CN109188269A - 判断电机故障的方法 - Google Patents

Abstract

本发明公开了一种判断电机故障的方法。其中，该方法包括：获取满足预定条件的电机参数；通过机器学习的模型，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及基于电机的工作状态的类别，判断电机是否出现故障。本发明解决了需要人工检修排除电机故障的技术问题。

Description

判断电机故障的方法

技术领域

本发明涉及电机领域，具体而言，涉及一种判断电机故障的方法。

背景技术

电机是各种机械设备的动力源泉，电机能否安全、有序地高速运转，很大程度上取决于电机是否正常工作。但由于电机故障率较高，极大地影响了机械设备的工作质量，因此能够及时有效地诊断、处理电机故障，对于主要依赖于电机提供动力的工作领域非常重要。

一般情况下，电机故障的诊断主要有以下几种：一是根据电机的噪音、振动、温度等变化情况诊断电机故障。工作人员利用温度检测设备对电机各个部位的温度进行检查，以初步确定电机故障的类型，再根据地爱你机故障的噪音或者振动情况，大致确定电机故障的位置和原因。该类诊断方法主要针对情况较轻、能够通过工作人员的经验或简单仪器检查出来的故障。其次，根据电流变化情况诊断电机故障。将电机内电流的波形与正常运转电机的电流波形图进行对比，从而判断电机故障。

目前对电机故障的判断多采用人工操作，且步骤繁琐，效率较低。

针对上述电机故障判断多为人工操作且效率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种判断电机故障的方法，以至少解决需要人工检修排除电机故障的技术问题。

根据本发明实施例的一个方面，提供了一种判断电机故障的方法，包括：获取满足预定条件的电机参数；通过机器学习的模型，将所述电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及：基于所述电机的工作状态的类别，判断所述电机是否出现故障。

可选地，机器学习模型为基于K最近邻算法的分类器。

可选地，预先确定多个类别的操作，包括：获取多个训练样本，所述训练样本为已知其类别并标定有与其类别对应的类别标签的有标签样本；以及利用所述分类器，提取所述多个训练样本的特征值并根据所述多个训练样本的类别标签确定所述多个类别，其中所述多个类别中的每个类别为一维向量，并且所述一维向量中的元素的数量与所述特征值的种类数量相等。

可选地，预定条件为电机参数的特征值的种类与分类器的训练样本的特征值的种类相同。

可选地，利用分类器，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作，包括：计算电机参数与分类器中的每个训练样本之间的距离；筛选出距离小于第一阈值的训练样本，并依据训练样本的类别的不同，分别计算距离小于第一阈值的训练样本的数量；以及对数量进行升序排列，将升序排列结果的末位数量对应的训练样本的类别确定为电机参数对应的电机的工作状态的类别。

可选地，特征值的种类包括：电机电流，电机电压，电机温度，电机转速和电机转矩。

根据本发明实施例的另一方面，还提供了一种提供了一种存储介质，包括存储的程序，其中，在程序运行时控制处理器执行上面任意一项所述的方法。

根据本公开的另一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行以上任意一项所述的方法。

根据本实施例的另一个方面，提供了一种判断电机故障的设备。判断电机故障的设备包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：

在本发明实施例中，利用基于机器学习模型的分类器，通过对训练样本预先提取的特征值和确定多个类别的种类，确定输入的电机参数属于何种类别，进而判断电机是否存在故障。达到了及时发现电机故障的目的，实现了通过简单参数输入即可判断电机是否存在故障的技术效果，进而解决了需要人工检修排除电机故障的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本公开实施例所述的一种判断电机故障的方法的计算机终端(或移动设备)的硬件结构框图的示意图；

图2是根据本公开实施例所述的第一个方面的判断电机故障的方法流程图；

图3是根据本公开实施例所述的第一个方面的预先确定多个类别的操作的流程图；

图4是根据本公开实施例所述的第一个方面的利用所述分类器，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作的流程图；以及

图5是根据本公开实施例所述的第四个方面的判断电机故障的设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，还提供了一种判断电机故障的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现判断电机故障的方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的判断电机故障的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的终端设备10可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述终端设备10中的部件的类型。

在上述运行环境下，本申请提供了如图2所示的判断电机故障的方法流程图。

参考图2所示，本公开的实施例提供了一种判断电机故障的方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。参考图2所示，该判断电机故障的方法包括：

S202：获取满足预定条件的电机参数；

S204：通过机器学习的模型，将所述电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及

S206：基于所述电机的工作状态的类别，判断所述电机是否出现故障。

从而，本实施例所述的判断电机故障的方法在已知满足预定条件的电机参数的条件下，利用机器学习的模型，判断所述电机参数对应的电机是否出现故障，进而通过电机参数就可以判断电机是否存在故障，解决了人工操作判断电机故障效率低的技术问题。

进一步地，机器学习模型为基于K最近邻算法的分类器。

需要说明的是，K最近邻算法的基本思想是，如果一个样本与数据集中的K个样本最相似，且这K个样本中的大多数属于某一个类别，则该样本也属于这个类别。

从而，通过基于K最近邻算法的分类器实现利用已知的电机参数简单、快速判断电机故障的目的。

进一步地，预先确定多个类别的操作，包括：

S402：获取多个训练样本，训练样本为已知其类别并标定有与其类别对应的类别标签的有标签样本；以及

S404：利用所述分类器，提取多个训练样本的特征值并根据多个训练样本的类别标签确定所述多个类别，其中

多个类别中的每个类别为一维向量，并且一维向量中的元素的数量与所述特征值的种类数量相等。

图3是根据本公开实施例所述的第一个方面的预先确定多个类别的操作的流程图。

参考图3所示，需要说明的是，训练样本为已知其类别并标定有与其类别对应的类别标签的有标签样本，即每个样本都是已知类别的状态，但需要分类器提取上述标签并对样本按标签的类别归类。此外，训练样本中的数据为可计算的数值，每个数值即为一个特征值，每个样本中包含相同数量的特征值。例如可以用向量(I₀,U₀,T₀,V₀,W₀)来表示一个样本，其中I₀,U₀,T₀,V₀,W₀分别代表了样本中不同种类的电机参数的值，此外该样本的标签为“存在电机故障”，说明电机参数为I₀,U₀,T₀,V₀,W₀时，存在电机故障。

从而，通过预先确定多个类别的操作，得到了电机参数的特征值和多个类别，对下一步输入测试样本提供了格式和数据要求。

进一步地，预定条件为电机参数的特征值的种类与分类器的训练样本的特征值的种类相同。

从而，只有当输入的电机参数的特征值的种类与分类器的训练样本的特征值的种类相同时，分类器才可以对输入的电机参数进行判断。

进一步地，利用分类器，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作，包括：

S602：计算电机参数与分类器中的每个训练样本之间的距离；

S604：筛选出距离小于第一阈值的训练样本，并依据训练样本的类别的不同，分别计算距离小于第一阈值的训练样本的数量；以及

S606：对数量进行升序排列，将升序排列结果的末位数量对应的训练样本的类别确定为电机参数对应的电机的工作状态的类别。

图4是根据本公开实施例所述的第一个方面的利用所述分类器，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作的流程图。

从而，参考图4所示，通过上述操作筛选出与输入的电机参数最接近的训练样本，并且筛选出的训练样本分别属于同一种或多种类别，找到数量最多的训练样本所对应的类别即为需判定故障的电机的工作状态，若该类别显示“存在故障”则判定电机为故障状态，若该类别显示“不存在故障”则判定电机运转正常。

进一步地，特征值的种类包括：电机电流，电机电压，电机温度，电机转速和电机转矩。

需要说明的是，电机故障常用的判定参数为：电机电流，电机电压，电机温度，电机转速和电机转矩等，通过在电机相应位置设置电流传感器、电压传感器、温度传感器、转速测量设备以及转矩测量设备，及时获取电机的电流、电压、温度、转速和转矩信息，并将上述信息输入基于K最近邻算法的分类器对电机运转状态进行判断。

从而，利用上述参数可以获取与电机故障最为相关的有效信息，为分类器提供数据依据。

此外，举例说明本公开实施例所述的判断电机故障的方法的具体流程：用向量(I_m,U_m,T_m,V_m,W_m)来表示当前的状态，其中I_m表示当前的电机电流，U_m表示当前的电机电压，T_m表示当前的电机温度，V_m表示当前的电机转速，W_m表示当前的电机转矩。

通过将向量(I_m,U_m,T_m,V_m,W_m)与之前的k个样本进行比较，便可以确定当前电机是否存在故障。假设之前的样本如下表所示：

表1 k个样本的数据

针对1至k每一个样本，分别根据下述公式求解当前状态与每个样本之间的距离：

其中L_t表示当前状态的向量与第k个样本的距离，并且t＝1～k。从而可以得出k个距离值，即L₁到L_k。

从所述k个距离值中选取距离最小的若干个样本，例如选取距离最小的6个样本。根据6个样本确定电机是否存在故障。例如当6个样本中对应于电机存在故障的样本占多数时，则判定电机存在故障。否则，当6个样本中对应于电机不存在故障的样本占多数时，则判定电机运行正常。

当然以上描述仅仅只是一个实例，实际上进行状态检测时，需要检测的参数，可以不止以上5个，还可以选取更多类型的参数，或者是替换上面所述的5个参数中的至少一个。

根据本实施例的第二个方面，参考图1所示提供了一种存储介质104。存储介质104包括存储的程序，其中，在所述程序运行时由处理器102执行上面任意一项所述的判断电机故障的方法。

根据本实施例的第三个方面，参考图1所示，提供了一种处理器102。处理器102用于运行存储介质104所存储的程序。

根据本实施例的第四个方面，提供了一种判断电机故障的设备300。参考图5所示，判断电机故障的设备300包括处理器302；以及存储器304，与处理器302连接，用于为处理器302提供处理以下处理步骤的指令：获取满足预定条件的电机参数；通过机器学习的模型，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及基于电机的工作状态的类别，判断电机是否出现故障。

可选地，机器学习模型为基于K最近邻算法的分类器。

可选地，存储器304还提供预先确定多个类别的操作的指令：获取多个训练样本，训练样本为已知其类别并标定有与其类别对应的类别标签的有标签样本；以及利用分类器，提取多个训练样本的特征值并根据多个训练样本的类别标签确定多个类别，其中多个类别中的每个类别为一维向量，并且一维向量中的元素的数量与特征值的种类数量相等。

可选地，预定条件为电机参数的特征值的种类与分类器的训练样本的特征值的种类相同。

可选地，存储器304还提供利用分类器，将电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作的指令，包括：计算电机参数与分类器中的每个训练样本之间的距离；筛选出距离小于第一阈值的训练样本，并依据训练样本的类别的不同，分别计算距离小于第一阈值的训练样本的数量；以及对数量进行升序排列，将升序排列结果的末位数量对应的训练样本的类别确定为电机参数对应的电机的工作状态的类别。

可选地，特征值的种类包括：电机电流，电机电压，电机温度，电机转速和电机转矩。

从而，通过本实施例的技术方案，利用基于机器学习模型的分类器，通过对训练样本预先提取的特征值和确定多个类别的种类，确定输入的电机参数属于何种类别，进而判断电机是否存在故障。达到了及时发现电机故障的目的，实现了通过简单参数输入即可判断电机是否存在故障的技术效果，进而解决了需要人工检修排除电机故障的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种判断电机故障的方法，其特征在于，包括：

获取满足预定条件的电机参数；

通过机器学习的模型，将所述电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及

基于所述电机的工作状态的类别，判断所述电机是否出现故障。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型为基于K最近邻算法的分类器。

3.根据权利要求2所述的方法，其特征在于，预先确定多个类别的操作，包括：

获取多个训练样本，所述训练样本为已知其类别并标定有与其类别对应的类别标签的有标签样本；以及

利用所述分类器，提取所述多个训练样本的特征值并根据所述多个训练样本的类别标签确定所述多个类别，其中

所述多个类别中的每个类别为一维向量，并且所述一维向量中的元素的数量与所述特征值的种类数量相等。

4.根据权利要求3所述的方法，其特征在于，所述预定条件为电机参数的特征值的种类与所述分类器的训练样本的特征值的种类相同。

5.根据权利要求4所述的方法，其特征在于，利用所述分类器，将所述电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别的操作，包括：

计算所述电机参数与所述分类器中的每个训练样本之间的距离；

筛选出所述距离小于第一阈值的训练样本，并依据训练样本的类别的不同，分别计算所述距离小于第一阈值的训练样本的数量；

以及

对所述数量进行升序排列，将所述升序排列结果的末位数量对应的训练样本的类别确定为所述电机参数对应的电机的工作状态的类别。

6.根据权利要求5所述的方法，其特征在于，所述特征值的种类包括：电机电流，电机电压，电机温度，电机转速和电机转矩。

7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的判断电机故障的方法。

8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的判断电机故障的方法。

9.一种判断电机故障的设备，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供以下处理步骤的指令；

获取满足预定条件的电机参数；

通过机器学习的模型，将所述电机参数对应的电机的工作状态确定为预先确定的多个类别中的一个类别；以及

基于所述电机的工作状态的类别，判断所述电机是否出现故障。