[發明專利]一種基于LSTM深度學習模型的電機狀態參數預測方法

在審

• 申請號: 202010416597.3
• 申請日: 2020-05-15
• 公開（公告）號: CN111612242A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 王軍;嚴瀟
• 申請（專利權）人: 北京天工智造科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于LSTM深度學習模型的電機狀態參數預測方法，涉及數據處理技術領域。該基于LSTM深度學習模型的電機狀態參數預測方法，包括有如下步驟：S1、從系統中獲取數據，采集電機的過程量，S2、數據預處理階段，S3、訓練數據的生成，將數據按照訓練集、測試集進行分隔，S4、搭建深度學習網絡結構，建立神經網絡模型，S5、訓練模型，選擇評價指標，S6、使用訓練完成的模型接受新的數據做在線預測。該基于LSTM深度學習模型的電機狀態參數預測方法，采用統計學的方法，進行了基于電機原始狀態參數的新特征空間構建，使用LSTM作為模型，可以提高預測的精度。

技術領域

本發明涉及數據處理技術領域，特別的為一種基于LSTM深度學習模型的電機狀態參數預測方法。

背景技術

現有的技術問題主要是：對于電機狀態參數的預測，主要方法有基于物理模型的方法，基于統計的方法，和基于深度學習的方法。目對于電機溫度預測的場景，目前還沒有人使用構建窗口內新統計特征方法去做。

發明內容

本發明提供的發明目的在于提供一種基于LSTM深度學習模型的電機狀態參數預測方法，該解決上述背景技術中的問題。

為實現以上目的，本發明通過以下技術方案予以實現：一種基于LSTM深度學習模型的電機狀態參數預測方法，其特征在于，包括有如下步驟：

S1、從數據采集系統中獲取數據；

S2、數據預處理階段，對數據進行歸一化處理，由于原始數據包含了大量的短期波動數據，數據量巨大，所以在使用數據前需要進行特征工程，生成新的特征，將有用的信息提?。?/p>

S3、訓練數據的生成，將數據按照訓練集、測試集進行分隔，比例為7∶3；

S4、搭建深度學習網絡結構，建立神經網絡模型，最后經過激活函數后輸出結果；

S5、訓練模型，選擇評價指標，使用MAE作為損失函數，Adam作為優化算法進行模型的訓練；

S6、使用訓練完成的模型接受新的數據做在線預測，使用測試屬于與預測數據進行對比，計算兩者之間的MAE，以評估預測效果。

進一步的，將根據S1中的操作步驟，從數據采集系統中獲取采集電機的電流、電壓、功率、扭矩、轉速、殼體溫度，6個參數，假設原始數據為m*n維數據，m代表數據條數，n代表數據維度，數據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組數據，

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

實際數據共約124466000條，特征6個，數據點間隔為6毫秒，時間跨度為30天，未包括設備關停時的數據。

進一步的，包括以下步驟：將根據S2中的操作步驟，需要將電機處于非平穩運行時的數據去除，在此基礎上，需要預測1min后的電機參數，需要將電機的統計特征與該狀態參數進行關聯。