CN116298880A - 微电机可靠性综合测试系统及其方法 - Google Patents
微电机可靠性综合测试系统及其方法 Download PDFInfo
- Publication number
- CN116298880A CN116298880A CN202310525201.2A CN202310525201A CN116298880A CN 116298880 A CN116298880 A CN 116298880A CN 202310525201 A CN202310525201 A CN 202310525201A CN 116298880 A CN116298880 A CN 116298880A
- Authority
- CN
- China
- Prior art keywords
- feature
- pulse waveform
- training
- matrix
- frequency domain
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 154
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 170
- 239000013598 vector Substances 0.000 claims description 99
- 238000009826 distribution Methods 0.000 claims description 57
- 238000010586 diagram Methods 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010998 test method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 45
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
公开了一种微电机可靠性综合测试系统及其方法。其首先对由霍尔传感器采集的被测微电机输出的脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值,接着,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵,然后,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵,最后,将所述优化脉冲波形特征矩阵通过分类器以得到用于表示所述被测微电机是否存在故障的分类结果。这样,可以提高微电机可靠性评估的效率和准确性。
Description
技术领域
本申请涉及智能测试领域,且更为具体地,涉及一种微电机可靠性综合测试系统及其方法。
背景技术
微电机品种众多、规格繁杂、市场应用领域十分广泛,其综合了电机、微电子、电力电子、计算机、自动控制、精密机械、新材料等多门学科的高新技术行业,尤其是电子技术和新材料技术的应用促进了微电机技术的进步。
微电机作为电力电子设备中的重要组成部分,其可靠性测试是产品质量控制的关键环节。传统的微电机可靠性测试系统主要依靠人工经验进行检测判断,导致测试效率低、准确性差。因此,期待一种微电机可靠性综合测试系统,其能够通过人工智能技术对微电机是否发生故障进行检测判断,以提高微电机可靠性评估的效率和准确性,优化微电机的性能。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种微电机可靠性综合测试系统及其方法。其首先对由霍尔传感器采集的被测微电机输出的脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值,接着,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵,然后,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵,最后,将所述优化脉冲波形特征矩阵通过分类器以得到用于表示所述被测微电机是否存在故障的分类结果。这样,可以提高微电机可靠性评估的效率和准确性。
根据本申请的一个方面,提供了一种微电机可靠性综合测试系统,其包括:脉冲波形采集模块,用于获取由霍尔传感器采集的被测微电机输出的脉冲波形图;频域分析模块,用于对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;脉冲波形特征提取模块,用于将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;空间特征增强模块,用于将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及故障检测模块,用于将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
在上述的微电机可靠性综合测试系统中,所述脉冲波形特征提取模块,包括:图像特征提取单元,用于使用所述CLIP模型的图像编码器对所述脉冲波形图进行处理以得到图像特征向量;频域统计特征提取单元,用于使用所述CLIP模型的序列编码器对所述多个频域统计特征值进行处理以得到序列特征向量;以及关联编码单元,用于使用所述CLIP模型的联合编码器来基于所述序列特征向量,对所述图像特征向量的特征表达进行优化以得到所述脉冲波形特征矩阵。
在上述的微电机可靠性综合测试系统中,所述图像特征提取单元,用于:使用所述CLIP模型的图像编码器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述CLIP模型的图像编码器的最后一层输出所述图像特征向量,其中,所述CLIP模型的图像编码器的第一层的输入为所述脉冲波形图。
在上述的微电机可靠性综合测试系统中,所述频域统计特征提取单元,用于:使用所述CLIP模型的序列编码器的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述CLIP模型的序列编码器的最后一层的输出为所述序列特征向量,其中,所述CLIP模型的序列编码器的第一层的输入为所述多个频域统计特征值。
在上述的微电机可靠性综合测试系统中,所述空间特征增强模块,用于:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述优化脉冲波形特征矩阵。
在上述的微电机可靠性综合测试系统中,还包括用于对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练的训练模块。
在上述的微电机可靠性综合测试系统中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括被测微电机输出的训练脉冲波形图,以及,所述被测微电机是否存在故障的真实值;训练频域分析单元,用于对所述训练脉冲波形图进行基于傅里叶变换的频域分析以得到多个训练频域统计特征值;训练脉冲波形特征提取单元,用于将所述多个训练频域统计特征值和所述训练脉冲波形图通过所述包含序列编码器和图像编码器的CLIP模型以得到训练图像特征向量和训练序列特征向量;训练特征表达优化单元,用于使用所述CLIP模型的联合编码器来基于所述训练序列特征向量,对所述训练图像特征向量的特征表达进行优化以得到训练脉冲波形特征矩阵;训练空间特征增强单元,用于将所述训练脉冲波形特征矩阵通过所述空间注意力模块以得到优化训练脉冲波形特征矩阵;分类损失单元,用于将所述优化训练脉冲波形特征矩阵通过所述分类器以得到分类损失函数值;概率分布移位信息补偿单元,用于计算所述训练图像特征向量和所述训练序列特征向量的概率分布移位信息补偿损失函数值;以及模型训练单元,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练。
在上述的微电机可靠性综合测试系统中,所述分类损失单元,用于:使用所述分类器以如下分类损失公式对所述优化训练脉冲波形特征矩阵进行处理以得到训练分类结果,所述分类损失公式为:;其中,/>表示将所述优化训练脉冲波形特征矩阵投影为向量,/>至/>为各层全连接层的权重矩阵,至/>表示各层全连接层的偏置矩阵;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在上述的微电机可靠性综合测试系统中,所述概率分布移位信息补偿单元,用于:以如下优化公式计算所述训练图像特征向量和所述训练序列特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:
,其中,/>是所述训练图像特征向量,/>是所述训练序列特征向量,/>表示/> 函数,表示/>函数, />表示以2为底的对数函数,/>和/>为移位补偿超参数,且为加权超参数,/>表示所述概率分布移位信息补偿损失函数值。
根据本申请的另一个方面,提供了一种微电机可靠性综合测试方法,其包括:获取由霍尔传感器采集的被测微电机输出的脉冲波形图;对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
与现有技术相比,本申请提供的微电机可靠性综合测试系统及其方法,其首先对由霍尔传感器采集的被测微电机输出的脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值,接着,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵,然后,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵,最后,将所述优化脉冲波形特征矩阵通过分类器以得到用于表示所述被测微电机是否存在故障的分类结果。这样,可以提高微电机可靠性评估的效率和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的微电机可靠性综合测试系统的应用场景图。
图2为根据本申请实施例的微电机可靠性综合测试系统的框图示意图。
图3为根据本申请实施例的微电机可靠性综合测试系统中的所述脉冲波形特征提取模块的框图示意图。
图4为根据本申请实施例的微电机可靠性综合测试系统中进一步包括的训练模块的框图示意图。
图5为根据本申请实施例的微电机可靠性综合测试方法的流程图。
图6为根据本申请实施例的微电机可靠性综合测试方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,微电机作为电力电子设备中的重要组成部分,其可靠性测试是产品质量控制的关键环节。传统的微电机可靠性测试系统主要依靠人工经验进行检测判断,导致测试效率低、准确性差。因此,期待一种微电机可靠性综合测试系统,其能够通过人工智能技术对微电机是否发生故障进行检测判断,以提高微电机可靠性评估的效率和准确性,优化微电机的性能。
相应地,考虑到在实际使用微电机可靠性测试系统对于微电机的可靠性进行检测评估过程中,由于脉冲波形图是标志微电机工作状态的重要指标,其可以清晰地反映微电机的工作情况和可能存在的故障。因此,在本申请的技术方案中,期望通过对于微电机输出的脉冲波形图进行分析来实现微电机的可靠性测试。但是,由于所述脉冲波形图中含有较多的信息量,而关于微电机的工作性能特征和可能存在的故障特征信息在所述脉冲波形图中为小尺度的隐含特征信息,难以进行充分地捕捉提取,且易受到外界噪声的干扰,导致对于微电机可靠性测试的精准度不能满足预定要求。因此,在此过程中,难点在于如何挖掘所述脉冲波形图中关于微电机的工作性能和故障的隐含特征分布信息,以此来提高对微电机是否发生故障判断的准确性和效率,从而优化微电机的性能。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述脉冲波形图中关于微电机的工作性能和故障的隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过霍尔传感器采集被测微电机输出的脉冲波形图。接着,考虑到对于所述脉冲波形图来说,由于所述脉冲波形图是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述被测微电机输出的脉冲信号较弱,其会受到外界噪声的干扰,导致对于所述脉冲波形图的特征提取准度较低,进而影响对于所述微电机的故障检测判断精准度。而频域信号的特征却不同于时域信号,将所述脉冲波形图转换到频域中,能够通过所述被测微电机输出的脉冲信号在频域中的统计特征的隐含特征来对所述微电机输出的脉冲波形图的隐含特征进行优化,以提高所述对微电机是否发生故障判断的准确性。但是,频域统计特征在所述被测微电机输出的脉冲信号的特征显性上并不直观,忽略了时间上的关联特征。因此,在本申请的技术方案中,采用所述被测微电机输出的脉冲信号在时域与频域上的隐含特征的结合的方式来进行微电机的故障检测。
具体地,考虑到所述脉冲信号中具有较多的特征信息,并且这些特征信息之间具有着关联性,因此,在进行所述脉冲信号的频域特征提取时,为了能够充分地挖掘出所述脉冲信号在频域中的特征分布的关联特征信息,以此来提高故障检测的精度,进一步对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值。
然后,为了能够进一步提高所述脉冲信号的特征的表达充分性,以提高对于微电机故障检测的精准度,进一步使用CLIP模型来完成所述脉冲信号的时域和频域的特征挖掘融合。也就是,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵。具体地,使用所述CLIP模型的图像编码器来对于所述脉冲波形图进行处理,以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述脉冲波形图中关于脉冲信号的时域隐含特征分布信息,即所述脉冲信号时域中关于微电机的工作性能和故障的隐含特征信息,从而得到图像特征向量。接着,进一步再将所述多个频域统计特征值通过所述CLIP模型的序列编码器中进行编码以得到序列特征向量。特别地,这里,所述序列编码器为使用具有一维卷积核的卷积神经网络模型,以此来提取出所述多个频域统计特征值之间的关联特征信息,即所述脉冲信号频域中关于微电机的工作性能和故障的隐含特征信息。
进一步地,再使用所述CLIP模型的联合编码器来基于所述序列特征向量,对所述图像特征向量的特征表达进行优化以得到脉冲波形特征矩阵。应可以理解,这里,使用所述CLIP模型的联合编码器来进行所述脉冲信号的时域特征和频域特征的联合编码优化,以基于所述脉冲信号的频域统计特征对电机输出脉冲的时域波形隐含分布特征进行特征优化表达,从而得到所述脉冲波形特征矩阵。
然后,考虑到由于在实际进行微电机的故障诊断过程中,应关注于空间位置上关于所述被测微电机输出的脉冲信号特征而忽略与此信号特征无关的干扰特征,以此来提高对于所述被测微电机的故障检测精准度。应可以理解,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述脉冲波形特征矩阵通过空间注意力模块中进行处理,以对于所述被测微电机输出的脉冲信号的隐含特征进行空间位置增强,从而提取出聚焦于空间上的关于所述被测微电机输出的脉冲信号特征分布信息,以得到优化脉冲波形特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于所述被测微电机输出的脉冲信号中关于微电机的工作性能和故障隐含特征分布信息。
接着,将所述优化脉冲波形特征矩阵通过分类器中进行分类处理,以得到用于表示所述被测微电机是否存在故障的分类结果。也就是说,以空间上聚焦于所述被测微电机输出的脉冲信号中关于微电机的工作性能和故障隐含特征分布信息来进行分类处理,以此来进行所述被测微电机的故障检测。也就是,具体地,在本申请的技术方案中,所述分类器的标签包括被测微电机存在故障(第一标签),以及,被测微电机没有存在故障(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被测微电机是否存在故障”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被测微电机是否存在故障的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被测微电机是否存在故障”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为被测微电机是否存在故障的评估检测标签,因此,在得到所述分类结果后,可基于所述分类结果来对于微电机是否发生故障进行准确地检测判断,以优化微电机的性能。
特别地,在本申请的技术方案中,这里,在将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型得到所述脉冲波形特征矩阵时,是对所述多个频域统计特征值通过序列编码器得到的序列特征向量与所述脉冲波形图通过图像编码器得到的图像特征向量进行关联编码以得到所述脉冲波形特征矩阵。在这种情况下,考虑到序列关联特征和图像语义特征相对于分类器的类标签的概率分布的差异,融合后的所述脉冲波形特征矩阵通过分类器时,所述序列特征向量与所述图像特征向量各自的特征分布在模型的参数空间内后向传播时,会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题,从而影响所述脉冲波形特征矩阵的特征表达效果。
这里,基于Softmax函数从所述训练图像特征向量和所述训练序列特征向量分别得到的类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述训练图像特征向量/>和所述训练序列特征向量/>的特征表示的概率分布的移位来进行信息补偿,并通过bool函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述脉冲波形特征矩阵能够最大程度地还原融合前的所述训练图像特征向量/>和所述训练序列特征向量/>的特征概率分布表达信息,从而提升所述脉冲波形特征矩阵的特征表达效果,进而改进所述脉冲波形特征矩阵通过空间注意力模块得到的所述优化脉冲波形特征矩阵的分类结果的准确性。这样,能够通过人工智能技术对微电机是否发生故障进行检测判断,以提高微电机可靠性评估的效率和准确性,从而优化微电机的性能。
图1为根据本申请实施例的微电机可靠性综合测试系统的应用场景图。如图1所示,在该应用场景中,首先,获取由霍尔传感器(例如,图1中所示意的C)采集的被测微电机(例如,图1中所示意的N)输出的脉冲波形图(例如,图1中所示意的D),然后,将所述脉冲波形图输入至部署有微电机可靠性综合测试算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述微电机可靠性综合测试算法对所述脉冲波形图进行处理以得到用于表示所述被测微电机是否存在故障的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的微电机可靠性综合测试系统的框图示意图。如图2所示,根据本申请实施例的微电机可靠性综合测试系统100,包括:脉冲波形采集模块110,用于获取由霍尔传感器采集的被测微电机输出的脉冲波形图;频域分析模块120,用于对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;脉冲波形特征提取模块130,用于将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;空间特征增强模块140,用于将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及,故障检测模块150,用于将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
更具体地,在本申请实施例中,所述脉冲波形采集模块110,用于获取由霍尔传感器采集的被测微电机输出的脉冲波形图。在实际使用微电机可靠性测试系统对于微电机的可靠性进行检测评估过程中,由于脉冲波形图是标志微电机工作状态的重要指标,其可以清晰地反映微电机的工作情况和可能存在的故障。因此,在本申请的技术方案中,期望通过对于微电机输出的脉冲波形图进行分析来实现微电机的可靠性测试。
更具体地,在本申请实施例中,所述频域分析模块120,用于对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值。对于所述脉冲波形图来说,由于所述脉冲波形图是一种时域信号,所述时域信号虽然在时间关联中对于特征的显性更为直观,但是由于所述被测微电机输出的脉冲信号较弱,其会受到外界噪声的干扰,导致对于所述脉冲波形图的特征提取准度较低,进而影响对于所述微电机的故障检测判断精准度。而频域信号的特征却不同于时域信号,将所述脉冲波形图转换到频域中,能够通过所述被测微电机输出的脉冲信号在频域中的统计特征的隐含特征来对所述微电机输出的脉冲波形图的隐含特征进行优化,以提高所述对微电机是否发生故障判断的准确性。
更具体地,在本申请实施例中,所述脉冲波形特征提取模块130,用于将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵。为了能够进一步提高所述脉冲信号的特征的表达充分性,以提高对于微电机故障检测的精准度,进一步使用CLIP模型来完成所述脉冲信号的时域和频域的特征挖掘融合。具体地,使用所述CLIP模型的图像编码器来对于所述脉冲波形图进行处理,以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述脉冲波形图中关于脉冲信号的时域隐含特征分布信息。再将所述多个频域统计特征值通过所述CLIP模型的序列编码器中进行编码以得到序列特征向量,这里,所述序列编码器为使用具有一维卷积核的卷积神经网络模型,以此来提取出所述多个频域统计特征值之间的关联特征信息,即所述脉冲信号频域中关于微电机的工作性能和故障的隐含特征信息。
相应地,在一个具体示例中,如图3所示,所述脉冲波形特征提取模块130,包括:图像特征提取单元131,用于使用所述CLIP模型的图像编码器对所述脉冲波形图进行处理以得到图像特征向量;频域统计特征提取单元132,用于使用所述CLIP模型的序列编码器对所述多个频域统计特征值进行处理以得到序列特征向量;以及,关联编码单元133,用于使用所述CLIP模型的联合编码器来基于所述序列特征向量,对所述图像特征向量的特征表达进行优化以得到所述脉冲波形特征矩阵。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,所述图像特征提取单元131,用于:使用所述CLIP模型的图像编码器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述CLIP模型的图像编码器的最后一层输出所述图像特征向量,其中,所述CLIP模型的图像编码器的第一层的输入为所述脉冲波形图。
相应地,在一个具体示例中,所述频域统计特征提取单元132,用于:使用所述CLIP模型的序列编码器的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述CLIP模型的序列编码器的最后一层的输出为所述序列特征向量,其中,所述CLIP模型的序列编码器的第一层的输入为所述多个频域统计特征值。
更具体地,在本申请实施例中,所述空间特征增强模块140,用于将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵。在实际进行微电机的故障诊断过程中,应关注于空间位置上关于所述被测微电机输出的脉冲信号特征而忽略与此信号特征无关的干扰特征,以此来提高对于所述被测微电机的故障检测精准度。应可以理解,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述脉冲波形特征矩阵通过空间注意力模块中进行处理,以对于所述被测微电机输出的脉冲信号的隐含特征进行空间位置增强,从而提取出聚焦于空间上的关于所述被测微电机输出的脉冲信号特征分布信息,以得到优化脉冲波形特征矩阵。
值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于所述被测微电机输出的脉冲信号中关于微电机的工作性能和故障隐含特征分布信息。
相应地,在一个具体示例中,所述空间特征增强模块140,用于:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述优化脉冲波形特征矩阵。
更具体地,在本申请实施例中,所述故障检测模块150,用于将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。也就是说,以空间上聚焦于所述被测微电机输出的脉冲信号中关于微电机的工作性能和故障隐含特征分布信息来进行分类处理,以此来进行所述被测微电机的故障检测。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,所述的微电机可靠性综合测试系统,还包括用于对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练的训练模块。如图4所示,所述训练模块200,包括:训练数据采集单元210,用于获取训练数据,所述训练数据包括被测微电机输出的训练脉冲波形图,以及,所述被测微电机是否存在故障的真实值;训练频域分析单元220,用于对所述训练脉冲波形图进行基于傅里叶变换的频域分析以得到多个训练频域统计特征值;训练脉冲波形特征提取单元230,用于将所述多个训练频域统计特征值和所述训练脉冲波形图通过所述包含序列编码器和图像编码器的CLIP模型以得到训练图像特征向量和训练序列特征向量;训练特征表达优化单元240,用于使用所述CLIP模型的联合编码器来基于所述训练序列特征向量,对所述训练图像特征向量的特征表达进行优化以得到训练脉冲波形特征矩阵;训练空间特征增强单元250,用于将所述训练脉冲波形特征矩阵通过所述空间注意力模块以得到优化训练脉冲波形特征矩阵;分类损失单元260,用于将所述优化训练脉冲波形特征矩阵通过所述分类器以得到分类损失函数值;概率分布移位信息补偿单元270,用于计算所述训练图像特征向量和所述训练序列特征向量的概率分布移位信息补偿损失函数值;以及,模型训练单元280,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练。
相应地,在一个具体示例中,所述分类损失单元260,用于:使用所述分类器以如下分类损失公式对所述优化训练脉冲波形特征矩阵进行处理以得到训练分类结果,所述分类损失公式为:;其中,/>表示将所述优化训练脉冲波形特征矩阵投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地,在本申请的技术方案中,这里,在将所述多个训练频域统计特征值和所述训练脉冲波形图通过包含序列编码器和图像编码器的CLIP模型得到所述训练脉冲波形特征矩阵时,是对所述多个训练频域统计特征值通过序列编码器得到的训练序列特征向量与所述训练脉冲波形图通过图像编码器得到的图像特征向量进行关联编码以得到所述训练脉冲波形特征矩阵。在这种情况下,考虑到序列关联特征和图像语义特征相对于分类器的类标签的概率分布的差异,融合后的所述训练脉冲波形特征矩阵通过分类器时,所述训练序列特征向量与所述训练图像特征向量各自的特征分布在模型的参数空间内后向传播时,会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题,从而影响所述训练脉冲波形特征矩阵的特征表达效果。基于此,本申请的申请人引入针对所述训练序列特征向量和所述训练图像特征向量的概率分布移位信息补偿损失函数。
相应地,在一个具体示例中,所述概率分布移位信息补偿单元270,用于:以如下优化公式计算所述训练图像特征向量和所述训练序列特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:,其中,/>是所述训练图像特征向量,/>是所述训练序列特征向量,/>表示 函数,/>表示/>函数, />表示以2为底的对数函数,/>和/>为移位补偿超参数,且 />为加权超参数,/>表示所述概率分布移位信息补偿损失函数值。
这里,基于函数从所述训练序列特征向量和所述训练图像特征向量分别得到的类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述训练序列特征向量和所述训练图像特征向量的特征表示的概率分布的移位来进行信息补偿,并通过/>函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述训练脉冲波形特征矩阵能够最大程度地还原融合前的所述训练序列特征向量和所述训练图像特征向量的特征概率分布表达信息,从而提升所述训练脉冲波形特征矩阵的特征表达效果,进而改进所述训练脉冲波形特征矩阵通过空间注意力模块得到的所述优化训练脉冲波形特征矩阵的分类结果的准确性。这样,能够通过人工智能技术对微电机是否发生故障进行检测判断,以提高微电机可靠性评估的效率和准确性,从而优化微电机的性能。
综上,基于本申请实施例的微电机可靠性综合测试系统100被阐明,其首先对由霍尔传感器采集的被测微电机输出的脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值,接着,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵,然后,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵,最后,将所述优化脉冲波形特征矩阵通过分类器以得到用于表示所述被测微电机是否存在故障的分类结果。这样,可以提高微电机可靠性评估的效率和准确性。
如上所述,根据本申请实施例的基于本申请实施例的微电机可靠性综合测试系统100可以实现在各种终端设备中,例如具有基于本申请实施例的微电机可靠性综合测试算法的服务器等。在一个示例中,基于本申请实施例的微电机可靠性综合测试系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的微电机可靠性综合测试系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的微电机可靠性综合测试系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的微电机可靠性综合测试系统100与该终端设备也可以是分立的设备,并且该微电机可靠性综合测试系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的微电机可靠性综合测试方法的流程图。如图5所示,根据本申请实施例的微电机可靠性综合测试方法,其包括:S110,获取由霍尔传感器采集的被测微电机输出的脉冲波形图;S120,对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;S130,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;S140,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及,S150,将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
图6为根据本申请实施例的微电机可靠性综合测试方法的系统架构的示意图。如图6所示,在所述微电机可靠性综合测试方法的系统架构中,首先,获取由霍尔传感器采集的被测微电机输出的脉冲波形图;接着,对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;然后,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;接着,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;最后,将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
在一个具体示例中,在上述微电机可靠性综合测试方法中,将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵,包括:使用所述CLIP模型的图像编码器对所述脉冲波形图进行处理以得到图像特征向量;使用所述CLIP模型的序列编码器对所述多个频域统计特征值进行处理以得到序列特征向量;以及,使用所述CLIP模型的联合编码器来基于所述序列特征向量,对所述图像特征向量的特征表达进行优化以得到所述脉冲波形特征矩阵。
在一个具体示例中,在上述微电机可靠性综合测试方法中,使用所述CLIP模型的图像编码器对所述脉冲波形图进行处理以得到图像特征向量,包括:使用所述CLIP模型的图像编码器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述CLIP模型的图像编码器的最后一层输出所述图像特征向量,其中,所述CLIP模型的图像编码器的第一层的输入为所述脉冲波形图。
在一个具体示例中,在上述微电机可靠性综合测试方法中,使用所述CLIP模型的序列编码器对所述多个频域统计特征值进行处理以得到序列特征向量,包括:使用所述CLIP模型的序列编码器的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述CLIP模型的序列编码器的最后一层的输出为所述序列特征向量,其中,所述CLIP模型的序列编码器的第一层的输入为所述多个频域统计特征值。
在一个具体示例中,在上述微电机可靠性综合测试方法中,将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵,包括:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述优化脉冲波形特征矩阵。
在一个具体示例中,在上述微电机可靠性综合测试方法中,还包括用于对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练的训练步骤。所述训练步骤,包括:获取训练数据,所述训练数据包括被测微电机输出的训练脉冲波形图,以及,所述被测微电机是否存在故障的真实值;对所述训练脉冲波形图进行基于傅里叶变换的频域分析以得到多个训练频域统计特征值;将所述多个训练频域统计特征值和所述训练脉冲波形图通过所述包含序列编码器和图像编码器的CLIP模型以得到训练图像特征向量和训练序列特征向量;使用所述CLIP模型的联合编码器来基于所述训练序列特征向量,对所述训练图像特征向量的特征表达进行优化以得到训练脉冲波形特征矩阵;将所述训练脉冲波形特征矩阵通过所述空间注意力模块以得到优化训练脉冲波形特征矩阵;将所述优化训练脉冲波形特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练图像特征向量和所述训练序列特征向量的概率分布移位信息补偿损失函数值;以及,以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练。
在一个具体示例中,在上述微电机可靠性综合测试方法中,将所述优化训练脉冲波形特征矩阵通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下分类损失公式对所述优化训练脉冲波形特征矩阵进行处理以得到训练分类结果,所述分类损失公式为:;其中,/>表示将所述优化训练脉冲波形特征矩阵投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在一个具体示例中,在上述微电机可靠性综合测试方法中,计算所述训练图像特征向量和所述训练序列特征向量的概率分布移位信息补偿损失函数值,包括:以如下优化公式计算所述训练图像特征向量和所述训练序列特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:,其中,/>是所述训练图像特征向量,/>是所述训练序列特征向量,/>表示 函数,/>表示/>函数, />表示以2为底的对数函数,/>和/>为移位补偿超参数,且 />为加权超参数,/>表示所述概率分布移位信息补偿损失函数值。
这里,本领域技术人员可以理解,上述微电机可靠性综合测试方法中的各个步骤的具体操作已经在上面参考图1到图4的微电机可靠性综合测试系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种微电机可靠性综合测试系统,其特征在于,包括:脉冲波形采集模块,用于获取由霍尔传感器采集的被测微电机输出的脉冲波形图;频域分析模块,用于对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;脉冲波形特征提取模块,用于将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;空间特征增强模块,用于将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及故障检测模块,用于将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
2.根据权利要求1所述的微电机可靠性综合测试系统,其特征在于,所述脉冲波形特征提取模块,包括:图像特征提取单元,用于使用所述CLIP模型的图像编码器对所述脉冲波形图进行处理以得到图像特征向量;频域统计特征提取单元,用于使用所述CLIP模型的序列编码器对所述多个频域统计特征值进行处理以得到序列特征向量;以及关联编码单元,用于使用所述CLIP模型的联合编码器来基于所述序列特征向量,对所述图像特征向量的特征表达进行优化以得到所述脉冲波形特征矩阵。
3.根据权利要求2所述的微电机可靠性综合测试系统,其特征在于,所述图像特征提取单元,用于:使用所述CLIP模型的图像编码器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述CLIP模型的图像编码器的最后一层输出所述图像特征向量,其中,所述CLIP模型的图像编码器的第一层的输入为所述脉冲波形图。
4.根据权利要求3所述的微电机可靠性综合测试系统,其特征在于,所述频域统计特征提取单元,用于:使用所述CLIP模型的序列编码器的各层在层的正向传递中分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述CLIP模型的序列编码器的最后一层的输出为所述序列特征向量,其中,所述CLIP模型的序列编码器的第一层的输入为所述多个频域统计特征值。
5.根据权利要求4所述的微电机可靠性综合测试系统,其特征在于,所述空间特征增强模块,用于:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述优化脉冲波形特征矩阵。
6.根据权利要求5所述的微电机可靠性综合测试系统,其特征在于,还包括用于对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练的训练模块。
7.根据权利要求6所述的微电机可靠性综合测试系统,其特征在于,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括被测微电机输出的训练脉冲波形图,以及,所述被测微电机是否存在故障的真实值;训练频域分析单元,用于对所述训练脉冲波形图进行基于傅里叶变换的频域分析以得到多个训练频域统计特征值;训练脉冲波形特征提取单元,用于将所述多个训练频域统计特征值和所述训练脉冲波形图通过所述包含序列编码器和图像编码器的CLIP模型以得到训练图像特征向量和训练序列特征向量;训练特征表达优化单元,用于使用所述CLIP模型的联合编码器来基于所述训练序列特征向量,对所述训练图像特征向量的特征表达进行优化以得到训练脉冲波形特征矩阵;训练空间特征增强单元,用于将所述训练脉冲波形特征矩阵通过所述空间注意力模块以得到优化训练脉冲波形特征矩阵;分类损失单元,用于将所述优化训练脉冲波形特征矩阵通过所述分类器以得到分类损失函数值;概率分布移位信息补偿单元,用于计算所述训练图像特征向量和所述训练序列特征向量的概率分布移位信息补偿损失函数值;以及模型训练单元,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和图像编码器的CLIP模型、所述空间注意力模块和所述分类器进行训练。
10.一种微电机可靠性综合测试方法,其特征在于,包括:获取由霍尔传感器采集的被测微电机输出的脉冲波形图;对所述脉冲波形图进行基于傅里叶变换的频域分析以得到多个频域统计特征值;将所述多个频域统计特征值和所述脉冲波形图通过包含序列编码器和图像编码器的CLIP模型以得到脉冲波形特征矩阵;将所述脉冲波形特征矩阵通过空间注意力模块以得到优化脉冲波形特征矩阵;以及将所述优化脉冲波形特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述被测微电机是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525201.2A CN116298880A (zh) | 2023-05-11 | 2023-05-11 | 微电机可靠性综合测试系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525201.2A CN116298880A (zh) | 2023-05-11 | 2023-05-11 | 微电机可靠性综合测试系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116298880A true CN116298880A (zh) | 2023-06-23 |
Family
ID=86796183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310525201.2A Pending CN116298880A (zh) | 2023-05-11 | 2023-05-11 | 微电机可靠性综合测试系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298880A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
CN117896020A (zh) * | 2024-01-25 | 2024-04-16 | 北京雷格讯电子股份有限公司 | 一种微波收发通信系统的测试方法及测试系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220121871A1 (en) * | 2020-10-16 | 2022-04-21 | Tsinghua University | Multi-directional scene text recognition method and system based on multi-element attention mechanism |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
CN116068891A (zh) * | 2022-12-30 | 2023-05-05 | 杭州灼粤数码科技有限公司 | 基于物联网的设备工作参数智能调控系统及其方法 |
-
2023
- 2023-05-11 CN CN202310525201.2A patent/CN116298880A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220121871A1 (en) * | 2020-10-16 | 2022-04-21 | Tsinghua University | Multi-directional scene text recognition method and system based on multi-element attention mechanism |
KR20220050758A (ko) * | 2020-10-16 | 2022-04-25 | 현대자동차주식회사 | 다차원 어텐션 메커니즘에 기반한 다방향 장면 텍스트 인식 방법 및 시스템 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
CN116068891A (zh) * | 2022-12-30 | 2023-05-05 | 杭州灼粤数码科技有限公司 | 基于物联网的设备工作参数智能调控系统及其方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844932A (zh) * | 2023-08-30 | 2023-10-03 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
CN116844932B (zh) * | 2023-08-30 | 2023-12-15 | 西安天光测控技术有限公司 | 高温SiC离子注入系统及其方法 |
CN117896020A (zh) * | 2024-01-25 | 2024-04-16 | 北京雷格讯电子股份有限公司 | 一种微波收发通信系统的测试方法及测试系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116298880A (zh) | 微电机可靠性综合测试系统及其方法 | |
CN112396129B (zh) | 一种对抗样本检测方法及通用对抗攻击防御系统 | |
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 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
CN116577677A (zh) | 退役动力电池的放电测试系统及其方法 | |
CN116492634B (zh) | 基于图像视觉定位的立定跳远测试方法 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
CN116329949A (zh) | 刀塔的智能化装配方法及其系统 | |
CN116310563A (zh) | 一种贵金属库存的管理方法及系统 | |
CN117237733A (zh) | 一种结合自监督和弱监督学习的乳腺癌全切片图像分类方法 | |
CN116596556A (zh) | 肉牛追溯管理系统及方法 | |
CN116026569A (zh) | 释放源数据的机械设备无监督迁移智能故障诊断方法 | |
CN116681945A (zh) | 一种基于强化学习的小样本类增量识别方法 | |
CN116295752A (zh) | 用于smt上料设备的测试力度控制方法及系统 | |
Lin et al. | A novel product remaining useful life prediction approach considering fault effects | |
CN112949658B (zh) | 一种具有稳定性能的深度学习方法 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN102697491A (zh) | 心电图特征波形识别方法和系统 | |
CN116563251A (zh) | 汽车用拉杆球头的智能加工方法及其系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |