[发明专利]基于语义推理与深度极限学习机的电机状态监测方法

说明书

本发明请求保护一种基于语义推理与深度极限学习机的电机状态监测方法，属于电机状态监测领域。其包括以下步骤：收集电机相关传感数据，其中包括温度、电流、振动信号，利用快速傅里叶算法进行数据预处理；并将预处理后的数据语义信息化；利用极限学习机ELM与自动编码器AE相结合，形成极限学习机‑自动编码器ELM‑AE，通过叠加ELM‑AE形成深度极限学习，再利用松鼠搜索算法SSA对深度极限学习机进行参数寻优；综合利用温度、电流、振动信号训练模型对电机状态进行正确分类；在多个电机设备下利用语义技术构建电机状态本体知识库，使用语义规则推理来判断电机的状态，实现对电机状态的监测、预警以及电机设备操作的信息管理，实现对电机状态监测。

技术领域

本发明属于电机状态监测领域，具体属于基于语义推理与深度极限学习机的电机状态监测方法。

背景技术

在工业生产中，电机的稳定运行是高效生产的关键。它的健康状态将影响整条生产线的产能。电机发生的任何小故障，如果不及时处理，都将导致电机完全故障甚至损坏。因此对电机的状态监测，协助维护是工业生产生活的必不可缺的环节。

传统的电机状态监测主要靠专业技术人员现场观测与检查，对工作人员的技术和经验有着较强的依赖且耗费人力物力。随着生产设备的智能化，人力的局限性越加明显。智能化监测手段更提高对设备监测的通用性和扩展性，从而弥补人力不足。随着计算机网络技术、物联网和语义等技术的发展，通过计算机实现数学建模的能力得到高效提升，状态监测克服了以往对电机状态进行实时维护的困难。此外，状态监测将不仅提供有关电机状态和性能的信息，而且还提供所需维护的类型。状态监测在预测设备健康状况、优化设备性能、降低维护成本等方面具有重要意义。

现有的智能监测方法中有通过处理振动信号以及转动信号并设定正常状态的阈值来判断电机是否处于正常工作状态，是电机状态监测中普遍使用的方法。但该方法也存在着鲁棒性较低，且故障判断条件单一，因为电机的异常状态中还有多种因素引起故障，例如：温度、润滑油以及电流电压等也是影响因素之一。因此根据多个维度的数据，利用人工智能建模，设计新的方法，减少事故发生，提高故障监测的鲁棒性以及诊断速率是有必要的。

对于电机状态检测一般可分为基于模型的状态检测、基于信号的状态检测、基于知识的状态检测、混合状态检测和主动状态检测等。混合状态检测是一种以上技术方法的集成或组合。主动状态检测是通过在测试区间内注入适当设计的输入信号，提高潜在故障的可检测性，从而快速准确地将故障模式与正常模式区分开。对于基于模型的状态检测方法，设计人员可以使用系统模型来明确描述系统变量之间的关系。基于该模型，可设计并实现状态检测方法，实现对系统的实时监控和诊断。对于基于信号的状态检测方法，系统处于健康状态下的信号模式是先验的，通过时域、频域或时、频信号处理技术提取实时的信号症状，检查已知的健康信号模式与两者之间的一致性来进行状态判断。对于复杂的工业过程，可以获得大量的历史数据，而不是模型或信号模式。利用各种人工智能技术和可用的历史数据，可以提取隐含代表系统变量依赖关系的底层知识。通过检查所获得的底层知识与从在线监控数据中提取的实时系统特征的一致性来进行状态监测。

CN112393934A，一种基于稀疏自编码深度神经网络与极限学习机相结合的风力发电系统故障检测方法。包括两个阶段：第一阶段训练稀疏自编码神经网络，作为特征提取器；第二阶段利用极限学习机进行分类。具体有以下步骤：提取风力发电系统的数据作为稀疏自编码神经网络的输入数据，采用稀疏自编码器输入数据进行特征值提取，得到能高度表达原始数据的特征值；利用极限学习机网络作为分类器，实现对风电系统运行状态进行分类得到故障诊断结果。本发明能对风电机组传感器与执行器的故障进行有效诊断，可提高系统的稳定性，对提高风电场运行经济效益具有重要意义。