CN116631769A - 一种自动绕线机监测方法及系统 - Google Patents

一种自动绕线机监测方法及系统 Download PDF

Info

Publication number
CN116631769A
CN116631769A CN202310590471.1A CN202310590471A CN116631769A CN 116631769 A CN116631769 A CN 116631769A CN 202310590471 A CN202310590471 A CN 202310590471A CN 116631769 A CN116631769 A CN 116631769A
Authority
CN
China
Prior art keywords
winding machine
automatic winding
data
model
winding
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
Application number
CN202310590471.1A
Other languages
English (en)
Inventor
栾世琛
金长新
李锐
魏子重
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Shandong Inspur Science Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Inspur Science Research Institute Co Ltd filed Critical Shandong Inspur Science Research Institute Co Ltd
Priority to CN202310590471.1A priority Critical patent/CN116631769A/zh
Publication of CN116631769A publication Critical patent/CN116631769A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
    • H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
    • H01F41/04—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets for manufacturing coils
    • H01F41/06—Coil winding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Filamentary Materials, Packages, And Safety Devices Therefor (AREA)

Abstract

本发明涉及微型机器学习领域，具体提供了一种自动绕线机监测方法及系统，具有如下步骤：S1、数据采集；S2、模型训练与部署；S3、参数调节管理。与现有技术相比，本发明使用的设备是低功耗微控制器，在自动绕线机绕制加工监测场景下，其性能将在功耗、执行时间和预测的准确性方面取得很好的平衡，有效纠正自动绕线机绕制加工过程中可能随机出现的偏差。

Description

一种自动绕线机监测方法及系统
技术领域
本发明涉及微型机器学习领域，具体提供一种自动绕线机监测方法及装置。
背景技术
自动绕线机可以完成电力电子行业需要使用漆包线绕制的产品,如各类电机，电感，变压器等基础电磁元件的一道或多道加工，生产效率较人力大幅提高，但在自动绕线机绕制过程中，会出现漆包线伤损、圈数不准、平整度较差等问题。
发明内容
本发明是针对上述现有技术的不足，提供一种实用性强的自动绕线机监测方法。
本发明进一步的技术任务是提供一种设计合理，安全适用的。
本发明解决其技术问题所采用的技术方案是：
一种自动绕线机监测方法，具有如下步骤：
S1、数据采集；
S2、模型训练与部署；
S3、参数调节管理。
进一步的，在步骤S1中，获取自动绕线机绕制加工参数的历史数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据。
进一步的，将传感器获取的绕制加工参数，根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本。
进一步的，在步骤S2中，依据步骤S1中取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用在线预测算法，在云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至嵌入式应用平台。
进一步的，在步骤S3中，通过嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理。
进一步的，输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
一种自动绕线机监测系统，首先进行数据采集，将单位时间内采集到的数据平均值作为训练样本，然后进行模型训练与部署，将模型通过微型机器学习部署至嵌入式应用平台；
最后，将预测后提高绕线质量的参数记录存储后重新作为数据训练。
进一步的，获取自动绕线机绕制加工参数的历史数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据，将传感器获取的绕制加工参数，根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本。
进一步的，取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用在线预测算法，在云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至嵌入式应用平台。
进一步的，通过嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理；
输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
本发明的一种自动绕线机监测方法及系统和现有技术相比，具有以下突出的有益效果：
本发明使用的设备是低功耗微控制器，在自动绕线机绕制加工监测场景下，其性能将在功耗、执行时间和预测的准确性方面取得很好的平衡，有效纠正自动绕线机绕制加工过程中可能随机出现的偏差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付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。
附图1是一种自动绕线机监测方法的流程示意图；
附图2是一种自动绕线机监测方法中监测结构示意图；
附图3是一种自动绕线机监测方法中PID调节示意图；
附图4是一种自动绕线机监测方法中训练示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案，下面结合具体的实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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都属于本发明保护的范围。
下面给出一个最佳实施例：
如图1、2和4所示，本实施例中的一种自动绕线机监测方法，具有如下步骤：
S1、数据采集；
获取自动绕线机绕制加工参数的历史数据，包括设备启停参数、绕线匝数设置、排线两端速度、主轴扭矩输出、电机运行速度、张力控制大小等数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据。将传感器获取的绕制加工参数,根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本，可以在降低噪声数据干扰的情况下，减少数据冗余。
S2、模型训练与部署；
依据步骤S1中取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用主流在线预测算法，在高性能的云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至低功耗嵌入式应用平台。
S3、参数调节管理；
通过低功耗嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理，可以有效过滤掉系统的扰动和误差，提高系统的稳定性、快速性和准确性。
如图3所示，输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
基于上述方法，本实施例中一种自动绕线机监测系统，首先进行数据采集，将单位时间内采集到的数据平均值作为训练样本，然后进行模型训练与部署，将模型通过微型机器学习部署至嵌入式应用平台；
最后，将预测后提高绕线质量的参数记录存储后重新作为数据训练。
其中，获取自动绕线机绕制加工参数的历史数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据，将传感器获取的绕制加工参数，根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本。
取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用在线预测算法，在云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至嵌入式应用平台。
通过嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理；
输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
上述具体的实施方式仅是本发明具体的个案，本发明的专利保护范围包括但不限于上述具体的实施方式，任何符合本发明的一种自动绕线机监测方法及装置权利要求书的且任何所述技术领域普通技术人员对其做出的适当变化或者替换，皆应落入本发明的专利保护范围。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种自动绕线机监测方法，其特征在于，具有如下步骤：
S1、数据采集；
S2、模型训练与部署；
S3、参数调节管理。
2.根据权利要求1所述的一种自动绕线机监测方法，其特征在于，在步骤S1中，获取自动绕线机绕制加工参数的历史数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据。
3.根据权利要求2所述的一种自动绕线机监测方法，其特征在于，将传感器获取的绕制加工参数，根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本。
4.根据权利要求3所述的一种自动绕线机监测方法，其特征在于，在步骤S2中，依据步骤S1中取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用在线预测算法，在云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至嵌入式应用平台。
5.根据权利要求4所述的一种自动绕线机监测方法，其特征在于，在步骤S3中，通过嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理。
6.根据权利要求5所述的一种自动绕线机监测方法，其特征在于，输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
7.一种自动绕线机监测系统，其特征在于，首先进行数据采集，将单位时间内采集到的数据平均值作为训练样本，然后进行模型训练与部署，将模型通过微型机器学习部署至嵌入式应用平台；
最后，将预测后提高绕线质量的参数记录存储后重新作为数据训练。
8.根据权利要求7所述的一种自动绕线机监测系统，其特征在于，获取自动绕线机绕制加工参数的历史数据，并通过部署在自动绕线机上的各类传感器采集当前环境的实时数据，将传感器获取的绕制加工参数，根据时间序列，采用下采样的方法，将单位时间内采集到的数据平均值作为训练样本。
9.根据权利要求8所述的一种自动绕线机监测系统，其特征在于，取得的数据，制作自动绕线机绕制加工监测应用场景数据集，选用在线预测算法，在云上设备对数据集进行训练，将训练好的模型优化至最佳状态，并将模型转化为MCU支持的格式，将模型通过微型机器学习部署至嵌入式应用平台。
10.根据权利要求9所述的一种自动绕线机监测系统，其特征在于，通过嵌入式应用平台，运行自动绕线机的绕制加工参数预测模型，将得到的预测参数与传感器采集到的数据相比较后的偏差值e(t)，通过PID(P-比例，I-积分，D-微分)调节系统进行处理；
输入e(t)与输出u(t)的关系为：
最后，根据参数u(t)即自动绕线机绕制的调整参数进行加工，获取并传输自动绕线机的工作状态信息，根据工作状态信息，结合预期绕线参数，判断绕线质量以及合格率，并将预测后提高绕线质量的参数记录存储后重新作为数据训练。
CN202310590471.1A 2023-05-23 2023-05-23 一种自动绕线机监测方法及系统 Pending CN116631769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310590471.1A CN116631769A (zh) 2023-05-23 2023-05-23 一种自动绕线机监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310590471.1A CN116631769A (zh) 2023-05-23 2023-05-23 一种自动绕线机监测方法及系统

Publications (1)

Publication Number Publication Date
CN116631769A true CN116631769A (zh) 2023-08-22

Family

ID=87609316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310590471.1A Pending CN116631769A (zh) 2023-05-23 2023-05-23 一种自动绕线机监测方法及系统

Country Status (1)

Country Link
CN (1) CN116631769A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118419692A (zh) * 2024-05-30 2024-08-02 青岛市琴岛电器有限公司 基于电阻监测的绕丝机调控方法及装置
CN118658727A (zh) * 2024-08-16 2024-09-17 深圳市中电熊猫磁通电子有限公司 一种变压器加工用绕线方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118419692A (zh) * 2024-05-30 2024-08-02 青岛市琴岛电器有限公司 基于电阻监测的绕丝机调控方法及装置
CN118419692B (zh) * 2024-05-30 2024-10-22 青岛市琴岛电器有限公司 基于电阻监测的绕丝机调控方法及装置
CN118658727A (zh) * 2024-08-16 2024-09-17 深圳市中电熊猫磁通电子有限公司 一种变压器加工用绕线方法及装置

Similar Documents

Publication Publication Date Title
CN116631769A (zh) 一种自动绕线机监测方法及系统
CN109357749B (zh) 一种基于dnn算法的电力设备音频信号分析方法
CN109305534B (zh) 基于计算机视觉的煤码头带式输送机自适应控制方法
CN111931389B (zh) 一种旋转型设备运行正异常状态分析方法、装置
CN109409567A (zh) 基于双层长短期记忆网络的复杂设备剩余寿命预测方法
CN111947928A (zh) 一种多源信息融合的轴承故障预测系统及方法
CN113776794A (zh) 一种嵌入式边缘计算的故障诊断方法、装置和系统
CN110514957A (zh) 变电站自动巡检方法和平台
CN110597144A (zh) 一种电机传感器数据采集单元及数据采集方法
CN111319601A (zh) 一种均衡风缸控制模块故障诊断方法、装置及存储介质
CN107729287A (zh) 一种用于柔性材料卷对卷加工过程张力预测的sov方法
CN114838936A (zh) 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN117435958A (zh) 基于多源数据采集的风电设备故障预测方法及系统
CN108719516A (zh) 一种基于rbf神经网络茶机加工控制参数智能整定方法
CN103790571A (zh) 一种无线示功仪及自适应调整方法
CN118483970A (zh) 一种基于数字孪生的矿用设备智能控制方法及系统
CN110286649A (zh) 针对数控机床上传感器采集数据的建模系统及其方法
CN117930781A (zh) 一种基于智能装备的生产管理系统
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN118819104B (zh) 电站设备故障诊断方法、装置及设备
CN116224791A (zh) 智能制造协作机器人边缘系统的协作训练控制方法
CN104112872A (zh) 动力锂离子方双针电池卷绕机张力同步控制器
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN113242247B (zh) 一种基于边缘计算的工业智能物联模块

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