[发明专利]一种基于循环网络分类模型的直流齿轮减速电机品检方法

说明书

本发明公开了一种基于循环网络分类模型的直流齿轮减速电机品检方法，包括以下步骤：1)记录待测减速电机的三秒振动信号，将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机；2)所述PC机获取所述振动信号，经过预处理获得所述振动信号对应的二维时频矩阵数据；3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中识别待测减速电机的优劣分类信息。本发明解决了目前在该领域广泛使用的人工检测法所带来的巨大劳动成本和疲惫检测等问题，在保证精确率的同时，提高对微型直流齿轮减速电机的品质鉴定的效率。

技术领域

本发明涉及机械故障诊断技术和深度学习的交叉领域，使用循环网络分类模型来解决微型直流齿轮减速电机的品质检测问题。

背景技术

随着人类科技的日益发展，自动化将成为21世纪生产发展的主旋律之一。而作为能将电能转化成机械能的电动机，一直都是各领域自动化系统不可或缺的核心部件。其中，在低速，大转矩的场合中，齿轮减速电机一直是最经济、实用的首选方案。

所谓的齿轮减速电机，就是将齿轮减速箱安装于电动机的输出轴，通过齿轮的减速，将输出转速由高速降为低速，同时提高输出转矩。由于该特性，该类微型电机产品广泛用于自动化生产线，医疗设备等精密仪器中以及智能工业，智能农业，智能家居，智能机器人等相关设备智能动力输出中。在该类产品的如此激烈的市场竞争压力下，如何在大规模生产的同时保证产品的品质质量，将成为齿轮减速电机企业能否创造可观的经济收益的重要问题之一。

目前对微型直流齿轮减速电机的品质检测，除了对几个硬性指标转速、转矩、温升等外，还要对噪声和齿轮品质进行鉴定。而在国内微型齿轮减速电机工厂中，该部分检测普遍是通过人工方式进行鉴定，即是通过双手感知电机空载的振动以及用耳聆听电机空载的噪声来进行综合判定产品的优劣。这种落后低效方法不仅大大增加生产中的劳动成本，而且由于这种重复性劳动会使工人出现疲惫判断失误，从而导致次品迈入市场，对企业的信誉和后续经济带来无法挽回的损失。

本发明针对微型直流齿轮减速电机的品质检测效率和精度等问题，将深度学习的方法融入其中。通过改进的循环网络分类模型对齿轮减速电机的振动信号进行特征提取和模型学习，实现了微型直流齿轮减速电机的品质检测任务。在保证精确率的同时，提高对微型直流齿轮减速电机的品质鉴定的效率。

发明内容

本发明是将深度学习技术应用到微型直流齿轮减速电机的品质检测中，使用深度学习的方法能够显著提高电机品检的精度以及效率，减少企业的人力成本以及精度效率等问题。

本发明通过如下技术方案实现：

一种基于循环网络分类模型的直流齿轮减速电机品检方法，包括以下步骤：

1)记录待测减速电机的三秒振动信号，将所述三秒振动信号分割成三份一秒电机振动信号后转为数字电压信号输入PC机；

2)所述PC机获取所述振动信号，经过预处理获得所述振动信号对应的二维时频矩阵数据；

3)将所述三秒的二维时频矩阵数据输入到训练好的循环网络分类模型中识别待测减速电机的优劣分类信息，从而减轻人工品检的负担。

进一步地，所述步骤2)具体包括：

对所述振动信号做加窗、分帧处理，其中窗函数选择海明窗：

为抵消加窗带来的两端削弱，所以需要在分帧的时候，帧与帧之间需重叠，帧长为256采样点，帧移为128采样点；

对加窗分帧后的所述振动信号进行快速傅里叶变换，获得振动信号的二维时频矩阵数据，具体公式如下：