TWI819981B - 動態皮帶張力推論方法及相關馬達驅動輪系統 - Google Patents
動態皮帶張力推論方法及相關馬達驅動輪系統 Download PDFInfo
- Publication number
- TWI819981B TWI819981B TW112111961A TW112111961A TWI819981B TW I819981 B TWI819981 B TW I819981B TW 112111961 A TW112111961 A TW 112111961A TW 112111961 A TW112111961 A TW 112111961A TW I819981 B TWI819981 B TW I819981B
- Authority
- TW
- Taiwan
- Prior art keywords
- tension
- model
- data
- inference
- dynamic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000002955 isolation Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000035882 stress Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Devices For Conveying Motion By Means Of Endless Flexible Members (AREA)
Abstract
一種動態皮帶張力推論方法,包括:於訓練流程中使用孤立森林演算法訓練張力推論模型,其中張力推論模型產生異常分數及對應的動態張力值;於同一超參數組的條件下使用孤立森林演算法進行多次訓練以產生多個張力推論模型;根據異常分數差距及資料標籤分別計算多個張力推論模型的多個模型效能;計算多個模型效能的平均模型效能;及,比較多個不同超參數組產出的平均模型效能,選定效能最佳的最終超參數組來訓練並輸出最終模型,並且包括:於推論流程中由最終模型對處理後資料進行推論,以產生異常分數及對應的動態張力值。
Description
本發明涉及動態皮帶張力推論方法及相關馬達驅動輪系統,尤其涉及基於人工智能的動態皮帶張力推論方法及相關馬達驅動輪系統。
馬達驅動輪(Motor Driven Roller,MDR)系統透過馬達驅動輪軸使皮帶轉動,藉此帶動皮帶上的機構或零件。若皮帶張力值不足或受老化、脆化等因素影響其張力特性,會使得馬達帶動皮帶時給予的力無法完全展現,導致馬達驅動效果不佳。
現行常使用接觸式機械張力計或是非接觸式紅外線/超音波張力計來量測皮帶張力。然而,上述方法僅能在皮帶處於靜止狀態下量測靜態張力值,無法得知皮帶在非靜止狀態下的張力值(即,動態張力值)。
因此,如何在輪軸運轉時得知皮帶的動態張力值,進而確認馬達驅動效果,實乃本領域的重要課題。
本發明的主要目的,在於提供一種動態皮帶張力推論方法及相關馬達驅動輪系統,可於皮帶轉動時經由機器學習模型推論皮帶的動態張力值。
為了達成上述目的,本發明的動態皮帶張力推論方法包括下列步驟:A)進行訓練流程,包括:A1)使用一孤立森林演算法訓練一張力推論模型,該張力推論模型產生一異常分數及對應的一動態張力值;A2)於同一超參數組的條件下使用該孤立森林演算法進行多次訓練,以產生多個該張力推論模型;A3)根據該異常分數差距及事先紀錄的一資料標籤,分別計算該多個張力推論模型的多個模型效能;A4)計算該多個模型效能的平均值以獲得一平均模型效能;A5)判斷是否已取得多個該平均模型效能,其中多個該平均模型效能對應至多個該超參數組;A6)若已取得多個平均模型效能,選定多個該超參數組中對應一最佳平均模型效能的一者作為一最終超參數組來訓練並輸出一最終模型,其中該最終模型包括架構及參數;以及B)進行推論流程,包括:B1)該最終模型對處理後資料進行推論,以產生該異常分數及對應的該動態張力值。
為了達成上述目的,本發明的馬達驅動輪系統包括皮帶、多個驅動輪、馬達、變頻器以及控制器,其中:該皮帶繞設於該多個驅動輪,該多個驅動輪連接並受控於該馬達,該馬達連接並受控於該變頻器,該控制器連接該變頻器並被配置來透過該變頻器接收馬達運轉中的即時資料;以及該控制器被配置來根據該即時資料執行如上所述的動態皮帶張力推論方法的推論流程。
相較於相關技術,本發明可以在驅動輪系統運轉中的前提下,直接推論驅動輪系統上的皮帶的張力值,並且可基於使用者的設定來判斷當前的張力值是否可被使用者所接受。
1:驅動輪系統
10:皮帶
11:驅動輪
12:馬達
13:變頻器
14:控制器
15:張力推論系統
2:模型訓練系統
20:資料預處理模組
21:模型訓練模組
22:資料推論與模型效能分析模組
23:超參數優化模組
24:資料收集模組
25:最終模型
S30~S38:訓練步驟
4:樹狀結構
41:離群值
42:群內值
51:正常資料
52:異常資料
90:資料預處理模組
91:張力推論模型
S100~S102:推論步驟
圖1為本發明實施例的馬達驅動輪系統的示意圖。
圖2為本發明實施例的模型訓練系統示意圖。
圖3為本發明實施例的模型訓練流程圖。
圖4為孤立森林的樹狀結構示意圖。
圖5為本發明實施例的分數差距示意圖。
圖6為本發明實施例的模型優化循環示意圖。
圖7為分數差距對樣本數的曲線示意圖。
圖8為本發明實施例的分數差距對樣本數的曲線示意圖。
圖9為本發明實施例的推論系統示意圖。
圖10為本發明實施例的推論流程圖。
茲就本發明之一較佳實施例,配合圖式,詳細說明如後。
本發明揭露了一種動態皮帶張力推論方法及相關馬達驅動輪系統。動態皮帶張力推論方法根據馬達驅動輪系統於靜止狀態和運轉狀態的資料來訓練一個人工智慧(Artificial Intelligent,AI)模型。因此,本發明可在馬達驅動輪系統運轉時,透過AI模型推論皮帶的動態張力值和狀態(例如正常狀態或異常狀態)。
請參閱圖1,其為本發明實施例的馬達驅動輪系統1的示意圖。如圖1所示,馬達驅動輪(Motor Driven Roller,下面簡稱為MDR)系統1包括皮帶
10、多個驅動輪11、馬達12、變頻器13以及控制器14。在結構上,皮帶10繞設於多個驅動輪11,多個驅動輪11連接並受控於馬達12,馬達12連接並受控於變頻器13,以及控制器14連接並透過變頻器13接收馬達運轉資料。
在操作上,當多個驅動輪11受馬達12控制而運轉時,皮帶10會受到多個驅動輪11的牽引而轉動,且變頻器13即時傳送馬達運轉資料到控制器14。控制器14被配置來根據馬達運轉資料執行張力推論系統15,以在皮帶10轉動中(即MDR系統1運轉中)推論動態張力值和狀態。
一般而言,張力推論系統15必須先經過訓練才能夠進行推論。於一實施例中,張力推論系統15是由控制器14訓練的。於另一實施例中,張力推論系統15是由外部裝置訓的,接著外部裝置將訓練過的張力推論系統15輸出至控制器14;外部裝置訓練的優勢在於,可選用較高效能的計算機或處理器來加快訓練過程。張力推論系統15可儲存於控制器14內建或外接的記憶體中。
於一實施例中,控制器14可例如為中央處理單元(Central Process Unit,CPU)、微控制單元(Micro Control Unit,MCU)、系統單晶片(System on Chip,SoC)或可程式邏輯控制器(Programmable Logic Controller,PLC)等,但不以此為限。
請參閱圖2,其為本發明實施例的模型訓練系統2示意圖。模型訓練系統2包括資料收集模組24、資料預處理模組20、模型訓練模組21、資料推論與模型效能分析模組22及超參數優化模組23。
針對資料收集模組24,在進行訓練之前須收集相關資料,以使用相關資料來產生張力推論模型和相關的參數組。具體而言,動態皮帶張力相關於
MDR系統1的機構設計、皮帶應變量、承受壓力(或應力)與摩擦力,其可用三類資料來描述,包括機構資料、靜態歷史資料和動態歷史資料。
於本實施例中,機構資料包括皮帶規格(包括皮帶的截面尺寸及對應的正常張力值範圍)、輪軸間距和輪直徑中的至少一者;在實際應用中,技術人員手動測量機構資料並輸入到控制器14或外部訓練裝置的記憶體中。靜態歷史資料包括皮帶靜態張力和皮帶靜態應變量中的至少一者;在實際應用中,技術人員使用張力計來量測皮帶10的靜態張力,以作為皮帶應變量的初始參考值,並使用應變規測量驅動輪11靜止時皮帶10在不同張力下的靜態應變量。
動態歷史資料包括皮帶動態應變量、馬達電流、馬達扭力、馬達轉速和運轉週期中的至少一者。在馬達12運轉時,皮帶10和驅動輪11之間會產生壓力(應力)與摩擦力,使得動態應變量不同於靜態應變量,因此技術人員使用應變規測量馬達12運轉時皮帶10在不同張力下的動態應變量。此外,在馬達12運轉時,控制器14收集馬達電流、馬達扭力、馬達轉速和運轉週期等資料,並儲存在控制器14或外部訓練裝置的記憶體中。收集到的資料中,一部分可作為訓練資料(Training Data),而另一部分可作為測試資料(Test Data)。
為了驗證訓練產生的模型的模型效能,技術人員需事先記錄資料標籤。例如,技術人員記錄訓練資料和測試資料中的正常資料和異常資料對應的狀態,以產生資料標籤。
資料預處理模組20被配置來對訓練資料和測試資料進行統計分析,包括:根據靜態張力初始參考值、靜態應變量和動態應變量來計算皮帶應變量曲線,以及計算訓練資料及測試資料的平均值、最大值或最小值、標準差等統計數值。透過特徵選擇方法,可從統計數值中選擇多個具影響力特徵,以產生特
徵組(Feature Set)供後續的模型訓練和測試。具體而言,在進行模型的訓練時,資料預處理模組20刪除不匹配特徵組的一部分訓練資料,並保留匹配特徵組的另一部分訓練資料來作為資料集輸出到模型訓練模組21。在進行模型的測試時,資料預處理模組20刪除不匹配特徵組的一部分測試資料,並保留匹配特徵組的另一部分測試資料來作為資料集輸出到資料推論與模型效能分析模組22。
模型訓練模組21被配置來根據貝葉斯優化法(Bayesian Optimization)推薦的超參數組調整孤立森林(Isolation Forest)演算法進行模型訓練,訓練完成的模型再以匹配特徵組的測試資料來計算異常分數,判斷皮帶狀態(正常或異常),並根據皮帶應變量曲線推論動態皮帶張力數值。
資料推論與模型效能分析模組22為模型訓練模組21訓練完成的模型,被配置來根據輸入的測試資料來計算異常分數。此異常分數會對應到事先記錄的資料標籤,而資料推論與模型效能分析模組22再依據資料標籤計算出模型效能(例如:準確率、精確率及召回率等)。
超參數優化模組23被配置來從資料推論與模型效能分析模組22取得前次訓練的模型效能,並根據前次訓練的模型效能來進行貝葉斯優化(Bayesian Optimization),以產生新的超參數組並提供給模型訓練模組21進行下一次訓練。透過多次訓練的迭代,可逐漸優化模型效能。於固定的迭代次數執行完之後,超參數優化模組23選定最佳的模型效能對應到的超參數組作為最終超參數組,並提供給模型訓練模組21來訓練並產生最終模型。資料推論與模型效能分析模組22可輸出最終模型25(即,最終的張力推論模型,包括其架構及參數)。
關於模型訓練系統2的詳細操作流程請參閱圖3,其為本發明實施例的模型訓練流程圖,模型訓練流程包括以下步驟。
步驟S30:接收訓練資料和測試資料並進行預處理,以選擇具影響性的特徵組。
步驟S31:使用孤立森林演算法訓練張力推論模型,張力推論模型根據特徵組計算異常分數及對應的動態張力值。
步驟S32:同一超參數組的條件下,使用孤立森林演算法訓練多個模型。
步驟S33:根據異常分數差距及事先記錄的資料標籤,分別計算多個張力推論模型的多個模型效能。
步驟S34:計算多個模型效能的平均值以獲得平均模型效能。
步驟S35:判斷是否已取得多個平均模型效能。若判斷為否,進行步驟S36;若判斷為是,進行步驟S37。於一實施例中,多個平均模型效能的數量可根據實際情況來設定,並且多個平均模型效能分別對應至多個超參數組。
步驟S36:訓練模型前先選擇一超參數組使用。具體地,步驟S36是根據模型效能,持續執行貝葉斯優化,以選擇新的超參數組。具體而言,於固定的迭代次數下進行貝葉斯優化,比較紀錄中的最佳平均模型效能與當前平均模型效能,持續更新最好的模型效能數值以及對應的超參數組。若判斷迭代次數已結束,接著再回到步驟S31,並再次執行步驟S31至步驟S35。
步驟S37:選定紀錄中最佳模型效能的超參數組做為最終超參數組來訓練模型。
步驟S38:輸出最終模型(包括其架構及參數)。
步驟S30可由資料預處理模組20來執行,步驟S31、S32、S37可由模型訓練模組21來執行,步驟S33、S34、S35可由資料推論與模型效能分析模組22來執行,以及步驟S36可由超參數優化模組23來執行。
針對步驟S31,請參閱圖4,其為孤立森林的樹狀結構4示意圖。在工業應用中,收集資料中的正常資料與異常資料的數量差異會很大。例如,產線上的良品(對應至正常資料)的數量通常會大於不良品(對應至異常資料)的數量。另一方面,由於在工業環境中有許多異常狀況(例如產品的損壞方式及故障態樣)是不曾出現過的,沒有對應的標籤可以直接學習使用。由於孤立森林演算法可適應資料不平衡問題,並屬於非監督式學習而可適應多種異常狀況,故本發明使用孤立森林演算法來訓練張力推論模型。
如圖4所示,在透過樹狀結構4對資料進行分類時,由於異常資料的特性異於其他正常資料,因此能夠較早將異常資料區分出來。離群值41(outliers,即異常資料)一般會有較小的樹深度。而相對來說比較趨近大部分或正常分佈的群內值42(inliers,即正常資料),會以群體的方式繼續往下分類,而會擁有較大的樹深度。
H(k)=ln k+ζ,ζ=0.5772156649 (3)
在公式(1)中,x為被評估的資料(訓練資料內的單筆資料),n為資料樣本數,s(x,n)為x在由n筆資料樣本數構成的子樹下的異常分數,且s(x,n)的取值範圍為[0~1]。h(x)指的是x在某一顆子樹下的高度。若x為異常資料,h(x)會較小(如同離群值41的高度較低),所以異常分數s(x,n)較接近1。若x為正常資料,h(x)會較大(如同群內值42的高度較高),所以異常分數s(x,n)較接近0。若異常分數s(x,n)接近0.5,表示測試資料中沒有明顯的異常點。E(h(x))指的是x在樹狀結構4所有子樹中的平均高度。c(n)則是用來對E(h(x))正規化的函式。
圖5為本發明實施例的分數差距示意圖。於本發明中,新增的模型效能定義為:正常資料的異常分數與異常資料的異常分數之間的分數差距(Score Difference)。在模型訓練期間,模型訓練模組21預測資料的異常分數,將異常分數對應到資料標籤並繪製出正常資料與異常資料的異常分數分布,如圖5所示。值得注意的是,正常資料51的異常分數與異常資料52的異常分數之間的分數差距越大,代表模型判別一筆資料屬於正常狀態或是異常狀態的能力越好,也能夠更進一步推論出動態張力數值。
請參閱圖6,其為本發明實施例的模型優化循環示意圖。孤立森林演算法包含了多個允許使用者調整的參數,這些參數稱為超參數(Hyper-parameter)。透過調整超參數的參數值,可以改善訓練後的張力推估模型的模型效能。於一實施例中,超參數組至少包含了訓練樣本數(estimator_samples)以及最大特徵數(max_features)。具體地,孤立森林的樹狀結構4是由多顆子樹所建構而成,訓練樣本數指的是樹狀結構4下的每一顆子樹所抽取的樣本數,而最大特徵數指的是抽取用來訓練每一顆子樹的特徵數量。
針對步驟S36,如圖6所示,模型訓練模組21根據超參數組(例如訓練樣本數為100及最大特徵數為10)進行模型訓練以產生張力推估模型(例如模型A),接著資料推論與模型效能分析模組22(即模型A)計算輸入資料(例如測試資料)的異常分數,並基於異常分數的分佈計算模型效能A(即分數差距)。建模與效能分析模組22會將模型效能A記錄為最佳平均模型效能。在迭代次數還沒結束時,超參數優化模組23根據模型效能A執行貝葉斯優化演算法來計算新的超參數組(例如訓練樣本數為200及最大特徵數為20)。接著,模型訓練模組21根據新的超參數組進行模型訓練,接著資料推論與模型效能分析模組22計算輸入資料的異常分數,並基於異常分數的分佈計算模型效能B(即分數差距),比較紀錄中最佳平均模型效能與當前平均模型效能(即模型效能B),持續更新最好的模型效能數值以及對應的超參數組。依此類推,直到迭代次數結束時,即可將紀錄中最好的張力推估模型的超參數組選定為最終超參數組。
貝葉斯優化演算法在迭代過程中,透過調整不同的超參數組x,來解出未知目標函數(Unknown objective function)f(x),藉此找出能夠讓模型達到最佳模型效能的超參數組。於本實施例中,未知目標函數f(x)定義為分數差距,並且貝葉斯優化演算法的目標在於最大化f(x)的值。
請參閱圖7,其為分數差距對其中一超參數(樣本數)的曲線示意圖。申請人注意到了雜訊觀察(noisy observation)現象,由於孤立森林演算法具有隨機性,即便是使用完全相同的超參數組來多次訓練模型,每次產出的模型效能卻可能不同,如此導致貝葉斯優化演算法找不到超參數組的最佳解。
於圖7中,x軸為訓練樣本數,y軸為分數差距(即模型效能)。假設圖7中的曲線為未知目標函數f(x)的真實長相,但是因為孤立森林演算法
的隨機性導致了貝葉斯優化演算法找到的最佳解(即,分數差距最大)落在樣本數為80,而不是落在樣本數為55的真實最佳解。在此情況下,訓練後的模型無法達到最佳的模型效能。
為了解決雜訊觀察現象的問題,本發明透過選定一組超參數來訓練多個模型並取多個模型效能的平均值,以選定最終超參數組來訓練最終模型,如此可有效降低雜訊對貝葉斯優化演算法的影響。
請參閱圖8,其為本發明分數差距對其中一超參數(樣本數)的曲線示意圖。本發明選定一超參數組並使用孤立森林演算法進行多次訓練並產生多個張力推論模型,計算多個張力推論模型的效能平均值以產生平均模型效能,再跟其它超參數組下的多個張力推論模型的平均模型效能進行比較,最終選出能夠讓模型效能最佳化的最終超參數組來訓練出最終模型。
如圖8所示,於本實施例中,假設選定樣本數為35且需訓練三次模型,那麼可將三個張力推論模型對應的三個模型效能取平均值,以產生選定樣本數為35對應的分數差距或平均模型效能為0.14。依此類推,假設其他選定樣本數分別為55、80、112,那麼可分別產生選定樣本數為55、80、112對應的分數差距或平均模型效能分別為0.19、0.16、0.11。可見,因為樣本數為55對應的候選模型具有最高的平均模型效能,所以選定此模型的超參數組作為孤立森林演算法的設定值。也就是說,重複步驟S31、S32、S33、S34、S35、S36來計算多個候選超參數組對應的多個平均模型效能,再從中選擇具有最高模型效能的一超參數組合,作為孤立森林演算法的設定值,可訓練出一組較佳的張力推論模型。
因此,選定特定一超參數組來訓練多個模型並取多個模型的模型效能的平均值,再選出具有最高平均模型效能的最終超參數組來訓練最終模型,可有效降低雜訊觀察現象對貝葉斯優化演算法的影響。藉此,本發明可以確保訓練出的最終模型有較好的效能,同時也具有較高的穩定性。
請參閱圖9,其為本發明實施例的張力推論系統15示意圖。張力推論系統15包括資料預處理模組90和張力推論模型91。在進行推論之前,需先將最終模型25匯入張力推論模型91,最終模型25包括模型的架構及參數。
在MDR系統1運作時,變頻器13提供馬達電流、扭力、轉速和運轉週期等即時資料。資料預處理模組90被配置來對即時資料進行預處理,以產生和輸出處理後資料到張力推論模型91。張力推論模型91被配置來對處理後資料進行推論,以產生異常分數來判斷皮帶張力為正常或異常,推論出皮帶的動態張力值,並且可根據自定義閥值來判斷目前的皮帶張力是否在使用情境下的可接受範圍內。
關於張力推論系統15的詳細操作流程請參閱圖10,其為本發明實施例的推論流程圖,推論流程包括以下步驟。
步驟S100:對即時資料進行預處理,以產生處理後資料。
步驟S101:最終模型對處理後資料進行推論,以產生異常分數及對應的動態張力值。
步驟S102:根據自定義閥值,判斷異常分數對應的張力狀態(正常或異常)和動態張力值是否在可接受範圍內。
步驟S100可由資料預處理模組90來執行,且步驟S101、S102可由張力推論模型91來執行。
針對步驟S102,不同規格的皮帶具有不同的正常張力範圍,本發明允許使用者設定自定義閥值,能夠較靈活的針對不同設備、產業來選擇皮帶張力值的可接受範圍。
綜上所述,本發明的推論系統及推論方法可以在馬達驅動輪系統運轉時即時推論皮帶的動態張力值和狀態,進而確認馬達帶動皮帶時給予的力能否完全展現(即,馬達驅動效果是否正常)。
以上所述僅為本發明之較佳具體實例,非因此即侷限本發明之專利範圍,故舉凡運用本發明內容所為之等效變化,均同理皆包含於本發明之範圍內,合予陳明。
S30~S38:訓練步驟
Claims (10)
- 一種動態皮帶張力推論方法,包括:A)進行訓練流程,包括:A1)基於一馬達驅動輪系統的機構資料、靜態歷史資料和動態歷史資料來使用一孤立森林演算法訓練一張力推論模型,該張力推論模型產生一異常分數及對應的一動態張力值;A2)於同一超參數組的條件下使用該孤立森林演算法進行多次訓練,以產生多個該張力推論模型;A3)根據該異常分數差距及事先紀錄的一資料標籤,分別計算該多個張力推論模型的多個模型效能;A4)計算該多個模型效能的平均值以獲得一平均模型效能;A5)判斷是否已取得多個該平均模型效能,其中多個該平均模型效能對應至多個該超參數組;A6)若已取得多個該平均模型效能,選定多個該超參數組中對應一最佳平均模型效能的一者作為一最終超參數組來訓練並輸出一最終模型,其中該最終模型包括架構及參數;以及B)進行推論流程,包括:B1)該最終模型對該馬達驅動輪系統的一馬達的即時資料進行推論,以產生該異常分數及對應的該動態張力值。
- 如請求項1所述的動態皮帶張力推論方法,其中該模型效能定義為:正常資料的該異常分數與異常資料的該異常分數之間的一分數差距。
- 如請求項2所述的動態皮帶張力推論方法,其中該步驟A)還包括:A11)於未取得多個該平均模型效能前持續於固定的迭代次數下進行貝葉斯優化,比較紀錄中的該最佳平均模型效能與當前平均模型效能,迭代次數未結束時繼續選擇新的該超參數組,其中多個該平均模型效能的數量相等於該迭代次數;及A12)依據新的該超參數組再次進行該步驟A1)、A2)、A3)、A4、A5)。
- 如請求項3所述的動態皮帶張力推論方法,其中在第一次執行該步驟A1)以訓練該張力推論模型時,該貝葉斯優化先選擇任一該超參數組供該孤立森林演算法使用;及其中該貝葉斯優化演算法用於最大化一未知目標函數的值,且該未知目標函數定義為該分數差距。
- 如請求項1所述的動態皮帶張力推論方法,其中在該步驟A1)之前,該步驟A)還包括:A0)接收訓練資料和測試資料並進行預處理,以選擇具影響性的一特徵組,包括:根據靜態張力初始參考值、靜態應變量和動態應變量計算一皮帶應變量曲線;以及計算該訓練資料和該測試資料的統計數值並透過一特徵選擇方法從該統計數值中選擇多個具影響力特徵,以產生該特徵組;其中該張力推論模型根據匹配該特徵組的該測試資料來計算該異常分數,並根據該皮帶應變量曲線推論對應的該動態張力值。
- 如請求項5所述的動態皮帶張力推論方法,其中在該步驟A)中該張力推論模型推論該測試資料的該動態張力值,其中該測試資料及該訓練資料包括:機構資料,包括皮帶的截面尺寸及對應的正常張力值範圍、輪軸間距和輪直徑中的至少一者;靜態歷史資料,包括皮帶靜態張力和皮帶靜態應變量中的至少一者;以及動態歷史資料,包括皮帶動態應變量、馬達電流、馬達扭力、馬達轉速和運轉週期中的至少一者。
- 如請求項1所述的動態皮帶張力推論方法,其中在該步驟B1)之前,該步驟B)還包括:B0)對即時資料進行預處理,以產生該處理後資料;其中該即時資料包括馬達電流、扭力、轉速和運轉週期中的至少一者。
- 如請求項1所述的動態皮帶張力推論方法,其中該步驟B)還包括:B2)根據一自定義閥值,判斷該異常分數對應的一張力狀態為正常或異常,並判斷該動態張力值是否在可接受範圍內。
- 如請求項1所述的動態皮帶張力推論方法,其中該超參數組包括訓練樣本數以及最大特徵數中的至少一者。
- 一種馬達驅動輪系統,包括皮帶、多個驅動輪、馬達、變頻器以及控制器,其中: 該皮帶繞設於該多個驅動輪,該多個驅動輪連接並受控於該馬達,該馬達連接並受控於該變頻器,該控制器連接該變頻器並被配置來透過該變頻器接收馬達運轉中的即時資料;以及該控制器被配置來根據該即時資料執行如請求項1所述的動態皮帶張力推論方法的推論流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112111961A TWI819981B (zh) | 2023-03-29 | 2023-03-29 | 動態皮帶張力推論方法及相關馬達驅動輪系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112111961A TWI819981B (zh) | 2023-03-29 | 2023-03-29 | 動態皮帶張力推論方法及相關馬達驅動輪系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI819981B true TWI819981B (zh) | 2023-10-21 |
Family
ID=89858053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112111961A TWI819981B (zh) | 2023-03-29 | 2023-03-29 | 動態皮帶張力推論方法及相關馬達驅動輪系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI819981B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202035201A (zh) * | 2018-10-31 | 2020-10-01 | 日商三菱電機股份有限公司 | 電動機控制裝置及皮帶張力狀態檢測裝置 |
CN112362214A (zh) * | 2020-11-02 | 2021-02-12 | 厦门大学 | 一种皮带张力在线识别的方法和系统 |
CN110490995B (zh) * | 2019-08-26 | 2021-08-17 | 精英数智科技股份有限公司 | 一种皮带运行状态异常监测方法、系统、设备及存储介质 |
-
2023
- 2023-03-29 TW TW112111961A patent/TWI819981B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202035201A (zh) * | 2018-10-31 | 2020-10-01 | 日商三菱電機股份有限公司 | 電動機控制裝置及皮帶張力狀態檢測裝置 |
CN110490995B (zh) * | 2019-08-26 | 2021-08-17 | 精英数智科技股份有限公司 | 一种皮带运行状态异常监测方法、系统、设备及存储介质 |
CN112362214A (zh) * | 2020-11-02 | 2021-02-12 | 厦门大学 | 一种皮带张力在线识别的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Unsupervised cross-domain rolling bearing fault diagnosis based on time-frequency information fusion | |
Cheng et al. | Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
TWI669617B (zh) | 設備健康狀態監控方法及其系統 | |
Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
Dai et al. | Machinery health monitoring based on unsupervised feature learning via generative adversarial networks | |
CN107341349B (zh) | 风机健康评估的方法、系统、存储器及控制器 | |
Yang et al. | Diagnostics of gear deterioration using EEMD approach and PCA process | |
EP3719601A1 (en) | Abnormality determination system, motor control device, and abnormality determination device | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
US20170091672A1 (en) | Motor drive apparatus equipped with fan motor preventive maintenance function | |
CN111220373A (zh) | 一种离心泵转子系统故障诊断的方法 | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
Chen et al. | A novel knowledge transfer network with fluctuating operational condition adaptation for bearing fault pattern recognition | |
US20240109234A1 (en) | Abnormality Detection System, Molding Machine System, Abnormality Detection Apparatus, Abnormality Detection Method and Non-Transitory Computer Readable Recording Medium | |
WO2024045377A1 (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
Yang et al. | A novel data augmentation method based on denoising diffusion probabilistic model for fault diagnosis under imbalanced data | |
CN114088388B (zh) | 一种齿轮变速箱的故障诊断方法和故障诊断装置 | |
TWI819981B (zh) | 動態皮帶張力推論方法及相關馬達驅動輪系統 | |
Zhang et al. | Self-organising neural networks for automated machinery monitoring systems | |
Xu et al. | Constructing a health indicator for bearing degradation assessment via an unsupervised and enhanced stacked autoencoder | |
Huo et al. | Data augmentation fault diagnosis method based on residual mixed self-attention for rolling bearings under imbalanced samples | |
Jamil et al. | Fault Classification of Rolling Element Bearing in Machine Learning Domain. | |
Yi et al. | On a prediction method for remaining useful life of rolling Bearings via VMD-based dispersion entropy and GAN |