一种能像系统及其在电机设备故障检测方法中的应用与流程

本发明涉及故障检测方法领域，具体地说是一种电机设备故障检测方法。

背景技术：

感应电机作为电机设备的核心驱动装置，在现代工业中起着至关重要的作用。特别是在大型管道生产等工厂企业，工业机械中的驱动电机对生产自动化至关重要。因此，驱动电机保持正常的运行状态对于生产工作是顺利进行和企业的健康发展是尤为必要和关键的。转子偏心和转子断轴是感应电机的两种主要的常见故障。旋转转子在产生离心力的同时，会产生有害于设备寿命的偏心。而使用寿命有限的转子棒由于过载和维护不当容易产生断裂。一旦发生这些故障，整个生产线将可能发生故障甚至损害，造成巨大的经济损失甚至人员伤亡。据统计，在中国，每年大约有20万台电机发生故障，维修费用超过20亿元。正确及时地对电机的故障进行诊断，在产生较严重的损伤之前及时发现故障并进行检修，是工业生产活动中必不可少的环节。

传统的电机设备故障诊断技术主要是基于侵入式传感器来对设备进行分析。然而许多常见的传统电机设备没有内置数据采集仪器来获取新的诊断数据。如果升级这些机器将是一个非常严重的挑战，因为在机器内部通常没有预留空间来添加侵入式传感器。此外，当设备发生故障时，侵入式传感器也易受到损坏和脱离，而诊断数据的中断上传将导致设备故障诊断系统运行的中断和误判。此外，现有的大多数诊断方法都是根据经验对特征信号进行人工选择分类。当使用不合适的特征信号时，诊断数据不能被充分利用。同时，特别是对于在动态操作环境中操作的不同类型的电机设备，训练分类模型的通用性也和精确性也受到限制。

技术实现要素：

本发明为实现上述目的，采取以下技术方案予以实现：

本发明所述能像系统是指在设备工作运转中，通过对设备的电流、电压、功率及功率因素电能参数的检测和设备的电流波动，可检测分析设备的运行状态，通过对设备一段时间的数据建模，可分析设备整体运行生命周期。所述能像系统能用于因设备故障因素提前预警提醒。

一种能像系统，包括若干台采集设备终端、若干个边缘计算设备和一台云端服务器，所述若干个边缘计算设备中的每一个边缘计算设备都与至少一台采集设备终端通信连接，所述云端服务器与每一台边缘计算设备通信连接，所述采集设备终端用于对目标对象的电能参数进行数据采集并将所述采集的数据传输至边缘计算设备，所述边缘计算设备用于接收和预处理所述采集设备终端传输的数据，并将预处理的数据传输至所述云端服务器。

进一步地，所述电能参数包括电流、电压、功率及功率因数。

进一步地，所述采集设备终端包括测量模块、数据处理模块、数据传输模块，所述测量模块包括述电流测量模块、电压测量模块、功率测量模块和功率因数测量模块，分别用于测量和采集目标对象电流、电压、功率和和功率因数的时序数据，采集数据频率为3秒/次；所述数据处理模块用于将所述测量模块采集到的模拟信号数据转换为数字信号数据；所述数据传输模块具有通过无线或有线网络方式收发数据的功能。

进一步地，所述边缘计算设备包括数据传输模块，数据计算模块；所述数据计算模块对来自所述采集设备终端的数字信号数据进行预处理，并将处理后的数据传输至云端服务器；所述数据传输模块具有通过无线或有线网络方式收发数据的功能。

本发明还包括采用上述能像系统进行电机设备故障检测的方法，所述方法包括以下步骤：

s1：所述采集设备终端与待检测电机设备电连接；

s2：所述采集设备终端采集所述待检测设备的实时电流、电压、功率和功率因数的数字信号数据，并通过网络传输至边缘计算设备；

s3：所述边缘计算设备通过对所述实时电流、电压、功率和功率因数的数字信号数据分别计算实时电流、电压、功率和功率因数的统计学特征，并将计算所得到的数据传输到云端服务器；

s4：通过云端服务器建立基于深度学习算法的设备故障判别模型，用云端服务器所接收的数据训练已建立的所述判别模型；

s5：使用所述判别模型和云端服务器所接收的数据实时对电机设备的运行状态进行判别，当判别结果为电机设备正常运转时，不做后续处理；当判别到电机设备可能存在故障时，向管理者发出故障报警，及时断电停止设备运行并进行后续检修。

进一步地，所述步骤s3统计学特征包括时域特征：均值、方差、变异系数，频域特征：低频功率、高频功率、低高频功率比、总功率，非线性特征：近似熵、模糊熵、样本熵。

进一步地，所述步骤s4深度学习算法具体为：改进稀疏自编码器算法(sae)的设备故障分类算法。

与现有技术相比，本发明具有如下增益效果：

本发明所述能像系统旨在通过设置多个采集设备终端和边缘计算路由器，将运算量大、计算过程复杂、对硬件设备要求高的传统云计算方法替代为运算量小、运算速度快、硬件要求较低的边缘计算方法。同时，对每个电机设备采集多种电能参数，以提高传统方法的准确度，基于不同电机设备单位运行和电能参数特征的多样性和特殊性，以解决由于单一参数的局限性而导致的精确度低的问题。同时采集设备终端具有非侵入式、采集准确、可连接互联网云端等优点。本发明通过采用能像系统和基于深度学习的电机设备故障检测方法能有效提高预测的准确度，准确地预测设备可能发生的潜在故障，达到及早预防、统筹修缮的增益效果。

附图说明

图1是本发明能像系统的结构示意框图；

具体实施方式

下面结合实施例对本发明作进一步的描述，但需要说明的是，实施例并不对本发明要求保护范围的构成限制。

本实施例中，一种能像系统，包括若干台采集设备终端、若干个边缘计算设备、一台云端服务器和若干台电机设备；所述若干个边缘计算设备中的每一个边缘计算设备都与至少一台采集设备终端通过wifi网络连接，其中每一个采集设备终端与一台电机设备电连接；所述云端服务器与每一台边缘计算设备通过wifi网络连接。采用该能像系统和运用深度学习算法的电机设备故障检测方法为：采集设备终端对与之电连接的待检测电机设备的实时电流、电压、功率和功率因数电能参数进行采集，得到电能参数的数字信号，并将数字信号通过wifi网络传输至边缘计算设备，边缘计算设备通过对所接收到的来自与之相连的采集设备终端的数字信号计算每组信号的统计学特征，包括时域特征：均值、方差、变异系数，频域特征：低频功率、高频功率、低高频功率比、总功率，非线性特征：近似熵、模糊熵、样本熵，并将结果通过wifi网络实时地传输到云端服务器。通过云端服务器建立基于改进稀疏自编码器算法(sae)的设备故障分类算法的设备故障判别模型，用云端服务器所接收的数据训练已建立的判别模型，最后使用所述判别模型和云端服务器所接收的数据实时通过对电机设备的运行状态进行判别，当判别结果为设备正常运转时，不做后续处理；当判别到设备可能存在故障时，向管理者发出故障报警，及时断电停止设备运行并进行后续检修。基于改进稀疏自编码器算法(sae)的设备故障分类算法构建和训练深度神经网络包括以下步骤：

s1：构建深层神经网络，包括输入层、隐含层和输出层；对深层神经网络进行初始化设置，包括：设置输入层、隐含层、输出层各层的层数和神经节点数，选择迭代算法为梯度下降算法，并设置迭代算法的代价函数，设置误差限值和最大迭代次数的初始值，设置测试准确度阀值；

所述代价函数公式为式中m为样本容量，角标i表示样本序号,参数θ是根据每层神经节点数随机生成的权值向量，hθ(x⁽ⁱ⁾)表示用参数θ和x预测出来的预测y值，y表示原训练样本的标准y值；

s2：根据所述能像系统采集设备终端采集得到的设备运行电能参数数据，包含设备正常运行和设备不同故障的多个类别，每个类别包含多个不同的样本，把数据样本按照1：1的比例分为训练组和测试组；

s3：将所述训练组数据打上行为类别标签值并送入深度神经网络，计算代价函数j(θ)的数值，通过梯度下降算法不断更新权值向量θ的值，重复迭代直至代价函数j(θ)的值小于步骤s1所述的误差限值或迭代次数达到最大迭代次数，迭代完成；

s4：使用所述测试组数据对步骤s3中得到的深度神经网络进行测试，得出分类正确样本数，计算测试准确度，其计算公式为：测试准确度＝分类正确样本数/总样本数；

s5：如果测试准确度小于所述测试准确度阀值，调整所述误差限值和最大迭代次数，重复步骤s3至s5；否则训练完成。

具体地，步骤s1所述误差限值设置为10^-4，误差限值可以在根据测试结果再进行调整，所述最大迭代次数设置400次，所述测试准确度阀值设置为95％，步骤s2所述设备运行类别包括：正常运行、转子偏心故障和转子断轴故障；

本实施例中，s2所述数据库使用所述能像系统采集设备终端采集得到的设备运行电能参数数据，设定类别属性，将转子断轴和转子偏心定义为设备故障，无转子断轴或转子偏心定义为设备正常运行。构建和初始化深层神经网络，把所上传数据中不同类别样本分为训练组和测试组数据，比例为1:1，代价函数公式为

用训练组数据按上述步骤s3的方法使用对深度神经网络进行训练，当代价函数j(θ)的值小于10^-4或迭代次数达到400次时，迭代完成，深度神经网络学习到这三种设备状态类别；再用测试组数据对深度神经网络进行测试，测试其对此三种设备状态类别识别的准确度，对于测试样本，如果深度神经网络能正确识别出且测试准确度大于等于95％，则训练完成；否则，修改权值向量θ和误差限值，继续按步骤s3进行训练，直至训练完成。本系统中，所述边缘计算设备会定时地将采集到的新设备数据和计算得到的统计学特征上传到云端服务器，供云端服务器通过训练好的深度神经判别网络对设备状态进行实时地检测和判断。如果云端服务器检测到设备可能产生故障，则立即发出警报通知管理者，并及时地给故障设备断电停止设备运行，以便进行后续检修。

综上所述，本发明可以实时地对设备的运行状态和健康状况进行监控，并能准确、迅速地发现设备可能出现的潜在故障，并及时向管理者发出警报，对设备断电，方便进行后续设备检修。同时，采集设备终端具有非侵入式、采集准确、可连接互联网云端等优点。本方法结合云端服务器和边缘计算，同时使用深度神经网络来构建设备故障判别模型能有效提高预测的准确度，准确地预测设备潜在的可能发生的故障，达到及早预防、统筹修缮的增益效果。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。