CN113360718A - 一种基于大数据分析的直线电机故障检测方法及系统 - Google Patents
一种基于大数据分析的直线电机故障检测方法及系统 Download PDFInfo
- Publication number
- CN113360718A CN113360718A CN202110619938.1A CN202110619938A CN113360718A CN 113360718 A CN113360718 A CN 113360718A CN 202110619938 A CN202110619938 A CN 202110619938A CN 113360718 A CN113360718 A CN 113360718A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- nodes
- abnormal
- linear motor
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims description 9
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 8
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000006698 induction Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005347 demagnetization Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种基于大数据分析的直线电机故障检测方法及系统，属于电机故障诊断技术领域。方法包括以下步骤：获取待检测直线电机的控制数据，以及对应的运行数据和/或状态数据；判断运行数据和/或状态数据是否存在异常，若存在异常，则将运行数据和/或状态数据记录为待判断故障的异常数据，一个异常数据对应一个控制数据；根据待判断故障的异常数据以及预设的第一图数据结构判断与待判断故障的异常数据对应的故障类型和故障发生的概率。本发明通过构建第一图数据结构的方式实现了对直线电机运行过程中异常数据对应故障类型的自动判别，不再依靠人工判别，克服了依靠人工判别存在的对故障判别的效率低的问题，提高了故障判别的效率。
Description
技术领域
本发明涉及电机故障诊断技术领域，具体涉及一种基于大数据分析的直线电机故障检测方法及系统。
背景技术
直线电机是一种将电能直接转换成直线运动机械能，而不需要任何中间转换机构的传动装置。直线电机结构简单，响应速度快，易于调节和控制，在物流系统、工业加工与装配等领域有着广泛的应用。
在直线电机的实际应用中，会经常出现一些故障，比如导轨故障，定子故障、电源故障等，导轨故障例如导轨磨损、导轨变形等，定子故障例如定子退磁、定子分布不规整、定子损坏等，电源故障例如电压不稳定等。针对直线电机的故障诊断，现有技术中往往是采用人工目视检查的方法，也即在直线电机出现故障时由相关人员依靠自己的经验通过肉眼观察的方法判别直线电机发生的故障类型，这种人工目视检查法依靠相关人员实现对直线电机的故障判别，存在劳动强度大和效率低的问题。
发明内容
本发明的目的在于提供一种基于大数据分析的直线电机故障检测方法及系统，用于解决现有采用人工目视法对直线电机的故障判别效率低的问题。
为了解决上述问题，本发明的一种基于大数据分析的直线电机故障检测方法的技术方案，包括以下步骤：
获取待检测直线电机的控制数据，以及在所述控制数据下对应的运行数据和/或状态数据；
判断所述运行数据和/或状态数据是否存在异常，若存在异常，则将运行数据和/或状态数据记录为待判断故障的异常数据，一个异常数据对应一个控制数据；
根据待判断故障的异常数据以及预设的第一图数据结构判断与待判断故障的异常数据对应的故障类型和故障发生的概率；
所述第一图数据结构包括多个节点和节点之间对应的连接边，节点包括根据大数据获得的同型号电机的所有异常数据节点和故障类型节点，其中异常数据节点的值为运行数据和/或状态数据，故障类型节点的值为故障类型的编号，两异常数据节点之间的边权值根据两节点对应的运动数据的相似度和/或状态数据的相似度计算得到，两故障类型节点之间的边权值根据两节点对应的故障类型同现次数计算得到，异常数据节点与故障类型节点之间的边权值根据该异常数据之前时刻的异常数据得到。
本发明还提供了一种基于大数据分析的直线电机故障检测系统的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于大数据分析的直线电机故障检测方法。
上述检测方法和检测系统的有益效果是：本发明获取了直线电机的异常数据，并预先构建了第一图数据结构，第一图数据结构中包括基于大数据统计得到的异常数据节点和故障类型节点；在预设的第一图数据结构中匹配与待判断的异常数据最为相似的异常数据节点，根据匹配的异常数据节点连接的故障类型节点就可以实现对待判断异常数据故障类型的诊断，并能够根据预设的第一图数据结构进一步计算发生上述故障类型的概率。本发明通过构建第一图数据结构的方式实现了对直线电机运行过程中异常数据对应故障类型的自动判别，不再依靠人工判别，克服了依靠人工判别存在的对故障判别的效率低的问题，提高了故障判别的效率。
进一步地，所述检测方法和检测系统中，计算异常数据节点与故障类型节点之间的边权值的方法包括以下步骤：
根据大数据获得的同型号直线电机的所有维修记录，建立异常数据节点与故障类型节点的连接关系，将异常数据节点与故障类型节点之间各连线的边权值的初始值设定为1；
计算各异常数据对应的故障叠加特征，利用故障叠加特征对对应的异常数据节点与故障类型节点之间的边权值的初始值进行更新；
对于某一直线电机的某个异常数据x，其对应的故障叠加特征的计算方法包括：
获取同一直线电机的异常数据x对应的控制参数之前的L个控制参数构成的序列listL；
根据序列listL计算该异常数据x的故障叠加特征px；其中，
L表示序列的长度，α为衰减系数，di为之前第i个控制参数对应的异常系数，wi为之前第i个控制参数的故障诱发因子，βi为之前第i个控制参数与之前其他L-1个控制参数的互异程度。
进一步地，所述检测方法和检测系统中，判断与所述待判断异常数据对应的故障类型和故障发生的概率的方法包括：
从第一图数据结构中挑选出与待判断异常数据边权值最大的topK个异常数据节点，将第一图数据结构中与所述topK个异常数据节点存在边相连的各故障类型节点提取出来构成第二图数据结构，第二图数据结构中各节点间的边权值与第一图数据结构中对应边权值相同；
获取第二图数据结构中待判断异常数据与某一故障类型节点之间的所有游走路径，计算每条游走路径上所有边权值的乘积；
求各游走路径对应乘积之和，根据各游走路径对应乘积之和计算与待判断异常数据对应的发生上述故障类型的概率。
进一步地，所述检测方法和检测系统中，计算得到两异常数据节点之间的边权值的方法包括：
当两异常数据节点之间的边权值是根据两节点对应的运动数据的相似度和状态数据的相似度计算得到时，计算两异常数据节点对应的运动数据的余弦相似度s1以及状态数据的余弦相似度s2；根据公式s＝w1*s1+w2*s2计算两异常数据节点之间的边权值，其中s为两异常数据节点之间的边权值，w1为运动数据对应的权重，w2为状态数据对应的权重。
进一步地，所述检测方法和检测系统中，根据两节点对应的故障类型同现次数计算得到两故障类型之间的边权值的方法包括：
通过大数据统计N个与待检测电机同型号电机发生过的故障类型；若两故障类型在第n个电机上出现的次数为t(n)次，那么两故障在这N个与待检测电机同型号电机上同现的总次数
将两故障类型同现的总次数T作为对应两故障类型节点之间的边权值的初始值，并对所有两故障类型节点之间的边权值的初始值进行归一化处理，根据归一化处理结果更新两故障类型节点之间的边权值。
进一步地，所述检测方法和检测系统中，利用TCN网络判断所述运行数据和/或状态数据是否存在异常。
进一步地，所述检测方法和检测系统中，所述运行数据包括速度数据、加速度数据和移动距离数据中的至少一种。
进一步地，所述检测方法和检测系统中，所述状态数据包括声音数据、温度数据和震动数据中的至少一种。
附图说明
图1是本发明的基于大数据分析的直线电机故障检测方法实施例的基于大数据分析的直线电机故障检测方法流程图；
图2是本发明的基于大数据分析的直线电机故障检测方法实施例的图数据结构G4的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，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介绍。
基于大数据分析的直线电机故障检测方法实施例
首先，为了便于对本实施例技术方案的理解，对直线电机进行介绍：
1)对于用于特定场景的直线电机，其在轨道上往复运动，其经常做些重复的工作，工作复杂度不高。一般多个直线电机协同才能完成多样性的复杂的工作，但是单个直线电机的运动并不复杂；
2)为了实现对直线电机的控制，往往需要一套控制系统，一般控制系统是在直线电机出厂时设计好的，控制系统暴露出其一些控制接口，用于输入控制参数，通过输入不同的控制参数来实现直线电机的加减速和定位等功能；
3)直线电机的控制过程可以视为不断改变控制参数的过程，理想条件下控制参数一致，直线电机的运动情况一样；
4)一个直线电机再复杂的运动都可以分解成一个个控制参数的控制效果的合成，对于一个用于特定场景的直线电机，其运行可以拆分为一个个的控制参数，由于直线电机工作复杂度不高且重复，可以认为控制参数是有限且重复的。
5)在直线电机的运行过程中，获取直线电机的某个控制参数，该控制参数对应直线电机的一段运动，将该段运行中直线电机的运行数据和状态数据作为一个整体，记作直线电机在该控制参数下的特征数据，一个特征数据对应一个控制参数。
6)直线电机的运行数据包括速度数据、加速度数据和移动距离数据，直线电机的状态数据包括声音数据、温度数据和震动数据。
基于上述对直线电机的介绍，接下来对本实施例的基于大数据分析的直线电机故障检测方法进行说明：
本实施例的基于大数据分析的直线电机故障检测方法，其根据大数据获得的同型号电机的异常数据与故障类型之间的对应关系预先构建一个图数据结构，然后基于该构建的图数据结构实现对待判断异常数据对应的故障类型和发生概率的判断。
本实施例中预先构建包括异常数据节点和故障类型节点在内的图数据结构的步骤包括：
1)构建异常数据关联图数据结构G1
基于大数据获得同型号电机的所有异常数据，每个异常数据视为一个节点，节点的值为运行数据和状态数据，任何两个节点间的边权值由运动数据的相似度与状态数据的相似度计算得到。
本实施例获取的是直线电机的异常数据，当某一控制参数下直线电机的特征数据出现异常时，将对应的特征数据记为异常数据。本实施例判别某一控制参数下对应的特征数据是否为异常数据的方法为：
分别判别某一控制参数下对应的运行数据和状态数据是否存在异常，若运行数据或者状态数据存在异常，那么定义该控制参数下对应的特征数据为异常数据，其中，判别运行数据是否存在异常和判别状态数据是否存在异常的方法原理相同，接下来以判断运行数据中速度数据是否存在异常为例进行说明：
假设直线电机在某一控制参数下第i个采样点对应的速度为vi，将直线电机在该控制参数下不同时间的速度序列{v1，v2，...，vi，....，vN}输入TCN网络，TCN 网络通过不断的训练后有了异常速度数据对应的特征和正常速度数据对应的特征，因此，TCN网络可以输出速度数据向量[a1，a2，...，ai，....，aN]，其中，N为序列长度，当速度vi异常时，ai＝1，否则ai＝0，当a1，a2，...，ai，....，aN不全为0 时，表明在该控制参数下的速度数据存在异常。
同理，基于TCN网络可以得到直线电机在某一控制参数下对应的加速度数据向量和移动距离数据向量，也可以得到直线电机在某一控制参数下对应的状态数据向量，包括声音数据向量、温度数据向量和震动数据向量。
当运行数据中的速度数据、加速度数据或者移动距离数据存在异常时，判定运行数据存在异常；当状态数据中的声音数据、温度数据或者震动数据存在异常时，判定状态数据存在异常。
当判定出运行数据或状态数据存在异常时，将对应的特征数据记为异常数据，由此，基于大数据统计可以得到同型号直线电机的所有异常数据。
以异常数据中运行数据包括速度数据向量、加速度数据向量和移动距离数据向量以及状态数据包括声音数据向量、温度数据向量和震动数据向量为例，本实施例计算两异常数据节点之间的边权值的方法为：
设异常数据节点x对应的运动数据向量为a0x，a1x，a2x，状态数据向量为 a3x，a4x，a5x；异常数据节点y对应的运动数据向量为a0y，a1y，a2y，状态数据向量为a3y，a4y，a5y，那么两异常数据节点之间的边权值为s＝w1× s1+w2×s2，s1＝w11×s(a0x，a0y)+w12×s(a1x，a1y)+w13× s(a2x，a2y)，s2＝w21×s(a3x，a3y)+w22×s(a4x，a4y)+w23×s(a5x，a5y)，
其中s(a′，a″)表示向量a′与向量a″的余弦相似度，w1为运动数据对应的权重，w2为状态数据对应的权重，s1为运动数据的余弦相似度，s2为状态数据的余弦相似度，w11，w12，w13分别为速度数据、加速度数据和移动距离对应的权重，w21，w22，w23分别为声音数据、温度数据和震动数据对应的权重，关于各数据对应的权重可以根据实际需要进行设定。
两异常数据节点之间的边权值越大说明这两个异常数据越相似，越可能由同一种故障引起。
2)构建故障类型关联图数据结构G2
基于大数据统计获得直线电机的所有故障类型，将每个故障类型作为一个节点，若在同一个直线电机上同时存在多种故障，那么这些故障类型对应的节点之间存在边相连，两故障类型节点之间边权值的大小与故障同现次数有关；
假设统计了N个直线电机的故障类型，故障类型x与故障类型y在在第n 个电机上一同出现了t(n)次，那么故障类型x节点与故障类型y节点之间的边权值的初始值
得到了各存在边相连的两故障类型节点之间的初始边权值后，再对所有初始边权值进行归一化处理，根据归一化处理结果更新各存在边相连的两故障类型节点之间的边权值，构成故障同现网络G2。
3)根据G1和G2构建异常数据和故障类型关联图数据结构G3
根据大数据系统对图数据结构G1中异常数据节点与图数据结构G2中故障类型节点进行关联，关联方法为：根据大数据系统对进行过故障维修的直线电机进行统计，得到所有出现的异常数据和对应的故障类型，将这些异常数据与故障类型互相连接，边权值的初始值设定为1，由此得到图数据结构G3。
直线电机某一时刻产生的故障有可能是之前某一时刻故障派生出来的，或者是之前多个时刻的多个故障叠加导致的，例如定子退磁后，导致动子受力发生改变，使得动子摩擦轨道导致轨道磨损、不光滑，甚至导致轨道弯曲；当轨道出现磨损或者弯曲等原因时会改变动子的运动状态，不仅会使动子运动不准确，严重时可能会与定子发生碰撞，使得定子破损；当电力系统发生扰动时，例如频率发生剧烈变化，使得定子磁场状态改变，导致动子无法按照控制参数的预期来运行，使得动子无法以预期的速度和加速度进行运行，甚至使得动子摩擦或撞击轨道；电源的不稳定一方面可能由于电力系统出现故障，也有可能是直线电机发生故障(例如动子卡死)导致出现电力波动，影响电源的电压、频率或电流，进而引发其他故障。
本实施例考虑到不同异常数据虽然可能对应同一故障，但是不同异常数据各自对应的该故障之前时刻的其他故障不同，或者说之前的其他异常数据不同，也会造成即便对应同一故障，不同异常数据发生该故障的概率或者说发生该故障的风险也存在不同和差异的情况。
考虑到上述情况，本实施例还对构建的图数据结构G3进行了优化，主要是根据异常数据之前时刻的异常数据对异常数据节点与各故障类型节点之间的边权值进行了优化，优化方法为：
获取某个异常数据x对应的控制参数，获取该控制参数之前的控制参数序列listL，L越小表示控制参数序列距离异常数据x对应的控制参数的时间差越小，根据这个控制参数序列获得异常数据x的故障叠加特征
其中，α为衰减系数，比如设置α＝0.96；L表示序列的长度；di为之前第i个控制参数对应的异常系数，当第i个控制参数对应的是异常数据时di＝1，否则为0；wi为之前第i个控制参数对应的故障诱发因子，其值与与之前第i个控制参数对应的异常数据节点存在边相连的故障类型节点的个数成正比，其值越大说明之前第i个控制参数对应的异常数据对应的故障越多；βi是之前第i个控制参数与其他控制参数的互异性，可由DNN网络获得，用于表征该控制参数与周围其他控制参数的差异大小，差异越大控制参数就越多样化，抑制重复出现的控制参数所带来的的影响；px表示的是之前异常数据对当前异常数据x产生影响的大小，主要用于区分对应相同故障的不同异常数据所引发故障的差异，px越大表明之前发生的故障类型越多，故障程度越大，使得当前异常数据的异常程度越大，对应发生当前故障的可能性就比之前发生故障类型少的异常数据所发生当前故障的可能性大。
利用px对对应的异常数据节点与故障类型节点之间的边权值的初始值进行更新，更新方法为：将G3中异常数据节点x与与其存在边相连的各故障类型节点之间的原边权值与设定倍数的px的相加，并对得到的各边权值进行归一化处理，将归一化处理后的结果作为对应的最新边权值。作为其它实施方式，也可以采用将原边权值扩大px倍，并将扩大后得到的各边权值进行归一化处理的方式来更新对应边权值。
在构建了图数据结构G3的基础上，本发明的基于大数据分析的直线电机故障检测方法如图1所示，包括以下步骤：
获取待检测直线电机的控制数据，以及在该控制数据下对应的运行数据和状态数据；
判断所述运行数据和状态数据是否存在异常，若存在异常，则将运行数据和状态数据记录为待判断故障的异常数据，一个异常数据对应一个控制数据；
根据待判断故障的异常数据以及预设的第一图数据结构判断与待判断故障的异常数据对应的故障类型和故障发生的概率；判断方法为：
从图数据结构G3中挑选出与待判断异常数据边权值最大的topK个异常数据节点，topK可以根据需求进行设定，将图数据结构G3中与所述topK个异常数据节点存在边相连的各故障类型节点提取出来构成图数据结构G4，本实施例中topK＝3，挑选出的异常数据节点为异常数据1节点、异常数据2节点和异常数据3节点，提取出的故障类型节点为故障类型1节点、故障类型2节点和故障类型3节点，如图2所示，图数据结构G4中各节点间的边权值与图数据结构 G3中对应边权值相同；
获取图数据结构G4中待判断异常数据与某一故障类型节点之间的所有游走路径，计算每条游走路径上所有边权值的乘积；求各游走路径对应乘积之和，根据各游走路径对应乘积之和计算与待判断异常数据对应的发生上述故障类型的概率。
假设待判断异常数据与某一故障类型节点y之间有N条游走路径，第j条游走路径上所有边权值之积为hj，那么待判断异常数据对应的发生上述故障的程度
对计算出的异常数据与各故障类型对应的故障程度值进行归一化处理，将归一化处理后的值作为异常数据发生对应故障类型的概率
Y表示图数据结构G4中故障类型的个数。
将各故障类型对应的概率与设定概率阈值进行比较，当某故障类型对应的概率大于设定概率阈值时，将该故障类型作为与待判断故障的异常数据对应的故障类型。若有两种以上的故障类型均大于设定概率阈值，则认为直线电机同时发生了两种以上的故障类型。
本实施例是根据运行数据和状态数据共同对直线电机是否出现了某种故障进行了判断，由于参考的数据较多，因此判断结果较准确；作为其它实施方式，还可以只根据运行数据或状态数据，或者只根据运行数据中的一种运行数据，比如速度运行数据，或者只根据状态数据数据中的一种状态数据，比如温度数据，来对直线电机是否出现了某种故障进行判断，虽然判断结果不如本实施例，但是计算相对简单，在实际应用中可以根据实际需求选择实际参考的数据类型。
本实施例获取了直线电机的异常数据，并预先构建了图数据结构，图数据结构中包括基于大数据统计得到的异常数据节点和故障类型节点；在预设的图数据结构中匹配与待判断的异常数据最为相似的异常数据节点，根据匹配的异常数据节点连接的故障类型节点就可以实现对待判断异常数据故障类型的诊断，并能够根据预设的图数据结构进一步计算发生上述故障类型的概率。本实施例通过构建图数据结构的方式实现了对直线电机运行过程中异常数据对应故障类型的自动判别，不再依靠人工判别，克服了依靠人工判别存在的对故障判别的效率低的问题，提高了故障判别的效率。
基于大数据分析的直线电机故障检测系统实施例
本实施例的基于大数据分析的直线电机故障检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于大数据分析的直线电机故障检测方法实施例所描述的基于大数据分析的直线电机故障检测方法。
由于基于大数据分析的直线电机故障检测方法实施例中已经对基于大数据分析的直线电机故障检测方法进行了说明，此处就不再赘述。
需要说明的是，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概念，则可对这些实施例作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。
Claims (9)
1.一种基于大数据分析的直线电机故障检测方法，其特征在于，包括以下步骤：
获取待检测直线电机的控制数据，以及在所述控制数据下对应的运行数据和/或状态数据；
判断所述运行数据和/或状态数据是否存在异常，若存在异常，则将运行数据和/或状态数据记录为待判断故障的异常数据，一个异常数据对应一个控制数据；
根据待判断故障的异常数据以及预设的第一图数据结构判断与待判断故障的异常数据对应的故障类型和故障发生的概率；
所述第一图数据结构包括多个节点和节点之间对应的连接边，节点包括根据大数据获得的同型号电机的所有异常数据节点和故障类型节点，其中异常数据节点的值为运行数据和/或状态数据，故障类型节点的值为故障类型的编号，两异常数据节点之间的边权值根据两节点对应的运动数据的相似度和/或状态数据的相似度计算得到，两故障类型节点之间的边权值根据两节点对应的故障类型同现次数计算得到，异常数据节点与故障类型节点之间的边权值根据该异常数据之前时刻的异常数据得到。
2.根据权利要求1所述的基于大数据分析的直线电机故障检测方法，其特征在于，计算异常数据节点与故障类型节点之间的边权值的方法包括以下步骤：
根据大数据获得的同型号直线电机的所有维修记录，建立异常数据节点与故障类型节点的连接关系，将异常数据节点与故障类型节点之间各连线的边权值的初始值设定为1；
计算各异常数据对应的故障叠加特征，利用故障叠加特征对对应的异常数据节点与故障类型节点之间各连线的边权值的初始值进行更新；
对于某一直线电机的某个异常数据x，其对应的故障叠加特征的计算方法包括：
获取同一直线电机的异常数据x对应的控制参数之前的L个控制参数构成的序列listL；
根据序列listL计算异常数据x的故障叠加特征px；其中，
L表示序列的长度，α为衰减系数，di为之前第i个控制参数对应的异常系数，wi为之前第i个控制参数对应的故障诱发因子，βi为之前第i个控制参数与之前其他L-1个控制参数的互异程度。
3.根据权利要求1所述的基于大数据分析的直线电机故障检测方法，其特征在于，判断与所述待判断异常数据对应的故障类型和故障发生的概率的方法包括：
从第一图数据结构中挑选出与待判断异常数据边权值最大的topK个异常数据节点，将第一图数据结构中与所述topK个异常数据节点存在边相连的各故障类型节点提取出来构成第二图数据结构，第二图数据结构中各节点间的边权值与第一图数据结构中对应边权值相同；
获取第二图数据结构中待判断异常数据与某一故障类型节点之间的所有游走路径，计算每条游走路径上所有边权值的乘积；
求各游走路径对应乘积之和，根据各游走路径对应乘积之和计算与待判断异常数据对应的发生上述故障类型的概率。
4.根据权利要求1所述的基于大数据分析的直线电机故障检测方法，其特征在于，计算得到两异常数据节点之间的边权值的方法包括：
当两异常数据节点之间的边权值是根据两节点对应的运动数据的相似度和状态数据的相似度计算得到时，计算两异常数据节点对应的运动数据的余弦相似度s1以及状态数据的余弦相似度s2；根据公式s＝w1*s1+w2*s2计算两异常数据节点之间的边权值，其中s为两异常数据节点之间的边权值，w1为运动数据对应的权重，w2为状态数据对应的权重。
5.根据权利要求1所述的基于大数据分析的直线电机故障检测方法，其特征在于，根据两节点对应的故障类型同现次数计算得到两故障类型之间的边权值的方法包括：
通过大数据统计N个与待检测电机同型号电机发生过的故障类型；若两故障类型在第n个电机上出现的次数为t(n)次，那么两故障在这N个与待检测电机同型号电机上同现的总次数
将两故障类型同现的总次数T作为对应两故障类型节点之间的边权值的初始值，并对所有两故障类型节点之间的边权值的初始值进行归一化处理，根据归一化处理结果更新两故障类型节点之间的边权值。
6.根据权利要求1所述的基于大数据分析的直线电机故障检测方法，其特征在于，利用TCN网络判断所述运行数据和/或状态数据是否存在异常。
7.根据权利要求1所述的基于大数据分析的直线电机故障检测系统，其特征在于，所述运行数据包括速度数据、加速度数据和移动距离数据中的至少一种。
8.根据权利要求1所述的基于大数据分析的直线电机故障检测系统，其特征在于，所述状态数据包括声音数据、温度数据和震动数据中的至少一种。
9.一种基于大数据分析的直线电机故障检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8任一项所述的基于大数据分析的直线电机故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110619938.1A CN113360718A (zh) | 2021-06-03 | 2021-06-03 | 一种基于大数据分析的直线电机故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110619938.1A CN113360718A (zh) | 2021-06-03 | 2021-06-03 | 一种基于大数据分析的直线电机故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113360718A true CN113360718A (zh) | 2021-09-07 |
Family
ID=77531642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110619938.1A Withdrawn CN113360718A (zh) | 2021-06-03 | 2021-06-03 | 一种基于大数据分析的直线电机故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360718A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021874A (zh) * | 2021-09-24 | 2022-02-08 | 国网浙江省电力有限公司金华供电公司 | 基于5g网络架构的机械设备运行状态分析系统及方法 |
| CN114487819A (zh) * | 2022-01-24 | 2022-05-13 | 安徽大学 | 一种双定子永磁直线电机退磁故障诊断系统及方法 |
| CN115114565A (zh) * | 2022-08-24 | 2022-09-27 | 启东晶尧光电科技有限公司 | 一种基于大数据分析的直线电机故障检测方法及系统 |
| CN115171726A (zh) * | 2022-07-04 | 2022-10-11 | 枣强县辉煌新能源科技有限公司 | 音频处理系统及其方法 |
-
2021
- 2021-06-03 CN CN202110619938.1A patent/CN113360718A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021874A (zh) * | 2021-09-24 | 2022-02-08 | 国网浙江省电力有限公司金华供电公司 | 基于5g网络架构的机械设备运行状态分析系统及方法 |
| CN114487819A (zh) * | 2022-01-24 | 2022-05-13 | 安徽大学 | 一种双定子永磁直线电机退磁故障诊断系统及方法 |
| CN114487819B (zh) * | 2022-01-24 | 2023-12-08 | 安徽大学 | 一种双定子永磁直线电机退磁故障诊断系统及方法 |
| CN115171726A (zh) * | 2022-07-04 | 2022-10-11 | 枣强县辉煌新能源科技有限公司 | 音频处理系统及其方法 |
| CN115114565A (zh) * | 2022-08-24 | 2022-09-27 | 启东晶尧光电科技有限公司 | 一种基于大数据分析的直线电机故障检测方法及系统 |
| CN115114565B (zh) * | 2022-08-24 | 2022-12-27 | 启东晶尧光电科技有限公司 | 一种基于大数据分析的直线电机故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113360718A (zh) | 一种基于大数据分析的直线电机故障检测方法及系统 | |
| CN109829236B (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
| DE102016008987B4 (de) | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN102361014A (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
| CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
| CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
| CN111598328A (zh) | 一种计及疫情事件的电力负荷预测方法 | |
| CN112763215A (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| Xue et al. | Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors | |
| CN116776753B (zh) | 一种带钢热连轧过程力学性能指标软测量方法和系统 | |
| CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
| CN116776730A (zh) | 一种旋转装备剩余寿命预测方法、设备及存储设备 | |
| CN115898927A (zh) | 一种基于机器学习的聚变装置分子泵故障诊断与预测方法 | |
| CN115563225A (zh) | 基于知识图谱关系推理的电网设备故障诊断方法及系统 | |
| CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 | |
| Chen et al. | Data preprocessing using hybrid general regression neural networks and particle swarm optimization for remote terminal units | |
| CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
| CN118484681B (zh) | 霍尔推力器推进剂余量控制方法及系统 | |
| CN117032074A (zh) | 基于改进gru和som神经网络机床伺服驱动系统健康管理方法 | |
| CN117428760B (zh) | 一种基于人工智能的关节模组控制系统及方法 | |
| CN118535976B (zh) | 基于物联网的配电网故障分析方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210907 |
|
| WW01 | Invention patent application withdrawn after publication |