[发明专利]基于卷积神经网络的微型振动马达缺陷故障分类方法及装置

权利要求书

1.一种基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于包括以下步骤：

S1 获得电压特征信号：在待测微型振动马达通电回路串联采集电阻，并在待测微型振动马达通电运转时测量采集电阻两端电压信号，并将其作为待处理的电压特征信号；

S2 利用小波变换重构电压特征信号：对得到的电压特征信号进行二层小波分解与重构，提取第二层重构信号中的低频信号，然后用原有电压特征信号减去第二层重构信号中的低频信号得到重构的电压特征信号；

S3 对重构后的电压特征信号图像进行预处理，包括二值化处理、感兴趣区域提取和膨胀处理；

S4 缺陷故障诊断：将预处理后的电压特征信号图像输入到训练好的卷积神经网络模型中，根据卷积神经网络模型的输出值判断待测微型振动马达是否存在缺陷故障并给出相应的缺陷故障种类。

2.根据权利要求1所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤S2中，对得到的电压特征信号进行bior2.2小波分解。

3.根据权利要求1所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤S3中，从重构的电压特征信号图像中截取设定区间内的电压特征信号图像进行预处理。

4.根据权利要求1至3任一所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于卷积神经网络模型的训练过程包括以下步骤：

A1 将良品及不同缺陷故障种类的若干微型振动马达按照步骤(S1)-(S3)，获取预处理后的重构电压特征信号图像；

A2 对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签，构建数据训练集；

A3 将数据训练集输入到卷积神经网络中进行训练，直至满足迭代停止要求，得到训练好的卷积神经网络模型。

5.根据权利要求4所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于步骤A2中，采用独热编码方式对良品及不同缺陷故障种类的若干微型振动马达对应的重构电压特征信号图像制作标签。

6.根据权利要求4所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于所述卷积神经网络模型为AlexNet网络。

7.根据权利要求6所述基于卷积神经网络的微型振动马达缺陷故障分类方法，其特征在于所述AlexNet网络的每个卷积层增加BN层。

8.一种基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于包括若干安装有待测微型振动马达的连接支路、微控制单元(2)、电源(3)、采集电阻(4)、启动电阻、数据采集卡(5)和计算机(6)；安装有待测微型振动马达连接支路一端与电源连接，另一端接入微控制单元(2)的输入接口，微控制单元的输出接口依次串联启动电阻和采集电阻，采集电阻的另一端与电源连接，电源、微型振动马达连接支路、微控制单元、启动电阻和采集电阻构成闭合回路；数据采集卡包含两个电压采集通道，第一个电压采集通道与启动电阻并联，第二个电压采集通道与采集电阻并联，数据采集卡的信号输出端与计算机连接；计算机对接收的电压信号按照权利要求1至7任一权利要求所述方法进行处理，对待测微型振动马达是否存在缺陷进行判断并给出相应的缺陷故障类型。

9.根据权利要求8所述基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于若干待测微型振动马达安置于微型振动马达夹具(1)上，所述微型振动马达夹具(1)上设置有若干用于安装微型振动马达(7)的卡槽(11)，卡槽一侧槽壁上设计有与微型振动马达接电口相对应的两个电极(12)，其中一个电极(12)与微控制单元(2)的输入接口连接，另一个电极接入电源(3)。

10.根据权利要求9所述基于卷积神经网络的微型振动马达缺陷故障分类装置，其特征在于所述卡槽与微型振动马达外型相匹配；微型振动马达的偏心块从卡槽另一侧槽壁延伸出，且卡槽槽壁上设计有防止微型振动马达轴向移动的限位结构，卡槽内设置有用于固定微型振动马达的磁铁。