CN115840917A - 一种电机温升预测方法 - Google Patents

Abstract

本发明公开了一种电机温升预测方法，包括以下步骤：过滤数据噪声以得到准确电机数据；处理电机数据并划分训练集和测试集；搭建CNN‑LSTM‑attention模型；添加池化层和dropout降低数据量并避免过拟合；将数据输入LSTM层学习温升数据的时间关系并预测；添加attention以提升模型的预测效果。上述技术方案通过增加小波与卡尔曼滤波算法对电机温升数据进行处理，能够得到较为准确的电机温升数据，避免深度神经网络陷入过拟合，有效提升预测精度。

Description

一种电机温升预测方法

技术领域

本发明涉及电机技术领域，尤其涉及一种电机温升预测方法。

背景技术

随着社会经济的创新和发展，设备变得更加高效与智能，但设备本身维护工作却面临巨大挑战。传统的设备维护方式有两种，一种是故障后维修的事后维修方式，一种是周期性停机维护的预防性维护方式。这两种传统的设备维护方式不仅会造成生产率的降低，尤其是计划之外的生产中断，会对生产商造成一定的经济损失。

近些年来，预测性维护逐渐受到企业的青睐，预测性维护是从预防性维护发展而来的，是更高层次的维护方式。它以设备状态为基础，以预测设备状态发展趋势为依据，通过信息采集、处理、综合分析后有目的安排维护的周期和维护的项目，“该修则修，修必修好”。它和传统的维护方式相比，具有明显的优势。

电机预测性维护在电机运行时，对它的主要部位进行定期(或连续)的状态监测和故障诊断，判定电机所处的状态，预测电机状态未来的发展趋势，依据电机的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定电机应该修理的时间、内容、方式和必需的技术和物资支持。电机预测性维护集电机状态监测、故障诊断、状态预测、维修决策支持和维修活动于一体，是一种新兴的维修方式。

有资料显示，现有的基于电机温升时间序列预测方法使用长短期记忆网络，根据历史温升数据预测出下一个时刻的温度。大部分预测认为取得的电机温升数据没有误差，然而现有的铂热电阻通电就会产生热量，并且永磁电机产生的磁场也会对铂热电阻产生干扰。现场温度波动也会产生较大影响。

中国专利文献CN114021855A公开了一种“基于历史数据的牵引电机温升预测方法”。包括以下步骤：获取牵引电机历史数据，牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，牵引电机历史数据按照一类传感数据为一个字段进行存储；根据所需要的字段对牵引电机历史数据进行处理，得到第一温度特征序列数据；根据预先设置的时间间隔阈值，对第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；按照设定的时间窗口宽度和滑动步长对第二温升特征序列数据进行采样，得到多组温度特征数据；对多组温度特征数据进行划分，得到训练样本数据和测试样本数据；使用训练数据和测试数据对神经网络模型进行训练测试，生成目标神经网络模型。上述技术方案缺少对于数据噪声的优化处理，影响预测结果准确度。

发明内容

本发明主要解决原有的技术方案缺少对于数据噪声的优化处理，影响预测结果准确度的技术问题，提供一种电机温升预测方法，首先使用小波分层与重构技术来过滤掉高频噪声，然后用卡尔曼滤波技术来过滤掉传感器自身的低频噪音，得到接近电机真实温度的数据，随后使用pandas处理数据，划分神经网络的输入值与输出值，并且划分好训练集和测试集，搭建CNN-LSTM-attention模型，将得到的数据输入LSTM层来学习温升数据的时间关系，最后添加attention来学习主要特征，忽略次要特征以提升模型的预测效果，最终得到更加准确的电机温升预测结果。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1过滤数据噪声以得到准确电机数据；

S2处理电机数据并划分训练集和测试集；

S3搭建CNN-LSTM-attention模型；

S4添加池化层和dropout降低数据量并避免过拟合；

S5添加attention以提升模型的预测效果；

S6将数据输入LSTM层学习温升数据的时间关系并预测。

首先使用小波分层与重构技术来过滤掉高频噪声。然后用卡尔曼滤波技术来过滤掉传感器自身的低频噪音。得到的数据可以认为是接近电机真实温度的数据。随后使用pandas处理数据，以10作为窗口长度划分神经网络的输入值与输出值，并且划分好训练集和测试集。搭建CNN-LSTM-attention模型。使用一维CNN来提取序列的特征，添加池化层降低数据量。添加dropout来关闭部分神经元，避免网络陷入过拟合。将得到的数据输入LSTM层来学习温升数据的时间关系，最后添加attention来学习主要特征，忽略次要特征以提升模型的预测效果。

作为优选，所述的步骤S1具体包括：

S1.1采集电机线圈温升数据；

S1.2使用小波分层与重构技术过滤高频噪声；

S1.3使用卡尔曼滤波过滤传感器自身的低频噪音。

采集电机线圈温升数据，每隔30s采集一次，可以同时采集电机的电压，转速以及电流。如果采集电压，转速等是多特征时间序列预测。如果只采集温度，是单特征时间序列预测。部分论文中认为单特征效果更好些。

作为优选，所述的步骤S1.2使用小波分层与重构技术过滤高频噪声具体包括：

对于任意连续函数信号f(t)的小波变换定义为：

的傅里叶变换为

为小波基函数，小波变换包括两个变量：尺度a和平移量τ，尺度a控制小波函数的伸缩，平移量τ控制小波函数的平移，尺度与频率成反比，平移量τ对应时间。

进行Mallat塔式分解算法

对于任意一个函数f(t)∈X，首先对函数进行分解，得到细节部分cd₁，近似部分记为ca₁，然后进一步分解ca₁，并重复上述过程，对信号进行分解与重构，去掉高频部分噪声，重构出信号的趋势。Mallat实现了对信号的分解与重构，去掉高频部分噪声，重构出信号的趋势，本申请采用小波变换去掉传感器信号中包含的高频噪声，实现小波降噪。

作为优选，所述的步骤S1.3使用卡尔曼滤波过滤传感器自身的低频噪音具体包括：

其状态方程与观测方程分别为：

X_k＝C_k丨k-1X_k+W_k-1(k＝1,2,…)

Y_k＝M_kX_k+V_k(k＝1,2,…)

其中，X_k,Y_k分别为t_k时刻的状态矢量与观测矢量；C_k丨k-1为从t_k-1时刻到t_k时刻的状态转移矩阵；M_k为观测矩阵；W_k-1,V_k分别为系统噪声矢量与观测噪声矢量；

设定

其中，Q_k，R_k分别为系统噪声方差矩阵和观测噪声方差矩阵；δ_kj为狄拉克函数，当k＝j时，δ_kj＝1，否则δ_kj＝0；E为数学期望，C_ov为协方差；

若t_k时刻的观测量Y_k已知，根据随机离散系统的卡尔曼递推公式得到对X_k的最优估计

进行递推计算：

其中

P_k＝(I-K_kM_k)P_k丨k-1

其中，

为t_k-1时刻到t_k时刻的一步估计值；K_k为t_k的卡尔曼增益矩阵；P_k为t_k的状态估计误差协方差矩阵；P_k丨k-1为t_k-1时刻到t_k时刻的一步估计误差协方差矩阵。卡尔曼滤波是一种综合理论计算与传感器数值的滤波算法，适应于数据量大并且非平稳序列的时间序列滤波。

作为优选，所述的步骤S2具体包括，使用pandas处理数据，以10作为窗口长度划分神经网络的输入值与输出值，并且划分好训练集和测试集，设定训练集测试集比例为0.8：0.2，对划分后的数据集进行归一化处理：

Xscaled＝(X-Xmin/Xmax-Xmin)*(Xmax-Xmin)+Xmin

其中，Xscaled为归一化后的数据，Xmax为最大值Xmin为最小值。

作为优选，所述的步骤S3搭建的CNN-LSTM-attention模型包括1个卷积层、1个池化层、1个softmax分类层、1个LSTM层与1个线性层。

作为优选，所述的步骤S4使用一维CNN提取序列的特征，添加池化层降低数据量，

CNN-LSTM-attention中一维卷积公式为：

其中，H_i为第i层输入特征；

为卷积运算，W_i和b_i分别代表第i层卷积核的权值和对应的偏置，f代表激活函数；

池化层计算公式：

H_i＝maxpool(H_i-1)

其中，H_i-1与H_i分别表示池化前与池化后的特征数量，maxpool表示最大池化。卷积核大小选为1X3，LSTM隐藏节点选为10，输出线性层包含10个单元，优化算法选为Adam，设置学习率为0.001。

作为优选，所述的步骤S5添加attention以提升模型的预测效果，通道注意力机制表达式如下：

W＝f(a(h_t))

其中，h_t表示t时刻的输出，a表示对h_t进行相似性计算，f表示归一化，T表示LSTM输出特征的集合，c表示加权后的特征量，W表示每个特征的权重。

作为优选，所述的步骤S6将数据输入LSTM层学习温升数据的时间关系并预测，LSTM层包括：

遗忘门：

f_t＝σ(W_f*[h_t-1,X_t]+b_f)

输入门：

i_t＝σ(W_i*[h_t-1,X_t]+b_i)

记忆单元：

C_t＝tanh(W_c*[h_t-1,X_t]+b_c)

输出门：

O_t＝σ(W_o*[h_t-1,X_t]+b_o)

隐藏状态：

h_t＝o_t*tanh(C_t)

其中，f_t，i_t，O_t代表三个门控计算结果，X_t为t时刻输入，h_t为t时刻输出，C_t为t时刻细胞状态，W_f，W_i，W_o分别代表三个门的权重，b_f，b_i，b_o代表对应的偏置，W_c与b_c代表细胞状态的权重与偏置。

本发明的有益效果是：首先使用小波分层与重构技术来过滤掉高频噪声，然后用卡尔曼滤波技术来过滤掉传感器自身的低频噪音，得到接近电机真实温度的数据，随后使用pandas处理数据，划分神经网络的输入值与输出值，并且划分好训练集和测试集，搭建CNN-LSTM-attention模型，将得到的数据输入LSTM层来学习温升数据的时间关系，最后添加attention来学习主要特征，忽略次要特征以提升模型的预测效果，最终得到更加准确的电机温升预测结果。

附图说明

图1是本发明的一种流程图。

图2是本发明的一种小波阈值去噪过程图。

图3是本发明的一种小波分解重构过程图。

图4是本发明的一种小波降噪处理后的数据图。

图5是本发明的一种小波分析得到的高频噪声信号图

图6是本发明的一种卡尔曼滤波处理结果图。

图7是本发明的一种一维卷积示意图。

图8是本发明的一种LSTM网络结构图。

图9是本发明的一种使用LSTM进行时间序列预测图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种电机温升预测方法，如图1所示，包括以下步骤：

S1采集电机数据；

采集电机线圈温升数据，每隔30s采集一次。

可以同时采集电机的电压，转速以及电流。如果采集电压，转速等是多特征时间序列预测。如果只采集温度，是单特征时间序列预测。部分论文中认为单特征效果更好些。

S2使用小波分层与重构技术来过滤掉高频噪声；

如图2所示对于任意连续函数信号f(t)的小波变换定义为：

其中，

的傅里叶变换为/>

其中，

被称为小波基函数，小波变换有两个变量：尺度a和平移量τ，尺度a控制小波函数的伸缩，平移量τ控制小波函数的平移。尺度就对应于频率(反比)，平移量τ就对应于时间。

对于多分辨分析，有以下定义：

如图3所示，由上可知，对于任意一个函数f(t)∈X，首先对函数进行分解，得到细节部分cd₁，近似部分记为ca₁，然后进一步分解ca₁.重复上述过程，这就是Mallat塔式分解算法。Mallat实现了对信号的分解与重构，去掉高频部分噪声，重构出信号的趋势。本文采用小波变换去掉传感器信号中包含的高频噪声，实现小波降噪。图中ca3即为重构后得到的近似信号，小波分解重构过程如图4所示，小波分析得到的高频噪声信号如图5所示。

S3用卡尔曼滤波技术来过滤掉传感器自身的低频噪音；

卡尔曼滤波是一种综合理论计算与传感器数值的滤波算法，适应于数据量大并且非平稳序列的时间序列滤波。根据文献推导，可知其状态方程与观测方程分别为：

X_k＝C_k丨k-1X_k+W_k-1(k＝1,2,…)

Y_k＝M_kX_k+V_k(k＝1,2,…)

式中，X_k,Y_k分别为t_k时刻的状态矢量与观测矢量；C_k丨k-1为从t_k-1时刻到t_k时刻的状态转移矩阵；M_k为观测矩阵；W_k-1,V_k分别为系统噪声矢量与观测噪声矢量。

对于系统噪声和观测噪声两个序列，我们可以做出如下假设：

上式中，Q_k，R_k分别为系统噪声方差矩阵和观测噪声方差矩阵；δ_kj为狄拉克函数，当k＝j时，δ_kj＝1，否则δ_kj＝0；E为数学期望，C_ov为协方差。

若果我们已知了t_k时刻的观测量Y_k,那么根据随即离散系统的卡尔曼递推公式我们可以得到对X_k的最优估计

进行递推计算：

其中

P_k＝(I-K_kM_k)P_k丨k-1

上式中：

为t_k-1时刻到t_k时刻的一步估计值；K_k为t_k的卡尔曼增益矩阵；P_k为t_k的状态估计误差协方差矩阵；P_k丨k-1为t_k-1时刻到t_k时刻的一步估计误差协方差矩阵，原始数据以及小波分解的重构结果如图6所示。

S4使用pandas处理数据，以10作为窗口长度划分神经网络的输入值与输出值，并且划分好训练集和测试集；

训练集测试集比例为0.8：0.2

对划分后的数据集进行归一化处理

Xscaled＝(X-X.min/X.max-X.min)*(Xmax-Xmin)+Xmin

Xscaled：归一化后的数据X.max：最大值X.min：最小值

S5搭建CNN-LSTM-attention模型；

CNN-LSTM—attention网络由1个卷积层，1个池化层，1个softmax分类层，1个LSTM层与1个线性层组成。

S6使用一维CNN来提取序列的特征，添加池化层降低数据量；

一维卷积示意图如图7所示。

CNN-LSTM-attention中一维卷积公式为

其中，H_i为第i层输入特征；

为卷积运算，W_i和b_i分别代表第i层卷积核的权值和对应的偏置；f代表激活函数。卷积核大小选为1X3，LSTM隐藏节点选为10，输出线性层包含10个单元。优化算法选为Adam，设置学习率为0.001。

池化层计算公式：

H_i＝maxpool(H_i-1)

其中，H_i-1与H_i分别表示池化前与池化后的特征数量，这里面maxpool表示最大池化。

S7添加dropout来关闭部分神经元，避免网络陷入过拟合；

S8添加attention以提升模型的预测效果

通道注意力机制，表达式如下所示：

W＝f(a(h_t))

其中，h_t代表t时刻的输出，a表示对h_t进行相似性计算，f表示归一化，T表示LSTM输出特征的集合，c表示加权后的特征量，W表示每个特征的权重。

S9将得到的数据输入LSTM层来学习温升数据的时间关系；

将数据输入LSTM层学习温升数据的时间关系并预测，如图8所示，LSTM层包括：

遗忘门：f_t＝σ(W_f*[h_t-1,X_t]+b_f)

输入门：i_t＝σ(W_i*[h_t-1,X_t]+b_i)

记忆单元：C_t＝tanh(W_c*[h_t-1,X_t]+b_c)

输出门：O_t＝σ(W_o*[h_t-1,X_t]+b_o)

隐藏状态：h_t＝o_t*tanh(C_t)

其中，f_t，i_t，O_t代表三个门控计算结果，X_t为t时刻输入，h_t为t时刻输出，C_t为t时刻细胞状态，W_f，W_i，W_o分别代表三个门的权重，b_f，b_i，b_o代表对应的偏置。W_c与b_c代表细胞状态的权重与偏置。使用LSTM进行时间序列预测结果如图9所示。

具体实施例

实现环境：Pytorch

传感器型号：PT100

步骤：搭载实验平台，每隔30s收集温升实验数据，保存到excel中。使用pandas对数据进行处理。使用db4小波对数据进行三层分解，过滤高频噪声。剩下的数据重构出近似的温升数据。然后进行卡尔曼滤波过滤掉传感器自身的低频噪声。处理后的数据确定时间序列长度，时间窗口长度选取为10，划分出image与labels。选取比例为0.2划分训练集与测试集。构建CNN-LSTM-attention网络，卷积层选取一层，卷积核长度选取为1。

池化层选取一层为最大池化。然后选取LSTM隐含层为1层，最后添加线性层。使用训练集进行训练，在测试集上测试预测效果。评价效果选取RMSE与MPE

MSE：均方误差是真实值与预测值的插值的平方然后求和平均

RMSE：均方根误差均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根。

衡量的是预测值与真实值之间的偏差，并且对数据中的异常值较为敏感。

经过以上算法结果RMSE为0.22算法取得比较好的预测效果。

Claims (9)

1.一种电机温升预测方法，其特征在于，包括以下步骤：

S1过滤数据噪声以得到准确电机数据；

S2处理电机数据并划分训练集和测试集；

S3搭建CNN-LSTM-attention模型；

S4添加池化层和dropout降低数据量并避免过拟合；

S5添加attention以提升模型的预测效果；

S6将数据输入LSTM层学习温升数据的时间关系并预测。

2.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S1具体包括：

S1.1采集电机线圈温升数据；

S1.2使用小波分层与重构技术过滤高频噪声；

S1.3使用卡尔曼滤波过滤传感器自身的低频噪音。

3.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S1.2使用小波分层与重构技术过滤高频噪声具体包括：

对于任意连续函数信号f(t)的小波变换定义为：

的傅里叶变换为

为小波基函数，小波变换包括两个变量：尺度a和平移量τ，尺度a控制小波函数的伸缩，平移量τ控制小波函数的平移，尺度与频率成反比，平移量τ对应时间。

进行Mallat塔式分解算法

对于任意一个函数f(t)∈X，首先对函数进行分解，得到细节部分cd₁，近似部分记为ca₁，然后进一步分解ca₁，并重复上述过程，对信号进行分解与重构，去掉高频部分噪声，重构出信号的趋势。

4.根据权利要求2所述的一种电机温升预测方法，其特征在于，所述步骤S1.3使用卡尔曼滤波过滤传感器自身的低频噪音具体包括：

其状态方程与观测方程分别为：

X_k＝C_k/k-1X_k+W_k-1(k＝1，2，...)

Y_k＝M_kX_k+V_k(k＝1，2，...)

其中，X_k，Y_k分别为t_k时刻的状态矢量与观测矢量；C_k/k-1为从t_k-1时刻到t_k时刻的状态转移矩阵；M_k为观测矩阵；W_k-1，V_k分别为系统噪声矢量与观测噪声矢量；

设定

其中，Q_k，R_k分别为系统噪声方差矩阵和观测噪声方差矩阵；δ_kj为狄拉克函数，当k＝j时，δ_kj＝1，否则δ_kj＝0；E为数学期望，C_ov为协方差；

若t_k时刻的观测量Y_k已知，根据随机离散系统的卡尔曼递推公式得到对X_k的最优估计

进行递推计算：

其中

P_k＝(I-K_kM_k)P_k/k-1

其中，

为t_k-1时刻到t_k时刻的一步估计值；K_k为t_k的卡尔曼增益矩阵；P_k为t_k的状态估计误差协方差矩阵；P_k/k-1为t_k-1时刻到t_k时刻的一步估计误差协方差矩阵。

5.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S2具体包括，使用pandas处理数据，以10作为窗口长度划分神经网络的输入值与输出值，并且划分好训练集和测试集，设定训练集测试集比例为0.8：0.2，对划分后的数据集进行归一化处理：

Xscaled＝(X-Xmin/Xmax-Xmin)*(Xmax-Xmin)+Xmin

其中，Xscaled为归一化后的数据，Xmax为最大值Xmin为最小值。

6.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S3搭建的CNN-LSTM-attention模型包括1个卷积层、1个池化层、1个softmax分类层、1个LSTM层与1个线性层。

7.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S4使用一维CNN提取序列的特征，添加池化层降低数据量，

CNN-LSTM-attention中一维卷积公式为：

其中，H_i为第i层输入特征；

为卷积运算，W_i和b_i分别代表第i层卷积核的权值和对应的偏置，f代表激活函数；

池化层计算公式：

H_i＝maxpool(H_i-1)

其中，H_i-1与H_i分别表示池化前与池化后的特征数量，maxpool表示最大池化。

8.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S5添加attention以提升模型的预测效果，通道注意力机制表达式如下：

W＝f(a(h_t))

其中，h_t表示t时刻的输出，a表示对h_t进行相似性计算，f表示归一化，T表示LSTM输出特征的集合，c表示加权后的特征量，W表示每个特征的权重。

9.根据权利要求1所述的一种电机温升预测方法，其特征在于，所述步骤S6将数据输入LSTM层学习温升数据的时间关系并预测，LSTM层包括：

遗忘门：

f_t＝σ(W_f*[h_t-1，X_t]+b_f)

输入门：

i_t＝σ(W_i*[h_t-1，X_t]+b_i)

记忆单元：

C_t＝tanh(W_c*[h_t-1，X_t]+b_c)

输出门：

O_t＝σ(W_o*[h_t-1，X_t]+b_o)

隐藏状态：

h_t＝o_t*tanh(C_t)

其中，f_t，i_t，O_t代表三个门控计算结果，X_t为t时刻输入，h_t为t时刻输出，C_t为t时刻细胞状态，W_f，W_i，W_o分别代表三个门的权重，b_f，b_i，b_o代表对应的偏置，W_c与b_c代表细胞状态的权重与偏置。

Images