[發(fā)明專利]電機工況異常檢測模型的訓練方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110338340.5
• 申請日: 2021-03-24
• 公開（公告）號: CN113033673B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計）人: 李明偉;張偉峰;許佩;姜克森;許強;喬建軍;張柳枝;董云成;王愛霞;周亞麗;吳軍偉;王穎;羅華麗;步文澤;鄭朋飛;宋婷婷;梁丹
• 申請（專利權(quán)）人: 河南中煙工業(yè)有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01R31/34
• 代理公司: 北京維澳專利代理有限公司 11252
• 代理人: 常小溪

1.一種電機工況異常檢測模型的訓練方法，其特征在于，包括：

連續(xù)采集電機運行數(shù)據(jù)，以得到電機工況，直到電機運行穩(wěn)定；

對電機運行穩(wěn)定之后的電機工況進行切分，以得到穩(wěn)態(tài)工況列表，其中，所述穩(wěn)態(tài)工況列表包括不同穩(wěn)定轉(zhuǎn)速工況和不同電流工況的若干組合工況；

將所述穩(wěn)態(tài)工況列表中的各組合工況對應(yīng)的工況序號和十六維特征矩陣文件作為訓練數(shù)據(jù)，輸入預設(shè)機器學習模型中，其中，所述十六維特征矩陣的每一行表示一個樣本，第一列為時間信息，第二列表示轉(zhuǎn)速，第三列表示穩(wěn)定狀態(tài)，第四列表示溫度，剩余列表示12個時域和頻域特征，根據(jù)電機工況的切分結(jié)果，采用隔離異常點的方法，訓練得到與所述穩(wěn)態(tài)工況列表中的各組合工況對應(yīng)的工況異常檢測模型，其中，所述工況異常檢測模型的數(shù)量與組合工況的數(shù)量對應(yīng)，

所述連續(xù)采集電機運行數(shù)據(jù)，以得到電機工況，直到電機運行穩(wěn)定，具體包括：

采集電機運行數(shù)據(jù)，以得到工況文件；

基于所述工況文件中的電機振動原始信號，提取振動特征信號，以得到與所述工況文件對應(yīng)的特征文件；

將所述工況文件和所述特征文件進行同步化；

根據(jù)同步化后的所述工況文件和所述特征文件，得到電機運行穩(wěn)定狀態(tài)；

在所述電機運行穩(wěn)定狀態(tài)為穩(wěn)態(tài)之后，結(jié)束對電機運行數(shù)據(jù)的采集；

所述對電機運行穩(wěn)定之后的電機工況進行切分，以得到穩(wěn)態(tài)工況列表，具體包括：

根據(jù)穩(wěn)定轉(zhuǎn)速向量對工況文件中的數(shù)據(jù)進行初步切分，得到若干初步分組；

對各所述初步分組中的電流數(shù)據(jù)標記穩(wěn)態(tài)電流標簽；

根據(jù)所述穩(wěn)態(tài)電流標簽對各初步分組進行二次切分，得到最終切分結(jié)果。

2.根據(jù)權(quán)利要求1所述的電機工況異常檢測模型的訓練方法，其特征在于，所述根據(jù)穩(wěn)定轉(zhuǎn)速向量對工況文件中的數(shù)據(jù)進行初步切分，得到若干初步分組，具體包括：

從配置文件中獲取若干穩(wěn)定轉(zhuǎn)速向量；

根據(jù)所述穩(wěn)定轉(zhuǎn)速向量對所述工況文件中的數(shù)據(jù)進行初步切分，得到若干初步分組，以將不同轉(zhuǎn)速的數(shù)據(jù)切分開，并將同一轉(zhuǎn)速的數(shù)據(jù)作為同一個初步分組，其中，所述初步分組的數(shù)量與所述穩(wěn)定轉(zhuǎn)速向量的數(shù)量對應(yīng)，在同一個初步分組中，同一轉(zhuǎn)速工況對應(yīng)若干種不同電流工況。

3.根據(jù)權(quán)利要求1所述的電機工況異常檢測模型的訓練方法，其特征在于，所述根據(jù)所述穩(wěn)態(tài)電流標簽對各初步分組進行二次切分，得到最終切分結(jié)果，具體包括：

在各所述初步分組中，將標記為同一穩(wěn)態(tài)電流標簽的數(shù)據(jù)作為同一個精細分組；

根據(jù)各所述初步分組中的各所述精細分組，得到工況列表，其中，所述工況列表包括不同轉(zhuǎn)速和不同電流的組合工況；

將所述工況列表輸出為包括轉(zhuǎn)速變量和電流變量的CSV文件，其中，所述CSV文件中包括各個轉(zhuǎn)速所對應(yīng)的工況，并且每個轉(zhuǎn)速對應(yīng)若干個電流工況。

4.根據(jù)權(quán)利要求1所述的電機工況異常檢測模型的訓練方法，其特征在于，所述采用隔離異常點的方法，利用所述訓練數(shù)據(jù)對所述預設(shè)機器學習模型進行訓練，得到與所述穩(wěn)態(tài)工況列表中的各組合工況對應(yīng)的工況異常檢測模型，具體包括：

基于所述訓練數(shù)據(jù)，構(gòu)建由若干個隔離樹組成的隔離森林；

將待異常檢測的數(shù)據(jù)對所述隔離森林進行遍歷，計算異常得分，以根據(jù)所述異常得分判斷待異常檢測的數(shù)據(jù)中是否存在異常數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的電機工況異常檢測模型的訓練方法，其特征在于，所述基于所述訓練數(shù)據(jù)，構(gòu)建若干個隔離樹，具體包括：

步驟A1：從訓練數(shù)據(jù)中隨機選擇Ψ個樣本，放入一棵隔離樹的根節(jié)點；

步驟A2：隨機指定一個維度，在當前節(jié)點數(shù)據(jù)中隨機產(chǎn)生一個切割點p，其中，所述切割點p產(chǎn)生于當前節(jié)點數(shù)據(jù)中指定維度的最大值和最小值之間；

步驟A3：以隨機生成的切割點p生成一個超平面，然后將當前節(jié)點數(shù)據(jù)空間劃分為2個子空間；

步驟A4：將指定維度中小于p的數(shù)據(jù)放在當前節(jié)點的左子樹，將大于等于p的數(shù)據(jù)放在當前節(jié)點的右子樹；

步驟A5：在子樹分支中遞歸步驟A2和步驟A3，不斷構(gòu)造新的葉子節(jié)點，直到葉子節(jié)點中只有一個數(shù)據(jù)，無法再繼續(xù)切割或樹已到達限定高度。