:搭建第六层池化层,降低神经网络过拟合的风险。经过池化操作之后,有效降低特征的数据量,减少神经网络的计算负担。
步骤3.1.7:倒数第二层为全连接层(fully connected layer),将网络中学习到的数据特征投射到样本空间中,即将网络前层输出的多维数据转化为一维向量。
步骤3.1.8:最后一层输出层Dense,使用Sotfomax函数将卷积层和全连接层提取的特征进行分类,输出分类结果。
步骤4:对网络参数进行选择,将样本已以7:2:1的比例分为训练集、验证集和测试集。设置不同的网络参数,迭代次数设置为12次,在Keras框架下连续训练后,于TensorBoard中查看训练效果,确定卷积为3层、核函数个数为64个,全连接层为一层时训练效果最佳,其准确度最高。
步骤5:将采集的不同故障深度的匝间短路故障及A相断路故障的实测三相电流信号作为原始信号,数据处理后导入上述算法中,分别迭代25次,与传统算法作对比,发现与CNN结合的Adam优化算法准确率更高,表明基于三维图像的卷积神经网络能够提高微小故障的诊断能力,对于同一故障类型不同故障深度的匝间短路故障的识别能力十分优秀。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于卷积神经网络的伺服电机故障诊断方法,其特征在于包括下述步骤:
步骤1:在Matlab中建立电机模型,设置不同故障模式进行仿真,根据导出的三相电流、转矩和转速波形图,分析伺服电机处于故障模式下的输入输出数据集,确定伺服电机的故障模式集合;
步骤2:由步骤1建立的电机模型,采集伺服电机正常工作情况下和故障情况下的输入输出数据集;
步骤3:对步骤2采集的数据进行切割图像化处理;
步骤4:在基础CNN模型上,设置不同网络参数网络层数、卷积核个数和核函数,比较训练效果,得出网络参数最优参数,从而确定最优算法。
2.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于:
所述步骤1中分析伺服电机在不同故障模式下采集的数据集,将导出的三相电流、转矩、转速波形图与电机正常运行下的波形图作比较,确定伺服电机的故障类型,故障类型包括定子匝间短路故障、断路故障、三相对称短路故障。
3.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于:
所述的步骤2中,根据步骤1建立的电机模型采集到的数据集包括电机的三相电流、转矩、转速。
5.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于:
所述的步骤4中搭建卷积神经网络模型,并进行网络参数选择:
步骤4.1:搭建卷积神经网络模型,模型基于Keras框架;
步骤4.2:对CNN网络参数进行选择,卷积将样本已以7:2:1的比例分为训练集、验证集和测试集,设置不同的网络参数,参数选择为:卷积层个数:[1,2,3,4,5],全连接层个数[1,2],卷积核个数[16,32,64,128,256],迭代次数设置为12,在Keras框架下连续训练后,于TensorBoard中查看训练效果,确定卷积为3层、核函数个数为64个,全连接层为一层时训练效果最佳,其准确度最高;
步骤4.3:将采集的不同故障深度的匝间短路故障及A相断路故障的实测三相电流信号作为原始信号,按步骤3进行数据处理后导入Adam优化算法中,分别迭代D次,D大于等于10次。
6.根据权利要求1所述的基于卷积神经网络的伺服电机故障诊断方法,其特征在于:
所述步骤4.1搭建卷积神经网络模型的步骤如下:
步骤4.1.1:首先搭建的是输入层Input Layer,用以加载训练数据,训练样本为步骤3中所得64×64×3的三维数据,如果用来表示RGB彩色图像的特征,这里的3指的是三个颜色通道,可以把它想象成三个64×64图像的堆叠,其每一层对应红、绿、蓝三个通道;
步骤4.1.2:搭建第二层边界填充层Padding,由于每做一次卷积后,图像尺寸缩小,且边缘数据相对于中间数据的利用率较低,为了解决这两个不足,因此在卷积操作之前,沿着图像边缘填充一层像素,卷积的输出与输入的维度关系为n-f+1,其中n×n为输入矩阵的维度,f×f为卷积核的维度,如果填充了p个像素点后,其输出维度则为n+2p-f+1,用0填充边缘像素,这样便可充分利用样本中的信息;
步骤4.1.3:第三层进行卷积操作,设置batch_size,减少一次性输入样本个数,batch_size与样本总量有关,本发明的batch_size采用256;
步骤4.1.4:第四层为正则化操作Batch Normalization;通过正则化解决过拟合问题,Dropout层是在训练的过程中,对神经网络某一层的单元中数据进行随机丢弃,所得到的结果就是其输出值,采用Dropout集成方法从原始网络随机去掉部分单元后形成网络,为了有效删除某些单元,将要删除的单元的输入乘以0;
步骤4.1.5:搭建第五层激活函数Activation,第三层的卷积操作完成之后,经过激活函数非线性化操作输入至下一层网络;
步骤4.1.6:搭建第六层池化层;经过池化操作之后,有效降低特征的数据量,减少神经网络的计算负担;
步骤4.1.7:该模型是一个三层卷积神经网络,因而又将卷积、正则化、激活及池化操作进行两次;
步骤4.1.8:倒数第二层为全连接层fully connected layer,将网络中学习到的数据特征投射到样本空间中,即将网络前层输出的多维数据转化为一维向量;
步骤4.1.9:最后一层为输出层Dense,使用Sotfomax函数将卷积层和全连接层提取的特征进行分类,输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214568.2A CN116224062A (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214568.2A CN116224062A (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116224062A true CN116224062A (zh) | 2023-06-06 |
Family
ID=86582183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310214568.2A Pending CN116224062A (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116224062A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
-
2023
- 2023-03-07 CN CN202310214568.2A patent/CN116224062A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN107292875A (zh) | 一种基于全局‑局部特征融合的显著性检测方法 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN113538457B (zh) | 利用多频动态空洞卷积的视频语义分割方法 | |
US20210182615A1 (en) | Alexnet-based insulator self-explosion recognition method | |
CN110276247A (zh) | 一种基于YOLOv3-Tiny的行车检测方法 | |
CN111476133B (zh) | 面向无人驾驶的前背景编解码器网络目标提取方法 | |
CN116523875A (zh) | 基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法 | |
CN113283409A (zh) | 基于EfficientDet和Transformer的航空图像中的飞机检测方法 | |
CN111860290A (zh) | 一种激光熔覆过程中裂纹识别的方法 | |
CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
Liu et al. | Feature extraction and classification of hyperspectral image based on 3D-convolution neural network | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN112801204B (zh) | 基于自动神经网络的具有终身学习能力的高光谱分类方法 | |
CN116224062A (zh) | 一种基于卷积神经网络的伺服电机故障诊断方法 | |
CN116704444A (zh) | 一种基于级联注意力U-Net的视频异常事件检测方法 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN116843657A (zh) | 基于注意力融合的焊接缺陷检测方法及装置 | |
CN116127856A (zh) | 一种基于深层神经网络的永磁同步电机故障诊断方法 | |
CN111401209A (zh) | 一种基于深度学习的动作识别方法 | |
CN111126173A (zh) | 一种高精度人脸检测方法 | |
Xu et al. | Transformer image recognition system based on deep learning |
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 |