CN117169716B - 一种基于马尔科夫随机场算法的电机健康诊断系统 - Google Patents
一种基于马尔科夫随机场算法的电机健康诊断系统 Download PDFInfo
- Publication number
- CN117169716B CN117169716B CN202311154791.9A CN202311154791A CN117169716B CN 117169716 B CN117169716 B CN 117169716B CN 202311154791 A CN202311154791 A CN 202311154791A CN 117169716 B CN117169716 B CN 117169716B
- Authority
- CN
- China
- Prior art keywords
- motor
- health
- working
- parameter
- parameters
- 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
- 230000036541 health Effects 0.000 title claims abstract description 230
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 27
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
一种基于马尔科夫随机场算法的电机健康诊断系统,包括电机数据收集模块、电机健康分析模块、电机健康评估模块,电机数据收集模块用于对电机工作时的工作数据和电机健康状态下工作数据进行收集,且对收集的数据进行过滤和特征提取,电机健康分析模块用于构建电机工作数据和电机健康状态下工作参数的关系,并优化电机健康诊断的准确性和精度,电机健康评估模块用于判断电机健康状态和输出电机维护计划。本发明提出改进马尔可夫随机场算法构建电机健康数据模型,同时优化电机健康诊断的准确性和精度,提高了一种基于马尔科夫随机场算法的电机健康诊断系统的能力,为一种基于马尔科夫随机场算法的电机健康诊断系统提供更优的方案。
Description
技术领域
本发明涉及电机健康评估领域,具体地说,涉及一种基于马尔科夫随机场算法的电机健康诊断系统。
背景技术
电机作为人类进步的关键部件,被广泛的用于各种机器中,如数控基础,电机各种效率高,伺服性能高,但电机发生故障时会直接导致机器罢工,产生巨大的经济损失;电机故障具有多样性,不同的故障有着不同的原因,导致有不同的维修方式,判断电机故障原因不易,需要不断排除,维修所耗时间长,且目前能自动判断电机健康和故障的系统准确度不高。本发明采用基于马尔科夫随机场算法的电机健康诊断系统,通过收集的电机工作数据,采用马尔科夫随机场算法,判断电机工作健康程度,分析故障类型,快速定位电机故障原因,缩短电机维修时间,规划电机保养日期,减少电机故障发生概率,极大的提高了经济效益。
发明内容
本发明的目的在于提供一种基于马尔科夫随机场算法的电机健康诊断系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了一种基于马尔科夫随机场算法的电机健康诊断系统,包括电机数据收集模块、电机健康分析模块、电机健康评估模块;首先,收集电机工作时的工作数据和电机健康状态下的电机工作参数,对收集的数据进行过滤和特征提取,其次,对电机各种工作数据匹配相应的与电机健康程度有关的权重,再通过改进的马尔科夫随机场算法,构建电机工作数据和电机健康工作数据的关系,得到各种工作数据偏离健康工作参数的置信度,表示电机健康程度;最后判断电机健康状态且输出电机维护计划报告,进行问题检查预防。
进一步的,所述电机数据收集模块,通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度数据进行收集整理。
进一步的,所述电机数据收集模块,收集电机健康状态下的工作参数,评估电机的健康状况,提供准确的健康诊断依据,包括工作电流、工作电压、电机震动、电机工作温度。
进一步的,所述电机数据收集模块,对收集的电机工作数据和电机健康状态下的工作数据进行过滤处理,去除数据中的噪声数据,对异常数据进行处理;采用小波变换法进行特征数据的提取,提取强相关的数据,提高数据的质量。
进一步的,所述电机健康分析模块,根据电机工作参数对电机健康的贡献程度,对不同种类的参数赋予不同的权重,通过分析电机工作参数的物理意义、工作原理、实验研究,评估每个参数对电机健康状态的重要性,重要性根据参数的影响程度、变化范围、敏感性来进行评估,根据参数重要性评估结果,为每个电机工作参数确定相应的权重。
进一步的,所述电机健康分析模块,通过使用电机参数收集模块特征提取的电机参数,分析电机工作参数与健康参数之间的关联度,构建电机工作数据与电机健康工作数据之间的相关模型,详细过程如下:
定义电机工作参数Za,表示为 表示为第1种、第2种、第i种、第n种电机工作参数,定义电机健康状态下工作参数Zb,表示为 表示为第1种、第2种、第i种、第n种电机健康状态下工作参数,对于工作参数/>其数据结构表示为/> 表示电机参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,电机健康状态工作参数/>其数据结构表示为/> 表示电机健康状态工作参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,各种电机参数服从各自的分布,计算相对应的电机参数分布之间关联度/>计算公式如下:
表示第i种电机工作参数分布的标准差,/>表示第i种电机健康状态工作参数分布的标准差,/>表示第i种电机工作参数分布的均值,/>表示第i种电机健康状态工作参数分布的均值,F(·)表示参数的分布函数,构建电机参数图U=(Za,Zb,F′),其中 分别表示为电机参数/>之间的关联度;计算电机各种工作参数之间的干扰系数,计算公式如下:
表示第j种电机健康状态工作参数分布的标准差,/>表示第j种电机工作参数分布的均值,/>表示第j种电机工作参数,gi表示第i种电机工作参数干扰系数,再计算势函数/>计算公式如下:
本发明通过电机工作参数与健康参数之间的置信度,构建电机工作数据与电机健康工作数据之间的相关模型,进行电机工作参数与电机健康工作状态参数相关关系的分析,提高分析电机工作参数与电机健康工作状态参数之间关系的准确性。
进一步的,所述电机健康分析模块,通过改进的马尔科夫随机场算法,使用电机工作数据与电机健康工作数据之间的相关模型,计算电机健康程度,并优化电机健康诊断的准确性和精度,详细过程如下:
首先根据马尔科夫随机场,计算工作参数之间的联合传播率PZ,计算公式如下:
得到电机参数图中节点传播公式,计算公式如下:
Hi,j、Hi,k分别表示节点i,j之间、节点i、k之间的传递信息,传播公式进行迭代,收敛时得到最优置信度,公式如下:
xi表示电机参数的最优置信度,通过最优置信度表示电机参数偏离健康状态的偏离值,对不同的电机工作参数,匹配不同的权重γz=[γ1,γ2,…,γi,…,γn],γ1、γ2、γi、γn表示第1种、第2种、第i种、第n种电机参数影响权重,计算电机总的健康程度B,公式如下:
所有的电机工作参数偏离电机健康状态下参数的偏离值与对应的权重相乘进行叠加,代表电机诊断时的电机健康程度;
然后,改进的马尔科夫随机场算法以每组观测值的类别标签的条件概率进行建模,即其中,x为输入向量,θ为模型的学习参数,P(y|x,θ)为给定输入x和模型参数θ的条件下序列标签为y的概率,即预测概率,P(y|x,s,θ)为给定输入x、序列状态为s和模型参数θ的条件下序列标签为y的概率,P(s|x,θ)为给定输入x和模型参数θ的条件下序列状态为s的概率,ψ(y,s,x;θ)为描述输入x和序列标签y以及序列状态s之间关系的势函数,y′为序列标签y中的一个取值,m为所有状态的取值,然后通过损失函数对改进马尔可夫随机场算法的参数进行训练,即其中,L(θ)为学习参数θ的损失函数,n为训练样本的总数,xi为输入x中的第i个取值,yi为序列标签y中的第i个取值,P(yi|xi,θ)为给定输入xi和模型参数θ的条件下序列标签yi的概率,σ为正则化参数,接着使用梯度上升法找到最佳参数,即θ*=-log[L(θ)],其中,θ*为学习参数θ的最佳参数,为合并节点与其相邻节点之间的依赖性并消除来自相隔较远节点的噪声依赖性,现将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,原势函数为/>现通过相邻范围参数ω并同时考虑相邻节点间的依赖关系来对势函数ψ(y,s,x;θ,ω)进行改进,即其中,ψ(y,s,x;θ,ω)为原势函数,ψ′(y,s,x;θ,ω)为改进的势函数,φ(x,i,ω)为描述特征与隐状态之间关系的特征函数,θs[si]为隐状态si的模型参数,θy[y,si]为对应标签y和隐状态si的模型参数,E为隐状态的边集合,si为第i个隐状态,sj为第j个隐状态,θe[y,si,sj]为对应标签y和隐状态si、隐状态sj之间的模型参数,对于新的电机数据zt,其健康诊断结果为-log[P(y|zt,ω,θ*)],因此,改进马尔可夫随机场算法通过将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,同时通过相邻范围参数对势函数进行改进,考虑上边缘和类标签之间的依赖性,以提高电机健康检测的精度。
进一步的,所述电机健康评估模块,根据电机健康分析模型的电机健康分析,输出电机健康评估结果,设定电机健康程度计算结果为电机完全健康状态结果的百分之九十处为电机健康阈值,当电机健康程度计算结果低于阈值,电机处于不健康工作状态。
进一步的,所述电机健康评估模块,根据电机健康诊断的结果,生成详细的维护计划和电机报告,包括电机基本信息、故障诊断、故障类型、故障程度、维护计划、建议措施、工作安排,指导电机的维护和修复工作。
有益效果:
本发明的创新点在于,提供了一种基于马尔科夫随机场算法的电机健康诊断系统,用于电机的健康诊断,通过电机数据收集模块、电机健康分析模块和电机健康评估模块的融合,为电机健康诊断系统提供一种方法,首先收集电机工作时的工作数据和电机健康状态下的电机工作参数,对收集的数据进行过滤并采用小波变换法进行特征数据的提取,提取强相关的数据,提高数据的质量,其次,电机健康分析模块根据电机工作参数对电机健康的贡献程度,通过分析电机工作参数的物理意义、工作原理、实验研究,评估每个参数对电机健康状态的重要性,重要性根据参数的影响程度、变化范围、敏感性来进行评估,根据参数重要性评估结果,为每个电机工作参数确定相应的权重,通过分析电机工作参数与健康参数之间的关联度,构建电机工作数据与电机健康工作数据之间的相关模型,提出改进的马尔可夫随机场算法建立电机工作数据与电机健康工作数据之间的相关模型,得到各种工作数据偏离健康工作参数的置信度,计算电机健康程度,并优化电机健康诊断的准确性和精度,本发明的创新之处在于,改进马尔可夫随机场算法通过将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,并用梯度上升法找到最佳的学习参数,再通过相邻范围参数对势函数进行改进,考虑上边缘和类标签之间的依赖性,以提高电机健康检测的精度,本发明构建的利用电机工作数据与电机健康状态下工作数据之间的关系,并结合各参数的影响程度,计算的电机健康程度,相对于传统的电机健康程度计算,更符合电机健康状态,综合各种影响因素对电机健康程度进行量化,结果更符合实际;最后电机健康评估模块判断电机健康状态且输出电机维护计划报告,进行问题检查预防,指导电机的维护和修复工作。本发明提供的基于马尔科夫随机场算法的电机健康诊断系统,结合权重分析和人工智能技术,更加全面准确的分析电机运行状态、健康状态,故障判断结果更精准,能够在电机即将发生故障导致某一电机参数发生偏移时,准确输出电机健康程度值,电机健康评估模块同时输出电机参数故障问题和电机改进维修办法,减少电机故障导致的生产成本和维修成本增加,提高生产效率。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1,本发明旨在提供一种基于马尔科夫随机场算法的电机健康诊断系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了一种基于马尔科夫随机场算法的电机健康诊断系统,包括电机数据收集模块、电机健康分析模块、电机健康评估模块;首先,收集电机工作时的工作数据和电机健康状态下的电机工作参数,对收集的数据进行过滤和特征提取,其次,对电机各种工作数据匹配相应的与电机健康程度有关的权重,再通过改进的马尔科夫随机场算法,构建电机工作数据和电机健康工作数据的关系,得到各种工作数据偏离健康工作参数的置信度,表示电机健康程度;最后判断电机健康状态且输出电机维护计划报告,进行问题检查预防。
优选的,电机数据收集模块,通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度数据进行收集整理。收集电机健康状态下的工作参数,评估电机的健康状况,提供准确的健康诊断依据,包括工作电流、工作电压、电机震动、电机工作温度,对收集的电机工作数据和电机健康状态下的工作数据进行过滤处理,去除数据中的噪声数据,对异常数据进行处理;采用小波变换法进行特征数据的提取,提取强相关的数据,提高数据的质量。
优选的,在电机健康分析模块,根据电机工作参数对电机健康的贡献程度,对不同种类的参数赋予不同的权重,通过分析电机工作参数的物理意义、工作原理、实验研究,评估每个参数对电机健康状态的重要性,重要性根据参数的影响程度、变化范围、敏感性来进行评估,根据参数重要性评估结果,为每个电机工作参数确定相应的权重。
具体的,通过使用电机参数收集模块特征提取的电机参数,分析电机工作参数与健康参数之间的关联度,构建电机工作数据与电机健康工作数据之间的相关模型,详细过程如下:
定义电机工作参数Za,表示为 表示为第1种、第2种、第i种、第n种电机工作参数,定义电机健康状态下工作参数Zb,表示为 表示为第1种、第2种、第i种、第n种电机健康状态下工作参数,对于工作参数/>其数据结构表示为/> 表示电机参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,电机健康状态工作参数/>其数据结构表示为/> 表示电机健康状态工作参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,各种电机参数服从各自的分布,计算相对应的电机参数分布之间关联度/>计算公式如下:
表示第i种电机工作参数分布的标准差,/>表示第i种电机健康状态工作参数分布的标准差,/>表示第i种电机工作参数分布的均值,/>表示第i种电机健康状态工作参数分布的均值,F(·)表示参数的分布函数,构建电机参数图U=(Za,Zb,F′),其中 分别表示为电机参数/>之间的关联度;计算电机各种工作参数之间的干扰系数,计算公式如下:
表示第j种电机健康状态工作参数分布的标准差,/>表示第j种电机工作参数分布的均值,/>表示第j种电机工作参数,gi表示第i种电机工作参数干扰系数,再计算势函数/>计算公式如下:
具体的,通过改进的马尔科夫随机场算法,使用电机工作数据与电机健康工作数据之间的相关模型,计算电机健康程度,并优化电机健康诊断的准确性和精度,详细过程如下:
首先根据马尔科夫随机场,计算工作参数之间的联合传播率PZ,计算公式如下:
得到电机参数图中节点传播公式,计算公式如下:
Hi,j、Hi,k分别表示节点i,j之间、节点i、k之间的传递信息,传播公式进行迭代,收敛时得到最优置信度,公式如下:
xi表示电机参数的最优置信度,通过最优置信度表示电机参数偏离健康状态的偏离值,对不同的电机工作参数,匹配不同的权重γz=[γ1,γ2,…,γi,…,γn],γ1、γ2、γi、γn表示第1种、第2种、第i种、第n种电机参数影响权重,计算电机总的健康程度B,公式如下:
所有的电机工作参数偏离电机健康状态下参数的偏离值与对应的权重相乘进行叠加,代表电机诊断时的电机健康程度;
然后,改进的马尔科夫随机场算法以每组观测值的类别标签的条件概率进行建模,即其中,x为输入向量,θ为模型的学习参数,P(y∣x,θ)为给定输入x和模型参数θ的条件下序列标签为y的概率,即预测概率,P(y∣x,s,θ)为给定输入x、序列状态为s和模型参数θ的条件下序列标签为y的概率,P(s|x,θ)为给定输入x和模型参数θ的条件下序列状态为s的概率,ψ(y,s,x;θ)为描述输入x和序列标签y以及序列状态s之间关系的势函数,y′为序列标签y中的一个取值,m为所有状态的取值,然后通过损失函数对改进马尔可夫随机场算法的参数进行训练,即其中,L(θ)为学习参数θ的损失函数,n为训练样本的总数,xi为输入x中的第i个取值,yi为序列标签y中的第i个取值,P(yi|xi,θ)为给定输入xi和模型参数θ的条件下序列标签yi的概率,σ为正则化参数,接着使用梯度上升法找到最佳参数,即θ*=-log[L(θ)],其中,θ*为学习参数θ的最佳参数,为合并节点与其相邻节点之间的依赖性并消除来自相隔较远节点的噪声依赖性,现将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,原势函数为/>现通过相邻范围参数ω并同时考虑相邻节点间的依赖关系来对势函数ψ(y,s,x;θ,ω)进行改进,注意,确定节点的相邻距离不一定是欧几里得距离,故改进马尔可夫模型不再是固定的,将随着给定数据而进行动态变化,即/>其中,ψ(y,s,x;θ,ω)为原势函数,ψ′(y,s,x;θ,ω)为改进的势函数,φ(x,i,ω)为描述特征与隐状态之间关系的特征函数,θs[si]为隐状态si的模型参数,θy[y,si]为对应标签y和隐状态si的模型参数,E为隐状态的边集合,si为第i个隐状态,sj为第j个隐状态,θe[y,si,sj]为对应标签y和隐状态si、隐状态sj之间的模型参数,对于新的电机数据zt,其健康诊断结果为-log[P(y|zt,ω,θ*)],因此,改进马尔可夫随机场算法通过将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,同时通过相邻范围参数对势函数进行改进,考虑上边缘和类标签之间的依赖性,以提高电机健康检测的精度。
优选的,电机健康评估模块,根据电机健康分析模型的电机健康分析,输出电机健康评估结果,设定电机健康程度计算结果为电机完全健康状态结果的百分之九十处为电机健康阈值,当电机健康程度计算结果低于阈值,电机处于不健康工作状态。根据电机健康诊断的结果,生成详细的维护计划和电机报告,包括电机基本信息、故障诊断、故障类型、故障程度、维护计划、建议措施、工作安排,指导电机的维护和修复工作。
有益效果:
本发明的创新点在于,提供了一种基于马尔科夫随机场算法的电机健康诊断系统,用于电机的健康诊断,通过电机数据收集模块、电机健康分析模块和电机健康评估模块的融合,为电机健康诊断系统提供一种方法,首先收集电机工作时的工作数据和电机健康状态下的电机工作参数,对收集的数据进行过滤并采用小波变换法进行特征数据的提取,提取强相关的数据,提高数据的质量,其次,电机健康分析模块根据电机工作参数对电机健康的贡献程度,通过分析电机工作参数的物理意义、工作原理、实验研究,评估每个参数对电机健康状态的重要性,重要性根据参数的影响程度、变化范围、敏感性来进行评估,根据参数重要性评估结果,为每个电机工作参数确定相应的权重,通过分析电机工作参数与健康参数之间的关联度,构建电机工作数据与电机健康工作数据之间的相关模型,提出改进的马尔可夫随机场算法建立电机工作数据与电机健康工作数据之间的相关模型,得到各种工作数据偏离健康工作参数的置信度,计算电机健康程度,并优化电机健康诊断的准确性和精度,本发明的创新之处在于,改进马尔可夫随机场算法通过将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,并用梯度上升法找到最佳的学习参数,再通过相邻范围参数对势函数进行改进,考虑上边缘和类标签之间的依赖性,以提高电机健康检测的精度,本发明构建的利用电机工作数据与电机健康状态下工作数据之间的关系,并结合各参数的影响程度,计算的电机健康程度,相对于传统的电机健康程度计算,更符合电机健康状态,综合各种影响因素对电机健康程度进行量化,结果更符合实际;最后电机健康评估模块判断电机健康状态且输出电机维护计划报告,进行问题检查预防,指导电机的维护和修复工作。本发明提供的基于马尔科夫随机场算法的电机健康诊断系统,结合权重分析和人工智能技术,更加全面准确的分析电机运行状态、健康状态,故障判断结果更精准,能够在电机即将发生故障导致某一电机参数发生偏移时,准确输出电机健康程度值,电机健康评估模块同时输出电机参数故障问题和电机改进维修办法,减少电机故障导致的生产成本和维修成本增加,提高生产效率。
本发明还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令,该指令由处理器加载并执行,以实现上述方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每部分自由结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机和其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机处理终端设备的处理器执行的指令产生用于实现在流程图和方框图中指定具体功能的作用。
计算机可读存储介质提供的计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于马尔科夫随机场算法的电机健康诊断系统,包括电机数据收集模块、电机健康分析模块、电机健康评估模块;首先,收集电机工作时的工作数据和电机健康状态下的电机工作参数,对收集的数据进行过滤和特征提取,其次,对电机各种工作数据匹配相应的与电机健康程度有关的权重,再通过改进的马尔科夫随机场算法,构建电机工作数据和电机健康工作数据的关系,得到各种工作数据偏离健康工作参数的置信度,表示电机健康程度;最后判断电机健康状态且输出电机维护计划报告,进行问题检查预防;
所述电机数据收集模块,通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度数据进行收集整理;
所述电机数据收集模块,收集电机健康状态下的工作参数,包括工作电流、工作电压、电机震动、电机工作温度,为马尔科夫随机场进行电机健康判断提供健康标准;
所述电机数据收集模块,对收集的电机工作数据和电机健康状态下的工作数据进行过滤处理,去除数据中的噪声数据,对异常数据进行处理;采用小波变换法进行特征数据的提取,提取强相关的数据,提高数据的质量;
所述电机健康分析模块,根据电机工作参数对电机健康的贡献程度,对不同种类的参数赋予不同的权重,通过分析电机工作参数的物理意义、工作原理、实验研究,评估每个参数对电机健康状态的重要性,重要性根据参数的影响程度、变化范围、敏感性来进行评估,根据参数重要性评估结果,为每个电机工作参数确定相应的权重;
所述电机健康分析模块,通过使用电机参数收集模块特征提取的电机参数,分析电机工作参数与健康参数之间的关联度,构建电机工作数据与电机健康工作数据之间的相关模型,详细过程如下:
定义电机工作参数Za,表示为 表示为第1种、第2种、第i种、第n种电机工作参数,定义电机健康状态下工作参数Zb,表示为 表示为第1种、第2种、第i种、第n种电机健康状态下工作参数,对于工作参数/>其数据结构表示为/> 表示电机参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,电机健康状态工作参数/>其数据结构表示为/> 表示电机健康状态工作参数/>第1时刻、第2时刻、第t时刻、第T时刻的数据,各种电机参数服从各自的分布,计算相对应的电机参数分布之间关联度/>计算公式如下:
表示第i种电机工作参数分布的标准差,/>表示第i种电机健康状态工作参数分布的标准差,/>表示第i种电机工作参数分布的均值,/>表示第i种电机健康状态工作参数分布的均值,F(·)表示参数的分布函数,构建电机参数图U=(Za,Zb,F′),其中 分别表示为电机参数/>之间的关联度;计算电机各种工作参数之间的干扰系数,计算公式如下:
表示第j种电机健康状态工作参数分布的标准差,/>表示第j种电机工作参数分布的均值,/>表示第j种电机工作参数,gi表示第i种电机工作参数干扰系数,再计算势函数计算公式如下:
2.根据权利要求1所述一种基于马尔科夫随机场算法的电机健康诊断系统,其特征在于,所述电机健康分析模块,通过改进的马尔科夫随机场算法,使用电机工作数据与电机健康工作数据之间的相关模型,计算电机健康程度,并优化电机健康诊断的准确性和精度,详细过程如下:
首先根据马尔科夫随机场,计算工作参数之间的联合传播率PZ,计算公式如下:
得到电机参数图中节点传播公式,计算公式如下:
Hi,j、Hi,k分别表示节点i,j之间、节点i、k之间的传递信息,传播公式进行迭代,收敛时得到最优置信度,公式如下:
xi表示电机参数的最优置信度,通过最优置信度表示电机参数偏离健康状态的偏离值,对不同的电机工作参数,匹配不同的权重γz=[γ1,γ2,…,γi,…,γn],γ1、γ2、γi、γn表示第1种、第2种、第i种、第n种电机参数影响权重,计算电机总的健康程度B,公式如下:
所有的电机工作参数偏离电机健康状态下参数的偏离值与对应的权重相乘进行叠加,代表电机诊断时的电机健康程度;
然后,改进的马尔科夫随机场算法以每组观测值的类别标签的条件概率进行建模,即其中,x为输入向量,θ为模型的学习参数,P(y∣x,θ)为给定输入x和模型参数θ的条件下序列标签为y的概率,即预测概率,P(y∣x,s,θ)为给定输入x、序列状态为s和模型参数θ的条件下序列标签为y的概率,P(s∣x,θ)为给定输入x和模型参数θ的条件下序列状态为s的概率,ψ(y,s,x;θ)为描述输入x和序列标签y以及序列状态s之间关系的势函数,y′为序列标签y中的一个取值,m为所有状态的取值,然后通过损失函数对改进马尔可夫随机场算法的参数进行训练,即其中,L(θ)为学习参数θ的损失函数,n为训练样本的总数,xi为输入x中的第i个取值,yi为序列标签y中的第i个取值,P(yi∣xi,θ)为给定输入xi和模型参数θ的条件下序列标签yi的概率,σ为正则化参数,接着使用梯度上升法找到最佳参数,即θ*=-log[L(θ)],其中,θ*为学习参数θ的最佳参数,为合并节点与其相邻节点之间的依赖性并消除来自相隔较远节点的噪声依赖性,现将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,原势函数为/>现通过相邻范围参数ω并同时考虑相邻节点间的依赖关系来对势函数ψ(y,s,x;θ,ω)进行改进,即其中,ψ(y,s,x;θ,ω)为原势函数,ψ′(y,s,x;θ,ω)为改进的势函数,φ(x,i,ω)为描述特征与隐状态之间关系的特征函数,θs[si]为隐状态si的模型参数,θy[y,di]为对应标签y和隐状态si的模型参数,E为隐状态的边集合,si为第i个隐状态,sj为第j个隐状态,θe[y,si,sj]为对应标签y和隐状态si、隐状态sj之间的模型参数,对于新的电机数据zt,其健康诊断结果为-log[P(y|zt,ω,θ*)],因此,改进马尔可夫随机场算法通过将传统健康诊断从节点中提取健康信息改进为从相邻节点间的依赖关系中提取健康信息,以进一步提高电机健康诊断的准确性,同时通过相邻范围参数对势函数进行改进,考虑上边缘和类标签之间的依赖性,以提高电机健康检测的精度。
3.根据权利要求1所述一种基于马尔科夫随机场算法的电机健康诊断系统,其特征在于,所述电机健康评估模块,根据电机健康分析模块的电机健康分析,输出电机健康评估结果,规定电机健康程度计算结果为电机完全健康状态结果的百分之九十处为电机健康阈值,当电机健康程度计算结果低于阈值时,电机处于不健康工作状态。
4.根据权利要求1所述一种基于马尔科夫随机场算法的电机健康诊断系统,其特征在于,所述电机健康评估模块,根据电机健康诊断的结果,生成详细的电机维护计划报告,包括电机基本信息、故障诊断、故障类型、故障程度、维护计划、建议措施、工作安排,指导电机的维护和修复工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154791.9A CN117169716B (zh) | 2023-09-07 | 2023-09-07 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154791.9A CN117169716B (zh) | 2023-09-07 | 2023-09-07 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169716A CN117169716A (zh) | 2023-12-05 |
CN117169716B true CN117169716B (zh) | 2024-02-27 |
Family
ID=88946726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311154791.9A Active CN117169716B (zh) | 2023-09-07 | 2023-09-07 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169716B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037306A (zh) * | 2017-03-28 | 2017-08-11 | 浙江大学 | 基于隐马尔科夫模型的变压器故障动态预警方法 |
CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 |
CN112132806A (zh) * | 2020-09-22 | 2020-12-25 | 东南大学 | 一种基于模糊空间马尔科夫随机场的变化区域提取方法 |
CN112348072A (zh) * | 2020-10-30 | 2021-02-09 | 长春工业大学 | 基于慢特征分析和隐马尔科夫的健康状态评估方法 |
CN113935562A (zh) * | 2020-07-14 | 2022-01-14 | 东南大学 | 一种电力设备健康状况智能评级与自动预警方法 |
CN114611213A (zh) * | 2022-03-14 | 2022-06-10 | 江苏省特种设备安全监督检验研究院 | 基于层次分析法和动态权重的起重机风险评估方法及系统 |
CN116258084A (zh) * | 2023-05-08 | 2023-06-13 | 江苏省特种设备安全监督检验研究院 | 一种基于混合仿真算法的电机健康评估方法及系统 |
CN116338599A (zh) * | 2023-03-30 | 2023-06-27 | 北京理工大学 | 一种面向多功能雷达的干扰样式和工作参数联合优化方法 |
CN116629831A (zh) * | 2023-05-15 | 2023-08-22 | 南京理工大学 | 基于隐半马尔科夫模型的转辙机健康管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
-
2023
- 2023-09-07 CN CN202311154791.9A patent/CN117169716B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037306A (zh) * | 2017-03-28 | 2017-08-11 | 浙江大学 | 基于隐马尔科夫模型的变压器故障动态预警方法 |
CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 |
CN113935562A (zh) * | 2020-07-14 | 2022-01-14 | 东南大学 | 一种电力设备健康状况智能评级与自动预警方法 |
CN112132806A (zh) * | 2020-09-22 | 2020-12-25 | 东南大学 | 一种基于模糊空间马尔科夫随机场的变化区域提取方法 |
CN112348072A (zh) * | 2020-10-30 | 2021-02-09 | 长春工业大学 | 基于慢特征分析和隐马尔科夫的健康状态评估方法 |
CN114611213A (zh) * | 2022-03-14 | 2022-06-10 | 江苏省特种设备安全监督检验研究院 | 基于层次分析法和动态权重的起重机风险评估方法及系统 |
CN116338599A (zh) * | 2023-03-30 | 2023-06-27 | 北京理工大学 | 一种面向多功能雷达的干扰样式和工作参数联合优化方法 |
CN116258084A (zh) * | 2023-05-08 | 2023-06-13 | 江苏省特种设备安全监督检验研究院 | 一种基于混合仿真算法的电机健康评估方法及系统 |
CN116629831A (zh) * | 2023-05-15 | 2023-08-22 | 南京理工大学 | 基于隐半马尔科夫模型的转辙机健康管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117169716A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105738109B (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
CN113239022B (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN115471712A (zh) | 一种基于视觉语义约束的生成零样本学习方法 | |
CN116401603A (zh) | 一种基于迁移学习的多模态轴承故障智能诊断方法 | |
CN116909788A (zh) | 一种任务导向和视角不变的多模态故障诊断方法及系统 | |
CN116527346A (zh) | 基于深度学习图神经网络理论的威胁节点感知方法 | |
CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电系统故障检测方法 | |
CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN117169716B (zh) | 一种基于马尔科夫随机场算法的电机健康诊断系统 | |
CN118011994A (zh) | 一种基于跨模态工业大模型的故障诊断系统及方法 | |
CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
CN117349595A (zh) | 一种面向工业场景的极端少样本故障诊断方法 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 | |
CN115659135A (zh) | 一种面向多源异构工业传感器数据的异常检测方法 | |
CN115292820A (zh) | 一种城轨列车轴承剩余使用寿命的预测方法 |
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 |