[发明专利]基于机器学习的电机监测系统

说明书

一种基于机器学习的电机监测系统，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，该数据获取层主要为进行数据采集的物理设备；该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；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；该应用层包括设备监测、故障诊断、故障预测、生命周期预测。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。

技术领域

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。

发明内容

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；