CN116975771A - 一种用于电机生产的异常自动识别方法及系统 - Google Patents

一种用于电机生产的异常自动识别方法及系统 Download PDF

Info

Publication number
CN116975771A
CN116975771A CN202311241144.1A CN202311241144A CN116975771A CN 116975771 A CN116975771 A CN 116975771A CN 202311241144 A CN202311241144 A CN 202311241144A CN 116975771 A CN116975771 A CN 116975771A
Authority
CN
China
Prior art keywords
monitoring data
motor
data sequence
sequence
acquiring
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
Application number
CN202311241144.1A
Other languages
English (en)
Other versions
CN116975771B (zh
Inventor
尚栋
王华军
王春彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Baobang Electric Co ltd
Original Assignee
Suzhou Baobang Electric Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Baobang Electric Co ltd filed Critical Suzhou Baobang Electric Co ltd
Priority to CN202311241144.1A priority Critical patent/CN116975771B/zh
Publication of CN116975771A publication Critical patent/CN116975771A/zh
Application granted granted Critical
Publication of CN116975771B publication Critical patent/CN116975771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及数据处理技术领域，提出了一种用于电机生产的异常自动识别方法及系统，包括：采集需要进行异常识别的电机的监测数据，获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列，获取二级监测数据序列的相对波动强度指数；获取无异常的电机的二级监测数据序列，获取二级监测数据序列的契合强度指数；获取二级监测数据序列的综合周期偏差指数，获取一级监测数据序列的特征坐标系，进而获取高概率异常序列，获取目标电机的异常筛选指数；根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别。本发明解决神经网络根据电机监测数据对电机异常进行识别的效率较低的问题。

Description

一种用于电机生产的异常自动识别方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于电机生产的异常自动识别方法及系统。
背景技术
电机是一种将电能转化为机械能的装置，可驱动设备的运行，是设备工作的“心脏”，被广泛用于各种应用领域。在电机生产过程中，可能会出现制造缺陷、装配错误等问题，导致电机产品质量较低，影响电机的性能和电机使用过程的安全性，因此，在电机生产时，需要对电机进行异常检测。对电机进行异常检测的过程一般为收集电机运行数据，根据收集的电机运行数据对存在异常的电机设备进行异常识别，并判断异常问题，以此采取相应的措施，及时调整，以免造成更大经济损失。
可采用深度学习神经网络对电机异常进行识别，但是电机生产中，电机数量较多，而且电机监测数据往往数据量较大，将所有待检测电机数据都输入到卷积神经网络中会造成大量计算机资源的浪费，降低异常识别效率。
发明内容
本发明提供一种用于电机生产的异常自动识别方法及系统，以解决神经网络根据电机监测数据对电机异常进行识别的效率较低的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种用于电机生产的异常自动识别方法，该方法包括以下步骤：
采集需要进行异常识别的电机的监测数据，并对监测数据进行预处理，获取监测矩阵；
根据监测矩阵获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列，获取二级监测数据序列中包含的监测数据的波动率平方，获取二级监测数据序列的波动性系数，根据波动性系数获取二级监测数据序列的相对波动强度指数；
获取无异常的电机的二级监测数据序列，根据目标电机和无异常的电机的二级监测数据序列获取目标电机与二级监测数据序列的契合系数，获取目标电机与二级监测数据序列的特征权重，获取二级监测数据序列的契合强度指数；
根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数，根据二级监测数据序列的相对波动强度指数和综合周期偏差指数获取一级监测数据序列的特征坐标系，获取高概率异常序列和低概率异常序列，获取目标电机对应每个一级监测数据序列的异常筛选指数，获取目标电机的异常筛选指数；
根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别。
进一步，所述根据监测矩阵获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列的获取方法为：
将需要进行异常识别的电机中每个电机分别作为目标电机，分别将目标电机的监测矩阵中每行数据记为一级监测数据序列；
根据一级监测数据序列获取一级监测数据序列的一级拟合散点图，一级拟合散点图的横坐标为一级监测数据序列中包含的监测数据在监测矩阵中所处的列的数目，纵坐标为监测数据的数据值，一级拟合散点图中包含第一预设阈值个散点；
将一级监测数据序列的一级拟合散点图中所有散点与曲线拟合，获取一级监测数据序列的一级拟合函数图；
获取一级拟合函数图的极大值点，获取所有极大值点的位置；
根据极大值点的位置将一级拟合函数图对应的一级监测数据序列进行划分，将一级监测数据序列划分为多个二级监测数据序列，其中，极大值点对应的监测数据划分至极大值点划分位置的前一个周期中，二级监测数据序列为一级监测数据序列的子序列。
进一步，所述获取二级监测数据序列中包含的监测数据的波动率平方，获取二级监测数据序列的波动性系数，根据波动性系数获取二级监测数据序列的相对波动强度指数的获取方法为：
获取二级监测数据序列对应的模型常数项、自回归系数、广义自回归系数、自回归阶数和广义自回归阶数；
将二级监测数据序列中包含的监测数据分别作为待分析监测数据；
将待分析监测数据的前一个监测数据的残差平方至前广义自回归阶数个监测数据的残差平方的和记为待分析监测数据的残差平方和；
将待分析监测数据的残差平方和与自回归系数的乘积记为待分析监测数据的第一乘积；
将待分析监测数据的前一个监测数据的波动率平方至前广义自回归阶数个监测数据的波动率平方的和记为待分析监测数据的波动率平方和；
将待分析监测数据的波动率平方和与自回归系数的乘积记为待分析监测数据的第二乘积；
将待分析监测数据的第一乘积、第二乘积与模型常数项的和记为待分析监测数据的波动率平方；
将二级监测数据序列中包含的所有监测数据的波动率平方的均值记为二级监测数据序列的波动性系数；
将二级监测数据序列的波动性系数与二级监测数据序列对应的一级监测数据序列划分出的二级监测数据序列的波动性系数的差值记为划分出的二级监测数据序列的第一差值；
将二级监测数据序列对应的一级监测数据序列划分出的所有二级监测数据序列的第一差值的和记为第一和值；
将第一和值与二级监测数据序列的波动性系数的归一化值的乘积记为二级监测数据序列的相对波动强度指数。
进一步，所述获取无异常的电机的二级监测数据序列，根据目标电机和无异常的电机的二级监测数据序列获取目标电机与二级监测数据序列的契合系数，获取目标电机与二级监测数据序列的特征权重的获取方法为：
从历史电机数据库中选取第二预设阈值个无异常的电机的监测数据，分别将每个无异常的电机作为待分析无异常电机，获取待分析无异常电机的二级监测数据序列；
将目标电机与待分析无异常电机的二级监测数据序列之间的距离记为目标电机与待分析无异常电机的序列距离；
将目标电机的所有序列距离的均值的倒数记为目标电机与二级监测数据序列的契合系数；
将目标电机与待分析无异常电机的二级监测数据序列的数量差值的绝对值记为目标电机的第一绝对差值；
将目标电机的第一绝对差值的归一化值记为目标电机与二级监测数据序列的特征权重，其中，目标电机的第一绝对差值的归一化值与目标电机的第一绝对差值呈负相关关系。
进一步，所述获取二级监测数据序列的契合强度指数的方法为：
将目标电机与二级监测数据序列的契合系数和特征权重的乘积记为二级监测数据序列的契合强度指数。
进一步，所述根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数的方法为：
将以自然常数为底数、二级监测数据序列的相对波动强度指数为指数的幂记为第一幂值；
将二级监测数据序列的契合强度指数与第三预设阈值的和记为第二和值；
将第一幂值与第二和值的比值记为二级监测数据序列的综合周期偏差指数。
进一步，所述根据二级监测数据序列的相对波动强度指数和综合周期偏差指数获取一级监测数据序列的特征坐标系，获取高概率异常序列和低概率异常序列的方法为：
建立一级监测数据序列的特征坐标系，特征坐标系的横轴为一级监测数据序列划分出的二级监测数据序列的相对波动强度指数，纵轴为二级监测数据序列的综合周期偏差指数；
根据一级监测数据序列的特征坐标系内所有散点的坐标，使用异常检测算法获取每个散点的LOF值，将散点的LOF值记为散点对应的二级监测数据序列的LOF值；
将LOF值大于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取高概率异常序列；
将LOF值小于等于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取低概率异常序列。
进一步，所述获取目标电机对应每个一级监测数据序列的异常筛选指数，获取目标电机的异常筛选指数的方法为：
将一级监测数据序列获取的高概率异常序列中所有监测数据对应的二级监测数据序列的LOF值的均值记为第一均值；
将一级监测数据序列获取的高概率异常序列中监测数据对应的二级监测数据序列的LOF值与第一均值的差值记为监测数据的第二差值；
将一级监测数据序列获取的高概率异常序列中所有监测数据的第二差值的和记为第三和值；
将一级监测数据序列获取的高概率异常序列中待分析监测数据所在的二级监测数据序列的序号记为待分析监测数据的第一序号；
将一级监测数据序列获取的高概率异常序列中待分析监测数据的前一个监测数据所在的二级监测数据序列的序号记为待分析监测数据的第二序号；
将待分析监测数据的第一序号与第二序号的差值记为待分析监测数据的序号差值；
将一级监测数据序列获取的高概率异常序列中所有监测数据的序号差值的和记为序号差值和；
将第三和值与序号差值和的比值记为一级监测数据序列的异常筛选指数。
进一步，所述根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别的方法为：
对所有需要进行异常识别的电机的所有监测数据进行异常检测，获取每个需要进行异常识别的电机的异常得分；
将需要进行异常识别的电机的异常得分与电机的异常筛选指数的乘积的归一化值记为电机的综合异常数据得分；
将综合异常数据得分大于第五预设阈值的电机记为疑似异常电机；
将疑似异常电机对应的监测数据输入到疑似异常电机对应的电机类型对应的神经网络中，获取疑似异常电机生产存在的异常，其中，神经网络可采用CNN神经网络，将历史数据库中包含正常和异常的电机测试数据作为CNN神经网络的数据集，采用人为标注的方式进行数据集标注，得到电机异常种类的标签，电机异常种类的标签包括但不限于电机轴承故障、电机内圈故障和电机外圈故障，优化器采用Adam，损失函数采用交叉熵函数，神经网络可根据疑似异常电机对应的监测数据获取电机异常的种类。
第二方面，本发明实施例还提供了一种用于电机生产的异常自动识别系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：
本发明根据需要进行异常识别的电机的监测数据，获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列，基于二级监测数据序列内监测数据的变化情况和二级监测数据序列与其他二级监测数据序列之间的相对关系，采用GARCH模型构建相对波动强度指数，获取二级监测数据序列内包含的监测数据的数据波动程度，捕捉时间序列数据波动的动态变化，提高电机异常检测准确率；然后，根据二级监测数据序列的相对波动强度指数，结合正常电机的监测数据，获取的相对波动强度指数的契合强度指数，获取二级监测数据序列与历史正常电机的二级监测数据序列之间的契合程度，避免二级监测数据序列内包含的监测数据整体都存在异常，导致的相对波动强度指数较小而对电机异常产生误判的问题，提高对异常电机的判断准确性；最后，基于上述指标结合LOF异常检测，得到孤立森林异常得分的修正系数，判断需要进行异常识别的电机是否属于高概率异常电机，避免直接将所有待测电机的监测数据输入到神经网络中导致的数据庞大、异常自动识别效率较慢的问题，提升电机异常识别的准确性和效率。
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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种用于电机生产的异常自动识别方法的流程示意图；
图2为一级拟合函数图示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种用于电机生产的异常自动识别方法流程图，该方法包括以下步骤：
步骤S001，采集需要进行异常识别的电机的监测数据，并对监测数据进行预处理，获取监测矩阵。
在需要进行异常识别的电机附近安装声传感器，在电机所在的电路上安装电流表、电压表。利用声传感器采集每个数据采集时刻的电机音频数据，利用电流表、电压表采集每个数据采集时刻的电流数据、电压数据。将电机音频数据、电流数据、电压数据记为监测数据。
每间隔第一时间间隔阈值，获取一次声传感器、电流表和电压表的数据。声传感器、电流表和电压表均获取第一预设阈值个数据采集时刻的数值。其中，第一时间间隔阈值经验值为1秒，第一预设阈值经验值为500。
由于采集得到的数据在存储、传输过程中，可能出现缺失等异常情况，为较为准确地反映数据之间的关系，对上述采集到的数据采用均值插值法，对所有缺失数据进行填充。同时，为避免不同种类数据量纲不同对后续分析、处理造成影响，对缺失数据填充后的数据进行Z-score归一化，获取与处理后的数据。根据经过预处理的数据获取监测矩阵W，
，
监测矩阵中包含的行的数量为监测数据类型的数量，本实施例中，监测数据类型的数量为3个，分别为电机音频数据、电流数据、电压数据；监测矩阵中包含的列的数量为采集的同一种类监测数据的数量，为第一预设阈值；监测矩阵中第u行第v列的数据为第u行对应的监测数据类型中采集的第v个数据Wu,v，
其中，u=1,2,3，v=1,2,…,N，N为第一预设阈值，
至此，获取监测矩阵。
步骤S002，根据监测矩阵获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列，获取二级监测数据序列中包含的监测数据的波动率平方，获取二级监测数据序列的波动性系数，根据波动性系数获取二级监测数据序列的相对波动强度指数。
电机实际生产过程中采用的是流水线工作模式，生产得到的电机数量较多，获取的监测数据的数量越多，若将所有获取的监测数据都输入到神经网络中，由于数据量过大，会导致异常识别效率较慢的问题。因此，本实施例对监测数据进行分析判断，将质量较好、安全性较高的大部分产品对应的监测数据保留，将次品、存在异常的产品对应的监测数据输入神经网络中，实现电机生产的异常识别，提高电机生产异常识别的效率。
首先，对监测数据进行分析判断，将质量较好、安全性较高的大部分产品对应的监测数据和次品、存在异常的产品对应的监测数据辨别出来。
在电机运行过程中，电机存在的异常往往体现在监测数据的变化上，无异常的电机在运行时，采集的监测数据较为稳定；当电机运行异常时，如电机内部出现绕组短路、绝缘损坏或轴承问题，这些问题会影响电机的正常工作，导致电机电压数据出现异常，使得电压数据并不稳定。
为了方便后续说明，将需要进行异常识别的电机中每个电机分别作为目标电机，分别将目标电机的监测矩阵中每行数据记为一级监测数据序列。
根据一级监测数据序列获取一级监测数据序列的一级拟合散点图，一级拟合散点图的横坐标为一级监测数据序列中包含的监测数据在监测矩阵中所处的列的数目，纵坐标为监测数据的数据值，一级拟合散点图中包含第一预设阈值个散点。
对一级监测数据序列的一级拟合散点图中所有散点使用最小二乘法，将散点与曲线进行拟合，获取一级监测数据序列的一级拟合函数图。
一级拟合函数图示意图如图2所示，一级拟合函数图示意图为根据监测矩阵中电流数据获取的一级拟合函数，横轴为监测矩阵中电流数据在监测矩阵中所处的列的数目，纵轴为电流数据的数据值。
获取一级拟合函数图的极大值点，获取所有极大值点的位置。根据极大值点的位置将一级拟合函数图对应的一级监测数据序列进行划分，将一级监测数据序列划分为多个二级监测数据序列。其中，极大值点对应的监测数据划分至极大值点划分位置的前一个周期中，二级监测数据序列为一级监测数据序列的子序列。
获取二级监测数据序列内包含的监测数据的数量。
对二级监测数据序列使用GARCH广义自回归条件异方差模型进行拟合，采用最大似然估计法，获取二级监测数据序列对应的模型常数项、自回归系数和广义自回归系数。其中，GARCH广义自回归条件异方差模型为公知技术，不再赘述；GARCH广义自回归条件异方差模型自回归阶数和广义自回归阶数的经验取值为2。
获取二级监测数据序列中包含的监测数据的波动率平方，
，
式中，为二级监测数据序列中包含的第j个监测数据的波动率平方，其中，j=1,2,…,B-2，B为二级监测数据序列内包含的监测数据的数量；α0为二级监测数据序列对应的模型常数项；α1为二级监测数据序列对应的自回归系数；/>为二级监测数据序列对应的广义自回归系数；p为二级监测数据序列的广义自回归条件异方差模型的自回归阶数；q为二级监测数据序列的广义自回归条件异方差模型的广义自回归阶数；/>为二级监测数据序列中包含的第j个监测数据的前k个监测数据的残差平方，其中，k=1,2,…,p；/>为二级监测数据序列中包含的第j个监测数据的前/>个监测数据的波动率平方，其中，。
二级监测数据序列中包含的第j个监测数据的临近时间内获取的数据变化越大时，监测数据越不稳定、数据波动程度较大。
将二级监测数据序列中包含的所有监测数据的波动率平方的均值记为二级监测数据序列的波动性系数。
当二级监测数据序列中包含的所有监测数据的波动率平方越大时，二级监测数据序列的波动性系数越大，二级监测数据序列内包含的监测数据越不稳定、数据波动程度较大。
根据二级监测数据序列的波动性系数获取二级监测数据序列的相对波动强度指数，
,
式中，Vx,y为第x个一级监测数据序列划分出的第y个二级监测数据序列的相对波动强度指数，其中，x=1,2,3;y=1,2,…,Rx；TVx,y为第x个一级监测数据序列划分出的第y个二级监测数据序列的波动性系数；Rx为第x个一级监测数据序列划分出的二级监测数据序列的数量；TVx,g为第x个一级监测数据序列划分出的第g个二级监测数据序列的波动性系数，其中，g=1,2,…,Rx。
当一级监测数据序列划分出的二级监测数据序列的波动性系数差异越大时，二级监测数据序列的相对波动强度指数越大，即二级监测数据序列内包含的监测数据越不稳定、数据波动程度较大。
至此，获取二级监测数据序列的相对波动强度指数。
步骤S003，获取无异常的电机的二级监测数据序列，根据目标电机和无异常的电机的二级监测数据序列获取目标电机与二级监测数据序列的契合系数，获取目标电机与二级监测数据序列的特征权重，获取二级监测数据序列的契合强度指数。
从历史电机数据库中选取第二预设阈值个无异常的电机的监测数据，分别将每个无异常的电机作为待分析无异常电机，获取待分析无异常电机的二级监测数据序列。其中，第二预设阈值的经验值为20。
将目标电机与待分析无异常电机的二级监测数据序列之间的dtw距离记为目标电机与待分析无异常电机的序列距离。将目标电机的所有序列距离的均值的倒数记为目标电机与二级监测数据序列的契合系数。
当目标电机与待分析无异常电机的二级监测数据序列之间的dtw距离越小时，目标电机与二级监测数据序列的契合系数越大，即目标电机与待分析无异常电机的二级监测数据序列相似度越高、契合程度越高，目标电机对应无异常的电机的可能性越大。
将目标电机与待分析无异常电机的二级监测数据序列的数量差值的绝对值记为目标电机的第一绝对差值。将目标电机的第一绝对差值的归一化值记为目标电机与二级监测数据序列的特征权重，其中，目标电机的第一绝对差值的归一化值与目标电机的第一绝对差值呈负相关关系，归一化方法可使用取以自然常数为底、以目标电机的第一绝对差值的相反数为指数的幂作为目标电机的第一绝对差值的归一化值。
当目标电机与待分析无异常电机的二级监测数据序列的数量差值越小时，目标电机与二级监测数据序列的特征权重越大，目标电机与待分析无异常电机的二级监测数据序列内包含的监测数据出现相似的可能性越大，目标电机对应无异常的电机的可能性越大。
将目标电机与二级监测数据序列的契合系数和特征权重的乘积记为二级监测数据序列的契合强度指数。
当目标电机与二级监测数据序列的契合系数和特征权重越大时，二级监测数据序列的契合强度指数越大，即目标电机与无异常电机的监测数据越为相似、契合，目标电机对应无异常的电机的可能性越大。
至此，获取二级监测数据序列的契合强度指数。
步骤S004，根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数，根据二级监测数据序列的相对波动强度指数和综合周期偏差指数获取一级监测数据序列的特征坐标系，获取高概率异常序列和低概率异常序列，获取目标电机对应每个一级监测数据序列的异常筛选指数，获取目标电机的异常筛选指数。
根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数
,
式中，Hx,y为第x个一级监测数据序列划分出的第y个二级监测数据序列的综合周期偏差指数；Vx,y为第x个一级监测数据序列划分出的第y个二级监测数据序列的相对波动强度指数；Ux,y为第x个一级监测数据序列划分出的第y个二级监测数据序列的契合强度指数；a1为第三预设阈值，经验值为1；e为自然常数。
当二级监测数据序列的相对波动强度指数越大、契合强度指数越小时，二级监测数据序列的综合周期偏差指数越大，即二级监测数据序列内包含的监测数据与正常、稳定的监测数据的偏差越大。
建立一级监测数据序列的特征坐标系，特征坐标系的横轴为一级监测数据序列划分出的二级监测数据序列的相对波动强度指数，纵轴为二级监测数据序列的综合周期偏差指数。
根据一级监测数据序列的特征坐标系内所有散点的坐标，使用LOF异常检测算法获取每个散点的LOF值，将散点的LOF值记为散点对应的二级监测数据序列的LOF值。
当散点的LOF值越大时，散点对应的二级监测数据序列内包含的监测数据越可能为异常的监测数据。
根据第四预设阈值获取高概率异常序列和低概率异常序列。其中，第四预设阈值的经验值为1。
将LOF值大于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取高概率异常序列。将LOF值小于等于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取低概率异常序列。
获取高概率异常序列内包含的监测数据的数量。
获取目标电机对应每个一级监测数据序列的异常筛选指数，
,
式中，Ix为第x个一级监测数据序列的异常筛选指数；为第x个一级监测数据序列获取的高概率异常序列中第/>个监测数据对应的二级监测数据序列的LOF值；/>为第x个一级监测数据序列获取的高概率异常序列中所有监测数据对应的二级监测
数据序列的LOF值的均值；sx为第x个一级监测数据序列获取的高概率异常序列中包含的监测数据的数量；为第x个一级监测数据序列获取的高概率异常序列中第/>个监测数据所在的二级监测数据序列的序号；/>为第x个一级监测数据序列获取的高概率异常序列中第/>个监测数据所在的二级监测数据序列的序号。
当一级监测数据序列获取的高概率异常序列中监测数据对应的二级监测数据序列的LOF值差异越大、监测数据所在的二级监测数据序列的序号差异越小时，一级监测数据序列的异常筛选指数越大，即根据一级监测数据序列获取的高概率异常序列中监测数据越为离散，这些监测数据越可能为异常的监测数据。
将目标电机对应的所有一级监测数据序列的异常筛选指数的均值记为目标电机的异常筛选指数。
至此，获取目标电机的异常筛选指数。
步骤S005，根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别。
对所有需要进行异常识别的电机的所有监测数据使用孤立森林算法，获取每个需要进行异常识别的电机的异常得分。其中，将每个需要进行异常识别的电机作为样本，将每个需要进行异常识别的电机对应的监测数据作为样本的维度数据，孤立树的个数经验值为50，每次抽取样本数经验值为128，采用交叉验证的方式确定最佳树深度。
当需要进行异常识别的电机的异常得分越接近于1时，电机越有可能存在异常。
将需要进行异常识别的电机的异常得分与电机的异常筛选指数的乘积的归一化值记为电机的综合异常数据得分。
将综合异常数据得分大于第五预设阈值的电机记为疑似异常电机。其中，第五预设阈值的经验值为0.7。将疑似异常电机对应的监测数据输入到疑似异常电机对应的电机类型对应的神经网络中，获取疑似异常电机生产存在的异常。其中，神经网络可采用CNN神经网络，将历史数据库中包含正常和异常的电机测试数据作为CNN神经网络的数据集，采用人为标注的方式进行数据集标注，得到电机异常种类的标签，电机异常种类的标签包括电机轴承故障、电机内圈故障和电机外圈故障等，优化器采用Adam，损失函数采用交叉熵函数，神经网络可根据疑似异常电机对应的监测数据获取电机异常的种类。
至此，完成对需要进行异常识别的电机的异常自动识别。
基于与上述方法相同的发明构思，本发明实施例还提供了一种用于电机生产的异常自动识别系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于电机生产的异常自动识别方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。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 (10)

1.一种用于电机生产的异常自动识别方法，其特征在于，该方法包括以下步骤：
采集需要进行异常识别的电机的监测数据，并对监测数据进行预处理，获取监测矩阵；
根据监测矩阵获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列，获取二级监测数据序列中包含的监测数据的波动率平方，获取二级监测数据序列的波动性系数，根据波动性系数获取二级监测数据序列的相对波动强度指数；
获取无异常的电机的二级监测数据序列，根据目标电机和无异常的电机的二级监测数据序列获取目标电机与二级监测数据序列的契合系数，获取目标电机与二级监测数据序列的特征权重，获取二级监测数据序列的契合强度指数；
根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数，根据二级监测数据序列的相对波动强度指数和综合周期偏差指数获取一级监测数据序列的特征坐标系，获取高概率异常序列和低概率异常序列，获取目标电机对应每个一级监测数据序列的异常筛选指数，获取目标电机的异常筛选指数；
根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别。
2.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述根据监测矩阵获取目标电机的一级监测数据序列，将一级监测数据序列划分为二级监测数据序列的获取方法为：
将需要进行异常识别的电机中每个电机分别作为目标电机，分别将目标电机的监测矩阵中每行数据记为一级监测数据序列；
根据一级监测数据序列获取一级监测数据序列的一级拟合散点图，一级拟合散点图的横坐标为一级监测数据序列中包含的监测数据在监测矩阵中所处的列的数目，纵坐标为监测数据的数据值，一级拟合散点图中包含第一预设阈值个散点；
将一级监测数据序列的一级拟合散点图中所有散点与曲线拟合，获取一级监测数据序列的一级拟合函数图；
获取一级拟合函数图的极大值点，获取所有极大值点的位置；
根据极大值点的位置将一级拟合函数图对应的一级监测数据序列进行划分，将一级监测数据序列划分为多个二级监测数据序列，其中，极大值点对应的监测数据划分至极大值点划分位置的前一个周期中，二级监测数据序列为一级监测数据序列的子序列。
3.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述获取二级监测数据序列中包含的监测数据的波动率平方，获取二级监测数据序列的波动性系数，根据波动性系数获取二级监测数据序列的相对波动强度指数的获取方法为：
获取二级监测数据序列对应的模型常数项、自回归系数、广义自回归系数、自回归阶数和广义自回归阶数；
将二级监测数据序列中包含的监测数据分别作为待分析监测数据；
将待分析监测数据的前一个监测数据的残差平方至前广义自回归阶数个监测数据的残差平方的和记为待分析监测数据的残差平方和；
将待分析监测数据的残差平方和与自回归系数的乘积记为待分析监测数据的第一乘积；
将待分析监测数据的前一个监测数据的波动率平方至前广义自回归阶数个监测数据的波动率平方的和记为待分析监测数据的波动率平方和；
将待分析监测数据的波动率平方和与自回归系数的乘积记为待分析监测数据的第二乘积；
将待分析监测数据的第一乘积、第二乘积与模型常数项的和记为待分析监测数据的波动率平方；
将二级监测数据序列中包含的所有监测数据的波动率平方的均值记为二级监测数据序列的波动性系数；
将二级监测数据序列的波动性系数与二级监测数据序列对应的一级监测数据序列划分出的二级监测数据序列的波动性系数的差值记为划分出的二级监测数据序列的第一差值；
将二级监测数据序列对应的一级监测数据序列划分出的所有二级监测数据序列的第一差值的和记为第一和值；
将第一和值与二级监测数据序列的波动性系数的归一化值的乘积记为二级监测数据序列的相对波动强度指数。
4.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述获取无异常的电机的二级监测数据序列，根据目标电机和无异常的电机的二级监测数据序列获取目标电机与二级监测数据序列的契合系数，获取目标电机与二级监测数据序列的特征权重的获取方法为：
从历史电机数据库中选取第二预设阈值个无异常的电机的监测数据，分别将每个无异常的电机作为待分析无异常电机，获取待分析无异常电机的二级监测数据序列；
将目标电机与待分析无异常电机的二级监测数据序列之间的距离记为目标电机与待分析无异常电机的序列距离；
将目标电机的所有序列距离的均值的倒数记为目标电机与二级监测数据序列的契合系数；
将目标电机与待分析无异常电机的二级监测数据序列的数量差值的绝对值记为目标电机的第一绝对差值；
将目标电机的第一绝对差值的归一化值记为目标电机与二级监测数据序列的特征权重，其中，目标电机的第一绝对差值的归一化值与目标电机的第一绝对差值呈负相关关系。
5.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述获取二级监测数据序列的契合强度指数的方法为：
将目标电机与二级监测数据序列的契合系数和特征权重的乘积记为二级监测数据序列的契合强度指数。
6.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述根据二级监测数据序列的相对波动强度指数和契合强度指数获取二级监测数据序列的综合周期偏差指数的方法为：
将以自然常数为底数、二级监测数据序列的相对波动强度指数为指数的幂记为第一幂值；
将二级监测数据序列的契合强度指数与第三预设阈值的和记为第二和值；
将第一幂值与第二和值的比值记为二级监测数据序列的综合周期偏差指数。
7.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述根据二级监测数据序列的相对波动强度指数和综合周期偏差指数获取一级监测数据序列的特征坐标系，获取高概率异常序列和低概率异常序列的方法为：
建立一级监测数据序列的特征坐标系，特征坐标系的横轴为一级监测数据序列划分出的二级监测数据序列的相对波动强度指数，纵轴为二级监测数据序列的综合周期偏差指数；
根据一级监测数据序列的特征坐标系内所有散点的坐标，使用异常检测算法获取每个散点的LOF值，将散点的LOF值记为散点对应的二级监测数据序列的LOF值；
将LOF值大于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取高概率异常序列；
将LOF值小于等于第四预设阈值的散点对应的二级监测数据序列中包含的所有的监测数据，按照监测数据的获取时间顺序进行排列，获取低概率异常序列。
8.根据权利要求3所述的一种用于电机生产的异常自动识别方法，其特征在于，所述获取目标电机对应每个一级监测数据序列的异常筛选指数，获取目标电机的异常筛选指数的方法为：
将一级监测数据序列获取的高概率异常序列中所有监测数据对应的二级监测数据序列的LOF值的均值记为第一均值；
将一级监测数据序列获取的高概率异常序列中监测数据对应的二级监测数据序列的LOF值与第一均值的差值记为监测数据的第二差值；
将一级监测数据序列获取的高概率异常序列中所有监测数据的第二差值的和记为第三和值；
将一级监测数据序列获取的高概率异常序列中待分析监测数据所在的二级监测数据序列的序号记为待分析监测数据的第一序号；
将一级监测数据序列获取的高概率异常序列中待分析监测数据的前一个监测数据所在的二级监测数据序列的序号记为待分析监测数据的第二序号；
将待分析监测数据的第一序号与第二序号的差值记为待分析监测数据的序号差值；
将一级监测数据序列获取的高概率异常序列中所有监测数据的序号差值的和记为序号差值和；
将第三和值与序号差值和的比值记为一级监测数据序列的异常筛选指数。
9.根据权利要求1所述的一种用于电机生产的异常自动识别方法，其特征在于，所述根据目标电机的异常筛选指数获取异常得分，根据异常得分对需要进行异常识别的电机的异常自动识别的方法为：
对所有需要进行异常识别的电机的所有监测数据进行异常检测，获取每个需要进行异常识别的电机的异常得分；
将需要进行异常识别的电机的异常得分与电机的异常筛选指数的乘积的归一化值记为电机的综合异常数据得分；
将综合异常数据得分大于第五预设阈值的电机记为疑似异常电机；
将疑似异常电机对应的监测数据输入到疑似异常电机对应的电机类型对应的神经网络中，获取疑似异常电机生产存在的异常，其中，神经网络可采用CNN神经网络，将历史数据库中包含正常和异常的电机测试数据作为CNN神经网络的数据集，采用人为标注的方式进行数据集标注，得到电机异常种类的标签，电机异常种类的标签包括但不限于电机轴承故障、电机内圈故障和电机外圈故障，优化器采用Adam，损失函数采用交叉熵函数，神经网络可根据疑似异常电机对应的监测数据获取电机异常的种类。
10.一种用于电机生产的异常自动识别系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述的一种用于电机生产的异常自动识别方法的步骤。
CN202311241144.1A 2023-09-25 2023-09-25 一种用于电机生产的异常自动识别方法及系统 Active CN116975771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311241144.1A CN116975771B (zh) 2023-09-25 2023-09-25 一种用于电机生产的异常自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311241144.1A CN116975771B (zh) 2023-09-25 2023-09-25 一种用于电机生产的异常自动识别方法及系统

Publications (2)

Publication Number Publication Date
CN116975771A true CN116975771A (zh) 2023-10-31
CN116975771B CN116975771B (zh) 2023-12-08

Family

ID=88473491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311241144.1A Active CN116975771B (zh) 2023-09-25 2023-09-25 一种用于电机生产的异常自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN116975771B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235615A (zh) * 2023-11-14 2023-12-15 泰安维创游乐设备有限公司 一种大型游乐园设备安全隐患风险预警系统
CN117251804A (zh) * 2023-11-17 2023-12-19 天津中电华利电器科技集团有限公司 一种变电室运行状态监测数据处理系统及方法
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117951616A (zh) * 2024-03-27 2024-04-30 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112799923A (zh) * 2020-12-24 2021-05-14 深圳前海微众银行股份有限公司 系统异常原因确定方法、装置、设备及存储介质
CN115033453A (zh) * 2022-06-14 2022-09-09 阿里巴巴（中国）有限公司 异常检测方法、装置、设备、存储介质及程序
CN115496644A (zh) * 2022-11-18 2022-12-20 山东超华环保智能装备有限公司 基于数据识别的固体废弃物处理设备监测方法
CN116186634A (zh) * 2023-04-26 2023-05-30 青岛新航农高科产业发展有限公司 一种建筑工程施工数据智能管理系统
CN116595319A (zh) * 2023-05-22 2023-08-15 北京理工大学 应用于轨道交通电机健康状态评估的预测方法及系统
CN116701731A (zh) * 2023-06-08 2023-09-05 费莱(浙江)科技有限公司 一种电机生命周期内运行稳定性的动态监测预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112799923A (zh) * 2020-12-24 2021-05-14 深圳前海微众银行股份有限公司 系统异常原因确定方法、装置、设备及存储介质
CN115033453A (zh) * 2022-06-14 2022-09-09 阿里巴巴（中国）有限公司 异常检测方法、装置、设备、存储介质及程序
CN115496644A (zh) * 2022-11-18 2022-12-20 山东超华环保智能装备有限公司 基于数据识别的固体废弃物处理设备监测方法
CN116186634A (zh) * 2023-04-26 2023-05-30 青岛新航农高科产业发展有限公司 一种建筑工程施工数据智能管理系统
CN116595319A (zh) * 2023-05-22 2023-08-15 北京理工大学 应用于轨道交通电机健康状态评估的预测方法及系统
CN116701731A (zh) * 2023-06-08 2023-09-05 费莱(浙江)科技有限公司 一种电机生命周期内运行稳定性的动态监测预警方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235615A (zh) * 2023-11-14 2023-12-15 泰安维创游乐设备有限公司 一种大型游乐园设备安全隐患风险预警系统
CN117235615B (zh) * 2023-11-14 2024-01-30 泰安维创游乐设备有限公司 一种大型游乐园设备安全隐患风险预警系统
CN117251804A (zh) * 2023-11-17 2023-12-19 天津中电华利电器科技集团有限公司 一种变电室运行状态监测数据处理系统及方法
CN117251804B (zh) * 2023-11-17 2024-04-19 天津中电华利电器科技集团有限公司 一种变电室运行状态监测数据处理系统及方法
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117454096B (zh) * 2023-12-25 2024-03-01 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117951616A (zh) * 2024-03-27 2024-04-30 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法
CN117951616B (zh) * 2024-03-27 2024-05-28 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法

Also Published As

Publication number Publication date
CN116975771B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN116975771B (zh) 一种用于电机生产的异常自动识别方法及系统
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN112508105B (zh) 一种采油机故障检测与检索方法
CN112179691B (zh) 基于对抗学习策略的机械装备运行状态异常检测系统和方法
CN108581633B (zh) 一种基于遗传算法优化多传感监测刀具状态的方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN112149750A (zh) 一种供水管网爆管识别数据驱动方法
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN117171604A (zh) 基于传感器的保温板生产线异常监测系统
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及系统
CN114297264A (zh) 一种时序信号异常片段检测方法及系统
CN112215307B (zh) 一种应用机器学习自动检测地震仪器信号异常的方法
CN113484817A (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN116662800A (zh) 一种基于自适应注意力机制的滚动轴承故障诊断方法
CN111199209A (zh) 一种基于iwo-kfcm算法的轴承时频谱图识别方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN107067034B (zh) 一种快速识别红外光谱数据分类的方法及系统
CN114462441A (zh) 搓牙制程检测方法
CN112183745A (zh) 基于粒子群算法和dbn的高压电缆局部放电模式识别方法
CN112101458B (zh) 一种基于田口函数-信噪比的特性度量方法和装置
CN115854490B (zh) 一种用于除湿机状态监控的分析方法与系统

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