[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910263769.5
• 申請(qǐng)日: 2019-04-03
• 公開(kāi)（公告）號(hào): CN109946606B
• 公開(kāi)（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 方夏;黃思思;劉劍歌;王杰;馮濤
• 申請(qǐng)（專利權(quán)）人: 四川大學(xué)
• 主分類號(hào): G01R31/34
• 分類號(hào): G01R31/34;G06K9/00;G06K9/32;G06K9/38;G06K9/62;G06N3/04;G06N3/08;G06T5/30
• 代理公司: 成都天既明專利代理事務(wù)所(特殊普通合伙) 51259
• 代理人: 李蜜;彭立瓊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于包括以下步驟：

S1 獲得電壓特征信號(hào)：在待測(cè)微型振動(dòng)馬達(dá)通電回路串聯(lián)采集電阻，并在待測(cè)微型振動(dòng)馬達(dá)通電運(yùn)轉(zhuǎn)時(shí)測(cè)量采集電阻兩端電壓信號(hào)，并將其作為待處理的電壓特征信號(hào)；

S2 利用小波變換重構(gòu)電壓特征信號(hào)：對(duì)得到的電壓特征信號(hào)進(jìn)行二層小波分解與重構(gòu)，提取第二層重構(gòu)信號(hào)中的低頻信號(hào)，然后用原有電壓特征信號(hào)減去第二層重構(gòu)信號(hào)中的低頻信號(hào)得到重構(gòu)的電壓特征信號(hào)；

S3 對(duì)重構(gòu)后的電壓特征信號(hào)圖像進(jìn)行預(yù)處理，包括二值化處理、感興趣區(qū)域提取和膨脹處理；

S4 缺陷故障診斷：將預(yù)處理后的電壓特征信號(hào)圖像輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型的輸出值判斷待測(cè)微型振動(dòng)馬達(dá)是否存在缺陷故障并給出相應(yīng)的缺陷故障種類。

2.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于步驟S2中，對(duì)得到的電壓特征信號(hào)進(jìn)行bior2.2小波分解。

3.根據(jù)權(quán)利要求1所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于步驟S3中，從重構(gòu)的電壓特征信號(hào)圖像中截取設(shè)定區(qū)間內(nèi)的電壓特征信號(hào)圖像進(jìn)行預(yù)處理。

4.根據(jù)權(quán)利要求1至3任一所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程包括以下步驟：

A1 將良品及不同缺陷故障種類的若干微型振動(dòng)馬達(dá)按照步驟(S1)-(S3)，獲取預(yù)處理后的重構(gòu)電壓特征信號(hào)圖像；

A2 對(duì)良品及不同缺陷故障種類的若干微型振動(dòng)馬達(dá)對(duì)應(yīng)的重構(gòu)電壓特征信號(hào)圖像制作標(biāo)簽，構(gòu)建數(shù)據(jù)訓(xùn)練集；

A3 將數(shù)據(jù)訓(xùn)練集輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，直至滿足迭代停止要求，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求4所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于步驟A2中，采用獨(dú)熱編碼方式對(duì)良品及不同缺陷故障種類的若干微型振動(dòng)馬達(dá)對(duì)應(yīng)的重構(gòu)電壓特征信號(hào)圖像制作標(biāo)簽。

6.根據(jù)權(quán)利要求4所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于所述卷積神經(jīng)網(wǎng)絡(luò)模型為AlexNet網(wǎng)絡(luò)。

7.根據(jù)權(quán)利要求6所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類方法，其特征在于所述AlexNet網(wǎng)絡(luò)的每個(gè)卷積層增加BN層。

8.一種基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類裝置，其特征在于包括若干安裝有待測(cè)微型振動(dòng)馬達(dá)的連接支路、微控制單元(2)、電源(3)、采集電阻(4)、啟動(dòng)電阻、數(shù)據(jù)采集卡(5)和計(jì)算機(jī)(6)；安裝有待測(cè)微型振動(dòng)馬達(dá)連接支路一端與電源連接，另一端接入微控制單元(2)的輸入接口，微控制單元的輸出接口依次串聯(lián)啟動(dòng)電阻和采集電阻，采集電阻的另一端與電源連接，電源、微型振動(dòng)馬達(dá)連接支路、微控制單元、啟動(dòng)電阻和采集電阻構(gòu)成閉合回路；數(shù)據(jù)采集卡包含兩個(gè)電壓采集通道，第一個(gè)電壓采集通道與啟動(dòng)電阻并聯(lián)，第二個(gè)電壓采集通道與采集電阻并聯(lián)，數(shù)據(jù)采集卡的信號(hào)輸出端與計(jì)算機(jī)連接；計(jì)算機(jī)對(duì)接收的電壓信號(hào)按照權(quán)利要求1至7任一權(quán)利要求所述方法進(jìn)行處理，對(duì)待測(cè)微型振動(dòng)馬達(dá)是否存在缺陷進(jìn)行判斷并給出相應(yīng)的缺陷故障類型。

9.根據(jù)權(quán)利要求8所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類裝置，其特征在于若干待測(cè)微型振動(dòng)馬達(dá)安置于微型振動(dòng)馬達(dá)夾具(1)上，所述微型振動(dòng)馬達(dá)夾具(1)上設(shè)置有若干用于安裝微型振動(dòng)馬達(dá)(7)的卡槽(11)，卡槽一側(cè)槽壁上設(shè)計(jì)有與微型振動(dòng)馬達(dá)接電口相對(duì)應(yīng)的兩個(gè)電極(12)，其中一個(gè)電極(12)與微控制單元(2)的輸入接口連接，另一個(gè)電極接入電源(3)。

10.根據(jù)權(quán)利要求9所述基于卷積神經(jīng)網(wǎng)絡(luò)的微型振動(dòng)馬達(dá)缺陷故障分類裝置，其特征在于所述卡槽與微型振動(dòng)馬達(dá)外型相匹配；微型振動(dòng)馬達(dá)的偏心塊從卡槽另一側(cè)槽壁延伸出，且卡槽槽壁上設(shè)計(jì)有防止微型振動(dòng)馬達(dá)軸向移動(dòng)的限位結(jié)構(gòu)，卡槽內(nèi)設(shè)置有用于固定微型振動(dòng)馬達(dá)的磁鐵。