CN117458955A - 电机的运行控制方法及系统 - Google Patents
电机的运行控制方法及系统 Download PDFInfo
- Publication number
- CN117458955A CN117458955A CN202311806923.1A CN202311806923A CN117458955A CN 117458955 A CN117458955 A CN 117458955A CN 202311806923 A CN202311806923 A CN 202311806923A CN 117458955 A CN117458955 A CN 117458955A
- Authority
- CN
- China
- Prior art keywords
- motor
- data
- vibration
- fault diagnosis
- current
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 claims abstract description 170
- 238000012360 testing method Methods 0.000 claims abstract description 125
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000011217 control strategy Methods 0.000 claims abstract description 24
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 60
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013100 final test Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
-
- 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
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
- H02P29/028—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load the motor continuing operation despite the fault condition, e.g. eliminating, compensating for or remedying the fault
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请涉及人工智能技术领域,公开了一种电机的运行控制方法及系统。所述方法包括:对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;进行特征提取,得到测试运行电流特征以及测试电机振动特征;进行电机故障预测建模,得到目标电机故障诊断模型集;对实时运行电流数据以及实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;将异常运行电流数据以及异常电机振动数据输入目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;通过自适应控制算法,根据目标电机故障诊断结果生成目标电机的电机运行参数控制策略,本申请提高了电机的运行控制准确率。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种电机的运行控制方法及系统。
背景技术
电机在工业和生产中扮演着至关重要的角色,但它们的长期运行容易受到各种内外部因素的影响,导致潜在的故障风险。为了确保电机的可靠运行和延长寿命,电机故障预测和诊断已经成为了一个备受关注的研究领域。研究人员一直在寻找更精确、高效的方法来监测电机的运行状态,以及提前识别和解决潜在的故障问题,这对于减少生产停机时间和维护成本至关重要。
然而,传统的电机故障监测方法存在一些问题,如仅仅基于人工经验和阈值的故障检测不够准确,且难以适应不同工况和电机类型。此外,大多数方法通常只关注电流或振动数据的某一方面,而忽略了它们之间的复杂关联。在实际应用中,电机会受到多种故障模式的影响,因此需要综合考虑多种特征和模型,这增加了故障预测和诊断的复杂性。因此,寻找一种综合的、自动化的电机运行控制方法,可以有效解决这些问题,成为当前电机研究领域的重要挑战之一。
发明内容
本申请提供了一种电机的运行控制方法及系统,用于提高了电机的运行控制准确率。
第一方面,本申请提供了一种电机的运行控制方法,所述电机的运行控制方法包括:
通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略。
第二方面,本申请提供了一种电机的运行控制系统,所述电机的运行控制系统包括:
采集模块,用于通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
提取模块,用于分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
建模模块,用于将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
分析模块,用于获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
诊断模块,用于将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
生成模块,用于通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略。
本申请提供的技术方案中,使用传感器采集的运行状态信号,并通过经验模态分解提取特征,能够对电机的潜在故障进行早期预测和诊断。通过信号分类、数字信号转换、信号分解和多层次的特征提取过程,能够有效地捕捉到电机运行状态的关键特征,从而提高了故障预测和诊断的准确性和可靠性。综合考虑了电机的运行电流和振动数据,通过贝叶斯网络和极限学习机构建了多模型故障诊断系统,提高了故障诊断的全面性和可信度。通过获取实时运行电流和振动数据,能够快速检测到异常情况,并及时生成电机运行参数控制策略,从而实现对电机运行的实时监测和自适应控制,降低了故障对系统的影响。核主元分析和奇异值分解等技术有助于将复杂的高维数据降维到更易于处理的低维空间,提高了数据处理的效率和计算速度。通过模型集成和结果融合,能够综合考虑不同模型的输出,提高了电机故障诊断的可靠性和鲁棒性,进而提高了电机的运行控制准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中电机的运行控制方法的一个实施例示意图;
图2为本申请实施例中电机的运行控制系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种电机的运行控制方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中电机的运行控制方法的一个实施例包括:
步骤S101、通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
可以理解的是,本申请的执行主体可以为电机的运行控制系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,通过预置的传感器组对目标电机进行运行状态信号采集,包括部署多种类型的传感器(如电流传感器、振动传感器等)以捕获电机在运行中的各种物理参数。接下来,对原始运行状态信号集进行信号分类,对收集到的信号进行分析并区分出原始电流信号和原始振动信号,有效地识别和分离出与电机运行电流和振动相关的信号。随后,分别对原始电流信号以及原始振动信号进行数字信号转换,将模拟信号转换为数字形式,得到第一电流信号数据和第一振动信号数据。数字信号转换是确保信号可被进一步电子处理和分析的关键。接下来,通过预置的经验模态分解算法对这些数字化的信号数据进行处理,该算法能够有效地将复杂的信号分解为若干本征模态函数(IMFs),这有助于揭示信号中的各种模态成分。具体来说,第一电流信号数据和第一振动信号数据分别被分解,从而得到针对电流和振动的本征模态函数。随后,对于这些本征模态函数,采用希尔伯特-黄变换进行进一步的分析,这一变换有助于从时频域角度理解信号的动态特性,得到的第二电流信号数据和第二振动信号数据能够更加精确地反映电机的运行状况。接着,进行奇异值分解处理,这是一种有效的数据降维和噪声过滤技术,能够进一步提炼信号数据,得到第三电流信号数据和第三振动信号数据。通过应用小波变换和计算功率谱密度,这一步不仅能进一步精细化信号的频域特征,还能揭示能量分布的特性,从而最终得到具有高度分析价值的测试运行电流数据和测试电机振动数据。
步骤S102、分别对测试运行电流数据以及测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
具体的,将测试运行电流数据和测试电机振动数据分别输入到预置的两个特征聚类分析模型中。利用聚类分析技术,通过这些模型筛选出多个初始的电流和振动特征值,这些初始特征值能够初步反映出电机在不同运行状态下的关键特性。接着,基于这些初始特征值,对测试运行电流数据和测试电机振动数据进行均值特征聚类,将相似特性的数据归为一类,从而形成多个第一电流特征聚类簇和第一振动特征聚类簇。通过分析和比较数据之间的差异,有助于识别出那些对于电机性能和健康状况具有重要指示意义的特征。接下来,通过对这些第一特征聚类簇进行聚类迭代优化,进一步细化和精确化特征值。通过不断迭代和调整聚类过程,可以更准确地确定目标电流特征值和目标振动特征值。这种迭代优化过程是一种动态调整方法,它不断地基于前一步骤的结果进行优化和调整,以求得更为精确和代表性的特征值。接着,通过多个目标电流特征值和目标振动特征值对原始测试数据进行进一步的聚类处理。测试运行电流数据和测试电机振动数据分别被分为对应的多个第二电流特征聚类簇和第二振动特征聚类簇。这是在更高层次上对数据进行分类和分析,从而得到更为集中和具体的特征表现。基于这些第二特征聚类簇,对目标电流特征值和目标振动特征值进行特征校正和特征合并,进一步提纯和完善特征值。通过这种特征校正和合并,可以得到最终的测试运行电流特征和测试电机振动特征。这些特征是经过多层次筛选和优化后的结果,能够更准确地反映电机的实际运行状况,为之后的故障预测和诊断提供了可靠的数据基础。
步骤S103、将测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
具体的,将测试运行电流特征输入预置的贝叶斯网络,在这个网络里,通过计算测试运行电流特征的条件概率,可以评估在某一特定条件下发生特定事件的性。条件概率的计算涉及到一系列概率分布的乘积和除法,这些概率分布代表不同事件的相互关联程度。接着,贝叶斯网络的联合概率层被用来计算测试运行电流特征的联合概率,这有助于理解不同事件同时发生的性。为了提高贝叶斯网络的准确性和效率,采用了期望最大化算法对网络参数进行更新和迭代优化。这一算法通过反复调整参数以最大化观测数据的似然性,从而得到更精确的故障诊断模型。这样,就形成了第一电机故障诊断模型。接下来,测试电机振动特征被输入到预置的极限学习机中,用于电机故障预测训练。极限学习机是一种高效的学习模型,它通过计算输出层权重来实现快速学习。输出权重的计算是通过将隐藏层输出与目标输出相结合来实现的。同时,随机生成的隐藏层函数被用来计算隐藏层的输出。这个函数通过将测试电机振动特征与权重相结合,并添加偏置以及应用激活函数,来生成隐藏层的输出。通过分类输出函数,根据隐藏层的输出计算测试电机振动特征的电机故障分类。这个函数将隐藏层输出与输出层权重相结合,生成电机故障的分类结果。为了确保模型的准确性和泛化能力,对极限学习机进行了最小化误差重构和交叉验证。这些步骤有助于减少模型的过拟合,提高其在未见数据上的表现。通过这些过程,形成了第二电机故障诊断模型。将第一电机故障诊断模型和第二电机故障诊断模型进行模型集成,以得到目标电机故障诊断模型集。模型集成是一种将多个模型的预测结果结合起来,以提高预测准确性的技术。这种方法能够利用不同模型的优势,减少单一模型存在的偏差或不足,从而得到更为可靠和精确的故障诊断结果。通过这种综合方法,可以有效地提高电机故障预测的准确性和可靠性,为电机的运行控制提供坚实的技术支持。
步骤S104、获取目标电机的实时运行电流数据以及实时电机振动数据,并分别对实时运行电流数据以及实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
具体的,通过安装在电机上的传感器,从目标电机获取实时运行电流数据和实时电机振动数据,传感器能够连续监测并记录电机的电流和振动情况。接下来,通过预置的核函数映射公式分别将实时运行电流数据以及实时电机振动数据映射至高位特征空间,得到高维运行电流数据以及高维电机振动数据。这种映射有助于揭示数据中的复杂结构和关系,尤其是在原始数据空间中不容易识别的模式。随后,使用这些高维数据构建运行电流核矩阵和电机振动核矩阵。这些核矩阵是通过计算数据点之间的核函数值来构建的,它们在高维空间中描绘出数据的分布和结构。核矩阵构建完成后,对这些矩阵进行特征值分解。通过数学上的线性代数操作,找到描述数据主要变化方向的特征值和特征向量。接着,根据得到的电流特征值和振动特征值,选取主要的成分特征值,基于这些主要成分,分别构建电流投影矩阵和振动投影矩阵。这些投影矩阵被用来将原始的高维数据转换到一个新的空间,其中数据的主要变化被保留下来,而不重要的变化被忽略。利用这些投影矩阵对高维运行电流数据和高维电机振动数据进行异常指数计算。这个计算过程是为了识别那些偏离正常范围的数据点,也就是异常数据。通过这种方式,可以有效地从大量的实时监测数据中提取出关键的异常运行电流数据和异常电机振动数据。这些异常数据是识别潜在故障和实施及时维护的关键,确保电机的可靠运行和及时维护。
步骤S105、将异常运行电流数据以及异常电机振动数据输入目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
具体的,将检测到的异常运行电流数据和异常电机振动数据输入到目标电机故障诊断模型集中。随后,利用故障诊断模型集中的第一电机故障诊断模型来处理异常运行电流数据。这个模型专门设计用来分析电流数据,识别出的故障模式和异常情况。通过这一模型的分析,可以得到第一电机故障诊断结果,这个结果将反映出电流方面的异常和潜在问题。同样,第二电机故障诊断模型则负责处理异常电机振动数据。这个模型针对振动数据的特点进行优化,能够准确地识别出由于各种原因(如不平衡、轴承损坏等)引起的振动异常,从而得到第二电机故障诊断结果。接下来,获取故障诊断模型集中两个模型的模型权重数据。这些权重数据是基于模型在历史数据上的表现和准确性经过调整的,能够反映出每个模型在故障诊断中的重要性和可信度。利用这些权重数据,可以对两个模型的故障诊断结果进行加权运算,得到加权后的故障诊断结果。这种加权运算不仅考虑了每个模型的诊断结果,还考虑了其在整个故障诊断体系中的相对重要性,从而确保了最终诊断结果的综合性和平衡性。将这两个加权后的故障诊断结果进行结果融合,以得到最终的目标电机故障诊断结果。
步骤S106、通过预置的自适应控制算法,根据目标电机故障诊断结果生成目标电机的电机运行参数控制策略。
具体的,对目标电机故障诊断结果进行诊断结果解析。分析和理解故障诊断模型集所提供的数据,包括电机的故障状态以及具体的故障类型。电机故障状态涉及到电机的运行性能指标,如电流异常、振动异常等,而电机故障类型则包括机械故障、电气故障等不同类别。通过准确地识别这些信息,可以为后续的控制策略制定提供必要的基础。随后,通过预置的自适应控制算法进行自适应控制分析。这个算法核心是一个自适应控制函数,它结合当前的电机故障状态和故障类型,通过计算生成控制输入。在这个函数中,u(t)代表控制输入,它是电机运行参数调整的关键指标,K(t)代表增益矩阵,是根据电机的运行状态和故障类型动态调整的参数,而r(t)则代表电机的故障类型,它直接影响控制策略的调整方向。x(t)表示电机的故障状态,是决定控制策略调整幅度的关键变量。通过这个自适应控制函数,可以根据电机的具体故障情况动态地调整控制策略,实现精准的故障应对。最终,根据通过自适应控制函数计算得到的控制输入,生成目标电机的电机运行参数控制策略。这个策略将包含具体的操作指导和参数调整建议,如调整电流大小、改变运行频率、调整负载等,旨在优化电机的运行状况,减少故障对电机运行的影响。这样的控制策略不仅要确保电机在故障状态下的安全运行,还要尽地恢复或保持其最佳性能。
本申请实施例中,使用传感器采集的运行状态信号,并通过经验模态分解提取特征,能够对电机的潜在故障进行早期预测和诊断。通过信号分类、数字信号转换、信号分解和多层次的特征提取过程,能够有效地捕捉到电机运行状态的关键特征,从而提高了故障预测和诊断的准确性和可靠性。综合考虑了电机的运行电流和振动数据,通过贝叶斯网络和极限学习机构建了多模型故障诊断系统,提高了故障诊断的全面性和可信度。通过获取实时运行电流和振动数据,能够快速检测到异常情况,并及时生成电机运行参数控制策略,从而实现对电机运行的实时监测和自适应控制,降低了故障对系统的影响。核主元分析和奇异值分解等技术有助于将复杂的高维数据降维到更易于处理的低维空间,提高了数据处理的效率和计算速度。通过模型集成和结果融合,能够综合考虑不同模型的输出,提高了电机故障诊断的可靠性和鲁棒性,进而提高了电机的运行控制准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)通过预置的传感器组对目标电机进行运行状态信号采集,得到原始运行状态信号集;
(2)对原始运行状态信号集进行信号分类,得到原始电流信号以及原始振动信号;
(3)分别对原始电流信号以及原始振动信号进行数字信号转换,得到第一电流信号数据以及第一振动信号数据;
(4)通过预置的经验模态分解算法,分别对第一电流信号数据以及第一振动信号数据进行信号分解,得到第一电流信号数据的多个第一本征模态函数和第一振动信号数据的多个第二本征模态函数;
(5)对第一电流信号数据的多个第一本征模态函数进行希尔伯特-黄变换,得到第二电流信号数据,并对第一振动信号数据的多个第二本征模态函数进行希尔伯特-黄变换,得到第二振动信号数据;
(6)对第二电流信号数据进行奇异值分解,得到第三电流信号数据,并对第二振动信号数据进行奇异值分解,得到第三振动信号数据;
(7)对第三电流信号数据进行小波变换和功率谱密度,得到测试运行电流数据,并对第三振动信号数据进行小波变换和功率谱密度,得到测试电机振动数据。
具体的,通过预置的传感器组对目标电机进行运行状态信号采集。使用多种传感器,如电流传感器和振动传感器,这些传感器能够捕获电机运行过程中的各种关键数据,包括电流的变化和机体的振动情况。接下来,对这些原始运行状态信号进行分类,将原始电流信号和原始振动信号区分开来。电流信号反映了电机的电气性能,而振动信号则反映了电机的物理状态。随后,分别对原始电流信号以及原始振动信号进行数字信号转换,将模拟信号转换为数字信号。将传感器捕获的模拟信号转化为数字形式,以便于进行更高级的计算机处理。数字信号转换后,得到第一电流信号数据和第一振动信号数据。接着,通过预置的经验模态分解(EMD)算法,对这些数字信号进行进一步的分解。经验模态分解是一种非线性和非平稳信号处理的方法,它可以将复杂的信号分解为一系列简单的本征模态函数(IMFs)。对于第一电流信号数据和第一振动信号数据分别进行这样的分解,可以得到多个反映不同频率成分的本征模态函数。随后,将这些本征模态函数进行希尔伯特-黄变换处理。希尔伯特-黄变换是一种用于分析非线性和非平稳时间序列的方法,它通过将每一个本征模态函数转换为其对应的希尔伯特变换,从而提供信号的瞬时频率等信息。通过对第一电流信号数据的本征模态函数和第一振动信号数据的本征模态函数进行希尔伯特-黄变换,得到的第二电流信号数据和第二振动信号数据能更加精确地描述电机的运行状态。接下来,对第二电流信号数据和第二振动信号数据进行奇异值分解(SVD)。奇异值分解用于分析和简化数据。通过这种分解,可以将数据分解为一组奇异值和对应的奇异向量,这有助于识别和提取信号中最重要的特征。对经过奇异值分解后得到的第三电流信号数据和第三振动信号数据应用小波变换和功率谱密度分析。小波变换是一种能够提供时间和频率信息的信号处理工具,适用于分析非平稳信号。而功率谱密度分析则能提供信号功率随频率变化的信息。通过这些信号处理方法,可以得到最终的测试运行电流数据和测试电机振动数据,这些数据可以用于进一步的故障诊断和分析。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)将测试运行电流数据输入预置的第一特征聚类分析模型,并确定测试运行电流数据的多个初始电流特征值,并将测试电机振动数据输入预置的第二特征聚类分析模型,并确定测试电机振动数据的多个初始振动特征值;
(2)根据多个初始电流特征值对测试运行电流数据进行均值特征聚类,得到多个第一电流特征聚类簇,并根据多个初始振动特征值对测试电机振动数据进行均值特征聚类,得到多个第一振动特征聚类簇;
(3)通过多个第一电流特征聚类簇进行聚类迭代优化,确定多个目标电流特征值,并通过多个第一振动特征聚类簇进行聚类迭代优化,确定多个目标振动特征值;
(4)通过多个目标电流特征值对测试运行电流数据进行聚类处理,生成对应的多个第二电流特征聚类簇,并通过多个目标振动特征值对测试电机振动数据进行聚类处理,生成对应的多个第二振动特征聚类簇;
(5)根据多个第二电流特征聚类簇对多个目标电流特征值进行特征校正和特征合并,得到测试运行电流特征,并根据多个第二振动特征聚类簇对多个目标振动特征值进行特征校正和特征合并,得到测试电机振动特征。
具体的,将测试运行电流数据输入预置的第一特征聚类分析模型,这个模型通过分析电流数据的不同特征,确定了多个初始电流特征值。同样,将测试电机振动数据输入预置的第二特征聚类分析模型,以确定振动数据的初始特征值。这两个模型的作用在于从原始的电流和振动数据中提取出关键的特征值,这些特征值将作为后续分析的基础。随后,根据这些初始电流特征值对测试运行电流数据进行均值特征聚类,将数据根据它们的特征值分组,以形成多个第一电流特征聚类簇。这样的聚类过程有助于识别电流数据中的模式和规律。同样,通过均值特征聚类形成多个第一振动特征聚类簇。将具有相似特性的振动数据分组,以便于进一步的分析。接着,对这些第一电流特征聚类簇和第一振动特征聚类簇进行聚类迭代优化。对初步形成的聚类簇进行反复的调整和优化,以确保每个聚类簇内的数据尽相似,聚类簇之间的数据尽不同。这样的迭代优化有助于更准确地确定目标电流特征值和目标振动特征值,这些目标特征值是对初始特征值的精化和改进。利用这些优化后的目标电流特征值对测试运行电流数据进行进一步的聚类处理,从而生成多个第二电流特征聚类簇,进一步细分电流数据,以更精确地描述电机的电气特性。同样,通过使用优化后的目标振动特征值进行聚类处理,生成多个第二振动特征聚类簇,进一步细化振动数据的分析,以便更好地理解电机的物理状态。对这些第二电流特征聚类簇进行特征校正和特征合并,得到最终的测试运行电流特征。对多个第二电流特征聚类簇中的特征值进行综合和优化,以确保得到的电流特征既全面又准确。同样地,对第二振动特征聚类簇中的特征值也进行特征校正和特征合并,以得到最终的测试电机振动特征。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)将测试运行电流特征输入预置的贝叶斯网络,通过贝叶斯网络中的条件概率层计算测试运行电流特征的条件概率,条件概率层包括:,/>表示在事件B发生的条件下事件A发生的概率,/>表示事件A发生的边缘概率,/>表示事件B发生的边缘概率,/>表示在事件A发生的条件下事件B发生的概率;
(2)通过贝叶斯网络中的联合概率层,计算测试运行电流特征的联合概率,联合概率层包括:表示事件A和B同时发生的概率;
(3)通过预置的期望最大化算法,对贝叶斯网络进行网络参数更新和迭代优化,得到第一电机故障诊断模型;
(4)将测试电机振动特征输入预置的极限学习机进行电机故障预测训练,并通过预置的输出权重计算函数计算极限学习机的输出层权重,输出权重计算函数为:,/>表示输出层权重,/>是/>的伪逆,/>表示隐藏层输出,/>表示目标输出;
(5)通过预置的随机生成隐藏层函数,计算极限学习机的隐藏层输出,随机生成隐藏层函数为:,/>表示隐藏层输出,/>表示测试电机振动特征,/>表示权重,表示偏置,/>表示激活函数;
(6)通过预置的分类输出函数,根据隐藏层输出计算测试电机振动特征的电机故障分类,分类输出函数为:,/>表示输出层权重,/>表示隐藏层输出,/>表示电机故障分类;
(7)对极限学习机进行最小化误差重构和交叉验证,得到第二电机故障诊断模型;
(8)对第一电机故障诊断模型和第二电机故障诊断模型进行模型集成,得到目标电机故障诊断模型集。
具体的,将测试运行电流特征输入预置的贝叶斯网络。贝叶斯网络是一种基于概率的模型,能够有效地处理不确定性和因果关系。通过应用贝叶斯公式,计算测试运行电流特征的条件概率,该公式考虑了各种事件之间的相互依赖关系。条件概率的计算揭示了在已知某些条件(如特定的运行环境或电机状态)下,特定事件(如电机故障)发生的概率。同时,通过贝叶斯网络中的联合概率层,计算测试运行电流特征的联合概率,这有助于了解不同事件同时发生的性。联合概率的计算反映了不同电流特征之间的关联程度,这有助于理解电机运行状态的整体情况。接下来,通过预置的期望最大化(EM)算法对贝叶斯网络进行网络参数的更新和迭代优化。期望最大化算法是一种统计方法,用于在存在不完全或隐藏数据时找到概率模型参数的最佳估计。在这个过程中,模型不断调整其参数,以便更好地拟合测试运行电流数据,从而得到更准确的第一电机故障诊断模型。同时,将测试电机振动特征输入预置的极限学习机进行电机故障预测训练。极限学习机是一种高效的学习模型,适用于处理大量数据和复杂模式识别任务。在极限学习机中,输出层权重的计算是通过将隐藏层输出与目标输出结合来实现的,这一过程涉及到计算隐藏层输出的伪逆和目标输出的乘积。极限学习机的隐藏层输出是通过随机生成的隐藏层函数计算得出的,该函数结合了测试电机振动特征、权重、偏置和激活函数。这一步骤是将输入数据转换为可以用于故障诊断的中间表示,为最终的分类输出奠定基础。随后,分类输出函数根据隐藏层输出计算电机振动特征的电机故障分类。将隐藏层输出与输出层权重结合,生成故障分类的结果。这种分类方法能够将复杂的振动数据转化为具体的故障类型,使得故障诊断更加直观和可操作。之后,为了提高模型的准确性和泛化能力,对极限学习机进行最小化误差重构和交叉验证。这些步骤有助于减少模型的过拟合,提高其在未见数据上的表现。通过这些过程,形成了第二电机故障诊断模型。将第一电机故障诊断模型和第二电机故障诊断模型进行模型集成,以得到目标电机故障诊断模型集。模型集成是一种将多个模型的预测结果结合起来,以提高预测准确性的技术。这种方法能够利用不同模型的优势,减少单一模型存在的偏差或不足,从而得到更为可靠和精确的故障诊断结果。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)获取目标电机的实时运行电流数据以及实时电机振动数据;
(2)通过预置的核函数映射公式分别将实时运行电流数据以及实时电机振动数据映射至高位特征空间,得到高维运行电流数据以及高维电机振动数据,核函数映射公式为: 是实时运行电流数据或者实时电机振动数据中的样本点,/>是核函数的宽度参数,/>表示高维运行电流数据或者高维电机振动数据;
(3)分别构建高维运行电流数据的运行电流核矩阵以及高维电机振动数据的电机振动核矩阵;
(4)对运行电流核矩阵进行特征值分解,得到电流特征值以及电流特征向量,并对电机振动核矩阵进行特征值分解,得到振动特征值以及振动特征向量;
(5)根据电流特征值选取电流主成分特征值,并根据电流主成分特征值构建电流投影矩阵,并根据振动特征值选取振动主成分特征值,并根据振动主成分特征值构建振动投影矩阵;
(6)根据电流投影矩阵对高维运行电流数据进行异常指数计算,得到异常运行电流数据,并根据振动投影矩阵对高维电机振动数据进行异常指数计算,得到异常电机振动数据。
具体的,获取目标电机的实时运行电流数据和电机振动数据,这通常通过安装在电机上的各种传感器来实现,这些传感器能够连续监测并记录电机的电流和振动情况。接下来,通过预置的核函数映射公式分别将实时运行电流数据以及实时电机振动数据映射至高位特征空间。高斯核函数能够有效地将原始数据转换到一个更高维的空间中,使得在这个新空间中,原本在低维空间里不容易区分的数据特征变得更加明显和易于识别。核函数映射是一种常用于支持向量机等机器学习算法中的技术,适用于解决非线性问题。映射后,分别为高维运行电流数据和高维电机振动数据构建运行电流核矩阵和电机振动核矩阵。这些核矩阵是通过计算数据点之间的核函数值来构建的,它们在高维空间中描绘出数据的分布和结构。这是为了从数学上更好地表示和处理高维数据。随后,分别对运行电流核矩阵和电机振动核矩阵进行特征值分解,以得到电流特征值和电流特征向量,以及振动特征值和振动特征向量。特征值分解是一种数学方法,用于识别矩阵(或数据集)中最重要的特征和模式。这些特征值和特征向量能够揭示电流和振动数据中的主要变化趋势和模式。接下来,基于电流特征值和振动特征值的分析,分别选取电流和振动数据的主成分特征值。主成分分析是一种常用的数据降维技术,它可以提取数据中最重要的特征和信息,同时去除噪声和不重要的信息。选取这些主成分特征值后,分别构建电流投影矩阵和振动投影矩阵。这些投影矩阵将用于将原始的高维数据转换到一个新的空间,其中数据的主要变化被保留,而不重要的变化被忽略。利用这些投影矩阵对高维运行电流数据和高维电机振动数据进行异常指数的计算。这种计算能够识别出偏离正常范围的数据点,也就是异常数据。通过比较每个数据点与主成分的关系,数据点与主成分的偏离程度越大,其异常指数就越高。这样,就从大量的实时监测数据中提取出关键的异常运行电流数据和异常电机振动数据。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将异常运行电流数据以及异常电机振动数据输入目标电机故障诊断模型集;
(2)通过目标电机故障诊断模型集中的第一电机故障诊断模型,接收异常运行电流数据,并对异常运行电流数据进行电机故障诊断,得到第一电机故障诊断结果;
(3)通过目标电机故障诊断模型集中的第二电机故障诊断模型,接收异常电机振动数据,并对异常电机振动数据进行电机故障诊断,得到第二电机故障诊断结果;
(4)获取目标电机故障诊断模型集中第一电机故障诊断模型的第一模型权重数据,并获取目标电机故障诊断模型集中第二电机故障诊断模型的第二模型权重数据;
(5)根据第一模型权重数据对第一电机故障诊断结果进行加权运算,得到第一加权故障诊断结果,并根据第二模型权重数据对第二电机故障诊断结果进行加权运算,得到第二加权故障诊断结果;
(6)对第一加权故障诊断结果和第二加权故障诊断结果进行结果融合,得到目标电机故障诊断结果。
具体的,将异常运行电流数据和异常电机振动数据输入目标电机故障诊断模型集中。这个模型集由多个不同的诊断模型组成,每个模型针对特定类型的数据和故障模式进行优化,以确保故障诊断的准确性和效率。通过故障诊断模型集中的第一电机故障诊断模型来处理异常运行电流数据。这个模型专门用于分析电流数据,识别出的电气故障,如过载、短路、绝缘损坏等。通过对异常电流数据的深入分析,第一电机故障诊断模型能够提供关于电机电气系统状态的详细信息,从而得出第一电机故障诊断结果。这个结果不仅反映了电机当前的电气状况,还指出潜在的故障原因和发展趋势。接下来,通过目标电机故障诊断模型集中的第二电机故障诊断模型,接收异常电机振动数据。这个模型专门处理振动相关的数据,用于识别机械故障,如轴承损坏、不平衡、对准问题等。随后,获取这两个故障诊断模型的模型权重数据。这些权重数据反映了每个模型在故障诊断体系中的相对重要性和可靠性。通过对第一电机故障诊断结果和第二电机故障诊断结果进行加权运算,可以得到加权后的故障诊断结果。这种加权运算考虑了每个模型的诊断结果及其在整个故障诊断体系中的重量,从而确保了最终诊断结果的全面性和平衡性。将这两个加权后的故障诊断结果进行结果融合,从而得到最终的目标电机故障诊断结果。结果融合通过综合考虑电流和振动两个方面的诊断结果,提供了一个全面的故障分析。这种融合方法不仅能够提高故障诊断的准确性,还能够提供更为全面的故障信息,有助于指导电机的维护和修复工作。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)对目标电机故障诊断结果进行诊断结果解析,得到电机故障状态以及电机故障类型;
(2)通过预置自适应控制算法中的自适应控制函数,根据目标电机故障诊断结果对目标电机进行自适应控制分析,得到控制输入,自适应控制函数为:表示控制输入,/>表示增益矩阵,/>表示电机故障类型,/>表示电机故障状态;
(3)根据控制输入,生成目标电机的电机运行参数控制策略。
具体的,对目标电机故障诊断结果进行诊断结果解析,深入理解和解析故障诊断模型提供的数据,包括电机的故障状态和故障类型。电机故障状态涵盖了电机运行的多个方面,例如电流异常、温度升高、振动增强等,而故障类型则包括电气故障、机械故障、热力故障等。通过准确地识别出电机当前的具体问题和潜在风险,为后续的自适应控制提供依据。接下来,通过预置自适应控制算法中的自适应控制函数,根据目标电机故障诊断结果对目标电机进行自适应控制分析,得到控制输入。这个控制函数结合了电机的当前故障状态和故障类型,动态地调整控制策略,以应对检测到的故障。在这个过程中,增益矩阵 K(t)起到了调节控制强度和方向的作用,而 r(t) 则确保了控制策略能够针对具体的故障类型进行优化。根据自适应控制函数计算得到的控制输入,进一步生成目标电机的电机运行参数控制策略。这个控制策略将包括具体的操作指导和参数调整建议,例如调整电机的运行速度、改变负载条件、调整冷却系统的工作状态等。这样的控制策略不仅要确保电机在故障状态下的安全运行,还要尽地恢复或保持其最佳性能。
上面对本申请实施例中电机的运行控制方法进行了描述,下面对本申请实施例中电机的运行控制系统进行描述,请参阅图2,本申请实施例中电机的运行控制系统一个实施例包括:
采集模块201,用于通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
提取模块202,用于分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
建模模块203,用于将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
分析模块204,用于获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
诊断模块205,用于将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
生成模块206,用于通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略。
通过上述各个组成部分的协同合作,使用传感器采集的运行状态信号,并通过经验模态分解提取特征,能够对电机的潜在故障进行早期预测和诊断。通过信号分类、数字信号转换、信号分解和多层次的特征提取过程,能够有效地捕捉到电机运行状态的关键特征,从而提高了故障预测和诊断的准确性和可靠性。综合考虑了电机的运行电流和振动数据,通过贝叶斯网络和极限学习机构建了多模型故障诊断系统,提高了故障诊断的全面性和可信度。通过获取实时运行电流和振动数据,能够快速检测到异常情况,并及时生成电机运行参数控制策略,从而实现对电机运行的实时监测和自适应控制,降低了故障对系统的影响。核主元分析和奇异值分解等技术有助于将复杂的高维数据降维到更易于处理的低维空间,提高了数据处理的效率和计算速度。通过模型集成和结果融合,能够综合考虑不同模型的输出,提高了电机故障诊断的可靠性和鲁棒性,进而提高了电机的运行控制准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种电机的运行控制方法,其特征在于,所述电机的运行控制方法包括:
通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略。
2.根据权利要求1所述的电机的运行控制方法,其特征在于,所述通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据,包括:
通过预置的传感器组对目标电机进行运行状态信号采集,得到原始运行状态信号集;
对所述原始运行状态信号集进行信号分类,得到原始电流信号以及原始振动信号;
分别对所述原始电流信号以及所述原始振动信号进行数字信号转换,得到第一电流信号数据以及第一振动信号数据;
通过预置的经验模态分解算法,分别对所述第一电流信号数据以及所述第一振动信号数据进行信号分解,得到所述第一电流信号数据的多个第一本征模态函数和所述第一振动信号数据的多个第二本征模态函数;
对所述第一电流信号数据的多个第一本征模态函数进行希尔伯特-黄变换,得到第二电流信号数据,并对所述第一振动信号数据的多个第二本征模态函数进行希尔伯特-黄变换,得到第二振动信号数据;
对所述第二电流信号数据进行奇异值分解,得到第三电流信号数据,并对所述第二振动信号数据进行奇异值分解,得到第三振动信号数据;
对所述第三电流信号数据进行小波变换和功率谱密度,得到测试运行电流数据,并对所述第三振动信号数据进行小波变换和功率谱密度,得到测试电机振动数据。
3.根据权利要求1所述的电机的运行控制方法,其特征在于,所述分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征,包括:
将所述测试运行电流数据输入预置的第一特征聚类分析模型,并确定所述测试运行电流数据的多个初始电流特征值,并将所述测试电机振动数据输入预置的第二特征聚类分析模型,并确定所述测试电机振动数据的多个初始振动特征值;
根据所述多个初始电流特征值对所述测试运行电流数据进行均值特征聚类,得到多个第一电流特征聚类簇,并根据所述多个初始振动特征值对所述测试电机振动数据进行均值特征聚类,得到多个第一振动特征聚类簇;
通过所述多个第一电流特征聚类簇进行聚类迭代优化,确定多个目标电流特征值,并通过所述多个第一振动特征聚类簇进行聚类迭代优化,确定多个目标振动特征值;
通过所述多个目标电流特征值对所述测试运行电流数据进行聚类处理,生成对应的多个第二电流特征聚类簇,并通过所述多个目标振动特征值对所述测试电机振动数据进行聚类处理,生成对应的多个第二振动特征聚类簇;
根据所述多个第二电流特征聚类簇对所述多个目标电流特征值进行特征校正和特征合并,得到测试运行电流特征,并根据所述多个第二振动特征聚类簇对所述多个目标振动特征值进行特征校正和特征合并,得到测试电机振动特征。
4.根据权利要求1所述的电机的运行控制方法,其特征在于,所述将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集,包括:
将所述测试运行电流特征输入预置的贝叶斯网络,通过所述贝叶斯网络中的条件概率层计算所述测试运行电流特征的条件概率,所述条件概率层包括:,表示在事件B发生的条件下事件A发生的概率,/>表示事件A发生的边缘概率,表示事件B发生的边缘概率,/>表示在事件A发生的条件下事件B发生的概率;
通过所述贝叶斯网络中的联合概率层,计算所述测试运行电流特征的联合概率,所述联合概率层包括:,/>表示事件A和B同时发生的概率;
通过预置的期望最大化算法,对所述贝叶斯网络进行网络参数更新和迭代优化,得到第一电机故障诊断模型;
将所述测试电机振动特征输入预置的极限学习机进行电机故障预测训练,并通过预置的输出权重计算函数计算所述极限学习机的输出层权重,所述输出权重计算函数为:,/>表示输出层权重,/>是/>的伪逆,/>表示隐藏层输出,/>表示目标输出;
通过预置的随机生成隐藏层函数,计算所述极限学习机的隐藏层输出,所述随机生成隐藏层函数为:,/>表示隐藏层输出,/>表示测试电机振动特征,/>表示权重,/>表示偏置,/>表示激活函数;
通过预置的分类输出函数,根据所述隐藏层输出计算所述测试电机振动特征的电机故障分类,所述分类输出函数为:,/>表示输出层权重,/>表示隐藏层输出,表示电机故障分类;
对所述极限学习机进行最小化误差重构和交叉验证,得到第二电机故障诊断模型;
对所述第一电机故障诊断模型和所述第二电机故障诊断模型进行模型集成,得到目标电机故障诊断模型集。
5.根据权利要求1所述的电机的运行控制方法,其特征在于,所述获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据,包括:
获取所述目标电机的实时运行电流数据以及实时电机振动数据;
通过预置的核函数映射公式分别将所述实时运行电流数据以及所述实时电机振动数据映射至高位特征空间,得到高维运行电流数据以及高维电机振动数据,所述核函数映射公式为:,/>是实时运行电流数据或者实时电机振动数据中的样本点,/>是核函数的宽度参数,/>表示高维运行电流数据或者高维电机振动数据;
分别构建所述高维运行电流数据的运行电流核矩阵以及所述高维电机振动数据的电机振动核矩阵;
对所述运行电流核矩阵进行特征值分解,得到电流特征值以及电流特征向量,并对所述电机振动核矩阵进行特征值分解,得到振动特征值以及振动特征向量;
根据所述电流特征值选取电流主成分特征值,并根据所述电流主成分特征值构建电流投影矩阵,并根据所述振动特征值选取振动主成分特征值,并根据所述振动主成分特征值构建振动投影矩阵;
根据所述电流投影矩阵对所述高维运行电流数据进行异常指数计算,得到异常运行电流数据,并根据所述振动投影矩阵对所述高维电机振动数据进行异常指数计算,得到异常电机振动数据。
6.根据权利要求4所述的电机的运行控制方法,其特征在于,所述将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果,包括:
将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集;
通过所述目标电机故障诊断模型集中的第一电机故障诊断模型,接收所述异常运行电流数据,并对所述异常运行电流数据进行电机故障诊断,得到第一电机故障诊断结果;
通过所述目标电机故障诊断模型集中的第二电机故障诊断模型,接收所述异常电机振动数据,并对所述异常电机振动数据进行电机故障诊断,得到第二电机故障诊断结果;
获取所述目标电机故障诊断模型集中第一电机故障诊断模型的第一模型权重数据,并获取所述目标电机故障诊断模型集中第二电机故障诊断模型的第二模型权重数据;
根据所述第一模型权重数据对所述第一电机故障诊断结果进行加权运算,得到第一加权故障诊断结果,并根据所述第二模型权重数据对所述第二电机故障诊断结果进行加权运算,得到第二加权故障诊断结果;
对所述第一加权故障诊断结果和所述第二加权故障诊断结果进行结果融合,得到目标电机故障诊断结果。
7.根据权利要求1所述的电机的运行控制方法,其特征在于,所述通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略,包括:
对所述目标电机故障诊断结果进行诊断结果解析,得到电机故障状态以及电机故障类型;
通过预置自适应控制算法中的自适应控制函数,根据所述目标电机故障诊断结果对所述目标电机进行自适应控制分析,得到控制输入,所述自适应控制函数为:表示控制输入,/>表示增益矩阵,/>表示电机故障类型,/>表示电机故障状态;
根据所述控制输入,生成所述目标电机的电机运行参数控制策略。
8.一种电机的运行控制系统,其特征在于,所述电机的运行控制系统包括:
采集模块,用于通过预置的传感器组对目标电机进行运行状态信号采集和经验模态分解,得到测试运行电流数据以及测试电机振动数据;
提取模块,用于分别对所述测试运行电流数据以及所述测试电机振动数据进行特征提取,得到测试运行电流特征以及测试电机振动特征;
建模模块,用于将所述测试运行电流特征输入预置的贝叶斯网络进行电机故障预测建模,并将所述测试电机振动特征输入预置的极限学习机进行电机故障预测建模,得到目标电机故障诊断模型集;
分析模块,用于获取所述目标电机的实时运行电流数据以及实时电机振动数据,并分别对所述实时运行电流数据以及所述实时电机振动数据进行核主元分析,得到异常运行电流数据以及异常电机振动数据;
诊断模块,用于将所述异常运行电流数据以及所述异常电机振动数据输入所述目标电机故障诊断模型集进行电机故障诊断,得到目标电机故障诊断结果;
生成模块,用于通过预置的自适应控制算法,根据所述目标电机故障诊断结果生成所述目标电机的电机运行参数控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806923.1A CN117458955A (zh) | 2023-12-26 | 2023-12-26 | 电机的运行控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806923.1A CN117458955A (zh) | 2023-12-26 | 2023-12-26 | 电机的运行控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117458955A true CN117458955A (zh) | 2024-01-26 |
Family
ID=89589680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311806923.1A Withdrawn CN117458955A (zh) | 2023-12-26 | 2023-12-26 | 电机的运行控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118033297A (zh) * | 2024-04-02 | 2024-05-14 | 广州煜能电气有限公司 | 一种多模态智能接地箱的监测方法 |
-
2023
- 2023-12-26 CN CN202311806923.1A patent/CN117458955A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118033297A (zh) * | 2024-04-02 | 2024-05-14 | 广州煜能电气有限公司 | 一种多模态智能接地箱的监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
CN112655004A (zh) | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 | |
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
WO2018009733A1 (en) | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model | |
KR20170045354A (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Hiruta et al. | Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
Abbasi et al. | Condition based maintenance of oil and gas equipment: A review | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
Yu et al. | A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
Li et al. | Tool wear monitoring using machine learning | |
Cao et al. | An adaptive UKF algorithm for process fault prognostics | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN117647725B (zh) | Pcba的老化测试方法及系统 | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN117875053B (zh) | 用于设备运行监测的声音传感器布局优化方法及系统 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
Mujica Delgado et al. | Texture analysis for wind turbine fault detection |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240126 |