CN115236509A - 用于电机的数据采集设备 - Google Patents
用于电机的数据采集设备 Download PDFInfo
- Publication number
- CN115236509A CN115236509A CN202210941078.8A CN202210941078A CN115236509A CN 115236509 A CN115236509 A CN 115236509A CN 202210941078 A CN202210941078 A CN 202210941078A CN 115236509 A CN115236509 A CN 115236509A
- Authority
- CN
- China
- Prior art keywords
- information
- motor
- electric energy
- current
- power
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 146
- 238000012544 monitoring process Methods 0.000 claims abstract description 81
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 118
- 230000007613 environmental effect Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种用于电机的数据采集设备,处理器调取被监测电机的电机标签,根据电机标签确定相对应的环境阈值信息和电能阈值信息,若判断当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息;处理器调取预先设置的第一计算模型,将环境监测数据输入至第一计算模型内得到标准电能数据,若标准电能数据与电能监测数据不对应,则生成电能异常提醒信号;处理器调取预先设置的第二计算模型,将电能监测数据输入至第二计算模型内得到标准环境数据,若标准环境数据与环境监测数据不对应,则生成结构异常提醒信号。
Description
技术领域
本发明涉及电动机测试技术,尤其涉及一种用于电机的数据采集设备。
背景技术
电机是指依据电磁感应定律实现电能转换或传递的一种电磁装置。在电机的使用过程中,电机被通电后会进行做工,完成后续的工作。
电机在实际的使用过程中,可能会出现多种异常故障。例如出现过压、过流等情况导致电机烧毁,或者是由于电机的机械连接结构产生异常的松动导致震动过大,散热片无法进行正常散热而导致电机温度过高等等。一般情况下,电机都是由小的异常开始,并逐渐进行扩大,进而造成较大的损失,如果能够在电机出现异常的初期就能够进行准确的监测、维修,能够大幅降低电机的损害率,提高电机的使用寿命,所以亟需一种方法,能够根据电机的多维度数据,及时进行异常提醒。
发明内容
本发明实施例提供一种用于电机的数据采集设备,能够根据电机的多维度数据,及时进行异常提醒。
本发明实施例,提供一种用于电机的数据采集设备,所述数据采集设备包括环境监测单元、电能监测单元以及处理器,通过以下步骤对环境监测单元和电能监测单元采集的数据进行处理,包括:
基于所述环境监测单元和电能监测单元采集得到相对应的环境监测数据和电能监测数据,所述环境监测数据至少包括当前温度信息和/或当前振动信息,所述电能监测数据至少包括当前电压信息和/或当前电流信息;
处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息;
处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号;
处理器调取预先设置的第二计算模型,将所述电能监测数据输入至所述第二计算模型内得到标准环境数据,若所述标准环境数据与所述环境监测数据不对应,则生成结构异常提醒信号。
进一步的,所述处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息,包括:
处理器调取被监测电机的电机标签,所述电机标签包括电机型号,根据所述电机型号确定预先设置的环境阈值信息和电能阈值信息;
若判断所述当前温度信息和/或当前振动信息大于环境阈值信息,则输出第一提醒信息,所述环境阈值信息包括预设温度信息和/或预设振动信息,所述第一提醒信息为温度异常提醒信息和/或振动异常提醒信息;
若判断所述当前电压信息和/或当前电流信息大于电能阈值信息,则输出第一提醒信息,所述电能阈值信息包括预设电压信息和/或预设电流信息,所述第一提醒信息为电压异常提醒信息和/或电流异常提醒信息。
进一步的,还包括:
处理器若判断不存在与所述电机标签所对应的环境阈值信息和电能阈值信息,则提取所述电机标签对应的当前电机参数发送至服务器;
服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预存环境阈值信息和预存电能阈值信息;
获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息;
服务器将所述当前电机参数确定的预存环境阈值信息和预存电能阈值信息发送至处理器。
进一步的,所述获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的功率体积比值,根据所述功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息,包括:
对预存储电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到每个预存储电机参数对应的第一功率体积比值;
根据所有第一功率体积比值对预存储电机参数进行降序排序,得到第一参数排序结果;
对当前电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到当前电机参数对应的第二功率体积比值;
确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
进一步的,所述确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息,包括:
通过以下公式计算第一功率体积比值和第二功率体积比值,
其中,为第个预存储电机参数的第一功率体积比值,为第个预存储电机参数的功率信息,为功率归一化权重值,为第个预存储电机参数的体积信息,为体积归一化权重值,为第二功率体积比值,为当前电机参数的功率信息,为当前电机参数的体积信息;
计算每个第一功率体积比值和第二功率体积比值的差值的绝对值得到比值差值,将最小的比值差值所对应的第一功率体积比值作为第三功率体积比值;
通过以下公式计算当前电机参数对应的预存环境阈值信息和预存电能阈值信息,
其中,为当前电机参数对应的预存环境阈值信息,为第三功率体积比值所对应的预存环境阈值信息,为第三功率体积比值,为环境预设常数值,为环境权重值,为第三功率体积比值所对应的预存电能阈值信息,为当前电机参数对应的预存电能阈值信息,为电能预设常数值,为电能权重值。
进一步的,所述处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号,包括:
处理器根据所述电机标签确定相应的第一计算模型,根据所述电机标签确定所述第一计算模型的第一计算权重组得到第三计算模型;
将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息;
计算当前电压信息与标准电压信息的差值得到第一电压差值,计算当前电流信息与标准电流信息的差值得到第一电流差值;
若第一电压差值大于电压差阈值和/或第一电流差值大于电流差阈值,则判断电能监测数据不对应,生成电能异常提醒信号。
进一步的,还包括:
处理器若判断不能根据电机标签确定所述第一计算模型的第一计算权重组,则提取所述电机标签对应的当前电机参数发送至服务器;
服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预设计算权重组;
获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组;
服务器将所述第二计算权重组发送至处理器,处理器根据所述第二计算权重组对第一计算模型进行更新得到第三计算模型,将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息。
进一步的,通过以下步骤得到每个预存储电机参数所对应的预设计算权重组,具体包括:
预先设置样本采集时间、样本采集电能值,根据所述样本采集时间、样本采集电能值对预存储电机参数所对应的电机进行控制,使其在样本采集时间的时间段内按照样本采集电能值进行工作,所述样本采集电能值包括电压信息和/或电流信息;
采集电机在不同样本采集时间、样本采集电能值时所具有的温度信息和/或振动信息,将所述温度信息和/或振动信息作为样本采集环境值;
统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组。
进一步的,所述统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组,包括:
所述第一预设模型包括温度训练子公式以及振动训练子公式,通过训练样本集对温度训练子公式以及振动训练子公式进行多次迭代训练,提取收敛后的温度训练子公式以及振动训练子公式内的训练权重;
所述温度训练子公式以及振动训练子公式分别包括以下,
其中,为温度训练子公式中的温度信息,为第一预设模型中的电压信息,为温度训练子公式的电压训练权重值,为第一预设模型中的电流信息,为温度训练子公式的电流训练权重值,为振动训练子公式的电压训练权重值,为振动训练子公式的电流训练权重值。
进一步的,所述获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组,包括:
确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,提取所述第三功率体积比值所对应的第一计算权重组;
根据第三功率体积比值所对应的第一计算权重组、第二功率体积比值所对应的第二功率体积比值进行计算,得到第二功率体积比值所对应的第二计算权重组,通过以下公式计算第二计算权重组中的每一个权重值;
有益效果:
1、本方案会利用环境监测单元采集电机的当前温度信息和/或当前振动信,利用电能监测单元采集电机的当前电压信息和/或当前电流信息,然后利用第一计算模型对当前温度信息和/或当前振动信处理,得到标准电能数据,从而与当前电压信息和/或当前电流信息进行比对,判断电机的电能数据是否异常,如果异常,及时对工作人员进行提醒,过程中,本方案结合了环境监测数据来计算出同一时刻下、不同工作条件下所对应的不同标准电能数据,可以对同一时刻的数据进行比对,提高比对的准确性;同时,利用第二计算模型对当前电压信息和/或当前电流信息处理,得到标准环境数据,从而与当前温度信息和/或当前振动信进行比对,判断电机的结构数据是否异常,如果异常及时对工作人员进行提醒,过程中,本方案结合了电能监测数据来计算出同一时刻下、不同工作数据下所对应的不同的标准环境数据,可以提高比对的准确性;本方案通过上述方案,可以根据电机的多维度数据,及时进行异常提醒,在电机出现异常的初期就能够进行准确的监测、维修,能够大幅降低电机的损害率,提高电机的使用寿命。
2、本方案考虑到电机有多种型号,在数据库中没有相应的电机型号所对应的数据时,会利用数据库中已有的数据进行推导,推导过程中,会计算出每个预存储电机参数对应的第一功率体积比值,以及当前电机参数对应的第二功率体积比值,然后找到与第二功率体积比值最接近的第三功率体积比值,利用第三功率体积比值的相差程度,来推导出当前电机参数对应的预存环境阈值信息和预存电能阈值信息,虽然这个信息不是非常精准,但是相对来说是较为精准的,无需人工再次设置,可以在对新型号电机进行数据处理时,自动得到相关数据,快速的进行后续的比对操作。
3、本方案在利用第一计算模型计算前,会利用电机标签确定第一计算模型的第一计算权重组对第一计算模型进行更新,得到第三计算模型,然后利用第三计算模型进行计算;此外,本方案考虑到新的电机数据库中没有相应的第一计算权重组,会计算出每个预存储电机参数对应的第一功率体积比值,以及当前电机参数对应的第二功率体积比值,然后找到与第二功率体积比值最接近的第三功率体积比值,利用第三功率体积比值的相差程度,来推导出当前电机参数对应的第二计算权重组,得到第三计算模型,来对新的电机进行数据处理;另外,本方案还设置了通过训练样本集进行训练,得到每个预存储电机参数所对应的预设计算权重组的方案,使得每个预存储电机参数所对应的预设计算权重组都是符合实际情况的。
附图说明
图1是本发明实施例提供的一种用于电机的数据采集设备的结构示意图;
图2是本发明实施例提供的对环境监测单元和电能监测单元采集的数据进行处理的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例提供的一种用于电机的数据采集设备的结构示意图,数据采集设备包括环境监测单元、电能监测单元以及处理器,其中,环境监测单元可以是温度监测单元和振动监测单元,电能监测单元可以是电压监测单元和电流监测单元。
参见图2,本发明通过以下步骤对环境监测单元和电能监测单元采集的数据进行处理,包括S1-S4:
S1,基于所述环境监测单元和电能监测单元采集得到相对应的环境监测数据和电能监测数据,所述环境监测数据至少包括当前温度信息和/或当前振动信息,所述电能监测数据至少包括当前电压信息和/或当前电流信息。
本方案可以利用环境监测单元中的温度监测单元来采集当前温度信息,利用振动监测单元来采集当前振动信息;利用电能监测单元的电压监测单元采集当前电压信息,利用当前电流信息采集电流监测单元。
S2,处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息。
可以理解的是,电机的型号不同,对应的环境阈值信息和电能阈值信息也不同,例如,针对体积较小的电机,其功率可能较小,对应的电压信息和电流信息的阈值可能也较小。
因此,本方案会获取到被监测电机的电机标签,然后利用电机标签确定相对应的环境阈值信息和电能阈值信息。
在当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足环境阈值信息、电能阈值信息的要求时,说明电机出现了异常,则输出相对应的第一提醒信息,及时的对工作人员进行提醒,大幅降低电机的损害率,提高电机的使用寿命。
在一些实施例中,S2(所述处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息)包括S21-S23:
S21,处理器调取被监测电机的电机标签,所述电机标签包括电机型号,根据所述电机型号确定预先设置的环境阈值信息和电能阈值信息。
可以理解的是,不同电机型号,所对应的电机标签是不同的,本方案会事先利用电机型号确定预先设置的环境阈值信息和电能阈值信息,用于后续对应的比较。
S22,若判断所述当前温度信息和/或当前振动信息大于环境阈值信息,则输出第一提醒信息,所述环境阈值信息包括预设温度信息和/或预设振动信息,所述第一提醒信息为温度异常提醒信息和/或振动异常提醒信息。
可以理解的是,当前温度信息和/或当前振动信息大于环境阈值信息时,说明温度异常和/或振动异常,此时,需要输出温度异常提醒信息和/或振动异常提醒信息,告知工作人员。
在实际应用中,温度异常提醒信息例如可以是当前电机工作温度较高,振动异常提醒信息可以是当前电机抖动程度较高,还可以是有螺丝松动、电机固定结构松动等等,具体可以依据实际情况来设置。
S23,若判断所述当前电压信息和/或当前电流信息大于电能阈值信息,则输出第一提醒信息,所述电能阈值信息包括预设电压信息和/或预设电流信息,所述第一提醒信息为电压异常提醒信息和/或电流异常提醒信息。
可以理解的是,当前电压信息和/或当前电流信息大于电能阈值信息时,说明电压异常和/或电流异常,此时,需要输出电压异常提醒信息和/或电流异常提醒信息,告知工作人员。
在实际应用中,电压异常提醒信息可以是电机发生短路、工作电压过大等信息,电压异常提醒信息可以是当前工作电流不稳定等信息,具体可以依据实际情况来设置。
在上述实施例的基础上,本发明还考虑到可能会有一些电机型号未添加进数据库中,导致后续无法对该电机进行数据处理,因此,本发明实施例还包括A1-A4:
A1,处理器若判断不存在与所述电机标签所对应的环境阈值信息和电能阈值信息,则提取所述电机标签对应的当前电机参数发送至服务器。
当处理器判断不存在与电机标签所对应的环境阈值信息和电能阈值信息时,则提取电机标签对应的当前电机参数发送至服务器。可以理解的是,本方案会将对应的电机数据更新至数据库。
A2,服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预存环境阈值信息和预存电能阈值信息。
可以理解的是,为了对不存在的电机型号进行后续的数据处理,本方案会利用服务器中已经存在的当前电机参数,来确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预存环境阈值信息和预存电能阈值信息。
A3,获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
一般的实际场景下,电机的功率信息与电机的电压和电流相关,功率越大,相对的电压和电流也会越大。电机的体积信息与电机的温度和抖动相关,一般来说,具有相同功率的电机,其体积相对越大,则电机工作过程中所对应的抖动程度会相对越小,因为其体积较大,在进行固定时会具有更大的固定面积,且各个位置会分担电机转动时的离心力,面积越大,则单位面积所承担的离心力就越小,所以抖动、振动幅度会与体积具有反比的关系。并且由于体积大,散热风扇的风扇面积、电机与外部的接触面积都会相对更大,此时电机的散热相对更快,对应的电机工作过程中的温度会相对越小。
因此,本方案通过每个预存储电机参数中的功率信息和体积信息,对功率信息和体积信息得到相对应预存储电机参数的第一功率体积比值,然后根据第一功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
A4,服务器将所述当前电机参数确定的预存环境阈值信息和预存电能阈值信息发送至处理器。
在得到当前电机参数确定的预存环境阈值信息和预存电能阈值信息后,本方案会将其加入到处理器中,对处理器对应的数据库进行更新,使得处理器可以对新型号的电机进行处理。
在一些实施例中,A3(所述获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的功率体积比值,根据所述功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息)包括A31-A34:
A31,对预存储电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到每个预存储电机参数对应的第一功率体积比值。
可以理解的是,功率信息和体积信息都有对应的不同单位,本方案首先会对功率信息和体积信息进行归一化处理,得到相对应的功率系数和体积系数,之后,将功率系数和体积系数作比得到每个预存储电机参数对应的第一功率体积比值。
A32,根据所有第一功率体积比值对预存储电机参数进行降序排序,得到第一参数排序结果。
本方案在得到第一功率体积比值后,会对所有的第一功率体积比值进行降序排序,得到第一参数排序结果。即第一参数排序结果中,排序在前的第一功率体积比值较大,排序在后的第一功率体积比值较小。
A33,对当前电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到当前电机参数对应的第二功率体积比值。
与步骤A31同理,当前电机参数的功率信息和体积信息都有对应的不同单位,本方案首先会对当前电机参数的功率信息和体积信息进行归一化处理,得到当前电机参数的相对应的功率系数和体积系数,之后,将当前电机参数的功率系数和体积系数作比得到当前电机参数的对应的第二功率体积比值。
A34,确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
可以理解的是,本方案会找到第一参数排序结果中与第二功率体积比值最接近的第一功率体积比值,作为第三功率体积比值,然后利用第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
在一些实施例中,A34(所述确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息)包括:
通过以下公式计算第一功率体积比值和第二功率体积比值,
其中,为第个预存储电机参数的第一功率体积比值,为第个预存储电机参数的功率信息,为功率归一化权重值,为第个预存储电机参数的体积信息,为体积归一化权重值,为第二功率体积比值,为当前电机参数的功率信息,为当前电机参数的体积信息;
上述公式中,代表第个预存储电机参数的功率系数,代表第个预存储电机参数的体积系数;代表当前电机参数的功率系数,代表当前电机参数的体积系数;其中的功率归一化权重值和体积归一化权重值可以是预先设置的。可以理解的是,当第个预存储电机参数的功率信息或当前电机参数的功率信息较大时,对应的功率归一化权重值会较小,来减弱功率维度带来的计算误差;同理,当第个预存储电机参数的体积信息或当前电机参数的体积信息较大时,对应的体积归一化权重值会较小,来减弱体积维度带来的计算误差。
计算每个第一功率体积比值和第二功率体积比值的差值的绝对值得到比值差值,将最小的比值差值所对应的第一功率体积比值作为第三功率体积比值。可以理解的是,本方案会先找到与第二功率体积比值最接近的第一功率体积比值,将其作为第三功率体积比值。
通过以下公式计算当前电机参数对应的预存环境阈值信息和预存电能阈值信息,
其中,为当前电机参数对应的预存环境阈值信息,为第三功率体积比值所对应的预存环境阈值信息,为第三功率体积比值,为环境预设常数值,为环境权重值,为第三功率体积比值所对应的预存电能阈值信息,为当前电机参数对应的预存电能阈值信息,为电能预设常数值,为电能权重值。
上述公式中,针对的是当前电机参数对应的预存环境阈值信息,代表第三功率体积比值与第二功率体积比值的差值,差值越大,需要对第三功率体积比值所对应的预存环境阈值信息调整的幅度也就越大,可以理解的是,当大于时,会对第三功率体积比值所对应的预存环境阈值信息调大处理,当小于时,会对第三功率体积比值所对应的预存环境阈值信息调小处理;针对的是当前电机参数对应的预存电能阈值信息,代表第三功率体积比值与第二功率体积比值的差值,差值越大,需要对第三功率体积比值所对应的预存电能阈值信息调整的幅度也就越大,可以理解的是,当大于时,会对第三功率体积比值所对应的预存电能阈值信息调大处理,当小于时,会对第三功率体积比值所对应的预存电能阈值信息调小处理;其中,环境权重值和电能权重值可以是预先设置的。可以理解的是,当第三功率体积比值所对应的预存环境阈值信息较大时,相应的环境权重值会较小,来使得调整幅度较为符合实际需求;当第三功率体积比值所对应的预存电能阈值信息较大时,相应的电能权重值会较小,来使得调整幅度较为符合实际需求。
S3,处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号。
可以理解的是,由于电机的工作环境不同,所对应的电压数据和电流数据不同,本方案会同时得到监测数据,即同时得到环境监测数据(当前温度信息和/或当前振动信息),以及环境监测数据所对应的标准电能数据,如果在同一时刻的标准电能数据与电能监测数据不对应,说明当前电机的工作数据异常,则生成电能异常提醒信号。
在一些实施例中,S3(所述处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号)包括S31-S34:
S31,处理器根据所述电机标签确定相应的第一计算模型,根据所述电机标签确定所述第一计算模型的第一计算权重组得到第三计算模型。
可以理解的是,第一计算模型为没有设置相对应权重的初始模型,不同的电机标签所对应的初始的第一计算模型是相同的,只是其中的相关权重组的值是不同的,本方案会确定到电机标签所对应的第一计算模型的第一计算权重组,然后利用第一计算权重组来对第一计算模型的权重进行替换,得到对应电机标签的第三计算模型。
S32,将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息。
在得到第三计算模型后,可以利用第三计算模型进行相关计算,首先将采集到的当前温度信息和/或当前振动信息输入到第三计算模型中,得到标准电能数据,用于后续的比对,其中,标准电能数据为标准电压信息和/或标准电能信息。
S33,计算当前电压信息与标准电压信息的差值得到第一电压差值,计算当前电流信息与标准电流信息的差值得到第一电流差值。
本方案会采集到当前电机的当前电压信息和当前电流信息,然后与标准电压信息和标准电流信息作差,得到对应的第一电压差值和第一电流差值。
S34,若第一电压差值大于电压差阈值和/或第一电流差值大于电流差阈值,则判断电能监测数据不对应,生成电能异常提醒信号。
可以理解的是,如果第一电压差值大于电压差阈值和/或第一电流差值大于电流差阈值,说明电机的电能数据异常,此时生成电能异常的提醒信号发送给工作人员提醒。
在实际应用中,会出现不能根据电机标签确定所述第一计算模型的第一计算权重组的情况,因此,在上述实施例的基础上,还包括B1-B4:
B1,处理器若判断不能根据电机标签确定所述第一计算模型的第一计算权重组,则提取所述电机标签对应的当前电机参数发送至服务器。
本方案需要根据电机标签对应的当前电机参数来确定出第一计算模型的第一计算权重组,因此,会提取电机标签对应的当前电机参数发送至服务器。
B2,服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预设计算权重组。
其中,相应种类可以是直流电机、交流电机等等,服务器在收到当前电机参数后,会利用当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预设计算权重组。
在一些实施例中,可以通过以下步骤得到每个预存储电机参数所对应的预设计算权重组,具体包括B21-B23:
B21,预先设置样本采集时间、样本采集电能值,根据所述样本采集时间、样本采集电能值对预存储电机参数所对应的电机进行控制,使其在样本采集时间的时间段内按照样本采集电能值进行工作,所述样本采集电能值包括电压信息和/或电流信息。
本方案会利用样本采集时间、样本采集电能值对预存储电机参数所对应的电机进行控制,然后实时采集电压信息和/或电流信息。
B22,采集电机在不同样本采集时间、样本采集电能值时所具有的温度信息和/或振动信息,将所述温度信息和/或振动信息作为样本采集环境值。
本方案会对样本采集时间、样本采集电能值进行变换,从而采集电机在不同样本采集时间、样本采集电能值时所具有的温度信息和/或振动信息,将其作为样本采集环境值。
B23,统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组。
可以理解的是,本方案会统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,然后,利用训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将训练权重作为预设计算权重组。
在一些实施例中,B23(所述统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组)包括:
所述第一预设模型包括温度训练子公式以及振动训练子公式,通过训练样本集对温度训练子公式以及振动训练子公式进行多次迭代训练,提取收敛后的温度训练子公式以及振动训练子公式内的训练权重;
所述温度训练子公式以及振动训练子公式分别包括以下,
其中,为温度训练子公式中的温度信息,为振动训练子公式中的振动信息,为第一预设模型中的电压信息,为温度训练子公式的电压训练权重值,为第一预设模型中的电流信息,为温度训练子公式的电流训练权重值,为振动训练子公式的电压训练权重值,为振动训练子公式的电流训练权重值。
上述公式中,在训练时,可以输入温度训练子公式中的温度信息,第一预设模型中的电压信息,以及第一预设模型中的电流信息,来得到温度训练子公式的电压训练权重值和温度训练子公式的电流训练权重值的值或者对应关系;同理,在训练时,可以输入振动训练子公式中的振动信息,第一预设模型中的电压信息,以及第一预设模型中的电流信息,来得到振动训练子公式的电压训练权重值以及电流训练权重值的值或者对应关系;其中,温度训练子公式的电压训练权重值、温度训练子公式的电流训练权重值、振动训练子公式的电压训练权重值以及振动训练子公式的电流训练权重值可以是一个值,也可以是一个函数,例如是一元一次函数或者是二元一次函数。可以理解的是,当电压信息较大时,对应的和会较小,减小综合计算过程中电压维度的计算误差;同理,当电流信息较大时,对应的和会较小,减小综合计算过程中电流维度的计算误差。
需要说明的是,上述实施例仅是针对第一计算模型所对应的第一预设模型(温度训练子公式以及振动训练子公式)进行阐述说明的。针对第二计算模型,会利用与第一预设模型对应的第二预设模型(电压训练子公式和电流训练子公式)进行处理,提取收敛后的电压训练子公式以及电流训练子公式内的训练权重,其中,第二预设模型与第一预设模型形式一样,只是其中的参数所代表的含义不同,例如,上述公式中的代表的是电压训练子公式中的电压信息,代表的是第二预设模型中的温度信息,依次类推,其原理和效果与上述实施例类似,在此不再赘述。
B3,获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组。
本方案会以每个预存储电机参数的第一功率体积比值,来计算当前电机参数对应的第二计算权重组。
在一些实施例中,B3(所述获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组)包括B31-B32:
B31,确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,提取所述第三功率体积比值所对应的第一计算权重组。
可以理解的是,本方案会找到第一参数排序结果中与第二功率体积比值最接近的第一功率体积比值,作为第三功率体积比值,然后利用第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
B32,根据第三功率体积比值所对应的第一计算权重组、第二功率体积比值所对应的第二功率体积比值进行计算,得到第二功率体积比值所对应的第二计算权重组,通过以下公式计算第二计算权重组中的每一个权重值;
上述公式中,针对的是第二计算权重组中第个权重值,代表第三功率体积比值与第二功率体积比值的差值,差值越大,需要对第二计算权重组中第个权重值调整的幅度也就越大,可以理解的是,当大于时,会对第二计算权重组中第个权重值调大处理,当小于时,会对第二计算权重组中第个权重值调小处理,第个权重值对应的常数值可以是工作人员预先设置的。
B4,服务器将所述第二计算权重组发送至处理器,处理器根据所述第二计算权重组对第一计算模型进行更新得到第三计算模型,将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息。
在得到第二计算权重组之后,服务器会将第二计算权重组发送给处理器,之后,利用第二计算权重组对第一计算模型进行更新得到第三计算模型。
在得到第三计算模型之后,可以将前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,其中,标准电能数据为标准电压信息和/或标准电能信息。
需要说明的是,上述实施例仅是针对第一计算模型进行阐述说明的,针对第二计算模型,得到第二计算权重组和对应的第三计算模型的原理和效果类似,在此不再赘述。
S4,处理器调取预先设置的第二计算模型,将所述电能监测数据输入至所述第二计算模型内得到标准环境数据,若所述标准环境数据与所述环境监测数据不对应,则生成结构异常提醒信号。
可以理解的是,同样一个电机,在不同的工作条件下,对应的温度和抖动是不同的,本方案会将电能监测数据输入至第二计算模型内得到同一时刻下的标准环境数据,若标准环境数据与同一时刻下的环境监测数据不对应,说明电机的结构异常,则生成结构异常提醒信号发送给工作人员进行提醒。需要说明的是,步骤S4具体的实现原理和效果与步骤S3类似,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.一种用于电机的数据采集设备,其特征在于,所述数据采集设备包括环境监测单元、电能监测单元以及处理器,通过以下步骤对环境监测单元和电能监测单元采集的数据进行处理,包括:
基于所述环境监测单元和电能监测单元采集得到相对应的环境监测数据和电能监测数据,所述环境监测数据至少包括当前温度信息和/或当前振动信息,所述电能监测数据至少包括当前电压信息和/或当前电流信息;
处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息;
处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号;
处理器调取预先设置的第二计算模型,将所述电能监测数据输入至所述第二计算模型内得到标准环境数据,若所述标准环境数据与所述环境监测数据不对应,则生成结构异常提醒信号。
2.根据权利要求1所述的用于电机的数据采集设备,其特征在于,
所述处理器调取被监测电机的电机标签,根据所述电机标签确定相对应的环境阈值信息和电能阈值信息,若判断所述当前温度信息和/或当前振动信息、当前电压信息和/或当前电流信息不满足所述环境阈值信息、电能阈值信息的要求,则输出相对应的第一提醒信息,包括:
处理器调取被监测电机的电机标签,所述电机标签包括电机型号,根据所述电机型号确定预先设置的环境阈值信息和电能阈值信息;
若判断所述当前温度信息和/或当前振动信息大于环境阈值信息,则输出第一提醒信息,所述环境阈值信息包括预设温度信息和/或预设振动信息,所述第一提醒信息为温度异常提醒信息和/或振动异常提醒信息;
若判断所述当前电压信息和/或当前电流信息大于电能阈值信息,则输出第一提醒信息,所述电能阈值信息包括预设电压信息和/或预设电流信息,所述第一提醒信息为电压异常提醒信息和/或电流异常提醒信息。
3.根据权利要求2所述的用于电机的数据采集设备,其特征在于,还包括:
处理器若判断不存在与所述电机标签所对应的环境阈值信息和电能阈值信息,则提取所述电机标签对应的当前电机参数发送至服务器;
服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预存环境阈值信息和预存电能阈值信息;
获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息;
服务器将所述当前电机参数确定的预存环境阈值信息和预存电能阈值信息发送至处理器。
4.根据权利要求3所述的用于电机的数据采集设备,其特征在于,
所述获取每个预存储电机参数中的功率信息和体积信息,对所述功率信息和体积信息得到相对应预存储电机参数的功率体积比值,根据所述功率体积比值生成与当前电机参数对应的预存环境阈值信息和预存电能阈值信息,包括:
对预存储电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到每个预存储电机参数对应的第一功率体积比值;
根据所有第一功率体积比值对预存储电机参数进行降序排序,得到第一参数排序结果;
对当前电机参数的功率信息和体积信息分别进行归一化处理得到相对应的功率系数和体积系数,将所述功率系数和体积系数作比得到当前电机参数对应的第二功率体积比值;
确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息。
5.根据权利要求4所述的用于电机的数据采集设备,其特征在于,
所述确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,根据所述第三功率体积比值、第二功率体积比值进行计算,得到相对应的当前电机参数对应的预存环境阈值信息和预存电能阈值信息,包括:
通过以下公式计算第一功率体积比值和第二功率体积比值,
其中,为第个预存储电机参数的第一功率体积比值,为第个预存储电机参数的功率信息,为功率归一化权重值,为第个预存储电机参数的体积信息,为体积归一化权重值,为第二功率体积比值,为当前电机参数的功率信息,为当前电机参数的体积信息;
计算每个第一功率体积比值和第二功率体积比值的差值的绝对值得到比值差值,将最小的比值差值所对应的第一功率体积比值作为第三功率体积比值;
通过以下公式计算当前电机参数对应的预存环境阈值信息和预存电能阈值信息,
6.根据权利要求5所述的用于电机的数据采集设备,其特征在于,
所述处理器调取预先设置的第一计算模型,将所述环境监测数据输入至所述第一计算模型内得到标准电能数据,若所述标准电能数据与所述电能监测数据不对应,则生成电能异常提醒信号,包括:
处理器根据所述电机标签确定相应的第一计算模型,根据所述电机标签确定所述第一计算模型的第一计算权重组得到第三计算模型;
将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息;
计算当前电压信息与标准电压信息的差值得到第一电压差值,计算当前电流信息与标准电流信息的差值得到第一电流差值;
若第一电压差值大于电压差阈值和/或第一电流差值大于电流差阈值,则判断电能监测数据不对应,生成电能异常提醒信号。
7.根据权利要求6所述的用于电机的数据采集设备,其特征在于,还包括:
处理器若判断不能根据电机标签确定所述第一计算模型的第一计算权重组,则提取所述电机标签对应的当前电机参数发送至服务器;
服务器根据所述当前电机参数确定数据库中相应种类的预存储电机参数,每个预存储电机参数具有相对应的预设计算权重组;
获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组;
服务器将所述第二计算权重组发送至处理器,处理器根据所述第二计算权重组对第一计算模型进行更新得到第三计算模型,将当前温度信息和/或当前振动信息作为第三计算模型的输入,得到标准电能数据,所述标准电能数据为标准电压信息和/或标准电能信息。
8.根据权利要求7所述的用于电机的数据采集设备,其特征在于,通过以下步骤得到每个预存储电机参数所对应的预设计算权重组,具体包括:
预先设置样本采集时间、样本采集电能值,根据所述样本采集时间、样本采集电能值对预存储电机参数所对应的电机进行控制,使其在样本采集时间的时间段内按照样本采集电能值进行工作,所述样本采集电能值包括电压信息和/或电流信息;
采集电机在不同样本采集时间、样本采集电能值时所具有的温度信息和/或振动信息,将所述温度信息和/或振动信息作为样本采集环境值;
统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组。
9.根据权利要求8所述的用于电机的数据采集设备,其特征在于,
所述统计不同样本采集时间下,不同的样本采集电能值对应的样本采集环境值得到训练样本集,基于所述训练样本集对第一预设模型进行训练,得到相对应预存储电机参数的训练权重,将所述训练权重作为预设计算权重组,包括:
所述第一预设模型包括温度训练子公式以及振动训练子公式,通过训练样本集对温度训练子公式以及振动训练子公式进行多次迭代训练,提取收敛后的温度训练子公式以及振动训练子公式内的训练权重;
所述温度训练子公式以及振动训练子公式分别包括以下,
10.根据权利要求9所述的用于电机的数据采集设备,其特征在于,
所述获取每个预存储电机参数的第一功率体积比值,根据所述第一功率体积比值生成与当前电机参数对应的第二计算权重组,包括:
确定第一参数排序结果中与所述第二功率体积比值最接近的第一功率体积比值作为第三功率体积比值,提取所述第三功率体积比值所对应的第一计算权重组;
根据第三功率体积比值所对应的第一计算权重组、第二功率体积比值所对应的第二功率体积比值进行计算,得到第二功率体积比值所对应的第二计算权重组,通过以下公式计算第二计算权重组中的每一个权重值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941078.8A CN115236509B (zh) | 2022-08-08 | 2022-08-08 | 用于电机的数据采集设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941078.8A CN115236509B (zh) | 2022-08-08 | 2022-08-08 | 用于电机的数据采集设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115236509A true CN115236509A (zh) | 2022-10-25 |
CN115236509B CN115236509B (zh) | 2023-11-10 |
Family
ID=83679530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210941078.8A Active CN115236509B (zh) | 2022-08-08 | 2022-08-08 | 用于电机的数据采集设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236509B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116706904A (zh) * | 2023-08-07 | 2023-09-05 | 国网四川省电力公司乐山供电公司 | 一种基于人工智能的电网异常故障应急处理*** |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993023904A1 (de) * | 1992-05-15 | 1993-11-25 | Robert Bosch Gmbh | Verfahren zur überwachung eines elektromotors auf thermische überlastung |
WO1995004936A1 (de) * | 1993-08-09 | 1995-02-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur temperaturüberwachung eines elektrischen generators |
US20040019439A1 (en) * | 2002-07-23 | 2004-01-29 | Yehia El-Ibiary | Induction motor module and motor incorporating same |
CN201083813Y (zh) * | 2007-08-06 | 2008-07-09 | 昆明电机有限责任公司 | 电机智能测试装置 |
CN101871997A (zh) * | 2010-06-18 | 2010-10-27 | 深圳市禾望电气有限公司 | 一种风力发电机组电网适应性测试装置 |
KR20130090140A (ko) * | 2012-02-03 | 2013-08-13 | 호서대학교 산학협력단 | 소형모터 성능 평가 시스템 |
CN205484718U (zh) * | 2016-01-13 | 2016-08-17 | 重庆人文科技学院 | 小型发电机组电气性能自动测试平台 |
CN206283445U (zh) * | 2016-12-15 | 2017-06-27 | 毛宗明 | 一种电机温度实时监测*** |
CN108020785A (zh) * | 2017-12-14 | 2018-05-11 | 海安常州大学高新技术研发中心 | 一种基于微型主机的电机故障预测***及数据管理方法 |
CN109473825A (zh) * | 2018-12-29 | 2019-03-15 | 江苏大中电机股份有限公司 | 一种数字化自动总装线用安全对接通电装置 |
CN109579089A (zh) * | 2018-11-30 | 2019-04-05 | 李珊珍 | 电机转速控制平台 |
CN110531262A (zh) * | 2019-08-31 | 2019-12-03 | 恒荣动力科技(徐州)有限公司 | 磁阻式永磁同步电机无位置传感器标定测试台及标定方法 |
CN112039024A (zh) * | 2020-09-28 | 2020-12-04 | 珠海格力电器股份有限公司 | 电机退磁检测方法、电机控制***和变频器设备 |
CN112288192A (zh) * | 2020-11-23 | 2021-01-29 | 深圳市维度数据科技股份有限公司 | 一种环保监测预警方法及*** |
CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测*** |
WO2021155706A1 (zh) * | 2020-02-07 | 2021-08-12 | 支付宝(杭州)信息技术有限公司 | 利用不平衡正负样本对业务预测模型训练的方法及装置 |
CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
CN215486757U (zh) * | 2021-07-22 | 2022-01-11 | 维谛新能源有限公司 | 一种风扇调节装置以及电子设备 |
CN114184955A (zh) * | 2021-11-22 | 2022-03-15 | 无锡新泰克电机有限公司 | 电机故障检测方法、***及存储介质 |
WO2022141094A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 模型生成方法、图像处理方法、装置及可读存储介质 |
CN114721326A (zh) * | 2022-05-31 | 2022-07-08 | 国网浙江省电力有限公司 | 基于深度学习算法的营销稽查信息处理方法及装置 |
CN114781552A (zh) * | 2022-06-17 | 2022-07-22 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
-
2022
- 2022-08-08 CN CN202210941078.8A patent/CN115236509B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1993023904A1 (de) * | 1992-05-15 | 1993-11-25 | Robert Bosch Gmbh | Verfahren zur überwachung eines elektromotors auf thermische überlastung |
WO1995004936A1 (de) * | 1993-08-09 | 1995-02-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur temperaturüberwachung eines elektrischen generators |
US20040019439A1 (en) * | 2002-07-23 | 2004-01-29 | Yehia El-Ibiary | Induction motor module and motor incorporating same |
CN201083813Y (zh) * | 2007-08-06 | 2008-07-09 | 昆明电机有限责任公司 | 电机智能测试装置 |
CN101871997A (zh) * | 2010-06-18 | 2010-10-27 | 深圳市禾望电气有限公司 | 一种风力发电机组电网适应性测试装置 |
KR20130090140A (ko) * | 2012-02-03 | 2013-08-13 | 호서대학교 산학협력단 | 소형모터 성능 평가 시스템 |
CN205484718U (zh) * | 2016-01-13 | 2016-08-17 | 重庆人文科技学院 | 小型发电机组电气性能自动测试平台 |
CN206283445U (zh) * | 2016-12-15 | 2017-06-27 | 毛宗明 | 一种电机温度实时监测*** |
CN108020785A (zh) * | 2017-12-14 | 2018-05-11 | 海安常州大学高新技术研发中心 | 一种基于微型主机的电机故障预测***及数据管理方法 |
CN109579089A (zh) * | 2018-11-30 | 2019-04-05 | 李珊珍 | 电机转速控制平台 |
CN109473825A (zh) * | 2018-12-29 | 2019-03-15 | 江苏大中电机股份有限公司 | 一种数字化自动总装线用安全对接通电装置 |
CN110531262A (zh) * | 2019-08-31 | 2019-12-03 | 恒荣动力科技(徐州)有限公司 | 磁阻式永磁同步电机无位置传感器标定测试台及标定方法 |
WO2021155706A1 (zh) * | 2020-02-07 | 2021-08-12 | 支付宝(杭州)信息技术有限公司 | 利用不平衡正负样本对业务预测模型训练的方法及装置 |
CN112039024A (zh) * | 2020-09-28 | 2020-12-04 | 珠海格力电器股份有限公司 | 电机退磁检测方法、电机控制***和变频器设备 |
CN112288192A (zh) * | 2020-11-23 | 2021-01-29 | 深圳市维度数据科技股份有限公司 | 一种环保监测预警方法及*** |
WO2022141094A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 模型生成方法、图像处理方法、装置及可读存储介质 |
CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测*** |
CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
CN215486757U (zh) * | 2021-07-22 | 2022-01-11 | 维谛新能源有限公司 | 一种风扇调节装置以及电子设备 |
CN114184955A (zh) * | 2021-11-22 | 2022-03-15 | 无锡新泰克电机有限公司 | 电机故障检测方法、***及存储介质 |
CN114721326A (zh) * | 2022-05-31 | 2022-07-08 | 国网浙江省电力有限公司 | 基于深度学习算法的营销稽查信息处理方法及装置 |
CN114781552A (zh) * | 2022-06-17 | 2022-07-22 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘建;李传习;侯攀;王星华;: "基于数据变化率的桥梁健康监测数据失真识别算法", 公路交通科技, no. 07 * |
李鑫星;朱晨光;傅泽田;严海军;彭要奇;郑永军;: "基于无人机多光谱图像的土壤水分检测方法研究", 光谱学与光谱分析, no. 04 * |
***;夏阳;李帷韬;李奇越;徐晓冰;: "基于半监督学习的人体腹部脂肪面积预测模型", 计算机应用与软件, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116706904A (zh) * | 2023-08-07 | 2023-09-05 | 国网四川省电力公司乐山供电公司 | 一种基于人工智能的电网异常故障应急处理*** |
CN116706904B (zh) * | 2023-08-07 | 2023-10-10 | 国网四川省电力公司乐山供电公司 | 一种基于人工智能的电网异常故障应急处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN115236509B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11507881B2 (en) | Analysis apparatus, analysis method, and analysis program for calculating prediction error and extracting error factor | |
CN115236509A (zh) | 用于电机的数据采集设备 | |
CN116973667A (zh) | 一种基于数据分析的变频设备运行故障诊断*** | |
CN113612650B (zh) | 一种对边缘计算设备的监测方法 | |
CN109271741A (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
CN112213640B (zh) | 一种电机故障诊断方法及其相关设备 | |
EP3761133A1 (en) | Diagnosis device and diagnosis method | |
CN116993329B (zh) | 一种基于数据分析的通讯设备运行维修决策管理*** | |
CN114513470A (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
JP5310094B2 (ja) | 異常検出システム、異常検出方法および異常検出用プログラム | |
CN108844662B (zh) | 一种数控机床电气柜状态评估方法 | |
CN117650621A (zh) | 一种电力***网络运行状态监控方法及*** | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及*** | |
US20210079925A1 (en) | Computer readable medium, data processing method and data processing system | |
CN115880100A (zh) | 一种基于云端平台的智慧电网数据处理方法与*** | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和*** | |
CN115270983A (zh) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 | |
CN111583594B (zh) | 一种配电箱预警***及预警方法 | |
CN114358121A (zh) | 基于变电站设备的监测方法、装置和终端设备 | |
CN114757435A (zh) | 一种风机齿轮箱老化预测方法 | |
CN114338206A (zh) | Ddos攻击检测方法、装置、设备以及存储介质 | |
CN118133208B (zh) | 一种机器人打磨离线识别异常数据整合优化*** | |
CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
CN110991833B (zh) | 一种稳态电能质量评级方法 |
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 |