一种残膜回收机防缠绕挑膜装置的制 一种秧草收获机用电力驱动行走机构

一种电机运行过程故障自动识别及控制方法

2023-01-06 03:28:09 来源:中国专利 TAG:


1.本发明属于电机控制和检测领域,特别地,涉及一种电机运行过程故障自动识别及控制方法。


背景技术:

2.直流电机最常见的故障是换向故障,换向故障最明显的特征是换向火花过大。由于目前尚未有实用的仪器可精确测定换向火花的等级,在生产实践中,对换向火花的监测通常由点检工人来完成。人工观测火花依赖于点检工人对火花特征的主观印象和个人的经验积累。观测结果不可避免地受到主观因素的影响。
3.国外从上世纪80 年代中期开始了自动监测火花的研究,并做成仪器。比如1992年国际电机会议发表的题为《火花监测系统及数据处理原理》的论文,公开了一种以光电管器件为基础的电机运行过程中换向火花监测系统,其问题在于,光纤的强度较脆弱容易在电机运行过程高速风力的驱使下被折断,并且对于大型电机而言,需要布置的光纤数多达数百条,严重降低了整个系统的检测可靠性。近年来获得改进的一些方法,如基于主极磁场的高频扰动检测法、电气谱监测法和无线电波监测法等,不能捕捉火花的颜色特征,降低了检测的准确性。
4.近年来随着图像传感器技术进步,基于图像信号的工业检测方法开始流行起来。从电机监测领域来看,基于图像传感器的监测方法,可以在捕捉火花颜色特征的同时,获取换向火花的方向分布特征,同时图像传感器较容易固定在测试环境中,并且不易受到非接触风力的影响,可靠性较好。
5.然而,现有通常使用边缘提取等传统图像处理的方法,对火花识别精度不够,容易受到环境干扰。虽然也有人提出使用神经网络进行识别,但通常采用的是传统cnn、fnn等神经网络或者它们的简单变形,并没有针对电机火花专门设计适合的网络模型结构,因此存在检测精度低、运算负担大、对样本数量要求过高的问题。特别是目前使用神经网络识别,均是将采集图像直接或简单处理即送入神经网络中,由此对神经网络结构要求较高,且处理效果不佳,并未根据神经网络结构优化输入数据,更未根据输入数据优化网络结构。


技术实现要素:

6.为此,本发明提出一种基于图像传感器采集信号和图像智能自动处理的电机运行过程故障自动识别及控制方法,利用图像传感器持续、实时的捕捉电机运行过程中的动态图像信号,利用图像的智能识别方法识别电机产生故障的图像信号,并根据该信号控制电机停止运行,达到保护电机的目的。
7.一种电机运行过程故障自动识别及控制方法,采集电机电火花图像,形成一张可见光数字图像和一张紫外数字图像;为矩阵的元素,为元素矩阵中的坐标,为矩阵的总行数。为
矩阵元素赋值为:其中百分号%表示取余运算,为4x4的正交基组成的矩阵:则定义为矩阵与矩阵的乘积:求解中像素取值大于阈值的像素个数,若像素个数大于阈值,则认为该图像中存在火花,否则认为不存在火花;若采集图像存在火花,则对紫外数字图像进行火花预定位:其中表示模板中的位置坐标,表示以原图中坐标为中心的卷积偏移坐标;求取中的最大值所在位置,记为,作为紫外图像中火花中心的预设点;使所有可见光图像的起始坐标均归一化至火花中心位置;利用神经网络基于坐标归一化可见光图像进行火花检测,其中神经网络结构为:包括卷积特征提取层、多尺度池化层、正交优化层以及输出层;其中多尺度池化层输出为:其中,、、、为池化参数,为线性偏置量,为激励函数,、、、为前一层卷积特征提取的结果。
8.还包括当检测到火花后,判定电机出现故障,向电机发送停机信号,控制电机停机。
9.采用后向传播(bp)算法对上述模型实施训练。
10.通过训练确定卷积核、池化参数、线性映射参数的值,完成训练。
11.训练前,准备若干发生火花的可见光图像,经平移归一化后,作为正样本。
12.若干未发生火花的可见光图像,经平移归一化后,作为负样本。
13.正样本赋样本真值1,负样本赋样本真值0。
14.将样本输入上述模型实施迭代计算,每轮将样本真值与模型输出值进行比对,迭代至收敛后完成训练。
15.包括由现场处理器和服务器实施。
16.现场处理器进行采集图像预处理,服务器利用神经网络对预处理后的图像进行检测识别,并向控制器发送控制信号。
17.本发明发明点及技术效果:1、本发明由两种能够感应不同波段光信号的传感器捕捉,分别位于可见光波段和紫外波段;电机产生的火花在紫外波段能够产生相对于可见光波段较强的响应,有助于提高检测精度;同时对采集图像利用专门模板进行处理并进行归一化定位,能够有针对性地去除电机环境噪声,由此获得的数据送入神经网络中能够提高检测精度,且降低对神经网络结构复杂度的要求,提高计算效率。
18.2、优化了神经网络结构,使用独特的激励函数,并在一层内进行多维度池化,同时结合正交优化,降低了参数的相关性,使得该网络结构更加适合前述步骤处理得到的输入数据,能够在较为简单的网络结构下实现高精度的识别,降低运算负担。
具体实施方式
19.步骤1:电机运行过程中的动态图像信号的采集利用具备图像传感器的摄像机,将摄像机安装于能够完整拍摄电机内部产生火花区的位置,摄像机光学镜头对准火花线位置,并采集电机运行过程中的动态图像信号。
20.所述的动态图像信号,由两种能够感应不同波段光信号的传感器捕捉,分别位于可见光波段和紫外波段;电机产生的火花在紫外波段能够产生相对于可见光波段较强的响应,有助于提高检测精度;同时采集可见光波段,可以较好的识别产生火花的分布位置。相对于现有案例中,仅采用可见光检测的方法,该配置可以提高检测的精度,降低故障的误报率。
21.上述可见光波段和紫外波段采集的图像信号,依据时序成对采集,同一时刻采集的图像信号经量化编码后,形成一张可见光数字图像和一张紫外数字图像,分别用、表示。每张图像各用一二维矩阵表示。二维矩阵中的一个元素称为图像的一个像素。用表示图像中的像素坐标,即矩阵元素坐标,分别表示矩阵的行、列方向的下标。、分别表示、中坐标为的像素值。
22.对紫外数字图像进行预处理,检测紫外数字图像中存在电机火花的概率。
23.将紫外数字图像作线性变换。为了方便数学表达,本发明中矩阵或向量的元素下标从0开始计数。设表示矩阵的总列数,即图像的宽度,为矩阵的总行数,即图像的高度。定义方阵:
为矩阵的元素,为元素矩阵中的坐标,为矩阵的总行数。为矩阵元素赋值为:其中百分号%表示取余运算,为4x4的正交基组成的矩阵:则定义为矩阵与矩阵的乘积:矩阵根据紫外图像的采集特点与火花的图像特点设计,将原图像根据作线性变换后,有助于保持火花部分的原有特征,同时消除紫外图像中由于传感器本身带来的噪声,提高紫外图像的信噪比。
24.求解中像素取值大于阈值(记为)的像素个数,若像素个数大于阈值(记为),则认为该图像中存在火花,否则认为不存在火花。经过实验优选(图像像素取值范围归一化至0-1),。步骤1通过紫外图像对火花进行初次过滤,可以进一步降低误报率,提高检测精度。
25.步骤2:基于紫外图像电机火花预检测的火花预定位与可见光图像坐标归一化若采集图像存在火花,则对紫外数字图像进行火花预定位,即采用如下所述模板:与紫外图像做卷积,获得卷积图:其中表示模板中的位置坐标,表示以原图中坐标为中心的卷积偏移坐标。
26.上述模板为在大量紫外图像火花数据基础上,采用贝叶斯学习法学习获得,为
了便于使用,在学习的结果上进一步应用了3*3中值滤波对模板进行平滑,按照步长值0.05再量化,获得式1结果。
27.对采集到的一张紫外图像,根据式2计算,并求取中的最大值所在位置,记为,作为紫外图像中火花中心的预设点。
28.将与对应的可见光图像根据作空间平移,使所有可见光图像的起始坐标均归一化至火花中心位置,获得平移后的可见光图像记为:上述平移操作的作用是,使所有可见光图像的起始坐标均归一化至火花中心位置,这样有助于将环境中与电机火花无关的图像部分移至图像外围,在后续步骤中赋予较低检测权值,可以更好的去除图像中环境噪声。
29.步骤3:利用神经网络基于坐标归一化可见光图像的火花检测某一时刻,根据步骤1,采集到一张可见光图像与一张紫外图像,对紫外图像进行预处理,判断其中存在火花的概率。如果预处理结果满足步骤1中阈值,则继续;否则等候下一采集时刻。
30.根据步骤2对紫外图像中的火花进行预定位,获得紫外图像中火花中心的坐标,并根据该坐标对可见光图像进行平移,获得坐标归一化可见光图像。
31.对坐标归一化可见光图像按下面步骤实施火花识别。
32.首先,建立卷积特征提取层,对前述可见光图像进行局部特征提取建模。
33.即:上式中,为矩阵的卷积核,是卷积核中的相对坐标,为坐标归一化可见光图像。是卷积核的下标,表示第个卷积核,在本发明中,优选的取值范围为0-31,即共有32个卷积核、、。对应于卷积特征提取层的32个矩阵结果,即、、

、。为线性偏置量。用于使线性卷积非线性化,实现非线性样本分类。
34.上式中,根据本发明现实应用的数据特点,设计了上述非线性激活函数,并引入系数调整函数的收敛速度,有助于提高模型对火花的识别率;,优选。
35.其次的,在卷积特征提取层基础上,建立多尺度池化层,对卷积特征层进行压缩,提高计算效率。
36.与常用的卷积池化不同,本发明建立的多尺度池化层在各卷积层之间也同时进行池化,进一步降低了数据量,提高了计算效率;同时在各层间池化时进一步引入池化参数(、、、),可以提高池化的精度。为线性偏置量。同上定义。
37.其次的,在多尺度池化层基础上,建立正交优化层。
38.其中,,满足:满足:表示16组从三维池化层的空间坐标到正交优化层的第个元素的线性映射,式8的约束使其具有正交特性,降低参数之间的相关性,有助于提高模型的检测能力。
39.参数用于对三维池化层的数据进行归一化,因为三维池化层存在8个矩阵(m取值为32/4=8个)。为线性偏置量。同上定义。
40.最后,定义输出层为检测到电机火花的概率:其中,表示连接正交优化层的第个元素与输出层的线性映射,为线性偏置量。同上定义。输出层表示检测到电机火花的概率,趋近于0表示未检测到火花,趋近于1表示检测到火花。
41.采用后向传播(bp)算法对上述模型4-9实施训练,确定式4中卷积核、式6中池化参数、式7、9中线性映射参数的值、以及其他未知参数值,完成训练。
42.训练前,准备若干发生火花的可见光图像,经步骤2平移归一化后,作为正样本,与若干未发生火花的可见光图像,经步骤2平移归一化后,作为负样本;正样本赋样本真值1,
负样本赋样本真值0. 将样本输入上述模型实施迭代计算,每轮将样本真值与模型输出值进行比对,迭代至收敛后完成训练。
43.训练完成后,可利用前述方法对本步骤3起始处所述获得坐标归一化可见光图像进行检测,通过上述模型得出概率估计值,若大于阈值(记为)判定检测到火花,否则判定没有检测到火花。作为优选,设置=0.8。
44.步骤4基于图像检测的电机运行过程火花故障自动识别和控制根据步骤1-3所述,实时采集图像,进行处理,并根据步骤3所述模型与方法,对采集到的每对图像中的可见光图像实施检测,当检测到火花后,判定电机出现故障,向电机发送停机信号,控制电机停机。
45.下表是利用本发明的方法和现有cnn神经网络方法试验的结果对比,从表中可以看出,由于本发明的图像预处理过程和神经网络结构相互配合,且均是针对电机火花检测而专门设计的,考虑到了实际应用环境,因此测试效果更好。
46.表1该方法实施在如下系统中:采集设备:包括紫外相机和可见光相机。
47.预处理设备:包括与采集设备连接的处理器,设置在现场。
48.服务器:存储有训练好的神经网络模型,接收预处理设备发送的图像并进行判别,从而向控制器发送控制信号。
49.控制器:用于控制电机动作。
50.本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
再多了解一些

本文用于创业者技术爱好者查询,仅供学习研究,如用于商业用途,请联系技术所有人。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

相关文献