專利名稱：：用于動平衡檢測系統中通道補償的神經網絡建模方法
技術領域：
：本發(fā)明涉及動平衡檢測系統中的通道補償方法，具體地說是一種用于動平衡檢測系統中通道補償的神經網絡建模方法。
背景技術：
：動平衡檢測系統廣泛用于旋轉機械的生產和維護中，提高動平衡檢測系統精度可以節(jié)省轉子的平衡時間和降低轉子平衡的成本。動平衡檢測系統的原理是支承點的振動信號經過硬件電路的積分、放大、濾波等處理環(huán)節(jié)后進入計算機，同時轉速脈沖經過整形處理后也進入計算機，然后計算機軟件進行分離解算、不平衡量提取等環(huán)節(jié)得到不平衡量的大小和相位。由于振動信號處理電路部分對振動信號的幅頻和相頻特性有影響，因此在軟件處理中需要對信號處理通道進行補償，才能提高測量的精度，尤其采用永久定標對通用動平衡機來說，特別重要。為了克服幅頻特性的影響，傳統的方法有兩種一種是采用分段定標的方法，對轉速脈沖經過與振動信號相同的處理電路，以便抵消這部分電路對系統相頻特性的影響，但是這種方法效果不好，并增加了系統硬件成本；另一種方法是采用軟件中查表的方法進行補償，因為表中的項目少，補償的精度受到影響，并且表占用較多的存儲資源。所以發(fā)明一種采用神經網絡建模的方法得到測量系統各通道的頻率特性模型，軟件中按照該模型進行補償，提高系統測量精度的用于動平衡檢測系統中通道補償的神經網絡建模方法是十分重要的。
發(fā)明內容本發(fā)明的目的是提供一種采用神經網絡建模的方法得到測量系統各通道的頻率特性模型，軟件中按照該模型進行補償，提高系統測量精度的用于動平衡檢測系統中通道補償的神經網絡建模方法。本發(fā)明的目的是這樣實現的—種用于動平衡檢測系統中通道補償的神經網絡建模方法，包括以下步驟建立幅頻特性模型a采用高精度標準的信號發(fā)生器產生頻率可調的正弦信號作為測量系統信號處理電路的輸入，觀測輸入信號和輸出信號的大小，記錄幅頻特性數據；b從幅頻特性中抽取20對以上數據進行歸一化處理；c確定三層前向神經網絡的輸入和輸出參數選取信號的頻率作為神經網絡模型的輸入，輸出信號幅值和輸入信號幅值之比作為神經網絡模型的輸出；d取出歸一化處理后的部分數據作為訓練樣本，利用改進型BP學習算法訓練網絡，得到幅頻特性模型；e對得到的幅頻特性模型進行仿真，若精度不能達到要求，調整BP學習算法的參數重復步驟d進行訓練；建立相頻特性模型a采用高精度標準的信號發(fā)生器產生頻率可調的正弦信號作為測量系統信號處理電路的輸入，觀測輸入信號和輸出信號的相位，記錄相頻特性數據；b從相頻特性中抽取20對以上數據進行歸一化處理；c確定三層前向神經網絡的輸入和輸出參數選取信號的頻率作為神經網絡模型的輸入，輸出信號相位和輸入信號相位之差作為神經網絡模型的輸出；d取出歸一化處理后的部分數據作為訓練樣本，利用改進型BP學習算法訓練網絡，得到相頻特性模型；e對得到的相頻特性模型進行仿真，若精度不能達到要求，調整BP學習算法的參數重復步驟d進行訓練。本發(fā)明的要點是采用神經網絡建模的方法得到測量系統各通道的幅頻特性模型和相頻特性模型，軟件處理中按照模型進行補償。采用高精度標準信號發(fā)生器產生頻率可調的正弦信號作為輸入，觀測輸入信號和輸出信號的大小，記錄頻率特性，包括幅頻特性和相頻特性，兩個校正面的硬支承動平衡測量系統一般由兩個支承點的振動信號，需要分別建立幅頻和相頻模型；對頻率特性進行歸一化處理，歸一化處理是將單位不一致的各數據都變換到[-i，i]或[O，l]范圍內，目的是為了訓練網絡的收斂性，加快網絡學習的速度；確定三層前向神經網絡，信號的頻率作為神經網絡模型的輸入，輸出信號幅值和輸入信號幅值之比或輸出信號相位和輸入信號相位之差作為神經網絡模型的輸出，中間層是隱層，隱層多少的選擇只會對訓練速度和精度有些影響；從實驗數據中取出20對以上，利用改進型BP學習算法訓練模型，得到頻率特性模型；對得到頻率特性模型，進行數據仿真，仿真的目的是檢驗模型的泛化能力，滿足仿真精度要求后，訓練得到的權系數表征系統的模型，軟件中根據轉子的頻率進行通道的頻率特性補償。歸一化處理前測量數據是從實驗記錄的數據中抽取較好的數據對，幅頻特性建模，每個數據對是頻率和輸入輸出信號幅值之比組成；相頻特性建模，每個數據對是由頻率和輸入輸出信號相位之差組成；抽取時考慮到頻率要覆蓋整個頻率測量范圍，可以每隔一段頻率取一對數據。本發(fā)明的優(yōu)點如下1.通過軟件補償使測量系統在整個測量的頻率范圍內都具有較好的線性度，克服測量系統硬件電路對振動信號的頻率特性的影響，提高測量精度。2.實現簡單利用基于BP算法的三層前向神經網絡模型可以對通過測量電路的任意頻率的信號進行頻率特性補償，該模型代表著信號處理電路的頻率特性的非線性模型，可以用它進行任何頻率的輸入信號的補償。3.頻率特性模型可以在較寬頻率范圍內以較高的精度逼近信號處理通道的模型。圖1為本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法帶通道補償的測量系統流程圖。圖2為本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法的神經網絡幅頻特性模型逼近目標值曲線圖。圖3為本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法的神經網絡幅頻特性模型訓練過程的誤差平方和變化曲線圖。圖4為本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法的神經網絡相頻特性模型學習逼近目標值曲線圖。圖5為本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法的神經網絡相頻特性模型訓練過程的誤差平方和變化曲線圖。具體實施例方式下面結合附圖通過具體實施例對本發(fā)明做進一步說明。本發(fā)明用于動平衡檢測系統中通道補償的神經網絡建模方法，在帶通道補償的測量系統流程圖的虛線框內為建模部分，這部分是離線完成的，僅在系統調試時進行該過程的操作，建模完成后，除非硬件電路發(fā)生過變化，否則不需要再次建模。虛線框外為實時測量時的處理流程，動平衡測量系統中的處理器先采集外部的轉速信號和振動信號，然后從振動信號中提取與轉子同頻的信號的幅值和相位，接著把振動信號的頻率，即轉子的旋轉頻率作為輸入，按照測量通道的模型進行通道補償運算；最后經過平面分離解算等過程得到不平衡量的大小和相位。平衡機測量電路由積分、程控放大、帶通自動跟蹤濾波環(huán)節(jié)組成，正常工作時信號頻率在3100HZ，采用Matlab建立特性的模型如下采用25卯m即0.0025%的高精度信號發(fā)生器產生幅值為3V，頻率為3100HZ的正弦信號，把信號送至測量電路輸入端，用示波器觀測輸入信號和輸出信號的大小和相位，記錄每個觀測點上的幅值之比和相位之差，組成2組數據，一組為幅頻特性對應的數據，一組為相頻特性對應的數據；1、幅頻特性建模補償從幅頻特性對應的數據組中挑選20對數據，先進行歸一化處理。如挑選出的輸入數據的樣本集為Xin=[3，5，6，7，8，9，10，12，15，20，25，30，35，40，45，50，60，70，80，100];輸出數據樣本集為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];輸入數據見表l。<table>tableseeoriginaldocumentpage5</column></row><table><table>tableseeoriginaldocumentpage6</column></row><table>歸一化處理操作為Xin=(Xin-3)/(100-3);Yout=(Yout-0.0075)/(1.154-0.00755)。設計三層前向神經網絡，輸入層神經元個數為1，隱層神經元個數為5，輸出層神經元個數為1，隱層和輸出層都選取sigmoid函數為激勵函數；在Matlab中初始化權值函數為[wl，bl，w2，b2]=initff(Xin，Sl，'tansig'，Yout，'purelin');其中SI為隱層節(jié)點數。采用優(yōu)化算法Levenberg_Marquardt法對BP算法進行改進，Matlab中采用下面函數來訓練神經網絡[wl，bl，w2，b2，印，tr]=trainlm(wl，bl，'tansig'，w2，b2，'purelin'，Xin，Yout，tp);其中tp為學習算法參數表，這里tp=[dispfreq，max印och，erogoal，learnrate]用來設置顯示頻率、最大訓練次數、訓練目標精度和學習率，這里分別設為dispfreq=20，max印och=5000，erogoal=0.0001，learnrate=0.001;經過171步學習，得到幅頻特性模型神經網絡模型幅頻特性逼近目標值的曲線和神經網絡幅頻特性模型訓練過程的誤差平方和變化曲線。采用訓練結束，得到一組權系數[wl，bl，w2，b2]，這組權系數就代表測量系統的幅頻特性模型，為了驗證模型的精度，用實驗數據中的另外6對數據進行仿真，這6對數據不同于訓練時使用的數據，仿真的函數如下Xinl=([5.5，10.5，22.5，42，55，90]-3)/(100—3);a=(simuff(p，wl，bl，'tansig'，w2，b2，'purelin')+0.0075)*(1.154-0.0075)仿真結果和實際測量值對比見表2:表2:<table>tableseeoriginaldocumentpage6</column></row><table>從上述仿真結果看該模型可以在較寬的頻率范圍內以較高的精度逼近信號處理通道的模型。測量過程中的在線補償，神經網絡訓練得到的一組權系數[wl，bl，w2，b2]就代表著測量通道的幅頻特性模型，測量過程中，采集到每個通道的振動信號后，根據信號的頻率進行歸一化處理，然后代入神經網絡前向計算公式，得到系統的輸出，最后進行反歸一化處理就得到需要補償的值。2、相頻特性建模補償從相頻特性對應的數據組中挑選20對數據，先進行歸一化處理。如挑選出的輸入數據的樣本集為Xin=[3，5，6，7，8，9，10，12，15，20，25，30，35，40，45，50，60，70，80，100];輸出數據樣本集為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];數據見表3。表3:<table>tableseeoriginaldocumentpage7</column></row><table>歸一化處理操作為Xin=(Xin-3)/(100-3);Yout=(Yout+30.46)/(30.46+13.267);設計三層前向神經網絡，輸入層神經元個數為1，隱層神經元個數為5，輸出層神經元個數為1，隱層和輸出層都選取sigmoid函數為激勵函數；在Matlab中初始化權值函數為[wl，bl，w2，b2]=initff(Xin，Sl，'tansig'，Yout，'purelin');其中Sl為隱層節(jié)點數；采用優(yōu)化算法Levenberg_Marquardt法對BP算法進行改進，Matlab中采用下面函數來訓練神經網絡[wl，bl，w2，b2，印，tr]=trainlm(wl，bl，'tansig'，w2，b2，'purelin'，Xin，Yout，tp);其中tp為學習算法參數表，這里tp=[dispfreq，max印och，erogoal，learnrate]用來設置顯示頻率、最大訓練次數、訓練目標精度和學習率，這里分別設為dispfreq=20，max印=5000，erogoal=0.0001，learnrate=0.001;經過10步學習，得到相頻頻特性模型神經網絡相頻特性模型逼近目標值的曲線和神經網絡相頻特性模型訓練過程的誤差平方和變化曲線；采用訓練結束，得到一組權系數[wl，bl，w2，b2]，這組權系數就代表測量系統的相頻特性模型，為了驗證模型的精度，用實驗數據中的另外6對數據進行仿真，這6對數據不同于訓練時使用的數據，仿真的函數如下Xinl=([5.5，10.5，22.5，42，55，90]-3)/(100-3);a=simuff(p，wl，bl，'tansig'，w2，b2，'purelin')*(30.46+13.267)-30.46仿真結果和實際測量值對比見表4。表4:<table>tableseeoriginaldocumentpage8</column></row><table>測量過程中的在線補償，神經網絡訓練得到的一組權系數[wl，bl，w2，b2]就代表著測量通道的相頻特性模型，測量過程中，采集到每個通道的振動信號后，根據把信號的頻率進行歸一化處理，然后代入神經網絡前向計算公式，得到系統的輸出，最后進行反歸一化處理就得到需要補償的值。以上所述僅為本發(fā)明的優(yōu)選實施例而以，并不用于限制本發(fā)明。對于本領域的技術人員來說可以有任何更改和變換，凡在本發(fā)明的精神和原則范圍內所做的任何改變、變化或等同替換等都應包括在本發(fā)明的保護范圍內。權利要求一種用于動平衡檢測系統中通道補償的神經網絡建模方法，包括以下步驟(1)建立幅頻特性模型a采用高精度標準的信號發(fā)生器產生頻率可調的正弦信號作為測量系統信號處理電路的輸入，觀測輸入信號和輸出信號的大小，記錄幅頻特性數據；b從幅頻特性中抽取20對以上數據進行歸一化處理；c確定三層前向神經網絡的輸入和輸出參數選取信號的頻率作為神經網絡模型的輸入，輸出信號幅值和輸入信號幅值之比作為神經網絡模型的輸出；d取出歸一化處理后的部分數據作為訓練樣本，利用改進型BP學習算法訓練網絡，得到幅頻特性模型；e對得到的幅頻特性模型進行仿真，若精度不能達到要求，調整BP學習算法的參數重復步驟d進行訓練；(2)建立相頻特性模型a采用高精度標準的信號發(fā)生器產生頻率可調的正弦信號作為測量系統信號處理電路的輸入，觀測輸入信號和輸出信號的相位，記錄相頻特性數據；b從相頻特性中抽取20對以上數據進行歸一化處理；c確定三層前向神經網絡的輸入和輸出參數選取信號的頻率作為神經網絡模型的輸入，輸出信號相位和輸入信號相位之差作為神經網絡模型的輸出；d取出歸一化處理后的部分數據作為訓練樣本，利用改進型BP學習算法訓練網絡，得到相頻特性模型；e對得到的相頻特性模型進行仿真，若精度不能達到要求，調整BP學習算法的參數重復步驟d進行訓練。全文摘要本發(fā)明涉及動平衡檢測系統中的通道補償方法，用于動平衡檢測系統中通道補償的神經網絡建模方法。動平衡測試系統中振動信號處理電路對信號頻率特性的影響需要消除或補償，硬件方法成本高且效果不佳，查表方法占用較多存儲空間且精度不高。本發(fā)明用不同頻率的標準信號源送入信號處理板，記錄頻率特性數據；提取部分數據歸一化處理后為訓練數據；確定神經網絡結構，采用改進型BP算法進行網絡訓練測量系統硬件電路的頻率特性模型；測量系統中采用軟件方法根據模型進行在線補償運算。本發(fā)明優(yōu)點測量頻率范圍內具有較好線性度，克服測量系統硬件電路對振動信號頻率特性的影響，提高測量精度；對通過測量電路任意頻率的信號進行頻率特性補償。文檔編號G01M1/00GK101694701SQ20091019762公開日2010年4月14日申請日期2009年10月23日優(yōu)先權日2009年10月23日發(fā)明者李傳江申請人:上海師范大學;