[發(fā)明專利]一種基于LSTM深度學(xué)習(xí)模型的電機(jī)狀態(tài)參數(shù)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010416597.3
• 申請(qǐng)日: 2020-05-15
• 公開(kāi)（公告）號(hào): CN111612242A
• 公開(kāi)（公告）日: 2020-09-01
• 發(fā)明（設(shè)計(jì)）人: 王軍;嚴(yán)瀟
• 申請(qǐng)（專利權(quán)）人: 北京天工智造科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于LSTM深度學(xué)習(xí)模型的電機(jī)狀態(tài)參數(shù)預(yù)測(cè)方法，其特征在于，包括有如下步驟：

S1、從數(shù)據(jù)采集系統(tǒng)中獲取數(shù)據(jù)；

S2、數(shù)據(jù)預(yù)處理階段，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，由于原始數(shù)據(jù)包含了大量的短期波動(dòng)數(shù)據(jù)，數(shù)據(jù)量巨大，所以在使用數(shù)據(jù)前需要進(jìn)行特征工程，生成新的特征，將有用的信息提取；

S3、訓(xùn)練數(shù)據(jù)的生成，將數(shù)據(jù)按照訓(xùn)練集、測(cè)試集進(jìn)行分隔，比例為7∶3；

S4、搭建深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，建立神經(jīng)網(wǎng)絡(luò)模型，最后經(jīng)過(guò)激活函數(shù)后輸出結(jié)果；

S5、訓(xùn)練模型，選擇評(píng)價(jià)指標(biāo)，使用MAE作為損失函數(shù)，Adam作為優(yōu)化算法進(jìn)行模型的訓(xùn)練；

S6、使用訓(xùn)練完成的模型接受新的數(shù)據(jù)做在線預(yù)測(cè)，使用測(cè)試屬于與預(yù)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，計(jì)算兩者之間的MAE，以評(píng)估預(yù)測(cè)效果。

2.根據(jù)權(quán)利要求1所述的一種基于LSTM深度學(xué)習(xí)模型的電機(jī)狀態(tài)參數(shù)預(yù)測(cè)方法，其特征在于，包括以下步驟：將根據(jù)S1中的操作步驟，從數(shù)據(jù)采集系統(tǒng)中獲取采集電機(jī)的電流、電壓、功率、扭矩、轉(zhuǎn)速、殼體溫度，6個(gè)參數(shù)，假設(shè)原始數(shù)據(jù)為m*n維數(shù)據(jù)，m代表數(shù)據(jù)條數(shù)，n代表數(shù)據(jù)維度，數(shù)據(jù)xm*n的的使用特征向量表示為

x_m*n＝(x⁽¹⁾，x⁽²⁾，x⁽³⁾，...，x⁽ⁱ⁾，...，x⁽ⁿ⁾)

其中x_i＝代表第i組數(shù)據(jù)，

x_i＝(x₁⁽¹⁾，x₂⁽²⁾，x₃⁽³⁾，...，x₄⁽ⁱ⁾，...，x₅⁽ⁿ⁾)。

實(shí)際數(shù)據(jù)共約124466000條，特征6個(gè)，數(shù)據(jù)點(diǎn)間隔為6毫秒，時(shí)間跨度為30天，未包括設(shè)備關(guān)停時(shí)的數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于LSTM深度學(xué)習(xí)模型的電機(jī)狀態(tài)參數(shù)預(yù)測(cè)方法，其特征在于，包括以下步驟：將根據(jù)S2中的操作步驟，需要將電機(jī)處于非平穩(wěn)運(yùn)行時(shí)的數(shù)據(jù)去除，在此基礎(chǔ)上，需要預(yù)測(cè)1min后的電機(jī)參數(shù)，需要將電機(jī)的統(tǒng)計(jì)特征與該狀態(tài)參數(shù)進(jìn)行關(guān)聯(lián)。