CN113064075B - 一种基于边缘计算及深度学习的电机寿命预估方法 - Google Patents

一种基于边缘计算及深度学习的电机寿命预估方法 Download PDF

Info

Publication number
CN113064075B
CN113064075B CN202110290287.6A CN202110290287A CN113064075B CN 113064075 B CN113064075 B CN 113064075B CN 202110290287 A CN202110290287 A CN 202110290287A CN 113064075 B CN113064075 B CN 113064075B
Authority
CN
China
Prior art keywords
motor
parameters
service life
neural network
failed
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
Application number
CN202110290287.6A
Other languages
English (en)
Other versions
CN113064075A (zh
Inventor
周银祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu College of University of Electronic Science and Technology of China
Original Assignee
Chengdu College of University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu College of University of Electronic Science and Technology of China filed Critical Chengdu College of University of Electronic Science and Technology of China
Priority to CN202110290287.6A priority Critical patent/CN113064075B/zh
Publication of CN113064075A publication Critical patent/CN113064075A/zh
Application granted granted Critical
Publication of CN113064075B publication Critical patent/CN113064075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及电机寿命技术领域，目的是提供一种基于边缘计算及深度学习的电机寿命预估方法，包含下列步骤：步骤1：传感器获取电机实时的动态参数，通过无线通讯方式将参数发送至边缘计算系统，其中，动态参数包括有电流波形和震动参数，执行步骤2；步骤2：边缘计算系统中通过监测模型对电机运行寿命进行预估，并将预估结果发送至远端云平台，执行步骤3；步骤3：通过云平台对电机运行状态进行展示并对异常运行的电机进行警告，通过上述方法得到精确的电机寿命预测结果。

Description

一种基于边缘计算及深度学习的电机寿命预估方法
技术领域
本发明涉及电机检测技术领域，具体涉及一种基于边缘计算及深度学习的电机寿命预估方法。
背景技术
功率电机是维持现代社会正常运转必不可少的重要设备。比如高层楼宇给水电机，火力发电厂给水电机，污水处理厂搅拌电机等等。由于功率电机的应用场景的特殊性，电机的长时间正常运转至关重要，目前在功率电机正常运转中存在没有对其运行状态进行监控，或者监控实时性较低，且电机工作预期寿命存在不可以预测等问题。在电机发生故障后，通常会临时更换，或者维修电机等手段进行补救措施，这样会通常会影响功率电机使用单位正常的运转效率，严重时可能还会导致事故发生。因此对功率电机的实时监控及寿命预估技术显得格外关键。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于边缘计算及深度学习的电机寿命预估方法，电机传感器安装于电机外部表面或者内部，用于检测电机运行关键参数，且低功耗工作，靠电池工作持续时间不低于三年。电机传感器将电机关键参数通过无线方式发送至边缘计算及深度学习系统。
通过以下技术方案来实现的：一种基于边缘计算及深度学习的电机寿命预估方法，包含下列步骤：
步骤1：传感器获取电机实时的动态参数，通过无线通讯方式将参数发送至边缘计算系统，其中，动态参数包括有电流波形和震动参数，执行步骤2；
步骤2：边缘计算系统通过监测模型对电机运行寿命进行预估，并将预估结果发送至远端云平台，执行步骤3；
步骤3：对云平台显示的电机运行状态进行监控并对异常运行的电机进行警告。
优选的，所述步骤1中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形，所述电流波形最终通过示波器进行显示，其中，电机震动参数计算公式如下，
Figure BDA0002979284120000021
Figure BDA0002979284120000022
J＝(Kt×I)-(Kt×Inl)
PO＝(J×KRPM)/1345
Pi＝V×I
Figure BDA0002979284120000023
式中，I为电机消耗的电流值，KRPM为电机每分钟的转数，Kb为电机的电压常数，Rm为电机的内阻，V为电机电压，Kt为电机的扭力常数，Inl为电机无负载量测电流值，J为电机输出轴的扭力值，Eff为电机效率，PO为电机的机械输出功率，Pi为电机的消耗功率。
优选的，所述边缘计算系统中通过深度学习模型建立电机寿命的预测方法，预测步骤包括：
1)组建神经网络训练集：
a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为100％；
b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；
c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；
上述各训练集中，k等于2以及(8,…,12)中的至少两值，运行状态参数包括总运行时间i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；
2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；
3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；
4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。
另一方面，还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时实现如上述所述的电机寿命预估方法。
另一方面，还提供一种用于电机寿命预估的装置，包括：传感器、深度学习系统以及待预测的电机；其中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形；
所述主控制器中存储有一个或多个计算机程序，所述一个或多个所述计算机程序被其具有的一个或多个处理器执行时实现如上所述的电机寿命预估方法。
另一方面，还提供一种基于边缘计算及深度学习的电机寿命预估系统，包括：传感器、深度学习系统以及待预测的电机；其中，
传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形；
所述主控制器中存储有一个或多个计算机程序，所述一个或多个所述计算机程序被其具有的一个或多个处理器执行时实现如上所述的电机寿命预估方法；
另一方面还包括电机寿命预测方法用于电机制造、电机性能检测的用途。
本发明的有益效果是：
(1)能够通过传感器获取电机的基础数据，计算得到电机的各项参数进而预测电机的使用寿命；
(2)通过深度学习能够快速预测电机的寿命周期，结果更加精确。
附图说明
图1为本发明的工作原理图。
具体实施方式
下面结合本发明的附图1，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。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参照图1，
一种基于边缘计算及深度学习的电机寿命预估方法，包含下列步骤：
步骤1：传感器获取电机实时的动态参数，通过无线通讯方式将参数发送至边缘计算系统，其中，动态参数包括有电流波形和震动参数，执行步骤2；
步骤2：边缘计算系统中通过监测模型对电机运行寿命进行预估，并将预估结果发送至远端云平台，执行步骤3；
步骤3：通过云平台对电机运行状态进行展示并对异常运行的电机进行警告，所述步骤1中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形，所述电流波形最终通过示波器进行显示，其中，电机震动参数计算公式如下，以无刷电机马达为例，
Figure BDA0002979284120000041
Figure BDA0002979284120000042
J＝(Kt×I)-(Kt×Inl)
PO＝(J×KRPM)/1345
Pi＝V×I
Figure BDA0002979284120000051
式中，I为电机消耗的电流值，KRPM为电机马达每分钟的转数，Kb为电机的电压常数，Rm为电机马达的内阻，V为电机电压，Kt为电机的扭力常数，为Kb×1.345，Inl为电机无负载量测电流值，J为电机输出轴的扭力值，Eff为电机效率，PO为电机的机械输出功率，Pi为电机的消耗功率，通过计算不同使用率的电机，求得其电机效率，将多次数据带入到下列算法中。
值得说明的是，上述公式中的数据除了采用电流传感器、电机传感器外，还包括有电压传感器等常规电元件采集上述对应的各项参数，对于无法直接获取的，例如，电机效率Eff、机械输出功率PO、消耗功率Pi等参数，均通过采集的参数进行计算进而得到均值，确保最终的结果更加真实合理。
以无刷马达为例:
以MEGA 16/25/3为例,kt＝1700rpm,Rm＝0.017ohm计算前需做以下量测
假设以7.2v驱动空转,量得转速为12200rpm,电流为26A,装置8*5桨转速为10900rpm,电流为20A
kt＝1345/kv＝0.7912oz-In/A
l＝[v-(RPM/kv)]/Rm＝[7.2-(10900/1700)]/0.017＝46.36A
J＝(Kt x l)-(Kt x Inl)＝(0.7912x46.36)-(0.7912x26)＝16.109oz-In
KRPM＝(V-Rml)x kv/1000＝(7.2-0.017x46.36)x1700/1000＝10.900kRPM＝10900RPMPo＝(J x RPM)/1345＝(16.109x10900)/1345＝130.55w
Pi＝v x l＝7.2x20＝144w
Eff＝(Po/Pi)x100＝(130.55/144)x100＝90.66％
le max＝Sqrt[(v x Inl)/Rm]＝Sqrt[(7.2x26)/0.017]＝104.9A。
le max为发挥最高效率之电流量，Inl为无负载量测电流值，
值得说明的是，根据步骤3中，对异常运行的电机参数进行统计，为了更加的实现智能一体化，通过建立深度学习模型并将训练好的模型存储在计算机中，具体建立方法如下。
值得说明的是，所述边缘计算系统中通过深度学习模型建立电机寿命的预测方法，预测步骤包括：
1)组建神经网络训练集：
a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为100％；
b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；
c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；
上述各训练集中，k等于2以及(8,…,12)中的至少两值，运行状态参数包括总运行时间i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；
2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；在本实施例中h＝6
3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；
分类层中，softmax分类器定义为：将所有类标记的m个可能值进行累加作为分母，将样本x(i)分类到类别j的概率为：
其中，e为自然常数，θ为分类参数，T表示转置,j为故障种类编号；
4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。
参数ik(k＝8,…,12)由以下标准化公式计算：
i9＝maxt(max(IA+IB+IC))，其中，IA，IB，IC分别为A、B、C三相电流，maxt表示取历史记录中的最大值，是阻抗角，mint表示取历史时刻最小值，T表示电机工作温度，上述各状态参数均与电动机工作时间呈强相关。
4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。
本发明的网络综合安全评估装置包括：处理器和计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现能够本发明的电机寿命评估方法。其中，由于各个步骤的程序逻辑不同，可采用专用处理器或通用芯片来执行相应的步骤，以提高整个程序的处理效率，并合理地控制成本。因此，本领域技术人员可根据具体应用情况，对本发明的用于预测电机使用寿命装置中的处理器和计算机程序的数量进行适应性地设计与调整。
值得说明的是，1、电机传感器的设计：包含电机传感器及电机电流传感器。比较目前通用及稳定的芯片，作为电机传感器电机震动实时参数的主要采集主控，且低功耗工作，使用电池供电稳定运行三年以上。电机电流传感器采用电磁转换自取电技术，实时采集电机运行电流波形，两者均采用近场无线通讯方式将数据发送至边缘计算装置。
2、边缘计算装置，采用专用的神经网络计算芯片搭建硬件平台，在硬件平台上搭建AI程序的运行环境，神经网络芯片在与普通计算芯片相同的工作频率下具有强大的AI计算能力，能够建立神经网络并学习电机的运行状态的监测方法。通过电机传感器及电机电流传感器发送过来的数据，建立判断电机状态的神经网络，通过该神经网络的不断学习及优化，达到电机运行状态的实时判断，及电机运行寿命的实时预估，对当前电机运行状态有准确的判断能力。并且具有将判断结果发送至远端云平台的功能。
3、云平台，云平台负责对电机运行状态进行展示，及异常功率电机进行告警。
值得说明的是，本发明的创新点：
1、设计微型电机振动参数传感器，将微型电机振动传感器放置于功率电机上，且依靠电池工作三年以上
2、设计基于电磁取电技术的电流传感器，依靠交流电磁取电技术为电流传感器提供工作能量，低功耗启动该电流传感器
3、设计基于深度学习及神经网络的边缘计算装置，设计电机运行参数的神经网络及深度学习程序，对电机运行状态进行监测及预判，将人工智能领域延申到电机运行状态监测领域。
值得说明的是，使用大数据对该方法进行专门训练，搭建人工智能的嵌入式工业平台。设计电机电流传感器及电机振动传感器，包括对电磁取能技术的研究，对电池供电设备低功耗运行状态研究。前期已经完成基于交流电磁场取电技术的电流传感器研发，完成低功耗震动传感器的传感器研发，完成边缘AI平台搭建，神经网络部署方法研究，边缘计算及深度学习模块在安装前，需要使用大量数据进行训练。具有自识别及计算电机关键参数的能力。且计算结果可以发送至远端服务器。边缘计算模块通过电机关键参数可以计算得知电机的运行状态，预测电机工作寿命。在持续计算得到电机运行异常时发出告警，且将该告警持续发送至远端服务器。边缘计算及深度学习模块的硬件平台已经搭建完成，服务器上传协议已经完成开发且具有成熟方案，这里不赘述了。
综上所述，本申请以无刷电机为对象，通过传感器采集各项参数，包括空载或者负载获取数据，将多组数据代入进深度学习模型中，分别计算得到，训练损耗测试集和训练集，求得最终模型，提高后续的电机寿命预测的精度。

Claims (4)

1.一种基于边缘计算及深度学习的电机寿命预估方法，其特征在于，包含下列步骤：
步骤1：传感器获取电机实时的动态参数，通过无线通讯方式将参数发送至边缘计算系统，其中，动态参数包括有电流波形和震动参数，执行步骤2；
步骤 2：边缘计算系统通过监测模型对电机运行寿命进行预估，并将预估结果发送至远端云平台，执行步骤3；步骤3：对云平台显示的电机运行状态进行监控并对异常运行的电机进行警告；
所述步骤1中，传感器包含电机传感器和电流传感器，电机传感器用于获得电机震动参数，所述电流传感器用于获得电机运行电流波形，所述电流波形最终通过示波器进行显示，其中，电机震动参数计算公式如下，
式中，I为电机消耗的电流值，K RPM  为电机每分钟的转数，K b  为电机的电压常数，R m  为电机的内阻，V 为电机电压，K t  为电机的扭力常数，I nl 为电机无负载量测电流值，J为电
机输出轴的扭力值，E ff  为电机效率，P O  为电机的机械输出功率，P i  为电机的消耗功率。
2.根据权利要求1所述的一种基于边缘计算及深度学习的电机寿命预估方法，其特征在于，所述边缘计算系统中通过深度学习模型建立电机寿命的预测方法，预测步骤包括：
1)组建神经网络训练集：
a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为100％； b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；
c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量 Ik；由于提取的是已故障电机 10％使用寿命时的参数，将其已使用寿命标记为10％；
上述各训练集中，k 等于 2 以及8,…,12中的至少两值，运行状态参数包括总运行时间 i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；
2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；
3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；
4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一个或多个计算机程序，所述一个或多个计算机程序被一个或多个处理器执行时实现如权利要求1~2 任一项所述的电机寿命预估方法。
4.一种用于电机寿命预估的装置，其特征在于，包括：一个或多个处理器；
计算机可读存储介质，其存储有一个或多个计算机程序；所述一个或多个所述计算机程序被所述一个或多个处理器执行时实现如权利要求1~2任一项所述的电机寿命预估方法。
CN202110290287.6A 2021-03-16 2021-03-16 一种基于边缘计算及深度学习的电机寿命预估方法 Active CN113064075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290287.6A CN113064075B (zh) 2021-03-16 2021-03-16 一种基于边缘计算及深度学习的电机寿命预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290287.6A CN113064075B (zh) 2021-03-16 2021-03-16 一种基于边缘计算及深度学习的电机寿命预估方法

Publications (2)

Publication Number Publication Date
CN113064075A CN113064075A (zh) 2021-07-02
CN113064075B true CN113064075B (zh) 2023-05-05

Family

ID=76561572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110290287.6A Active CN113064075B (zh) 2021-03-16 2021-03-16 一种基于边缘计算及深度学习的电机寿命预估方法

Country Status (1)

Country Link
CN (1) CN113064075B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900020B (zh) * 2021-08-20 2024-03-12 合众新能源汽车股份有限公司 一种新能源汽车驱动电机寿命估计方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475921A (zh) * 2020-03-13 2020-07-31 重庆邮电大学 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3605119A1 (en) * 2018-07-31 2020-02-05 Siemens Aktiengesellschaft System, apparatus and method to detect fault in an asset
CN109613428A (zh) * 2018-12-12 2019-04-12 广州汇数信息科技有限公司 一种能像系统及其在电机设备故障检测方法中的应用
CN109934358A (zh) * 2019-01-30 2019-06-25 中国人民解放军32181部队 装备故障预测和健康评估方法、系统及终端设备
CN110363339B (zh) * 2019-07-05 2022-03-08 南京简睿捷软件开发有限公司 一种基于电机参数进行预测性维护的方法与系统
CN110569623B (zh) * 2019-09-19 2023-03-24 西安工程大学 一种细纱机电机使用寿命预测方法
CN111008485B (zh) * 2019-12-25 2021-05-11 中国石油大学(华东) 基于神经网络的三相交流异步电机多参数寿命预测方法
CN111612219A (zh) * 2020-04-24 2020-09-01 明阳智慧能源集团股份公司 一种风力发电预测系统
CN212413184U (zh) * 2020-06-17 2021-01-26 杭州杰牌传动科技有限公司 一种减速电机动态监测网关

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475921A (zh) * 2020-03-13 2020-07-31 重庆邮电大学 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法

Also Published As

Publication number Publication date
CN113064075A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN113299042B (zh) 一种用于工业电器变频设备的安全预警系统
CN108536945A (zh) 一种用于大型调相机的故障诊断方法及系统
CN112700032A (zh) 一种用于低压直流配用电系统的故障预测系统及方法
CN105956752A (zh) 用于绿色公共建筑运营阶段的能效评估与诊断分析方法
CN104316879B (zh) 一种铅酸蓄电池组寿命的预测方法
KR102632527B1 (ko) 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법
CN104793607A (zh) 一种服务器故障在线诊断、健康分析及失效预报系统及方法
CN116937575A (zh) 一种网格系统用的能源监控管理系统
CN212895016U (zh) 一种基于LoRa无线测控技术的铝电解槽况诊断系统
CN113064075B (zh) 一种基于边缘计算及深度学习的电机寿命预估方法
CN108304350A (zh) 基于大数据集近邻策略的风机指标预测与故障预警方法
CN116424096B (zh) 资源动态优化配置的新能源汽车电池采集总成方法及系统
CN117078113A (zh) 一种基于数据分析的户外电池生产质量管理系统
CN112883634A (zh) 基于多维度分析的直流测量系统状态预测方法及系统
CN102095953B (zh) 一种蓄电池充电机性能在线检测方法
CN117394535A (zh) 交直流混合配电网数字孪生系统
CN112084661A (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN116090626A (zh) 一种基于云边协同的风电机组状态评估与智能预警系统及方法
CN109241639A (zh) 基于双时间尺度粒子滤波的机电系统剩余寿命预测方法
Yan et al. SOC prediction method of wireless sensor nodes batteries based on Attention-LSTM
Zhang A Method for Monitoring the Operation Status of Wind Turbines Based on Cloud Services
CN118194082A (zh) 一种基于scada数据的变流器电气异常检测方法、电气异常检测模型训练方法、系统及装置
CN118100374B (zh) 一种基于pid算法的电池均衡控制系统
CN117879018B (zh) 面向新能源消纳的储能系统的配置运行方法
TWI790077B (zh) 基於感測資料調整休眠時間的方法及電子裝置

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