CN117368724A - 电机寿命预测方法、装置、介质及设备 - Google Patents
电机寿命预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117368724A CN117368724A CN202311675634.2A CN202311675634A CN117368724A CN 117368724 A CN117368724 A CN 117368724A CN 202311675634 A CN202311675634 A CN 202311675634A CN 117368724 A CN117368724 A CN 117368724A
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- life
- prediction
- component
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 239000011257 shell material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Chemical group 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本公开涉及一种电机寿命预测方法、装置、介质及设备,涉及电机技术领域,方法包括获取待测电机的运行工况以及多个部件的寿命影响数据;根据所述运行工况,确定每一部件的权重参数;根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,所述加权预测数据表征对所述部件的寿命预测结果加权后的数据;将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。本公开通过电机不同运行工况下每一部件的权重信息和寿命影响数据,考虑了不同工况下电机不同部件对电机寿命的影响程度,如此,获得的寿命预测结果更准确。
Description
技术领域
本公开涉及电机技术领域,具体地,涉及一种电机寿命预测方法、装置、介质及设备。
背景技术
近年来,电机被广泛地应用在工业中,一般电机由定子、转子、轴承、机壳、电刷等构成,相当一部分电机的故障是由于电机轴承故障导致的。相关技术中,为了预防因电机轴承故障而造成的电机异常,对电机轴承的剩余使用寿命进行预测评估,以方便有关人员制定有效的维修策略。但是实际上电机的其他部件对电机的寿命也有影响,仅利用电机的一个关键部件预测电机的寿命,预测结果不准确。
发明内容
本公开的目的是提供一种设备,该设备可以提高电机的寿命预测结果的准确性。
本公开实施例的第一方面提供一种电机寿命预测方法,包括:
获取待测电机的运行工况以及多个部件的寿命影响数据;
根据所述运行工况,确定每一部件的权重参数;
根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,所述加权预测数据表征对所述部件的寿命预测结果加权后的数据;
将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
可选地,根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,包括:
根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据;
根据每一部件的权重参数,对所述部件对应的中间预测数据加权,得到每一部件的加权预测数据。
可选地,根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据,包括:
对所述寿命影响数据进行预处理,获得待输入数据;
将所述待输入数据输入至所述第二预测模型,获得所述中间预测数据。
可选地,对所述寿命影响数据进行预处理,获得待输入数据,包括:
根据所述寿命影响数据的属性信息,对所述寿命影响数据进行归一化处理,获得所述待输入数据。
可选地,根据所述运行工况,确定每一部件的权重参数,包括:
根据所述运行工况,从预设数据表中确定每一部件的权重参数。
可选地,所述第一预测模型是通过如下训练方法得到的:
获取样本电机在不同运行工况下每一部件的寿命数据,所述样本电机是与所述待测电机同型号的电机;
根据所述运行工况下每一部件对应的权重参数,对所述寿命数据进行加权,获得训练数据;
在训练时,当浅层特征信息被多个并行的卷积融合后,所得到的深层卷积特征再与浅层特征信息结合得出一个分支,其余部分进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构;
将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第一预测模型。
可选地,所述方法还包括:
在根据所述运行工况,确定每一部件的权重参数之前,在样本电机的不同运行工况下,通过层次分析法,确定所述样本电机的每一部件的寿命因数对所述样本电机的寿命影响程度,所述样本电机是与所述待测电机同型号的电机;
根据所述样本电机每一部件对应的寿命影响程度,确定在不同运行工况下的、所述待测电机的每一部件的权重参数。
本公开实施例的第二方面提供一种电机寿命预测装置,包括:
获取模块,用于获取待测电机的运行工况以及多个部件的寿命影响数据;
确定模块,用于根据所述运行工况,确定每一部件的权重参数;
第一获得模块,用于根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据;
第二获得模块,用于将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
本公开实施例的第三方面提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例第一方面提供的电机寿命预测方法。
本公开实施例的第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例第一方面提供的电机寿命预测方法。
本公开实施例中,通过获取待测电机的运行工况以及多个部件的寿命影响数据,根据运行工况,确定每一部件的权重参数,并根据权重参数和寿命影响数据,得到每一部件的加权预测数据,将多个部件的加权预测数据输入至第一预测模型中,得到待测电机的寿命预测结果。通过电机不同运行工况下每一部件的权重信息和寿命影响数据,考虑了不同工况下电机不同部件对电机寿命的影响程度,如此,获得的寿命预测结果更准确。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种电机寿命预测方法的流程图。
图2是根据一示例性实施例示出的一种电机寿命预测方法中对第一预测模型训练时构建模型结构的原理示意图。
图3是根据一示例性实施例示出的一种电机寿命预测装置的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中,维修人员凭经验在发电机组计划检修中提前更换或检修机械易损件,有可能更换过早,没有充分使用这些机械易损件的剩余寿命,造成浪费和经济损失。仅利用电机的一个关键部件如轴承的参数预测电机的寿命,预测结果不准确。
参见图1,图1是根据一示例性实施例示出的一种电机寿命预测方法的流程图,电机寿命预测方法包括以下步骤。
S101、获取待测电机的运行工况以及多个部件的寿命影响数据。
示例地,电机的寿命影响数据可以包括环境参数和运行参数,其中环境参数可以是环境温度、环境湿度、电机已使用年限等数据,运行参数可以是待测电机的负载数据、电流数据、电机转速、运行时长等数据。
示例地,电机的运行工况包括电机在运行中所处的状态以及相关参数的取值范围,包括电机运行环境、负载情况、温度、转速等多个方面。在实际应用中,对于不同类型的电机,其工况也存在差异。例如,电机在额定转速下工作、电机在额定负载下工作、电机在峰值转速和额定转速之间的目标转速下工作、电机超负荷工作、电机空载运行等等。其中,电机的额定转速是指电机在标准工作状态下的转速,通常以每分钟转数为单位表示。额定负载是指电机在额定转速下能够承受的最大负载。一般来说,电机在额定负载下应该能够长时间稳定运行,不会发生过热或其他故障。电机在运转时,会因为电阻产热而发生升温,电机绕组的温度应该在设计要求的范围内,以保证电机的正常运行。电机的工作环境温度也是很重要的一个因素,环境温度过高或过低会影响电机的散热效果和运转稳定性,因此,在选择电机的时候需要参考电机的使用环境温度范围。电流和电压是电机工作的基本参数,保证电流和电压稳定,并且不超过额定值,可以避免电机损坏和安全事故的发生。电机的运行工况可以包括正常运行、过载运行、空载运行、轻载运行等工况。
示例地,电机不同工况下对不同的电机部件的损耗程度不同,其中电机的关键部件包括定子、转子、电刷、轴承和机壳等。具体的,定子是电动机的静止部分,由铁心、骨架、线圈等组成,其作用是产生磁场,使转子在其内部旋转,而定子铁心是定子的主要承载部件,因此电机过载对定子的影响程度较大。转子是电动机的旋转部分,由铁芯和导体圈组成,其主要作用是受定子的磁场作用而旋转,从而实现电动机的动力输出,电机的运转速度受到电源供电频率和机械负载情况的影响,因此在电机过载、转子转速过大或电流过大的情况下,对转子的损耗程度较大。电刷是由碳素和其他材料制成的,主要作用是在定子和转子的接触处输送电流,电刷在经过长时间的使用后需要定期更换,以保证电动机的正常工作,因此在电机转子转速过大或电流过大的情况下,对电刷的损耗程度同样较大。轴承主要用于支承电动机的转子,减少机械磨损和摩擦,从而延长电机寿命和提高效率;常见的轴承有球轴承、滚动轴承、滑动轴承等,因此在电机过载、转子转速过大时,相较于电机在额定负载、或额定转速工作时,对轴承的损耗程度也会更大。机壳是电动机的外部罩体,可避免外部物质对电动机的影响,同时还能降低噪声,增加机器的安全性;机壳材料一般使用铸铁或铝合金,具有良好的防护性和导热性,因此在外界环境温度较大、较小或者外接湿度较大的情况下,对电机的外壳影响程度大。
S102、根据所述运行工况,确定每一部件的权重参数。
示例地,可以根据电机的运行工况,确定针对电机每一部件的权重参数。例如在电机过载工况下,对电机的定子、转子、轴承的影响程度更大,因此,可以将定子、转子、轴承对应的权重参数设置得更大,进一步,过载工况下对定子的影响程度比转子、轴承的影响程度更大,可以将定子对应的权重参数设置得比转子和轴承对应的权重参数更大,如定子的权重参数为0.5、转子的权重参数为0.2、轴承的权重参数为0.2、电刷的权重参数为0.05、外壳的权重参数为0.05。又例如,在电机正常运行工况下,对轴承和定子的影响程度比对其他部件的影响程度也会更大,但权重参数之间的差距较小,如定子的权重参数为0.35、转子的权重参数为0.2、轴承的权重参数为0.3、电刷的权重参数为0.1、外壳的权重参数为0.05。
S103、根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据。
其中,所述加权预测数据表征对所述部件的寿命预测结果加权后的数据。
示例地,根据权重参数和每一部件对应的寿命影响数据,可以得到每一部件的加权预测数据,例如可以是对每一电机部件进行预测后的寿命预测结果、根据该部件对应的权重参数进行加权后的数据。这里,对部件的寿命预测结果可以根据预测模型进行确定,或者,也可以根据专业人员的经验判断。
S104、将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
示例地,将多个部件的加权预测数据输入至第一预测模型中,可以得到针对待测电机的寿命预测结果,加权后的预测数据可以使得对电机寿命的预测结果更准确。
本公开实施例中,通过获取待测电机的运行工况以及多个部件的寿命影响数据,根据运行工况,确定每一部件的权重参数,并根据权重参数和寿命影响数据,得到每一部件的加权预测数据,将多个部件的加权预测数据输入至第一预测模型中,得到待测电机的寿命预测结果。如此,通过电机不同运行工况下每一部件的权重信息和寿命影响数据,考虑了不同工况下电机不同部件对电机寿命的影响程度,如此,获得的寿命预测结果更准确。
作为一种可选的实施例,根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,包括:
根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据;
根据每一部件的权重参数,对所述部件对应的中间预测数据加权,得到每一部件的加权预测数据。
示例地,可以将每一部件对应的寿命影响数据输入至第二预测模型,得到针对所述部件的中间预测数据,并利用每一部件的权重参数对所述部件对应的中间预测数据加权,可以得到每一部件的加权预测数据。中间预测数据是预测所述部件的寿命预测结果,也可以是第二预测模型输出的用于输入至第一预测模型的特征编码。其中,第一预测模型和第二预测模型均可以采用卷积神经网络模型,第一预测模型和第二预测模型对应的卷积核大小、卷积层数等不同。
作为一种可选的实施例,根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据,包括:
对所述寿命影响数据进行预处理,获得待输入数据;
将所述待输入数据输入至所述第二预测模型,获得所述中间预测数据。
示例地,在将寿命影响数据输入至第二预测模型时,可以对寿命影响数据进行预处理,在一种可选的实施例中,可以将寿命影响数据中无效的数据剔除,并对剔除后的空缺数据补位,例如,在以时间为序的电机电流数据序列中,若其中一个电流数据与前一个电流数据或后一个电流数据之间的差值大于预设阈值,可以认为是采集电流数据的传感器测量失误,此时可以将该电流数据剔除,并利用该前一个电流数据或该后一个电流数据作为补充剔除电流数据的数据,或者利用该前一个电流数据和该后一个电流数据的平均值作为补充剔除电流数据的数据。
在另一种可选的实施例中,对所述寿命影响数据进行预处理,获得待输入数据,包括:
根据所述寿命影响数据的属性信息,对所述寿命影响数据进行归一化处理,获得所述待输入数据。
示例地,可以将根据所述寿命影响数据的属性信息,对所述寿命影响数据进行归一化处理,获得所述待输入数据。其中,寿命影响数据的属性信息可以包括数值特征数据和词向量数据。例如,运行环境可以为具体的温度数值,也可以是温度高、温度适宜、温度低等处理词数据;负载情况可以是具体的负载大小,也可以是正常、过载、空载、轻载等词数据;温度可以是具体的温度值,也可以是高温、低温、适宜等词数据,转速可以为具体的转速值。对上述数值进行处理后,获得数值特征,对上述词数据进行处理后获得词向量数据,对寿命影响数据进行归一化处理,获得所述待输入数据。
示例地,还可以根据归一化处理公式得到待输入数据,其中,归一化处理公式如下:
其中,Di′为归一化处理后同一属性的数据中第i个数据值;Di为归一化处理前同一属性的数据中第i个数据值;Dmax为归一化处理前同一属性的数据中的最大值;Dmin为归一化处理前同一属性的数据中的最小值。具体的,这里的同一属性是指同一个寿命影响因数。
作为一种可选的实施例,根据所述运行工况,确定每一部件的权重参数,包括:
根据所述运行工况,从预设数据表中确定每一部件的权重参数。
示例地,可以根据运行工况,从预设数据表中确定每一部件的权重参数。例如可以根据运行工况中电机的负载、电机转速快慢以及电机所处环境对应确定一个权重参数。在每一环境温度下,电机的当前负载、电机当前转速下均可以对应一个权重参数序列,权重参数序列包括了电机的多个部件的权重参数,权重参数序列的顺序是固定顺序或用户指定的顺序,例如权重参数的顺序依次为定子、转子、电刷、轴承和机壳的权重参数。这里预设数据表中权重参数的数据可以通过测试或实际需求确定,这里不作示例。
作为一种可选的实施例,所述第一预测模型是通过如下训练方法得到的:
获取样本电机在不同运行工况下每一部件的寿命数据,所述样本电机是与所述待测电机同型号的电机;
根据所述运行工况下每一部件对应的权重参数,对所述寿命数据进行加权,获得训练数据;
在训练时,当浅层特征信息被多个并行的卷积融合后,所得到的深层卷积特征再与浅层特征信息结合得出一个分支,其余部分进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构;
将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第一预测模型。
示例地,样本电机是与所述待测电机同型号的电机。这里的每一部件的寿命数据,可以是将每一部件的寿命影响数据输入第二预测模型得到的,也可以是专业人员根据实际情况测量得到的。例如,为了能加速得到样本电机的寿命数据,此示例可以采用24h不停歇运行进而加速寿命实验,传感器采集8个参数,如电流、电压、电机转速、电机扭矩、运行温度等全寿命周期数据。如可以每隔5秒就收集一次数据,之后将8列属性数据分别进行归一处理和重组,可以得到每一部件的寿命数据,利用所述运行工况下每一部件对应的权重参数对所述寿命数据进行加权,获得训练数据。
示例地,在模型搭建部分,初始卷积神经网络可以使用不同大小的卷积核同时对寿命数据进行卷积,可在不同偏好程度上对特征进行提取,从而能高效提取特征信息。另外,为了防止模型随着加深的退化,还加入了深浅层卷积融合的结构,如图2所示,当浅层特征信息X被多个并行的卷积层神经元卷积融合后,所得到的深层卷积特征F(x)再与浅层特征信息X结合得出F(x)+X,并进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构。将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第一预测模型。可以理解,随着并行卷积核的数量增多,预测的精度会随之提高,深浅层卷积融合个数也影响着预测准确率,当两种结构相结合后方能达到最优模型结构。
另外,对第二预测模型的训练方法与第一预测模型训练方法相似,其中,可以获取所述样本电机目标部件的寿命影响数据,所述样本电机是与所述待测电机同型号的电机;根据每一运行工况下所述目标部件的寿命影响数据,获得训练数据;在训练时,当浅层特征信息被多个并行的卷积融合后,所得到的深层卷积特征再与浅层特征信息结合得出一个分支,其余部分进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构;将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第二预测模型。
作为一种可选的实施例,所述方法还包括:
在根据所述运行工况,确定每一部件的权重参数之前,在样本电机的不同运行工况下,通过层次分析法,确定所述样本电机的每一部件的寿命因数对所述样本电机的寿命影响程度,所述样本电机是与所述待测电机同型号的电机;
根据所述样本电机每一部件对应的寿命影响程度,确定在不同运行工况下的、所述待测电机的每一部件的权重参数。
示例地,可以通过层次分析法确定样本电机的每一部件的寿命因数,层次分析法(Analytic Hierarchy Process,AHP)是指将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析的决策方法。层次分析法把研究对象作为一个系统,按照分解、比较判断、综合的思维方式进行决策,而层次分析法中每一层的权重设置最后都会直接或间接影响到结果,而且在每个层次中的每个因素对结果的影响程度都是量化的,非常清晰明确。层次分析法把定性方法与定量方法有机地结合起来,使复杂的系统分解,能将人们的思维过程数学化、系统化,且能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题,通过两两比较确定同一层次元素相对上一层次元素的数量关系后,最后进行简单的数学运算。因此计算简便,并且所得结果简单明确,容易为决策者了解和掌握。
参见图3,图3是根据一示例性实施例示出的一种电机寿命预测装置的框图,电机寿命预测装置包括:
获取模块301,用于获取待测电机的运行工况以及多个部件的寿命影响数据;
确定模块302,用于根据所述运行工况,确定每一部件的权重参数;
第一获得模块303,用于根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,所述加权预测数据表征对所述部件的寿命预测结果加权后的数据;
第二获得模块304,用于将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
作为一种可选的实施例,第一获得模块303包括:
第一获得子模块,用于根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据;
第二获得子模块,用于根据每一部件的权重参数,对所述部件对应的中间预测数据加权,得到每一部件的加权预测数据。
作为一种可选的实施例,第一获得子模块包括:
预处理子模块,用于对所述寿命影响数据进行预处理,获得待输入数据;
第三获得子模块,用于将所述待输入数据输入至所述第二预测模型,获得所述中间预测数据。
作为一种可选的实施例,预处理子模块具体用于:
根据所述寿命影响数据的属性信息,对所述寿命影响数据进行归一化处理,获得所述待输入数据。
作为一种可选的实施例,确定模块302具体用于:
根据所述运行工况,从预设数据表中确定每一部件的权重参数。
作为一种可选的实施例,所述电机寿命预测装置还包括训练模块,所述训练模块具体用于:
获取样本电机在不同运行工况下每一部件的寿命数据,所述样本电机是与所述待测电机同型号的电机;
根据所述运行工况下每一部件对应的权重参数,对所述寿命数据进行加权,获得训练数据;
在训练时,当浅层特征信息被多个并行的卷积融合后,所得到的深层卷积特征再与浅层特征信息结合得出一个分支,其余部分进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构;
将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第一预测模型。
作为一种可选的实施例,所述电机寿命预测装置还包括:
寿命影响程度确定模块,用于在根据所述运行工况,确定每一部件的权重参数之前,在样本电机的不同运行工况下,通过层次分析法,确定所述样本电机的每一部件的寿命因数对所述样本电机的寿命影响程度,所述样本电机是与所述待测电机同型号的电机;
权重参数确定模块,用于根据所述样本电机每一部件对应的寿命影响程度,确定在不同运行工况下的、所述待测电机的每一部件的权重参数。
关于上述实施例中的电机寿命预测装置,其中各个模块执行操作的具体方式已经在有关该电机寿命预测方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的电机寿命预测方法。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开提供的电机寿命预测方法。
图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,I/O接口404(输入/输出接口),以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的电机寿命预测方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的电机寿命预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的电机寿命预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的电机寿命预测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的电机寿命预测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种电机寿命预测方法,其特征在于,包括:
获取待测电机的运行工况以及多个部件的寿命影响数据;
根据所述运行工况,确定每一部件的权重参数;
根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,所述加权预测数据表征对所述部件的寿命预测结果加权后的数据;
将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据,包括:
根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据;
根据每一部件的权重参数,对所述部件对应的中间预测数据加权,得到每一部件的加权预测数据。
3.根据权利要求2所述的方法,其特征在于,根据所述每一部件对应的寿命影响数据以及第二预测模型,获得所述第二预测模型输出的、所述部件对应的中间预测数据,包括:
对所述寿命影响数据进行预处理,获得待输入数据;
将所述待输入数据输入至所述第二预测模型,获得所述中间预测数据。
4.根据权利要求3所述的方法,其特征在于,对所述寿命影响数据进行预处理,获得待输入数据,包括:
根据所述寿命影响数据的属性信息,对所述寿命影响数据进行归一化处理,获得所述待输入数据。
5.根据权利要求1-4任一所述的方法,其特征在于,根据所述运行工况,确定每一部件的权重参数,包括:
根据所述运行工况,从预设数据表中确定每一部件的权重参数。
6.根据权利要求1-4任一所述的方法,其特征在于,所述第一预测模型是通过如下训练方法得到的:
获取样本电机在不同运行工况下每一部件的寿命数据,所述样本电机是与所述待测电机同型号的电机;
根据所述运行工况下每一部件对应的权重参数,对所述寿命数据进行加权,获得训练数据;
在训练时,当浅层特征信息被多个并行的卷积融合后,所得到的深层卷积特征再与浅层特征信息结合得出一个分支,其余部分进行更深层的卷积,通过反复调试和配比卷积核大小、深浅层网络结构的相加位置,得到搭建好的模型结构;
将所述训练数据输入搭建好的模型结构,反复迭代计算损失函数并反向传播更新模型参数,直到模型收敛,获得所述第一预测模型。
7.根据权利要求1-4任一所述的方法,其特征在于,所述方法还包括:
在根据所述运行工况,确定每一部件的权重参数之前,在样本电机的不同运行工况下,通过层次分析法,确定所述样本电机的每一部件的寿命因数对所述样本电机的寿命影响程度,所述样本电机是与所述待测电机同型号的电机;
根据所述样本电机每一部件对应的寿命影响程度,确定在不同运行工况下的、所述待测电机的每一部件的权重参数。
8.一种电机寿命预测装置,其特征在于,包括:
获取模块,用于获取待测电机的运行工况以及多个部件的寿命影响数据;
确定模块,用于根据所述运行工况,确定每一部件的权重参数;
第一获得模块,用于根据所述权重参数和所述寿命影响数据,得到每一部件的加权预测数据;
第二获得模块,用于将多个部件的加权预测数据输入至第一预测模型中,得到所述待测电机的寿命预测结果。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一所述的电机寿命预测方法。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7任一所述的电机寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675634.2A CN117368724B (zh) | 2023-12-08 | 2023-12-08 | 电机寿命预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675634.2A CN117368724B (zh) | 2023-12-08 | 2023-12-08 | 电机寿命预测方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117368724A true CN117368724A (zh) | 2024-01-09 |
CN117368724B CN117368724B (zh) | 2024-03-19 |
Family
ID=89400691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675634.2A Active CN117368724B (zh) | 2023-12-08 | 2023-12-08 | 电机寿命预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117368724B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100058785A1 (en) * | 2006-11-27 | 2010-03-11 | Sumikazu Matsuno | Engine life predicting apparatus and refrigerating apparatus |
CN102770744A (zh) * | 2010-02-24 | 2012-11-07 | 西门子公司 | 用于确定轴承状态的系统或方法 |
CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN113158352A (zh) * | 2020-11-25 | 2021-07-23 | 长江勘测规划设计研究有限责任公司 | 基于关键部件的水轮发电机组剩余使用寿命的评估方法 |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、系统、电子设备和存储介质 |
CN114896873A (zh) * | 2022-04-26 | 2022-08-12 | 盐城工学院 | 基于卷积神经网络的行波超声电机寿命预测方法及系统 |
CN115630490A (zh) * | 2022-10-11 | 2023-01-20 | 浙江工业大学 | 基于多性能参数退化的电机可靠性建模与寿命预测方法 |
CN116087767A (zh) * | 2022-12-21 | 2023-05-09 | 浙江凌昇动力科技有限公司 | 发电机可靠性试验和寿命预测方法、装置、设备及介质 |
CN116306302A (zh) * | 2023-03-28 | 2023-06-23 | 陕西瀚光数字科技有限公司 | 一种风力发电机关键部件多工况剩余寿命预测方法 |
CN116776770A (zh) * | 2023-06-13 | 2023-09-19 | 天津国能津能滨海热电有限公司 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
-
2023
- 2023-12-08 CN CN202311675634.2A patent/CN117368724B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100058785A1 (en) * | 2006-11-27 | 2010-03-11 | Sumikazu Matsuno | Engine life predicting apparatus and refrigerating apparatus |
CN102770744A (zh) * | 2010-02-24 | 2012-11-07 | 西门子公司 | 用于确定轴承状态的系统或方法 |
CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN113158352A (zh) * | 2020-11-25 | 2021-07-23 | 长江勘测规划设计研究有限责任公司 | 基于关键部件的水轮发电机组剩余使用寿命的评估方法 |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、系统、电子设备和存储介质 |
CN114896873A (zh) * | 2022-04-26 | 2022-08-12 | 盐城工学院 | 基于卷积神经网络的行波超声电机寿命预测方法及系统 |
CN115630490A (zh) * | 2022-10-11 | 2023-01-20 | 浙江工业大学 | 基于多性能参数退化的电机可靠性建模与寿命预测方法 |
CN116087767A (zh) * | 2022-12-21 | 2023-05-09 | 浙江凌昇动力科技有限公司 | 发电机可靠性试验和寿命预测方法、装置、设备及介质 |
CN116306302A (zh) * | 2023-03-28 | 2023-06-23 | 陕西瀚光数字科技有限公司 | 一种风力发电机关键部件多工况剩余寿命预测方法 |
CN116776770A (zh) * | 2023-06-13 | 2023-09-19 | 天津国能津能滨海热电有限公司 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
Non-Patent Citations (1)
Title |
---|
蔡薇薇等: "基于CNN-LSTM的轴承剩余使用寿命预测", 机械传动, vol. 46, no. 10, 13 October 2022 (2022-10-13), pages 17 - 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN117368724B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
Li et al. | Wind turbine fault diagnosis based on Gaussian process classifiers applied to operational data | |
US20230152794A1 (en) | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets | |
CN110751385B (zh) | 非侵入式负荷识别方法、终端设备及存储介质 | |
Chen et al. | Hierarchical method for wind turbine prognosis using SCADA data | |
CN116169791B (zh) | 含抽水蓄能电站的电网运行安全检测系统 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
Li et al. | Health condition assessment of wind turbine generators based on supervisory control and data acquisition data | |
CN117368724B (zh) | 电机寿命预测方法、装置、介质及设备 | |
Almashakbeh et al. | Models for electric machine reliability prediction at variation of the condition of basic structural units | |
CN113588005A (zh) | 一种闭式水系统状态监测方法及其系统 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
EP3336349B1 (en) | Method and system for configuring wind turbines | |
CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
CN111472941A (zh) | 风机状态判断方法、装置及存储介质 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN113051700B (zh) | 设备可靠性监测方法及装置 | |
CN117875945B (zh) | 一种电网设备维修预测方法、系统和介质 | |
CN112686330B (zh) | Kpi异常数据检测方法及装置、存储介质及电子设备 | |
CN116880395B (zh) | 基于dcs系统的监控方法、装置、设备及介质 | |
CN117171144A (zh) | 一种电力物联网终端数据交互方法与存储装置 | |
CN117933576B (zh) | 一种基于数字孪生的配电网运维方法、系统和介质 | |
US11846540B2 (en) | Method for adjusting sleep time based on sensing data and electronic device | |
CN112365860B (zh) | 一种终端屏幕亮度调节方法、设备及存储介质 | |
CN112512072B (zh) | VoLTE网络故障预测方法及设备 |
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 |