CN117436004B - 电机性能实时监测系统及方法 - Google Patents

电机性能实时监测系统及方法 Download PDF

Info

Publication number
CN117436004B
CN117436004B CN202311754184.6A CN202311754184A CN117436004B CN 117436004 B CN117436004 B CN 117436004B CN 202311754184 A CN202311754184 A CN 202311754184A CN 117436004 B CN117436004 B CN 117436004B
Authority
CN
China
Prior art keywords
analysis
data
report
module
motor
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
Application number
CN202311754184.6A
Other languages
English (en)
Other versions
CN117436004A (zh
Inventor
苏永峰
司磊
张良
时菲涛
王欢
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.)
Shenzhen Hongming Electromechanical Co ltd
Original Assignee
Shenzhen Hongming Electromechanical 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 Shenzhen Hongming Electromechanical Co ltd filed Critical Shenzhen Hongming Electromechanical Co ltd
Priority to CN202311754184.6A priority Critical patent/CN117436004B/zh
Publication of CN117436004A publication Critical patent/CN117436004A/zh
Application granted granted Critical
Publication of CN117436004B publication Critical patent/CN117436004B/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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及电动机测试技术领域，具体为电机性能实时监测系统及方法，系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块。本发明中，通过Apache Spark分布式计算进行数据清洗和归一化，提升数据处理的效率和可靠性，K‑means聚类分析和关联规则挖掘的应用使电动机状态监测更精细，识别细致的运行模式，引入视觉分析模块，结合卷积神经网络和孤立森林算法，系统识别复杂的异常图像模式，提供全面的电机状态分析，异常模式识别模块增强对异常情况的预测能力，而网络分析模块提供深入的组件间相互关系分析，模式预测模块的采用使系统进行有效的未来趋势预测，进一步增强预防性维护的能力。

Description

电机性能实时监测系统及方法
技术领域
本发明涉及电动机测试技术领域，尤其涉及电机性能实时监测系统及方法。
背景技术
电动机测试技术领域专注于通过多种检测手段和系统，对电动机的性能进行实时监控和评估。电动机测试技术的核心在于确保电动机在其整个使用寿命中都能高效、安全地运行。这包括但不限于电动机的功率输出、电流和电压的稳定性、热效率、机械性能，以及其他关键性能指标的监测。通过这些测试，可以及时发现潜在的故障和性能下降，从而提前进行维护或调整，确保电动机在不同应用场景下的最优运行。
其中，电机性能实时监测系统旨在实时跟踪和评估电动机的运行状态和性能。系统的主要目的是通过持续监控，及时发现电动机在运行中出现的任何性能问题或故障迹象。这样的监测有助于提前预防故障，减少意外停机时间，延长电动机的使用寿命，并确保电动机在能源效率和性能方面保持最佳状态。实时监测系统使维护团队能够快速响应，实施必要的维护或修理，从而提高整体的运营效率和可靠性。电机性能实时监测系统通常通过一系列传感器、数据采集装置和分析软件来实现其功能。传感器被安装在电动机的关键部位，用于收集电流、电压、温度、振动等数据。这些数据随后被传输到中央处理系统，通过专门的软件进行分析。软件可以识别出任何偏离正常运行模式的指标，及时向操作员或维护团队发出警报。此外，这些系统通常包含机器学习算法，可以通过分析历史数据来预测潜在的故障，从而实现更为主动的维护策略。这种综合性的实时监测和分析，使得电动机的维护更加智能化、高效和预防性。
传统的电机性能监测方法存在一些不足。在数据处理方面，传统方法往往缺乏高效的分布式计算能力，导致数据处理速度慢，效率低下。而在状态监测方面，传统方法通常无法进行深入的模式识别和细致的分组，从而降低了识别精度。在视觉分析方面，传统方法往往未能充分利用图像数据，导致无法识别复杂的异常模式。此外，传统方法在异常模式识别和网络分析方面也显得较为粗糙，缺乏深入的分析和预测能力。总体来说，传统方法在处理、分析和预测的全过程中均存在明显的局限性，无法满足当前电机运行监测的高标准和复杂需求。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的电机性能实时监测系统及方法。
为了实现上述目的，本发明采用了如下技术方案：电机性能实时监测系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块；
所述数据采集模块基于电机运行的实时监控，采用多点传感器网络，进行电流、电压、温度和振动数据的实时收集，并进行初步数据格式化处理，生成长期存储数据集；
所述数据处理模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据清洗、归一化和初步聚类分析，生成处理后数据集；
所述状态监测模块基于处理后数据集，采用K-means聚类分析和关联规则挖掘，对电动机的运行状态进行分组和模式识别，生成电动机状态综合报告；
所述视觉分析模块基于电机监控摄像头的数据，利用卷积神经网络CNN和孤立森林算法，识别异常图像模式，与电动机状态综合报告结合，提供多维度电机状态分析，生成综合视觉分析报告；
所述异常模式识别模块基于处理后数据集和综合视觉分析报告，采用自回归集成移动平均ARIMA模型和长短期记忆网络LSTM，分析数据的异常模式，生成异常模式综合识别报告；
所述网络分析模块基于电动机组件间的相互关系，采用中心度分析方法和社区检测算法，分析关键组件和故障传播路径，生成网络分析报告；
所述模式预测模块基于异常模式综合识别报告和网络分析报告，采用无监督学习和关联规则学习技术，进行模式发现和趋势预测，生成预测报告。
作为本发明的进一步方案，所述数据采集模块包括传感器子模块、数据传输子模块、数据存储子模块；
所述传感器子模块基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行初步数据格式化处理，生成实时监测数据集；
所述数据传输子模块基于实时监测数据集，采用数据传输协议，进行数据的安全传输，生成安全传输数据集；
所述数据存储子模块基于安全传输数据集，采用分布式存储系统，进行数据存储，生成长期存储数据集；
所述多点传感器网络技术包括压力传感器、温度传感器和振动传感器，所述数据传输协议具体为串行通信和加密数据封包技术，所述分布式存储系统包括数据冗余备份、故障恢复机制和数据压缩技术。
作为本发明的进一步方案，所述数据处理模块包括数据清洗子模块、数据格式化子模块、初步分析子模块；
所述数据清洗子模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据的清洗和优化，生成清洗后数据集；
所述数据格式化子模块基于清洗后数据集，采用数据转换算法，进行数据的格式化处理，生成格式化数据集；
所述初步分析子模块基于格式化数据集，采用机器学习时序分析方法，进行数据的初步分析，生成处理后数据集；
所述Apache Spark分布式计算包括内存计算、容错处理和数据并行处理技术，所述数据转换算法包括数据编码转换、数据结构调整和数据类型转换，所述机器学习时序分析方法具体为聚类分析算法、模式识别和异常检测技术。
作为本发明的进一步方案，所述状态监测模块包括聚类分析子模块、关联规则挖掘子模块、电动机状态综合报告生成子模块；
所述聚类分析子模块基于处理后的数据集，采用K-means聚类分析方法，进行电动机运行参数的分组与模式识别，生成运行状态分组报告；
所述关联规则挖掘子模块基于运行状态分组报告，采用关联规则挖掘策略，分析差异化运行状态间的相互关系，生成运行状态关联分析报告；
所述电动机状态综合报告生成子模块基于运行状态关联分析报告、运行状态分组报告，综合评估电动机的整体运行状态，生成电动机状态综合报告；
所述K-means聚类分析方法包括数据点划分、质心更新和簇的形成，所述关联规则挖掘策略包括项目集创建、置信度评估和规则生成。
作为本发明的进一步方案，所述视觉分析模块包括图像识别子模块、异常检测子模块、报告生成子模块；
所述图像识别子模块基于电机监控摄像头数据，采用卷积神经网络技术，进行图像深度分析，生成图像识别分析报告；
所述异常检测子模块基于图像识别分析报告，采用孤立森林算法，识别异常图像模式，生成异常图像识别报告；
所述报告生成子模块基于异常图像识别报告和电动机状态综合报告，综合图像分析与状态监测结果，生成综合视觉分析报告；
所述卷积神经网络技术包括特征提取、激活函数应用和分类层设计，所述孤立森林算法包括随机森林构建和异常度评估。
作为本发明的进一步方案，所述异常模式识别模块包括时间序列分析子模块、神经网络分析子模块、异常报告生成子模块；
所述时间序列分析子模块基于处理后数据集，采用自回归集成移动平均模型，进行数据的时间序列特性分析，生成时间序列异常分析报告；
所述神经网络分析子模块基于时间序列异常分析报告和综合视觉分析报告，采用长短期记忆网络进行深入分析，生成神经网络异常分析报告；
所述异常报告生成子模块综合时间序列异常分析报告和神经网络异常分析报告，形成多维异常模式认知，生成异常模式综合识别报告；
所述自回归集成移动平均模型包括时间序列的差分、自回归模型的应用和移动平均模型的结合，所述长短期记忆网络包括序列数据的长期依赖处理和短期记忆保持。
作为本发明的进一步方案，所述网络分析模块包括图论方法子模块、社区检测子模块、路径分析子模块；
所述图论方法子模块基于电动机组件间的相互关系，采用中心度分析方法，识别网络中的关键节点和组件，生成关键组件分析报告；
所述社区检测子模块基于关键组件分析报告，采用社区检测算法，分析电动机内部组件的社区结构，生成组件社区结构分析报告；
所述路径分析子模块基于网络社区结构分析报告，采用路径分析技术，识别故障传播的关键路径和潜在机制，生成网络分析报告；
所述中心度分析方法包括节点的度中心度、接近中心度和中介中心度的分析，所述社区检测算法包括模块度最大化和网络分割，所述路径分析技术包括路径长度计算和故障影响评估。
作为本发明的进一步方案，所述模式预测模块包括机器学习分析子模块、故障模式发现子模块、趋势预测子模块；
所述机器学习分析子模块基于异常模式综合识别报告和网络分析报告，采用无监督学习技术进行数据模式分析，生成机器学习模式分析报告；
所述故障模式发现子模块基于机器学习模式分析报告，应用关联规则学习技术探索数据间关联，生成故障模式发现报告；
所述趋势预测子模块基于故障模式发现报告，运用趋势分析技术预测未来趋势，生成趋势预测报告；
所述无监督学习技术包括K-means聚类算法和主成分分析，所述关联规则学习技术包括Apriori算法和频繁模式树算法，所述趋势分析技术包括ARIMA模型和线性回归分析方法。
电机性能实时监测方法，所述电机性能实时监测方法基于上述电机性能实时监测系统执行，包括以下步骤：
S1：基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行数据格式化处理，生成实时监测数据集；
S2：基于所述实时监测数据集，采用Apache Spark分布式计算进行数据清洗、优化和格式化处理，生成清洗后的格式化数据集；
S3：基于所述清洗后的格式化数据集，使用机器学习时序分析方法进行初步分析，生成处理后数据集；
S4：基于所述处理后数据集，采用K-means聚类分析和关联规则挖掘进行电动机运行状态的分组和模式识别，生成电动机状态综合报告；
S5：基于电机监控摄像头数据和所述电动机状态综合报告，采用卷积神经网络和孤立森林算法进行图像深度分析和异常图像模式识别，生成综合视觉分析报告；
S6：基于所述综合视觉分析报告和电动机状态综合报告，使用自回归集成移动平均模型和长短期记忆网络进行深入的异常模式分析，生成异常模式综合识别报告。
作为本发明的进一步方案，所述实时监测数据集包括电流值、电压值、温度读数和振动频率，所述清洗后的格式化数据集包括规范化的电流和电压数据、标准化的温度读数和振动数据，所述处理后数据集包括电机运行参数的时间序列分析结果、初步的异常模式识别结果和趋势预测数据， 所述电动机状态综合报告包括电机运行状态的分类结果、关键运行参数之间的关联模式和预测异常指标，所述综合视觉分析报告包括异常图像特征的识别、状态监测与图像分析的关联结果， 所述异常模式综合识别报告包括基于深度学习的时间序列异常模式识别结果、神经网络分析的输出和综合的异常模式识别结果。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，利用Apache Spark分布式计算进行数据清洗和归一化，提升了数据处理的效率和可靠性。K-means聚类分析和关联规则挖掘的应用，使得电动机的状态监测更为精细，能够识别出更细致的运行模式。视觉分析模块的引入，结合卷积神经网络和孤立森林算法，使得系统能够识别复杂的异常图像模式，从而提供了更全面的电机状态分析。异常模式识别模块的使用增强了对异常情况的预测能力，而网络分析模块则提供了深入的组件间相互关系分析。模式预测模块的采用，使得系统能够进行有效的未来趋势预测，进一步增强了预防性维护的能力。
附图说明
图1为本发明的系统流程图；
图2为本发明的系统框架示意图；
图3为本发明的数据采集模块流程图；
图4为本发明的数据处理模块流程图；
图5为本发明的状态监测模块流程图；
图6为本发明的视觉分析模块流程图；
图7为本发明的异常模式识别模块流程图；
图8为本发明的网络分析模块流程图；
图9为本发明的模式预测模块流程图；
图10为本发明的方法步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：请参阅图1至图2，本发明提供一种技术方案：电机性能实时监测系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块；
数据采集模块基于电机运行的实时监控，采用多点传感器网络，进行电流、电压、温度和振动数据的实时收集，并进行初步数据格式化处理，生成长期存储数据集；
数据处理模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据清洗、归一化和初步聚类分析，生成处理后数据集；
状态监测模块基于处理后数据集，采用K-means聚类分析和关联规则挖掘，对电动机的运行状态进行分组和模式识别，生成电动机状态综合报告；
视觉分析模块基于电机监控摄像头的数据，利用卷积神经网络CNN和孤立森林算法，识别异常图像模式，与电动机状态综合报告结合，提供多维度电机状态分析，生成综合视觉分析报告；
异常模式识别模块基于处理后数据集和综合视觉分析报告，采用自回归集成移动平均ARIMA模型和长短期记忆网络LSTM，分析数据的异常模式，生成异常模式综合识别报告；
网络分析模块基于电动机组件间的相互关系，采用中心度分析方法和社区检测算法，分析关键组件和故障传播路径，生成网络分析报告；
模式预测模块基于异常模式综合识别报告和网络分析报告，采用无监督学习和关联规则学习技术，进行模式发现和趋势预测，生成预测报告。
实时数据采集模块通过多点传感器网络实现对电机关键参数的即时监控，显著提升了故障检测的及时性，从而减少停机时间和维护成本。数据处理模块的使用使得大量数据能够高效地清洗和归一化，为后续的分析提供了高质量的数据基础。状态监测模块通过聚类分析和关联规则挖掘，能够准确识别电机运行的不同模式，为维护和优化提供了精准的决策支持。视觉分析模块结合先进的图像处理算法，增强了系统在异常模式识别方面的能力，提供了更为直观的诊断信息。异常模式识别模块利用ARIMA和LSTM算法，进一步提高了故障预测的准确性和及时性。网络分析模块通过分析电机组件间的相互关系，为识别关键组件和潜在故障传播路径提供了深入的洞察。最后，模式预测模块的应用，使得系统不仅能够处理当前的数据和状态，还能预测未来的趋势和潜在问题，为电机维护和优化提供了前瞻性的指导。
请参阅图3，数据采集模块包括传感器子模块、数据传输子模块、数据存储子模块；
传感器子模块基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行初步数据格式化处理，生成实时监测数据集；
数据传输子模块基于实时监测数据集，采用数据传输协议，进行数据的安全传输，生成安全传输数据集；
数据存储子模块基于安全传输数据集，采用分布式存储系统，进行数据存储，生成长期存储数据集；
多点传感器网络技术包括压力传感器、温度传感器和振动传感器，数据传输协议具体为串行通信和加密数据封包技术，分布式存储系统包括数据冗余备份、故障恢复机制和数据压缩技术。
传感器子模块涵盖了多点传感器网络技术，用于电机的实时监控。首先，选择适用于监测电机运行的传感器，包括电流、电压、温度和振动传感器。设计合理的网络拓扑，确保传感器能够全面监测电机的各个方面。实时监控过程中，通过多点传感器网络采集电机的数据，并在传感器子模块内进行初步数据格式化处理，生成实时监测数据集。
数据传输子模块基于实时监测数据集，采用串行通信和加密数据封包技术进行数据的安全传输。首先，生成实时监测数据集，包括电流、电压、温度和振动等数据。随后，采用数据传输协议，确保数据传输的实时性和安全性。通过这一步骤，生成安全传输数据集，为下一阶段的数据存储做准备。
数据存储子模块以安全传输数据集为输入，采用分布式存储系统进行数据的存储。选择适当的分布式存储系统，确保数据具有高可用性和容错性。在存储过程中，使用数据冗余备份、故障恢复机制和数据压缩技术，有效管理和保护数据。最终，生成长期存储数据集，确保电机运行状态的长期记录和分析。
请参阅图4，数据处理模块包括数据清洗子模块、数据格式化子模块、初步分析子模块；
数据清洗子模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据的清洗和优化，生成清洗后数据集；
数据格式化子模块基于清洗后数据集，采用数据转换算法，进行数据的格式化处理，生成格式化数据集；
初步分析子模块基于格式化数据集，采用机器学习时序分析方法，进行数据的初步分析，生成处理后数据集；
Apache Spark分布式计算包括内存计算、容错处理和数据并行处理技术，数据转换算法包括数据编码转换、数据结构调整和数据类型转换，机器学习时序分析方法具体为聚类分析算法、模式识别和异常检测技术。
在数据清洗子模块中，首先从长期存储加载长期存储数据集到Apache Spark分布式计算环境中。随后，通过利用Spark的分布式计算技术，执行数据清洗和优化操作，包括去除缺失值、处理异常值、以及标准化数据等。最终，清洗后的数据集得以生成并存储，为后续处理步骤提供高质量的输入数据。
数据格式化子模块： 在数据格式化子模块中，首先加载经过清洗的数据集。随后，通过应用数据转换算法，包括数据编码转换、数据结构调整和数据类型转换，进行数据格式化处理。生成的格式化数据集将被存储，为进行初步分析做好准备。
初步分析子模块开始于加载格式化数据集。随后，采用机器学习时序分析方法，具体涵盖聚类分析算法、模式识别和异常检测技术。最终，通过子模块生成的处理后数据集，更深入地理解数据的内在结构和特征。
请参阅图5，状态监测模块包括聚类分析子模块、关联规则挖掘子模块、电动机状态综合报告生成子模块；
聚类分析子模块基于处理后的数据集，采用K-means聚类分析方法，进行电动机运行参数的分组与模式识别，生成运行状态分组报告；
关联规则挖掘子模块基于运行状态分组报告，采用关联规则挖掘策略，分析差异化运行状态间的相互关系，生成运行状态关联分析报告；
电动机状态综合报告生成子模块基于运行状态关联分析报告、运行状态分组报告，综合评估电动机的整体运行状态，生成电动机状态综合报告；
K-means聚类分析方法包括数据点划分、质心更新和簇的形成，关联规则挖掘策略包括项目集创建、置信度评估和规则生成。
聚类分析子模块从前期的数据处理模块中加载了清洗和格式化后的数据集。借助K-means聚类分析方法，对电动机运行参数进行了分组与模式识别。此过程包括数据点的划分、质心的更新以及簇的形成。最终，得到了描述电动机运行状态的不同分组，并生成了详细的运行状态分组报告，其中包括各个状态的特征和参数。
关联规则挖掘子模块依赖于运行状态分组报告。加载了前一子模块的输出，然后通过关联规则挖掘策略执行项目集的创建、置信度的评估以及规则的生成。这一步骤深入分析差异化运行状态之间的相互关系，并生成运行状态关联分析报告，其中包括描述电动机各个状态间关系的具体规则和置信度评估。
电动机状态综合报告生成子模块整合了前两个子模块的输出。通过加载运行状态关联分析报告和运行状态分组报告，综合评估了电动机的整体运行状态。此阶段考虑了关联规则挖掘和聚类分析的结果，生成了电动机状态综合报告，为用户提供了对电动机运行状态的全面评估，包括关联关系、分组特征等方面的详细信息。
请参阅图6，视觉分析模块包括图像识别子模块、异常检测子模块、报告生成子模块；
图像识别子模块基于电机监控摄像头数据，采用卷积神经网络技术，进行图像深度分析，生成图像识别分析报告；
异常检测子模块基于图像识别分析报告，采用孤立森林算法，识别异常图像模式，生成异常图像识别报告；
报告生成子模块基于异常图像识别报告和电动机状态综合报告，综合图像分析与状态监测结果，生成综合视觉分析报告；
卷积神经网络技术包括特征提取、激活函数应用和分类层设计，孤立森林算法包括随机森林构建和异常度评估。
图像识别子模块以电机监控摄像头数据为输入。通过卷积神经网络技术，进行图像深度分析，包括特征提取、激活函数的应用和分类层的设计。这一过程不仅对图像进行了高级特征的提取，还能识别关键的电机运行状态特征。最终，生成了详细的图像识别分析报告，其中包含了电机监测摄像头数据的深度解析结果。
异常检测子模块采用孤立森林算法进行异常检测。通过随机森林的构建和异常度评估，该算法能够有效地识别异常图像模式。生成的异常图像识别报告详细描述了识别到的异常图像、异常度评估和关键特征。
报告生成子模块是整个视觉分析模块的综合环节。在这一步骤中，将异常图像识别报告与之前的电动机状态综合报告整合。通过综合分析，考虑了图像分析与状态监测结果之间的关联性，最终生成了综合视觉分析报告。这个报告为用户提供了对电机运行状态和图像分析结果的全面评估，使用户能够更全面地了解电机系统的运行状况。
请参阅图7，异常模式识别模块包括时间序列分析子模块、神经网络分析子模块、异常报告生成子模块；
时间序列分析子模块基于处理后数据集，采用自回归集成移动平均模型，进行数据的时间序列特性分析，生成时间序列异常分析报告；
神经网络分析子模块基于时间序列异常分析报告和综合视觉分析报告，采用长短期记忆网络进行深入分析，生成神经网络异常分析报告；
异常报告生成子模块综合时间序列异常分析报告和神经网络异常分析报告，形成多维异常模式认知，生成异常模式综合识别报告；
自回归集成移动平均模型包括时间序列的差分、自回归模型的应用和移动平均模型的结合，长短期记忆网络包括序列数据的长期依赖处理和短期记忆保持。
时间序列分析使用ARIMA模型对数据进行时间序列分析。ARIMA模型是一种预测未来点的常用方法，结合了差分（以使数据稳定）、自回归（AR）和移动平均（MA）。
import pandas as pdfrom statsmodels.tsa.arima.model import ARIMA；
# 加载数据集；
data = pd.read_csv('your_timeseries_data.csv')；
series = data['value'] # 假设数据列名为 'value'；
# 构建并拟合ARIMA模型；
model = ARIMA(series, order=(5,1,0)) # 这里的order参数需要根据实际数据调整；
model_fit = model.fit()；
# 预测；
predictions = model_fit.forecast(steps=5) # 预测未来5个点print(predictions)；
神经网络分析将使用长短期记忆网络（LSTM）来分析时间序列数据，这对于捕捉长期依赖关系特别有效。
import numpy as npfrom keras.models import Sequentialfromkeras.layers import LSTM, Dense；
# 数据预处理# 这里仅提供一个基本的数据预处理方法def prepare_data(series, n_steps):
X, y = [], []；
for i in range(len(series)):
# 找到序列的结束位置；
end_ix = i + n_steps；
if end_ix > len(series)-1:
break；
# 收集输入和输出部分的数据；
seq_x, seq_y = series[i:end_ix], series[end_ix]；
X.append(seq_x)；
y.append(seq_y)；
return np.array(X), np.array(y)；
# 选择时间步长；
n_steps = 3；
X, y = prepare_data(series, n_steps)；
# 重构输入数据的形状；
X = X.reshape((X.shape[0], X.shape[1], 1))；
# 构建LSTM模型；
model = Sequential()；
model.add(LSTM(50, activation='relu', input_shape=(n_steps, 1)))；
model.add(Dense(1))；
model.compile(optimizer='adam', loss='mean_squared_error')；
# 拟合模型；
model.fit(X, y, epochs=200, verbose=0)；
# 预测；
x_input = np.array([80, 85, 90]) # 示例输入；
x_input = x_input.reshape((1, n_steps, 1))；
yhat = model.predict(x_input, verbose=0)print(yhat)；
异常报告的子模块比较模型的预测值与实际观测值，以识别偏差。
确定异常阈值：根据业务或技术需求确定什么程度的偏差被认为是异常。
生成异常报告：当检测到异常时，生成一个包含异常细节的报告。
以下是一个简单的Python代码示例，展示如何实现这一过程：
import pandas as pd；
def detect_anomalies(actual, predicted, threshold):
"""；
检测异常值；
:param actual: 实际值序列；
:param predicted: 预测值序列；
:param threshold: 异常阈值；
:return: 包含异常信息的DataFrame；
"""；
# 计算偏差；
diff = abs(actual - predicted)；
# 标记异常值；
anomalies = diff > threshold；
# 创建异常报告；
anomaly_report = pd.DataFrame({'Actual': actual,'Predicted':predicted,'Difference': diff,'Anomaly': anomalies})；
return anomaly_report[anomaly_report['Anomaly']]；
# 示例数据；
actual_values = pd.Series([100, 105, 102, 108, 200, 110]) # 实际值；
predicted_values = pd.Series([100, 104, 101, 107, 105, 109]) # 预测值；
threshold = 10 # 设置异常阈值；
# 调用函数检测异常；
anomaly_report = detect_anomalies(actual_values, predicted_values,threshold)print(anomaly_report)；
请参阅图8，网络分析模块包括图论方法子模块、社区检测子模块、路径分析子模块；
图论方法子模块基于电动机组件间的相互关系，采用中心度分析方法，识别网络中的关键节点和组件，生成关键组件分析报告；
社区检测子模块基于关键组件分析报告，采用社区检测算法，分析电动机内部组件的社区结构，生成组件社区结构分析报告；
路径分析子模块基于网络社区结构分析报告，采用路径分析技术，识别故障传播的关键路径和潜在机制，生成网络分析报告；
中心度分析方法包括节点的度中心度、接近中心度和中介中心度的分析，社区检测算法包括模块度最大化和网络分割，路径分析技术包括路径长度计算和故障影响评估。
在图论方法子模块中，通过中心度分析方法对电动机组件间的相互关系进行了全面研究。度中心度、接近中心度和中介中心度的综合分析准确识别了电动机网络中的关键节点和组件提供了坚实基础。关键组件分析报告详细描述了这些关键节点和组件的特征，为后续的整体网络理解奠定了基础。
社区检测子模块构建在关键组件分析报告之上，运用了模块度最大化和网络分割等先进算法，以揭示电动机内部组件的社区结构。这一步骤帮助发现并描述了组件之间的紧密联系，形成了组件社区。组件社区结构分析报告提供了关于电动机内部组件关系的详尽信息，促使了对系统整体协同性的更深入理解。
路径分析子模块在组件社区结构分析报告的基础上，采用路径分析技术深入研究故障传播的关键路径和潜在机制。通过路径长度计算和故障影响评估，识别电动机内部故障是如何在网络中传播的，以及影响机制。网络分析报告提供了对故障传播过程的详尽描述，为制定系统维护和故障预防策略提供了有力支持。
请参阅图9，模式预测模块包括机器学习分析子模块、故障模式发现子模块、趋势预测子模块；
机器学习分析子模块基于异常模式综合识别报告和网络分析报告，采用无监督学习技术进行数据模式分析，生成机器学习模式分析报告；
故障模式发现子模块基于机器学习模式分析报告，应用关联规则学习技术探索数据间关联，生成故障模式发现报告；
趋势预测子模块基于故障模式发现报告，运用趋势分析技术预测未来趋势，生成趋势预测报告；
无监督学习技术包括K-means聚类算法和主成分分析，关联规则学习技术包括Apriori算法和频繁模式树算法，趋势分析技术包括ARIMA模型和线性回归分析方法。
机器学习分析子模块通过整合异常模式综合识别报告和网络分析报告的数据，进行特征选择，然后运用无监督学习技术，包括K-means聚类算法和主成分分析，对数据进行深入模式分析。这一过程产生的机器学习模式分析报告详细描述了数据的模式和结构，为后续的故障模式发现提供了基础。
故障模式发现子模块在机器学习分析的基础上运作，利用关联规则学习技术，包括Apriori算法和频繁模式树算法，探索不同数据之间的关联关系。该子模块加载机器学习模式分析报告，通过关联规则学习，生成故障模式发现报告。这个报告详细描述了数据之间的关联规则，为系统中潜在故障模式的理解提供了有力支持。
趋势预测子模块建立在故障模式发现报告的基础上，运用趋势分析技术，包括ARIMA模型和线性回归分析方法，对历史数据的趋势进行分析。通过加载故障模式发现报告，进行趋势分析，然后预测未来的趋势，这一子模块生成了趋势预测报告。该报告提供了未来的发展趋势的详细描述，为决策制定提供了重要的参考依据。
请参阅图10，电机性能实时监测方法，电机性能实时监测方法基于上述电机性能实时监测系统执行，包括以下步骤：
S1：基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行数据格式化处理，生成实时监测数据集；
S2：基于实时监测数据集，采用Apache Spark分布式计算进行数据清洗、优化和格式化处理，生成清洗后的格式化数据集；
S3：基于清洗后的格式化数据集，使用机器学习时序分析方法进行初步分析，生成处理后数据集；
S4：基于处理后数据集，采用K-means聚类分析和关联规则挖掘进行电动机运行状态的分组和模式识别，生成电动机状态综合报告；
S5：基于电机监控摄像头数据和电动机状态综合报告，采用卷积神经网络和孤立森林算法进行图像深度分析和异常图像模式识别，生成综合视觉分析报告；
S6：基于综合视觉分析报告和电动机状态综合报告，使用自回归集成移动平均模型和长短期记忆网络进行深入的异常模式分析，生成异常模式综合识别报告。
实时监测数据集包括电流值、电压值、温度读数和振动频率，清洗后的格式化数据集包括规范化的电流和电压数据、标准化的温度读数和振动数据，处理后数据集包括电机运行参数的时间序列分析结果、初步的异常模式识别结果和趋势预测数据， 电动机状态综合报告包括电机运行状态的分类结果、关键运行参数之间的关联模式和预测异常指标，综合视觉分析报告包括异常图像特征的识别、状态监测与图像分析的关联结果， 异常模式综合识别报告包括基于深度学习的时间序列异常模式识别结果、神经网络分析的输出和综合的异常模式识别结果。
多点传感器网络技术确保了数据采集的全面性和准确性，为电机状态的深入分析提供了可靠的基础。其次，Apache Spark分布式计算的应用，提高了数据处理的效率，确保了数据质量，为后续的机器学习和深度学习分析打下坚实基础。此外，机器学习时序分析、K-means聚类分析和卷积神经网络等高级技术的应用，使得系统能够更准确地识别电机运行中的异常模式，及时预防故障。这些技术的结合不仅显著提升了故障诊断的准确性和及时性，而且通过预测性维护减少了停机时间，有效降低了维护成本。最终，这些技术的应用提高了电机的运行效率和可靠性，为企业带来了经济效益和竞争优势，体现了电机性能实时监测方法的高效性和实用性。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (3)

1.电机性能实时监测系统，其特征在于：所述系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块；
所述数据采集模块基于电机运行的实时监控，采用多点传感器网络，进行电流、电压、温度和振动数据的实时收集，并进行初步数据格式化处理，生成长期存储数据集；
所述数据处理模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据清洗、归一化和初步聚类分析，生成处理后数据集；
所述状态监测模块基于处理后数据集，采用K-means聚类分析和关联规则挖掘，对电动机的运行状态进行分组和模式识别，生成电动机状态综合报告；
所述视觉分析模块基于电机监控摄像头的数据，利用卷积神经网络CNN和孤立森林算法，识别异常图像模式，与电动机状态综合报告结合，提供多维度电机状态分析，生成综合视觉分析报告；
所述异常模式识别模块基于处理后数据集和综合视觉分析报告，采用自回归集成移动平均ARIMA模型和长短期记忆网络LSTM，分析数据的异常模式，生成异常模式综合识别报告；
所述网络分析模块基于电动机组件间的相互关系，采用中心度分析方法和社区检测算法，分析关键组件和故障传播路径，生成网络分析报告；
所述模式预测模块基于异常模式综合识别报告和网络分析报告，采用无监督学习和关联规则学习技术，进行模式发现和趋势预测，生成预测报告；
所述数据采集模块包括传感器子模块、数据传输子模块、数据存储子模块；
所述传感器子模块基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行初步数据格式化处理，生成实时监测数据集；
所述数据传输子模块基于实时监测数据集，采用数据传输协议，进行数据的安全传输，生成安全传输数据集；
所述数据存储子模块基于安全传输数据集，采用分布式存储系统，进行数据存储，生成长期存储数据集；
所述多点传感器网络技术包括压力传感器、温度传感器和振动传感器，所述数据传输协议具体为串行通信和加密数据封包技术，所述分布式存储系统包括数据冗余备份、故障恢复机制和数据压缩技术；
所述数据处理模块包括数据清洗子模块、数据格式化子模块、初步分析子模块；
所述数据清洗子模块基于长期存储数据集，采用Apache Spark分布式计算，进行数据的清洗和优化，生成清洗后数据集；
所述数据格式化子模块基于清洗后数据集，采用数据转换算法，进行数据的格式化处理，生成格式化数据集；
所述初步分析子模块基于格式化数据集，采用机器学习时序分析方法，进行数据的初步分析，生成处理后数据集；
所述Apache Spark分布式计算包括内存计算、容错处理和数据并行处理技术，所述数据转换算法包括数据编码转换、数据结构调整和数据类型转换，所述机器学习时序分析方法具体为聚类分析算法、模式识别和异常检测技术；
所述状态监测模块包括聚类分析子模块、关联规则挖掘子模块、电动机状态综合报告生成子模块；
所述聚类分析子模块基于处理后的数据集，采用K-means聚类分析方法，进行电动机运行参数的分组与模式识别，生成运行状态分组报告；
所述关联规则挖掘子模块基于运行状态分组报告，采用关联规则挖掘策略，分析差异化运行状态间的相互关系，生成运行状态关联分析报告；
所述电动机状态综合报告生成子模块基于运行状态关联分析报告、运行状态分组报告，综合评估电动机的整体运行状态，生成电动机状态综合报告；
所述K-means聚类分析方法包括数据点划分、质心更新和簇的形成，所述关联规则挖掘策略包括项目集创建、置信度评估和规则生成；
所述视觉分析模块包括图像识别子模块、异常检测子模块、报告生成子模块；
所述图像识别子模块基于电机监控摄像头数据，采用卷积神经网络技术，进行图像深度分析，生成图像识别分析报告；
所述异常检测子模块基于图像识别分析报告，采用孤立森林算法，识别异常图像模式，生成异常图像识别报告；
所述报告生成子模块基于异常图像识别报告和电动机状态综合报告，综合图像分析与状态监测结果，生成综合视觉分析报告；
所述卷积神经网络技术包括特征提取、激活函数应用和分类层设计，所述孤立森林算法包括随机森林构建和异常度评估；
所述异常模式识别模块包括时间序列分析子模块、神经网络分析子模块、异常报告生成子模块；
所述时间序列分析子模块基于处理后数据集，采用自回归集成移动平均模型，进行数据的时间序列特性分析，生成时间序列异常分析报告；
所述神经网络分析子模块基于时间序列异常分析报告和综合视觉分析报告，采用长短期记忆网络进行深入分析，生成神经网络异常分析报告；
所述异常报告生成子模块综合时间序列异常分析报告和神经网络异常分析报告，形成多维异常模式认知，生成异常模式综合识别报告；
所述自回归集成移动平均模型包括时间序列的差分、自回归模型的应用和移动平均模型的结合，所述长短期记忆网络包括序列数据的长期依赖处理和短期记忆保持；
所述网络分析模块包括图论方法子模块、社区检测子模块、路径分析子模块；
所述图论方法子模块基于电动机组件间的相互关系，采用中心度分析方法，识别网络中的关键节点和组件，生成关键组件分析报告；
所述社区检测子模块基于关键组件分析报告，采用社区检测算法，分析电动机内部组件的社区结构，生成组件社区结构分析报告；
所述路径分析子模块基于网络社区结构分析报告，采用路径分析技术，识别故障传播的关键路径和潜在机制，生成网络分析报告；
所述中心度分析方法包括节点的度中心度、接近中心度和中介中心度的分析，所述社区检测算法包括模块度最大化和网络分割，所述路径分析技术包括路径长度计算和故障影响评估；
所述模式预测模块包括机器学习分析子模块、故障模式发现子模块、趋势预测子模块；
所述机器学习分析子模块基于异常模式综合识别报告和网络分析报告，采用无监督学习技术进行数据模式分析，生成机器学习模式分析报告；
所述故障模式发现子模块基于机器学习模式分析报告，应用关联规则学习技术探索数据间关联，生成故障模式发现报告；
所述趋势预测子模块基于故障模式发现报告，运用趋势分析技术预测未来趋势，生成趋势预测报告；
所述无监督学习技术包括K-means聚类算法和主成分分析，所述关联规则学习技术包括Apriori算法和频繁模式树算法，所述趋势分析技术包括ARIMA模型和线性回归分析方法。
2.电机性能实时监测方法，其特征在于，应用在权利要求1所述的电机性能实时监测系统，包括以下步骤：
基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行数据格式化处理，生成实时监测数据集；
基于所述实时监测数据集，采用Apache Spark分布式计算进行数据清洗、优化和格式化处理，生成清洗后的格式化数据集；
基于所述清洗后的格式化数据集，使用机器学习时序分析方法进行初步分析，生成处理后数据集；
基于所述处理后数据集，采用K-means聚类分析和关联规则挖掘进行电动机运行状态的分组和模式识别，生成电动机状态综合报告；
基于电机监控摄像头数据和所述电动机状态综合报告，采用卷积神经网络和孤立森林算法进行图像深度分析和异常图像模式识别，生成综合视觉分析报告；
基于所述综合视觉分析报告和电动机状态综合报告，使用自回归集成移动平均模型和长短期记忆网络进行深入的异常模式分析，生成异常模式综合识别报告。
3.根据权利要求2所述的电机性能实时监测方法，其特征在于：所述实时监测数据集包括电流值、电压值、温度读数和振动频率，所述清洗后的格式化数据集包括规范化的电流和电压数据、标准化的温度读数和振动数据，所述处理后数据集包括电机运行参数的时间序列分析结果、初步的异常模式识别结果和趋势预测数据， 所述电动机状态综合报告包括电机运行状态的分类结果、关键运行参数之间的关联模式和预测异常指标，所述综合视觉分析报告包括异常图像特征的识别、状态监测与图像分析的关联结果， 所述异常模式综合识别报告包括基于深度学习的时间序列异常模式识别结果、神经网络分析的输出和综合的异常模式识别结果。
CN202311754184.6A 2023-12-20 2023-12-20 电机性能实时监测系统及方法 Active CN117436004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311754184.6A CN117436004B (zh) 2023-12-20 2023-12-20 电机性能实时监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311754184.6A CN117436004B (zh) 2023-12-20 2023-12-20 电机性能实时监测系统及方法

Publications (2)

Publication Number Publication Date
CN117436004A CN117436004A (zh) 2024-01-23
CN117436004B true CN117436004B (zh) 2024-03-22

Family

ID=89553848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311754184.6A Active CN117436004B (zh) 2023-12-20 2023-12-20 电机性能实时监测系统及方法

Country Status (1)

Country Link
CN (1) CN117436004B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117665546B (zh) * 2024-02-02 2024-04-30 深圳市鑫恒天电子有限公司 一种pcba板的自动化测试方法及系统
CN117688464B (zh) * 2024-02-04 2024-04-19 国网上海市电力公司 一种基于多源传感器数据的隐患分析方法及系统
CN117786373B (zh) * 2024-02-28 2024-05-03 山东鑫林纸制品有限公司 一种基于大数据的瓦楞纸加工的设备运行诊断系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410588A (zh) * 2018-12-20 2019-03-01 湖南晖龙集团股份有限公司 一种基于交通大数据的交通事故演化分析方法
CN111291865A (zh) * 2020-01-21 2020-06-16 北京工商大学 一种基于卷积神经网络和孤立森林的步态识别方法
CN112131212A (zh) * 2020-09-29 2020-12-25 合肥城市云数据中心股份有限公司 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN113850305A (zh) * 2021-09-10 2021-12-28 广东核电合营有限公司 一种发电机故障诊断与健康状态评估方法和电子设备
CN117252447A (zh) * 2023-11-17 2023-12-19 山东海晟盐业有限公司 一种工业盐生产统计方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410588A (zh) * 2018-12-20 2019-03-01 湖南晖龙集团股份有限公司 一种基于交通大数据的交通事故演化分析方法
CN111291865A (zh) * 2020-01-21 2020-06-16 北京工商大学 一种基于卷积神经网络和孤立森林的步态识别方法
CN112131212A (zh) * 2020-09-29 2020-12-25 合肥城市云数据中心股份有限公司 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN113850305A (zh) * 2021-09-10 2021-12-28 广东核电合营有限公司 一种发电机故障诊断与健康状态评估方法和电子设备
CN117252447A (zh) * 2023-11-17 2023-12-19 山东海晟盐业有限公司 一种工业盐生产统计方法及系统

Also Published As

Publication number Publication date
CN117436004A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN117436004B (zh) 电机性能实时监测系统及方法
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
WO2017139046A1 (en) System and method for unsupervised root cause analysis of machine failures
CN114385391A (zh) 一种nfv虚拟化设备运行数据分析方法及装置
CN113987205A (zh) 一种燃气轮机故障诊断方法及系统
CN115758173B (zh) 基于并联图注意力网络的云平台系统异常检测方法及装置
Cai et al. A real-time trace-level root-cause diagnosis system in alibaba datacenters
CN116167370A (zh) 基于日志时空特征分析的分布式系统异常检测方法
Nouioua et al. A survey of machine learning for network fault management
Felsberger et al. Explainable deep learning for fault prognostics in complex systems: A particle accelerator use-case
Cui et al. Spatio-temporal correlation based anomaly detection and identification method for IoT sensors
Wang et al. An anomaly prediction framework for financial IT systems using hybrid machine learning methods
Hu et al. TS-InvarNet: Anomaly detection and localization based on tempo-spatial KPI invariants in distributed services
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations
Mahalakshmi et al. SCADA Intrusion Detection System using Cost Sensitive Machine Learning and SMOTE-SVM
CN113962273A (zh) 一种基于多指标的时间序列异常检测方法、系统及存储介质
Benatia et al. Alarm correlation to improve industrial fault management
US11288159B2 (en) System model evaluation system, operation management system, system model evaluation method, and program
Chen et al. Hybrid tree model for root cause analysis of wireless network fault localization
Sun et al. An artificial intelligence-based real-time monitoring framework for time series
Afshinpour et al. Telemetry-based Software Failure Prediction by Concept-space Model Creation
Opara et al. Predicting asset maintenance failure using supervised machine learning techniques
Jin et al. Anomaly detection and health-status analysis in a core router system
Vitale et al. A Process Mining-based unsupervised Anomaly Detection technique for the Industrial Internet of Things
Papataxiarhis et al. Event correlation and forecasting over multivariate streaming sensor data

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