CN117521708B - 直流电机圈数计数方法及系统 - Google Patents
直流电机圈数计数方法及系统 Download PDFInfo
- Publication number
- CN117521708B CN117521708B CN202410016601.5A CN202410016601A CN117521708B CN 117521708 B CN117521708 B CN 117521708B CN 202410016601 A CN202410016601 A CN 202410016601A CN 117521708 B CN117521708 B CN 117521708B
- Authority
- CN
- China
- Prior art keywords
- current signal
- pulse current
- sequence
- pulse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 145
- 239000012634 fragment Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 61
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005355 Hall effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M1/00—Design features of general application
- G06M1/27—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum
- G06M1/272—Design features of general application for representing the result of count in the form of electric signals, e.g. by sensing markings on the counter drum using photoelectric means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种直流电机圈数计数方法及系统,涉及智能化计数技术领域,其获取直流电机的电枢换向时产生的脉动电流信号;提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;以及,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。这样,可以结合深度学习算法挖掘电流波形特征分布,以此计算直流电机脉动次数,并与电机的换向器极对数和减速比相结合,推算出电机转动的圈数。
Description
技术领域
本申请涉及智能化计数技术领域,并且更具体地,涉及一种直流电机圈数计数方法及系统。
背景技术
直流电机是一种将直流电能转换为机械能的电机,广泛应用于工业、农业、交通等领域。直流电机的旋转圈数是反映其运行状态和性能的重要参数,对于控制直流电机的速度、位置和转矩等有着重要意义。
然而,传统的直流电机圈数计数方法通常需要安装额外的编码器,增加了成本和复杂度,且容易受到干扰和损坏。因此,期待一种优化的直流电机圈数计数方法及系统。
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直流电机圈数计数方法及系统,其获取直流电机的电枢换向时产生的脉动电流信号;提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;以及,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。这样,可以结合深度学习算法挖掘电流波形特征分布,以此计算直流电机脉动次数,并与电机的换向器极对数和减速比相结合,推算出电机转动的圈数。
第一方面,提供了一种直流电机圈数计数方法,其包括:
获取直流电机的电枢换向时产生的脉动电流信号;
提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;
对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列,其包括:
计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;
以及以所述多个语义权重值作为权重分别对所述脉冲电流信号片段波形特征向量的序列进行加权以得到所述加权后脉冲电流信号片段波形特征向量的序列;
基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。
第二方面,提供了一种直流电机圈数计数系统,其包括:
电流信号获取模块,用于获取直流电机的电枢换向时产生的脉动电流信号;
局部波形特征提取模块,用于提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;
加权更新模块,用于对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;
以及直流电机旋转圈数确定模块,用于基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。
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,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为根据本申请实施例的直流电机圈数计数方法的流程图。
图2为根据本申请实施例的直流电机圈数计数方法的架构示意图。
图3为根据本申请实施例的直流电机圈数计数系统的框图。
图4为根据本申请实施例的直流电机圈数计数方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
直流电机是一种将直流电能转换为机械能的电机,由定子和转子两部分组成。定子是固定的部分,包含电枢线圈和磁极。转子是旋转的部分,通常由永磁体或电磁铁组成。
直流电机的工作原理基于洛伦兹力和电磁感应定律,当通入电流通过电枢线圈时,产生的磁场与磁极的磁场相互作用,产生一个力矩,使转子开始旋转。转子的旋转会改变磁场的分布,导致感应电动势的产生,这个感应电动势会产生一个反向的电流,称为反电动势。反电动势的大小与转子的转速成正比。通过调节电压或电流,可以控制直流电机的转速、位置和转矩。
直流电机具有许多优点,因此在工业、农业、交通等领域得到广泛应用。直流电机具有较高的起动转矩,适用于需要快速启动和停止的应用,如起重机、卷帘门等。通过调节电压或电流,可以实现广泛的转速调节范围,适用于需要精确控制转速的应用,如机床、输送带等。直流电机具有良好的速度稳定性,对于需要保持恒定转速的应用,如电动车、电扇等,非常适用。直流电机可以反向旋转,使其适用于需要正反转操作的应用,如电动车、机械臂等。直流电机具有较高的效率,能够将电能有效转换为机械能,减少能量损失。
传统的直流电机圈数计数方法通常使用编码器来实现,编码器是一种装置,可以测量电机转子的位置和运动状态,并将其转换为数字信号。
常见的编码器类型包括光电编码器和磁性编码器,光电编码器利用光电传感器和光栅盘之间的相互作用来测量转子的位置。光栅盘上有一系列光学透明和不透明的条纹,当转子旋转时,光电传感器会检测到光栅盘上的条纹变化,从而确定转子的位置。磁性编码器则使用磁性传感器和磁性标记来测量转子的位置,磁性标记通常安装在转子上,而磁性传感器则固定在定子上,通过测量磁场的变化来确定转子的位置。
编码器将转子的位置信息转换为脉冲信号,每当转子经过一个完整的旋转周期时,编码器会输出一个脉冲信号,这个脉冲信号被称为圈数计数脉冲。通过计数圈数计数脉冲的数量,可以确定转子的旋转圈数。
然而,传统的编码器方法存在一些问题。首先,安装编码器需要额外的空间和机械结构,增加了电机的复杂度和成本。其次,编码器容易受到外界干扰,例如振动、温度变化和灰尘等,这可能导致计数误差。此外,编码器本身也容易受到损坏,需要定期维护和更换。
为了克服这些问题,近年来出现了一些新的技术,如无刷直流电机和传感器融合算法。无刷直流电机通过电子控制器和传感器来实现转子位置的测量,避免了传统编码器的使用。传感器融合算法则结合多种传感器的数据,如电流、电压和角度等,来估计电机的转子位置和速度,这些新技术大大简化了直流电机的圈数计数方法,并提高了可靠性和精度。图1为根据本申请实施例的直流电机圈数计数方法的流程图。图2为根据本申请实施例的直流电机圈数计数方法的架构示意图。如图1和图2所示,所述直流电机圈数计数方法,包括:110,获取直流电机的电枢换向时产生的脉动电流信号;120,提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;130,对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;以及,140,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。
在所述步骤110中,获取直流电机的电枢换向时产生的脉动电流信号。在直流电机的电枢换向过程中,由于电枢线圈的电流方向突然改变,会导致脉动电流信号的产生,为了获取脉动电流信号,可以使用电流传感器或霍尔效应传感器等设备来监测电枢线圈的电流变化,这些传感器将电流变化转换为电压信号或数字信号,从而获取脉动电流信号。需要选择合适的电流传感器或霍尔效应传感器,确保其能够准确测量电枢线圈的电流变化,确保传感器的采样频率足够高,以捕捉到电枢换向时的快速变化。其中,获取脉动电流信号可以反映直流电机的换向状况,为后续步骤提供必要的数据。
在所述步骤120中,提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列。为了提取脉动电流信号的局部波形特征,可以采用信号处理方法,如傅里叶变换、小波变换或时域分析等,这些方法可以将连续的脉动电流信号分解为频谱成分或局部波形特征。需要选择适当的信号处理方法,以准确提取脉动电流信号的局部波形特征,考虑信号处理方法的计算效率和实时性,确保能够在实际应用中进行快速处理。其中,提取脉动电流信号的局部波形特征可以捕捉到电枢换向时的关键特征,为后续步骤提供有用的信息。
在所述步骤130中,对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列。在这一步骤中,对脉冲电流信号片段波形特征向量的序列进行加权更新,加权的目的是根据特定的权重方案,对不同时间段的波形特征向量进行加权处理,以突出或弱化某些特征。需要设计合适的加权方案,考虑到脉动电流信号的特性和所需的加权效果,考虑加权方案的计算复杂度和实时性,确保能够在实际应用中进行有效处理。其中,加权后的脉冲电流信号片段波形特征向量序列可以更好地反映直流电机的旋转圈数,提高后续步骤的准确性和可靠性。
在所述步骤140中,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。通过分析加权后的脉冲电流信号片段波形特征向量的序列,可以确定直流电机的旋转圈数,这可以通过比较特征向量序列与预先定义的模式或阈值进行实现。需要确定合适的特征向量序列分析方法,如模式匹配、统计分析或机器学习等,考虑特征向量序列的长度和采样频率,以及旋转圈数的精度要求。其中,基于加权后的脉冲电流信号片段波形特征向量的序列,可以准确地确定直流电机的旋转圈数,提供重要的运行状态和性能参数,这对于控制直流电机的速度、位置和转矩等具有重要意义。
针对上述技术问题,本申请的技术构思是利用直流电机在电枢换向时产生的脉动电流信号,结合深度学习算法从中挖掘电流波形特征分布,以此计算直流电机脉动次数,并与电机的换向器极对数和减速比相结合,推算出电机转动的圈数。
基于此,在本申请的技术方案中,首先获取直流电机的电枢换向时产生的脉动电流信号。接着,对所述脉动电流信号进行信号切分以得到脉冲电流信号片段的序列;并将所述脉冲电流信号片段的序列分别通过基于卷积神经网络模型的电流波形语义特征提取器以得到脉冲电流信号片段波形特征向量的序列。这里,考虑到脉动电流信号通常是连续变化的。通过对所述脉动电流信号进行信号切分可以将各个脉动电流信号片段进行独立的特征提取和分析,以引导模型对局部细节施加更多的关注度。其中,在本申请的技术方案中,利用擅长处理图像和二维数据的卷积神经网络模型来对各个脉动电流信号片段进行基于空间邻域分布的特征提取,以从各个脉动电流信号片段中提取电流波形的关键特征,表征各个局部电流信号片段的时序变化。
在本申请的一个具体实施例中,提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列,包括:对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列;将所述脉冲电流信号片段的序列分别通过基于卷积神经网络模型的电流波形语义特征提取器以得到所述脉冲电流信号片段波形特征向量的序列。
其中,对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列,包括:
对所述脉动电流信号进行信号切分以得到所述脉冲电流信号片段的序列。
所述基于卷积神经网络模型的电流波形语义特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列,在进行特征提取之前,通常对脉动电流信号进行数据预处理,以提高信号质量和减少噪声的影响,数据预处理方法包括滤波、去噪和归一化等。数据预处理可以减少信号中的噪声和干扰,提高后续特征提取的准确性和可靠性。归一化可以将信号的幅值范围映射到固定的标准范围,便于后续处理和比较。
将所述脉冲电流信号片段的序列分别通过基于卷积神经网络模型的电流波形语义特征提取器以得到所述脉冲电流信号片段波形特征向量的序列。基于卷积神经网络(CNN)的模型可以用于提取脉冲电流信号片段的波形特征,CNN模型可以学习到信号的局部和全局特征,并提取具有辨识性的特征向量。基于CNN模型的特征提取可以捕捉到脉冲电流信号片段的复杂波形特征,提高特征的表达能力和区分度。特征向量的序列可以提供对脉冲电流信号的全局描述,方便后续的分析和处理。
通过数据预处理和基于CNN模型的特征提取,可以得到经过处理的脉冲电流信号片段的波形特征向量序列,有助于进一步的分析、建模和控制直流电机的旋转圈数等相关应用。
然后,计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;并以所述多个语义权重值作为权重分别对所述脉冲电流信号片段波形特征向量的序列进行加权以得到加权后脉冲电流信号片段波形特征向量的序列。也就是,通过这样的方式来更准确地表征整个脉动电流信号的重要特征和变化趋势。更具体地,不同的脉冲电流信号片段波形特征向量可能具有不同的重要性和语义含义。一些特征可能对描述电机的转动状态和脉冲变化更为敏感或更重要,而其他特征可能对结果影响较小。通过计算每个脉冲电流信号片段波形特征向量相对于整体的语义权重值,可以量化每个特征向量的重要性,从而更好地捕捉到整个脉动电流信号的关键特征。
在本申请的一个具体实施例中,对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列,包括:计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;以及,以所述多个语义权重值作为权重分别对所述脉冲电流信号片段波形特征向量的序列进行加权以得到所述加权后脉冲电流信号片段波形特征向量的序列。
在本申请的一个具体示例中,计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值,包括:以如下语义权重公式来计算所述各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;其中,所述语义权重公式为:
其中,是第/>个所述语义权重值,/>是1×/>的向量,/>是所述脉冲电流信号片段波形特征向量的维度,/>是第/>个所述脉冲电流信号片段波形特征向量,/>是所述脉冲电流信号片段波形特征向量的序列级联后得到的脉冲电流信号片段级联特征向量,/>是1×/>的向量,/>是所述脉冲电流信号片段级联特征向量的维度,/>是Sigmoid函数。
这样,将由上述方法计算得到的多个语义权重值作为权重,可以对脉冲电流信号片段波形特征向量的序列进行加权融合,以突出具有较高语义权重值的特征向量,使其在整体特征表示中起到更大的作用。同时,对于具有较低语义权重值的特征向量,可以通过降低其权重来减小其对整体特征表示的影响。应可以理解,通过计算语义权重值并进行加权融合,可以得到更具有代表性和区分度的整体特征表示,从而更好地描述脉动电流信号的波形特征和变化趋势。
进一步地,将所述加权后脉冲电流信号片段波形特征向量的序列进行级联后通过基于解码器的脉冲计数器以得到直流电机脉冲次数。也就是,将分散的特征信息整合起来,并使用解码器来解析脉冲信号的模式,从而准确计数直流电机的脉冲次数。
在本申请的一个具体实施例中,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数,包括:将所述加权后脉冲电流信号片段波形特征向量的序列进行级联后通过基于解码器的脉冲计数器以得到直流电机脉冲次数;以及,基于所述直流电机脉冲次数,确定所述直流电机旋转圈数。
再基于所述直流电机脉冲次数,确定直流电机旋转圈数。在本申请的一个具体示例中,以如下直流电机旋转圈数公式,基于所述直流电机脉冲次数,确定所述直流电机旋转圈数;其中,所述直流电机旋转圈数公式为:
其中,为所述直流电机旋转圈数,/>为所述直流电机脉冲次数,/>为所述直流电机的换向器极对数,/>为所述直流电机的减速比。这里,换向器极对数是指安装在电机内部的磁极的数量,它影响着电机的换向性能和效率。减速比是指电机输出转速和负载转速之间的比值,它影响着电机的扭矩和功率。
在本申请的一个实施例中,所述直流电机圈数计数方法,还包括训练步骤:对所述基于卷积神经网络模型的电流波形语义特征提取器和所述解码器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括直流电机的电枢换向时产生的训练脉动电流信号,以及,直流电机脉冲次数的真实值;对所述训练脉动电流信号进行信号切分以得到训练脉冲电流信号片段的序列;将所述训练脉冲电流信号片段的序列分别通过所述基于卷积神经网络模型的电流波形语义特征提取器以得到训练脉冲电流信号片段波形特征向量的序列;计算所述训练脉冲电流信号片段波形特征向量的序列中各个训练脉冲电流信号片段波形特征向量相对于所述训练脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个训练语义权重值;以所述多个训练语义权重值作为权重分别对所述训练脉冲电流信号片段波形特征向量的序列进行加权以得到训练加权后脉冲电流信号片段波形特征向量的序列;将所述训练加权后脉冲电流信号片段波形特征向量的序列进行级联后通过基于解码器的脉冲计数器以得到解码损失函数值;以及,以所述解码损失函数值来对所述基于卷积神经网络模型的电流波形语义特征提取器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述训练加权后脉冲电流信号片段波形特征向量的序列进行级联得到的训练级联特征向量进行优化。
这里,所述训练脉冲电流信号片段波形特征向量的序列中的每个训练脉冲电流信号片段波形特征向量表达相应的训练脉冲电流信号片段在全局图像源语义空间通过信号切分确定的局部图像源语义空间内的图像语义特征,由此,考虑到所述全局图像源语义空间下的局部图像源语义空间的图像语义特征分布不均衡,在计算所述训练脉冲电流信号片段波形特征向量的序列中各个训练脉冲电流信号片段波形特征向量相对于所述训练脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个训练语义权重值,并以所述多个训练语义权重值作为权重分别对所述训练脉冲电流信号片段波形特征向量的序列进行加权以得到训练加权后脉冲电流信号片段波形特征向量的序列后,各个训练加权后脉冲电流信号片段波形特征向量的特征分布之间会存在更为显著的不一致和不稳定,使得将所述训练加权后脉冲电流信号片段波形特征向量的序列进行级联后得到的训练级联特征向量的整体特征分布具有显著的不一致和不稳定,影响其通过解码器进行解码回归训练的稳定性。
基于此,本申请的申请人在将所述训练级联特征向量通过解码器进行解码训练时,在每次迭代时对所述训练级联特征向量进行优化,具体表示为:以如下优化公式在每次迭代时对所述训练级联特征向量进行优化以得到优化训练级联特征向量;其中,所述优化公式为:
其中,是所述训练级联特征向量/>的特征值,/>和/>分别是所述训练级联特征向量/>的1范数和2范数,/>是所述训练级联特征向量/>的长度,且/>是与/>相关的权重超参数,/>是优化训练级联特征向量,/>表示计算以数值为幂的自然指数函数值。
这里,通过所述训练级联特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示,来使得所述训练级联特征向量/>的全局特征分布对于局部模式变化具有一定重复性,以在所述训练级联特征向量/>通过解码器进行解码时,对于全局特征分布经由解码器的权重矩阵的尺度和旋转变化具有鲁棒性,提升解码训练的稳定性。
在本申请的一个实施例中,提供一种直流电机圈数计数方法,该方法可以用于测量直流电机的转速和转动角度。该方法的原理是利用直流电机的换向器产生的脉冲信号,通过一个计数器来记录脉冲的个数,从而计算出电机的圈数。该方法的优点是简单、实用、准确,不需要额外的传感器或电路。该方法的步骤如下:
1. 将直流电机的换向器输出端接到一个计数器的输入端,将计数器的复位端接到一个开关或按钮,将计数器的显示端接到一个显示器或屏幕。
2. 当需要测量电机的圈数时,按下开关或按钮,使计数器清零,然后启动电机,使其转动一定时间或角度。
3. 停止电机,读取计数器的显示值,即为电机转动的脉冲个数。
4. 根据电机的换向器极对数和减速比,计算出电机转动的圈数。公式为:圈数 =脉冲个数 / (换向器极对数 × 减速比)。
综上,基于本申请实施例的直流电机圈数计数方法被阐明,其利用直流电机在电枢换向时产生的脉动电流信号,结合深度学习算法从中挖掘电流波形特征分布,以此计算直流电机脉动次数,并与电机的换向器极对数和减速比相结合,推算出电机转动的圈数。
在本申请的一个实施例中,图3为根据本申请实施例的直流电机圈数计数系统的框图。如图3所示,根据本申请实施例的直流电机圈数计数系统200,包括:电流信号获取模块210,用于获取直流电机的电枢换向时产生的脉动电流信号;局部波形特征提取模块220,用于提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;加权更新模块230,用于对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;以及,直流电机旋转圈数确定模块240,用于基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。
这里,本领域技术人员可以理解,上述直流电机圈数计数系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的直流电机圈数计数方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的直流电机圈数计数系统200可以实现在各种终端设备中,例如用于直流电机圈数计数的服务器等。在一个示例中,根据本申请实施例的直流电机圈数计数系统200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,该直流电机圈数计数系统200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,该直流电机圈数计数系统200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,该直流电机圈数计数系统200与该终端设备也可以是分立的设备,并且直流电机圈数计数系统200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4为根据本申请实施例的直流电机圈数计数方法的场景示意图。如图4所示,在该应用场景中,首先,获取直流电机的电枢换向时产生的脉动电流信号(例如,如图4中所示意的C);然后,将获取的脉动电流信号输入至部署有直流电机圈数计数算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于直流电机圈数计数算法对所述脉动电流信号进行处理,以确定直流电机旋转圈数。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种直流电机圈数计数方法,其特征在于,包括:
获取直流电机的电枢换向时产生的脉动电流信号;
提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;
对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列,其包括:
计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;
以及以所述多个语义权重值作为权重分别对所述脉冲电流信号片段波形特征向量的序列进行加权以得到所述加权后脉冲电流信号片段波形特征向量的序列;
基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数;
提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列,包括:
对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列;
将所述脉冲电流信号片段的序列分别通过基于卷积神经网络模型的电流波形语义特征提取器以得到所述脉冲电流信号片段波形特征向量的序列。
2.根据权利要求1所述的直流电机圈数计数方法,其特征在于,对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列,包括:
对所述脉动电流信号进行信号切分以得到所述脉冲电流信号片段的序列。
3.根据权利要求2所述的直流电机圈数计数方法,其特征在于,所述基于卷积神经网络模型的电流波形语义特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
4.根据权利要求3所述的直流电机圈数计数方法,其特征在于,计算所述脉冲电流信号片段波形特征向量的序列中各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值,包括:
以如下语义权重公式来计算所述各个脉冲电流信号片段波形特征向量相对于所述脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个语义权重值;其中,所述语义权重公式为:其中,/>是第/>个所述语义权重值,/>是1×/>的向量,/>是所述脉冲电流信号片段波形特征向量的维度,/>是第/>个所述脉冲电流信号片段波形特征向量,/>是所述脉冲电流信号片段波形特征向量的序列级联后得到的脉冲电流信号片段级联特征向量,/>是1×/>的向量,/>是所述脉冲电流信号片段级联特征向量的维度,/>是Sigmoid函数。
5.根据权利要求4所述的直流电机圈数计数方法,其特征在于,基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数,包括:
将所述加权后脉冲电流信号片段波形特征向量的序列进行级联后通过基于解码器的脉冲计数器以得到直流电机脉冲次数;
以及基于所述直流电机脉冲次数,确定所述直流电机旋转圈数。
6.根据权利要求5所述的直流电机圈数计数方法,其特征在于,基于所述直流电机脉冲次数,确定所述直流电机旋转圈数,包括:
以如下直流电机旋转圈数公式,基于所述直流电机脉冲次数,确定所述直流电机旋转圈数;其中,所述直流电机旋转圈数公式为: 其中,/> 为所述直流电机旋转圈数,/> 为所述直流电机脉冲次数,/> 为所述直流电机的换向器极对数,/> 为所述直流电机的减速 比。
7.根据权利要求6所述的直流电机圈数计数方法,其特征在于,还包括训练步骤:对所述基于卷积神经网络模型的电流波形语义特征提取器和所述解码器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括直流电机的电枢换向时产生的训练脉动电流信号,以及,直流电机脉冲次数的真实值;
对所述训练脉动电流信号进行信号切分以得到训练脉冲电流信号片段的序列;
将所述训练脉冲电流信号片段的序列分别通过所述基于卷积神经网络模型的电流波形语义特征提取器以得到训练脉冲电流信号片段波形特征向量的序列;
计算所述训练脉冲电流信号片段波形特征向量的序列中各个训练脉冲电流信号片段波形特征向量相对于所述训练脉冲电流信号片段波形特征向量的序列的整体的语义权重值以得到多个训练语义权重值;
以所述多个训练语义权重值作为权重分别对所述训练脉冲电流信号片段波形特征向量的序列进行加权以得到训练加权后脉冲电流信号片段波形特征向量的序列;
将所述训练加权后脉冲电流信号片段波形特征向量的序列进行级联后通过基于解码器的脉冲计数器以得到解码损失函数值;
以及以所述解码损失函数值来对所述基于卷积神经网络模型的电流波形语义特征提取器和所述解码器进行训练,其中,在所述训练的每一轮迭代中,对所述训练加权后脉冲电流信号片段波形特征向量的序列进行级联得到的训练级联特征向量进行优化。
8.一种直流电机圈数计数系统,其特征在于,包括:
电流信号获取模块,用于获取直流电机的电枢换向时产生的脉动电流信号;
局部波形特征提取模块,用于提取所述脉动电流信号的局部波形特征以得到脉冲电流信号片段波形特征向量的序列;
加权更新模块,用于对所述脉冲电流信号片段波形特征向量的序列进行加权更新以得到加权后脉冲电流信号片段波形特征向量的序列;
所述局部波形特征提取模块,用于:
对所述脉动电流信号进行数据预处理以得到脉冲电流信号片段的序列;
将所述脉冲电流信号片段的序列分别通过基于卷积神经网络模型的电流波形语义特征提取器以得到所述脉冲电流信号片段波形特征向量的序列。
9.根据权利要求8所述的直流电机圈数计数系统,其特征在于,还包括:直流电机旋转圈数确定模块,用于基于所述加权后脉冲电流信号片段波形特征向量的序列,确定直流电机旋转圈数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016601.5A CN117521708B (zh) | 2024-01-05 | 2024-01-05 | 直流电机圈数计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016601.5A CN117521708B (zh) | 2024-01-05 | 2024-01-05 | 直流电机圈数计数方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117521708A CN117521708A (zh) | 2024-02-06 |
CN117521708B true CN117521708B (zh) | 2024-03-29 |
Family
ID=89746027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016601.5A Active CN117521708B (zh) | 2024-01-05 | 2024-01-05 | 直流电机圈数计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521708B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5791684A (en) * | 1980-11-27 | 1982-06-07 | Toshiba Corp | Method and apparatus for equivalent load test for commutatorless motor device |
CN109975705A (zh) * | 2019-05-08 | 2019-07-05 | 晓雨(北京)科技有限公司 | 直流电机参数测量装置和方法 |
CN117289013A (zh) * | 2023-11-27 | 2023-12-26 | 西安天光测控技术有限公司 | 用于脉冲电流测试的数据处理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106662606B (zh) * | 2014-07-22 | 2020-03-17 | 阿托普有限公司 | 用于确定电枢线圈的线圈连接的电阻的方法和设备 |
-
2024
- 2024-01-05 CN CN202410016601.5A patent/CN117521708B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5791684A (en) * | 1980-11-27 | 1982-06-07 | Toshiba Corp | Method and apparatus for equivalent load test for commutatorless motor device |
CN109975705A (zh) * | 2019-05-08 | 2019-07-05 | 晓雨(北京)科技有限公司 | 直流电机参数测量装置和方法 |
CN117289013A (zh) * | 2023-11-27 | 2023-12-26 | 西安天光测控技术有限公司 | 用于脉冲电流测试的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117521708A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vazquez-Sanchez et al. | A new method for sensorless estimation of the speed and position in brushed DC motors using support vector machines | |
Song et al. | Local demagnetization fault recognition of permanent magnet synchronous linear motor based on S-transform and PSO–LSSVM | |
CN115510962A (zh) | 具有故障自监测功能的水泵永磁同步电机及其方法 | |
Lu et al. | Fault diagnosis of rolling bearing based on improved VMD and KNN | |
Huang et al. | Demagnetization fault diagnosis of permanent magnet synchronous motors using magnetic leakage signals | |
CN117521708B (zh) | 直流电机圈数计数方法及系统 | |
Minaz et al. | An effective method for detection of demagnetization fault in axial flux coreless PMSG with texture-based analysis | |
CN117269754A (zh) | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 | |
CN116879910B (zh) | 激光扫描测距装置及其方法 | |
CN110133316A (zh) | 一种光电编码器精密测速系统及方法 | |
KhajueeZadeh et al. | A high-accuracy two-stage deep learning-based resolver to digital converter | |
CN110690838B (zh) | 一种电机磁偏角的在线自整定方法及系统 | |
CN209375383U (zh) | 一种永磁电机转子位置测量装置 | |
CN115021625B (zh) | 永磁同步电机的位置解析电路、方法及其控制电路和系统 | |
CN104702169A (zh) | 自动平滑门永磁直线同步电机正弦控制方法 | |
CN103337997B (zh) | 一种电动汽车用永磁同步电机矢量控制系统及方法 | |
CN105262402A (zh) | 无刷直流电机转矩波动检测系统 | |
CN114358077A (zh) | 一种永磁同步电机退磁故障诊断模型构建方法及故障诊断方法和系统 | |
CN106960223B (zh) | 一种有刷直流电机核岭分类速度测量方法 | |
Qian et al. | Eccentricity Fault Detection of Permanent Magnet Synchronous Linear Motor Based on Rainbow Texture Transition and ResNet18 Classification | |
CN105322846A (zh) | 一种基于锁相环的永磁同步电机转子磁极位置检测装置 | |
Huang et al. | Sparse time-frequency analysis based on instantaneous frequency estimation and fault diagnosis application | |
CN105671871B (zh) | 智能洗衣机无刷直流永磁电机的控制方法、系统及装置 | |
CN115864929B (zh) | 一种永磁同步电机转子失步检测方法及其装置 | |
Liu et al. | Load value analyse of stepter motor fault diagnose based on PSO-LSSVM |
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 |