[發明專利]基于機器學習的電機監測系統

在審

• 申請號: 201810653567.7
• 申請日: 2018-06-22
• 公開（公告）號: CN108960423A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 于忠清;郭璐;董松
• 申請（專利權）人: 青島鵬海軟件有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62;G01R31/34;H04L29/08
• 代理公司: 北京一格知識產權代理事務所(普通合伙) 11316
• 代理人: 滑春生;李魏英

1.一種基于機器學習的電機監測系統，其特征在于，包括數據獲取層、數據傳輸層、工業云平臺和應用層四個層次，其中：

所述的數據獲取層主要為進行數據采集的物理設備，包括電壓傳感器、電流傳感器、震動傳感器和溫度傳感器；

所述的數據傳輸層采用以太網或Wi-Fi進行數據傳輸，并通過網關將數據上傳到工業云平臺；

所述的工業云平臺由物理資源層、資源管理層、服務層和數據處理層四個部分組成，其中物理資源層包括計算單元、網絡設備和儲存設備；資源管理層包括接入控制、數據安全和網絡安全；服務層包括基礎設施服務模塊以及檢測、診斷、預測等軟件服務模塊，及用戶接口；數據處理層包括機器學習引擎和預測分析工具，其中機器學習引擎包括構建自學習動態模型和儲存、模型庫、機器學習算法；

所述的應用層包括設備監測、故障診斷、故障預測、生命周期預測。

2.根據權利要求1所述的基于機器學習的電機監測系統，其特征在于，所述的機器學習引擎中的構建自學習動態模型的方法包括以下步驟：

(1)由電機監測系統的體系架構提供的傳感器獲取電機三相定子電壓和三相定子電流數據，根據獲取得數據計算電機物理參數；

(2)對步驟(1)中計算的電機物理參數進行歸一化處理，成為電機運行模式自學習動態模型構建的輸入參數；

(3)無監督的自學習階段：構建SOFM(Self-Organizing Feature Mapping,自組織特征映射)神經網絡，將歸一化的參數輸入神經網絡進行訓練，標識電機運行模式，時間設置為m天；

(4)有監督的改進階段：在步驟(3)后，繼續對采集到的數據進行歸一化，輸入到自組織映射神經網絡，當此時的數據不屬于已標識的電機運行模式，就保存之前的數據然后重新進行t分鐘的自學習，時間為n天。