[發明專利]一種電機溫升預測方法

在審

• 申請號: 202211227939.2
• 申請日: 2022-10-09
• 公開（公告）號: CN115840917A
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 李星;吳鵬濤;朱法龍;莊超
• 申請（專利權）人: 寧波菲仕技術股份有限公司
• 主分類號: G06F18/2431
• 分類號: G06F18/2431;G06F18/10;G06F18/213;G06F18/214;G06N3/0442;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 王鑫康

本發明公開了一種電機溫升預測方法，包括以下步驟：過濾數據噪聲以得到準確電機數據；處理電機數據并劃分訓練集和測試集；搭建CNN?LSTM?attention模型；添加池化層和dropout降低數據量并避免過擬合；將數據輸入LSTM層學習溫升數據的時間關系并預測；添加attention以提升模型的預測效果。上述技術方案通過增加小波與卡爾曼濾波算法對電機溫升數據進行處理，能夠得到較為準確的電機溫升數據，避免深度神經網絡陷入過擬合，有效提升預測精度。

技術領域

本發明涉及電機技術領域，尤其涉及一種電機溫升預測方法。

背景技術

隨著社會經濟的創新和發展，設備變得更加高效與智能，但設備本身維護工作卻面臨巨大挑戰。傳統的設備維護方式有兩種，一種是故障后維修的事后維修方式，一種是周期性停機維護的預防性維護方式。這兩種傳統的設備維護方式不僅會造成生產率的降低，尤其是計劃之外的生產中斷，會對生產商造成一定的經濟損失。

近些年來，預測性維護逐漸受到企業的青睞，預測性維護是從預防性維護發展而來的，是更高層次的維護方式。它以設備狀態為基礎，以預測設備狀態發展趨勢為依據，通過信息采集、處理、綜合分析后有目的安排維護的周期和維護的項目，“該修則修，修必修好”。它和傳統的維護方式相比，具有明顯的優勢。

電機預測性維護在電機運行時，對它的主要部位進行定期(或連續)的狀態監測和故障診斷，判定電機所處的狀態，預測電機狀態未來的發展趨勢，依據電機的狀態發展趨勢和可能的故障模式，預先制定預測性維修計劃，確定電機應該修理的時間、內容、方式和必需的技術和物資支持。電機預測性維護集電機狀態監測、故障診斷、狀態預測、維修決策支持和維修活動于一體，是一種新興的維修方式。

有資料顯示，現有的基于電機溫升時間序列預測方法使用長短期記憶網絡，根據歷史溫升數據預測出下一個時刻的溫度。大部分預測認為取得的電機溫升數據沒有誤差，然而現有的鉑熱電阻通電就會產生熱量，并且永磁電機產生的磁場也會對鉑熱電阻產生干擾。現場溫度波動也會產生較大影響。

中國專利文獻CN114021855A公開了一種“基于歷史數據的牽引電機溫升預測方法”。包括以下步驟：獲取牽引電機歷史數據，牽引電機歷史數據是按照同一頻率對一段時間內的牽引電機歷史數據進行采集獲得，牽引電機歷史數據按照一類傳感數據為一個字段進行存儲；根據所需要的字段對牽引電機歷史數據進行處理，得到第一溫度特征序列數據；根據預先設置的時間間隔閾值，對第一溫度特征序列數據進行時間分段處理，得到第二溫度特征序列數據；按照設定的時間窗口寬度和滑動步長對第二溫升特征序列數據進行采樣，得到多組溫度特征數據；對多組溫度特征數據進行劃分，得到訓練樣本數據和測試樣本數據；使用訓練數據和測試數據對神經網絡模型進行訓練測試，生成目標神經網絡模型。上述技術方案缺少對于數據噪聲的優化處理，影響預測結果準確度。

發明內容

本發明主要解決原有的技術方案缺少對于數據噪聲的優化處理，影響預測結果準確度的技術問題，提供一種電機溫升預測方法，首先使用小波分層與重構技術來過濾掉高頻噪聲，然后用卡爾曼濾波技術來過濾掉傳感器自身的低頻噪音，得到接近電機真實溫度的數據，隨后使用pandas處理數據，劃分神經網絡的輸入值與輸出值，并且劃分好訓練集和測試集，搭建CNN-LSTM-attention模型，將得到的數據輸入LSTM層來學習溫升數據的時間關系，最后添加attention來學習主要特征，忽略次要特征以提升模型的預測效果，最終得到更加準確的電機溫升預測結果。

本發明的上述技術問題主要是通過下述技術方案得以解決的：本發明包括以下步驟：

S1過濾數據噪聲以得到準確電機數據；

S2處理電機數據并劃分訓練集和測試集；

S3搭建CNN-LSTM-attention模型；

S4添加池化層和dropout降低數據量并避免過擬合；