CN113033673B - 电机工况异常检测模型的训练方法及*** - Google Patents
电机工况异常检测模型的训练方法及*** Download PDFInfo
- Publication number
- CN113033673B CN113033673B CN202110338340.5A CN202110338340A CN113033673B CN 113033673 B CN113033673 B CN 113033673B CN 202110338340 A CN202110338340 A CN 202110338340A CN 113033673 B CN113033673 B CN 113033673B
- Authority
- CN
- China
- Prior art keywords
- working condition
- motor
- data
- stable
- training
- 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
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种电机工况异常检测模型的训练方法及***,所述方法包括:连续采集电机运行数据,以得到电机工况,直到电机运行稳定;对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;根据电机工况的切分结果,采用隔离异常点方法,训练得到与稳态工况列表中的各组合工况对应的工况异常检测模型,工况异常检测模型的数量与组合工况的数量对应。本发明通过对电机工况进行切分,有利于获得有效的电机运行工况,采用隔离异常点的方法训练得到工况异常检测模型,进而利用模型自动直接获得电机状态监测结果,有利于降低误报率和漏报率,提高工况异常检测的准确性。
Description
技术领域
本发明涉及电机诊断技术领域,尤其涉及一种电机工况异常检测模型的训练方法及***。
背景技术
电机状态监测和故障诊断技术是一种了解和掌握电机在使用过程中的状态,确定其整体或局部正常或异常,发现故障及其原因的技术。现有技术方案一般是基于电气特征分析技术的状态监测诊断装置,通过测量电机负载运行时的电流、电压信号,分析频谱、谐波、电气参数等特征,进一步探测到源于轴承故障、不对中故障、负载故障、机械松动、绝缘和一系列电气和机械故障的状态变化,进而判断整个传动***的故障所在。
但是,传统技术方案是以设备当下状态为研究重点,无法对设备的未来发展趋势进行预测,更无法对设备健康状态进行***地管理。如何有效地训练得到电机工况异常检测模型,进而根据电机工况异常检测模型来判定电机是否处于异常状态,是基于电机数据监测电机状态以及诊断电机故障所要解决的一个重要问题。
因此,亟需一种电机工况异常检测模型的训练方法及***。
发明内容
本发明的目的是提供一种电机工况异常检测模型的训练方法及***,以解决上述现有技术中的问题,能够降低误报率和漏报率,提高工况异常检测的准确性。
本发明提供了一种电机工况异常检测模型的训练方法,其中,包括:
连续采集电机运行数据,以得到电机工况,直到电机运行稳定;
对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;
根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述连续采集电机运行数据,以得到电机工况,直到电机运行稳定,具体包括:
采集电机运行数据,以得到工况文件;
基于所述工况文件中的电机振动原始信号,提取振动特征信号,以得到与所述工况文件对应的特征文件;
将所述工况文件和所述特征文件进行同步化;
根据同步化后的所述工况文件和所述特征文件,得到电机运行稳定状态;
在所述电机运行稳定状态为稳态之后,结束对电机运行数据的采集。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述对电机工况进行切分,以得到稳态工况列表,具体包括:
根据稳定转速向量对工况文件中的数据进行初步切分,得到若干初步分组;
对各所述初步分组中的电流数据标记稳态电流标签;
根据所述稳态电流标签对各初步分组进行二次切分,得到最终切分结果。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述根据稳定转速向量对工况文件中的数据进行初步切分,得到若干初步分组,具体包括:
从所述配置文件中获取若干稳定转速向量;
根据所述稳定转速向量对所述工况文件中的数据进行初步切分,得到若干初步分组,以将不同转速的数据切分开,并将同一转速的数据作为同一个初步分组,其中,所述初步分组的数量与所述稳定转速向量的数量对应,在同一个初步分组中,同一转速工况对应若干种不同电流工况。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述根据所述稳态电流标签对各初步分组进行二次切分,得到最终切分结果,具体包括:
在各所述初步分组中,将标记为同一稳态电流标签的数据作为同一个精细分组;
根据各所述初步分组中的各所述精细分组,得到工况列表,其中,所述工况列表包括不同转速和不同电流的组合工况;
将所述工况列表输出为包括转速变量和电流变量的CSV文件,其中,所述CSV文件中包括各个转速所对应的工况,并且每个转速对应若干个电流工况。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,具体包括:
将所述稳态工况列表中的各组合工况对应的工况序号和十六维特征矩阵文件作为训练数据,输入预设机器学习模型中,其中,所述十六维特征矩阵的每一行表示一个样本,第一列为时间信息,第二列表示转速,第三列表示稳定状态,第四列表示温度,剩余列表示12个时域和频域特征;
采用隔离异常点的方法,利用所述训练数据对所述预设机器学习模型进行训练,得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述采用隔离异常点的方法,利用所述训练数据对所述预设机器学习模型进行训练,得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,具体包括:
基于所述训练数据,构建由若干个隔离树组成的隔离森林;
将待异常检测的数据对所述隔离森林进行遍历,计算异常得分,以根据所述异常得分判断待异常检测的数据中是否存在异常数据。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述基于所述训练数据,构建若干个隔离树,具体包括:
步骤A1:从训练数据中随机选择Ψ个样本,放入一棵隔离树的根节点;
步骤A2:随机指定一个维度,在当前节点数据中随机产生一个切割点p,其中,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间;
步骤A3:以随机生成的切割点p生成一个超平面,然后将当前节点数据空间划分为2个子空间;
步骤A4:将指定维度中小于p的数据放在当前节点的左子树,将大于等于p的数据放在当前节点的右子树;
步骤A5:在子树分支中递归步骤A2和步骤A3,不断构造新的叶子节点,直到叶子节点中只有一个数据,无法再继续切割或树已到达限定高度。
如上所述的电机工况异常检测模型的训练方法,其中,优选的是,所述将待异常检测的数据对所述隔离森林进行遍历,计算异常得分,以根据所述异常得分判断待异常检测的数据中是否存在异常数据,具体包括:
对于每个样本x,计算每棵树的结果,采用公式计算异常得分:
其中,h(x)为样本x在每棵树的高度,即路径长度,c(Ψ)为给定样本数Ψ时路径长度的平均值,用来对样本x的路径长度h(x)进行标准化处理。
本发明还提供一种采用上述方法的电机工况异常检测模型的训练***,包括:
数据采集模块,用于连续采集电机运行数据,以得到电机工况,直到电机运行稳定;
工况切分模块,用于对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;
模型训练模块,用于根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应。
本发明提供一种电机工况异常检测模型的训练方法及***,通过对电机工况进行切分,有利于获得有效的电机运行工况,采用隔离异常点的方法训练得到工况异常检测模型,进而利用模型自动直接获得电机状态监测结果,有利于降低误报率和漏报率,提高工况异常检测的准确性。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的电机工况异常检测模型的训练方法的实施例的流程图;
图2为本发明提供的电机工况异常检测模型的训练***的实施例的结构框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”:以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定部件位于第一部件和第二部件之间时,在该特定部件与第一部件或第二部件之间可以存在居间部件,也可以不存在居间部件。当描述到特定部件连接其它部件时,该特定部件可以与所述其它部件直接连接而不具有居间部件,也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
如图1所示,本实施例提供的电机工况异常检测模型的训练方法在实际执行过程中,具体包括如下步骤:
步骤S1、连续采集电机运行数据,以得到电机工况,直到电机运行稳定。
在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S1具体可以包括:
步骤S11、采集电机运行数据,以得到工况文件。
具体地,利用OPC服务器从连接至电机的可编程逻辑控制器采集电机运行数据,由所述电机运行数据组成所述工况文件,其中,所述电机运行数据包括时间数据、电流数据和转速数据。
步骤S12、基于所述工况文件中的电机振动原始信号,提取振动特征信号,以得到与所述工况文件对应的特征文件。
具体地,首先对电机振动原始信号进行预处理操作,获得预处理信号,然后将预处理信号和采样信号输入预先构建的特征提取模型,得到电机振动原始信号对应的振动特征信号,由振动特征信号组成特征文件。
进一步地,特征提取模型输出的振动特征信号包括:时间戳、温度、振动时域特征指标和振动频域特征指标。其中,振动时域特征指标通常用来反映设备状态,用于故障监测、趋势预报;振动频域特征指标通常用于诊断故障类型、原因与部位。具体而言,所述特征提取模型输出的所述振动时域特征指标包括有效值、歪度、歪度指标、方差、裕度因子、波峰因子、峭度、峭度指标和脉冲因子。所述特征提取模型输出的所述振动频域特征指标包括谱方差、谱均值和谱有效值。
步骤S13、将所述工况文件和所述特征文件进行同步化。
在具体实现中,首先,根据工况文件中的工况时间戳分别对电机运行数据中的电流数据和转速数据求取平均值,以得到电机工况信息,所述电机工况信息包括时间信息、转速信息和电流信息;然后,基于各个工况时间戳与对应的特征文件中的当前特征文件时间戳之间的时间差,对特征文件中的特征文件时间戳进行修正,以得到修正时间戳;接着,在工况文件中获取与特征文件中的修正时间戳距离最近的电机工况信息,得到目标电机工况信息;最后,以工况时间戳为准,将特征文件合并到目标电机工况信息之后,形成包括了各个时间戳下对应的转速、电流、温度及12个时域和频域的特征的CSV文件。
步骤S14、根据同步化后的所述工况文件和所述特征文件,得到电机运行稳定状态。
首先,在采样时间达到工况配置时长后,基于第一方差评价指标和第二方差评价指标的比值得到若干单个变量的稳态结果,其中,所述第一方差评价指标与相邻两个采样时间点的实际数据之差对应,所述第二方差评价指标与表示同一采样时间点的实际数据和滤波后的数据之差对应,并且若干单个变量包括转速、和/或电流、和/或温度;然后,根据若干单个变量的稳态结果得到电机运行稳定状态。
步骤S15、在所述电机运行稳定状态为稳态之后,结束对电机运行数据的采集。
在电机运行稳定状态为稳态,并且针对电机稳定转速向量中的各稳定转速信息,每个所述稳定转速信息所对应的特征文件的时长大于等于总采样时长/采样次数时,结束对电机运行数据的采集。
步骤S2、对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况。
为获得有效的电机运行工况,在进行机器学习训练之前,需要对电机的不同运行工况进行有效切分。步骤S2的目的是根据特征文件中的若干稳定转速,自适应的切分配置阶段所产生的训练数据文件,并生产稳定工况列表文件。
在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S2具体可以包括:
步骤S21、根据稳定转速向量对工况文件中的数据进行初步切分,得到若干初步分组。
进一步地,在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S21具体可以包括:
步骤S211、从所述配置文件中获取若干稳定转速向量。
步骤S212、根据所述稳定转速向量对所述工况文件中的数据进行初步切分,得到若干初步分组,以将不同转速的数据切分开,并将同一转速的数据作为同一个初步分组,其中,所述初步分组的数量与所述稳定转速向量的数量对应,在同一个初步分组中,同一转速工况对应若干种不同电流工况。
步骤S22、对各所述初步分组中的电流数据标记稳态电流标签。
在具体实现中,首先,对各初步分组中的电流数据进行约整,具体地,针对各初步分组中的所有电流数据,将与目标电流值的差异在预设范围内的电流数据,归属为同一个工况类别,其中,工况类别的数量与目标电流值的数量一致。进一步地,示例性地,预设范围包括-5%-5%,需要说明的是,本发明对目标电流值及预设范围不作具体限定;然后,根据电流数据的约整结果对各初步分组中的电流数据标记稳态电流标签。
步骤S23、根据所述稳态电流标签对各初步分组进行二次切分,得到最终切分结果。
在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S23具体可以包括:
步骤S231、在各所述初步分组中,将标记为同一稳态电流标签的数据作为同一个精细分组。
步骤S232、根据各所述初步分组中的各所述精细分组,得到工况列表,其中,所述工况列表包括不同转速和不同电流的组合工况。
步骤S233、将所述工况列表输出为包括转速变量和电流变量的CSV文件,其中,所述CSV文件中包括各个转速所对应的工况,并且每个转速对应若干个电流工况。
进一步地,在步骤S1之后,在S2之前,所述机工况异常检测模型的训练方法还包括:
设置配置参数以得到配置文件,所述配置参数包括模型训练总采样时长/采样次数、十六维特征矩阵文件、稳定转速向量和训练模型精度,并且所述配置文件与特定设备对应。
步骤S3、根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应。
步骤S3的目的是根据不同的稳态工况,创建对应工况异常检测模型。
进一步地,在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S3具体可以包括:
步骤S31、将所述稳态工况列表中的各组合工况对应的工况序号和十六维特征矩阵文件作为训练数据,输入预设机器学习模型中,其中,所述十六维特征矩阵的每一行表示一个样本,第一列为时间信息,第二列表示转速,第三列表示稳定状态,第四列表示温度,剩余列表示12个时域和频域特征。
步骤S32、采用隔离异常点的方法,利用所述训练数据对所述预设机器学习模型进行训练,得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型。
现有的异常检测方法主要是通过对正常样本的描述,给出一个正常样本在特征空间中的区域,对于不在这个区域中的样本,视为异常。这些异常检测方法的主要缺点是只会对正常样本的描述做优化,而不会对异常样本的描述做优化,这样就有可能造成大量的误报,或者只检测到少量的异常。
本发明的异常检测方法不再描述正常的样本点,而是要孤立异常点,并用统计学来解释,在数据空间里面,分布稀疏的区域表示数据发生在此区域的概率很低,因而可以认为落在这些区域里的数据是异常的。为查找哪些点是否容易被孤立,假设用一个随机超平面来切割数据空间,切一次可以生成两个子空间。之后再继续用一个随机超平面来切割每个子空间,循环下去,直到每子空间里面只有一个数据点为止。可以理解的是,那些密度很高的簇是可以被切很多次才会停止切割,但是那些密度很低的点很容易很早的就停到一个子空间了。
进一步地,在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S32具体可以包括:
步骤S321、基于所述训练数据,构建由若干个隔离树组成的隔离森林。
进一步地,在本发明的电机工况异常检测模型的训练方法的一种实施方式中,所述步骤S321具体可以包括:
步骤A1:从训练数据中随机选择Ψ个样本,放入一棵隔离树的根节点。
步骤A2:随机指定一个维度,在当前节点数据中随机产生一个切割点p,其中,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间。
步骤A3:以随机生成的切割点p生成一个超平面,然后将当前节点数据空间划分为2个子空间。
步骤A4:将指定维度中小于p的数据放在当前节点的左子树,将大于等于p的数据放在当前节点的右子树。
步骤A5:在子树分支中递归步骤A2和步骤A3,不断构造新的叶子节点,直到叶子节点中只有一个数据,无法再继续切割或树已到达限定高度。
步骤S322、将待异常检测的数据对所述隔离森林进行遍历,计算异常得分,以根据所述异常得分判断待异常检测的数据中是否存在异常数据。
具体地,对于每个样本x,计算每棵树的结果,采用公式计算异常得分:
其中,h(x)为样本x在每棵树的高度,即路径长度,c(Ψ)为给定样本数Ψ时路径长度的平均值,用来对样本x的路径长度h(x)进行标准化处理。
本发明实施例提供的电机工况异常检测模型的训练方法,通过对电机工况进行切分,有利于获得有效的电机运行工况,采用隔离异常点的方法训练得到工况异常检测模型,进而利用模型自动直接获得电机状态监测结果,有利于降低误报率和漏报率,提高工况异常检测的准确性。
相应地,如图2所示,本发明还提供一种电机工况异常检测模型的训练***,包括:
数据采集模块1,用于连续采集电机运行数据,以得到电机工况,直到电机运行稳定;
工况切分模块2,用于对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;
模型训练模块3,用于根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应。
本发明实施例提供的电机工况异常检测模型的训练***,利用工况切分模块对电机工况进行切分,有利于获得有效的电机运行工况,模型训练模块采用隔离异常点的方法训练得到工况异常检测模型,进而利用模型自动直接获得电机状态监测结果,有利于降低误报率和漏报率,提高工况异常检测的准确性。
应理解以上图2所示的电机工况异常检测模型的训练***的各个部件的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分部件以软件通过处理元件调用的形式实现,部分部件通过硬件的形式实现。例如,某个上述模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (7)
1.一种电机工况异常检测模型的训练方法,其特征在于,包括:
连续采集电机运行数据,以得到电机工况,直到电机运行稳定;
对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;
将所述稳态工况列表中的各组合工况对应的工况序号和十六维特征矩阵文件作为训练数据,输入预设机器学习模型中,其中,所述十六维特征矩阵的每一行表示一个样本,第一列为时间信息,第二列表示转速,第三列表示稳定状态,第四列表示温度,剩余列表示12个时域和频域特征,根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应,
所述连续采集电机运行数据,以得到电机工况,直到电机运行稳定,具体包括:
采集电机运行数据,以得到工况文件;
基于所述工况文件中的电机振动原始信号,提取振动特征信号,以得到与所述工况文件对应的特征文件;
将所述工况文件和所述特征文件进行同步化;
根据同步化后的所述工况文件和所述特征文件,得到电机运行稳定状态;
在所述电机运行稳定状态为稳态之后,结束对电机运行数据的采集;
所述对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,具体包括:
根据稳定转速向量对工况文件中的数据进行初步切分,得到若干初步分组;
对各所述初步分组中的电流数据标记稳态电流标签;
根据所述稳态电流标签对各初步分组进行二次切分,得到最终切分结果。
2.根据权利要求1所述的电机工况异常检测模型的训练方法,其特征在于,所述根据稳定转速向量对工况文件中的数据进行初步切分,得到若干初步分组,具体包括:
从配置文件中获取若干稳定转速向量;
根据所述稳定转速向量对所述工况文件中的数据进行初步切分,得到若干初步分组,以将不同转速的数据切分开,并将同一转速的数据作为同一个初步分组,其中,所述初步分组的数量与所述稳定转速向量的数量对应,在同一个初步分组中,同一转速工况对应若干种不同电流工况。
3.根据权利要求1所述的电机工况异常检测模型的训练方法,其特征在于,所述根据所述稳态电流标签对各初步分组进行二次切分,得到最终切分结果,具体包括:
在各所述初步分组中,将标记为同一稳态电流标签的数据作为同一个精细分组;
根据各所述初步分组中的各所述精细分组,得到工况列表,其中,所述工况列表包括不同转速和不同电流的组合工况;
将所述工况列表输出为包括转速变量和电流变量的CSV文件,其中,所述CSV文件中包括各个转速所对应的工况,并且每个转速对应若干个电流工况。
4.根据权利要求1所述的电机工况异常检测模型的训练方法,其特征在于,所述采用隔离异常点的方法,利用所述训练数据对所述预设机器学习模型进行训练,得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,具体包括:
基于所述训练数据,构建由若干个隔离树组成的隔离森林;
将待异常检测的数据对所述隔离森林进行遍历,计算异常得分,以根据所述异常得分判断待异常检测的数据中是否存在异常数据。
5.根据权利要求4所述的电机工况异常检测模型的训练方法,其特征在于,所述基于所述训练数据,构建若干个隔离树,具体包括:
步骤A1:从训练数据中随机选择Ψ个样本,放入一棵隔离树的根节点;
步骤A2:随机指定一个维度,在当前节点数据中随机产生一个切割点p,其中,所述切割点p产生于当前节点数据中指定维度的最大值和最小值之间;
步骤A3:以随机生成的切割点p生成一个超平面,然后将当前节点数据空间划分为2个子空间;
步骤A4:将指定维度中小于p的数据放在当前节点的左子树,将大于等于p的数据放在当前节点的右子树;
步骤A5:在子树分支中递归步骤A2和步骤A3,不断构造新的叶子节点,直到叶子节点中只有一个数据,无法再继续切割或树已到达限定高度。
7.一种采用权利要求1-6中任一项所述方法的电机工况异常检测模型的训练***,其特征在于,包括:
数据采集模块,用于连续采集电机运行数据,以得到电机工况,直到电机运行稳定;
工况切分模块,用于对电机运行稳定之后的电机工况进行切分,以得到稳态工况列表,其中,所述稳态工况列表包括不同稳定转速工况和不同电流工况的若干组合工况;
模型训练模块,用于根据电机工况的切分结果,采用隔离异常点的方法,训练得到与所述稳态工况列表中的各组合工况对应的工况异常检测模型,其中,所述工况异常检测模型的数量与组合工况的数量对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338340.5A CN113033673B (zh) | 2021-03-24 | 2021-03-24 | 电机工况异常检测模型的训练方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338340.5A CN113033673B (zh) | 2021-03-24 | 2021-03-24 | 电机工况异常检测模型的训练方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033673A CN113033673A (zh) | 2021-06-25 |
CN113033673B true CN113033673B (zh) | 2022-10-25 |
Family
ID=76452820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338340.5A Active CN113033673B (zh) | 2021-03-24 | 2021-03-24 | 电机工况异常检测模型的训练方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033673B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3677144B2 (ja) * | 1997-10-03 | 2005-07-27 | 株式会社東芝 | 誘導電動機制御装置 |
WO2007074423A2 (en) * | 2005-12-29 | 2007-07-05 | Utstarcom, Inc. | Method and system for byte slice processing data packets at a packet switch |
CN101907685A (zh) * | 2010-06-18 | 2010-12-08 | 华北电力大学 | 适应运行工况变化的发电机组运行参数正确性检验方法 |
CN107292350A (zh) * | 2017-08-04 | 2017-10-24 | 电子科技大学 | 大规模数据的异常检测方法 |
CN107894279B (zh) * | 2017-10-25 | 2018-12-07 | 北京金风科创风电设备有限公司 | 风力发电机组振动数据及工况数据的同步检测方法和装置 |
CN109765332A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 基于隔离森林的变压器异常值实时检测和故障诊断方法 |
CN110135614A (zh) * | 2019-03-26 | 2019-08-16 | 广东工业大学 | 一种基于异常值检测和抽样技术的10kV配变低压跳闸预测方法 |
CN110149258A (zh) * | 2019-04-12 | 2019-08-20 | 北京航空航天大学 | 一种基于孤立森林的汽车can总线网络数据异常检测方法 |
CN110298455B (zh) * | 2019-06-28 | 2023-06-02 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110696990B (zh) * | 2019-11-11 | 2020-12-04 | 中国船舶工业***工程研究院 | 一种基于数据驱动的船舶发电机部件影响识别方法及*** |
CN111191881B (zh) * | 2019-12-13 | 2024-05-14 | 大唐东北电力试验研究院有限公司 | 一种基于大数据的火电机组工业设备状态监测方法 |
-
2021
- 2021-03-24 CN CN202110338340.5A patent/CN113033673B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113033673A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aydin et al. | An approach for automated fault diagnosis based on a fuzzy decision tree and boundary analysis of a reconstructed phase space | |
US20210365342A1 (en) | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN112036301A (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、***及电子装置 | |
CN116450399B (zh) | 微服务***故障诊断及根因定位方法 | |
CN111949429A (zh) | 基于密度聚类算法的服务器故障监测方法及*** | |
CN113033673B (zh) | 电机工况异常检测模型的训练方法及*** | |
CN111666978B (zh) | 一种it***运维大数据的智能故障预警*** | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
CN114700587A (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及*** | |
CN117592870A (zh) | 基于水环境监测信息的综合分析*** | |
CN113030726A (zh) | 基于数据驱动的电机状态监测方法及*** | |
Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
Mohamed et al. | Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model | |
CN114386535B (zh) | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 | |
CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
CN112526558B (zh) | 一种局部数据缺失条件下的***运行工况识别与切割方法 | |
CN113075547A (zh) | 电机数据的采集方法及*** | |
CN115080286A (zh) | 一种网络设备日志异常的发现方法及装置 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
Chandrashekar et al. | Anomaly detection in recorded CAN log using DBSCAN and LSTM Autoencoder | |
CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 | |
CN116150666B (zh) | 储能***故障检测方法、装置及智能终端 |
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 |