CN117706360A - 电机运行状态的监测方法、装置、设备及存储介质 - Google Patents
电机运行状态的监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117706360A CN117706360A CN202410145951.1A CN202410145951A CN117706360A CN 117706360 A CN117706360 A CN 117706360A CN 202410145951 A CN202410145951 A CN 202410145951A CN 117706360 A CN117706360 A CN 117706360A
- Authority
- CN
- China
- Prior art keywords
- parameters
- motor
- parameter
- reconstruction
- motor operation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000013210 evaluation model Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 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
- 238000007689 inspection Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种电机运行状态的监测方法,包括以下步骤:接收来自传感器采集的电机运行参数;通过自动编码器对电机运行参数进行特征提取和降维,得到第一运行参数;利用解码器对第一运行参数特征表达,得到对应的重构参数,基于重构参数和电机运行参数,生成电机运行时的重构误差参数;将重构误差参数输入预设的平均绝对误差评估模型评估,得到评估结果;若评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;根据电机运行时的异常参数对电机运行参数进行调整,实现实时监测电机状态,并及时发现潜在故障的功能的有益效果。
Description
技术领域
本发明涉及电机设备应用技术领域,特别涉及一种电机运行状态的监测方法、装置、计算机设备和存储介质。
背景技术
随着工业自动化和智能化的不断发展,电机作为工业系统中的关键部件,其运行状态对整个生产过程的稳定性和安全性具有重要影响。传统的电机监测方法主要依赖于定期检查和人工诊断,这种方式不仅耗时耗力,而且难以实时捕捉到电机运行中的细微异常,存在一定的局限性。
发明内容
本发明的主要目的为提供一种电机运行状态的监测方法、装置、计算机设备和存储介质,通过传感器实时采集电机运行数据,结合自动编码器和解码器的分析,可以实时监测电机状态,并及时发现潜在故障。
为实现上述目的,本发明提供了一种电机运行状态的监测方法,包括以下步骤:
接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部;
通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数;
利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数;
将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;
若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;
根据电机运行时的异常参数对所述电机运行参数进行调整。
作为本发明进一步的方案,所述自动编码器包括卷积层、隐藏层以及编码层;
通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数,包括:
将电机运行参数输入卷积层进行特征提取,得到电机权重的运行参数;
通过隐藏层中的激活函数对电机权重的运行参数进行非线性变换,得到电机运行的非线性运行参数;
基于编码层对电机运行的非线性运行参数进行降维,得到第一运行参数。
作为本发明进一步的方案,所述解码器包括物理层、数据链路层以及生成对抗网络;
利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,包括:
将所述第一运行参数输入解码器内的物理层进行特征提取,得到第一运行权重特征参数;
通过数据链路层对所述第一运行权重特征参数进行编码转化,得到权重特征编码参数;
通过生成对抗网络中的生成器对权重特征编码参数进行特征表达,得到对应的重构参数。
作为本发明进一步的方案,将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之前,包括:
获取标准重构误差参数和训练前的重构误差参数,通过预设训练模型的自注意力机制对所述训练前的重构误差参数进行序列标注,得到序列标注重构误差参数;
将所述序列标注重构误差参数输入预设训练模型的卷积层内进行特征提取,得到各个第一序列标注重构误差参数;
将所述各个第一序列标注重构误差参数输入预设的决策树模型内进行分类标签处理,得到各个标签分类的第一序列标注重构误差参数;
通过损失函数对各个标签分类的第一序列标注重构误差参数进行不断地迭代计算,得到训练后的重构误差参数;
基于所述标准重构误差参数,与所述训练后的重构误差参数进行对比分析;
若所述训练后的重构误差参数与所述标准重构误差参数的误差在阈值范围内,则平均绝对误差评估模型训练完成;
若所述训练后的重构误差参数与所述标准重构误差参数的误差不在阈值范围内,则优化卷积层以及决策树模型的模型参数,直至训练后的重构误差参数与标准重构误差参数的误差满足阈值范围为止。
作为本发明进一步的方案,将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数,包括:
将所述重构参数与所述重构参数对应的标签进行字典映射处理,生成重构参数标签数据;
将所述电机运行参数与所述电机运行参数对应的标签进行字典映射处理,生成电机运行参数标签数据;其中,所述各个重构参数对应的标签与各个所述电机运行参数对应的标签相互对应;
将所述重构参数标签数据和电机运行参数标签数据输入预设的数值分析模型内进行对比分析,得到所述各个重构参数与所述各个电机运行参数对应的差值;
基于所述各个重构参数与所述各个电机运行参数对应的差值得到电机运行参数对比表;
将所述电机运行参数对比表输入预设的异常分析模型内进行计算,得到电机运行时的异常参数。
作为本发明进一步的方案,所述根据电机运行时的异常参数对所述电机运行参数进行调整,包括:
将所述电机运行时的异常参数输入预设的概率分析模型内进行概率计算,其中,所述概率分析模型包括两层卷积层、两层池化层、长短记忆网络以及损失函数层;
通过两层卷积层对所述电机运行时的异常参数依次进行特征提取,得到异常特征参数;
通过两层池化层对所述异常特征参数依次进行降维,得到第一异常参数特征;
将所述第一异常参数特征输入损失函数层内不断地收敛,得到异常目标特征参数;
通过长短记忆网络对所述异常目标特征参数进行故障诊断分析,生成电机运行时的异常参数对应的故障原因;
基于所述异常参数特征对应的故障原因,对所述电机运行相应的参数调整。
作为本发明进一步的方案,将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之后还包括:
若所述评估结果在电机正常运行状态下的评估结果范围之内,则生成电机正常运行参数表;
对所述电机正常运行参数表进行参数特征提取,得到正常运行参数特征;
将所述正常运行参数特征输入预设的电机运行概率事故模型内进行分析;其中,预设的电机运行概率事故模型包括全连接层、Softmax层;
通过全连接层对所述正常运行参数特征进行权重计算,得到各个正常运行参数特征的权重特征;
将所述各个正常运行参数特征的权重特征输入Softmax层进行转化,得到各个正常运行参数的事故发生概率分布;
基于所述各个正常运行参数的事故发生概率分布,得到各个正常运行参数的事故发生的趋势;根据所述各个正常运行参数的事故发生的趋势对所述各个正常运行参数特征生成相应的调整策略。
本发明还提供了一种电机运行状态的监测装置,包括:
接收模块,用于接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部;
提取模块,用于通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数;
生成模块,用于利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数;
评估模块,用于将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;
判断模块,用于若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;
调整模块,用于根据电机运行时的异常参数对所述电机运行参数进行调整。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的电机运行状态的监测方法、装置、计算机设备和存储介质,包括以下步骤:接收来自传感器采集的电机运行参数;通过自动编码器对电机运行参数进行特征提取和降维,得到第一运行参数;利用解码器对第一运行参数进行特征表达,得到对应的重构参数,基于重构参数和电机运行参数,生成电机运行时的重构误差参数;将重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;若评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;根据电机运行时的异常参数对电机运行参数进行调整,通过传感器实时采集电机运行数据,结合自动编码器和解码器的分析,解决了电机运行状态的实时监测难度大,传统方法难以及时发现和预警潜在的故障的问题,实现了可以实时监测电机状态,并及时发现潜在故障。
附图说明
图1是本发明一实施例中电机运行状态的监测方法的步骤示意图;
图2是本发明一实施例中电机运行状态的监测装置的结构框图;
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
如图1所示,图1是本发明一实施例中电机运行状态的监测方法步骤示意图;
本发明一实施例中提供了一种电机运行状态的监测方法,包括以下步骤:
步骤S1,接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部。
具体的,根据监测需求,选择合适的传感器类型(如温度、压力、振动、电流、电压等),在电机内部关键位置安装这些传感器,并确保不会影响电机的正常运行,传感器实时监测电机的运行参数,如温度、压力、转速、振动频率、电流和电压等,在电机内部关键位置安装这些传感器,并确保它们不会影响电机的正常运行,传感器实时监测电机的运行参数,如温度、压力、转速、振动频率、电流和电压等,传感器对这些参数值进行实时测量并将其转换为电信号。将传感器测量到的电信号通过导线或无线方式传输至数据接收和处理系统,需要对信号进行一定的处理,如放大、滤波或模数转换(ADC),数据接收系统对传入的信号进行进一步的处理与分析。
上述的步骤可以实现以下的效果:实时获取电机的准确运行状态,对于故障预防和性能优化至关重要;根据采集的数据优化电机工作参数,提高性能和工作效率,达到节能减排的目的,通过长期数据分析,从趋势预测出潜在的故障,规划维护时间,降低突发故障的风险,另外还可以有以下的技术效果:早期检测潜在的问题,比如过热或过载,可以在事故发生前及时进行干预,减少停机时间和维修成本,合理的监控和维护可以延长电机的使用寿命,降低长期的运营成本,持续的数据记录为故障诊断、性能评估和改进提供重要信息。配合现代通信技术,可以实现对电机远程的监控和管理,便于大规模或危险区域的设备维护,综上所述,可以极大地提高电机的运行效率、可靠性和安全性,同时降低维护成本和故障率。
步骤S2,通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数。
具体的,通过传感器采集电机的运行参数,如温度、转速、电流等,对收集到的数据进行清洗和标准化处理,以便于后续的分析,包括除噪声、规范化数据范围等,通过自动编码器神经网络,用于学习输入数据的高效编码,使用收集到的电机运行参数作为输入,训练自动编码器,训练过程中,自动编码器学习如何将输入数据(电机参数)压缩到一个较低维度的“编码”表示,并尽可能地从这个编码重构原始输入。训练完成后,利用自动编码器的编码层来提取特征并降低数据维度,这些特征(第一运行参数)是对原始电机运行参数的一种更加紧凑和有用的表示,使用提取的特征(第一运行参数)进行进一步的数据分析、监控或预测。
上述的步骤可以实现以下的效果:自动编码器有效降低了数据的维度,减少了存储和处理所需的资源,能够从复杂的数据中提取重要特征,有助于更准确地理解和分析电机的运行状态,提取的特征可以用于更高效的监控和分析,例如在预测维护和性能评估中,降维后的数据更易于可视化,有助于识别模式和趋势,在机器学习和预测模型中使用这些特征,可以提高预测的准确性,自动编码器在降维过程中可以过滤掉一些无关噪声,提高数据的质量。综上所述:通过自动编码器对电机运行参数进行特征提取和降维,可以有效地处理和分析大量数据,提高电机监控和维护的效率和准确性。
步骤S3,利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数。
具体的,使用之前训练好的自动编码器中的解码器部分。将第一运行参数(即经过自动编码器压缩后的特征表示)输入解码器,解码器处理第一运行参数,重构原始的电机运行参数,这意味着解码器尝试基于压缩的特征表示重新生成原始的电机运行数据,比较重构参数(解码器的输出)和原始的电机运行参数,计算两者之间的差异,这个差异被称为重构误差,对重构误差进行分析,以判断其在正常范围内还是表明潜在的问题,重构误差可以用于监测电机的健康状况,例如在机器学习模型中作为特征使用。
上述的步骤可以实现以下的效果:通过重构误差可以有效地检测电机运行中的异常情况,较大的重构误差可能表明电机运行中存在问题,通过综合考虑重构误差和其他监测参数,可以提高故障诊断的准确性,重构过程验证了自动编码器在特征提取和数据压缩方面的有效性,能够检验压缩后的数据是否仍能有效地代表原始数据,重构误差可以作为预测性维护计划的输入,帮助安排维护或检修。及时发现和修复小问题,避免大的故障发生,从而提高电机的运行效率,通过减少意外停机和提前规划维护,可以显著降低维护成本和运营风险,重构误差提供了对原始数据的另一种视角,有助于更深入地分析和理解数据。综上所述:利用解码器对第一运行参数进行重构,并基于重构参数和原始电机运行参数生成重构误差,这个过程能够增强对电机运行状态的监控和故障检测能力,提高电机运行的可靠性和效率。
步骤S4,将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果。
具体的,选择一个平均绝对误差评估模型。平均绝对误差是一种常用的数据评估方法,用于衡量预测值与实际值之间的平均绝对差距,设置评估模型的参数,包括确定误差计算的具体算法、选择参考的基线数据等,将计算得到的重构误差参数作为输入,传递给评估模型,评估模型将计算多个样本间的平均绝对误差,即计算所有样本重构误差的绝对值的平均数,根据计算得到的平均绝对误差值,分析电机运行参数的重构质量。衡量误差大小并得出评估结果,这个结果可以用于指导后续决策。
上述的步骤可以实现以下的效果:平均绝对误差提供了一个数值来量化模型的预测精度,便于理解模型的表现,MAE评估结果可以用来衡量自动编码器的性能,确定其在实际应用中的效果,提供了及时的性能反馈,有助于快速地调整或优化模型参数,根据评估结果,可以更好地判断电机运行是否正常,以及是否需要调整运行参数或执行维护,如果平均绝对误差超出预设的阈值,可以作为电机潜在问题的预警信号,可以根据MAE评估结果的变化趋势来优化预测性维护的计划,提高维护的针对性和效率,MAE作为一个标准化的指标,允许不同的模型或方法之间进行客观的比较。综上所述:通过将重构误差参数输入平均绝对误差评估模型,可以得到一个量化的评估结果,这个结果有助于分析重构模型的性能、识别电机潜在的运行问题,并在必要时采取措施来优化系统性能和减少运营风险。
步骤S5,若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数。
具体的,将得到的平均绝对误差(MAE)评估结果与预设的正常运行状态下的评估结果阈值进行比较,如果评估结果超出了正常范围(即MAE超过阈值),那么确定电机处于异常运行状态,根据评估结果,提取和记录重构参数与原始电机运行参数之间的差异,生成一张电机运行参数对比表,电机运行参数对比表详细列出了每个参数的实际值(从传感器得到)和重构值(从自动编码器得到)以及它们之间的差异。分析对比表中的差异,确定哪些运行参数的偏差超过了正常运行时的预期范围,标记出这些超出正常范围的异常参数,对所有标记为异常的参数进行综合分析,考虑的原因,包括故障、性能衰减或外部影响等,根据分析结果生成详细的报告,并通知维护团队或自动化系统对可能出现的问题进行干预。
上述的步骤可以实现以下的效果:对比表有助于快速精确地定位到电机运行中的特定问题参数,从而有助于缩短故障诊断时间,可以实现对异常情况的快速响应,从而及时干预可能导致更严重故障的行为,提供了丰富的信息,以指导技术人员对可能的故障原因进行进一步分析和诊断,监测电机运行参数与模型预测进行持续对比,有助于实时跟踪电机性能。根据数据分析驱动的维护计划,可以更有效地规划维修活动。通过早期检测异常参数,可以预防潜在的故障,减少停机时间并降低维护成本。对比数据提供了记录和分析电机性能随时间变化的数据,有助于未来的趋势分析。综上所述:上述的步骤使得电机的监控系统可以更加精确地识别和处理电机的异常状态,通过将复杂的参数分析转换为易于理解的对比表,实现了数据的有效利用,为避免电机故障和提高运行效率提供了有力的技术支持。
步骤S6,根据电机运行时的异常参数对所述电机运行参数进行调整。
具体的,对识别出的异常参数进行深入分析,理解其异常表现的原因和影响,根据异常参数的分析结果,制定相应的调整策略。包括调整电机的运行参数,如电流、电压、转速等,或是进行机械调整,如校准、润滑等,在电机控制系统中实施调整,或进行必要的机械维护。调整完成后,进行测试以验证调整效果。包括短期的运行测试,监测电机参数是否恢复正常,在调整后持续监控电机性能,确保电机运行参数稳定在正常范围内,将调整结果反馈到监控系统中,以便不断优化电机的运行参数和维护计划。
上述的步骤可以实现以下的效果:及时调整可以预防潜在故障的发生,或快速修复已经出现的问题。通过优化电机运行参数,可以提高电机的运行效率和性能。避免了由于参数异常导致的过度磨损和损伤,从而延长电机的使用寿命。及时的调整和维护可以减少意外停机的发生,提高生产效率。通过预防性维护减少大规模修理的需求,从而降低长期的维护成本。保持电机运行参数在正常范围内,可以减少因设备故障导致的安全事故。基于数据和分析结果进行调整,而不是依赖经验或直觉,提高了决策的准确性和有效性。综上所述:上述的步骤通过对电机运行参数的及时调整和优化,不仅提高了电机的运行效率和可靠性,而且还降低了维护成本和安全风险,实现了更加智能和高效的电机运行管理。
在一些具体实施例中,所述自动编码器包括卷积层、隐藏层以及编码层;
通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数,包括:
将电机运行参数输入卷积层进行特征提取,得到电机权重的运行参数;
通过隐藏层中的激活函数对电机权重的运行参数进行非线性变换,得到电机运行的非线性运行参数;
基于编码层对电机运行的非线性运行参数进行降维,得到第一运行参数。
具体的,将收集到的电机运行参数(如电流、电压、温度、振动数据等)作为输入数据,数据首先通过卷积层。卷积层主要用于从输入数据中提取空间特征。包含时序或空间模式的数据(如电机运行参数)特别有效,经过卷积层处理的数据进入隐藏层。隐藏层通过激活函数(如ReLU、Sigmoid等)对数据进行非线性变换,增加了模型的表达能力。经过隐藏层处理的数据再进入编码层。编码层的作用是进一步压缩数据,从而实现降维。在这个过程中,数据被转化为一组更小的、能够代表原始数据关键特征的参数,这些参数被称为“第一运行参,最终,从编码层得到的参数就是提取和降维后的电机运行参数,用于后续的处理和分析。
上述的步骤可以实现以下的技术效果:通过卷积层可以有效提取电机运行数据中的重要特征,特别是对于时序和空间特性。编码层通过降维减少了数据量,使得后续处理更为高效,同时保留了大部分重要信息。隐藏层的非线性变换增强了模型处理复杂数据的能力。降维后的数据减轻了计算负担,提高了处理速度和效率。降维和特征提取后的数据更适合用于监控、故障诊断等后续任务。通过提取关键特征,可以提高后续数据分析和模型预测的精度。降维后的数据便于用于更复杂的数据分析方法,如机器学习和深度学习算法。综上所述:通过自动编码器对电机运行参数进行特征提取和降维处理,可以有效提升数据处理的效率和精度,为电机的状态监测和故障诊断提供强有力的数据支持。
在一些具体实施例中,所述解码器包括物理层、数据链路层以及生成对抗网络;
利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,包括:
将所述第一运行参数输入解码器内的物理层进行特征提取,得到第一运行权重特征参数;
通过数据链路层对所述第一运行权重特征参数进行编码转化,得到权重特征编码参数;
通过生成对抗网络中的生成器对权重特征编码参数进行特征表达,得到对应的重构参数。
具体的,将通过编码过程得到的第一运行参数输入解码器。在解码器中,第一运行参数首先被输入到物理层。物理层专门用于初步的特征提取或转化操作,为进一步的数据编码构建基础。经过物理层处理后的数据移至数据链路层进行进一步的编码转化。上述的过程包括将提取的特征转换成一种中间格式,中间格式适合在网络上传输或由生成对抗网络处理。利用生成对抗网络中的生成器,将权重特征编码参数转换成最终的特征表达,即重构参数。生成器运用复杂的非线性变换,经过训练生成与真实电机运行参数相似的数据。最终,生成器输出的数据就是重构之后的参数,即重构参数,重构参数与原始电机运行参数非常近似。
上述的步骤可以实现以下的技术效果:使用生成对抗网络的生成器可以生成高质量、与真实数据非常相似的重构参数。生成对抗网络特别擅长捕获训练数据的复杂分布,可理解的是能够生成覆盖多种运行场景的参数。物理层和数据链路层可能使用了专门的技术来确保特征编码过程的有效性和准确性,有助于生成对抗网络的性能表现。逐层处理确保了从原始特征到重构数据的过程中,能够逐步提高精度和保持数据的完整性。如果解码器能够有效地重构参数,那么这个过程可以用于模拟电机运行情况,故障诊断,甚至是虚拟传感器技术等多个领域。在数据稀缺的情况下,GAN生成的参数可以用于数据增强,提高后续分析模型的鲁棒性。如果重构的参数可靠,会减少对实际物理测试的需求,降低研发和测试成本。综上所述:这种基于物理层、数据链路层以及生成对抗网络的解码器设计是相当先进的,可以用于深度处理电机运行数据,实现高质量的数据重构和模拟。
在一些具体实施例中,将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之前,包括:
获取标准重构误差参数和训练前的重构误差参数,通过预设训练模型的自注意力机制对所述训练前的重构误差参数进行序列标注,得到序列标注重构误差参数;
将所述序列标注重构误差参数输入预设训练模型的卷积层内进行特征提取,得到各个第一序列标注重构误差参数;
将所述各个第一序列标注重构误差参数输入预设的决策树模型内进行分类标签处理,得到各个标签分类的第一序列标注重构误差参数;
通过损失函数对各个标签分类的第一序列标注重构误差参数进行不断地迭代计算,得到训练后的重构误差参数;
基于所述标准重构误差参数,与所述训练后的重构误差参数进行对比分析;
若所述训练后的重构误差参数与所述标准重构误差参数的误差在阈值范围内,则平均绝对误差评估模型训练完成;
若所述训练后的重构误差参数与所述标准重构误差参数的误差不在阈值范围内,则优化卷积层以及决策树模型的模型参数,直至训练后的重构误差参数与标准重构误差参数的误差满足阈值范围为止。
具体的,获取标准的重构误差参数和训练前的重构误差参数。重构误差参数来源于历史数据或实验测量。使用预设训练模型的自注意力机制对训练前的重构误差参数进行序列标注。自注意力机制有助于识别序列中的关键特征和模式。将序列标注后的重构误差参数输入卷积层进行特征提取。卷积层可以有效提取局部特征和模式。将提取的特征输入预设的决策树模型进行分类标签处理,以确定每个参数的分类。通过损失函数对分类后的误差参数进行迭代计算,优化模型参数,直至获得训练后的重构误差参数。将训练后的重构误差参数与标准重构误差参数进行对比分析,评估误差大小。根据误差是否在预设阈值范围内,决定是否对模型进行进一步优化。
上述的步骤可以实现以下的技术效果:可以精确评估电机运行参数的重构误差,提高误差识别的准确性。自注意力机制和卷积层的结合使用有助于高效识别误差数据中的关键特征。决策树模型有助于对误差数据进行有效分类,提高了数据处理的结构化程度。通过迭代计算和模型优化,系统能够不断学习和适应新的数据,提升其长期性能。通过不断的优化和调整,可以显著减少重构误差,提高电机运行参数分析的精度。这一流程展示了模型在面对不同数据时的适应性和灵活性,有利于应对复杂和多变的实际应用场景,提供了数据驱动的决策支持,有助于改进电机的维护和运行策略。综上所述:复杂的数据处理和分析流程能够有效提升对电机运行参数重构误差的识别和优化能力,有助于提高电机性能和可靠性,降低维护成本,提升运行效率。
在一些具体实施例中,将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数,包括:
将所述重构参数与所述重构参数对应的标签进行字典映射处理,生成重构参数标签数据;
将所述电机运行参数与所述电机运行参数对应的标签进行字典映射处理,生成电机运行参数标签数据;其中,所述各个重构参数对应的标签与各个所述电机运行参数对应的标签相互对应;
将所述重构参数标签数据和电机运行参数标签数据输入预设的数值分析模型内进行对比分析,得到所述各个重构参数与所述各个电机运行参数对应的差值;
基于所述各个重构参数与所述各个电机运行参数对应的差值得到电机运行参数对比表;
将所述电机运行参数对比表输入预设的异常分析模型内进行计算,得到电机运行时的异常参数。
具体的,上述的步骤涉及将重构参数与其对应的标签映射成字典格式,以方便数据的处理和对比。同样,电机运行参数也通过相同的映射处理,确保对应的参数可以相互匹配。经过映射处理后,生成两组标签数据:一组是重构参数的标签数据,另一组是电机运行参数的标签数据。将得到的重构参数标签数据和电机运行参数标签数据送入预定的数值分析模型,分析它们之间的差值。根据各个参数之间的差值,生成电机运行参数的对比表。此对比表体现了重构参数与实际运行参数之间的差异。将对比表输入到预定的异常分析模型中,计算和识别电机运行时的异常参数。
上述的步骤可以实现以下的技术效果:对比表能够清晰地显示重构参数与实际电机运行参数之间的差异,帮助理解当前电机运行状态。通过分析参数差异,可以有效检测出在电机运行过程中出现的异常或故障。利用字典映射可以结构化地处理数据,加快了数据处理速度并优化了数据的可读性和可操作性。准确识别出异常参数有助于预防可能的故障,从而降低维护成本并延长电机的使用寿命。生产出的对比表和分析结果可以为维护团队提供数据支持,帮助做出更好的决策。如果该流程能够实时进行,可以作为电机运行监控系统的一部分,为电机实时运行提供反馈。异常参数分析有助于开发和改善预测性维护方案,提高整个运作系统的效率和可靠性。综上所述:上述的步骤构成了一个完整的电机参数分析和异常检测流程,可以帮助提早发现和解决电机相关的问题。这不仅提高了系统的可靠性,也减少了停机时间,从而对整个生产和维护流程带来显著效益。
在一些具体实施例中,所述根据电机运行时的异常参数对所述电机运行参数进行调整,包括:
将所述电机运行时的异常参数输入预设的概率分析模型内进行概率计算,其中,所述概率分析模型包括两层卷积层、两层池化层、长短记忆网络以及损失函数层;
通过两层卷积层对所述电机运行时的异常参数依次进行特征提取,得到异常特征参数;
通过两层池化层对所述异常特征参数依次进行降维,得到第一异常参数特征;
将所述第一异常参数特征输入损失函数层内不断地收敛,得到异常目标特征参数;
通过长短记忆网络对所述异常目标特征参数进行故障诊断分析,生成电机运行时的异常参数对应的故障原因;
基于所述异常参数特征对应的故障原因,对所述电机运行相应的参数调整。
具体的,将异常参数输入预设的概率分析模型,此模型结构包括两层卷积层、两层池化层、长短记忆网络(LSTM)和损失函数层。通过两层卷积层对异常参数进行特征提取,得到表征异常的特征参数。接着,通过两层池化层对提取的异常特征参数进行降维处理,以简化数据和减少计算量。将降维后的特征输入损失函数层进行优化,以收敛到异常目标特征参数。利用长短记忆网络对异常目标特征参数进行故障诊断分析,识别异常参数背后的潜在故障原因。根据诊断出的故障原因,调整电机运行的相应参数,以改善性能或避免进一步的问题。
上述的步骤可以实现以下的技术效果:利用深度学习技术可以更准确地诊断电机运行时的异常,提高故障诊断的准确率。长短记忆网络擅长处理时间序列数据,有助于识别和预测电机故障的模式和趋势。上述的步骤可以实时监测电机状态,及时发现并响应异常情况。通过及时识别和调整异常参数,可以减少电机的停机时间,提高生产效率。上述的过程可以作为预防性维护的一部分,通过预先识别潜在问题来减少未来的维护成本和停机风险。通过对电机参数的优化调整,可以提高电机的运行效率和性能。上述的方法不仅适用于电机,也可以应用于其他类型的机械或系统,以实现类似的监控和维护效果。综上所述:通过高级的数据处理和机器学习技术,实现了对电机异常的有效识别和处理,提高了电机的运行效率和可靠性,为电机的运行和维护提供了强有力的技术支持。
在一些具体实施例中,将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之后还包括:
若所述评估结果在电机正常运行状态下的评估结果范围之内,则生成电机正常运行参数表;
对所述电机正常运行参数表进行参数特征提取,得到正常运行参数特征;
将所述正常运行参数特征输入预设的电机运行概率事故模型内进行分析;其中,预设的电机运行概率事故模型包括全连接层、Softmax层;
通过全连接层对所述正常运行参数特征进行权重计算,得到各个正常运行参数特征的权重特征;
将所述各个正常运行参数特征的权重特征输入Softmax层进行转化,得到各个正常运行参数的事故发生概率分布;
基于所述各个正常运行参数的事故发生概率分布,得到各个正常运行参数的事故发生的趋势;根据所述各个正常运行参数的事故发生的趋势对所述各个正常运行参数特征生成相应的调整策略。
具体的,将重构误差参数输入预设的平均绝对误差(MAE)评估模型进行评估,以确定其是否在正常运行状态下的范围内。如果评估结果表明误差在正常范围内,则生成电机正常运行参数表。对电机正常运行参数表进行参数特征提取,以得到正常运行参数的关键特征。将提取的正常运行参数特征输入预设的电机运行概率事故模型进行分析。预设的平均绝对误差(MAE)评估模型包括全连接层和Softmax层。通过全连接层对正常运行参数特征进行权重计算,得到每个参数特征的权重。将权重特征输入Softmax层进行转化,得到各个正常运行参数的事故发生概率分布。根据事故发生概率分布,分析各个正常运行参数的事故发生趋势。根据事故发生趋势,为各个正常运行参数特征生成相应的调整策略。
上述的步骤可以实现以下的技术效果:通过平均绝对误差评估模型可以及时识别出运行参数中的潜在问题。参数特征提取有助于准确识别电机正常运行的关键参数。利用概率事故模型分析各参数的事故发生概率,有助于预测和管理潜在风险。根据事故发生趋势生成调整策略,可作为预防性维护的一部分,减少未来的故障和损失。提供数据驱动的分析结果,支持电机维护和运行的决策制定。通过对参数的调整,可以提高电机的运行效率和安全性。此流程可作为电机运行状态的持续监控机制,及时发现并响应运行异常。综上所述:通过先进的数据分析和概率模型,为电机运行提供了全面的风险评估和预防性维护策略,有助于优化电机性能和延长其使用寿命。
上面对本发明实施例中电机运行状态的监测方法进行了描述,下面对本发明实施例中电机运行状态的监测装置进行描述,请参阅图2,本发明实施例中电机运行状态的监测装置一个实施例包括:
接收模块21,用于接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部;
提取模块22,用于通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数;
生成模块23,用于利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数;
评估模块24,用于将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;
判断模块25,用于若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;
调整模块26,用于根据电机运行时的异常参数对所述电机运行参数进行调整。
在本实施例中,上述装置实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备其内部结构可以如图3所示。该计算机设备包括通过装置总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作装置和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电机运行状态的监测方法,其特征在于:包括以下步骤:
接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部;
通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数;
利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数;
将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;
若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;
根据电机运行时的异常参数对所述电机运行参数进行调整。
2.根据权利要求1所述的电机运行状态的监测方法,其特征在于:所述自动编码器包括卷积层、隐藏层以及编码层;
通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数,包括:
将电机运行参数输入卷积层进行特征提取,得到电机权重的运行参数;
通过隐藏层中的激活函数对电机权重的运行参数进行非线性变换,得到电机运行的非线性运行参数;
基于编码层对电机运行的非线性运行参数进行降维,得到第一运行参数。
3.根据权利要求1所述的电机运行状态的监测方法,其特征在于:所述解码器包括物理层、数据链路层以及生成对抗网络;
利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,包括:
将所述第一运行参数输入解码器内的物理层进行特征提取,得到第一运行权重特征参数;
通过数据链路层对所述第一运行权重特征参数进行编码转化,得到权重特征编码参数;
通过生成对抗网络中的生成器对权重特征编码参数进行特征表达,得到对应的重构参数。
4.根据权利要求1所述的电机运行状态的监测方法,其特征在于:将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之前,包括:
获取标准重构误差参数和训练前的重构误差参数,通过预设训练模型的自注意力机制对所述训练前的重构误差参数进行序列标注,得到序列标注重构误差参数;
将所述序列标注重构误差参数输入预设训练模型的卷积层内进行特征提取,得到各个第一序列标注重构误差参数;
将所述各个第一序列标注重构误差参数输入预设的决策树模型内进行分类标签处理,得到各个标签分类的第一序列标注重构误差参数;
通过损失函数对各个标签分类的第一序列标注重构误差参数进行不断地迭代计算,得到训练后的重构误差参数;
基于所述标准重构误差参数,与所述训练后的重构误差参数进行对比分析;
若所述训练后的重构误差参数与所述标准重构误差参数的误差在阈值范围内,则平均绝对误差评估模型训练完成;
若所述训练后的重构误差参数与所述标准重构误差参数的误差不在阈值范围内,则优化卷积层以及决策树模型的模型参数,直至训练后的重构误差参数与标准重构误差参数的误差满足阈值范围为止。
5.根据权利要求1所述的电机运行状态的监测方法,其特征在于:将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数,包括:
将所述重构参数与所述重构参数对应的标签进行字典映射处理,生成重构参数标签数据;
将所述电机运行参数与所述电机运行参数对应的标签进行字典映射处理,生成电机运行参数标签数据;其中,所述各个重构参数对应的标签与各个所述电机运行参数对应的标签相互对应;
将所述重构参数标签数据和电机运行参数标签数据输入预设的数值分析模型内进行对比分析,得到所述各个重构参数与所述各个电机运行参数对应的差值;
基于所述各个重构参数与所述各个电机运行参数对应的差值得到电机运行参数对比表;
将所述电机运行参数对比表输入预设的异常分析模型内进行计算,得到电机运行时的异常参数。
6.根据权利要求1所述的电机运行状态的监测方法,其特征在于:所述根据电机运行时的异常参数对所述电机运行参数进行调整,包括:
将所述电机运行时的异常参数输入预设的概率分析模型内进行概率计算,其中,所述概率分析模型包括两层卷积层、两层池化层、长短记忆网络以及损失函数层;
通过两层卷积层对所述电机运行时的异常参数依次进行特征提取,得到异常特征参数;
通过两层池化层对所述异常特征参数依次进行降维,得到第一异常参数特征;
将所述第一异常参数特征输入损失函数层内不断地收敛,得到异常目标特征参数;
通过长短记忆网络对所述异常目标特征参数进行故障诊断分析,生成电机运行时的异常参数对应的故障原因;
基于所述异常参数特征对应的故障原因,对所述电机运行相应的参数调整。
7.根据权利要求1所述的电机运行状态的监测方法,其特征在于:将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果的步骤之后还包括:
若所述评估结果在电机正常运行状态下的评估结果范围之内,则生成电机正常运行参数表;
对所述电机正常运行参数表进行参数特征提取,得到正常运行参数特征;
将所述正常运行参数特征输入预设的电机运行概率事故模型内进行分析;其中,预设的电机运行概率事故模型包括全连接层、Softmax层;
通过全连接层对所述正常运行参数特征进行权重计算,得到各个正常运行参数特征的权重特征;
将所述各个正常运行参数特征的权重特征输入Softmax层进行转化,得到各个正常运行参数的事故发生概率分布;
基于所述各个正常运行参数的事故发生概率分布,得到各个正常运行参数的事故发生的趋势;根据所述各个正常运行参数的事故发生的趋势对所述各个正常运行参数特征生成相应的调整策略。
8.一种电机运行状态的监测装置,其特征在于,包括:
接收模块,用于接收来自传感器采集的电机运行参数;其中,所述传感器设置在电机内部;
提取模块,用于通过自动编码器对所述电机运行参数进行特征提取和降维,得到第一运行参数;
生成模块,用于利用解码器对所述第一运行参数进行特征表达,得到对应的重构参数,基于所述重构参数和电机运行参数,生成电机运行时的重构误差参数;
评估模块,用于将所述重构误差参数输入预设的平均绝对误差评估模型内进行评估,得到评估结果;
判断模块,用于若所述评估结果不在电机正常运行状态下的评估结果范围之内,则将重构参数与电机运行参数进行对比,生成电机运行参数对比表;基于所述电机运行参数对比表,得到电机运行时的异常参数;
调整模块,用于根据电机运行时的异常参数对所述电机运行参数进行调整。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145951.1A CN117706360A (zh) | 2024-02-02 | 2024-02-02 | 电机运行状态的监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145951.1A CN117706360A (zh) | 2024-02-02 | 2024-02-02 | 电机运行状态的监测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117706360A true CN117706360A (zh) | 2024-03-15 |
Family
ID=90162734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145951.1A Pending CN117706360A (zh) | 2024-02-02 | 2024-02-02 | 电机运行状态的监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706360A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121798A1 (zh) * | 2016-12-30 | 2018-07-05 | 上海寒武纪信息科技有限公司 | 基于深度自动编码器的视频编解码装置及方法 |
CN108846323A (zh) * | 2018-05-28 | 2018-11-20 | 哈尔滨工程大学 | 一种面向水下目标识别的卷积神经网络优化方法 |
DE102017222600B3 (de) * | 2017-12-13 | 2018-12-27 | Audi Ag | Optische Positionsermittlung eines Fahrzeugs mittels eines Convolutional Autoencoders und/oder eines tiefen neuronalen Netzes |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
US20210174171A1 (en) * | 2019-03-13 | 2021-06-10 | Nanjing University Of Aeronautics And Astronautics | Satellite anomaly detection method and system for adversarial network auto-encoder |
CN113076689A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 一种基于自动编码器的电池状态评估方法 |
CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
KR102469871B1 (ko) * | 2022-02-07 | 2022-11-23 | 주식회사 엘에스델 | 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치 |
CN116403021A (zh) * | 2023-01-18 | 2023-07-07 | 北京理工大学 | 一种基于卷积神经网络和自注意力机制的智能矿物分选方法 |
CN117041104A (zh) * | 2023-08-16 | 2023-11-10 | 北京邮电大学 | 基于对抗自动编码的网络拥塞链路诊断方法 |
-
2024
- 2024-02-02 CN CN202410145951.1A patent/CN117706360A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121798A1 (zh) * | 2016-12-30 | 2018-07-05 | 上海寒武纪信息科技有限公司 | 基于深度自动编码器的视频编解码装置及方法 |
DE102017222600B3 (de) * | 2017-12-13 | 2018-12-27 | Audi Ag | Optische Positionsermittlung eines Fahrzeugs mittels eines Convolutional Autoencoders und/oder eines tiefen neuronalen Netzes |
CN108846323A (zh) * | 2018-05-28 | 2018-11-20 | 哈尔滨工程大学 | 一种面向水下目标识别的卷积神经网络优化方法 |
US20210174171A1 (en) * | 2019-03-13 | 2021-06-10 | Nanjing University Of Aeronautics And Astronautics | Satellite anomaly detection method and system for adversarial network auto-encoder |
CN110942101A (zh) * | 2019-11-29 | 2020-03-31 | 湖南科技大学 | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 |
CN113076689A (zh) * | 2021-03-25 | 2021-07-06 | 华中科技大学 | 一种基于自动编码器的电池状态评估方法 |
KR102469871B1 (ko) * | 2022-02-07 | 2022-11-23 | 주식회사 엘에스델 | 반복 사이클을 보유한 기계장비에 대한 이상 탐지 장치 |
CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
CN116403021A (zh) * | 2023-01-18 | 2023-07-07 | 北京理工大学 | 一种基于卷积神经网络和自注意力机制的智能矿物分选方法 |
CN117041104A (zh) * | 2023-08-16 | 2023-11-10 | 北京邮电大学 | 基于对抗自动编码的网络拥塞链路诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘冲: "基于联合抗噪算法的滚动轴承故障诊断研究", 华东交通大学学报, vol. 37, no. 04, 15 August 2020 (2020-08-15), pages 82 - 87 * |
邓建国 等: "监督学习中的损失函数及应用研究", 大数据, vol. 6, no. 01, 15 January 2020 (2020-01-15), pages 60 - 80 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
US10729382B2 (en) | Methods and systems to predict a state of the machine using time series data of the machine | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN116651971B (zh) | 一种汽车冲压模具在线检测方法及系统 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117706360A (zh) | 电机运行状态的监测方法、装置、设备及存储介质 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN117708508B (zh) | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN118133668A (zh) | 电厂设备寿命评估方法 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
Pandey | Integration of Machine Learning Algorithms in Mechatronic Systems for Predictive Maintenance | |
CN116292334A (zh) | 一种渣浆泵故障诊断方法 | |
CN118051822A (zh) | 一种基于声纹识别技术的设备运行状态异常检测方法 | |
CN118035814A (zh) | 基于数字孪生场域数据分析设备状态故障预警方法及系统 |
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 |