基于机器学习的电机监测系统的制作方法

本发明涉及一种基于机器学习的电机监测系统，主要应用于工业上设备的故障检测、精确诊断及预测性维护。

背景技术

随着现代化工业的发展以及“信息化”和“工业化”的不断融合，工业设备能否安全可靠的以最佳的状态运行，对于确保产品质量、提高生产能力、保障生产安全方面都有十分重要的意义^[1][2]。制造业设备的故障是指设备在规定时间内、规定条件下丧失规定功能的状况，通常这种故障是从某一零部件的失效引起的^[3]。

而随着现代设备结构复杂化，其在工业生产中产生的影响和作用也越来越大，设备的损坏需要花费大量的人力排查，设备的停机或失效都会带来严重的损失^[4]。

上世纪九十年代有研究表明，电动机占用了全世界发电量的60％～70％。而在工业制造和生产中，电机的使用同样占有如此大的比重，各种机械设备的运行都离不开电机，电机故障则会直接影响到设备的运行和生产。

三相异步电机的数学动态模型是一个多变量、非线性、强耦合和高阶的系统，涉及的专业领域问题困难且难于理解。根据相关文献阐述，根据电机的数学模型，可以对将要进行检测的电机进行模拟，同时使相同的电压通过电机和电机模型，通过比较二者之间的区别来进行故障的检测和诊断。但是这种方法的问题是，需要专业知识对电机进行建模，模拟其中的电磁感应，此种方法建模过程复杂并不能被大多数人使用。

电机电流特征分析、振动分析等则使用电机的定子电流、振动频率等，将其获取的数据直接或者通过快速傅里叶变换、小波变换等数学方法进行故障特征的提取，将其操作后的波形等与健康的电机进行比对，从而得出故障的原因。而这种方法同样需要专业知识，需要看懂波形或图形比对所指向的故障^[6]。且上述方法中，多是对电机的运行状态加以限制，在确定的状态下对电机的情况加以判断。

上述背景技术中，电机数学模型高阶且复杂，且实际生产中缺乏对电机故障精确定位。

技术实现要素：

本发明提供一种基于机器学习的电机运行模式自学习动态模型构建方法，给出电机监测的系统体系结构，并着重提出一种基于机器学习的电机运行模式自学习动态模型，给出动态模型构建方法和应用。其目的是能够实现工厂对电机设备故障的准确定位，并通过判断电机的运行模式为完善电机的故障诊断和预测等技术提供支撑。

本发明的目的采用如下技术方案实现：

一种基于机器学习的电机监测系统，其特征在于，包括数据获取层、数据传输层、工业云平台和应用层四个层次，其中：

所述的数据获取层主要为进行数据采集的物理设备，包括电压传感器、电流传感器、振动传感器和温度传感器；

所述的数据传输层采用以太网或wi-fi进行数据传输，并通过网关将数据上传到工业云平台；

所述的工业云平台由物理资源层、资源管理层、服务层和数据处理层四个部分组成，其中物理资源层包括计算单元、网络设备和储存设备；资源管理层包括接入控制、数据安全和网络安全；服务层包括基础设施服务模块以及检测、诊断、预测等软件服务模块，及用户接口；数据处理层包括机器学习引擎和预测分析工具，其中机器学习引擎包括构建自学习动态模型和储存、模型库、机器学习算法；

所述的应用层包括设备监测、故障诊断、故障预测、生命周期预测。

所述的机器学习引擎中的构建自学习动态模型的方法包括以下步骤：

(1)由电机监测系统的体系架构提供的传感器获取电机三相定子电压和三相定子电流数据，根据获取得数据计算电机物理参数。

(2)对步骤(1)中计算的电机物理参数进行归一化处理，成为电机运行模式自学习动态模型构建的输入参数。

(3)无监督的自学习阶段：构建sofm(self-organizingfeaturemapping,自组织特征映射)神经网络，将归一化的参数输入神经网络进行训练，标识电机运行模式，时间设置为m天。

(4)有监督的改进阶段：在步骤(3)后，继续对采集到的数据进行归一化，输入到自组织映射神经网络，当此时的数据不属于已标识的电机运行模式，就保存之前的数据然后重新进行t分钟的自学习，时间为n天。

本发明的优点是：实时获取电机的数据并处理；生成电机运行模式自学习动态模型，为完善电机的故障诊断和预测等技术提供支撑；系统结构可扩展，实现多设备监控和设备精准监测。

附图说明

图1是本发明的电机监测系统架构示意图；

图2是本发明电机监测系统中数据处理层的具体结构图；

图3是本发明自学习动态模型的构建方法的流程图；

图4是本发明自学习动态模型学习时间分布图；

图5是本发明自组织特征映射神经网络结构图；

图6是本发明自组织特征映射算法流程图。

具体实施方式

下面结合附图对本发明的技术方案的内容、步骤及应用进一步详细说明。

参见图1，本发明的电机监测的系统架构包括：数据收集层、数据传输层、工业云平台和应用层，其中：

数据收集层主要为进行数据采集的物理设备，包括电压传感器、电流传感器、震动传感器、温度传感器等。

数据传输层主要采用以太网或wi-fi进行数据传输，并通过网关将数据上传到工业云平台。

工业云平台则由物理资源层、资源管理层、服务层和数据处理层四个部分组成，其中物理资源层包括计算单元、网络设备和储存设备；资源管理层包括接入控制装置和数据安全装置；服务层包括基础设施服务和检测、诊断、预测等软件服务模块，以及上述基础设施服务模块和软件服务模块的用户接口，其中基础设施指存储设备、服务器等，基础设施服务如为公司提供私有云服务。；数据处理层包括数据预处理单元、数据存储单元、机器学习引擎和预测分析工具，其中机器学习引擎包括自学习动态模型的构建和储存、模型库、数据仓库和机器学习算法库。

应用层则列举出了可能的应用，如设备监测、故障诊断、故障预测、生命周期预测等应用。

参见图2，本发明中数据处理层中的详细结构包括：数据预处理(包括数据清理、集成和变换)、机器学习引擎(包括机器学习算法库和构建自学习动态模型)、存储单元(包括模型库和数据仓库)和预测分析工具。

数据处理层主要的几个部分介绍如下：

数据预处理层：数据预处理层将数据收集层的传感器通过数据传输层上传的数据进行清理和集成，如去除噪声数据，并根据需要对数据进行一定的计算和整合，具体计算和整合方法参见说明书步骤1。将其存储在数据仓库中，保留历史数据。

将数据预处理层处理后的数据送入机器学习引擎，构建自学习动态模型，将构建好的模型存储在存储单元的模型库中。

预测分析工具则是采用构建好的自学习动态模型或者算法，对后续监测的电机数据进行预测和分析。

本发明系统最重要的组成部分为上述介绍的数据处理层中的构建自学习动态模型。

下面结合具体分析对其进行进一步描述。

参见图3，所述的自学习动态模型的构建方法包括以下具体步骤：

步骤1：由数据收集层的各传感器获取电机三相定子电压和三相定子电流数据，通过数据传输层的wi-fi或者以太网及网关将数据传输到工业云平台的数据处理层，在数据处理层的数据预处理阶段计算有关物理参数。

采用传感器获取三相电机的三相电压和电流的数据，定义采样频率为：fs＝nhz，每秒单相采集n个数据，n≥400，将一分钟数据存储在一个.txt文件中，每分钟为一个计算循环。

由于电机旋转方向改变最快时间可以达到0.2s、起动状态一般持续时间为5～10s，基于工业设备的状态持续时间和具体的状态变化时间参考定义参数计算标准为每秒计算一次，每分钟为一个计算循环。

选取构建神经网络的参数有每分钟的平均线电压u、平均线电流i、功率因数效率η、频率f和电机旋转方向o。参见图6所示的本实施例图3中无监督自学习阶段和改进阶段的具体算法流程图。

对每分钟采集的数据进行计算，得出每秒相对应的参数，形成输入数据。其中经过计算得到的电机旋转方向，定义标记为：o为0则为电机正转，o为1则为电机反转。

步骤2：定义训练样本，对步骤1中计算的相关物理参数进行归一化处理：

定义输入参数

上式中，ui，ii，ηi，fi，oi分别为所述每秒输入参数的对应值。

对输入参数进行frobenius范数归一化处理，归一化公式为：

使用上述公式对向量中每一列数据归一化，形成输入参数向量。

定义归一化的输入参数为：

上式中，u′i，i′i，η′i，f′i，o′i分别为每分钟归一化后的参数对应值；x′i为归一化后的输入训练数据。

由此得到，一段时间tmin的训练样本数据集合为：

x＝{x′i|1≤i≤t}

定义训练样本为：

步骤3：无监督自学习阶段：

无监督自学习阶段包括以下几个大步骤：

1.初始化阶段，初始化自组织特征映射神经网络。确定训练时间、迭代次数等参数。

2.寻找bmu(bestmatchingunit，最佳匹配单元)。

3.计算bmu的邻域半径。

4.更新最佳匹配单元及其邻域。

5.重复执行2-4至时间达到m天。

下面详细叙述无监督学习阶段的具体流程：

自学习步骤1：

进一步的，基于归一化的数据训练样本，进行无监督训练过程持续时间为m天，训练自组织特征映射神经网络，自组织特征映射神经网络结构如图5所示。

设置学习率α，本方法所述学习率最小为0.01。

设置最大迭代次数max_iter。

定义竞争层的权值矩阵为weight，其神经元数目为r*c，r(row)和c(column)为可以修改的神经元矩阵的行数和列数。

设置更新邻域r，初始化的邻域半径r0为min(r，c)。

随机初始化weight神经节点，神经节点内参数值为0～1的随机数。

对于每个输入训练数据，遍历weight内的神经节点，所述根据欧式距离进行计算训练数据和weight内节点的距离，设置为dis，找出与输入数据距离最小的神经元。

设weight内神经元节点为：

初始化(frobenius范数归一化)之后的得到：

由此得到map内神经元集合为：w＝{w′j，k|1≤j≤w，1≤k≤h}

则有：

通过上面的叙述，按上面步骤已经定义好自组织特征映射神经网络构建的输入层和竞争层。

自学习步骤2：

从输入向量中，每次取出一个训练数据，与竞争层权值矩阵比较，根据欧式距离计算训练数据和权值矩阵节点的相似度，找出bmu(bestmatchingunit，最佳匹配单元)，bmu在本描述中记作w′bmu。而在距离计算中，具有最高相似度的则为距离最小的节点。

在本叙述中，采用向量化的方式，计算相似度公式如下：

欧式距离：

自学习步骤3：

定义当前迭代次数iter。

计算bmu的邻域半径，保存bmu的节点信息到集合b中。且随着迭代次数的增加，邻域变小。注：b＝{w′bmu，rbmu}。保持集合b的更新。

设置邻域变化步长为lambda，初始化lambda＝max_iter/log(r0)；

计算邻域半径：

更新学习率α：

自学习步骤4：

调整邻域半径内的节点权重。

w′bmu(r)＝w′bmu+α*(x′i-w′bmu)；r≤0

其中disbmu为bmu与邻域节点之间的距离。

迭代执行步骤3和步骤4，直至达到最大迭代次数。

自学习步骤5：

回到自学习步骤1，重复执行自学习步骤2-4，m天后结束无监督的自学习阶段，同时将训练好的电机运行状态的自学习模型(即训练好的自组织神经网络)和优胜节点集合b保存，同时也保存到模型库中。

步骤4：有监督改进阶段：

改进步骤1：持续对获取到的电流电压信息进行物理参数计算和归一化，即重复步骤a)；

改进步骤2：将归一化的输入参数，使其输入到训练好的模型中，使其与优胜节点集合b中的优胜节点分别计算相似度。如果该输入参数不在任何一个优胜节点的邻域半径内，则该输入参数所代表的电机现在的运行状态不属于任何一种已出现过的状态，则保存之前的数据，然后重复进行自学习步骤1-4，重复时间为tmin；如果不出现异常情况，则继续改进步骤3。

改进步骤3：回到改进步骤1，重复执行改进步骤1-2，n天后结束有监督的改进阶段。同时保存训练好的模型到模型库中。上述实施例中的m+n＝10天，其取值范围可根据具体实际情况调整，本实施例给出范围如图4所示。