CN116701973A - 基于大数据的电机异常振动检测预警方法 - Google Patents

Abstract

本发明涉及电机异常预警技术领域，具体涉及基于大数据的电机异常振动检测预警方法。方法包括：基于历史时间段内的电压和电流获得各数据点；基于数据点之间的相对距离确定对应的聚集程度；根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点；基于非目标数据点与子区域的相对位置获得各特征区域；基于各特征区域中的代表点对数据点进行聚类获得训练数据，进而获得训练好的预测模型；基于当前时间段内的电压、电流和训练好的预测模型获得电压预测值和电流预测值，进而判断是否进行预警。本发明提高了电机异常预警的可信度。

Description

基于大数据的电机异常振动检测预警方法

技术领域

本发明涉及电机异常预警技术领域，具体涉及基于大数据的电机异常振动检测预警方法。

背景技术

电机是一种将电能转换为机械能的装置，是现代机械化生产的重要组成部分，被广泛应用于工业、制造业、医疗设备等领域。电机作为各种生产过程中的主要驱动设备，其运行状态直接影响着生产效率，当电机的振动出现异常时，生产效率较低，因此需要对电机进行故障检测与预警，以及时发现并修复电机故障，提高电机的安全性和使用寿命，减少电机停机带来的经济损失，并降低维护成本。

在电机的正常运行过程中，其检测数据会受到多种因素的干扰，如电缆电磁波辐射、电磁干扰等，导致采集到的数据中存在大量的异常数据，直接基于采集到的数据训练预测模型，干扰和噪声产生的异常数据会影响预测模型的预测效果，降低电机异常振动检测预警的准确度和可信度，进而可能会导致后续对电机故障检测的误判。

发明内容

为了解决现有方法在采集到的数据中存在异常数据，从而影响电机异常预警的准确度和可信度，进而导致对电机异常振动检测预警的误判的问题，本发明的目的在于提供一种基于大数据的电机异常振动检测预警方法，所采用的技术方案具体如下：

本发明提供了一种基于大数据的电机异常振动检测预警方法，该方法包括以下步骤：

获取历史时间段和当前时间段内各采集时刻电机的电压和电流；基于历史时间段内各采集时刻电机的电压和电流获得各数据点；

基于数据点之间的相对距离确定各数据点对应的聚集程度；基于所述聚集程度确定目标数据点和非目标数据点；对所有目标像素点进行聚类获得各子区域；根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点；

基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应子区域中获得各特征区域；基于各特征区域中的代表点对所有数据点进行聚类获得训练数据；基于所述训练数据对预测模型进行训练获得训练好的预测模型；

基于当前时间段内的电压、电流和训练好的预测模型获得未来时刻的电压预测值和电流预测值；根据所述电压预测值和电流预测值判断是否进行预警。

优选的，所述基于数据点之间的相对距离确定各数据点对应的聚集程度，包括：

对于第i个数据点：

获取第i个数据点与其他各数据点之间的距离；

若第i个数据点与其他数据点之间的距离小于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第一数值；若第i个数据点与其他数据点之间的距离大于或等于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第二数值；

将第i个数据点与其他所有数据点的特征值的和值，确定为第i个数据点对应的聚集程度。

优选的，所述基于历史时间段内各采集时刻电机的电压和电流获得各数据点，包括：

将历史时间内各采集时刻对应的电压的归一化结果作为数据点的横坐标，将历史时间段内各采集时刻对应的电流的归一化结果作为数据点的纵坐标，获得各数据点。

优选的，所述根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点，包括：

对于第j个子区域内的第v个目标数据点：

计算第v个目标数据点的邻域内所有目标数据点对应的聚集程度的均值；将第v个目标数据点对应的聚集程度与所述聚集程度的均值的乘积，确定为第v个目标数据点对应的区域密集度；

分别计算第j个子区域内所有目标数据点横坐标的均值、纵坐标的均值、横坐标的标准差、纵坐标的标准差；将第v个目标数据点的横坐标与所述横坐标的均值之间的差异记为横坐标差异，将第v个目标数据点的纵坐标与所述纵坐标的均值之间的差异记为纵坐标差异；根据所述横坐标差异、所述纵坐标差异、所述横坐标的标准差和所述纵坐标的标准差，计算第v个目标数据点对应的数值偏离度；

根据所述区域密集度和所述数值偏离度，得到第v个目标数据点对应的分布相似度，所述区域密集度与所述分布相似度呈正相关关系，所述数值偏离度与所述分布相似度呈负相关关系；

根据第j个子区域内目标数据点的位置分布和对应的分布相似度，确定第j个子区域内的代表点。

优选的，采用如下公式计算第v个目标数据点对应的数值偏离度：

其中，为第v个目标数据点对应的数值偏离度，/>为第v个目标数据点的横坐标，为第v个目标数据点所在的子区域内所有目标数据点横坐标的均值，/>为第v个目标数据点的纵坐标，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的均值，/>为第v个目标数据点所在的子区域内所有目标数据点横坐标的标准差，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的标准差，/>为预设电压差异值，/>为预设电流差异值，/>为预设调整参数，max( )为取最大值函数，| |为取绝对值符号。

优选的，根据第j个子区域内目标数据点的位置分布和对应的分布相似度，确定第j个子区域内的代表点，包括：

对于第j个子区域：

将第j个子区域的中心点作为特征点，分别将第j个子区域内各目标数据点与所述特征点之间的距离记为对应目标数据点所对应的第一距离；将各目标数据点所对应的第一距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；将第j个子区域内最大的权重对应的目标数据点作为代表点；

将代表点作为新特征点，分别将第j个子区域内除代表点外的其他目标数据点与新特征点之间的距离记为对应目标数据点所对应的第二距离；将各目标数据点所对应的第二距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；将第j个子区域内除代表点外的最大的权重对应的目标数据点作为新代表点；按照上述确定新代表点的步骤，以此类推，不断确定新代表点，直到第j个子区域内代表点的数量达到预设第二数量阈值时为止，获得第j个子区域内的代表点。

优选的，所述基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应子区域中获得各特征区域，包括：

分别将各非目标数据点划分到与其距离最近的子区域中，获得各特征区域。

优选的，所述基于所述聚集程度确定目标数据点和非目标数据点，包括：

基于所述聚集程度，从所述数据点中获取预设第一数量个数据点确定为目标数据点，将所有数据点中除所述目标数据点外的其他数据点确定为非目标数据点；每个目标数据点的所述聚集程度大于所有非目标数据点的所述聚集程度。

优选的，所述基于各特征区域中的代表点对所有数据点进行聚类获得训练数据，包括：

基于各特征区域中的代表点采用CURE算法对所有数据点进行聚类获得各聚类簇；

分别计算各聚类簇对应的类内方差以及所有聚类簇对应的类间方差；将常数1与各聚类簇对应的类内方差的和值记为各聚类簇的第一特征值，将所述类间方差与所述各聚类簇的第一特征值的比值作为各聚类簇的异常程度；

基于所述异常程度，从聚类簇中选取预设第三数量个聚类簇，将选取的聚类簇中的数据点对应的电压和电流作为训练数据，其中，选取的聚类簇的所述异常程度大于所有未选取的聚类簇的异常程度。

优选的，所述根据所述电压预测值和电流预测值判断是否进行预警，包括：

判断所述电压预测值和所述电流预测值是否满足预设条件，若满足，则进行预警；若不满足，则不进行预警；所述预设条件为：所述电压预测值与额定电压之间的差异大于额定电压的预设比例，且所述电流预测值与额定电流之间的差异大于额定电流的预设比例。

本发明至少具有如下有益效果：

本发明考虑到电机的电流和电压在采集的过程中可能会受各种因素的影响，导致采集到的数据中存在大量的异常数据，若直接基于采集到的数据训练预测模型，会导致后续的预测效果较差，进而使得电机异常运行预警的准确度和可信度较低，因此本发明将对采集到的历史时间段的电压和电流进行筛选，又考虑到传统的方法选取的代表点容易集中在数据集的两端，并且容易将异常数据点选择为代表点，从而造成电机数据检测误差较大，本发明首先基于历史时间段内电机的电压和电流获得了各数据点，确定了各数据点对应的聚集程度，并基于聚集程度将数据点分为了目标数据点和非目标数据点，目标数据点周围的数据点分布的较密集，非目标数据点周围的数据点分布的较稀疏，非目标数据点为异常数据点的可能性要远远高于目标数据点，因此聚集程度越大的目标数据点越适合作为对应区域内的代表点，本发明基于每个子区域内每个目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，选取了每个子区域内的代表点，使得选取的代表点能更好地反映子区域中数据点的分布情况和子区域的形状，基于各特征区域中的代表点对所有数据点进行聚类获得训练数据，基于训练数据获得训练好的预测模型，从而能够根据筛选的代表点进行处理获得处理效果更优的训练好的预测模型，保证了电压预测值和电流预测值的预测精度更高，提高了电机异常预警的准确度和可信度。

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为本发明实施例所提供的一种基于大数据的电机异常振动检测预警方法的流程图。

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效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的电机异常振动检测预警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基于大数据的电机异常振动检测预警方法的具体方案。

基于大数据的电机异常振动检测预警方法实施例：

本实施例所针对的具体场景为：在电机运行过程中，可能会出现振动异常的情况，若等电机出现异常振动才停机检修，往往会导致电机的损伤过大，严重时会导致电机损毁，影响后续的生产效率，给工厂带来较大的经济损失，因此，本实施例将基于历史时间段内的电压数据和电流数据训练预测模型，将当前时间段段内的电压和电流输入到训练好的预测模型中，获得未来时刻的电压预测值和电流预测值，基于电压预测值和电流预测值判断未来时刻电机是否会出现振动异常，若未来时刻电机出现振动异常的可能性较大，则进行预警，以提醒工作人员及时进行检修，以防止电机出现更严重的损坏。

本实施例提出了基于大数据的电机异常振动检测预警方法，如图1所示，本实施例的基于大数据的电机异常振动检测预警方法包括以下步骤：

步骤S1，获取历史时间段和当前时间段内各采集时刻电机的电压和电流；基于历史时间段内各采集时刻电机的电压和电流获得各数据点。

本实施例从电机的监测系统中首先获取多个历史时间段内每个采集时刻电机的电压和电流，历史时间段内的电压和电流用于对电压数据和电流数据预测模型的训练，并获取当前时间段内每个采集时刻电机的电压和电流，其中，当前时间段为与当前时刻的时间间隔小于或等于预设时长的历史时刻构成的集合。本实施例设置电压和电流均一秒采集一次，每个历史时间段和当前时间段的时长均为1个小时，也即预设时长为1个小时，历史时间段的个数为100个，在具体应用中，实施者可根据具体情况设置数据的采集频率、时间段的时长以及历史时间段的数量。

由于电压数据和电流数据在获取过程中会出现数据缺失的问题，因此本实施例采用均值填充法分别对历史时间段内的电压数据、历史时间段内的电流数据、当前时间段内的电压数据和当前时间段内的电流数据进行处理，解决数据缺失的问题，其中均值填充法为现有技术，此处不再过多赘述。需要说明的是，电压和电流的采集时刻相同，也即每个采集时刻均采集到了一个电压和一个电流。采用上述方法，获得了历史时间段内各采集时刻电机的电压及电流和当前时间段内各采集时刻电机的电压及电流。然后分别对历史时间段内各采集时刻电机的电压及电流和当前时间段内各采集时刻电机的电压及电流进行归一化的去量纲处理，得到历史时间段内各采集时刻电机的电压归一化结果及电流归一化结果和当前时间段内各采集时刻电机的电压归一化结果及电流归一化结果，其中归一化的去量纲方法为现有公知技术，不再赘述。

本实施例接下来以一个历史时间段为例进行说明，对于其他历史时间段均可采用本实施例提供的方法进行处理。对于历史时间段内的任一采集时刻：该采集时刻电机的电压归一化结果和电流归一化结果构成一个二元组，即，其中，/>为该采集时刻电机的电压归一化结果，/>为该采集时刻电机的电流归一化结果；采用上述方法，能够获得历史时间段内每个采集时刻对应的二元组，一个采集时刻对应一个二元组。本实施例接下来将基于历史时间段内每个采集时刻对应的二元组，构建历史时间段对应的二维坐标图，具体地，将历史时间内各采集时刻对应的电压的归一化结果作为数据点的横坐标，将历史时间段内各采集时刻对应的电流的归一化结果作为数据点的纵坐标，获得各数据点，也即本实施例将电压归一化结果作为二维坐标图的横坐标，将电流归一化结果作为二维坐标图的纵坐标，每个二元组对应二维坐标图中的一个数据点，即每个采集时刻对应一个数据点。

采用上述方法，获得了历史时间段内每个采集时刻对应的数据点。

步骤S2，基于数据点之间的相对距离确定各数据点对应的聚集程度；基于所述聚集程度确定目标数据点和非目标数据点；对所有目标像素点进行聚类获得各子区域；根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点。

层次聚类算法（Clustering Using Representative，CURE）是一种针对大数据集使用分层和随机抽样的方法进行快速聚类的算法，具有高鲁棒性和可伸缩性的特点，但是传统CURE算法选择的代表点容易集中在数据集的两端，不能较好地表征数据集，并且还会将异常数据点选择为代表点，进而影响最终聚类的效果和准确性。

在电机的正常运行时，电机的负载会发生变化，而在不同的负载状态下，电机所需的电能和反电势（即电机旋转时带来的反向电流）是不同的，这会造成电机电流和电压会因电机负载的不同而呈现不同的波动情况，即二维坐标图中的数据点会呈现出多个聚集区域，异常数据点在二维坐标图中的分布较分散，因此本实施例将首先根据历史时间段对应的二维坐标图中数据点的聚集程度，对聚集程度较大的数据点所在的区域进行代表点的选取，以降低异常数据点的影响，提高后续异常预警的可信度。

数据点与其周围数据点之间的距离越近，对应数据点周围的数据点分布越密集，说明对应数据点越能反映其周围数据点呈现的特征。基于此，本实施例将结合每个数据点与其他数据点之间的距离，确定每个数据点对应的聚集程度。

对于第i个数据点：

获取第i个数据点与其他各数据点之间的距离；若第i个数据点与其他数据点之间的距离小于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第一数值；若第i个数据点与其他数据点之间的距离大于或等于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第二数值；将第i个数据点与其他所有数据点的特征值的和值，确定为第i个数据点对应的聚集程度。第i个数据点对应的聚集程度的具体计算公式为：

其中，表示第i个数据点对应的聚集程度，/>表示历史时间段对应的数据点的个数，/>表示第i个数据点与除第i个数据点外的第/>个数据点的特征值，/>表示第i个数据点与除第i个数据点外的第/>个数据点之间的距离，/>表示预设第一数值，/>表示预设第二数值，/>表示预设距离阈值。

本实施例中的预设距离阈值为5，预设第一数值为1，预设第二数值为0，在具体应用中，实施者可根据具体情况进行设置，需要说明的是，预设第一数值大于预设第二数值。

第i个数据点与其周围数据点之间的距离越大，说明第i个数据点与附近数据点之间的差异越大，第i个数据点周围的数据点分布的越稀疏，即第i个数据点对应的聚集程度越小，这些数据点越不能反映周围数据点的分布情况。

采用上述方法，能够获得每个数据点对应的聚集程度。基于所述聚集程度，从所述数据点中获取预设第一数量个数据点确定为目标数据点，将所有数据点中除所述目标数据点外的其他数据点确定为非目标数据点；每个目标数据点的所述聚集程度大于所有非目标数据点的聚集程度。聚集程度越大，说明对应数据点周围数据点分布的越密集；聚集程度越小，说明对应数据点周围数据点分布的越稀疏；本实施例按照聚集程度从大到小的顺序对数据点进行排序获得数据点序列，将数据点序列中前预设第一数量个数据点作为目标数据点，在具体应用中，也可以为按照聚集程度从小到大的顺序对数据点进行排序，若按照从小到大的顺序进行排序，则将数据点序列中后预设第一数量个数据点作为目标数据点。本实施例中预设第一数量为0.1R，其中R为历史时间段对应的数据点的总数量，在具体应用中，实施者可根据具体情况进行设置。

本实施例首先采用K-means算法对所有目标数据点进行聚类，得到k个聚类簇，将每个聚类簇作为一个子区域，也即获得了k个子区域；本实施例中k的值的获取方法为：将的向下取整值作为k的值，其中K-means算法为公知技术，此处不再过多赘述。

对于第j个子区域内的第v个目标数据点：

计算第v个目标数据点的邻域内所有目标数据点对应的聚集程度的均值；将第v个目标数据点对应的聚集程度与所述聚集程度的均值的乘积，确定为第v个目标数据点对应的区域密集度；分别计算第j个子区域内所有目标数据点横坐标的均值、纵坐标的均值、横坐标的标准差、纵坐标的标准差；将第v个目标数据点的横坐标与所述横坐标的均值之间的差异记为横坐标差异，将第v个目标数据点的纵坐标与所述纵坐标的均值之间的差异记为纵坐标差异；根据所述横坐标差异、所述纵坐标差异、所述横坐标的标准差和所述纵坐标的标准差，计算第v个目标数据点对应的数值偏离度；根据所述区域密集度和所述数值偏离度，得到第v个目标数据点对应的分布相似度，所述区域密集度与所述分布相似度呈正相关关系，所述数值偏离度与所述分布相似度呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出分布相似度的具体计算公式，第v个目标数据点对应的分布相似度的具体计算公式为：

其中，为第v个目标数据点对应的分布相似度，/>为第v个目标数据点对应的区域密集度，/>为第v个目标数据点的邻域内第i个目标数据点对应的聚集程度，/>为第v个目标数据点的邻域内目标数据点的数量，norm( )为归一化函数，/>为第v个目标数据点对应的数值偏离度，/>为第v个目标数据点的横坐标，/>为第v个目标数据点所在的子区域内所有目标数据点横坐标的均值，/>为第v个目标数据点的纵坐标，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的均值，/>为第v个目标数据点所在的子区域内所有目标数据点横坐标的标准差，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的标准差，/>为预设电压差异值，/>为预设电流差异值，/>为预设调整参数，max( )为取最大值函数，| |为取绝对值符号。

对于第v个目标数据点，其邻域为与该目标数据点的距离小于或等于，且属于该目标数据点所在的子区域内的区域。在具体应用中，邻域的大小实施者可根据具体情况进行设置。/>的值为2，/>的值为2.5，预设调整参数为0.1，引入预设调整参数是为了防止分母为0，在具体应用中，实施者可根据具体情况进行设置。

第v个目标数据点与其附近的目标数据点之间的分布越密集，该目标数据点对应的聚集程度越大，该目标数据点越能代表其附近的数据点，而该目标数据点附近的目标数据点对应的聚集程度越大，说明这些目标数据点所在的局部区域目标数据点的分布越密集，即区域密集度越大，第v个目标数据点越能代表其所在的子区域内的目标数据点。第v个目标数据点对应的电压与电流的偏离程度越小，第v个目标数据点的数值偏离度越小，该目标数据点为异常数据点的可能性越小，即该数据点与其所在的子区域内大部分数据点的分布越一致，对应的分布相似度越大。当第v个目标数据点对应的区域密集度越大、数值偏离度越小时，说明该目标数据点与其所在的子区域内的目标数据点的分布越一致，即第v个目标数据点对应的分布相似度越大。当第v个目标数据点对应的区域密集度越小、数值偏离度越大时，说明该目标数据点与其所在的子区域内的目标数据点的分布越不一致，即第v个目标数据点对应的分布相似度越小。

采用上述方法，能够获得每个目标数据点对应的分布相似度。

本实施例已经获得了历史时间段对应的每个数据点对应的分布相似度，接下来本实施例将结合每个子区域中每个数据点对应的分布相似度筛选每个子区域内的代表点，为了使CURE算法中代表点能够捕获子区域的形状和大小，代表点在每个子区域中的分布应该是较分散的，不能聚集在一起，因此，接下来本实施例将根据每个子区域内目标数据点的位置分布和对应的分布相似度，筛选每个子区域内的代表点。

本实施例仍以一个子区域为例进行说明，对于其他子区域均可采用本实施例提供的方法进行处理。具体地，对于第j个子区域：将第j个子区域的中心点作为特征点，分别将第j个子区域内各目标数据点与所述特征点之间的距离记为对应目标数据点所对应的第一距离；将各目标数据点所对应的第一距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；其中，第j个子区域内第v个目标数据点的权重的具体表达式为：

其中，为第j个子区域内第v个目标数据点的权重，/>为第v个目标数据点对应的分布相似度，/>为第j个子区域的中心点，/>为第j个子区域内第v个目标数据点与该子区域的中心点之间的距离，norm( )为归一化函数。

第v个目标数据点对应的分布相似度越大，说明该目标数据点与该子区域内所有目标数据点的分布越一致，在选取代表点时应给予越高的权重；该目标数据点与该子区域的中心点之间的距离越大，说明该目标数据点越能用于反映该子区域的形状，在选取代表点时应给予越高的权重。

采用上述方法，能够获得第j个子区域内每个目标数据点的权重，权重越大，说明对应目标数据点越适合作为代表点，基于此，本实施例首先将第j个子区域内最大的权重对应的目标数据点作为一个代表点，并将该代表点作为新特征点，参与后续其他目标数据点的权重的计算过程中，具体地，分别将第j个子区域内除代表点外的其他目标数据点与新特征点之间的距离记为对应目标数据点所对应的第二距离；将各目标数据点所对应的第二距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；将第j个子区域内除代表点外的最大的权重对应的目标数据点作为新代表点；按照上述确定新代表点的步骤，以此类推，不断确定新代表点，直到第j个子区域内代表点的数量达到预设第二数量阈值时为止，获得了第j个子区域内的多个代表点。本实施例中预设第二数量为15，在具体应用中，实施者可根据具体情况进行设置。

采用上述方法，能够获得每个子区域内的多个代表点。

步骤S3，基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应子区域中获得各特征区域；基于各特征区域中的代表点对所有数据点进行聚类获得训练数据；基于所述训练数据对预测模型进行训练获得训练好的预测模型。

本实施例中的子区域是基于目标数据点确定的，接下来将基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应的子区域中获得特征区域。具体地，分别将各非目标数据点划分到与其距离最近的子区域中，获得多个特征区域。

至此，获得了每个特征区域中的代表点，接下来本实施例采用CURE算法对历史时间段对应的数据点进行聚类处理，基于多个聚类簇。CURE算法为公知技术，此处不再过多赘述，本实施例中设置该次聚类时簇的数目为10，收缩因子0.3，在具体应用中，实施者可根据具体情况进行设置。

分别计算各聚类簇对应的类内方差以及所有聚类簇对应的类间方差；将常数1与各聚类簇对应的类内方差的和值记为各聚类簇的第一特征值，将所述类间方差与所述各聚类簇的第一特征值的比值作为各聚类簇的异常程度。类间方差和类内方差的计算方法为现有技术，此处不再过多赘述。基于所述异常程度，从聚类簇中选取预设第三数量个聚类簇，将选取的聚类簇中的数据点对应的电压和电流作为训练数据，其中，选取的聚类簇的所述异常程度大于所有未选取的聚类簇的异常程度。本实施例中按照异常程度从大到小的顺序，将所有聚类簇进行排序获得聚类簇序列，将聚类簇序列中的前预设第三数量个聚类簇中的数据点对应的电压和电流作为了训练数据。采用本实施例提供的方法选取每个历史时间段内用于训练预测模型的训练数据。需要说明的是，训练数据为采集的原始数据，而非归一化后的电压数据和电流数据。本实施例中的预设第三数量为8，在具体应用中，实施者可根据具体情况进行设置。

将每个历史时间段段内的训练数据作为移动平均（Moving Average，MA）模型的训练数据，输入移动平均模型进行训练，得到电压和电流的预测模型。其中移动平均模型为现有技术，此处不再过多赘述。

至此，获得了训练好的预测模型，用于预测未来时间段内的电压数据和电流数据。

步骤S4，基于当前时间段内的电压、电流和训练好的预测模型获得未来时刻的电压预测值和电流预测值；根据所述电压预测值和电流预测值判断是否进行预警。

本实施例已经获得了用于预测未来时刻的电压数据和电流数据的预测模型，接下来本实施例将当前时间段内的电压和电流输入到训练好的预测模型中，获得未来时刻的电压预测值和电流预测值。基于预测模型获得对应的预测值为现有技术，此处不再过多赘述。

接下来本实施例将根据未来时刻的电压预测值和电流预测值与正常数据范围之间的大小关系，判断是否进行异常预测。

具体地，判断所述电压预测值和所述电流预测值是否满足预设条件，若满足，则说明未来时刻电机出现振动异常现象的可能性较大，此时进行预警，提醒工作人员及时停机检修，降低电机的损毁程度，减少维修成本；若不满足，则说明未来时刻电机不会出现振动异常现象，不进行预警；所述预设条件为：所述电压预测值与额定电压之间的差异大于额定电压的预设比例，且所述电流预测值与额定电流之间的差异大于额定电流的预设比例；其中电压预测值与额定电压之间的差异的具体获取方法为：计算电压预测值与额定电压之间的差值绝对值，将该绝对值作为电压预测值与额定电压之间的差异；电流预测值与额定电流之间的差异的具体获取方法为：计算电流预测值与额定电流之间的差值绝对值，将该绝对值作为电流预测值与额定电流之间的差异。本实施例中预设比例为10%，在具体应用中，实施者可根据具体情况进行设置。

至此，采用本实施例提供的方法完成了对电机的预警工作，以提醒工作人员及时进行检修，保证后续的生产效率。

本实施例考虑到电机的电流和电压在采集的过程中可能会受各种因素的影响，导致采集到的数据中存在大量的异常数据，若直接基于采集到的数据训练预测模型，会导致后续的预测效果较差，进而使得电机异常运行预警的准确度和可信度较低，因此本实施例将基于CURE算法对采集到的历史时间段的电压和电流进行筛选，又考虑到传统的CURE算法中代表点容易集中在数据集的两端，并且容易将异常数据选择为代表点，从而造成电机数据检测误差较大，本实施例首先基于历史时间段内电机的电压和电流获得了各数据点，确定了各数据点对应的聚集程度，并基于聚集程度将数据点分为了目标数据点和非目标数据点，目标数据点周围的数据点分布的较密集，非目标数据点周围的数据点分布的较稀疏，非目标数据点为异常数据点的可能性要远远高于目标数据点，因此聚集程度越大的目标数据点越适合作为对应区域内的代表点，本实施例基于每个子区域内每个目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，选取了每个子区域内的代表点，使得选取的代表点能更好地反映子区域中数据点的分布情况和子区域的形状，保证了电压预测值和电流预测值的预测精度更高，提高了电机异常预警的准确度和可信度。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (9)

1.一种基于大数据的电机异常振动检测预警方法，其特征在于，该方法包括以下步骤：

获取历史时间段和当前时间段内各采集时刻电机的电压和电流；基于历史时间段内各采集时刻电机的电压和电流获得各数据点；

基于数据点之间的相对距离确定各数据点对应的聚集程度；基于所述聚集程度确定目标数据点和非目标数据点；对所有目标像素点进行聚类获得各子区域；根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点；

基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应子区域中获得各特征区域；基于各特征区域中的代表点对所有数据点进行聚类获得训练数据；基于所述训练数据对预测模型进行训练获得训练好的预测模型；

基于当前时间段内的电压、电流和训练好的预测模型获得未来时刻的电压预测值和电流预测值；根据所述电压预测值和电流预测值判断是否进行预警；

所述基于数据点之间的相对距离确定各数据点对应的聚集程度，包括：

对于第i个数据点：

获取第i个数据点与其他各数据点之间的距离；

若第i个数据点与其他数据点之间的距离小于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第一数值；若第i个数据点与其他数据点之间的距离大于或等于预设距离阈值，则将第i个数据点与其他对应数据点的特征值设置为预设第二数值；

将第i个数据点与其他所有数据点的特征值的和值，确定为第i个数据点对应的聚集程度。

2.根据权利要求1所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述基于历史时间段内各采集时刻电机的电压和电流获得各数据点，包括：

将历史时间内各采集时刻对应的电压的归一化结果作为数据点的横坐标，将历史时间段内各采集时刻对应的电流的归一化结果作为数据点的纵坐标，获得各数据点。

3.根据权利要求2所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述根据各子区域内各目标数据点与其邻域内目标数据点对应的聚集程度以及位置分布，确定各子区域内的代表点，包括：

对于第j个子区域内的第v个目标数据点：

计算第v个目标数据点的邻域内所有目标数据点对应的聚集程度的均值；将第v个目标数据点对应的聚集程度与所述聚集程度的均值的乘积，确定为第v个目标数据点对应的区域密集度；

分别计算第j个子区域内所有目标数据点横坐标的均值、纵坐标的均值、横坐标的标准差、纵坐标的标准差；将第v个目标数据点的横坐标与所述横坐标的均值之间的差异记为横坐标差异，将第v个目标数据点的纵坐标与所述纵坐标的均值之间的差异记为纵坐标差异；根据所述横坐标差异、所述纵坐标差异、所述横坐标的标准差和所述纵坐标的标准差，计算第v个目标数据点对应的数值偏离度；

根据所述区域密集度和所述数值偏离度，得到第v个目标数据点对应的分布相似度，所述区域密集度与所述分布相似度呈正相关关系，所述数值偏离度与所述分布相似度呈负相关关系；

根据第j个子区域内目标数据点的位置分布和对应的分布相似度，确定第j个子区域内的代表点。

4.根据权利要求3所述的基于大数据的电机异常振动检测预警方法，其特征在于，采用如下公式计算第v个目标数据点对应的数值偏离度：

其中，为第v个目标数据点对应的数值偏离度，/>为第v个目标数据点的横坐标，/>为第v个目标数据点所在的子区域内所有目标数据点横坐标的均值，/>为第v个目标数据点的纵坐标，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的均值，/>为第v个目标数据点所在的子区域内所有目标数据点横坐标的标准差，/>为第v个目标数据点所在的子区域内所有目标数据点纵坐标的标准差，/>为预设电压差异值，/>为预设电流差异值，/>为预设调整参数，max( )为取最大值函数，| |为取绝对值符号。

5.根据权利要求3所述的基于大数据的电机异常振动检测预警方法，其特征在于，根据第j个子区域内目标数据点的位置分布和对应的分布相似度，确定第j个子区域内的代表点，包括：

对于第j个子区域：

将第j个子区域的中心点作为特征点，分别将第j个子区域内各目标数据点与所述特征点之间的距离记为对应目标数据点所对应的第一距离；将各目标数据点所对应的第一距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；将第j个子区域内最大的权重对应的目标数据点作为代表点；

将代表点作为新特征点，分别将第j个子区域内除代表点外的其他目标数据点与新特征点之间的距离记为对应目标数据点所对应的第二距离；将各目标数据点所对应的第二距离的归一化结果与对应的分布相似度的乘积，确定为对应目标数据点的权重；将第j个子区域内除代表点外的最大的权重对应的目标数据点作为新代表点；按照上述确定新代表点的步骤，以此类推，不断确定新代表点，直到第j个子区域内代表点的数量达到预设第二数量阈值时为止，获得第j个子区域内的代表点。

6.根据权利要求1所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述基于非目标数据点与子区域的相对位置，将非目标数据点划分到对应子区域中获得各特征区域，包括：

分别将各非目标数据点划分到与其距离最近的子区域中，获得各特征区域。

7.根据权利要求1所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述基于所述聚集程度确定目标数据点和非目标数据点，包括：

基于所述聚集程度，从所述数据点中获取预设第一数量个数据点确定为目标数据点，将所有数据点中除所述目标数据点外的其他数据点确定为非目标数据点；每个目标数据点的所述聚集程度大于所有非目标数据点的所述聚集程度。

8.根据权利要求1所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述基于各特征区域中的代表点对所有数据点进行聚类获得训练数据，包括：

基于各特征区域中的代表点采用CURE算法对所有数据点进行聚类获得各聚类簇；

分别计算各聚类簇对应的类内方差以及所有聚类簇对应的类间方差；将常数1与各聚类簇对应的类内方差的和值记为各聚类簇的第一特征值，将所述类间方差与所述各聚类簇的第一特征值的比值作为各聚类簇的异常程度；

基于所述异常程度，从聚类簇中选取预设第三数量个聚类簇，将选取的聚类簇中的数据点对应的电压和电流作为训练数据，其中，选取的聚类簇的所述异常程度大于所有未选取的聚类簇的异常程度。

9.根据权利要求1所述的基于大数据的电机异常振动检测预警方法，其特征在于，所述根据所述电压预测值和电流预测值判断是否进行预警，包括：

判断所述电压预测值和所述电流预测值是否满足预设条件，若满足，则进行预警；若不满足，则不进行预警；所述预设条件为：所述电压预测值与额定电压之间的差异大于额定电压的预设比例，且所述电流预测值与额定电流之间的差异大于额定电流的预设比例。