CN117494071A - 基于电机转速监测的寿命预测方法及相关装置 - Google Patents

Abstract

本申请涉及电机寿命预测技术领域，公开了一种基于电机转速监测的寿命预测方法及相关装置。所述方法包括：对目标电机进行转速监测和数据采集，得到初始转速数据集合；计算得到相关系数计算结果集合并进行数据集寻优，得到目标转速数据集合；对目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合并进行特征融合，得到多个融合转速特征指标；对多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；将目标转速特征编码向量输入电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据，本申请提高了电机寿命预测的准确率。

Description

基于电机转速监测的寿命预测方法及相关装置

技术领域

本申请涉及电机寿命预测技术领域，尤其涉及一种基于电机转速监测的寿命预测方法及相关装置。

背景技术

电机转速监测的寿命预测方法背后的研究背景源于工业领域对设备维护和寿命管理的迫切需求。在工业生产中，电机是关键的动力装置，其寿命预测直接关系到生产效率和成本控制。传统的维护方式通常是基于定期维护或故障检测，但这些方法无法充分利用电机运行数据，导致不必要的停机时间和维护成本。因此，基于电机转速监测的寿命预测方法应运而生，试图通过数据驱动的方式，提前识别电机潜在的故障迹象，实现精确的维护和资源分配。

然而，这个领域仍然存在一些挑战和问题。电机的运行数据通常庞大且复杂，需要有效的数据处理和特征提取方法，以便为模型提供有用的信息。其次，不同电机的工作环境和负载条件差异巨大，需要建立通用性强的模型，同时考虑到个体电机的特殊性。此外，模型的参数优化和更新也是一个复杂的问题，需要综合考虑多个参数和实际情况。这些方法的可靠性和实际应用性需要在不同工业场景中进行验证和改进，以确保其在实际生产中的有效性。

发明内容

本申请提供了一种基于电机转速监测的寿命预测方法及相关装置，本申请提高了电机寿命预测的准确率。

第一方面，本申请提供了一种基于电机转速监测的寿命预测方法，所述基于电机转速监测的寿命预测方法包括：

对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合；

通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标；

对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

第二方面，本申请提供了一种基于电机转速监测的寿命预测装置，所述基于电机转速监测的寿命预测装置包括：

采集模块，用于对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

计算模块，用于对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合；

特征提取模块，用于通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标；

编码模块，用于对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

预测模块，用于将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的基于电机转速监测的寿命预测方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于电机转速监测的寿命预测方法。

本申请提供的技术方案中，通过对目标电机进行转速监测和数据采集，并经过数据预处理和清洗等步骤，可以提高数据的准确性，消除噪声和异常数据，从而提高了预测模型的可靠性。通过Spearman秩相关系数计算和遗传算法寻优，可以优化初始转速数据集合，选择具有最高相关性的特征数据，有助于提高模型的特征工程效率和预测性能。使用堆栈稀疏自编码器进行特征编码和解码，可以有效地从原始数据中提取有用的特征，减少了特征工程的手动工作，提高了模型的自动化程度。对多个融合转速特征指标进行三角函数变换、累积变换和向量编码，使得多维特征信息得以综合利用，提高了对电机寿命的全面理解和预测能力。通过粒子群优化算法对电机寿命预测模型的参数进行优化，使得模型更好地适应具体的电机寿命预测任务，提高了模型的预测准确性和泛化能力。具有自适应性，可以适应不同电机和寿命预测任务的需求，提高了电机寿命预测的准确率。

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为本申请实施例中基于电机转速监测的寿命预测方法的一个实施例示意图；

图2为本申请实施例中基于电机转速监测的寿命预测装置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基于电机转速监测的寿命预测方法及相关装置。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，本申请实施例中基于电机转速监测的寿命预测方法的一个实施例包括：

步骤101、对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

可以理解的是，本申请的执行主体可以为基于电机转速监测的寿命预测装置，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，通过预置的电机控制系统对目标电机进行转速监测，并采集转速数据和时间戳数据，确保每一次转速测量都与其发生的具体时间点相对应。进行转速数据和时间戳数据的映射匹配能够确保每一个转速读数都与其记录时间准确对应，从而形成了初始转速监测数据。对初始转速监测数据进行数据清洗和数据去噪处理，这不仅包括去除无关数据和背景噪声，还包括校正数据中的任何误差或偏差，确保分析的准确性，从而得到更为精确的第一转速监测数据。将第一转速监测数据进行标准化处理，以消除不同设备或条件下测量得到的数据间的差异。标准化过程使得数据更具一致性，便于后续的分析和比较。在完成标准化之后，对第二转速监测数据进行数据插值和异常检测，补充缺失的数据点并识别的异常值，进一步提高数据的可靠性和有效性，最终得到标准转速监测数据。对标准转速监测数据进行窗口划分，将连续的数据流分割成一系列较小数据集，每个数据集代表了一个特定时间段内的转速变化。这种窗口划分方法有助于更细致地分析转速的时间序列变化，可以为后续的数据处理和寿命预测模型提供更加精确和细致的数据基础。

步骤102、对初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据相关系数计算结果集合对初始转速数据集合进行数据集寻优，得到目标转速数据集合；

具体的，通过预置的Spearman秩相关系数（SRCC）公式对初始转速数据集合进行分析。SRCC公式通过计算数据集中各数据点的秩次差异，从而评估数据间的相关性。具体来说，该公式通过计算每对数据点在数据集中的秩次差异的平方和，然后根据数据点的总数，采用特定的数学公式来计算出一个相关系数。这个相关系数不仅反映了数据点之间的相互关系，还能够揭示它们之间存在的统计相关性。根据这些计算出的相关系数来定义预置遗传算法的目标函数。这个目标函数利用相关系数来评估每个数据集的适应度，即数据集在电机寿命预测方面的有效性和准确性。该函数不仅包含了相关系数，还考虑了个体数据集合与初始转速数据集合之间的关系，通过这种方式，它能够量化每个数据集合的预测效能。遗传算法通过数据集交叉和变异操作来生成多个候选转速数据集合。在这个过程中，通过模拟生物进化中的交叉和变异机制，算法能够在不同的数据集合中混合和改变数据，从而产生新的数据集合。这些新产生的候选数据集合不仅包含了原始数据集的特征，还包括一些新的、有益的特征，这有助于寻找最优数据集。利用目标函数对这些候选转速数据集合进行适应度计算，评估每个数据集合的相关系数以及它们与初始数据集合的关系。通过这种方式，每个候选数据集合都会被赋予一个适应度分数，这个分数代表了该数据集合在电机寿命预测中的有效性。根据这些适应度分数对所有候选转速数据集合进行优化选择，挑选出适应度最高的数据集合作为目标转速数据集合。这个优化过程类似于自然选择，它确保只有最适合电机寿命预测的数据集合能够被选中用于后续的分析和预测。

步骤103、通过预置的堆栈稀疏自编码器对目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对目标转速特征集合进行特征融合，得到多个融合转速特征指标；

具体的，通过堆栈稀疏自编码器中的编码器对目标转速数据集合进行特征编码。编码器通过应用激活函数σ，结合权重矩阵W和偏置b，将输入的转速数据x转化为第一编码特征集合hl。这个转化过程的目的是从原始数据中提取出更加深层次的、有助于理解电机运行状态的特征。编码器的作用类似于一个数据压缩器，它将高维的输入数据转化为更低维的表示形式，从而得到了包含关键信息的编码特征集合。通过预置的稀疏正则化函数，对所述第一编码特征集合h1进行稀疏正则化处理。稀疏正则化的目的是在特征表示中引入稀疏性，这有助于增强模型的泛化能力，并提高了特征的区分度。具体来说，稀疏正则化函数通过计算特征集合的稀疏正则化损失，使用正则化系数λ，对编码特征集合进行调整，得到第二编码特征集合h2。这一步骤的关键在于确保编码特征不会过于密集，从而使得每个特征都能在描述电机转速状态时发挥更加明确和重要的作用。随后，通过所述堆栈稀疏自编码器中的解码器，对所述第二编码特征集合h2进行特征解码。在解码过程中，解码器通过应用另一组权重矩阵W'和偏置b'，以及激活函数σ，将编码后的特征集合h2转换回一个接近原始输入数据的形式，得到目标转速特征集合。这个过程的目标是重构输入数据，以验证编码过程是否成功地捕捉到了关键的信息。解码器的工作原理是将低维的编码特征重新转化为高维数据，尽地恢复原始数据的特性。进行特征融合。将第二编码特征集合h2和重构得到的目标转速特征集合进行融合，以形成多个融合转速特征指标。这种特征融合的目的是将从不同阶段的编码和解码过程中提取的特征结合起来，从而得到一个更全面、更能代表电机运行状态的特征集。通过这些融合的特征指标，服务器更准确地分析电机的运行状况，从而对其寿命进行有效预测。

步骤104、对多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

具体的，首先。通过预置的三角变换函数对融合转速特征指标进行三角函数变换。这种变换包括使用正弦、余弦等函数，通过数学方法提取转速特征的周期性和波动性信息。通过这一步骤，能够得到一组新的目标转速特征指标，这些指标更能反映电机转速的本质特性。通过预置的累积变换函数对这些目标转速特征指标进行累积变换。累积变换的目的是积累和加强特征指标中的趋势和模式，使其在长期预测中更加稳定和可靠。通过对特征指标进行累加或其他形式的积累处理，生成了一系列转速累积特征指标，这些累积特征指标更加全面地体现了电机转速随时间的变化趋势。将这些目标转速特征指标和转速累积特征指标进行特征序列转换，生成初始转速特征序列。将多个特征指标按照一定的顺序或模式排列，以形成一个连续的序列。这种序列化处理有助于在后续的分析中考虑特征之间的相互关系和时间顺序。随后，对初始转速特征序列进行序列标准化处理，目的是消除不同特征间的量纲差异，使其在相同的标准下进行比较和分析。序列标准化确保了不同特征之间的公平比较，同时也提高了特征数据在模型训练中的有效性。对标准化后的目标转速特征序列进行向量编码，从而得到目标转速特征编码向量。通过将特征序列转换成向量形式，使其可以直接应用于各种机器学习和深度学习模型中。向量编码不仅保留了特征之间的关系，还使得数据格式与预测模型的输入要求相匹配。

步骤105、将目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

具体的，将目标转速特征编码向量输入预置的电机转速寿命预测模型中，该模型由编码网络和解码网络组成。在编码网络中，通过自注意力层对所述目标转速特征编码向量进行自注意力计算。自注意力机制是一种高效的数据处理方法，能够让模型在处理一个特征时考虑到其他特征的信息，从而更准确地捕捉数据间的复杂关系。通过自注意力层的处理，可以得到自注意力转速特征向量，这个向量蕴含了原始数据中各个特征间的相互关系。随后，通过编码网络中的多头注意力层，对自注意力转速特征向量进行自注意力计算。多头注意力机制是自注意力机制的一个扩展，它通过并行处理数据并集成多个注意力层的输出，能够从不同角度分析数据，提高模型捕捉复杂关系的能力。经过多头注意力层的处理，得到了多头注意力转速特征向量，这个向量在保留了原始特征信息的同时，也融合了不同视角下的数据分析结果。模型的编码网络中的位置编码层对多头注意力转速特征向量进行位置编码。位置编码是一种添加到特征向量中的信息，用于表示特征在序列中的位置。通过使用正弦波形的位置编码，保证了模型在处理特征时能够考虑到它们在时间序列中的具体位置，进而得到位置编码转速特征向量。模型中的前馈网络层对位置编码转速特征向量进行进一步的处理。前馈网络层通常包含线性变换，它对输入的特征向量进行变换，以提取出对预测任务更有用的信息。通过这一层的处理，模型生成了线性变换转速特征向量，这个向量包含了经过层层变换和精细处理的电机转速特征信息。模型的解码网络对线性变换转速特征向量进行分析，以预测电机的寿命。解码网络通过分析编码网络提供的特征向量，结合电机寿命预测的特定算法，计算出电机的预期寿命。

根据电机寿命预测数据对电机转速寿命预测模型进行模型参数范围分析，确定模型参数的最佳范围，这些参数是模型性能的关键因素，它们的设置直接影响到模型预测的效果。通过对模型参数范围的分析，可以得到一个模型参数范围集合，这个集合包含了各个参数的最优取值范围，为后续的参数调整提供了重要参考。随后，基于模型参数范围集合，对电机转速寿命预测模型的多个模型参数进行随机初始值生成，形成一个随机初始值集合。为每个模型参数赋予一个随机生成的初始值，这些初始值将作为优化算法的起点。利用预置的粒子群优化算法对这些随机初始值集合进行处理，构建一个粒子种群。粒子群优化算法是一种基于群体智能的优化算法，它模仿鸟群觅食的行为，通过粒子间的协作和信息共享来寻找最优解。在构建的粒子种群中，每个粒子代表了一组模型参数的组合。对这个粒子种群进行粒子适应度计算，得到粒子种群对应的粒子适应度集合。粒子适应度计算是评价每个粒子（即每组参数组合）预测效果好坏的标准，它决定了粒子在种群中的生存和进化概率。通过适应度计算，可以识别出那些预测效果更好的参数组合。随后，对这个粒子适应度集合进行迭代计算和最优化求解。在迭代过程中，粒子根据自身和种群中其他粒子的适应度，不断调整自己的位置（即参数值），以寻找更优的解。这个过程反复进行，直至找到目标模型参数，即预测效果最佳的参数组合。根据得到的目标模型参数，对电机转速寿命预测模型进行参数更新。将模型中的参数调整为通过粒子群优化算法找到的最优参数值，从而得到参数更新后的电机转速寿命预测模型。通过这种方式，模型的性能得到进一步的提升，可以更准确地预测电机的寿命。

本申请实施例中，通过对目标电机进行转速监测和数据采集，并经过数据预处理和清洗等步骤，可以提高数据的准确性，消除噪声和异常数据，从而提高了预测模型的可靠性。通过Spearman秩相关系数计算和遗传算法寻优，可以优化初始转速数据集合，选择具有最高相关性的特征数据，有助于提高模型的特征工程效率和预测性能。使用堆栈稀疏自编码器进行特征编码和解码，可以有效地从原始数据中提取有用的特征，减少了特征工程的手动工作，提高了模型的自动化程度。对多个融合转速特征指标进行三角函数变换、累积变换和向量编码，使得多维特征信息得以综合利用，提高了对电机寿命的全面理解和预测能力。通过粒子群优化算法对电机寿命预测模型的参数进行优化，使得模型更好地适应具体的电机寿命预测任务，提高了模型的预测准确性和泛化能力。具有自适应性，可以适应不同电机和寿命预测任务的需求，提高了电机寿命预测的准确率。

在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：

（1）通过预置的电机控制系统，对目标电机进行转速监测，并采集目标电机的转速数据和时间戳数据；

（2）对目标电机的转速数据和时间戳数据进行映射匹配，得到初始转速监测数据；

（3）对初始转速监测数据进行数据清洗和数据去噪，得到第一转速监测数据；

（4）对第一转速监测数据进行标准化处理，得到第二转速监测数据，并对第二转速监测数据进行数据插值和异常检测，得到标准转速监测数据；

（5）对标准转速监测数据进行窗口划分，得到初始转速数据集合。

具体的，通过预置的电机控制系统对目标电机进行转速监测。这个系统通过安装在电机上的传感器，如光电传感器或霍尔传感器，实时监测电机的转速。同时，这些传感器还记录下转速数据和相应的时间戳，确保每一次转速读数都与其记录的时间点精确对应。这种同步采集转速和时间戳的方法提供了转速变化的时间维度信息，使得数据分析可以考虑到转速随时间的变化。对采集到的目标电机的转速数据和时间戳数据进行映射匹配，得到初始转速监测数据。对这些初始转速监测数据进行数据清洗和数据去噪。数据清洗包括去除错误数据、填补缺失值和排除不相关的信息。数据去噪则是通过滤波器或其他数学方法去除数据中的噪声，提高数据质量。例如，如果某次转速读数异常地高或低，是由于传感器故障或临时的干扰造成的，这样的数据就需要被识别并处理掉。对这些第一转速监测数据进行标准化处理。标准化是指将数据转换为统一的格式或范围，以消除不同设备或条件下测量得到的数据间的差异。例如，如果两台不同的传感器分别测得的转速数据范围不同，那么通过标准化可以将它们转换到同一范围内，使得数据之间可以公平比较。完成标准化后，对第二转速监测数据进行数据插值和异常检测。数据插值是用于填补数据中的缺失值，而异常检测则是用于识别和处理数据中的异常点。例如，如果在一系列连续的数据中有一个明显偏离其他数据的点，这个点就是一个异常值，需要被识别出来并进行适当处理。对经过这些处理的标准转速监测数据进行窗口划分，以形成初始转速数据集合。窗口划分是指将连续的数据分割成一系列时间窗口，每个窗口包含一段时间内的数据。例如，可以将每天的转速数据分割成小时或分钟为单位的窗口，这样每个窗口就代表了该时间段内的转速情况。这种窗口划分允许服务器分别研究不同时间段的转速数据，从而更准确地理解电机的运行状况。

在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：

（1）通过预置的SRCC公式，对初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，SRCC公式为：，/>表示初始转速数据集合中两个变量的秩次之差，/>表示初始转速数据集合中数据点的数量，/>表示相关系数计算结果集合；

（2）根据相关系数计算结果集合定义预置遗传算法的目标函数，目标函数为：，/>表示相关系数计算结果集合，/>是个体表示的数据集合，/>是初始转速数据集合，F为适应度；

（3）通过遗传算法，对初始转速数据集合进行数据集交叉和变异操作，得到多个候选转速数据集合；

（4）通过目标函数，分别对多个候选转速数据集合进行适应度计算，得到每个候选转速数据集合的适应度；

（5）根据每个候选转速数据集合的适应度，对多个候选转速数据集合进行数据集寻优，得到目标转速数据集合。

具体的，通过Spearman秩相关系数（SRCC）公式对初始转速数据集合进行相关系数的计算。Spearman秩相关系数是一种非参数的统计方法，用于衡量两个变量之间的相关程度。在这个过程中，计算每对数据点在数据集中的秩次差异，然后将这些差异的平方进行累加，并乘以一个特定的系数。这个系数考虑了数据点总数，从而得到一个介于-1到1之间的相关系数。这个系数越接近1，表示数据点之间的正相关性越强；相反，越接近-1则表示负相关性越强；如果系数接近0，则表示数据点之间没有明显的相关性。在得到相关系数计算结果集合后，根据这些结果定义预置遗传算法的目标函数。遗传算法是一种启发式搜索算法，模仿自然选择的过程来处理问题。目标函数是根据相关系数结果集合评估不同数据集合的适应度。适应度是一个衡量标准，用来评价每个数据集合在电机寿命预测中的有效性和准确性。这个函数不仅包括相关系数，还考虑了个体数据集合与初始转速数据集合之间的关系。通过这种方式，可以量化每个数据集合的预测效能。利用遗传算法对初始转速数据集合进行数据集交叉和变异操作。在这个过程中，遗传算法通过模拟生物进化中的交叉和变异机制，不断产生新的数据集合。交叉操作是指将两个数据集合的部分数据交换，以产生新的数据集合。变异操作则是在数据集合中随机更改某些数据点，以引入新的特征。这些操作的目的是探索更多的数据集合组合，从而找到最适合用于电机寿命预测的数据集合。对这些新生成的候选转速数据集合进行适应度计算。每个候选数据集合都会根据其适应度被评分。这个评分反映了该数据集合在预测电机寿命方面的潜力。适应度越高，表明数据集合越有为准确预测电机寿命提供有价值的信息。根据每个候选转速数据集合的适应度，对所有候选数据集合进行优化选择，以确定最终的目标转速数据集合。这个优化选择过程类似于自然选择，在这个过程中，只有适应度最高的数据集合被保留下来。这样，通过遗传算法的不断迭代和优化，服务器最终得到了最适合用于电机寿命预测的目标转速数据集合。

在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：

（1）通过预置的堆栈稀疏自编码器中的编码器，对目标转速数据集合进行特征编码，得到第一编码特征集合，编码器为：h1，h1表示第一编码特征集合，/>表示激活函数，/>表示权重矩阵，/>表示输入数据，/>表示偏置；

（2）通过预置的稀疏正则化函数，对第一编码特征集合h1进行稀疏正则化处理，得到第二编码特征集合h2，稀疏正则化函数为：，/>表示稀疏正则化损失，/>表示正则化系数；

（3）通过堆栈稀疏自编码器中的解码器，对第二编码特征集合h2进行特征解码，得到目标转速特征集合，解码器为：，/>表示目标转速特征集合，/>解码权重矩阵，/>解码偏置，h2表示第二编码特征集合；

（4）对第二编码特征集合h2以及目标转速特征集合进行特征指标融合，得到多个融合转速特征指标。

具体的，通过预置的堆栈稀疏自编码器中的编码器，对目标转速数据集合进行特征编码。自编码器是一种人工神经网络，用于学习数据的有效表示（即编码）。编码器的作用是通过一系列的变换将输入数据转换成一个新的表示形式，这个新的表示形式就是编码特征集合。在编码器中，输入数据通过一个权重矩阵和偏置向量进行线性变换，然后通过一个非线性的激活函数进行处理，从而得到第一编码特征集合。这个过程可以看作是从原始数据中提取出更加精简和抽象的特征表示。对第一编码特征集合进行稀疏正则化处理。稀疏正则化是一种技术，用于在自编码器的学习过程中引入稀疏性，使得编码特征更为紧凑和有区分力。在这个过程中，通过应用一个稀疏正则化函数，对编码特征集合施加约束，使得大部分特征值接近于零，只有少数重要的特征值被保留。稀疏正则化函数通过计算特征集合中的特征值绝对值的累加和，并乘以一个正则化系数，从而得到稀疏正则化损失。这个损失被用于在训练过程中指导模型学习更加稀疏的特征表示，从而得到第二编码特征集合。随后，第二编码特征集合被输入到自编码器的解码器部分。解码器的目的是将编码后的特征重新转换回一个接近原始输入数据的形式，这个过程是编码过程的逆过程。在解码器中，第二编码特征集合通过另一组权重矩阵和偏置向量进行线性变换，然后通过激活函数进行处理，从而得到目标转速特征集合。这个过程的目标是重构输入数据，以验证编码过程是否成功地捕捉到了关键的信息。对第二编码特征集合和重构得到的目标转速特征集合进行特征融合。将从不同阶段的编码和解码过程中提取的特征结合起来，从而形成一个更全面、更能代表电机运行状态的特征集。特征融合通过整合不同特征，能够提供一个更为丰富和全面的数据表示。

在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：

（1）通过预置的三角变换函数，对多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标；

（2）通过预置的累积变换函数，对多个目标转速特征指标进行累积变换，得到多个转速累积特征指标；

（3）对多个目标转速特征指标和多个转速累积特征指标进行特征序列转换，得到初始转速特征序列；

（4）对初始转速特征序列进行序列标准化处理，得到目标转速特征序列；

（5）对目标转速特征序列进行向量编码，得到目标转速特征编码向量。

具体的，通过预置的三角变换函数，对多个融合转速特征指标进行三角函数变换。三角变换函数，如正弦和余弦函数，通常用于提取数据的周期性特征。每个融合转速特征指标被转换成相应的三角函数值，从而产生多个目标转速特征指标。对这些通过三角函数变换得到的目标转速特征指标应用预置的累积变换函数。累积变换的目的是积累这些特征指标随时间的变化，以突出其长期趋势。在累积变换过程中，每个目标转速特征指标会被逐个累加或通过其他数学方法处理，以形成多个转速累积特征指标。这些累积特征指标能更全面地反映电机转速随时间的整体变化趋势，有助于预测电机的长期运行状况和寿命。随后，对这些目标转速特征指标和转速累积特征指标进行特征序列转换，以生成初始转速特征序列。将所有单独的特征指标按照一定的顺序排列成一个连续的序列。这种序列化处理有助于在后续的分析中考虑特征之间的相互关系和时间顺序。对初始转速特征序列进行序列标准化处理。标准化将不同特征间的数据规范到相同的量级，使其在模型中具有可比性。通过标准化处理，可以确保不同特征间的比较和组合更加合理，同时也提高了特征数据在模型训练中的有效性。对标准化后的目标转速特征序列进行向量编码，从而得到目标转速特征编码向量。通过将特征序列转换成向量形式，使其可以直接应用于各种机器学习和深度学习模型中。向量编码不仅保留了特征之间的关系，还使得数据格式与预测模型的输入要求相匹配。

在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：

（1）将目标转速特征编码向量输入预置的电机转速寿命预测模型，电机转速寿命预测模型包括：编码网络和解码网络；

（2）通过编码网络中的自注意力层，对目标转速特征编码向量进行自注意力计算，得到自注意力转速特征向量，并通过编码网络中的多头注意力层，对自注意力转速特征向量进行自注意力计算，得到多头注意力转速特征向量；

（3）通过编码网络中的位置编码层，对多头注意力转速特征向量进行正弦波形的位置编码，得到位置编码转速特征向量；

（4）通过编码网络中的前馈网络层，对位置编码转速特征向量进行线性变换，得到线性变换转速特征向量；

（5）通过解码网络对线性变换转速特征向量进行电机寿命预测，得到电机寿命预测数据。

具体的，将目标转速特征编码向量输入到电机转速寿命预测模型的编码网络。这个模型常是一个深度学习网络，包含自注意力层、多头注意力层、位置编码层和前馈网络层等多个组成部分。在自注意力层中，目标转速特征编码向量被用来计算自注意力得分。自注意力机制使得模型能够关注输入数据中的每个部分，并根据这些部分之间的关系调整其重要性。这种机制可以帮助模型捕捉到转速数据中的复杂模式和依赖关系。通过自注意力层的计算，服务器得到了自注意力转速特征向量，这个向量包含了转速数据中所有部分的综合信息。通过编码网络中的多头注意力层，对自注意力转速特征向量进行自注意力计算。多头注意力机制是自注意力机制的一个扩展，它允许模型同时从多个不同的角度关注数据，从而提高模型捕捉复杂关系的能力。在多头注意力层中，自注意力转速特征向量被进一步处理，模型可以同时关注转速数据的不同部分，最终得到多头注意力转速特征向量。随后，模型的编码网络中的位置编码层对多头注意力转速特征向量进行位置编码。在处理时间序列数据时，位置编码可以提供数据点在时间序列中的位置信息。位置编码通常是通过将每个位置的索引映射到一个正弦波形上来实现的。通过位置编码，模型可以理解数据点之间的时间关系，从而更准确地捕捉到时间序列数据的特性。通过位置编码，得到了位置编码转速特征向量，这个向量包含了转速特征以及它们在时间序列中的位置信息。模型中的前馈网络层对位置编码转速特征向量进行线性变换。前馈网络层通常包含多个线性层和非线性激活函数，用于进一步处理经过位置编码的特征向量。通过前馈网络层的线性变换，模型能够从位置编码转速特征向量中提取出对预测任务更有用的信息，最终得到线性变换转速特征向量。通过解码网络对线性变换转速特征向量进行电机寿命预测。解码网络通过分析编码网络提供的特征向量，结合电机寿命预测的特定算法，计算出电机的预期寿命。通过多层次网络处理过程，预测模型能够充分利用输入的特征编码向量，提供准确的电机寿命预测。

在一具体实施例中，执行上述基于电机转速监测的寿命预测方法的过程还包括如下步骤：

（1）根据电机寿命预测数据对电机转速寿命预测模型进行模型参数范围分析，得到模型参数范围集合；

（2）通过模型参数范围集合，对电机转速寿命预测模型的多个模型参数进行随机初始值生成，得到对应的随机初始值集合，并通过预置的粒子群优化算法对随机初始值集合进行粒子种群构建，得到粒子种群；

（3）对粒子种群进行粒子适应度计算，得到粒子种群对应的粒子适应度集合，并对粒子适应度集合进行迭代计算和最优化求解，得到目标模型参数；

（4）根据目标模型参数对电机转速寿命预测模型进行参数更新，得到参数更新厚的电机转速寿命预测模型。

具体的，根据电机寿命预测数据对电机转速寿命预测模型进行模型参数范围分析，确定每个模型参数的最佳取值范围，以便于后续的参数调整和优化。可以通过数据分析技术，如回归分析、敏感性分析等，来评估不同参数对预测结果的影响程度。通过这种分析，可以得到一个模型参数范围集合，这个集合定义了每个参数的最优值域。例如，如果发现某个参数在特定范围内变化时，预测结果的准确度显著提高，则可以将该范围作为该参数的最佳取值范围。根据这个模型参数范围集合，对电机转速寿命预测模型的各个参数进行随机初始值生成。在每个参数的最佳取值范围内随机选取一个初始值，形成一个随机初始值集合。这些初始值将作为优化算法的起点。随机选择初始值的目的是为了避免优化过程陷入局部最优解，增加找到全局最优解的性。应用预置的粒子群优化算法对这些随机初始值集合进行处理，构建一个粒子种群。粒子群优化算法是一种基于群体智能的优化算法，它模仿鸟群觅食的行为，通过粒子间的协作和信息共享来寻找最优解。在这个算法中，每个粒子代表了一组模型参数的组合，粒子的移动轨迹和速度取决于它本身的经验和种群中其他粒子的经验。随后，对这个粒子种群进行适应度计算。适应度计算是评价每个粒子（即每组参数组合）预测效果好坏的标准，它决定了粒子在种群中的生存和进化概率，适应度通常是基于预测结果的准确度来计算的。通过适应度计算，可以识别出那些预测效果更好的参数组合。随后，对这个粒子适应度集合进行迭代计算和最优化求解。在迭代过程中，粒子根据自身和种群中其他粒子的适应度，不断调整自己的位置（即参数值），以寻找更优的解。这个过程反复进行，直至找到目标模型参数，即预测效果最佳的参数组合。根据得到的目标模型参数，对电机转速寿命预测模型进行参数更新。将模型中的参数调整为通过粒子群优化算法找到的最优参数值，从而得到参数更新后的电机转速寿命预测模型。通过这种方式，模型的性能得到进一步的提升，可以更准确地预测电机的寿命。

上面对本申请实施例中基于电机转速监测的寿命预测方法进行了描述，下面对本申请实施例中基于电机转速监测的寿命预测装置进行描述，请参阅图2，本申请实施例中基于电机转速监测的寿命预测装置一个实施例包括：

采集模块201，用于对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

计算模块202，用于对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合；

特征提取模块203，用于通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标；

编码模块204，用于对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

预测模块205，用于将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

通过上述各个组成部分的协同合作，通过对目标电机进行转速监测和数据采集，并经过数据预处理和清洗等步骤，可以提高数据的准确性，消除噪声和异常数据，从而提高了预测模型的可靠性。通过Spearman秩相关系数计算和遗传算法寻优，可以优化初始转速数据集合，选择具有最高相关性的特征数据，有助于提高模型的特征工程效率和预测性能。使用堆栈稀疏自编码器进行特征编码和解码，可以有效地从原始数据中提取有用的特征，减少了特征工程的手动工作，提高了模型的自动化程度。对多个融合转速特征指标进行三角函数变换、累积变换和向量编码，使得多维特征信息得以综合利用，提高了对电机寿命的全面理解和预测能力。通过粒子群优化算法对电机寿命预测模型的参数进行优化，使得模型更好地适应具体的电机寿命预测任务，提高了模型的预测准确性和泛化能力。具有自适应性，可以适应不同电机和寿命预测任务的需求，提高了电机寿命预测的准确率。

本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于电机转速监测的寿命预测方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于电机转速监测的寿命预测方法的步骤。

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（readonly memory，ROM）、随机存取存储器（random access 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 (10)

1.一种基于电机转速监测的寿命预测方法，其特征在于，所述基于电机转速监测的寿命预测方法包括：

对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合；

通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标；

对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

2.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合，包括：

通过预置的电机控制系统，对目标电机进行转速监测，并采集所述目标电机的转速数据和时间戳数据；

对所述目标电机的转速数据和时间戳数据进行映射匹配，得到初始转速监测数据；

对所述初始转速监测数据进行数据清洗和数据去噪，得到第一转速监测数据；

对所述第一转速监测数据进行标准化处理，得到第二转速监测数据，并对所述第二转速监测数据进行数据插值和异常检测，得到标准转速监测数据；

对所述标准转速监测数据进行窗口划分，得到初始转速数据集合。

3.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合，包括：

通过预置的SRCC公式，对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，所述SRCC公式为：，/>表示初始转速数据集合中两个变量的秩次之差，/>表示初始转速数据集合中数据点的数量，/>表示相关系数计算结果集合；

根据所述相关系数计算结果集合定义预置遗传算法的目标函数，所述目标函数为：，/>表示相关系数计算结果集合，/>是个体表示的数据集合，/>是初始转速数据集合，F为适应度；

通过所述遗传算法，对所述初始转速数据集合进行数据集交叉和变异操作，得到多个候选转速数据集合；

通过所述目标函数，分别对所述多个候选转速数据集合进行适应度计算，得到每个候选转速数据集合的适应度；

根据每个候选转速数据集合的适应度，对所述多个候选转速数据集合进行数据集寻优，得到目标转速数据集合。

4.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标，包括：

通过预置的堆栈稀疏自编码器中的编码器，对所述目标转速数据集合进行特征编码，得到第一编码特征集合，所述编码器为：h1，h1表示第一编码特征集合，表示激活函数，/>表示权重矩阵，/>表示输入数据，/>表示偏置；

通过预置的稀疏正则化函数，对所述第一编码特征集合h1进行稀疏正则化处理，得到第二编码特征集合h2，所述稀疏正则化函数为：，/>表示稀疏正则化损失，/>表示正则化系数；

通过所述堆栈稀疏自编码器中的解码器，对所述第二编码特征集合h2进行特征解码，得到目标转速特征集合，所述解码器为：，/>表示目标转速特征集合，/>解码权重矩阵，/>解码偏置，h2表示第二编码特征集合；

对所述第二编码特征集合h2以及所述目标转速特征集合进行特征指标融合，得到多个融合转速特征指标。

5.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量，包括：

通过预置的三角变换函数，对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标；

通过预置的累积变换函数，对所述多个目标转速特征指标进行累积变换，得到多个转速累积特征指标；

对所述多个目标转速特征指标和所述多个转速累积特征指标进行特征序列转换，得到初始转速特征序列；

对所述初始转速特征序列进行序列标准化处理，得到目标转速特征序列；

对所述目标转速特征序列进行向量编码，得到目标转速特征编码向量。

6.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据，包括：

将所述目标转速特征编码向量输入预置的电机转速寿命预测模型，所述电机转速寿命预测模型包括：编码网络和解码网络；

通过所述编码网络中的自注意力层，对所述目标转速特征编码向量进行自注意力计算，得到自注意力转速特征向量，并通过所述编码网络中的多头注意力层，对所述自注意力转速特征向量进行自注意力计算，得到多头注意力转速特征向量；

通过所述编码网络中的位置编码层，对所述多头注意力转速特征向量进行正弦波形的位置编码，得到位置编码转速特征向量；

通过所述编码网络中的前馈网络层，对所述位置编码转速特征向量进行线性变换，得到线性变换转速特征向量；

通过所述解码网络对所述线性变换转速特征向量进行电机寿命预测，得到电机寿命预测数据。

7.根据权利要求1所述的基于电机转速监测的寿命预测方法，其特征在于，所述基于电机转速监测的寿命预测方法还包括：

根据所述电机寿命预测数据对所述电机转速寿命预测模型进行模型参数范围分析，得到模型参数范围集合；

通过所述模型参数范围集合，对所述电机转速寿命预测模型的多个模型参数进行随机初始值生成，得到对应的随机初始值集合，并通过预置的粒子群优化算法对所述随机初始值集合进行粒子种群构建，得到粒子种群；

对所述粒子种群进行粒子适应度计算，得到所述粒子种群对应的粒子适应度集合，并对所述粒子适应度集合进行迭代计算和最优化求解，得到目标模型参数；

根据所述目标模型参数对所述电机转速寿命预测模型进行参数更新，得到参数更新厚的电机转速寿命预测模型。

8.一种基于电机转速监测的寿命预测装置，其特征在于，所述基于电机转速监测的寿命预测装置包括：

采集模块，用于对目标电机进行转速监测和数据采集，得到初始转速监测数据，并对所述初始转速监测数据进行数据预处理和窗口划分，得到初始转速数据集合；

计算模块，用于对所述初始转速数据集合进行Spearman秩相关系数计算，得到相关系数计算结果集合，并通过预置遗传算法，根据所述相关系数计算结果集合对所述初始转速数据集合进行数据集寻优，得到目标转速数据集合；

特征提取模块，用于通过预置的堆栈稀疏自编码器对所述目标转速数据集合进行特征编码和特征解码，得到目标转速特征集合，并对所述目标转速特征集合进行特征融合，得到多个融合转速特征指标；

编码模块，用于对所述多个融合转速特征指标进行三角函数变换，得到多个目标转速特征指标，并对所述多个目标转速特征指标进行累积变换和向量编码，得到目标转速特征编码向量；

预测模块，用于将所述目标转速特征编码向量输入预置的电机转速寿命预测模型进行电机寿命预测，得到电机寿命预测数据。

9.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-7中任一项所述的基于电机转速监测的寿命预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于电机转速监测的寿命预测方法。