CN112434879A - 电机故障预测修正系统、方法、产品、介质、电子设备 - Google Patents
电机故障预测修正系统、方法、产品、介质、电子设备 Download PDFInfo
- Publication number
- CN112434879A CN112434879A CN202011430437.0A CN202011430437A CN112434879A CN 112434879 A CN112434879 A CN 112434879A CN 202011430437 A CN202011430437 A CN 202011430437A CN 112434879 A CN112434879 A CN 112434879A
- Authority
- CN
- China
- Prior art keywords
- motor
- data
- fault
- fault prediction
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005347 demagnetization Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明属于电机驱动控制技术领域,公开了电机故障预测修正系统、方法、产品、介质、电子设备,以太网环境下的电机故障预测修正系统设置有:以太网环境下的电机驱动模块,实现智能算法所需大数据的储备与电机的控制;数据库服务器,与所述以太网环境下的电机驱动模块进行数据通讯,对各电机的运行数据和系统历史数据进行存储;故障预测模块,与所述数据库服务器进行数据通讯,根据数据库的数据对各台电机的运行状态进行监控,预测电机运行状态变化。本发明适用于以太网下电机组的运行监控和参数优化中,藉此实现电机组的自动控制。故障预测模块与控制方案优化模块利用数据库中接收存储的各项数据,可以改善电机控制效果。
Description
技术领域
本发明属于电机驱动控制技术领域,尤其涉及一种以太网环境下的电机故障预测修正系统。
背景技术
目前的电机控制策略主要是使用经典控制算法或者现代控制算法,在使用这类传统控制方法时,DSP等微处理器基本能够满足这些运算所需的数据和空间。但由于控制的复杂性,传统的控制方法难以使系统达到良好的控制性能。智能控制方法有着自学习、自适应、自组织等能力,能够有效地解决控制对象的非线性、不确定性、复杂性等难点。随着人工智能的迅速崛起和发展,许多智能控制算法应运而生,大多数智能控制算法都是建立在对大量采样数据进行分析,运算和处理的基础上,才能够对被控对象实现更加精确的控制。单纯依靠DSP等微处理器芯片已难以应对大数据的处理问题。
受限于DSP芯片的运算能力,目前许多智能控制算法为了保证能够正常在DSP之中运行,经常会缩减智能控制算法的运算量和运算步骤,限制了电机的控制性能。故障检测多是作为一个独立模块出现在系统中,只针对电机硬件出现的如磨损,退磁等需要人工解决的故障进行检测与应对。而网络化的电机控制系统,其功能多围绕在对本地控制方法的加强上,没有充分利用网络化的优势,将需要数据支撑的故障预测与网络化技术结合起来。如专利CN103632525A[一种基于wifi和网络技术的电机控制系统及其方法]包括设置有MCU控制器的电机、与MCU控制器构成通讯连接的WiFi模块、接入Internet网络的无线路由器及终端控制器。缺点是通过终端手动控制MCU控制器,且没有考虑如何应对电机运行过程中的参数变化。专利CN110299874A[一种基于WIFI的开关磁阻电动机智能控制系统]包括服务器、WIFI通讯模块、移动端及多个底层智能开关磁阻电机控制器、多个开关磁阻电机,服务器及WIFI通讯模块构成上层智能控制网络。这种控制方法控制对象局限在开关磁阻电机,且其控制方案优化在停机时进行。专利CN107831438A[一种电机故障的预测方法及预测系统]使用小波神经网络根据故障特征值进行故障预测,这种控制方法是对单一电机进行数据处理,没有网络化的大量数据支持难以应对多电机协同控制。
发明内容
为了解决现有技术存在的问题,本发明提供了一种以太网环境下的电机故障预测修正系统。
本发明的目的是针对目前技术上存在的不足,提供一种以太网环境下的电机故障预测修正系统,该系统通过对基于以太网的电机驱动系统进行新的设计及使用方式。首先在本地电机控制器中使用一套简单的控制算法维持正常状态的电机运行,采集运行数据,在电机的运行数据上传保存到数据库服务器中的基础上,在服务器端首先使用快速精确的机器学习算法提取数据中的故障特征预测电机的运行状态,再针对预测结果利用数据库存储的运行数据,实时调节电机的控制方案,避免或者减轻故障对电机工作的影响,达到更好的控制效果。
本发明是这样实现的,以太网环境下的电机故障预测修正系统设置有:
以太网环境下的电机驱动模块,实现智能算法所需大数据的储备与电机的控制
数据库服务器,与所述以太网环境下的电机驱动模块进行数据通讯,对各电机的运行数据和系统历史数据进行存储;
故障预测模块,与所述数据库服务器进行数据通讯,根据数据库的数据对各台电机的运行状态进行监控,预测电机运行状态变化,出现故障或者运行不良时启动服务器的控制方案优化模块;
客户端,与所述数据库服务器相连接,用于调取查看各电机的运行数据和系统历史数据,实现以太网环境下电机故障预测修正系统的运行;
控制方案优化模块,与所述故障预测算法模块相连接,用于实现电机故障修正。
在一个实施例中,所述以太网环境下的电机驱动模块包括数台电机及其基于具有通信功能的双核DSP的本地电机控制器以及电机运行数据与工作环境数据的采集模块,并与数据库服务器通过LAN端口连接实现以太网通讯;
所述数据库服务器包含各台电机运行的历史数据,各种工况下的运行数据,以及故障数据,并与同类电机数据库共享数据。
在一个实施例中,所述故障预测模块内设置有故障预测算法模块,用于接收数据库服务器端提供的数据集;借助预测结果启动控制方案优化模块。
所述故障预测模块读取数据库服务器中电机运行的电流、电磁转矩、转速、震动、温度、噪声数据后,通过历史数据对比与故障特征提取,通过故障预测算法识别诊断电机运行状态并判断是否启动控制方案优化模块对电机的控制方案进行优化。
在一个实施例中,所述方案优化模块收到故障预测模块的工作信号后,通过读取处理数据库电机运行参数和历史控制参数,选用合适的算法得到实时工况下的转速、电流的控制参数,并将控制参数存储到数据库,数据库将新的控制参数下载至本地电机驱动系统。
在一个实施例中,所述控制方案优化模块收到预警系统的启动指令后,读取数据库服务器中的目标电机运行数据,选用算法优化控制方案,发送到电机驱动系统中,并将数据存储到数据库,再根据电机的运行数据与控制参数更新预警系统的工作状态。
在一个实施例中,所述故障预测算法模块采用XGBOOST机器学习算法,其模型为:
其目标函数为:
gi,hi分别为1阶和2阶导数。
定义正则项为:
最终得:
I为样本集合,Ij为第j片叶子的样本集合。
本发明的另一目的在于提供一种实现所述以太网环境下的电机故障预测修正系统的以太网环境下的电机故障预测修正方法,该以太网环境下的电机故障预测修正方法包括以下步骤:
数据库得到电机运行数据后,故障预测模块提取数据中的故障特征,预测每台电机的运行状态;预测到电机的运行故障时,判断是否可以通过优化控制方案解决;故障预警系统发出信号启动控制方案优化模块优化电机控制方案与参数,并将新的数据保存在数据库中;预警系统使用新的数据对电机进行故障预测,若无法通过优化参数解决故障则电机停止运行同时在客户端发出警告;
在数据库所存储的数据达到规模后,通过历史数据,初步得到故障预测的结果与对应优化结果;
数据库通过与同类数据库的数据共享快速扩大数据规模,接入数据库支持的新电机驱动系统时,根据数据库的大量数据可以给出初步故障预测与优化结果,使新的电机驱动系统可以快速得到控制;根据运行效果启用智能算法进一步预测和优化,同时传回的数据作为新的电机数据被存储。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施述以太网环境下的电机故障预测修正方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述以太网环境下的电机故障预测修正方法。
本发明的另一目的在于提供一种电子设备,其特征在于,包括:存储器,用于存储一个或多个程序;处理器,当所述一个或多个程序被所述处理器执行时,实现所述以太网环境下的电机故障预测修正方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明由以太网环境下的电机、本地电机驱动系统、以太网、数据库服务器与控制方案优化模块,包含故障预测算法的故障预测模块和客户端组成。本发明的以太网环境下的电机故障预测修正系统适用于电机日常运行的场合,并在电机运行出现故障前通过适时地优化控制方案,尽可能减少故障,排除故障,达到改善控制效果,保持系统可靠性与安全性的目的。
本发明适用于以太网下电机组的运行监控和参数优化中,藉此实现电机组的自动控制。故障预测模块与控制方案优化模块利用数据库中接收存储的各项数据,可以改善电机控制效果。
依托于数据库的智能算法可以完成预测模块对系统状态预测准确度的优化以及对电机控制方案的优化,把系统的安全性可靠性与实时状态结合起来,提高多电机系统的工作效率,降低管理难度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的以太网环境下的电机故障预测修正系统的整体结构示意图。
图2是本发明实施例提供的系统进行故障预测与控制方案优化的原理流程图。
图3是本发明实施例提供的数据库完备后新电机接入系统完成故障预测的工作流程图。
图4是本发明实施例提供的数据库完备后新电机接入系统完成故障预测的系统结构示意图。
图中:1、以太网环境下的电机驱动模块;2、数据库服务器;3、故障预测模块;4、客户端;5、控制方案优化模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
一种利用以太网实现故障预测修正的电机智能控制系统,包括以太网环境下的电机驱动模块1、数据库服务器2、故障预测模块3、智能故障预测算法模块、客户端4、控制方案优化模块5;
所述以太网环境下的电机驱动模块1包括数台电机及其基于具有通信功能的双核DSP的本地电机控制器以及电机各类运行数据与工作环境数据的采集模块,并与数据库服务器2通过100M LAN端口连接实现以太网通讯;数据库服务器2包含大量各台电机运行的历史数据,各种工况下的运行数据,以及故障数据,并为便于算法读取数据对数据进行分类,可以与同类电机数据库共享数据,实现大数据功能,还包含控制方案优化模块5;故障预测模块3包含智能故障预测算法模块,根据数据库的数据对各台电机的运行状态进行监控,在预测电机运行状态变化,出现故障或者运行不良时启动服务器的控制方案优化模块5,预测故障难以通过优化控制方案解决时向客户端发出预警提醒现场人员;数据库服务器2与客户端4连接,用户可以调取查看各电机的运行数据和系统历史数据。
故障预测模块3其工作过程为:读取数据库服务器2中电机运行数据,包括电流、电磁转矩、转速、震动、温度、噪声数据后通过历史数据对比与故障特征提取,识别诊断电机运行状态并判断是否启动控制方案优化模块5对电机的控制方案进行优化。
控制方案优化模块5包含适用于各控制环节的智能控制算法,其工作过程为:收到故障预测模块3的工作信号后通过读取处理数据库电机运行参数和历史控制参数,选用合适的算法得到实时工况下的转速、电流的控制参数,并将控制参数存储到数据库,数据库将新的控制参数下载至本地电机驱动系统。
电机的运行参数经采集模块传入DSP并最终通过LAN端口输入服务器,同时从服务器下载优化的控制参数与控制方案到DSP完成电机控制,DSP中搭载一套基本的电机矢量控制算法或直接转矩控制算法,维持电机日常运行,改善系统的及时性和稳定性。
所述数据库服务器2包含大量各台电机运行的历史数据,各种工况下的运行数据,以及故障数据,并为便于算法读取数据对数据进行分类,还包含控制方案优化模块5,电机组中各台电机的运行数据和曲线以及历史控制参数都存放于数据库中。
所述故障预测模块3包含智能故障预测算法模块,采用先进的机器学习算法,通过历史数据对比或提取各台电机运行数据,包括电流、电磁转矩、转速、温度、震动、噪声数据的故障特征,预测电机的运行状态判断是否需要优化控制方案并反馈给数据库,对于难以通过自修正解决的故障及时通过客户端发出警报。
所述控制方案优化模块5使用适用各控制环节的智能优化算法,针对电机控制系统对于实时性的高要求对各算法的收敛速度进行改进,其工作方式是收到预警系统的启动指令后读取数据库服务器2中的目标电机运行数据,选用合适的算法优化控制方案,发送到电机驱动系统中,并将数据存储到数据库,再根据电机的运行数据与控制参数更新预警系统的工作状态。
客户端4与数据库服务器2连接,用户可以调取查看各电机的运行数据曲线和系统历史数据,用户可以自定义故障预测模块与控制方案优化模块,从而使系统与本地电机驱动系统相适应,对电机组或某台电机进行控制。
客户端4包括但不限于各应用平台的app,以及工业现场所用的指令设备等,工作人员可通过工业现场计算机,手机,平板电脑等方式查阅,控制电机运行情况。
本发明的智能算法利用数据库服务器采集存储电机运行数据:电压、电流、电磁转矩、温度、转速、噪声、震动数据,随着数据量的丰富,故障预测模块所搭载的机器学习算法其数据模型准确度逐渐增加,训练效果越来越好。可以获得更精确的预测结果,控制方案优化模块也可以获得更好的电机控制参数,电机系统故障预测与修正都可以自动完成,实现了智能化运行,优化其故障预测与自修正功能。
下述为智能故障预测算法模块所采用的XGBOOST机器学习算法的流程:
XGBOOST是对boosting算法在GBDT的基础上改进。内部决策树采用多个准确率较低的子树模型组合成回归树,通过添加新的树,使整个模型得到更高准确率。该模型会不断地迭代提升,每次迭代生成1棵新树拟合前一棵树的残差,这个过程被称为梯度提升。简单而言,提升算法是首先使用简单的模型拟合数据,得到一个比较一般的结果,然后不断向模型中添加简单模型,提升模型的准确率。虽然多数情况下,XGBOOST模型中为层数较浅的决策树,但随着树的增多,集成模型的复杂度逐渐变高,直到接近数据本身的复杂度时,训练达到最佳水平。
其模型为:
其目标函数为:
gi,hi分别为1阶和2阶导数。
定义正则项为:
最终得:
I为样本集合,Ij为第j片叶子的样本集合。
本发明中,每个周期采集到的电机各项数据电流、电磁转矩、转速、温度、震动、噪声数据的故障特征为一棵分支树的叶子节点,多个周期采集电机数据丰富整个决策树模型,结合数据库中的历史数据所构成的决策树对电机进行故障预测。在生产中根据电机的实际情况对预测结果设置阈值,通过设置电机各项数据故障特征在树的权重,使预测结果在阈值之上时系统判断为重大故障,如缺相运行、电机过热、异常震动等,系统直接通过客户端发出警告并停机。对在阈值之下的预测结果则判断为轻微故障或者控制性能下降,系统将预测结果发送至客户端并调用控制方案优化模块优化控制参数。
本发明借助以太网环境下的电机驱动模块1与数据库服务器端2的数据通讯实现智能算法所需大数据的储备与电机的控制。借助数据库服务器端2与故障预测模块3的通讯为智能故障预测算法模块提供数据集。借助智能故障预测算法模块的预测结果启动控制方案优化模块5实现电机故障修正。借助客户端4与数据库服务器2的连接实现用户的个性化需求,从而实现以太网环境下上述电机故障预测修正系统的运行。
本发明以太网环境下的电机故障预测修正系统的工作方法的工作过程是:
按照图1连接各部分器件,使各部件能够正常运行,实现各部分之间的数据通讯。
在数据库得到电机运行数据的前提下,故障预测模块3提取数据中的故障特征,预测每台电机的运行状态。预测到电机的运行故障时,判断是否可以通过优化控制方案解决。故障预警系统3发出信号启动控制方案优化模块5优化电机控制方案与参数,并将新的数据保存在数据库中。预警系统使用新的数据对电机进行故障预测。若无法通过优化参数解决故障则电机停止运行同时在客户端发出警告。如图2。
在数据库所存储的数据达到一定规模后,可以大大简化智能算法的运算过程,通过历史数据,初步得到故障预测的结果与对应优化结果。
数据库可以通过与同类数据库的数据共享快速扩大数据规模,接入数据库支持的新电机驱动系统时,根据数据库的大量数据可以给出初步故障预测与优化结果,省却算法对新系统的初始化时间,使新的电机驱动系统可以快速得到控制。在此基础上根据运行效果启用智能算法进一步预测和优化,同时传回的数据作为新的电机数据被存储。如图3。
通过数据库与本地电机驱动系统的以太网通讯,不断存储电机的运行数据,丰富数据库的数据量。数据库将接收的数据分组保存以便系统各工作模块调用。故障预警系统随时读取电机运行数据,使用机器学习算法提取故障特征,根据自定义的目标函数进行故障预测。根据预测结果决定是否需要优化控制方案,若系统无法自修正则在客户端发出警告。随着数据库的丰富,可以支持越来越多不同的电机驱动系统的故障预测,同时接入新的系统又会丰富数据库,不断完善整套系统的功能。
本发明通过将本地电机驱动系统与数据库服务器进行数据通讯,使电机控制系统的功能更加完善,控制效果更好。以数据库作为数据集实现了对电机的故障预测。
本发明通过数据库采集并分类存储所连接的各电机驱动系统的运行数据,例如:电流、电压、电磁转矩、转速、转动惯量、温度、噪声等,自定义机器学习算法的目标函数,提取其故障特征,设置参数权重。实现了单一本地电机控制系统难以实现的大数据故障预测与参数优化。在后续工作过程中,随着数据库规模的增加,机器学习算法预测模型准确率也会上升,故障预测的预测效果也会提高。新的同类电机驱动系统接入后,借助大数据的优势,更快地适应整个系统,完成故障预测与控制优化。同时,由于在系统运行中得到了大量数据,以数据为基础,故障预测模块中的智能算法也有可替代性。用户可以选择对模型要求更高,预测结果更精确的预测算法。在控制方案优化模块中的智能优化算法也可以根据工业现场电机的不同更加细化,除适用于不同控制环节的智能算法,加入适用于不同电机的智能算法也可以使系统更加完善,用户根据工业现场需要自行选用。
本实施例利用以太网实现故障预测修正的电机智能控制系统,包括:以太网环境下的电机驱动模块、数据库服务器端、故障预警系统(包含故障预测智能算法)、客户端、控制方案优化模块;
所述以太网环境下的电机驱动模块需将电机的各项运行参数(电流、电压、电磁转矩、转速、转动惯量、温度、噪声等)进行采集并通过以太网通讯传入数据库服务器进行分类存储。搭载有机器学习算法的故障预警系统提取其运行参数故障特征,自定义其权重与目标函数,对电机的运行状态进行故障预测,若其故障可以通过控制方案优化解决则启动控制方案优化模块进行自修正,若出现系统难以解决的故障则通过客户端发出警报。
随着数据库规模的扩大,整个系统的运行可以基于大数据。对于新接入的电机驱动系统,若其电机类型对应数据完备,只根据初步采集到的数据就可以完成相当成熟准确的故障预测与相对应的控制方案优化。若新接入的电机驱动系统相应数据储备不足,则系统按正常工作流程进行故障预测,同时将其数据存储,完善数据库,作为今后同类电机驱动系统接入后的数据参考。
传统电机控制系统在控制电机过程中,无法实现通过以太网数据通讯将运行数据上传存储的功能,而网络化的电机控制系统,通常也仅仅是将复杂控制算法由DSP转至服务器运行,没有充分利用网络化的优势。其故障预测功能的实现都是依赖于外接模块,根据电机的实时状态做出简单判断,并且受限于硬件性能与设计功能,对于电机的故障缺少解决办法。所以本发明旨在提供一种新的控制系统,该控制系统除了包含传统控制器控制电机的各项功能外,还具有基于大量数据的故障预测功能。在本发明使用的新的控制系统结构下,最终可以实现一个存储电机数据的大数据服务器,并且基于大数据实现成熟快速,适应性强的故障预测与修正系统,从而完善电机的智能控制,使电机得到更好的控制效果。
上述电机智能控制系统的改进主要体现在故障预警系统对大数据服务器和控制方案优化模块的连接与数据通信部分,以实现对接入系统的电机完成更好的故障预测与修正的目的。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (10)
1.一种以太网环境下的电机故障预测修正系统,其特征在于,所述以太网环境下的电机故障预测修正系统设置有:
以太网环境下的电机驱动模块,实现智能算法所需大数据的储备以及对电机的控制;
数据库服务器,与所述以太网环境下的电机驱动模块进行数据通讯,对电机的运行数据和系统历史数据进行存储;
故障预测模块,与所述数据库服务器进行数据通讯,根据数据库的数据对各台电机的运行状态进行监控,预测电机运行状态变化,出现故障或者运行不良时启动服务器的控制方案优化模块;
故障预测算法模块,与所述故障预测模块相连接,用于接收数据库服务器端提供的数据集,借助预测结果启动控制方案优化模块;
客户端,与所述数据库服务器相连接,用于调取查看各电机的运行数据和系统历史数据,实现以太网环境下电机故障预测修正系统的运行;
控制方案优化模块,与所述故障预测算法模块相连接,用于实现电机故障修正。
2.根据权利要求1所述的以太网环境下的电机故障预测修正系统,其特征在于,所述以太网环境下的电机驱动模块包括数台电机及其基于具有通信功能的双核DSP的本地电机控制器以及电机运行数据与工作环境数据的采集模块,并与数据库服务器通过LAN端口连接实现以太网通讯;
所述数据库服务器包含各台电机运行的历史数据,多种工况下的运行数据以及故障数据,并与同类电机数据库共享数据。
3.根据权利要求1所述的以太网环境下的电机故障预测修正系统,其特征在于,所述故障预测模块内设置有故障预测算法模块,用于接收数据库服务器端提供的数据集,借助预测结果启动控制方案优化模块;
所述故障预测模块读取数据库服务器中电机运行的电流、电磁转矩、转速、震动、温度、噪声数据后,通过历史数据对比与故障特征提取,通过故障预测算法识别诊断电机运行状态并判断是否启动控制方案优化模块对电机的控制方案进行优化。
4.根据权利要求1所述的以太网环境下的电机故障预测修正系统,其特征在于,所述方案优化模块收到故障预测模块的工作信号后,通过读取处理数据库电机运行参数和历史控制参数,通过算法得到实时工况下的转速、电流的控制参数,并将控制参数存储到数据库,数据库将新的控制参数下载至本地电机驱动系统。
5.根据权利要求1所述的以太网环境下的电机故障预测修正系统,其特征在于,所述控制方案优化模块收到预警系统的启动指令后,读取数据库服务器中的目标电机运行数据,选用算法优化控制方案,发送到电机驱动系统中,并将数据存储到数据库,再根据电机的运行数据与控制参数更新预警系统的工作状态。
7.一种实现如权利要求1-6任意一项所述以太网环境下的电机故障预测修正系统的以太网环境下的电机故障预测修正方法,其特征在于,该以太网环境下的电机故障预测修正方法包括以下步骤:
数据库得到电机运行数据后,故障预测模块提取数据中的故障特征,预测每台电机的运行状态;预测到电机的运行故障时,判断是否可以通过优化控制方案解决;故障预警系统发出信号启动控制方案优化模块优化电机控制方案与参数,并将新的数据保存在数据库中;预警系统使用新的数据对电机进行故障预测,若无法通过优化参数解决故障则电机停止运行同时在客户端发出警告;
在数据库所存储的数据达到规模后,通过历史数据,初步得到故障预测的结果与对应优化结果;
数据库通过与同类数据库的数据共享快速扩大数据规模,接入数据库支持的新电机驱动系统时,根据数据库的大量数据可以给出初步故障预测与优化结果,使新的电机驱动系统可以快速得到控制;根据运行效果启用智能算法进一步预测和优化,同时传回的数据作为新的电机数据被存储。
8.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求7所述以太网环境下的电机故障预测修正方法。
9.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求7所述以太网环境下的电机故障预测修正方法。
10.一种电子设备,其特征在于,包括:存储器,用于存储一个或多个程序;处理器,当所述一个或多个程序被所述处理器执行时,实现如权利要求7所述以太网环境下的电机故障预测修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430437.0A CN112434879A (zh) | 2020-12-07 | 2020-12-07 | 电机故障预测修正系统、方法、产品、介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011430437.0A CN112434879A (zh) | 2020-12-07 | 2020-12-07 | 电机故障预测修正系统、方法、产品、介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434879A true CN112434879A (zh) | 2021-03-02 |
Family
ID=74691702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011430437.0A Pending CN112434879A (zh) | 2020-12-07 | 2020-12-07 | 电机故障预测修正系统、方法、产品、介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434879A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861421A (zh) * | 2022-04-22 | 2022-08-05 | 苏州兮然工业设备有限公司 | 一种气流磨分级轮智能优化控制系统及方法 |
CN114861421B (zh) * | 2022-04-22 | 2024-04-26 | 兮然科技(江苏)有限公司 | 一种气流磨分级轮智能优化控制系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN108021026A (zh) * | 2017-11-10 | 2018-05-11 | 明阳智慧能源集团股份公司 | 一种风力发电机组故障预警及控制参数在线优化方法 |
CN111880410A (zh) * | 2020-08-11 | 2020-11-03 | 北京航空航天大学 | 一种针对电机故障的四旋翼无人机容错控制方法 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
-
2020
- 2020-12-07 CN CN202011430437.0A patent/CN112434879A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN108021026A (zh) * | 2017-11-10 | 2018-05-11 | 明阳智慧能源集团股份公司 | 一种风力发电机组故障预警及控制参数在线优化方法 |
CN111880410A (zh) * | 2020-08-11 | 2020-11-03 | 北京航空航天大学 | 一种针对电机故障的四旋翼无人机容错控制方法 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
Non-Patent Citations (1)
Title |
---|
朱伟超: ""基于机器学习的工业物联网设备故障诊断系统的设计与实现"", 《万方》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861421A (zh) * | 2022-04-22 | 2022-08-05 | 苏州兮然工业设备有限公司 | 一种气流磨分级轮智能优化控制系统及方法 |
CN114861421B (zh) * | 2022-04-22 | 2024-04-26 | 兮然科技(江苏)有限公司 | 一种气流磨分级轮智能优化控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110769032B (zh) | 一种电网设备故障快速检测与维护的系统及方法 | |
CN110555487B (zh) | 一种基于卷积神经网络的鲜茶叶识别分类方法和系统 | |
CN110415403B (zh) | 一种基于边缘计算的智能锁具系统的控制方法 | |
CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN116720854B (zh) | 基于智慧巡检的设备协调控制方法及系统 | |
CN112434879A (zh) | 电机故障预测修正系统、方法、产品、介质、电子设备 | |
CN110553359A (zh) | 数据中心的间接蒸发冷却设备的控制系统 | |
CN115865617B (zh) | 一种vpn远程诊断及维护系统 | |
CN109870922A (zh) | 多功能榨油生产线控制方法、装置、设备及存储介质 | |
CN113535233B (zh) | 用于暖通云边协同的人工智能系统 | |
CN115541965A (zh) | 智能网关及基于智能网关实现的设备监测方法、电子设备 | |
CN104700148A (zh) | 一种基于行为的电机故障诊断方法 | |
CN114895609A (zh) | 机房监控方法、装置、设备及介质 | |
CN115111722A (zh) | 烘干控制方法、烘干系统、电子设备、存储介质及产品 | |
CN210569050U (zh) | 数据中心的间接蒸发冷却设备的控制系统 | |
CN114167742A (zh) | 边缘数据处理方法、装置、计算机设备及存储介质 | |
CN113726559A (zh) | 基于人工智能网络安全分析预警模型 | |
CN113847232A (zh) | 基于云边协同的空压机集群运行调节方法及系统 | |
CN111162933A (zh) | 一种具有预测功能的云计算系统及其实现方法 | |
CN110987062A (zh) | 一种基于数据融合的智能计量箱预警方法及系统 | |
CN218772310U (zh) | 一种针对现场设备的网络控制系统 | |
CN117713688B (zh) | 光伏组件在多朝向及倾角下的低效识别与电量提升方法 | |
CN113204227B (zh) | 一种分层式模块化工程机械机云协同故障诊断系统及方法 | |
CN113805004B (zh) | 一种智能电表联接设备的异常监测方法和系统 | |
CN117271638A (zh) | 边缘端融合控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |