CN115329283B - 一种启动马达高强度换向器寿命预测方法 - Google Patents
一种启动马达高强度换向器寿命预测方法 Download PDFInfo
- Publication number
- CN115329283B CN115329283B CN202211245022.5A CN202211245022A CN115329283B CN 115329283 B CN115329283 B CN 115329283B CN 202211245022 A CN202211245022 A CN 202211245022A CN 115329283 B CN115329283 B CN 115329283B
- Authority
- CN
- China
- Prior art keywords
- motor
- sample
- sample motor
- starting
- degree
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及换向器寿命预测技术领域,具体涉及一种启动马达高强度换向器寿命预测方法。方法包括:根据每次启动工作时各样本马达对应的外部工作特征,计算每次启动工作时任意两样本马达之间的外部工作状态近似程度,进而得到每一次启动工作时不同外部工作状态对应的各样本马达;根据不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度;利用各样本马达在每次启动工作时对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,进而预测待检测马达换向器的寿命。本发明提高了对马达换向器寿命预测的准确性。
Description
技术领域
本发明涉及换向器寿命预测技术领域,具体涉及一种启动马达高强度换向器寿命预测方法。
背景技术
一般直流样本马达需要电刷和换向器来换相,电刷和换向器在转子转动时会产生火花、碳粉,特别是在高强度电流变化的过程中更容易出现电火花的现象,造成换向器表面氧化层受损,进而损耗电刷,破坏换向器,最终导致换向器无法使用。
现有的对换向器寿命进行分析的方法是基于人工的方式,这种检测方式的主观性较强,会浪费大量的人工资源,并且还会存在错检等现象,对换向器寿命的分析不够准确。
发明内容
为了解决基于人工主观的方式对样本马达换向器寿命预测准确性差的问题,本发明的目的在于提供一种启动马达高强度换向器寿命预测方法,所采用的技术方案具体如下:
本发明提供了一种启动马达高强度换向器寿命预测方法包括以下步骤:
获取在对应生命周期内每次启动工作时各样本马达对应的外部工作特征,所述外部工作特征包括电流变化序列和电磁辐射值序列;所述样本马达与待检测马达是同一种规格型号的马达;
获取在对应生命周期内每次启动工作时各样本马达对应内部工作特征,所述内部工作特征包括马达振动均匀程度和电刷损耗均匀程度;
根据每一次启动工作时各样本马达对应的外部工作特征,计算每一次启动工作时任意两样本马达之间的外部工作状态近似程度;根据所述外部工作状态近似程度,对每一次启动工作时的各样本马达标记对应的外部工作状态,得到每一次启动工作时不同外部工作状态对应的各样本马达;
根据所述不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度;
利用各样本马达在每次启动工作时对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,得到训练好的目标预测网络;将待检测马达在最近一次启动工作时的外部工作特征和内部工作特征输入到训练好的目标预测网络中,预测待检测马达换向器的寿命,所述寿命为换向器的剩余启动次数。
优选的,计算每一次启动工作时任意两样本马达之间的外部工作状态近似程度的公式为:
其中,为第i次启动工作时样本马达/>和样本马达/>之间的工作状态近似程度,为第i次启动工作时样本马达/>对应的电磁辐射值序列,/>为第i次启动工作时样本马达/>对应的电磁辐射值序列,/>为/>与/>之间的余弦相似度,e为自然常数,/>为第i次启动工作时样本马达/>对应的电流变化序列,/>为第i次启动工作时样本马达/>对应的电流变化序列;/>为动态时间规整函数,/>为修正系数。
优选的,根据所述外部工作状态近似程度,对每一次启动工作时的各样本马达标记对应的外部工作状态,得到每一次启动工作时不同外部工作状态对应的各样本马达,包括:
对于任一一次启动工作时的各样本马达:
根据在该启动工作时各样本马达对应的各外部工作状态近似程度,计算每个样本马达与其他样本马达之间的外部工作状态差异距离之和,得到各样本马达对应的外部工作状态差异;
根据各样本马达对应的外部工作状态差异,对该次启动工作时的各样本马达标记对应的外部工作状态,得到该次启动工作时不同外部工作状态对应的各样本马达。
优选的,所述根据所述不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度,包括:
对于任一一次启动工作时各样本马达:
获取标准马达在不同外部工作状态下对应的内部工作特征,所述标准马达为换向器未受损的马达;
计算不同外部工作状态对应的各样本马达的内部工作特征与标准马达在对应外部工作状态下的内部工作特征的近似度,得到不同外部工作状态对应的各样本马达对应的健康程度。
优选的,计算各样本马达对应的健康程度的公式为:
其中,为第i次启动工作时样本马达/>的健康程度,/>为第i次启动工作时样本马达/>对应的电刷损耗均匀程度,/>为标准马达,/>为在第i次启动工作时样本马达/>所属的外部工作状态下/>对应电刷损耗均匀程度,/>为第i次启动工作时样本马达/>对应的马达振动均匀程度,/>为在第i次启动工作时样本马达/>所属的外部工作状态下/>对应马达振动均匀程度,e为自然常数,/>为动态时间规整函数。
优选的,获取每次启动工作时样本马达的马达振动均匀程度,包括:
利用相对振动传感器采集在每次启动工作时样本马达的振动变化序列;
根据每次启动工作时样本马达的振动变化序列,得到每次启动工作时对应的振动加速度序列;
计算每次启动工作时样本马达对应的振动加速度序列的标准差,得到每次启动工作时样本马达的马达振动均匀程度。
优选的,获取电刷损耗均匀程度的方法,包括:
根据预设时间间隔,获取各时刻下样本马达内各电刷的损耗量,构建各电刷对应的损耗量序列;
根据样本马达内各电刷对应的损耗量序列,计算在同一时刻下各电刷损耗量的方差,得到样本马达在任意时刻下的电刷损耗均匀程度;
所述预设时间间隔中每次启动工作时样本马达对应的电刷损耗均匀程度为对应时刻下的电刷损耗均匀程度。
本发明具有如下有益效果:
本发明首先对每次启动工作时各样本马达对应的外部工作特征进行分析,为对应启动工作时的各样本马达进行分组,然后对每次启动工作时的各组内的各样本马达的内部工作特征进行分析,计算得到每次启动工作时各样本马达对应的健康程度,最后利用每次启动工作时各样本马达对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,得到训练好的目标预测网络;本发明将待检测马达在当前启动工作时的外部工作特征和内部工作特征输入到训练好的目标预测网络中,来预测该样本马达换向器的寿命。本发明克服了基于人工主观的方式对待检测马达换向器寿命预测时出现的准确性差的问题,采用了一种自动化的预测方法对待检测马达换向器寿命进行预测,比较客观,提高了对马达换向器寿命预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明的一种启动马达高强度换向器寿命预测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果,以下结合附图及较佳实施例,对依据本发明提出的一种启动马达高强度换向器寿命预测方法进行详细说明如下。
除非另有定义,本文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。
下面结合附图具体的说明本发明所提供的一种启动马达高强度换向器寿命预测方法的具体方案。
一种启动马达高强度换向器寿命预测方法实施例:
如图1所示,本实施例的一种启动马达高强度换向器寿命预测方法包括以下步骤:
步骤S1,获取在对应生命周期内每次启动工作时各样本马达对应的外部工作特征,所述外部工作特征包括电流变化序列和电磁辐射值序列;所述样本马达与待检测马达是同一种规格型号的马达。
为了对待检测马达换向器的寿命进行分析,本实施例构建了一个目标预测网络,通过训练好的目标预测网络对待检测马达换向器寿命进行预测,接下来本实施例对训练目标预测网络的训练样本进行获取的过程进行分析。
本实施例获取了与待检测马达规格型号相同的样本马达在工作时的各种工作特征情况,但是考虑到仅对单一的样本马达进行分析,无法对不同工作环境下样本马达的寿命进行全面的分析;因此本实施例引入了一批与待检测马达同种规格型号的样本马达,本实施通过对样本马达在不同外部工作状态下的内部工作情况进行分析,以得到更加全面的信息库,便于后续对待检测马达换向器寿命进行预测;所述外部工作特征包括电流与电流所造成的电磁辐射两个方面,即电流变化序列和电磁辐射值序列,本实施例将样本马达的内部工作特征与外部工作特征并称为工作特征;本实施中一次启动工作时的样本马达对应的工作特征为:样本马达启动到样本马达停止工作的过程得到的特征信息,即一次启动工作为一个过程,而不是一个时刻。本实施例中所述每次启动工作时的样本马达可以不是同时启动的,例如,将启动一次的样本马达作为一组,即第一次启动工作时的各样本马达。
本实施例首先以获取任一样本马达对应的外部工作特征为例,具体为:
第一,考虑到样本马达在启动时,会产生一个比较大的电流冲击,这时如果电刷和换向器位置间存在一定间隙,就会发生击穿空气现象,即产生电火花,从而导致换向器产生损坏;输入的电流越大,造成的电流冲击就会越大,进而对换向器的损坏就会越大,因此本实施例对样本马达启动工作时的电流变化情况进行了检测,具体为:
本实施例在样本马达电源的输入端加入了一个电流计,利用电流计来检测样本马达启动工作时的电流大小,进而确定当前电流的安全程度。本实施例中电流测量为实时检测,其采样频率为10hz,即每0.1s采样一次。
样本马达每次启动工作时都会获得一个电流变化序列,所述电流变化序列用来反映对应启动工作时样本马达的电流变化情况,将电流变化序列记为,其中/>为第1个时刻测量到的电流值,/>为第2个时刻测量到的电流值,/>为第3个时刻测量到的电流值,/>为第n个时刻测量到的电流值。
第二,由于样本马达在工作中如果发生电火花,即瞬间有一个较强的电磁脉冲产生,同时会伴随产生额外的电磁辐射;结合电流来说,不同的大小电流会产生不同程度的电磁辐射,即两者存在一定的相关性,因此本实施通过对每次启动工作时的电磁辐射值进行采集,进而确定样本马达工作是否正常,具体为:
在样本马达附近固定地点放置一个电磁辐射检测仪,用来检测样本马达所产生的电磁辐射,得到样本马达在不同时刻时的电磁辐射量;本实施例中电磁辐射检测装置的位置应该保持一致,以减少因距离不同而导致测量值出现差异。本实施例中样本马达在启动工作时的电磁辐射同样也是0.1s采集一次,从而确保能够实时采集到样本马达启动工作时产生的电磁辐射,且与电流变化序列一致;根据上述过程可以得到每次启动工作时样本马达的电磁辐射值序列,记为,其中/>为第一个时刻的电磁辐射值,/>为第二个时刻的电磁辐射值,/>为第n个时刻的电磁辐射值。
步骤S2,获取在对应生命周期内每次启动工作时各样本马达对应内部工作特征,所述内部工作特征包括马达振动均匀程度和电刷损耗均匀程度。
由于样本马达的外部工作情况会对内部工作情况会有一定的影响,并且样本马达的内部工作情况也会对样本马达换向器产生一定的影响,因此本实施例对各样本马达的内部工作特征进行分析;接下来同样的以获取任一样本马达的内部工作特征为例,具体为:
第一,本实施例对样本马达在启动工作时的振动情况也进行测量,具体为:考虑到样本马达的工作环境比较复杂,其整体的振动情况会影响到内部电刷的振动情况,因此本实施例选用了相对式机械振动传感器;本实施例在样本马达的电刷上安装相对式机械振动传感器,以检测电刷相对于样本马达外壁的相对振动情况;本实施例中振动情况采样的频率同样为10hz,即每0.1s采样一次。
本实施例根据每次启动工作时样本马达对应的振动加速度序列中各元素,计算对应振动加速度序列的标准差,进而通过标准差来反映对应启动工作时的样本马达的振动情况,本实施例将得到的标准差记为马达振动均匀程度;当整体数据波动越大时,单个数据偏离均值越远,标准差越大,则说明当前样本马达振动情况不稳定;当对应的标准差越小时,说明当前样本马达振动情况越稳定。
第二,又考虑到样本马达在使用过程中,一个换向器通常配最少两个电刷,用于避免因单个电刷接触不良而导致断路;如果由于装配问题导致其中一个电刷的损耗量较其他电刷都要大,则会导致换向器的损坏,或者如果换向器已经受损,也会导致电刷的损耗量较大。因此本实施例每隔一段时间对样本马达中的各电刷长度进行测量,确定样本马达中的各电刷的损耗量,所述电刷损耗量用百分比表示,即电刷损耗长度占完好的电刷总长的比值;本实施例中所述一段时间为一小时测量一次。本实施例在任意时刻下对样本马达内各电刷的损耗量进行测量,可得到每根电刷的损耗量序列,记为,其中/>为第r根电刷的损耗量序列,/>为第一个小时的电刷损耗量,/>为第二个小时的电刷损耗量,/>为第n个小时的电刷损耗量。
本实施例通过对样本马达内的所有电刷在同一时刻损耗情况进行评价,来确定该样本马达内所有电刷的损耗量在该时刻的均匀程度,记为电刷损耗均匀程度,即计算所有电刷在该时刻下的损耗量的方差,具体为:,其中,/>为第n个小时下对应电刷损耗均匀程度,/>为第n个小时下第i根电刷的损耗量,/>为第n个小时下所有电刷损耗量的平均值,r为样本马达内电刷的数量;如果各电刷的损耗量相同,则对应的电刷损耗均匀程度既为0;如果各电刷的损耗量不相同,则电刷损耗均匀程度不为0,电刷损耗均匀程度越大,说明各电刷的损耗量越不均匀。
根据上述过程可以得到样本马达在不同时刻下电刷损耗均匀程度,进而得到样本马达内电刷损耗均匀性序列,记为,其中,/>为第1个小时的电刷损耗均匀程度,/>为第2个小时下的电刷损耗均匀程度,/>为第n个小时下的电刷损耗均匀程度。/>
如果电刷均损耗完后,更换电刷后样本马达中换向器能够继续工作,说明样本马达换向器还没有完全损坏,因此更换完电刷后继续测量数据,即样本马达每次启动工作时的工作特征。
由于换向器寿命磨损主要是在启动阶段,因此本实施例令样本马达每启动5分钟便停机,等待1分钟后重新启动,并记录样本马达每次启动时的启动次数,进而得到各样本马达换向器直至用坏为止的启动次数。本实施例中样本马达从健康到用坏这个过程为该样本马达对应的生命周期,在样本马达的生命周期内可进行多次启动工作。
由于本实施例每次启动五分钟后边便停机,因此每次启动工作时样本马达对应的电流变化序列、电磁辐射值序列和振动加速度序列的时间长度均为五分钟;本实施例中样本马达会启动多次,每次启动工作时都会有一组电流变化序列、振动加速度序列和电磁辐射值序列,以及对应启动工作时电刷损耗均匀程度,本实施例将这一组数据作为一组训练样本;由于启动工作时电刷损耗均匀程度时一小时测量一次,因此每12次启动对应一个启动工作时电刷损耗均匀程度,即每12组训练样本的启动工作时电刷损耗均匀程度是一样的。
本实施例中的各特征的测量频率和重启频率可以根据实际需要进行调整。
步骤S3,根据每一次启动工作时各样本马达对应的外部工作特征,计算每一次启动工作时任意两样本马达之间的外部工作状态近似程度;根据所述外部工作状态近似程度,对每一次启动工作时的各样本马达标记对应的工作状态,得到每一次启动工作时不同外部工作状态对应的各样本马达。
本实施例根据步骤S1获取到了在对应生命周期内每次启动工作时各样本马达对应的外部工作特征,外部工作特征的不同,对样本马达换向器的影响也不同,本实施例对每次启动工作时各样本马达的外部工作特征进行分析,进而对不同外部工作情况下的样本马达换向器寿命进行预测,本实施例以任一启动工作时的各样本马达的外部工作情况进行分组,便于对不同外部情况下的样本马达换向器寿命进行分析,具体为:
首先根据该次启动工作时各样本马达的外部工作特征,得到各样本马达之间的外部工作状态近似程度,例如利用第一次启动工作时各样本马达对应的外部工作特征,计算两两样本马达之间的外部工作状态近似程度。本实施例计算在该次启动工作时任意两个样本马达之间的外部工作状态近似程度的公式具体为:
其中,为第i次启动工作时样本马达/>和样本马达/>之间的工作状态近似程度;为第i次启动工作时样本马达/>对应的电磁辐射值序列;/>为第i次启动工作时样本马达/>对应的电磁辐射值序列;/>为/>与/>之间的余弦相似度,用于比较两个向量,即/>与/>两个电磁辐射值序列之间的相似程度;/>计算的是/>的模和/>的模的差的绝对值,即两者越相似,则绝对值越小,/>越大;e为自然常数;/>为第i次启动工作时样本马达/>对应的电流变化序列,/>为第i次启动工作时样本马达/>对应的电流变化序列;/>为动态时间规整函数,用于表示两个变化序列的相似情况,当在该次启动工作时样本马达/>与样本马达/>的电流变化越接近时,/>越小,进而使得/>越大,说明样本马达/>与样本马达/>的外部工作情况越相似;/>为修正系数,本实施例为了能将外部工作状态相似性的范围进一步缩小,加入了一个大于1的修正系数,这样外部工作状态相似性函数的下落速度会更快,从而扩大了电流变化序列间的差异。
所述任意两个样本马达在该次启动工作时的外部工作状态近似程度反映的是两个样本马达之间的外部工作状态的相似度。本实施例根据上式可以计算得到在该次启动过程中任意两个样本马达之间的外部工作状态近似程度,即在该次启动工作时,一个样本马达分别与其余各样本马达分别对应一个外部工作状态近似程度,因此一个样本马达对应多个外部工作状态的近似程度。
然后,本实施例对该次启动工作时的各样本马达标记对应的外部工作状态,每一个样本马达都会对应一个外部工作状态,且不同的外部工作状态下会有多个样本马达,即多个属于同一外部工作状态的样本马达,具体为:
首先本实施例根据各样本马达对应的各外部工作状态近似程度,计算每个样本马达与其他样本马达的外部工作状态差异距离之和,记为外部工作状态差异,即,其中/>为在该次启动工作时样本马达/>对应的外部工作状态差异,/>为各样本马达中除了样本马达/>之外的其他任一样本马达,/>为样本马达/>与样本马达X之间的外部工作状态相似性,因此/>为样本马达/>与样本马达X之间的差异值,/>为样本马达/>与其他样本马达的外部工作状态的差异值之和,即样本马达/>对应的外部工作状态差异。
本实施例根据此过程可以计算出在该启动工作时各样本马达的外部工作状态差异,然后根据各样本马达对应的外部工作状态差异对各样本马达标记对应的外部工作状态,本实施例采用DBSCAN密度聚类获取该启动工作时的各样本对应的外部工作状态,本实施例将搜索半径r设置为0.05,具体可根据实际需要进行设置;由此可以得到该次启动工作时的多个不同分组,每个分组对应一个外部工作状态,然后对各组内的马达标记对应的外部工作状态。
步骤S4,根据所述不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度。
本实施例考虑到外部工作状态对样本马达换向器的影响有限,但并非没有影响,因此本实施例进一步结合样本马达的内部因素对其寿命进行分析;但是由于不同的外部工作状态下的样本马达,其对应的内部工作特征对样本马达换向器的影响也会有所差异,本实施例又对该次启动工作时不同外部工作状态下的样本马达的内部工作状态进行分析,以得到各样本马达在该次启动工作时的健康程度,所述健康程度可以在一定程度上反映样本马达换向器的寿命;本实施例中步骤S4所述的该次启动工作与步骤S3所述的任一启动工作一致,即以获取任一启动工作时的各样本马达的健康程度为例进行分析,具体为:
考虑到样本马达中换向器如果损坏,其马达振动均匀程度和电刷损耗均匀程度均会表现出差异,因此本实施例分别对该次启动工作时的各组内的各样本马达的内部工作特征进行分析,通过将各组内的各样本马达对应的内部工作特征与对应外部工作状态下标准马达的内部工作特征进行对比,进而对该次启动工作时的各样本马达换向器的质量作出评价,即得到各样本马达对应的健康程度,所述各样本马达的内部工作特征已经在步骤S2中获取得到。本实施例中标准马达为换向器未受损的样本马达,其在不同外部工作状态下的内部工作特征均经过测量得到,因此其对应的内部工作特征是确定的,可以作为评判样本马达换向器是否健康的依据。
本实施例首先对该启动状态时各组内的各样本马达对应的内部工作特征与对应外部工作状态下标准马达的内部工作特征进行比较,计算出在该次启动工作时各样本马达的健康程度,具体公式为:
其中,为第i次启动工作时样本马达/>的健康程度,可以在一定程度上反映样本马达换向器的寿命,即该样本马达的剩余启动次数;/>为第i次启动工作时样本马达/>对应的电刷损耗均匀程度,/>为标准马达,/>为在第i次启动工作时样本马达/>所属的外部工作状态下/>对应电刷损耗均匀程度,/>为第i次启动工作时样本马达/>对应的马达振动均匀程度,/>为在第i次启动工作时样本马达/>所属的外部工作状态下/>对应马达振动均匀程度。为第i次启动工作时样本马达/>与标准马达/>对应的马达振动均匀程度之间的相似度,其差值越小,则/>越趋近于1。
步骤S5,利用各样本马达在每次启动工作时对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,得到训练好的目标预测网络;将待检测马达在最近一次启动工作时的外部工作特征和内部工作特征输入到训练好的目标预测网络中,预测待检测马达换向器的寿命,所述寿命为换向器的剩余启动次数。
本实施例分别对在对应生命周期内每次启动工作时的各样本马达的健康程度进行计算,其计算过程与步骤S3和步骤S4一致,例如,本实施例首先对第1次启动工作时的各样本马达的健康程度计算,得到各样本马达启动一次时的健康程度;然后对第2次启动工作时的各样本马达的健康程度计算,得到各样本马达启动两次时的健康程度,依次类推,直达样本马达用坏为止,各样本马达用坏后可获得各样本马达的一共启动次数,即各样本马达的总寿命。
本实施例将同一次启动工作时的各样本马达作为一批训练样本,通过每一批训练样本中各样本马达对应的内部工作特征、外部工作特征和剩余启动次数对目标预测网络进行训练,得到训练好的目标预测网络,所述剩余启动次数是通过各样本马达启动次数和对应的总寿命得到。
本实施例中训练目标预测网络的损失函数为均方误差损失函数,并且将训练样本中各样本马达对应的健康程度与外部工作状态差异作为损失函数的权重与均方误差损失函数相乘,得到各训练样本对应的目标损失函数;将各训练样本对应的目标损失函数相加,得到最终损失函数;本实施例中参与训练的健康程度与外部工作状态差异为归一化后的结果。
本实施例中目标预测网络可采用TCN网络,所述TCN网络为现有技术,就不再赘述,作为其他实施方式本实施例还可以使用LSTM网络、RNN网络等。
最后本实施例将获取到的待检测马达在当前启动工作过程中的内部工作特征和外部工作特征,将其内部工作特征和外部工作特征输入到训练好的目标预测网络中,预测待检测马达换向器的寿命,即剩余启动次数。
本实施例首先对每次启动工作时各样本马达对应的外部工作特征进行分析,为对应启动工作时的各样本马达进行分组,然后对每次启动工作时的各组内的各样本马达的内部工作特征进行分析,计算得到每次启动工作时各样本马达对应的健康程度,最后利用每次启动工作时各样本马达对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,得到训练好的目标预测网络;本实施例将待检测马达在当前启动工作时的外部工作特征和内部工作特征输入到训练好的目标预测网络中,来预测该样本马达换向器的寿命。本实施例克服了基于人工主观的方式对待检测马达换向器寿命预测时出现的准确性差的问题,采用了一种自动化的预测方法对待检测马达换向器寿命进行预测,比较客观,提高了对马达换向器寿命预测的准确性。
需要说明的是:以上所述仅为本发明的较佳实施例的,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种启动马达高强度换向器寿命预测方法,其特征在于,该方法包括以下步骤:
获取在对应生命周期内每次启动工作时各样本马达对应的外部工作特征,所述外部工作特征包括电流变化序列和电磁辐射值序列;所述样本马达与待检测马达是同一种规格型号的马达;
获取在对应生命周期内每次启动工作时各样本马达对应内部工作特征,所述内部工作特征包括马达振动均匀程度和电刷损耗均匀程度;
根据每一次启动工作时各样本马达对应的外部工作特征,计算每一次启动工作时任意两样本马达之间的外部工作状态近似程度;根据所述外部工作状态近似程度,对每一次启动工作时的各样本马达标记对应的外部工作状态,得到每一次启动工作时不同外部工作状态对应的各样本马达;
根据所述不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度;
利用各样本马达在每次启动工作时对应的外部工作特征、内部工作特征和健康程度对目标预测网络进行训练,得到训练好的目标预测网络;将待检测马达在最近一次启动工作时的外部工作特征和内部工作特征输入到训练好的目标预测网络中,预测待检测马达换向器的寿命,所述寿命为换向器的剩余启动次数。
3.根据权利要求1所述的一种启动马达高强度换向器寿命预测方法,其特征在于,根据所述外部工作状态近似程度,对每一次启动工作时的各样本马达标记对应的外部工作状态,得到每一次启动工作时不同外部工作状态对应的各样本马达,包括:
对于任一一次启动工作时的各样本马达:
根据在该启动工作时各样本马达对应的各外部工作状态近似程度,计算每个样本马达与其他样本马达之间的外部工作状态差异距离之和,得到各样本马达对应的外部工作状态差异;
根据各样本马达对应的外部工作状态差异,对该次启动工作时的各样本马达标记对应的外部工作状态,得到该次启动工作时不同外部工作状态对应的各样本马达。
4.根据权利要求1所述的一种启动马达高强度换向器寿命预测方法,其特征在于,所述根据所述不同外部工作状态对应的各样本马达对应的内部工作特征,计算每一次启动工作时各样本马达对应的健康程度,包括:
对于任一一次启动工作时各样本马达:
获取标准马达在不同外部工作状态下对应的内部工作特征,所述标准马达为换向器未受损的马达;
计算不同外部工作状态对应的各样本马达的内部工作特征与标准马达在对应外部工作状态下的内部工作特征的近似度,得到不同外部工作状态对应的各样本马达对应的健康程度。
6.根据权利要求1所述的一种启动马达高强度换向器寿命预测方法,其特征在于,获取每次启动工作时样本马达的马达振动均匀程度,包括:
利用相对振动传感器采集在每次启动工作时样本马达的振动变化序列;
根据每次启动工作时样本马达的振动变化序列,得到每次启动工作时对应的振动加速度序列;
计算每次启动工作时样本马达对应的振动加速度序列的标准差,得到每次启动工作时样本马达的马达振动均匀程度。
7.根据权利要求1所述的一种启动马达高强度换向器寿命预测方法,其特征在于,获取电刷损耗均匀程度的方法,包括:
根据预设时间间隔,获取各时刻下样本马达内各电刷的损耗量,构建各电刷对应的损耗量序列;
根据样本马达内各电刷对应的损耗量序列,计算在同一时刻下各电刷损耗量的方差,得到样本马达在任意时刻下的电刷损耗均匀程度;
所述预设时间间隔中每次启动工作时样本马达对应的电刷损耗均匀程度为对应时刻下的电刷损耗均匀程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245022.5A CN115329283B (zh) | 2022-10-12 | 2022-10-12 | 一种启动马达高强度换向器寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245022.5A CN115329283B (zh) | 2022-10-12 | 2022-10-12 | 一种启动马达高强度换向器寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115329283A CN115329283A (zh) | 2022-11-11 |
CN115329283B true CN115329283B (zh) | 2023-03-28 |
Family
ID=83913713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245022.5A Active CN115329283B (zh) | 2022-10-12 | 2022-10-12 | 一种启动马达高强度换向器寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329283B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702510B (zh) * | 2023-08-01 | 2023-10-20 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
CN116713373B (zh) * | 2023-08-10 | 2023-10-31 | 聊城市誉林工业设计有限公司 | 基于量产工业数据分析的换向片冲压工艺力补偿系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841078A (zh) * | 2022-05-26 | 2022-08-02 | 重庆大学 | 一种轴承剩余使用寿命的预测方法及系统 |
CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636927A (zh) * | 2022-03-01 | 2022-06-17 | 深圳市创佳兴电子有限公司 | 一种基于大数据的马达运行故障预测系统 |
-
2022
- 2022-10-12 CN CN202211245022.5A patent/CN115329283B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841078A (zh) * | 2022-05-26 | 2022-08-02 | 重庆大学 | 一种轴承剩余使用寿命的预测方法及系统 |
CN115098962A (zh) * | 2022-06-16 | 2022-09-23 | 江苏理工学院 | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115329283A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115329283B (zh) | 一种启动马达高强度换向器寿命预测方法 | |
KR101665698B1 (ko) | 회전자 블레이드 상태를 모니터하는 시스템 및 방법 | |
CN114781552B (zh) | 电机性能测试方法、装置、设备及存储介质 | |
CN105866250B (zh) | 基于振动的通风机叶片裂纹识别方法 | |
JP4458815B2 (ja) | 高温計信号と関連させてニューラルネットワーク利用診断技法を使用してタービンブレード(バケット)の健康状態を監視し、予後を診断する方法 | |
CN110672332B (zh) | 一种基于sarima模型的燃气轮机故障预警系统 | |
CN112578298B (zh) | 电池温度估算方法、装置、电子设备及存储介质 | |
US20210208021A1 (en) | Multi-Scale Real-time Monitoring and Analysis Method for Mechanical Seal | |
KR20230041791A (ko) | 전지 상태 판정 방법 및 전지 상태 판정 장치 | |
CN114325199B (zh) | 一种超级电容器内阻检测方法、装置及存储介质 | |
JPH10160646A (ja) | 構造部材の疲労寿命予測方法 | |
CN109783832B (zh) | 一种基于贝叶斯修正的液压泵性能退化建模方法 | |
JP2001174380A (ja) | 構造部材の余寿命予測方法およびこの方法に用いる構造部材の余寿命予測装置 | |
CN113607580A (zh) | 一种金属构件疲劳试验方法及剩余寿命预测方法 | |
CN105824727A (zh) | 芯片运行状态监测系统及监测方法 | |
CN112034048A (zh) | 基于多重频响函数估计的梁类结构裂纹定位方法 | |
CN111947350A (zh) | 除霜控制方法、除霜控制系统及空气源热泵装置 | |
CN116522514A (zh) | 一种电机性能测试方法及系统 | |
CN111751754A (zh) | 可再充电电池特性检测设备、检测方法和车辆 | |
CN116340851B (zh) | 一种推进电机的生产质量检测系统 | |
CN118032395B (zh) | 基于温度检测的超低温冷柜储藏效果测评方法和系统 | |
CN117093821B (zh) | 一种洗衣机能效、水效测定系统和方法 | |
CN114626162B (zh) | 一种接触球轴承损耗程度定量识别方法 | |
CN111044167B (zh) | 一种电容芯温的确定方法及装置 | |
CN115907164B (zh) | 一种基于寿命预测的设备组件管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |