CN114781552A - 电机性能测试方法、装置、设备及存储介质 - Google Patents
电机性能测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114781552A CN114781552A CN202210689206.4A CN202210689206A CN114781552A CN 114781552 A CN114781552 A CN 114781552A CN 202210689206 A CN202210689206 A CN 202210689206A CN 114781552 A CN114781552 A CN 114781552A
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- target
- preset
- loss
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及电机技术领域,公开了一种电机性能测试方法、装置、设备及存储介质,用于提高电机性能测试的效率。所述电机性能测试方法包括:采集目标电机的电机电流数据、电机转矩数据以及电机温度数据;根据电机电流数据和预设测试电压数据计算输入功率数据,并根据功率计算函数和电机转矩数据生成目标电机对应的输出功率数据;根据输入功率数据和输出功率数据计算损耗功率数据,并对损耗功率数据和电机温度数据进行数据融合,得到融合数据集;根据融合数据集生成目标输入向量,并将目标输入向量输入电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据损耗异常分析结果对目标电机进行损耗异常根因分析,得到电机根故障信息。
Description
技术领域
本发明涉及电机技术领域,尤其涉及一种电机性能测试方法、装置、设备及存储介质。
背景技术
电机测试是对电机装配质量及技术性能综合评价的重要环节,是电机制造和生产的重要工序,近年来,随着科技水平的进步,提高电机试验测试效率、降低操作人员劳动强度、提高测试精度和试验质量势在必行,而由于测试理论的丰富、测试手段的进步、从来设备精度的提高以及自动化测试系统和电子计算机在测试中的广泛应用,电机的测试技术也确实有了突飞猛进的发展。
现有方案通常是利用仪器、仪表及相关设备,按照相关的规定,对电机制造过程中的半成品和成品,或以电机为主体的配套产品的电气性能、力学性能、安全性能及可靠性等技术指标进行的检验。通过这些检验,可以全部或部分的反映被试电机的相关性能数据,用这些数据,可以判断被试电机是否符合设计要求、品质的优劣以及改进的目标和方向,但是现有方案的性能测试效率低。
发明内容
本发明提供了一种电机性能测试方法、装置、设备及存储介质,用于提高电机性能测试的效率。
本发明第一方面提供了一种电机性能测试方法,所述电机性能测试方法包括:接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
可选的,在本发明第一方面的第一种实现方式中,所述基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据,包括:当所述目标电机按照预设测试电压数据通电时,启动数据采集任务;根据所述数据采集任务调用预置的电流监测器记录所述目标电机在预设的测试时间段内的电机电流数据;调用预置的扭矩高速传感器获取所述目标电机在预设的测试时间段内的电机转矩数据;调用预置的温度传感器采集所述目标电机在预设的测试时间段内的电机温度数据;将所述电机电流数据、所述电机转矩数据和所述电机温度数据作为测试指标数据,并对所述测试指标数据进行存储。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据,包括:根据所述预设的测试时间段对所述电机电流数据和所述预设测试电压数据进行一一对应处理,得到多个电流电压数据对;根据所述多个电流电压数据对计算所述目标电机的输入功率数据;分别提取所述电机转矩数据中的转速数据和扭矩数据;将所述转速数据和所述扭矩数据输入预置的功率计算函数进行功率计算,得到所述目标电机的输出功率数据。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集,包括:计算所述输出功率数据和所述输入功率数据之间的差值,并将所述差值作为所述目标电机的损耗功率数据;按照所述预设的测试时间段中的时间戳对所述损耗功率数据和所述电机温度数据进行匹配,得到数据匹配结果;对所述数据匹配结果进行数据融合,得到融合数据集。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果,包括:根据所述预设的测试时间段的时间序列对所述融合数据集进行数据排序,得到目标序列;将所述目标序列转换为目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型,其中,所述电机性能分析模型包括:双向长短时记忆网络和激活层;通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量;将所述目标特征向量输入所述激活层进行损耗异常概率预测,得到损耗异常分析结果。
可选的,在本发明第一方面的第五种实现方式中,所述通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量,包括:将所述目标输入向量输入所述双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取,得到前向隐藏向量;将所述目标输入向量输入所述双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;按照预置的拼接策略对所述前向隐藏向量和所述后向隐藏向量进行拼接,得到目标特征向量。
可选的,在本发明第一方面的第六种实现方式中,所述根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息,包括:根据所述损耗异常分析结果从预置的数据库中匹配所述目标电机的根因分析方案;根据所述根因分析方案对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
本发明第二方面提供了一种电机性能测试装置,所述电机性能测试装置包括:测试模块,用于接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;采集模块,用于基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;计算模块,用于根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;融合模块,用于根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;分析模块,用于根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;输出模块,用于根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
可选的,在本发明第二方面的第一种实现方式中,所述采集模块具体用于:当所述目标电机按照预设测试电压数据通电时,启动数据采集任务;根据所述数据采集任务调用预置的电流监测器记录所述目标电机在预设的测试时间段内的电机电流数据;调用预置的扭矩高速传感器获取所述目标电机在预设的测试时间段内的电机转矩数据;调用预置的温度传感器采集所述目标电机在预设的测试时间段内的电机温度数据;将所述电机电流数据、所述电机转矩数据和所述电机温度数据作为测试指标数据,并对所述测试指标数据进行存储。
可选的,在本发明第二方面的第二种实现方式中,所述计算模块具体用于:根据所述预设的测试时间段对所述电机电流数据和所述预设测试电压数据进行一一对应处理,得到多个电流电压数据对;根据所述多个电流电压数据对计算所述目标电机的输入功率数据;分别提取所述电机转矩数据中的转速数据和扭矩数据;将所述转速数据和所述扭矩数据输入预置的功率计算函数进行功率计算,得到所述目标电机的输出功率数据。
可选的,在本发明第二方面的第三种实现方式中,所述融合模块具体用于:计算所述输出功率数据和所述输入功率数据之间的差值,并将所述差值作为所述目标电机的损耗功率数据;按照所述预设的测试时间段中的时间戳对所述损耗功率数据和所述电机温度数据进行匹配,得到数据匹配结果;对所述数据匹配结果进行数据融合,得到融合数据集。
可选的,在本发明第二方面的第四种实现方式中,所述分析模块还包括:处理单元,用于根据所述预设的测试时间段的时间序列对所述融合数据集进行数据排序,得到目标序列;将所述目标序列转换为目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型,其中,所述电机性能分析模型包括:双向长短时记忆网络和激活层;特征提取单元,用于通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量;预测单元,用于将所述目标特征向量输入所述激活层进行损耗异常概率预测,得到损耗异常分析结果。
可选的,在本发明第二方面的第五种实现方式中,所述特征提取单元具体用于:将所述目标输入向量输入所述双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取,得到前向隐藏向量;将所述目标输入向量输入所述双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;按照预置的拼接策略对所述前向隐藏向量和所述后向隐藏向量进行拼接,得到目标特征向量。
可选的,在本发明第二方面的第六种实现方式中,所述输出模块具体用于:根据所述损耗异常分析结果从预置的数据库中匹配所述目标电机的根因分析方案;根据所述根因分析方案对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
本发明第三方面提供了一种电机性能测试设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电机性能测试设备执行上述的电机性能测试方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的电机性能测试方法。
本发明提供的技术方案中,接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。本发明通过预先构建的电机性能分析模型对测试性能数据中的特征数据进行分析,通过人工智能模型对电机性能测试的测试指标数据进行数据处理,提高了电机性能测试的效率。
附图说明
图1为本发明实施例中电机性能测试方法的一个实施例示意图;
图2为本发明实施例中电机性能测试方法的另一个实施例示意图;
图3为本发明实施例中电机性能测试装置的一个实施例示意图;
图4为本发明实施例中电机性能测试装置的另一个实施例示意图;
图5为本发明实施例中电机性能测试设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种电机性能测试方法、装置、设备及存储介质,用于提高电机性能测试的效率。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”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中电机性能测试方法的一个实施例包括:
101、接收终端发送的电机测试请求,并根据电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对目标电机进行运行测试;
可以理解的是,本发明的执行主体可以为电机性能测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,当服务器接收该终端发送的电机测试请求后,服务器对该电机测试请求进行扫描,需要说明的是,该电机测试请求携带有对应的电机标识,当服务器对该电机测试请求扫描后,确定对应的电机标识,进而服务器根据该电机标识匹配对应的待测试的目标电机,进而服务器根据预设测试电压数据对目标电机进行运行测试。
102、基于预设的测试时间段采集目标电机在运行测试过程中的测试指标数据,其中,测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
需要说明的是,上述预设的测试时间段可以为0.5小时到1小时之间,在进行数据采集前,在上述预设的测试时间段内进行数据采集,其中,对该电机电流数据,电机转矩数据及电机温度数据的采集,均通过在目标电机中预置的各个传感器进行数据采集,具体的,当目标电机运行时,服务器控制该上述各个传感器启动并进行数据采集,进而得到上述目标电机在运行测试过程中的测试指标数据。
103、根据电机电流数据和预设测试电压数据计算目标电机对应的输入功率数据,并根据预置的功率计算函数和电机转矩数据生成目标电机对应的输出功率数据;
具体的,由于上述服务器控制上述各个传感器采集得到的电压数据及电流数据为乱序数据,此处服务器根据预设的测试时间段对点击电流数据和测试电压数据进行数据匹配处理,以使电流数据与电压数据一一对应,得到多个电流电压数据对,进而服务器根据功率计算公式即P=UI,其中,P为输入功率,U为电压数据,I为电流数据,当服务器根据该功率计算公式进行计算,得到目标电机对应的输入功率,进而根据多个电流电压数据对计算目标电机的输入功率数据;分别提取电机转矩数据中的转速数据和扭矩数据;将转速数据和扭矩数据输入预置的功率计算函数进行功率计算,得到目标电机的输出功率数据。
104、根据输入功率数据和输出功率数据计算目标电机的损耗功率数据,并对损耗功率数据和电机温度数据进行数据融合,得到融合数据集;
具体的,服务器根据上述计算得到的输入功率数据和输出功率数据进行损耗功率计算,即通过输入功率数据减去输出功率数据得到对应的损耗功率数据,进而获取此时对应的目标电机的温度数据,便于将该损耗功率数据集电机温度数据进行数据融合处理,得到对应的融合数据集。
105、根据融合数据集生成目标输入向量,并将目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;
需要说明的是,上述电机性能分析模型是服务器预先对卷积神经网络训练得到的,其中,上述电机性能分析模型包括双向长短时记忆网络和激活层,具体的,服务器首先根据融合数据集进行向量转换,得到目标输入向量,进而服务器通过双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量,并将目标特征向量输入所述激活层进行损耗异常概率预测,得到损耗异常分析结果。
106、根据损耗异常分析结果对目标电机进行损耗异常根因分析,得到电机根故障信息。
具体的,服务器对该损耗异常分析结果进行扫描,确定对应的异常标识,进而服务器根据该异常标识确定对应的数据库,确定对应的目标数据库,然后服务器从该目标数据库中下载对应的根因分析方案,进而服务器对该根因分析方案进行根因分析,得到电机故障信息。
本发明实施例中,接收终端发送的电机测试请求,并根据电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对目标电机进行运行测试;基于预设的测试时间段采集目标电机在运行测试过程中的测试指标数据,其中,测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据电机电流数据和预设测试电压数据计算目标电机对应的输入功率数据,并根据预置的功率计算函数和电机转矩数据生成目标电机对应的输出功率数据;根据输入功率数据和输出功率数据计算目标电机的损耗功率数据,并对损耗功率数据和电机温度数据进行数据融合,得到融合数据集;根据融合数据集生成目标输入向量,并将目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据损耗异常分析结果对目标电机进行损耗异常根因分析,得到电机根故障信息。本发明通过预先构建的电机性能分析模型对测试性能数据中的特征数据进行分析,通过人工智能模型对电机性能测试的测试指标数据进行数据处理,提高了电机性能测试的效率。
请参阅图2,本发明实施例中电机性能测试方法的另一个实施例包括:
201、接收终端发送的电机测试请求,并根据电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对目标电机进行运行测试;
具体的,在本实施例中,步骤201的具体实施方式与上述步骤101类似,此处不再赘述。
202、基于预设的测试时间段采集目标电机在运行测试过程中的测试指标数据,其中,测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
具体的,服务器当目标电机按照预设测试电压数据通电时,启动数据采集任务;根据数据采集任务调用预置的电流监测器记录目标电机在预设的测试时间段内的电机电流数据;调用预置的扭矩高速传感器获取目标电机在预设的测试时间段内的电机转矩数据;调用预置的温度传感器采集目标电机在预设的测试时间段内的电机温度数据;将电机电流数据、电机转矩数据和电机温度数据作为测试指标数据,并对测试指标数据进行存储。
其中,服务器通过电流监测器采集电机的电流数据,上述电流监测器包括数据传输处理核心板,连接于电机电流测量电路,数据传输处理核心板用于实时接收采集的电流数据并对电流数据进行处理运算和传输,电源供电电路,用于上述电机电流测量电路和数据传输处理核心板的供电,上位机,连接于数据传输处理核心板,用于实时显示电机的电流数据状态,需要说明的是,上述扭矩高速传感器与温度传感器为包含类似结构的装置,具体的,服务器调用预置的扭矩高速传感器获取目标电机在预设的测试时间段内的电机转矩数据;调用预置的温度传感器采集目标电机在预设的测试时间段内的电机温度数据;将电机电流数据、电机转矩数据和电机温度数据作为测试指标数据,并对测试指标数据进行存储。
203、根据电机电流数据和预设测试电压数据计算目标电机对应的输入功率数据,并根据预置的功率计算函数和电机转矩数据生成目标电机对应的输出功率数据;
具体的,服务器根据预设的测试时间段对电机电流数据和预设测试电压数据进行一一对应处理,得到多个电流电压数据对;根据多个电流电压数据对计算目标电机的输入功率数据;分别提取电机转矩数据中的转速数据和扭矩数据;将转速数据和扭矩数据输入预置的功率计算函数进行功率计算,得到目标电机的输出功率数据。
其中,由于上述服务器控制上述各个传感器采集得到的电压数据及电流数据为乱序数据,此处服务器根据预设的测试时间段对点击电流数据和测试电压数据进行数据匹配处理,以使电流数据与电压数据一一对应,得到多个电流电压数据对,进而服务器根据功率计算公式即P=UI,其中,P为输入功率,U为电压数据,I为电流数据,当服务器根据该功率计算公式进行计算,得到目标电机对应的输入功率,进而服务器获取对应的电机转矩数据,需要说明的是,该电机转矩数据也是基于预先设置的转矩传感器获取的,进而服务器根据上述功率计算函数进行输出功率计算,需要说明的是,该功率计算函数为P=T*N/9549,其中,上述T为电机转矩数据,N为电机的转速,由于电机的转速一定,则此处根据目标电机的型号确定对应的目标电机的转速,同时上述9549为对应的常数,进而服务器根据上述功率计算函数及电机转矩数据生成目标电机对应的输出功率数据。
204、根据输入功率数据和输出功率数据计算目标电机的损耗功率数据,并对损耗功率数据和电机温度数据进行数据融合,得到融合数据集;
具体的,服务器计算输出功率数据和输入功率数据之间的差值,并将差值作为目标电机的损耗功率数据;按照预设的测试时间段中的时间戳对损耗功率数据和电机温度数据进行匹配,得到数据匹配结果;对数据匹配结果进行数据融合,得到融合数据集。
其中,服务器计算输出功率数据和输入功率数据之间的差值,并将差值作为目标电机的损耗功率数据,获取时间戳广播节点发送的时间戳同步采集,其中,时间戳同步采集包括:数据采集时间戳,响应于接收到目标数据采集序列,根据目标数据采集序列中的每个目标数据采集对应的接收时间戳、采集广播时间戳和时间戳同步采集的接收时间戳,确定同步时间戳,得到同步时间戳序列,其中,目标数据采集序列中的目标数据采集是由目标节点发送的数据采集,根据同步时间戳序列和目标数据采集序列,生成融合数据集合,具体的,服务器按照预设的测试时间段中的时间戳对损耗功率数据和电机温度数据进行匹配,得到数据匹配结果;对数据匹配结果进行数据融合,得到融合数据集。
205、根据预设的测试时间段的时间序列对融合数据集进行数据排序,得到目标序列;
206、将目标序列转换为目标输入向量,并将目标输入向量输入预置的电机性能分析模型,其中,电机性能分析模型包括:双向长短时记忆网络和激活层;
具体的,服务器根据预设的测试时间段的时间序列对融合数据集进行数据排序,得到目标序列,进而服务器获取该目标序列,并通过数据结构描述规则生成目标序列的数据结构描述信息,根据该数据结构描述信息,提取数据的结构特征向量信息;对提取的数据结构特征向量信息进行识别,并以此得出与该特性向量匹配的向量转换函数,进而服务器根据该向量转换函数将目标序列转换为目标输入向量,并将该目标输入向量输入预置的电机性能分析模型。
207、通过双向长短时记忆网络对目标输入向量进行特征提取,得到目标特征向量;
具体的,服务器将目标输入向量输入双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取,得到前向隐藏向量;将目标输入向量输入双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;按照预置的拼接策略对前向隐藏向量和后向隐藏向量进行拼接,得到目标特征向量。
其中,在服务器将目标输入向量输入双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取之前,服务器预先根据目标输入向量进行样本点划分,以定子电流信号相邻波谷对应的时间为一个时间周期,截取原始定子电流信号中m个时间周期的数据点作为一个样本,将其作为电机故障诊断模型的样本数据将其作为电机故障诊断模型的样本数据,进而服务器创建数据集,根据样本数据进行编码,制作标签,作为电机轴承故障诊断模型的数据集,将目标输入向量输入卷积神经网络,其包括两层卷积层和一层池化层,通过卷积池化操作提取定子电流信号中有区分性的空间特征信息,并将提取的目标输入向量输入双向长短时记忆网络,捕获前向隐藏向量,并将目标输入向量输入双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;按照预置的拼接策略对前向隐藏向量和后向隐藏向量进行拼接,得到目标特征向量。
208、将目标特征向量输入激活层进行损耗异常概率预测,得到损耗异常分析结果;
具体的,将所述目标特征向量输入到激活层中,预测得到所述电机系统在未来时间的第一异常概率,所述激活层包括:向量生成子模块、融合子模块和预测子模块,所述向量生成子模块用于生成所述目标特征向量中的子数据的向量,所述融合子模块用于将同一时间的子数据的向量进行融合,所述预测子模块用于根据融合得到的至少一个时间的向量预测得到所述第一异常概率,进而服务器将该目标特征向量输入激活层进行损耗异常概率预测,得到损耗异常分析结果。
209、根据损耗异常分析结果对目标电机进行损耗异常根因分析,得到电机根故障信息。
具体的,服务器根据损耗异常分析结果从预置的数据库中匹配目标电机的根因分析方案;根据根因分析方案对目标电机进行损耗异常根因分析,得到电机根故障信息。
需要说明的是,服务器获取损耗异常分析结果的目标指标的特征信息、以及用于对目标指标进行根因分析的至少一个分析策略,基于目标指标的特征信息以及至少一个分析策略,向目标数据仓库发送查询请求以获取查询结果,查询请求用于请求目标数据仓库通过联机分析处理进行数据查询并返回查询结果,基于目标数据仓库返回的查询结果,确定得到目标指标的根因分析结果,具体的,服务器根据根因分析方案对目标电机进行损耗异常根因分析,得到电机根故障信息。
本发明实施例中,接收终端发送的电机测试请求,并根据电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对目标电机进行运行测试;基于预设的测试时间段采集目标电机在运行测试过程中的测试指标数据,其中,测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据电机电流数据和预设测试电压数据计算目标电机对应的输入功率数据,并根据预置的功率计算函数和电机转矩数据生成目标电机对应的输出功率数据;根据输入功率数据和输出功率数据计算目标电机的损耗功率数据,并对损耗功率数据和电机温度数据进行数据融合,得到融合数据集;根据融合数据集生成目标输入向量,并将目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据损耗异常分析结果对目标电机进行损耗异常根因分析,得到电机根故障信息。本发明通过预先构建的电机性能分析模型对测试性能数据中的特征数据进行分析,通过人工智能模型对电机性能测试的测试指标数据进行数据处理,提高了电机性能测试的效率。
上面对本发明实施例中电机性能测试方法进行了描述,下面对本发明实施例中电机性能测试装置进行描述,请参阅图3,本发明实施例中电机性能测试装置一个实施例包括:
测试模块301,用于接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;
采集模块302,用于基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
计算模块303,用于根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;
融合模块304,用于根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;
分析模块305,用于根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;
输出模块306,用于根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
本发明实施例中,接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。本发明通过预先构建的电机性能分析模型对测试性能数据中的特征数据进行分析,通过人工智能模型对电机性能测试的测试指标数据进行数据处理,提高了电机性能测试的效率。
请参阅图4,本发明实施例中电机性能测试装置另一个实施例包括:
测试模块301,用于接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;
采集模块302,用于基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
计算模块303,用于根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;
融合模块304,用于根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;
分析模块305,用于根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;
输出模块306,用于根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
可选的,所述采集模块302具体用于:当所述目标电机按照预设测试电压数据通电时,启动数据采集任务;根据所述数据采集任务调用预置的电流监测器记录所述目标电机在预设的测试时间段内的电机电流数据;调用预置的扭矩高速传感器获取所述目标电机在预设的测试时间段内的电机转矩数据;调用预置的温度传感器采集所述目标电机在预设的测试时间段内的电机温度数据;将所述电机电流数据、所述电机转矩数据和所述电机温度数据作为测试指标数据,并对所述测试指标数据进行存储。
可选的,所述计算模块303具体用于:根据所述预设的测试时间段对所述电机电流数据和所述预设测试电压数据进行一一对应处理,得到多个电流电压数据对;根据所述多个电流电压数据对计算所述目标电机的输入功率数据;分别提取所述电机转矩数据中的转速数据和扭矩数据;将所述转速数据和所述扭矩数据输入预置的功率计算函数进行功率计算,得到所述目标电机的输出功率数据。
可选的,所述融合模块304具体用于:计算所述输出功率数据和所述输入功率数据之间的差值,并将所述差值作为所述目标电机的损耗功率数据;按照所述预设的测试时间段中的时间戳对所述损耗功率数据和所述电机温度数据进行匹配,得到数据匹配结果;对所述数据匹配结果进行数据融合,得到融合数据集。
可选的,所述分析模块305还包括:
处理单元3051,用于根据所述预设的测试时间段的时间序列对所述融合数据集进行数据排序,得到目标序列;将所述目标序列转换为目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型,其中,所述电机性能分析模型包括:双向长短时记忆网络和激活层;
特征提取单元3052,用于通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量;
预测单元3053,用于将所述目标特征向量输入所述激活层进行损耗异常概率预测,得到损耗异常分析结果。
可选的,所述特征提取单元3052具体用于:将所述目标输入向量输入所述双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取,得到前向隐藏向量;将所述目标输入向量输入所述双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;按照预置的拼接策略对所述前向隐藏向量和所述后向隐藏向量进行拼接,得到目标特征向量。
可选的,所述输出模块306具体用于:根据所述损耗异常分析结果从预置的数据库中匹配所述目标电机的根因分析方案;根据所述根因分析方案对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
本发明实施例中,接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。本发明通过预先构建的电机性能分析模型对测试性能数据中的特征数据进行分析,通过人工智能模型对电机性能测试的测试指标数据进行数据处理,提高了电机性能测试的效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的电机性能测试装置进行详细描述,下面从硬件处理的角度对本发明实施例中电机性能测试设备进行详细描述。
图5是本发明实施例提供的一种电机性能测试设备的结构示意图,该电机性能测试设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电机性能测试设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在电机性能测试设备500上执行存储介质530中的一系列指令操作。
电机性能测试设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的电机性能测试设备结构并不构成对电机性能测试设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种电机性能测试设备,所述电机性能测试设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述电机性能测试方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述电机性能测试方法的步骤。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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(可以是个人计算机,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、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电机性能测试方法,其特征在于,所述电机性能测试方法包括:
接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;
基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;
根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;
根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;
根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
2.根据权利要求1所述的电机性能测试方法,其特征在于,所述基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据,包括:
当所述目标电机按照预设测试电压数据通电时,启动数据采集任务;
根据所述数据采集任务调用预置的电流监测器记录所述目标电机在预设的测试时间段内的电机电流数据;
调用预置的扭矩高速传感器获取所述目标电机在预设的测试时间段内的电机转矩数据;
调用预置的温度传感器采集所述目标电机在预设的测试时间段内的电机温度数据;
将所述电机电流数据、所述电机转矩数据和所述电机温度数据作为测试指标数据,并对所述测试指标数据进行存储。
3.根据权利要求1所述的电机性能测试方法,其特征在于,所述根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据,包括:
根据所述预设的测试时间段对所述电机电流数据和所述预设测试电压数据进行一一对应处理,得到多个电流电压数据对;
根据所述多个电流电压数据对计算所述目标电机的输入功率数据;
分别提取所述电机转矩数据中的转速数据和扭矩数据;
将所述转速数据和所述扭矩数据输入预置的功率计算函数进行功率计算,得到所述目标电机的输出功率数据。
4.根据权利要求1所述的电机性能测试方法,其特征在于,所述根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集,包括:
计算所述输出功率数据和所述输入功率数据之间的差值,并将所述差值作为所述目标电机的损耗功率数据;
按照所述预设的测试时间段中的时间戳对所述损耗功率数据和所述电机温度数据进行匹配,得到数据匹配结果;
对所述数据匹配结果进行数据融合,得到融合数据集。
5.根据权利要求1所述的电机性能测试方法,其特征在于,所述根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果,包括:
根据所述预设的测试时间段的时间序列对所述融合数据集进行数据排序,得到目标序列;
将所述目标序列转换为目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型,其中,所述电机性能分析模型包括:双向长短时记忆网络和激活层;
通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量;
将所述目标特征向量输入所述激活层进行损耗异常概率预测,得到损耗异常分析结果。
6.根据权利要求5所述的电机性能测试方法,其特征在于,所述通过所述双向长短时记忆网络对所述目标输入向量进行特征提取,得到目标特征向量,包括:
将所述目标输入向量输入所述双向长短时记忆网络中的前向长短时记忆网络进行隐藏特征提取,得到前向隐藏向量;
将所述目标输入向量输入所述双向长短时记忆网络中的后向长短时记忆网络进行隐藏特征提取,得到后向隐藏向量;
按照预置的拼接策略对所述前向隐藏向量和所述后向隐藏向量进行拼接,得到目标特征向量。
7.根据权利要求1-6中任一项所述的电机性能测试方法,其特征在于,所述根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息,包括:
根据所述损耗异常分析结果从预置的数据库中匹配所述目标电机的根因分析方案;
根据所述根因分析方案对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
8.一种电机性能测试装置,其特征在于,所述电机性能测试装置包括:
测试模块,用于接收终端发送的电机测试请求,并根据所述电机测试请求匹配待测试的目标电机,以及按照预设测试电压数据对所述目标电机进行运行测试;
采集模块,用于基于预设的测试时间段采集所述目标电机在运行测试过程中的测试指标数据,其中,所述测试指标数据包括:电机电流数据、电机转矩数据以及电机温度数据;
计算模块,用于根据所述电机电流数据和所述预设测试电压数据计算所述目标电机对应的输入功率数据,并根据预置的功率计算函数和所述电机转矩数据生成所述目标电机对应的输出功率数据;
融合模块,用于根据所述输入功率数据和所述输出功率数据计算所述目标电机的损耗功率数据,并对所述损耗功率数据和所述电机温度数据进行数据融合,得到融合数据集;
分析模块,用于根据所述融合数据集生成目标输入向量,并将所述目标输入向量输入预置的电机性能分析模型进行损耗异常分析,得到损耗异常分析结果;
输出模块,用于根据所述损耗异常分析结果对所述目标电机进行损耗异常根因分析,得到电机根故障信息。
9.一种电机性能测试设备,其特征在于,所述电机性能测试设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述电机性能测试设备执行如权利要求1-7中任一项所述的电机性能测试方法。
10.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的电机性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689206.4A CN114781552B (zh) | 2022-06-17 | 2022-06-17 | 电机性能测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689206.4A CN114781552B (zh) | 2022-06-17 | 2022-06-17 | 电机性能测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781552A true CN114781552A (zh) | 2022-07-22 |
CN114781552B CN114781552B (zh) | 2022-09-02 |
Family
ID=82420429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210689206.4A Active CN114781552B (zh) | 2022-06-17 | 2022-06-17 | 电机性能测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781552B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
CN115236509A (zh) * | 2022-08-08 | 2022-10-25 | 江苏大中电机股份有限公司 | 用于电机的数据采集设备 |
CN115437869A (zh) * | 2022-11-08 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 降频点检测方法、装置、设备及存储介质 |
CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
CN116069002A (zh) * | 2023-03-22 | 2023-05-05 | 常州市诺七微电子科技有限公司 | 一种电机控制器转速均衡测试方法及系统 |
CN116107194A (zh) * | 2023-04-13 | 2023-05-12 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
CN116338454A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市北测检测技术有限公司 | 一种新能源汽车的电性能检测方法及装置 |
CN116383752A (zh) * | 2023-05-26 | 2023-07-04 | 天津华来科技股份有限公司 | 电机堵转分析方法及系统 |
CN116819322A (zh) * | 2023-08-29 | 2023-09-29 | 苏州一桥传动设备有限公司 | 一种电机性能测试方法及系统 |
CN117543803A (zh) * | 2024-01-10 | 2024-02-09 | 深圳深蕾科技股份有限公司 | 一种双电源在线式备电电路及其控制方法 |
CN117665574A (zh) * | 2024-02-01 | 2024-03-08 | 深圳市思科诺达科技有限公司 | 一种基于数据识别的恒温伺服电机测试系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965174A (zh) * | 2015-06-26 | 2015-10-07 | 中交机电工程局有限公司 | 交流电机能效及运行性能综合测试系统 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
KR102109337B1 (ko) * | 2018-11-14 | 2020-05-12 | (유)엔티엘 | 수중 모터 펌프의 지상 모니터링 시스템 |
CN111553400A (zh) * | 2020-04-22 | 2020-08-18 | 明阳智慧能源集团股份公司 | 一种风力发电机组振动故障的精准诊断方法 |
CN111612242A (zh) * | 2020-05-15 | 2020-09-01 | 北京天工智造科技有限公司 | 一种基于lstm深度学习模型的电机状态参数预测方法 |
CN111856290A (zh) * | 2020-06-18 | 2020-10-30 | 湖北德普电气股份有限公司 | 一种测试氢燃料电池发动机性能的方法 |
CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
-
2022
- 2022-06-17 CN CN202210689206.4A patent/CN114781552B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965174A (zh) * | 2015-06-26 | 2015-10-07 | 中交机电工程局有限公司 | 交流电机能效及运行性能综合测试系统 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
KR102109337B1 (ko) * | 2018-11-14 | 2020-05-12 | (유)엔티엘 | 수중 모터 펌프의 지상 모니터링 시스템 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN111553400A (zh) * | 2020-04-22 | 2020-08-18 | 明阳智慧能源集团股份公司 | 一种风力发电机组振动故障的精准诊断方法 |
CN111612242A (zh) * | 2020-05-15 | 2020-09-01 | 北京天工智造科技有限公司 | 一种基于lstm深度学习模型的电机状态参数预测方法 |
CN111856290A (zh) * | 2020-06-18 | 2020-10-30 | 湖北德普电气股份有限公司 | 一种测试氢燃料电池发动机性能的方法 |
CN112798956A (zh) * | 2020-12-31 | 2021-05-14 | 江苏国科智能电气有限公司 | 基于多分辨率时序循环神经网络的风电机组故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
HAITAO ZHAO 等: "Sequential Fault Diagnosis Based on LSTM Neural Network", 《IEEE ACCESS》 * |
丁石川 等: "深度学习理论及其在电机故障诊断中的研究现状与展望", 《电力系统保护与控制》 * |
张凯 等: "改进LSTM 神经网络在电机故障诊断中的应用", 《计算机测量与控制》 * |
成振华 等: "基于 BP 神经网络的大功率直流电机故障诊断研究", 《变流技术》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236509A (zh) * | 2022-08-08 | 2022-10-25 | 江苏大中电机股份有限公司 | 用于电机的数据采集设备 |
CN115236509B (zh) * | 2022-08-08 | 2023-11-10 | 江苏大中电机股份有限公司 | 用于电机的数据采集设备 |
CN115184193A (zh) * | 2022-09-06 | 2022-10-14 | 深圳永贵技术有限公司 | 线缆的自动化测试方法、装置、设备及存储介质 |
CN115437869A (zh) * | 2022-11-08 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 降频点检测方法、装置、设备及存储介质 |
CN116069002A (zh) * | 2023-03-22 | 2023-05-05 | 常州市诺七微电子科技有限公司 | 一种电机控制器转速均衡测试方法及系统 |
CN116068396A (zh) * | 2023-03-29 | 2023-05-05 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
CN116068396B (zh) * | 2023-03-29 | 2023-06-20 | 深圳市昱森机电有限公司 | 基于人工智能的电机性能的测试方法及相关装置 |
CN116107194B (zh) * | 2023-04-13 | 2023-06-09 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
CN116107194A (zh) * | 2023-04-13 | 2023-05-12 | 北京新科以仁科技发展有限公司 | 一种激光器的自动切换控制方法、装置、设备及存储介质 |
CN116383752A (zh) * | 2023-05-26 | 2023-07-04 | 天津华来科技股份有限公司 | 电机堵转分析方法及系统 |
CN116383752B (zh) * | 2023-05-26 | 2023-08-22 | 天津华来科技股份有限公司 | 电机堵转分析方法及系统 |
CN116338454A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市北测检测技术有限公司 | 一种新能源汽车的电性能检测方法及装置 |
CN116819322A (zh) * | 2023-08-29 | 2023-09-29 | 苏州一桥传动设备有限公司 | 一种电机性能测试方法及系统 |
CN116819322B (zh) * | 2023-08-29 | 2023-12-01 | 苏州一桥传动设备有限公司 | 一种电机性能测试方法及系统 |
CN117543803A (zh) * | 2024-01-10 | 2024-02-09 | 深圳深蕾科技股份有限公司 | 一种双电源在线式备电电路及其控制方法 |
CN117543803B (zh) * | 2024-01-10 | 2024-06-07 | 深圳深蕾科技股份有限公司 | 一种双电源在线式备电电路及其控制方法 |
CN117665574A (zh) * | 2024-02-01 | 2024-03-08 | 深圳市思科诺达科技有限公司 | 一种基于数据识别的恒温伺服电机测试系统及方法 |
CN117665574B (zh) * | 2024-02-01 | 2024-04-09 | 深圳市思科诺达科技有限公司 | 一种基于数据识别的恒温伺服电机测试系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114781552B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781552B (zh) | 电机性能测试方法、装置、设备及存储介质 | |
Zhang et al. | Few-shot bearing fault diagnosis based on model-agnostic meta-learning | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN109815855A (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN115329283A (zh) | 一种启动马达高强度换向器寿命预测方法 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测系统、方法及设备 | |
Jigyasu et al. | Prognostics and health management of induction motor by supervised learning classifiers | |
CN112949711B (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
CN112380140B (zh) | 智能座舱数据测试方法及系统 | |
CN105353306B (zh) | 电机故障诊断方法和装置及电器 | |
CN116522514A (zh) | 一种电机性能测试方法及系统 | |
WO2021033132A1 (en) | Condition monitoring device and a method thereof | |
CN116540038A (zh) | 一种电容器组的绝缘状态监测方法和装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
CN113540526B (zh) | 一种基于历史数据分析的燃料电池故障诊断方法及系统 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
Ondel et al. | FDI based on pattern recognition using Kalman prediction: Application to an induction machine | |
CN113204280A (zh) | 一种诊断电源故障的方法、系统、设备及介质 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 |
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 |