CN117436848A - 基于人工智能的电机能耗监测方法 - Google Patents
基于人工智能的电机能耗监测方法 Download PDFInfo
- Publication number
- CN117436848A CN117436848A CN202311768954.2A CN202311768954A CN117436848A CN 117436848 A CN117436848 A CN 117436848A CN 202311768954 A CN202311768954 A CN 202311768954A CN 117436848 A CN117436848 A CN 117436848A
- Authority
- CN
- China
- Prior art keywords
- motor
- energy consumption
- health degree
- time
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 155
- 238000012544 monitoring process Methods 0.000 title claims abstract description 132
- 238000005265 energy consumption Methods 0.000 title claims abstract description 109
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 147
- 230000008569 process Effects 0.000 claims abstract description 126
- 238000012423 maintenance Methods 0.000 claims abstract description 107
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请涉及能耗监测技术领域,尤其涉及一种基于人工智能的电机能耗监测方法,包括:获取监测电机的运行状态序列;获取上一次检修过程结束时所述监测电机的健康程度;将所述运行状态序列和起始健康程度输入时间预测网络,输出当前时刻所述监测电机的实时健康程度,所述起始健康程度为上一次检修过程结束时所述监测电机的健康程度;将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值;基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果。本申请的技术方案能够准确预测电机能耗,进而得到准确的能耗监测结果。
Description
技术领域
本申请一般地涉及能耗监测技术领域,尤其涉及一种基于人工智能的电机能耗监测方法。
背景技术
电机是一种常见的驱动装置,电机将电能转换为机械能,再通过传动装置做功实现各种功能。电机能耗的计算通常根据实时测量的运行参数,计算实时情况下的能耗水平;然而这种计算方法为理想状态,忽略了实际应用中数据的可测性,同时忽略了环境温度的变化、维护状况等原因造成的能耗计算误差。
目前,公开号为CN113344192A的专利申请文件公开了一种企业级电机***节能优化自动控制方法及***,其中的方法包括:使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测;运用BP神经网络计算第i台电机***及对应的某个设备对总能耗的影响程度;并依据影响程度对单个离散电机***的能耗数据进行加权平均,得到企业级电机***总能耗的预测值。
然而,上述方法利用神经网络得到每个离散电机***的能效和能耗情况,但忽略了温度、负载类型对电机能耗的影响,同时,在电机工作的生命周期中,随着工作时间的增加,电机自身硬件也会出现损耗,不考虑电机自身硬件的损耗会进一步导致电机能耗的预测结果出现较大误差,无法得到准确的电机能耗监测结果。
发明内容
为了解决现有技术中的上述技术问题,本申请提供了一种基于人工智能的电机能耗监测方法,能够准确预测电机能耗,进而得到准确的能耗监测结果。
本发明提供了一种基于人工智能的电机能耗监测方法,包括:获取监测电机的运行状态序列,所述运行状态序列包括上一次检修过程结束至当前时刻之间所述监测电机在每个时刻的负载大小和负载类型;获取上一次检修过程结束时所述监测电机的健康程度;将所述运行状态序列和起始健康程度输入时间预测网络,输出当前时刻所述监测电机的实时健康程度,所述起始健康程度为上一次检修过程结束时所述监测电机的健康程度;将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值;基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果。
在一些实施例中,所述负载类型包括恒定负载、变速负载、冲击负载和不均匀负载。
在一些实施例中,所述获取上一次检修过程结束时所述监测电机的健康程度包括:对于一个电机的任意一次历史检修过程,采集所述历史检修过程的电机运行样本序列,并将所述电机运行样本序列输入第一时序编码器以获取所述历史检修过程的运行向量,所述电机运行样本序列包括所述历史检修过程上一次相邻历史检修过程结束至所述历史检修过程开始之间所述电机在每个时刻的负载大小和负载类型;将所述历史检修过程结束时电机的健康程度减去所述历史检修过程开始时电机的健康程度,得到所述历史检修过程中电机的健康程度增量;获取多次历史检修过程的运行向量以及每个运行向量对应的健康程度增量;对所有运行向量进行密度聚类以获取多个聚类簇,一个聚类簇包括多个运行向量;在一个聚类簇中,计算所有运行向量的均值得到所述聚类簇的聚类中心,并将所有运行向量对应的健康程度增量的平均值作为所述聚类簇的健康程度平均增量;基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度。
在一些实施例中,所述基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度包括:获取上一次检修过程的电机运行样本序列并输入所述第一时序编码器,得到上一次检修过程的运行向量;计算上一次检修过程的运行向量与每个聚类中心之间的相似度;基于所述相似度和每个聚类簇的健康程度平均增量计算上一次检修过程结束时所述监测电机的健康程度,所述上一次检修过程结束时所述监测电机的健康程度满足关系式:
其中,为所有聚类簇的数量,/>为第/>个聚类簇的聚类中心,/>为第/>个聚类簇的健康程度平均增量,/>为上一次检修过程的运行向量,/>为/>与/>之间的相似度,/>为上一次检修过程的运行向量与所有聚类中心之间的相似度之和,/>为上一次检修过程结束时所述监测电机的健康程度。
在一些实施例中,所述时间预测网络包括第二时序编码器、拼接层和输出层;所述第二时序编码器用于对运行状态序列进行特征提取,得到运行状态向量;所述拼接层用于拼接所述运行状态向量和所述起始健康程度以获取输入向量;所述输出层用于对所述输入向量进行维度变换,以输出所述监测电机的实时健康程度。
在一些实施例中,所述时间预测网络的训练方法包括:采集任意一个历史时刻的运行状态序列样本和实际能耗,并获取所述历史时刻上一次历史检修过程结束时监测电机的健康程度作为起始健康程度样本,得到一组第一训练样本,其中所述运行状态序列样本包括上一次历史检修过程结束至所述历史时刻监测电机在每个时刻的负载大小和负载类型;将第一训练样本中所述起始健康程度样本和所述运行状态序列样本输入时间预测网络,得到输出结果;基于所述输出结果和所述第一训练样本中实际能耗计算均方差损失函数值;利用梯度下降法更新所述时间预测网络,完成一次训练;不断获取第一训练样本,迭代地训练所述时间预测网络,直至所述均方差损失函数值小于设定值时,得到训练完毕的时间预测网络。
在一些实施例中,所述BP神经网络的训练方法包括:在任意一个历史时刻,采集所述历史时刻监测电机的实时温度、实时负载类型、实时负载大小、实时健康程度以及实际能耗,得到一组第二训练样本;将第二训练样本中的实时温度、实时负载类型、实时负载大小和实时健康程度输入BP神经网络,得到输出结果,并计算所述输出结果与实际能耗之间的均方差损失函数值;利用梯度下降法更新所述BP神经网络,完成一次训练;不断获取第二训练样本,迭代地训练所述BP神经网络,直至输出结果与实际能耗之间的均方差损失函数值小于设定值时,得到训练完毕的BP神经网络。
在一些实施例中,基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果包括:计算当前时刻所述监测电机的能耗预测值和实际能耗之间差值的绝对值,得到能耗偏差;响应于所述能耗偏差大于设定偏差,所述监测结果为电机能耗异常;响应于所述能耗偏差不大于所述设定偏差,所述监测结果为电机能耗正常。
本申请的技术方案具有以下有益技术效果:
本申请实施例提供的上述基于人工智能的电机能耗监测方法,首先采集上一次检修过程结束至当前时刻之间监测电机在每个时刻的负载大小和负载类型,得到监测电机的运行状态序列;将上一次检修过程结束时监测电机的健康状态作为起始健康程度,时间预测网络可根据起始健康程度和运行状态序列准确预测当前时刻的监测电机的实时健康程度,避免检修过程对实时健康程度的影响;进一步地,将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值;根据能耗预测值和实时采集的实际能耗可准确得到每一时刻监测电机的监测结果。
进一步地,当监测结果为电机能耗异常时,可通知维修人员进行及时检修。
进一步地,获取上一次检修过程结束时监测电机的健康状态的过程中,首选对历史检修过程的运行向量进行密度聚类,得到多个聚类簇,一个聚类簇中包括多个运行向量,且一个运行向量对应一个健康程度增量;将一个聚类簇中所有运行向量的健康程度增量的平均值作为所述聚类簇的健康程度平均增量;基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度,避免了检修人员技术水平和经验的差异带来的误差,得到上一次检修过程结束时监测电机准确的健康程度,进而确保电机能耗监测结果的准确性。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于人工智能的电机能耗监测方法的流程图;
图2是根据本申请实施例的时间预测网络的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
应当理解,当本申请使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请提供了一种基于人工智能的电机能耗监测方法。请参见图1所示,是根据本申请实施例的基于人工智能的电机能耗监测方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
S11,获取监测电机的运行状态序列,所述运行状态序列包括上一次检修过程结束至当前时刻之间所述监测电机在每个时刻的负载大小和负载类型。
在一个实施例中,监测电机为任意一个需要进行能耗监测的电机。在监测电机工作过程中,随着监测电机的使用时间增加,监测电机会出现磨损等情况使得健康程度下降,故需要对监测电机进行定期或不定期的检修,检修之后会大幅度改善监测电机的健康程度。也就是说,在每次检修之后,监测电机的健康程度会出现大幅度波动,且健康程度会影响电机能耗;为了能够准确预测当前时刻监测电机的实时健康程度,本申请实施例中采集上一次检修过程结束至当前时刻之间监测电机在每个时刻的负载大小和负载类型,用于后续步骤中预测上一次检修过程结束后任意时刻监测电机的健康程度。
其中,所述负载大小为监测电机上所承担的载荷;所述负载类型包括恒定负载、变速负载、冲击负载和不均匀负载;相同负载大小下,不同负载类型对应的电机能耗不同。具体地,恒定负载为大小保持不变的负载,变速负载为电机在工作过程中需要改变运行速度以适应不同的工作要求的负载类型,冲击负载为电机在启动或停止的瞬间承受到短暂但较大的负载,不均匀负载为电机轴上不均匀分布的负载。
如此,获取监测电机的运行状态序列,依据运行状态序列可获得上一次检修过程结束后监测电机的启停频率,运行总时长以及在不同负载类型下的运行时长,即运行状态序列可反映一次检修过程结束后监测电机的运行情况。
S12,获取上一次检修过程结束时所述监测电机的健康程度。
在一个实施例中,由于每次检修结束后监测电机的健康程度会出现大幅度的变化,为准确预测当前时刻监测电机的实时健康程度,需要获取上一次检修过程结束时监测电机的健康程度。
具体地,检修人员在检修结束后,由检修人员对监测电机进行人工质检,质检结果即为检修结束时监测电机的健康程度;如此即可得到上一次检修过程结束时所述监测电机的健康程度。
在另一个实施例中,由于检修人员技术水平和经验的差异,直接将人工质检的质检结果作为上一次检修过程结束时监测电机的健康程度,会引入误差,进而导致监测电机的实时健康程度存在误差,降低监测结果的准确率,因此,对历史数据进行聚类分析,以得到上一次检修过程结束时监测电机准确的健康程度。具体描述如下,所述获取上一次检修过程结束时所述监测电机的健康程度包括:对于一个电机的任意一次历史检修过程,采集所述历史检修过程的电机运行样本序列,并将电机运行样本序列输入第一时序编码器以获取所述历史检修过程的运行向量,所述电机运行样本序列包括所述历史检修过程上一次相邻历史检修过程结束至所述历史检修过程开始之间所述电机在每个时刻的负载大小和负载类型;将所述历史检修过程结束时电机的健康程度减去所述历史检修过程开始时电机的健康程度,得到所述历史检修过程中电机的健康程度增量;获取多次历史检修过程的运行向量以及每个运行向量对应的健康程度增量;对所有运行向量进行密度聚类以获取多个聚类簇,一个聚类簇包括多个运行向量;在一个聚类簇中,计算所有运行向量的均值得到所述聚类簇的聚类中心,并将所有运行向量对应的健康程度增量的平均值作为所述聚类簇的健康程度平均增量;基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度。
需要说明的是,在获取上一次检修过程结束时所述监测电机的健康程度的过程中,需采集一个电机的任意一次历史检修过程的运行向量和健康程度增量,为了保证采集足够多的运行向量和健康程度增量,只需限定所述一个电机的型号与监测电机相同即可。
其中,第一时序编码器为LSTM或RNN,用于对电机运行样本序列进行时序特征提取,得到电机运行样本序列对应的运行向量,运行向量的尺寸为A行1列,其中A的取值与第一时序编码器的结构有关;密度聚类为DBSCAN算法或HDBSCAN算法。
在一个实施例中,所述基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度包括:获取上一次检修过程的电机运行样本序列并输入所述第一时序编码器,得到上一次检修过程的运行向量;计算上一次检修过程的运行向量与每个聚类中心之间的相似度;基于所述相似度和每个聚类簇的健康程度平均增量计算上一次检修过程结束时所述监测电机的健康程度,所述上一次检修过程结束时所述监测电机的健康程度满足关系式:
其中,为所有聚类簇的数量,/>为第/>个聚类簇的聚类中心,/>为第/>个聚类簇的健康程度平均增量,/>为上一次检修过程的运行向量,/>为/>与/>之间的相似度,/>为上一次检修过程的运行向量与所有聚类中心之间的相似度之和,/>为上一次检修过程结束时所述监测电机的健康程度。
可以理解地,结合示例详细说明获取上一次检修过程的运行向量的过程。截止当前时刻监测电机共经历3次检修过程,依次记为,则对当前时刻而言上一次检修过程对应第三次检修过程/>;第二次检修过程/>结束至第三次检修过程/>开始之间监测电机在每个时刻的负载大小和负载类型构成了上一次检修过程的电机运行样本序列,并将其输入第一时序编码器,即可获取上一次检修过程的运行向量。
如此,获取上一次检修过程结束时所述监测电机的健康程度,并将上一次检修过程结束时所述监测电机的健康程度作为起始健康程度,用于后续过程中确定监测电机的实时健康程度,避免检修过程对监测电机实时健康程度的影响。
S13,将所述运行状态序列和起始健康程度输入时间预测网络,输出当前时刻所述监测电机的实时健康程度,所述起始健康程度为上一次检修过程结束时所述监测电机的健康程度。
在一个实施例中,所述时间预测网络的输入为运行状态序列和起始健康程度,输出为监测电机在当前时刻的实时健康程度。其中,起始健康程度为上一次检修过程结束时监测电机的健康程度,运行状态序列可反映上一次检修过程结束之后监测电机的运行情况,时间预测网络可在起始健康程度的基础上,结合运行状态序列得到监测电机在当前时刻的实时健康程度。
其中,请参见图2,是根据本申请实施例的时间预测网络的示意图。所述时间预测网络包括第二时序编码器21、拼接层22和输出层23;第二时序编码器21用于对运行状态序列进行特征提取,得到运行状态向量;拼接层22用于拼接所述运行状态向量和所述起始健康程度以获取输入向量;输出层23用于对所述输入向量进行维度变换,以输出所述监测电机的实时健康程度。其中,第二时序编码器21为LSTM或RNN,输出层23为全连接神经网络,所述第二时序编码器21与所述第一时序编码器相同或不同。
在一个实施例中,为了使时间预测网络能够输出准确的实时健康程度,需要对时间预测网络进行训练。具体地,时间预测网络的训练方法包括:采集任意一个历史时刻的运行状态序列样本和实际能耗,并获取所述历史时刻上一次历史检修过程结束时监测电机的健康程度作为起始健康程度样本,得到一组第一训练样本,其中所述运行状态序列样本包括上一次历史检修过程结束至所述历史时刻监测电机在每个时刻的负载大小和负载类型;将第一训练样本中所述起始健康程度样本和所述运行状态序列样本输入时间预测网络,得到输出结果;基于所述输出结果和所述第一训练样本中的实际能耗计算均方差损失函数值;利用梯度下降法更新所述时间预测网络,完成一次训练;不断获取第一训练样本,迭代地训练所述时间预测网络,直至所述均方差损失函数值小于设定值时,得到训练完毕的时间预测网络。
其中,设定值的取值为0.001。
示例性地,对于一个历史时刻,历史时刻/>上一次历史检修过程结束的时刻为,其中/>为上一次历史检修过程结束至历史时刻/>的时间段,采集时间段/>内监测电机在每个时刻的负载大小和负载类型得到运行状态序列样本,将上一次历史检修过程结束时监测电机的健康程度作为起始健康程度样本,并采集历史时刻/>的实际能耗,则运行状态序列样本、起始健康程度样本和实际能耗构成一组训练样本。
如此,训练完毕的时间预测网络能够准确预测当前时刻监测电机的实时健康程度,进而保证当前时刻能耗预测值的准确性。
S14,将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值。
在一个实施例中,电机温度会影响电机能耗的大小,故采集当前时刻监测电机的实时温度、实时负载类型和实时负载大小,将实时温度、实时负载类型和实时负载大小以及实时健康程度一并输入BP神经网络,输出当前时刻的能耗预测值。
其中,为了使得BP神经网络输出准确的能耗预测值,需要对BP神经网络进行训练。具体描述如下,所述BP神经网络的训练方法包括:在任意一个历史时刻,采集所述历史时刻监测电机的实时温度、实时负载类型、实时负载大小、实时健康程度以及实际能耗,得到一组第二训练样本;将第二训练样本中的实时温度、实时负载类型、实时负载大小和实时健康程度输入BP神经网络,得到输出结果,并计算所述输出结果与实际能耗之间的均方差损失函数值;利用梯度下降法更新所述BP神经网络,完成一次训练;不断获取第二训练样本,迭代地训练所述BP神经网络,直至输出结果与实际能耗之间的均方差损失函数值小于设定值时,得到训练完毕的BP神经网络。其中,设定值的取值为0.001。
如此,训练完毕的BP神经网络能够学习到实时温度、实时负载类型、实时负载大小、实时健康程度四个输入信息与当前时刻的能耗预测值之间的映射关系,借助BP神经网络可准确预测当前时刻的能耗预测值。
S15,基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果。
在一个实施例中,基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果包括:计算当前时刻所述监测电机的能耗预测值和实际能耗之间差值的绝对值,得到能耗偏差;响应于所述能耗偏差大于设定偏差,所述监测结果为电机能耗异常;响应于所述能耗偏差不大于所述设定偏差,所述监测结果为电机能耗正常。其中,所述设定偏差为1。
如此,可得到每一时刻监测电机的监测结果,当监测结果为电机能耗异常时,通知维修人员进行及时检修。
本申请实施例提供的上述基于人工智能的电机能耗监测方法,首先采集上一次检修过程结束至当前时刻之间监测电机在每个时刻的负载大小和负载类型,得到监测电机的运行状态序列;将上一次检修过程结束时监测电机的健康状态作为起始健康程度,时间预测网络可根据起始健康程度和运行状态序列准确预测当前时刻的监测电机的实时健康程度,避免检修过程对实时健康程度的影响;进一步地,将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值;根据能耗预测值和实时采集的实际能耗可准确得到每一时刻监测电机的监测结果,当监测结果为电机能耗异常时,通知维修人员进行及时检修。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (8)
1.一种基于人工智能的电机能耗监测方法,其特征在于,包括:
获取监测电机的运行状态序列,所述运行状态序列包括上一次检修过程结束至当前时刻之间所述监测电机在每个时刻的负载大小和负载类型;
获取上一次检修过程结束时所述监测电机的健康程度;
将所述运行状态序列和起始健康程度输入时间预测网络,输出当前时刻所述监测电机的实时健康程度,所述起始健康程度为上一次检修过程结束时所述监测电机的健康程度;
将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络,输出当前时刻的能耗预测值;
基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果。
2.如权利要求1所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述负载类型包括恒定负载、变速负载、冲击负载和不均匀负载。
3.如权利要求1所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述获取上一次检修过程结束时所述监测电机的健康程度包括:
对于一个电机的任意一次历史检修过程,采集所述历史检修过程的电机运行样本序列,并将所述电机运行样本序列输入第一时序编码器以获取所述历史检修过程的运行向量,所述电机运行样本序列包括所述历史检修过程上一次相邻历史检修过程结束至所述历史检修过程开始之间所述电机在每个时刻的负载大小和负载类型;
将所述历史检修过程结束时电机的健康程度减去所述历史检修过程开始时电机的健康程度,得到所述历史检修过程中电机的健康程度增量;
获取多次历史检修过程的运行向量以及每个运行向量对应的健康程度增量;
对所有运行向量进行密度聚类以获取多个聚类簇,一个聚类簇包括多个运行向量;
在一个聚类簇中,计算所有运行向量的均值得到所述聚类簇的聚类中心,并将所有运行向量对应的健康程度增量的平均值作为所述聚类簇的健康程度平均增量;
基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度。
4.如权利要求3所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述基于每个聚类簇的聚类中心和健康程度平均增量,以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度包括:
获取上一次检修过程的电机运行样本序列并输入所述第一时序编码器,得到上一次检修过程的运行向量;
计算上一次检修过程的运行向量与每个聚类中心之间的相似度;
基于所述相似度和每个聚类簇的健康程度平均增量计算上一次检修过程结束时所述监测电机的健康程度,所述上一次检修过程结束时所述监测电机的健康程度满足关系式:
其中,为所有聚类簇的数量,/>为第/>个聚类簇的聚类中心,/>为第/>个聚类簇的健康程度平均增量,/>为上一次检修过程的运行向量,/>为/>与/>之间的相似度,/>为上一次检修过程的运行向量与所有聚类中心之间的相似度之和,/>为上一次检修过程结束时所述监测电机的健康程度。
5.如权利要求1所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述时间预测网络包括第二时序编码器、拼接层和输出层;所述第二时序编码器用于对运行状态序列进行特征提取,得到运行状态向量;所述拼接层用于拼接所述运行状态向量和所述起始健康程度以获取输入向量;所述输出层用于对所述输入向量进行维度变换,以输出所述监测电机的实时健康程度。
6.如权利要求5所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述时间预测网络的训练方法包括:
采集任意一个历史时刻的运行状态序列样本和实际能耗,并获取所述历史时刻上一次历史检修过程结束时监测电机的健康程度作为起始健康程度样本,得到一组第一训练样本,其中所述运行状态序列样本包括上一次历史检修过程结束至所述历史时刻监测电机在每个时刻的负载大小和负载类型;
将第一训练样本中所述起始健康程度样本和所述运行状态序列样本输入时间预测网络,得到输出结果;
基于所述输出结果和所述第一训练样本中的实际能耗计算均方差损失函数值;
利用梯度下降法更新所述时间预测网络,完成一次训练;
不断获取第一训练样本,迭代地训练所述时间预测网络,直至所述均方差损失函数值小于设定值时,得到训练完毕的时间预测网络。
7.如权利要求1所述的一种基于人工智能的电机能耗监测方法,其特征在于,所述BP神经网络的训练方法包括:
在任意一个历史时刻,采集所述历史时刻监测电机的实时温度、实时负载类型、实时负载大小、实时健康程度以及实际能耗,得到一组第二训练样本;
将第二训练样本中的实时温度、实时负载类型、实时负载大小和实时健康程度输入BP神经网络,得到输出结果,并计算所述输出结果与实际能耗之间的均方差损失函数值;
利用梯度下降法更新所述BP神经网络,完成一次训练;
不断获取第二训练样本,迭代地训练所述BP神经网络,直至输出结果与实际能耗之间的均方差损失函数值小于设定值时,得到训练完毕的BP神经网络。
8.如权利要求1所述的一种基于人工智能的电机能耗监测方法,其特征在于,基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果包括:
计算当前时刻所述监测电机的能耗预测值和实际能耗之间差值的绝对值,得到能耗偏差;
响应于所述能耗偏差大于设定偏差,所述监测结果为电机能耗异常;
响应于所述能耗偏差不大于所述设定偏差,所述监测结果为电机能耗正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311768954.2A CN117436848B (zh) | 2023-12-21 | 2023-12-21 | 基于人工智能的电机能耗监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311768954.2A CN117436848B (zh) | 2023-12-21 | 2023-12-21 | 基于人工智能的电机能耗监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436848A true CN117436848A (zh) | 2024-01-23 |
CN117436848B CN117436848B (zh) | 2024-03-08 |
Family
ID=89558732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311768954.2A Active CN117436848B (zh) | 2023-12-21 | 2023-12-21 | 基于人工智能的电机能耗监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436848B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070210582A1 (en) * | 2005-08-30 | 2007-09-13 | Caterpillar Inc. | Machine with an electrical system |
WO2009039500A1 (en) * | 2007-09-20 | 2009-03-26 | Sterling Planet, Inc. | Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm |
US20150100295A1 (en) * | 2013-10-09 | 2015-04-09 | Fujitsu Limited | Time series forecasting ensemble |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
WO2020165509A1 (fr) * | 2019-02-15 | 2020-08-20 | Hutchinson | Système de gestion d´énergie électrique |
WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN115562940A (zh) * | 2022-09-29 | 2023-01-03 | 中国电信股份有限公司 | 负载能耗监控方法、装置、介质及电子设备 |
CN116233984A (zh) * | 2023-03-15 | 2023-06-06 | 河南省通信工程局有限责任公司 | 一种基站的节能控制方法、装置、电子设备及存储介质 |
US20230236563A1 (en) * | 2020-10-05 | 2023-07-27 | Abb Schweiz Ag | Method for Evaluating an Energy Efficiency of a Site |
CN116529740A (zh) * | 2020-11-27 | 2023-08-01 | 日立能源瑞士股份公司 | 使用机器学习对电气设备的负载预报 |
CN116887569A (zh) * | 2023-07-06 | 2023-10-13 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、***及存储介质 |
CN117233598A (zh) * | 2023-06-28 | 2023-12-15 | 广州明珞装备股份有限公司 | 电机健康状态预测方法、装置、计算机设备、存储介质 |
CN117251754A (zh) * | 2023-08-04 | 2023-12-19 | 国网辽宁省电力有限公司经济技术研究院 | 一种计及动态时间包装的cnn-gru能耗预测方法 |
-
2023
- 2023-12-21 CN CN202311768954.2A patent/CN117436848B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070210582A1 (en) * | 2005-08-30 | 2007-09-13 | Caterpillar Inc. | Machine with an electrical system |
WO2009039500A1 (en) * | 2007-09-20 | 2009-03-26 | Sterling Planet, Inc. | Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm |
US20150100295A1 (en) * | 2013-10-09 | 2015-04-09 | Fujitsu Limited | Time series forecasting ensemble |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
WO2020165509A1 (fr) * | 2019-02-15 | 2020-08-20 | Hutchinson | Système de gestion d´énergie électrique |
WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
US20230236563A1 (en) * | 2020-10-05 | 2023-07-27 | Abb Schweiz Ag | Method for Evaluating an Energy Efficiency of a Site |
CN116529740A (zh) * | 2020-11-27 | 2023-08-01 | 日立能源瑞士股份公司 | 使用机器学习对电气设备的负载预报 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN115562940A (zh) * | 2022-09-29 | 2023-01-03 | 中国电信股份有限公司 | 负载能耗监控方法、装置、介质及电子设备 |
CN116233984A (zh) * | 2023-03-15 | 2023-06-06 | 河南省通信工程局有限责任公司 | 一种基站的节能控制方法、装置、电子设备及存储介质 |
CN117233598A (zh) * | 2023-06-28 | 2023-12-15 | 广州明珞装备股份有限公司 | 电机健康状态预测方法、装置、计算机设备、存储介质 |
CN116887569A (zh) * | 2023-07-06 | 2023-10-13 | 广州至为信息科技有限公司 | 一种数据中心能耗预测和节能调节方法、***及存储介质 |
CN117251754A (zh) * | 2023-08-04 | 2023-12-19 | 国网辽宁省电力有限公司经济技术研究院 | 一种计及动态时间包装的cnn-gru能耗预测方法 |
Non-Patent Citations (1)
Title |
---|
杜冠洲;韦古强;高正平;: "基于BP神经网络的公用建筑电力能耗预测研究", 工程经济, no. 06, 20 June 2017 (2017-06-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117436848B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN112067916A (zh) | 基于深度学习的时间序列数据智能故障诊断方法 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及*** | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN113325721B (zh) | 一种工业***无模型自适应控制方法及*** | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
CN113567159B (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN113076834A (zh) | 旋转机械故障信息处理方法、处理***、处理终端、介质 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及*** | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
CN117436848B (zh) | 基于人工智能的电机能耗监测方法 | |
Liu et al. | A novel health prognosis method for system based on improved degenerated Hidden Markov model | |
CN113240099A (zh) | 基于lstm的旋转机械健康状态的预测方法和装置 | |
CN117829318A (zh) | 一种基于大模型算法的数字孪生*** | |
Akcan et al. | A new approach for remaining useful life prediction of bearings using 1D-ternary patterns with LSTM | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
CN113408591A (zh) | 基于智能仪表的过程趋势分析预测方法 | |
CN114021855A (zh) | 一种基于历史数据的牵引电机温升预测方法 | |
KR20220144707A (ko) | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN117555309B (zh) | 多路开关控制优化方法及*** |
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 |