法律状态公告日
法律状态信息
法律状态
2015-12-16
未缴年费专利权终止 IPC(主分类):G06N3/02 授权公告日:20120222 终止日期:20141023 申请日:20091023
专利权的终止
2012-02-22
授权
授权
2010-05-26
实质审查的生效 IPC(主分类):G06N3/02 申请日:20091023
实质审查的生效
2010-04-14
公开
公开
技术领域
本发明涉及动平衡检测系统中的通道补偿方法,具体地说是一种用于动平衡检测系统中通道补偿的神经网络建模方法。
背景技术
动平衡检测系统广泛用于旋转机械的生产和维护中,提高动平衡检测系统精度可以节省转子的平衡时间和降低转子平衡的成本。动平衡检测系统的原理是:支承点的振动信号经过硬件电路的积分、放大、滤波等处理环节后进入计算机,同时转速脉冲经过整形处理后也进入计算机,然后计算机软件进行分离解算、不平衡量提取等环节得到不平衡量的大小和相位。由于振动信号处理电路部分对振动信号的幅频和相频特性有影响,因此在软件处理中需要对信号处理通道进行补偿,才能提高测量的精度,尤其采用永久定标对通用动平衡机来说,特别重要。为了克服幅频特性的影响,传统的方法有两种:一种是采用分段定标的方法,对转速脉冲经过与振动信号相同的处理电路,以便抵消这部分电路对系统相频特性的影响,但是这种方法效果不好,并增加了系统硬件成本;另一种方法是采用软件中查表的方法进行补偿,因为表中的项目少,补偿的精度受到影响,并且表占用较多的存储资源。所以发明一种采用神经网络建模的方法得到测量系统各通道的频率特性模型,软件中按照该模型进行补偿,提高系统测量精度的用于动平衡检测系统中通道补偿的神经网络建模方法是十分重要的。
发明内容:
本发明的目的是提供一种采用神经网络建模的方法得到测量系统各通道的频率特性模型,软件中按照该模型进行补偿,提高系统测量精度的用于动平衡检测系统中通道补偿的神经网络建模方法。
本发明的目的是这样实现的:
一种用于动平衡检测系统中通道补偿的神经网络建模方法,包括以下步骤:
建立幅频特性模型:
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入,观测输入信号和输出信号的大小,记录幅频特性数据;
b从幅频特性中抽取20对以上数据进行归一化处理;
c确定三层前向神经网络的输入和输出参数:选取信号的频率作为神经网络模型的输入,输出信号幅值和输入信号幅值之比作为神经网络模型的输出;
d取出归一化处理后的部分数据作为训练样本,利用改进型BP学习算法训练网络,得到幅频特性模型;
e对得到的幅频特性模型进行仿真,若精度不能达到要求,调整BP学习算法的参数重复步骤d进行训练;
建立相频特性模型:
a采用高精度标准的信号发生器产生频率可调的正弦信号作为测量系统信号处理电路的输入,观测输入信号和输出信号的相位,记录相频特性数据;
b从相频特性中抽取20对以上数据进行归一化处理;
c确定三层前向神经网络的输入和输出参数:选取信号的频率作为神经网络模型的输入,输出信号相位和输入信号相位之差作为神经网络模型的输出;
d取出归一化处理后的部分数据作为训练样本,利用改进型BP学习算法训练网络,得到相频特性模型;
e对得到的相频特性模型进行仿真,若精度不能达到要求,调整BP学习算法的参数重复步骤d进行训练。
本发明的要点是:
采用神经网络建模的方法得到测量系统各通道的幅频特性模型和相频特性模型,软件处理中按照模型进行补偿。
采用高精度标准信号发生器产生频率可调的正弦信号作为输入,观测输入信号和输出信号的大小,记录频率特性,包括幅频特性和相频特性,两个校正面的硬支承动平衡测量系统一般由两个支承点的振动信号,需要分别建立幅频和相频模型;对频率特性进行归一化处理,归一化处理是将单位不一致的各数据都变换到[-1,1]或[0,1]范围内,目的是为了训练网络的收敛性,加快网络学习的速度;确定三层前向神经网络,信号的频率作为神经网络模型的输入,输出信号幅值和输入信号幅值之比或输出信号相位和输入信号相位之差作为神经网络模型的输出,中间层是隐层,隐层多少的选择只会对训练速度和精度有些影响;从实验数据中取出20对以上,利用改进型BP学习算法训练模型,得到频率特性模型;对得到频率特性模型,进行数据仿真,仿真的目的是检验模型的泛化能力,满足仿真精度要求后,训练得到的权系数表征系统的模型,软件中根据转子的频率进行通道的频率特性补偿。
归一化处理前测量数据是从实验记录的数据中抽取较好的数据对,幅频特性建模,每个数据对是频率和输入输出信号幅值之比组成;相频特性建模,每个数据对是由频率和输入输出信号相位之差组成;抽取时考虑到频率要覆盖整个频率测量范围,可以每隔一段频率取一对数据。
本发明的优点如下:
1.通过软件补偿使测量系统在整个测量的频率范围内都具有较好的线性度,克服测量系统硬件电路对振动信号的频率特性的影响,提高测量精度。
2.实现简单:利用基于BP算法的三层前向神经网络模型可以对通过测量电路的任意频率的信号进行频率特性补偿,该模型代表着信号处理电路的频率特性的非线性模型,可以用它进行任何频率的输入信号的补偿。
3.频率特性模型可以在较宽频率范围内以较高的精度逼近信号处理通道的模型。
附图说明
图1为本发明用于动平衡检测系统中通道补偿的神经网络建模方法带通道补偿的测量系统流程图。
图2为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络幅频特性模型逼近目标值曲线图。
图3为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络幅频特性模型训练过程的误差平方和变化曲线图。
图4为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络相频特性模型学习逼近目标值曲线图。
图5为本发明用于动平衡检测系统中通道补偿的神经网络建模方法的神经网络相频特性模型训练过程的误差平方和变化曲线图。
具体实施方式
下面结合附图通过具体实施例对本发明做进一步说明。
本发明用于动平衡检测系统中通道补偿的神经网络建模方法,在带通道补偿的测量系统流程图的虚线框内为建模部分,这部分是离线完成的,仅在系统调试时进行该过程的操作,建模完成后,除非硬件电路发生过变化,否则不需要再次建模。虚线框外为实时测量时的处理流程,动平衡测量系统中的处理器先采集外部的转速信号和振动信号,然后从振动信号中提取与转子同频的信号的幅值和相位,接着把振动信号的频率,即转子的旋转频率作为输入,按照测量通道的模型进行通道补偿运算;最后经过平面分离解算等过程得到不平衡量的大小和相位。
平衡机测量电路由积分、程控放大、带通自动跟踪滤波环节组成,正常工作时信号频率在3~100HZ,采用Matlab建立特性的模型如下:
采用25ppm即0.0025%的高精度信号发生器产生幅值为3V,频率为3~100HZ的正弦信号,把信号送至测量电路输入端,用示波器观测输入信号和输出信号的大小和相位,记录每个观测点上的幅值之比和相位之差,组成2组数据,一组为幅频特性对应的数据,一组为相频特性对应的数据;
1、幅频特性建模补偿
从幅频特性对应的数据组中挑选20对数据,先进行归一化处理。
如挑选出的输入数据的样本集为:
Xin=[3,5,6,7,8,9,10,12,15,20,25,30,35,40,45,50,60,70,80,100];
输出数据样本集为:
Yout=[1.14,1.15,1.15,.15,1.075,0.975,0.875,0.625,0.4,0.21,0.105,0.09,0.0675,0.05,0.04125,0.03375,0.0225,0.015,0.0125,0.0075];
输入数据见表1。
表1:
归一化处理操作为:Xin=(Xin-3)/(100-3);
Yout=(Yout-0.0075)/(1.154-0.00755)。
设计三层前向神经网络,输入层神经元个数为1,隐层神经元个数为5,输出层神经元个数为1,隐层和输出层都选取sigmoid函数为激励函数;在Matlab中初始化权值函数为:[w1,b1,w2,b2]=initff(Xin,S1,′tansig′,Yout,′purelin′);其中S1为隐层节点数。
采用优化算法Levenberg_Marquardt法对BP算法进行改进,Matlab中采用下面函数来训练神经网络:
[w1,b1,w2,b2,ep,tr]=trainlm(w1,b1,′tansig′,w2,b2,′purelin′,Xin,Yout,tp);其中tp为学习算法参数表,这里tp=[dispfreq,maxepoch,erogoal,learnrate]用来设置显示频率、最大训练次数、训练目标精度和学习率,这里分别设为:
dispfreq=20,maxepoch=5000,erogoal=0.0001,learnrate=0.001;
经过171步学习,得到幅频特性模型:神经网络模型幅频特性逼近目标值的曲线和神经网络幅频特性模型训练过程的误差平方和变化曲线。
采用训练结束,得到一组权系数[w1,b1,w2,b2],这组权系数就代表测量系统的幅频特性模型,为了验证模型的精度,用实验数据中的另外6对数据进行仿真,这6对数据不同于训练时使用的数据,仿真的函数如下:
Xin1=([5.5,10.5,22.5,42,55,90]-3)/(100-3);
a=(simuff(p,w1,b1,′tansig′,w2,b2,′purelin′)+0.0075)*(1.154-0.0075)
仿真结果和实际测量值对比见表2:
表2:
从上述仿真结果看该模型可以在较宽的频率范围内以较高的精度逼近信号处理通道的模型。
测量过程中的在线补偿,神经网络训练得到的一组权系数[w1,b1,w2,b2]就代表着测量通道的幅频特性模型,测量过程中,采集到每个通道的振动信号后,根据信号的频率进行归一化处理,然后代入神经网络前向计算公式,得到系统的输出,最后进行反归一化处理就得到需要补偿的值。
2、相频特性建模补偿
从相频特性对应的数据组中挑选20对数据,先进行归一化处理。
如挑选出的输入数据的样本集为:
Xin=[3,5,6,7,8,9,10,12,15,20,25,30,35,40,45,50,60,70,80,100];
输出数据样本集为:
Yout=[13.25,13.26,13.263,13.267,12.67,11.82,10.88,7.95,4.08,-1.51,-7.54,-8.87,-11.37,-13.98,-15.65,-17.39,-20.92,-24.44,-26.02,-30.46];
数据见表3。
表3:
归一化处理操作为:Xin=(Xin-3)/(100-3);
Yout=(Yout+30.46)/(30.46+13.267);
设计三层前向神经网络,输入层神经元个数为1,隐层神经元个数为5,输出层神经元个数为1,隐层和输出层都选取sigmoid函数为激励函数;在Matlab中初始化权值函数为:[w1,b1,w2,b2]=initff(Xin,S1,′tansig′,Yout,′purelin′);其中S1为隐层节点数;
采用优化算法Levenberg_Marquardt法对BP算法进行改进,Matlab中采用下面函数来训练神经网络:
[w1,b1,w2,b2,ep,tr]=trainlm(w1,b1,′tansig′,w2,b2,′purelin′,Xin,Yout,tp);其中tp为学习算法参数表,这里tp=[dispfreq,maxepoch,erogoal,learnrate]用来设置显示频率、最大训练次数、训练目标精度和学习率,这里分别设为:
dispfreq=20,maxepoch=5000,erogoal=0.0001,learnrate=0.001;
经过10步学习,得到相频频特性模型:神经网络相频特性模型逼近目标值的曲线和神经网络相频特性模型训练过程的误差平方和变化曲线;
采用训练结束,得到一组权系数[w1,b1,w2,b2],这组权系数就代表测量系统的相频特性模型,为了验证模型的精度,用实验数据中的另外6对数据进行仿真,这6对数据不同于训练时使用的数据,仿真的函数如下:
Xin1=([5.5,10.5,22.5,42,55,90]-3)/(100-3);
a=simuff(p,w1,b1,′tansig′,w2,b2,′purelin′)*(30.46+13.267)-30.46
仿真结果和实际测量值对比见表4。
表4:
测量过程中的在线补偿,神经网络训练得到的一组权系数[w1,b1,w2,b2]就代表着测量通道的相频特性模型,测量过程中,采集到每个通道的振动信号后,根据把信号的频率进行归一化处理,然后代入神经网络前向计算公式,得到系统的输出,最后进行反归一化处理就得到需要补偿的值。
以上所述仅为本发明的优选实施例而以,并不用于限制本发明。对于本领域的技术人员来说可以有任何更改和变换,凡在本发明的精神和原则范围内所做的任何改变、变化或等同替换等都应包括在本发明的保护范围内。
机译: CNN用于在室内路径损耗建模中为卷积神经网络生成输入数据的方法和装置以及使用其的室内路径损耗建模方法和装置
机译: 用于多通道音频编码的特定通道信号中的能量水平的补偿方法以及用于编码和确定执行补偿的多通道音频信号的参数的方法
机译: 用于对物理系统进行建模的神经网络以及用于创建这种神经网络的方法