[發明專利]一種基于邊緣計算及深度學習的電機壽命預估方法

有效

• 申請號: 202110290287.6
• 申請日: 2021-03-16
• 公開（公告）號: CN113064075B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 周銀祥
• 申請（專利權）人: 電子科技大學成都學院
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/084;G06N3/047
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 何悅

1.一種基于邊緣計算及深度學習的電機壽命預估方法，其特征在于，包含下列步驟：

步驟1：傳感器獲取電機實時的動態參數，通過無線通訊方式將參數發送至邊緣計算系統，其中，動態參數包括有電流波形和震動參數，執行步驟2；

步驟?2：邊緣計算系統通過監測模型對電機運行壽命進行預估，并將預估結果發送至遠端云平臺，執行步驟3；步驟3：對云平臺顯示的電機運行狀態進行監控并對異常運行的電機進行警告；

所述步驟1中，傳感器包含電機傳感器和電流傳感器，電機傳感器用于獲得電機震動參數，所述電流傳感器用于獲得電機運行電流波形，所述電流波形最終通過示波器進行顯示，其中，電機震動參數計算公式如下，

式中，I為電機消耗的電流值，K_RPM?為電機每分鐘的轉數，K_b?為電機的電壓常數，R_m?為電機的內阻，V?為電機電壓，K_t?為電機的扭力常數，I_nl?為電機無負載量測電流值，J為電

機輸出軸的扭力值，E_ff?為電機效率，P_O?為電機的機械輸出功率，P_i?為電機的消耗功率。

2.根據權利要求1所述的一種基于邊緣計算及深度學習的電機壽命預估方法，其特征在于，所述邊緣計算系統中通過深度學習模型建立電機壽命的預測方法，預測步驟包括：

1)組建神經網絡訓練集：

a)構建全損耗訓練子集：在現有電動機保護器后臺管理軟件中，針對每臺已經出現故障需要更換的電機，提取故障維修時的運行狀態參數，將這些數據進行標準化后，構建神經網絡輸入向量Ik；由于這些電機為已經出現故障/維修時電機，將其已使用壽命標記為100％；?b)構建半數壽命訓練子集：在現有電動機保護器后臺管理軟件中，針對每臺已經出現故障需要更換的電機，提取其使用壽命一半時的運行狀態參數，將這些數據進行標準化后，并入神經網絡輸入向量Ik；由于提取的是已故障電機一半使用壽命時的參數，將其已使用壽命標記為50％；

c)構建一成損耗訓練子集：在現有電動機保護器后臺管理軟件中，針對每臺已經出現故障需要更換的電機，提取其使用壽命10％時的運行狀態參數，將這些數據進行標準化后，并入神經網絡輸入向量?Ik；由于提取的是已故障電機?10％使用壽命時的參數，將其已使用壽命標記為10％；

上述各訓練集中，k?等于?2?以及8,…,12中的至少兩值，運行狀態參數包括總運行時間?i2，且包括最大平均工作電流i8、最大工作電流i9、平均功率因數i10,最小功率因數i11和平均工作溫度i12中的至少兩種；

2)將上述訓練集送入神經網絡進行訓練，所述神經網絡的輸入層有與k取值個數h相同的輸入節點數，對應上述狀態參數的各個輸入據，神經網絡獲得的輸出量描述為電機已使用壽命，是一個0到1的百分比/小數；

3)利用誤差反向傳播算法修正網絡參數，獲得網絡對電機已使用壽命的參數化描述；上述神經網絡結構包括：一個輸入層，四個全連接層，一個softmax分類層，四個全連接層每層設定4h個內部節點，h為狀態參數種類數；

4)構建電機損耗測試集：在現有電動機保護器后臺管理軟件中，針對每臺已經出現故障、需要更換的電機，提取其任意時刻的上述運行狀態參數組成測試集，將測試集的數據輸入神經網絡，根據網絡正向傳播過程預測電機使用壽命。

3.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有一個或多個計算機程序，所述一個或多個計算機程序被一個或多個處理器執行時實現如權利要求1~2?任一項所述的電機壽命預估方法。

4.一種用于電機壽命預估的裝置，其特征在于，包括：一個或多個處理器；

計算機可讀存儲介質，其存儲有一個或多個計算機程序；所述一個或多個所述計算機程序被所述一個或多個處理器執行時實現如權利要求1~2任一項所述的電機壽命預估方法。