CN112798955B - 一种特种电机的故障检测方法及装置 - Google Patents
一种特种电机的故障检测方法及装置 Download PDFInfo
- Publication number
- CN112798955B CN112798955B CN202011615433.XA CN202011615433A CN112798955B CN 112798955 B CN112798955 B CN 112798955B CN 202011615433 A CN202011615433 A CN 202011615433A CN 112798955 B CN112798955 B CN 112798955B
- Authority
- CN
- China
- Prior art keywords
- information
- fault
- special motor
- obtaining
- smoke
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种特种电机的故障检测方法及装置,获得第一特种电机的第一转速信息;获得第一特种电机的第一音量信息;将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;获得第一图像信息;如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;根据所述烟雾传感器,获得第一烟量信息;将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;获得第三故障信息;根据所述第三故障信息,获得第一提醒信息;根据所述第一提醒信息,提醒所述第一特种电机出现故障。解决了现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题。
Description
技术领域
本发明涉及特种电机故障检测相关领域,尤其涉及一种特种电机的故障检测方法及装置。
背景技术
随着中小型电机中产品结构的调整和优化,特种专用电机将成为电机行业发展的重点,其市场需求及发展速度将在本行业中处于领先地位。特种电机是为了满足各类机械设备对其拖动电机性能要求的不同,而专门针对某一类型的机械设备特殊需要而单独设计、制造的特殊专用电机。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题。
发明内容
本申请实施例通过提供一种特种电机的故障检测方法及装置,解决了现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题,达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。
鉴于上述问题,提出了本申请实施例提供一种特种电机的故障检测方法及装置。
第一方面,本申请实施例提供了一种特种电机的故障检测方法,所述方法应用于一种特种电机的故障检测装置,所述装置包括一图像采集装置和一烟雾传感器,所述方法包括:获得第一特种电机的第一转速信息;获得第一特种电机的第一音量信息;将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;根据所述图像采集装置,获得第一图像信息;根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;根据所述烟雾传感器,获得第一烟量信息;将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;根据所述第一故障信息和所述第二故障信息,获得第三故障信息;根据所述第三故障信息,获得第一提醒信息;根据所述第一提醒信息,提醒所述第一特种电机出现故障。
另一方面,本申请还提供了一种特种电机的故障检测装置,所述装置包括:第一获得单元,所述第一获得单元用于获得第一特种电机的第一转速信息;第二获得单元,所述第二获得单元用于获得第一特种电机的第一音量信息;第一输入单元,所述第一输入单元用于将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;第三获得单元,所述第三获得单元用于根据图像采集装置,获得第一图像信息;第一判断单元,所述第一判断单元用于根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;第四获得单元,所述第四获得单元用于如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;第五获得单元,所述第五获得单元用于根据烟雾传感器,获得第一烟量信息;第六获得单元,所述第六获得单元用于将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;根据所述第一故障信息和所述第二故障信息,获得第三故障信息;第七获得单元,所述第七获得单元用于根据所述第三故障信息,获得第一提醒信息;第一提醒单元,所述第一提醒单元用于根据所述第一提醒信息,提醒所述第一特种电机出现故障。
第三方面,本发明提供了一种特种电机的故障检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一特种电机的转速和音量输入第一故障检测模型,获得第一故障信息,通过图像采集装置获得第一图像信息,判断所述第一图像信息是否具有第一烟点,根据所述烟点位置,通过烟雾传感器获得烟量信息,将所述位置和烟量输入第二故障检测模型,获得第二故障信息,综合考量第一故障信息、第二故障信息,对所述特种电机进行故障诊断,达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种特种电机的故障检测方法的流程示意图;
图2为本申请实施例一种特种电机的故障检测装置的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一输入单元13,第三获得单元14,第一判断单元15,第四获得单元16,第五获得单元17,第六获得单元18,第七获得单元19,第八获得单元20,第一提醒单元21,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种特种电机的故障检测方法及装置,解决了现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题,达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着中小型电机中产品结构的调整和优化,特种专用电机将成为电机行业发展的重点,其市场需求及发展速度将在本行业中处于领先地位。特种电机是为了满足各类机械设备对其拖动电机性能要求的不同,而专门针对某一类型的机械设备特殊需要而单独设计、制造的特殊专用电机。但现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题。
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种特种电机的故障检测方法,所述方法应用于一种特种电机的故障检测装置,所述装置包括一图像采集装置和一烟雾传感器,所述方法包括:获得第一特种电机的第一转速信息;获得第一特种电机的第一音量信息;将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;根据所述图像采集装置,获得第一图像信息;根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;根据所述烟雾传感器,获得第一烟量信息;将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;根据所述第一故障信息和所述第二故障信息,获得第三故障信息;根据所述第三故障信息,获得第一提醒信息;根据所述第一提醒信息,提醒所述第一特种电机出现故障。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种特种电机的故障检测方法,其中,所述方法应用于一种特种电机的故障检测装置,所述装置包括一图像采集装置和一烟雾传感器,所述方法包括:
步骤S100:获得第一特种电机的第一转速信息;
具体而言,所述故障检测装置为对特种电机进行故障诊断、检测的装置,所述图像采集装置为可对电机进行图像采集的设备,所述烟雾传感器为可进行烟量多少进行检测的传感器,所述第一转速信息为当前的第一特种电机的转速信息。
步骤S200:获得第一特种电机的第一音量信息;
具体而言,所述音量信息为所述第一特种电机在进行工作时产生的音量信息,所述音量表明了所述第一特种电机在工作时声音大小强弱的主观表现,通过声音采集装置获得所述第一特种电机的第一音量信息。
步骤S300:将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;
进一步而言,所述将所述第一转速信息和所述第一音量信息输入第一故障检测模型,本申请实施例步骤S300还包括:
步骤S310:将所述第一转速信息作为横坐标;
步骤S320:将所述第一音量信息作为纵坐标构建二维直角坐标系;
步骤S330:根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线,获得第一故障检测模型,其中,所述逻辑回归线的一侧代表第一输出结果,所述逻辑回归线的另一侧代表第二输出结果,所述第一输出结果为所述第一特种电机具有所述第一故障信息,所述第二输出结果为第一特种电机不具有所述第一故障信息。
具体而言,所述逻辑回归模型为反映了自变量和因变量之间的关系的机器学习的模型,将所述第一转速信息作为横坐标,通过第一音量信息作为纵坐标构建二维直角坐标系,通过所述二维直角坐标系基于逻辑回归模型获得逻辑回归线,所述逻辑回归线的一侧代表第一输出结果,逻辑回归线的另一侧代表第二输出结果,举例而言,当所述第一转速信息一定时,此时会有与所述转速匹配的声音阈值,当检测的当前声音在所述声音阈值范围内时,所述位置在逻辑回归线的代表第一输出结果的一侧,表明此时特种电机工作正常,当所述声音不在所述声音阈值范围内时,此时表明特种电机工作异常,此时所述位置在逻辑回归线的另一侧,代表第二输出结果。通过逻辑回归模型,更好的反映了所述特种电机的转速和音量的关系,通过不同转速对应的音量的匹配程度,达到对电机是否存在故障进行准确诊断的技术效果。
步骤S400:根据所述图像采集装置,获得第一图像信息;
步骤S500:根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;
具体而言,所述图像采集装置为进行图像采集的装置,所述装置可以是摄像头,通过所述摄像头获得所述第一特种电机的第一图像信息,所述第一图像为包括所述第一特种电机的工作的图像信息。根据所述第一图像信息,进行图像识别,判断所述图像信息中是否包含烟点信息,所述烟点是指是否存在烟雾。
步骤S600:如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;
步骤S700:根据所述烟雾传感器,获得第一烟量信息;
具体而言,当识别所述第一图像信息包含烟点信息时,获得所述冒烟的位置信息,通过所述位置信息获得所述位置的烟雾传感器信息,所述烟雾传感器为可进行烟雾浓度测量的包含光电感烟元件的器件,通过所述烟雾传感器进行烟雾的浓度测量,获得第一烟量信息。
步骤S800:将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;
具体而言,所述故障检测模型为机器学习中的神经网络模型,所述模型通过多组训练数据训练获得,将所述第一烟点的位置信息和第一烟量信息输入第二故障检测模型,获得所述故障检测模型的输出结果,所述输出结果包括第二故障信息。
步骤S900:根据所述第一故障信息和所述第二故障信息,获得第三故障信息;
步骤S1000:根据所述第三故障信息,获得第一提醒信息;
步骤S1100:根据所述第一提醒信息,提醒所述第一特种电机出现故障。
具体而言,根据所述第一故障信息和第二故障信息对所述第一特种电机进行综合评价,根据所述评价结果获得第三故障信息,通过第三故障信息获得第一提醒信息,所述第一提醒信息为用于提醒第一特种电机出现故障的信息,所述提醒的方式可以是发出故障警报。达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。
进一步而言,所述将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息,本申请实施例步骤S800还包括:
步骤S810:将所述第一烟点的位置信息和所述第一烟量信息输入所述第二故障检测模型,其中,所述第二故障检测模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一烟点的位置信息、所述第一烟量信息和标识第二故障信息的标识信息;
步骤S820:获得所述第二故障检测模型的第三输出结果,所述第三输出结果包括所述第一特种电机的第二故障信息。
具体而言,所述第二故障检测模型为机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一烟点的位置信息和所述第一烟量信息输入神经网络模型,则输出包括所述第一特种电机的第二故障信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一烟点的位置信息、所述第一烟量信息和标识第二故障信息的标识信息,将所述第一烟点的位置信息、所述第一烟量信息输入到神经网络模型中,根据用来标识第二故障信息的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确的所述第一特种电机的第二故障信息,进而可获得更加准确的特种电机的故障诊断结果的技术效果。
进一步而言,本申请实施例还包括:
步骤S1210:获得所述第一特种电机的振动幅值;
步骤S1220:获得预定振动幅值阈值;
步骤S1230:当所述振动幅值超过所述预定振动幅值阈值时,获得第一记录信息,所述第一记录信息用于记录超过所述预定振动幅值阈值的所述振动幅值。
具体而言,所述振动幅值为反映了特种电机在运行过程中的振动的强度大小的物理量,所述预定振动幅值为根据特种电机的种类、属性、工作环境的不同获得的与所述第一特种电机匹配的预定振动幅值阈值,实时对所述第一特种电机的振动幅值进行采集,判断所述采集的振动幅值与所述预定振动幅值阈值的关系,当所述振动幅值超过所述预定振动幅值阈值时,获得第一记录信息,根据所述第一记录信息对所述超过所述预定振动幅值阈值的所述振动幅值进行记录。
进一步而言,所述获得第一记录信息之后,本申请实施例步骤S1230还包括:
步骤S1231:获得所述第一记录信息的数量;
步骤S1232:获得预定数量阈值;
步骤S1233:当所述第一记录信息的数量超过所述预定数量阈值,获得第二提醒信息;
步骤S1234:根据所述第二提醒信息,提醒所述第一特种电机出现故障。
具体而言,所述第一记录信息的数量为所述振动幅值超过所述预定振动幅值阈值的数量信息,所述预定数量阈值为根据特种电机的振动幅值超过所述预定振动幅值阈值对所述第一特种电机的影响获得的预定数量阈值,当所述第一记录信息的数量超过所述预定数量阈值,获得第二提醒信息,根据所述第二提醒信息提醒所述第一特种电机出现故障,进一步而言,所述判断标准还包括判断所述振动幅值超过所述预定振动幅值阈值的频率,即根据特种电机的振动幅值连续超过所述预定振动幅值阈值对所述第一特种电机的影响获得第一频率阈值,当所述振动幅值超过所述预定振动幅值阈值的频率超过所述第一频率阈值,此时同样获得第二提醒信息进行所述第一特种电机出现故障的提醒。
进一步而言,本申请实施例还包括:
步骤S1240:获得所述第一特种电机的第一振动频率;
步骤S1250:将所述第一振动频率和所述振动幅值输入神经网络模型,获得第一安全等级;
步骤S1260:获得预定安全等级阈值;
步骤S1270:当所述第一安全等级低于所述安全等级阈值时,获得第三提醒信息;
步骤S1280:根据所述第三提醒信息,提醒所述第一特种电机出现故障。
具体而言,所述神经网络模型为通过不断进行学习调整的模型,是通过多组训练数据训练获得的模型,获得所述第一特种电机的振动频率和振动幅值信息,将所述振动频率和振动幅值输入所述神经网络模型,获得所述神经网络模型的输出结果,所述输出结果包括所述神经网络模型根据所述振动频率和振动幅值获得的安全等级情况,获得预定安全等级阈值,当所述第一安全等级低于所述安全等级阈值时,获得第三提醒信息;根据所述第三提醒信息,提醒所述第一特种电机出现故障。
进一步而言,所述根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点之后,本申请实施例步骤S500还包括:
步骤S510:如果所述第一特种电机不具有所述第一烟点,获得第一天气信息;
步骤S520:根据所述第一天气信息,获得第一空气湿度信息;
步骤S530:获得预定湿度阈值;
步骤S540:判断所述第一空气湿度信息是否在所述预定湿度阈值之内;
步骤S550:如果所述第一空气湿度信息不在所述预定湿度阈值之内,获得第四提醒信息;
步骤S560:根据所述第四提醒信息,提醒所述特种电机存在安全隐患。
具体而言,当所述第一特种电机不具有所述第一烟点时,根据所述获得所述第一天气信息,所述天气为所述特种电机所在位置的天气信息,根据所述天气特性,获得所述特种电机的所在环境信息,获得所述环境的湿度信息,根据所述第一特种电机的密封情况获得预定湿度阈值,判断所述第一空气湿度信息是否在所述预定湿度阈值之内,当所述第一空气湿度信息不在所述预定湿度阈值之内,获得第四提醒信息,提醒所述特种电机存在安全隐患。
进一步而言,本申请实施例还包括:
步骤S1410:获得第一故障信息、第二故障信息直至第N故障信息,根据所述第一故障信息生成第一验证码,所述第一验证码与所述第一故障信息一一对应,N为大于1的自然数;
步骤S1420:根据所述第二故障信息和第一验证码生成第二验证码,以此类推,根据所述第N故障信息和第N-1验证码生成第N验证码;
步骤S1430:将所有故障信息和验证码复制存储在M台电子设备上,其中,M为大于1的自然数。
具体而言,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账”,共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一故障信息生成第一验证码,所述第一验证码与第一故障信息一一对应;根据所述第二故障信息和第一验证码生成第二验证码,第二验证码与第二故障信息一一对应;以此类推,根据所述第N故障信息和第N-1验证码生成第N验证码,其中,N为大于1的自然数,将所有故障信息和验证码分别复制保存在M台设备上,其中,所述第一故障信息和所述第一验证码作为第一存储单元保存在一台设备上,所述第二故障信息和所述第二验证码作为第二存储单元保存在一台设备上,所述第N故障信息和所述第N验证码作为第N存储单元保存在一台设备上,当需要调用所述故障信息时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单元进行串接,使得故障信息不易丢失和遭到破坏,通过区块链的逻辑对所述故障信息进行加密处理,保证了所述故障信息的安全性,进而保证了特种电机的信息安全。
综上所述,本申请实施例所提供的一种特种电机的故障检测方法及装置具有如下技术效果:
1、由于采用了根据第一特种电机的转速和音量输入第一故障检测模型,获得第一故障信息,通过图像采集装置获得第一图像信息,判断所述第一图像信息是否具有第一烟点,根据所述烟点位置,通过烟雾传感器获得烟量信息,将所述位置和烟量输入第二故障检测模型,获得第二故障信息,综合考量第一故障信息、第二故障信息,对所述特种电机进行故障诊断,达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。
2、通过逻辑回归模型,更好的反映了所述特种电机的转速和音量的关系,通过不同转速对应的音量的匹配程度,达到对电机是否存在故障进行准确诊断的技术效果。
3、由于采用了通过对所述神经网络模型的监督学习的方式,进而使得所述神经网络模型处理所述输入信息更加准确,进而获得更加准确的所述第一特种电机的第二故障信息,进而可获得更加准确的特种电机的故障诊断结果的技术效果。
实施例二
基于与前述实施例中一种特种电机的故障检测方法同样发明构思,本发明还提供了一种特种电机的故障检测装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一特种电机的第一转速信息;
第二获得单元12,所述第二获得单元12用于获得第一特种电机的第一音量信息;
第一输入单元13,所述第一输入单元13用于将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;
第三获得单元14,所述第三获得单元14用于根据图像采集装置,获得第一图像信息;
第一判断单元15,所述第一判断单元15用于根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;
第四获得单元16,所述第四获得单元16用于如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;
第五获得单元17,所述第五获得单元17用于根据烟雾传感器,获得第一烟量信息;
第六获得单元18,所述第六获得单元18用于将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;
第七获得单元19,所述第七获得单元19用于根据所述第一故障信息和所述第二故障信息,获得第三故障信息;
第八获得单元20,所述第八获得单元20用于根据所述第三故障信息,获得第一提醒信息;
第一提醒单元21,所述第一提醒单元21用于根据所述第一提醒信息,提醒所述第一特种电机出现故障。
进一步的,所述装置还包括:
第九获得单元,所述第九获得单元用于将所述第一转速信息作为横坐标;
第十获得单元,所述第十获得单元用于将所述第一音量信息作为纵坐标构建二维直角坐标系;
第十一获得单元,所述第十一获得单元用于分别将所述第二匹配图案集合中的所有匹配图案信息输入所述第二训练模型中,获得对应的匹配度信息;
第十二获得单元,所述第十二获得单元用于根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线,获得第一故障检测模型,其中,所述逻辑回归线的一侧代表第一输出结果,所述逻辑回归线的另一侧代表第二输出结果,所述第一输出结果为所述第一特种电机具有所述第一故障信息,所述第二输出结果为第一特种电机不具有所述第一故障信息;
进一步的,所述装置还包括:
第二输入单元,所述第二输入单元用于将所述第一烟点的位置信息和所述第一烟量信息输入所述第二故障检测模型,其中,所述第二故障检测模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一烟点的位置信息、所述第一烟量信息和标识第二故障信息的标识信息;
第十三获得单元,所述第十三获得单元用于获得所述第二故障检测模型的第三输出结果,所述第三输出结果包括所述第一特种电机的第二故障信息。
进一步的,所述装置还包括:
第十四获得单元,所述第十四获得单元用于获得所述第一特种电机的振动幅值;
第十五获得单元,所述第十五获得单元用于获得预定振动幅值阈值;
第十六获得单元,所述第十六获得单元用于当所述振动幅值超过所述预定振动幅值阈值时,获得第一记录信息,所述第一记录信息用于记录超过所述预定振动幅值阈值的所述振动幅值。
进一步的,所述装置还包括:
第十七获得单元,所述第十七获得单元用于获得所述第一记录信息的数量;
第十八获得单元,所述第十八获得单元用于获得预定数量阈值;
第十九获得单元,所述第十九获得单元用于当所述第一记录信息的数量超过所述预定数量阈值,获得第二提醒信息;
第二提醒单元,所述第二提醒单元用于根据所述第二提醒信息,提醒所述第一特种电机出现故障。
进一步的,所述装置还包括:
第二十获得单元,所述第二十获得单元用于获得所述第一特种电机的第一振动频率;
第三输入单元,所述第三输入单元用于将所述第一振动频率和所述振动幅值输入神经网络模型,获得第一安全等级;
第二十一获得单元,所述第二十一获得单元用于获得预定安全等级阈值;
第二十二获得单元,所述第二十二获得单元用于当所述第一安全等级低于所述安全等级阈值时,获得第三提醒信息;
第三提醒单元,所述第三提醒单元用于根据所述第三提醒信息,提醒所述第一特种电机出现故障。
进一步的,所述装置还包括:
第二十三获得单元,所述第二十三获得单元用于如果所述第一特种电机不具有所述第一烟点,获得第一天气信息;
第二十四获得单元,所述第二十四获得单元用于根据所述第一天气信息,获得第一空气湿度信息;
第二十五获得单元,所述第二十五获得单元用于获得预定湿度阈值;
第二判断单元,所述第二判断单元用于判断所述第一空气湿度信息是否在所述预定湿度阈值之内;
第二十六获得单元,所述第二十六获得单元用于如果所述第一空气湿度信息不在所述预定湿度阈值之内,获得第四提醒信息;
第四提醒单元,所述第四提醒单元用于根据所述第四提醒信息,提醒所述特种电机存在安全隐患。
前述图1实施例一中的一种特种电机的故障检测方法的各种变化方式和具体实例同样适用于本实施例的一种特种电机的故障检测装置,通过前述对一种特种电机的故障检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种特种电机的故障检测装置的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种特种电机的故障检测方法的发明构思,本发明还提供一种特种电机的故障检测装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种特种电机的故障检测方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种特种电机的故障检测方法,所述方法应用于一种特种电机的故障检测装置,所述装置包括一图像采集装置和一烟雾传感器,所述方法包括:获得第一特种电机的第一转速信息;获得第一特种电机的第一音量信息;将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;根据所述图像采集装置,获得第一图像信息;根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;根据所述烟雾传感器,获得第一烟量信息;将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;根据所述第一故障信息和所述第二故障信息,获得第三故障信息;根据所述第三故障信息,获得第一提醒信息;根据所述第一提醒信息,提醒所述第一特种电机出现故障。解决了现有技术中存在对于特种电机运行的过程中的故障诊断不够准确的技术问题,达到对特种电机进行综合全面的诊断,获得更加准确的故障诊断结果的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种特种电机的故障检测方法,其中,所述方法应用于一种特种电机的故障检测装置,所述装置包括一图像采集装置和一烟雾传感器,所述方法包括:
获得第一特种电机的第一转速信息;
获得第一特种电机的第一音量信息;
将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;
根据所述图像采集装置,获得第一图像信息;
根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;
如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;
根据所述烟雾传感器,获得第一烟量信息;
将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;
根据所述第一故障信息和所述第二故障信息,获得第三故障信息;
根据所述第三故障信息,获得第一提醒信息;
根据所述第一提醒信息,提醒所述第一特种电机出现故障;
其中,所述将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息,包括:
将所述第一转速信息作为横坐标;
将所述第一音量信息作为纵坐标构建二维直角坐标系;
根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线,获得第一故障检测模型,其中,所述逻辑回归线的一侧代表第一输出结果,所述逻辑回归线的另一侧代表第二输出结果,所述第一输出结果为所述第一特种电机具有所述第一故障信息,所述第二输出结果为第一特种电机不具有所述第一故障信息;
其中,所述将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息,包括:
将所述第一烟点的位置信息和所述第一烟量信息输入所述第二故障检测模型,其中,所述第二故障检测模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一烟点的位置信息、所述第一烟量信息和标识第二故障信息的标识信息;
获得所述第二故障检测模型的第三输出结果,所述第三输出结果包括所述第一特种电机的第二故障信息。
2.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一特种电机的振动幅值;
获得预定振动幅值阈值;
当所述振动幅值超过所述预定振动幅值阈值时,获得第一记录信息,所述第一记录信息用于记录超过所述预定振动幅值阈值的所述振动幅值。
3.如权利要求2所述的方法,其中,所述获得第一记录信息之后,包括:
获得所述第一记录信息的数量;
获得预定数量阈值;
当所述第一记录信息的数量超过所述预定数量阈值,获得第二提醒信息;
根据所述第二提醒信息,提醒所述第一特种电机出现故障。
4.如权利要求2所述的方法,其中,所述方法包括:
获得所述第一特种电机的第一振动频率;
将所述第一振动频率和所述振动幅值输入神经网络模型,获得第一安全等级;
获得预定安全等级阈值;
当所述第一安全等级低于所述安全等级阈值时,获得第三提醒信息;
根据所述第三提醒信息,提醒所述第一特种电机出现故障。
5.如权利要求1所述的方法,其中,所述根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点之后,包括:
如果所述第一特种电机不具有所述第一烟点,获得第一天气信息;
根据所述第一天气信息,获得第一空气湿度信息;
获得预定湿度阈值;
判断所述第一空气湿度信息是否在所述预定湿度阈值之内;
如果所述第一空气湿度信息不在所述预定湿度阈值之内,获得第四提醒信息;
根据所述第四提醒信息,提醒所述特种电机存在安全隐患。
6.一种特种电机的故障检测装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一特种电机的第一转速信息;
第二获得单元,所述第二获得单元用于获得第一特种电机的第一音量信息;
第一输入单元,所述第一输入单元用于将所述第一转速信息和所述第一音量信息输入第一故障检测模型,获得第一故障信息;
第三获得单元,所述第三获得单元用于根据图像采集装置,获得第一图像信息;
第一判断单元,所述第一判断单元用于根据所述第一图像信息,判断所述第一特种电机是否具有第一烟点;
第四获得单元,所述第四获得单元用于如果所述第一特种电机具有所述第一烟点,获得所述第一烟点的位置信息;
第五获得单元,所述第五获得单元用于根据烟雾传感器,获得第一烟量信息;
第六获得单元,所述第六获得单元用于将所述第一烟点的位置信息和所述第一烟量信息输入第二故障检测模型,获得第二故障信息;
第七获得单元,所述第七获得单元用于根据所述第一故障信息和所述第二故障信息,获得第三故障信息;
第八获得单元,所述第八获得单元用于根据所述第三故障信息,获得第一提醒信息;
第一提醒单元,所述第一提醒单元用于根据所述第一提醒信息,提醒所述第一特种电机出现故障;
第九获得单元,所述第九获得单元用于将所述第一转速信息作为横坐标;
第十获得单元,所述第十获得单元用于将所述第一音量信息作为纵坐标构建二维直角坐标系;
第十一获得单元,所述第十一获得单元用于根据逻辑回归模型在所述二维直角坐标系构建逻辑回归线,获得第一故障检测模型,其中,所述逻辑回归线的一侧代表第一输出结果,所述逻辑回归线的另一侧代表第二输出结果,所述第一输出结果为所述第一特种电机具有所述第一故障信息,所述第二输出结果为第一特种电机不具有所述第一故障信息;
第二输入单元,所述第二输入单元用于将所述第一烟点的位置信息和所述第一烟量信息输入所述第二故障检测模型,其中,所述第二故障检测模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一烟点的位置信息、所述第一烟量信息和标识第二故障信息的标识信息;
第十三获得单元,所述第十三获得单元用于获得所述第二故障检测模型的第三输出结果,所述第三输出结果包括所述第一特种电机的第二故障信息。
7.一种特种电机的故障检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615433.XA CN112798955B (zh) | 2020-12-31 | 2020-12-31 | 一种特种电机的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615433.XA CN112798955B (zh) | 2020-12-31 | 2020-12-31 | 一种特种电机的故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112798955A CN112798955A (zh) | 2021-05-14 |
CN112798955B true CN112798955B (zh) | 2022-04-19 |
Family
ID=75804693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011615433.XA Active CN112798955B (zh) | 2020-12-31 | 2020-12-31 | 一种特种电机的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798955B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114487648A (zh) * | 2021-12-24 | 2022-05-13 | 江苏东晔电气设备有限公司 | 一种基于全局级智能控制的配电柜故障诊断方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105509805A (zh) * | 2015-12-05 | 2016-04-20 | 山西大学 | 风力发电机组多功能数据采集系统 |
JP6140331B1 (ja) * | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
CN206515445U (zh) * | 2016-11-22 | 2017-09-22 | 中国石油化工股份有限公司天然气榆济管道分公司 | 电机故障诊断系统 |
CN207623776U (zh) * | 2017-10-31 | 2018-07-17 | 朱庆 | 电机故障信号监控装置 |
CN108680860A (zh) * | 2018-07-23 | 2018-10-19 | 五邑大学 | 一种eps电机故障检测方法 |
-
2020
- 2020-12-31 CN CN202011615433.XA patent/CN112798955B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112798955A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Polycarpou et al. | Learning approach to nonlinear fault diagnosis: detectability analysis | |
CN106897178B (zh) | 一种基于极限学习机的慢盘检测方法及系统 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
Patan et al. | Towards robustness in neural network based fault diagnosis | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN112087443B (zh) | 工业传感网络信息物理攻击下的传感数据异常检测方法 | |
Yang | Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN112798955B (zh) | 一种特种电机的故障检测方法及装置 | |
CN114363212B (zh) | 一种设备检测方法、装置、设备和存储介质 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
CN109842682B (zh) | 一种基于物联网的分布式环境安全学习及预警方法 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
KR20200028249A (ko) | 설비 데이터의 이상 정도 평가 방법 | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
CN115762558A (zh) | 自动扶梯生产用性能检测系统及其方法 | |
CN112785146B (zh) | 一种网络舆情的评估方法及系统 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
RU2764873C1 (ru) | Способ обнаружения аномалий в инфокоммуникационных системах | |
CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
Fountoulaki et al. | Using neural networks for mean shift identification and magnitude of bivariate autocorrelated processes | |
US20220382939A1 (en) | System and method for physical model based machine learning | |
KR102492484B1 (ko) | 분석 대상의 비교 특징이 담긴 히트맵 구조화 시스템 및 이를 포함한 인공지능 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |