[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

说明书

本发明公开了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及装置，将采集的串联在微型振动马达通电回路的采集电阻两端的电压信号图像，输入到训练好的卷积神经网络模型，便可实现对微型振动马达缺陷种类的准确识别，整个过程为自动化识别操作，无需工作人员过多参与整个生成过程，大大提高了检测效率，且降低了劳动生产成本。

技术领域

本发明属于机器缺陷检测技术领域，涉及一种基于深度学习的微型振动马达缺陷故障检测技术，尤其涉及一种基于卷积神经网络的微型振动马达缺陷故障方法分类及装置。

背景技术

微型振动马达广泛的应用在手机、智能穿戴等电子设备上。随着交互式电子设备在我国的快速发展，微型振动马达需求量与日俱增，每年需求量达到20多亿只。如何在生产线中快速地对不良品检出成为了限制马达产量的瓶颈。

微型振动马达轴承缺陷引起的机械振动会导致气隙宽度的偏心振荡，进而引起磁通密度的变化，磁通密度的变化会使电机电感产生定子电流振动谐波，这是造成微型振动马达不良的重要原因。实际生产中，工厂通过示波器采集微型振动马达在运转时的图像，然后通过人眼观察示波器屏幕上的波形来判断微型振动马达缺陷故障，并对微型振动马达缺陷故障进行分类。而一条产线每小时生产1400个微型振动马达，无论是检测的速度还是准确率都难以得到有效保证。

机器视觉是人工智能正在快速发展的一个分支。简单说，机器视觉就是用机器代替人眼来做测量和判断，其特点是能够提高生产的灵活性和自动化程度。特别是随着深度学习(人工神经网络)的发展，机器视觉已经深入到当前人工智能研究的热门领域，这些研究涉及到工业、农业、金融业等多个领域，例如语音识别，人脸识别，目标检测，语义分割等等。基于深度学习的机器视觉缺陷故障检测方法已经渗透到我们生活中的各个方面。目前，基于深度学习的机器视觉缺陷故障检测在工业方面的应用主要是通过工业相机收集图片，然后通过采集的数据预训练出模型，再根据产线的实际情况来微调模型，这种检测方式在比如裂纹缺陷、瓶盖缺陷等检测等都已经表现出良好的检测效果。

然而，目前还没有针对微型振动马达的机器视觉缺陷故障检测技术。

发明内容

针对目前基于人工视觉的微型振动马达缺陷故障检测存在的效率低、准确度难以保证等问题，本发明目的旨在提供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及装置，在实现对微型振动马达缺陷故障准确分类的同时，简化操作难度、提高检测效率。

本发明的发明思路是通过训练的神经网络模型对采集的电压信号进行分析，由于神经网络模型经过训练后，其具有很高的识别效率，因此能够实现对微型振动马达缺陷故障(例如电刷不良(由于转子换向时间过长引起)、磁场不良(由于极片与刷片接触期间马达电阻变化引起)、波形异常(由于换向片弧度长短不一导致)、波形跌落(由于刷片与极片没有接触引起)、转子卡死、转子断线等)的准确分类。由于不需要工作人员有特别专业的背景技术，也降低了操作难度。本发明提供的基于卷积神经网络的微型振动马达缺陷故障分类方法，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。