基于神经网络的三相交流异步电机多参数寿命预测方法专利检索-参数化建模建筑物专利检索查询-专利查询网

基于神经网络的三相交流异步电机多参数寿命预测方法

阅读：924发布：2020-05-11

专利汇可以提供基于神经网络的三相交流异步电机多参数寿命预测方法专利检索，专利查询，专利分析的服务。并且本发明公开了基于神经网络的三相交流异步电机多参数寿命预测方法，属于工业电机安检系统领域，利用微机继电保护器的状态参数和保护事件参数记录信息，结合深度学习网络，实现电机多参数寿命预测的方法，预测步骤包括：构建神经网络训练集、半数寿命训练子集和一成损耗训练子集，将上述训练集送入神经网络进行训练，利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述，构建电机损耗测试集输入已建神经网络并预测；避免了复杂的建模过程，并提高预测的准确度，杜绝工厂工艺异常停车的安全隐患，降低安全事故造成的经济损失和人员伤亡风险。，下面是基于神经网络的三相交流异步电机多参数寿命预测方法专利的具体信息内容。

权利要求

1.基于神经网络的三相交流异步电机多参数寿命预测方法，其特征在于，预测步骤包括：
1)组建神经网络训练集：
a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为
100％；
b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；
c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；
上述各训练集中，k等于2以及(8,…,12)中的至少两值，运行状态参数包括总运行时间i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；
2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；
3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；
上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；
4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。
2.根据权利要求1所述的三相交流异步电动机多参数寿命预测方法，其特征在于，参数ik(k＝8,…,12)由以下标准化公式计算：
i9＝maxt(max(IA+IB+IC))，
其中，IA，IB，IC分别为A、B、C三相电流，maxt表示取历史记录中的最大值，是阻抗角，maxt表示取历史时刻最小值，T表示电机工作温度。
3.根据权利要求1所述的三相交流异步电动机多参数寿命预测方法，其特征在于，运行状态参数还包括运行总启动时间i1、总启停次数i3、总热过载跳闸时间i4、总堵转跳闸时间i5、总三相不平衡跳闸时间i6、总能耗i7和电机额定功率i13中的0-7种，k与之对应的还等于1,3,4,5,6,7,13中的0-7种。
4.根据权利要求1所述的三相交流异步电动机多参数寿命预测方法，其特征在于，步骤3)的分类层中，softmax分类器定义为：将所有类标记的m个可能值进行累加作为分母，将样本x(i)分类到类别j的概率为：
其中，e为自然常数，θ为分类参数，T表示转置,j为故障种类编号。
5.根据权利要求1-4任一项所述的预测方法，其特征在于，选取至少三个典型工作阶段，100％损耗、50％损耗和10％损耗的运行状态参数作为训练样本。
6.根据权利要求5所述的预测方法，其特征在于，除选取典型工作阶段的运行状态参数，还选取其他5的倍数百分比损耗作为训练样本，即共选取(100％,95％,…,10％,5％)损耗各阶段的状态参数。
7.根据权利要求5所述的预测方法，其特征在于，将提取数据和预测的过程实时的融合到电机后台管理软件中，并提供动态的电机寿命预测；
具体的，当某台电机在最近一段时间内频繁出现跳闸保护的情况时，后台管理软件自动调取这台电机的历史数据进行寿命预测，在实时监控功能的基础上实现实时的诊断与寿命预测。

说明书全文

基于神经网络的三相交流异步电机多参数寿命预测方法

技术领域

[0001] 本发明属于工业电机安检系统领域，尤其涉及的是一种三相交流异步电动机寿命预测方法。

背景技术

[0002] 随着经济的快速发展，社会对电力能源的需求旺盛，使得电力系统的容量不断扩大，发展规模迅速。其中，工业生产中三相交流异步电动机的应用非常广泛，例如在石油石化领域，一个化工厂往往需要同时运行几百甚至上千台三相交流异步电动机。这些异步电动机负责物料的泵送或加压，是化工领域中最主要的能耗设备。

[0003] 尤其是一些关键生产工艺节点处的主、备电机，更换一次需要大规模的停产停工，会对生产厂家造成一定的经济损失。这些电机不能随时“寿终正寝”，无法做到“坏了就换”。各电机的正常可靠运行密切关系到生产生命财产安全，所以对其进行有效的健康管理和寿命预测具有重大的现实意义。

[0004] 现有技术中，工业生产中三相交流异步电动机的控制和状态监测主要有两种形式：一是利用变频器直接驱动，其状态参数由变频器的通信接口联网、上传到后台管理软件；二是利用微机继电保护器(即电动机保护器)进行管理，其状态参数通过电动机保护器的通信接口上传到后台管理软件。

[0005] 电动机保护器，多为微机继电保护器，是三相交流异步电动机集群状态监测和保护中应用最为广泛的设备之一。通常一台电动机保护器负责监控一台三相交流异步电动机，能够实时测量电动机的三相电压、三相电流、漏电流和温度等参数；并利用这些参数进行计算，得到电动机运行的各项派生参数，如正负序电流、有功功率、无功功率、视在功率、功率因数、发热容量等。

[0006] 除了监测电机运行的各项参数以外，电动机保护器还可以在检测到异常参数后，延迟固定的时间发出跳闸指令，切断电机电源，实现若干保护功能。通常一台微机继电保护器具有如下十几种电机保护功能：启动超时保护、堵转保护、热过载保护、三相电流不平衡保护、单相接地保护、漏电保护、断相保护、过电压保护、欠电压保护、欠电流保护、抗晃电保护、延迟再启动保护、本安电机的TE时间保护等。在发生这些保护功能后，各项检测参数和发生的时间都会被电动机保护器自动记录下来，并可进行现场显示或通过通信接口上传到后台。然而，对于工业电机应用领域，单纯的跳闸保护无法满足安全生产的要求，甚至容易引发管道堵塞，罐体爆炸等安全事故。

[0007] 同时这些状态参数以及保护事件参数记录被上传到后台软件后，往往只是用于生成生产管理报表。然而实际上这些状态参数和保护记录反映了一台电机整个生命周期的详细信息，其中状态参数的波动、异常的发生次数和发生时间直接影响了电机的使用寿命，是电机健康管理中非常重要的数据。现有技术难于对各项此类参数量化应用，管理维护人员仅能凭借个人经验，将其作为维修的参考信息。

发明内容

[0008] 本发明为了解决现有技术无法实时精确检测工业电动机寿命，各电动机利用率差、安全风险高的问题，本发明提供一种利用微机继电保护器的状态参数和保护事件参数记录信息，结合深度学习网络，实现电机多参数寿命预测的方法。

[0009] 本发明提供的技术方案如下：

[0010] 基于神经网络的三相交流异步电机多参数寿命预测方法，预测步骤包括：

[0011] 1)组建神经网络训练集：

[0012] a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为100％；

[0013] b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；

[0014] c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；

[0015] 上述各训练集中，k等于2以及(8,…,12)中的至少两值，运行状态参数包括总运行时间i2，且包括最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12中的至少两种；

[0016] 2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数；

[0017] 3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定4h个内部节点，h为状态参数种类数；

[0018] 分类层中，softmax分类器优选定义为：将所有类标记的m个可能值进行累加作为分母，将样本x(i)分类到类别j的概率为：

[0019]

[0020] 其中，e为自然常数，θ为分类参数，T表示转置,j为故障种类编号；

[0021] 4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。

[0022] 优选的，参数ik(k＝8,…,12)由以下标准化公式计算：

[0023]

[0024] i9＝maxt(max(IA+IB+IC))，

[0025]

[0026]

[0027]

[0028] 其中，IA，IB，IC分别为A、B、C三相电流，maxt表示取历史记录中的最大值，是阻抗角，maxt表示取历史时刻最小值，T表示电机工作温度。

[0029] 优选的，运行状态参数还包括运行总启动时间i1、总启停次数i3、总热过载跳闸时间i4、总堵转跳闸时间i5、总三相不平衡跳闸时间i6、总能耗i7和电机额定功率i13中的0-7种，k与之对应的还等于1,3,4,5,6,7,13中的0-7种。

[0030] 由于系统记录了每台损坏电机在不同使用阶段的工作状态参数，因此本发明在一些优选实施方式中，选取至少三个典型工作阶段(100％损耗,50％损耗,10％损耗)的运行状态参数作为训练样本，从而使得样本数量比实际电机选取的参数种类数量h多了三倍。本发明的其他实施方式仍然能够选取更多工作阶段的数据，进一步加大训练样本的数量，从而使网络训练更加准确可靠。

[0031] 本发明综合技术方案及综合效果包括：

[0032] 1、将电动机保护器的状态参数信息和保护事件参数记录，用于深度学习网络，通过深度学习网络计算得到对电机寿命的预测，从而指导生产管理者在快要达到电机的使用寿命之前采取必要的措施更换备用电机，进而杜绝工厂工艺异常停车的安全隐患，降低安全事故造成的经济损失和人员伤亡风险；

[0033] 2、将电动机保护器的状态信息和保护事件记录相联系用于深度学习网络，通过深度学习网络计算实线对电机寿命的预测，改变了现有的单纯通过电机运行总时间和总起停次数预测电机寿命的不足，提高了电机寿命预测的准确度；

[0034] 3、本发明采用神经网络利用特定的、敏感的电机运行参数进行寿命关联预测，避免了复杂的建模过程，直接对数据进行分析，可以减小建模过程考虑不全面、忽略次要因素而造成的误差；

[0035] 4、采用了四层全连接的深度神经网络结构，每层节点个数是输入层的四倍，能够根据样本的不同组合突出关键运行参数对电机寿命的影响因子，体现了电机运行寿命预测模型的复杂度，从而提高预测的准确度。附图说明

[0036] 图1为本发明实施例基于神经网络模型的三相交流异步电动机寿命预测方法中的反向神经网络结构示意图。

具体实施方式

[0037] 以下结合附图和具体实施例，对本发明进行详细说明。

[0038] 实施例1

[0039] 基于神经网络的三相交流异步电机多参数寿命预测方法，预测步骤包括：

[0040] 1)构建神经网络训练集：

[0041] a)构建全损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取故障维修时的运行状态参数，将这些数据进行标准化后，构建神经网络输入向量Ik；由于这些电机为已经出现故障/维修时电机，将其已使用寿命标记为100％；

[0042] b)构建半数寿命训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命一半时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机一半使用寿命时的参数，将其已使用寿命标记为50％；

[0043] c)构建一成损耗训练子集：在现有电动机保护器后台管理软件中，针对每台已经出现故障需要更换的电机，提取其使用寿命10％时的运行状态参数，将这些数据进行标准化后，并入神经网络输入向量Ik；由于提取的是已故障电机10％使用寿命时的参数，将其已使用寿命标记为10％；

[0044] 上述各训练集中，k等于2以及(8,…,12)，运行状态参数包括总运行时间i2，最大平均工作电流i8、最大工作电流i9、平均功率因数i10,最小功率因数i11和平均工作温度i12；

[0045] 2)将上述训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数，在本实施例中h＝6；

[0046] 3)利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层，四个全连接层每层设定24个内部节点，h为状态参数种类数；

[0047] 分类层中，softmax分类器定义为：将所有类标记的m个可能值进行累加作为分母，将样本x(i)分类到类别j的概率为：

[0048]

[0049] 其中，e为自然常数，θ为分类参数，T表示转置,j为故障种类编号；

[0050] 4)构建电机损耗测试集：在现有电动机保护器后台管理软件中，针对每台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命。

[0051] 参数ik(k＝8,…,12)由以下标准化公式计算：

[0052]

[0053] i9＝maxt(max(IA+IB+IC))，

[0054]

[0055]

[0056]

[0057] 其中，IA，IB，IC分别为A、B、C三相电流，maxt表示取历史记录中的最大值，是阻抗角，mint表示取历史时刻最小值，T表示电机工作温度，上述各状态参数均与电动机工作时间呈强相关。

[0058] 实施例2

[0059] 本实施例采用实施例1所述方法步骤构建神经网络训练集，送入神经网络进行训练并修正神经网络，以及进行测试，不同之处在于，

[0060] 在步骤1)中，如图1和表1所示，运行状态参数还包括运行总启动时间i1、总启停次数i3、总热过载跳闸时间i4、总堵转跳闸时间i5、总三相不平衡跳闸时间i6、总能耗i7和电机额定功率i137种，与之对应的k＝(1,…,13)。

[0061] 在步骤2)中，将上述10台已故障电机的13个归一化参数，作为训练集送入神经网络进行训练，所述神经网络的输入层有与k取值个数h相同的输入节点数，对应上述状态参数的各个输入据，神经网络获得的输出量描述为电机已使用寿命，是一个0到1的百分比/小数，在本实施例中h＝13；

[0062] 在步骤3)中，同样利用误差反向传播算法修正网络参数，获得网络对电机已使用寿命的参数化描述；上述神经网络结构包括：一个输入层，四个全连接层，一个softmax分类层；但四个全连接层每层设定52个内部节点，h＝13为状态参数种类数；

[0063] 在步骤4)中，构建电机损耗测试集：在现有电动机保护器后台管理软件中，选取两台已经出现故障电机11号和12号，针对这两台已经出现故障、需要更换的电机，提取其任意时刻的上述运行状态参数组成测试集，将测试集的数据输入神经网络，根据网络正向传播过程预测电机使用寿命，测试结果如表2所示。

[0064] 表1是上述10台已经出现故障电机在被替换掉时的13个归一化参数分布，从这些参数中能够看出，部分电机是由于达到了运行寿命而损坏，有些电机是因为长期不正常的工作状态而损坏，样本的多样性，进一步保证了本发明预测方法的准确性。

[0065] 表1 10台已故障电机在被替换掉时的13个归一化参数分布

[0066] 电机编号 i1 i2 i3 i4 i5 i6 i7 i8 i9 i10 i11 i12 i13 故障原因1 0.31 0.33 0.54 0.85 0.82 0.11 0.94 0.98 0.98 0.74 0.71 0.72 0.5 长期过载
2 0.43 0.95 0.39 0.74 0.03 0.02 0.95 0.87 0.87 0.68 0.39 0.49 0.8 到期
3 0.33 0.98 0.78 0.34 0.34 0.04 0.91 0.97 0.97 0.68 0.54 0.44 0.5 到期
4 0.35 0.35 0.47 0.77 0.16 0.06 0.88 0.99 0.99 0.78 0.78 0.23 0.5 长期过载
5 0.99 0.9 0.98 0.60 0.14 0.05 0.68 0.99 0.96 0.66 0.76 0.68 0.2 频繁起停
6 0.73 0.7 0.65 0.54 0.26 0.09 0.77 0.89 0.93 0.70 0.23 0.62 0.8 未知
7 0.62 0.99 0.98 0.23 0.26 0.11 0.9 0.90 0.90 0.77 0.51 0.59 0.5 到期
8 0.9 0.5 0.61 0.21 0.49 0.11 0.91 0.92 0.96 0.74 0.31 0.13 0.5 未知
9 0.51 0.5 0.67 0.43 0.34 0.12 0.84 0.82 0.87 0.76 0.41 0.49 0.5 未知
10 0.62 0.5 0.76 0.14 0.03 0.12 0.88 0.78 0.85 0.76 0.42 0.77 0.5 未知[0067] 通过表1可以发现，对于已知损坏的电机，发现其对应的参数会有明显偏大，例如1号长期过载电机，其总热过载跳闸时间i4达到了0.85，而对于频繁起停损坏的5号电机，其总启动时间i1和总启动次数i3都比较高。但是对于未知损坏原因的电机，无法人为直观判断出来其损坏原因，也就无法据此预测电机的寿命。

[0068] 因此需要针对这些复杂情况下的损坏电机建立神经网络，通过本发明预测方法让智能算法通过大量的数据学习，找到容易损坏的关键数据的组合，进而准确预测电机的使用寿命。

[0069] 将表1数据作为神经网络标准化参数测试集训练修正得到神经网络，并将两个待测电机测试集状态参数代入进行寿命测试，结果如表2所示。

[0070] 表2两台已故障电机在被替换掉时的13个归一化参数寿命分布

[0071] 电机编号 i1 i2 i3 i4 i5 i6 i7 i8 i9 i10 i11 i12 i13 故障原因11 0.83 0.91 0.77 0.34 0.5 0.1 0.59 0.83 0.56 0.32 0.33 0.58 0.18 频繁启停
12 0.41 0.38 0.53 0.80 0.16 0.06 0.88 0.68 0.95 0.48 0.69 0.56 0.57 长期过载[0072] 由于电动机保护器后台管理软件在实时运行，因此本发明提取数据和预测的过程能够实时的融合到电机后台管理软件中，并提供动态的电机寿命预测。例如当某台电机在最近一段时间内频繁出现跳闸保护的情况时，后台管理软件自动调取这台电机的历史数据进行寿命预测，在实时监控功能的基础上实现实时的诊断与寿命预测。

[0073] 应当理解的是，对本领域普通技术人员来说，能够根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。由于系统记录了每台损坏电机在不同使用阶段的工作状态参数，因此本发明在优选实施例1和2中，选取了至少三个典型工作阶段(100％损耗,50％损耗,10％损耗)的运行状态参数作为训练样本，从而使得样本数量比实际电机选取的参数种类数量h多了三倍。本发明的其他实施方式仍然能够选取更多工作阶段的数据，进一步加大训练样本的数量，从而使网络训练更加准确可靠。

标题	发布/更新时间	阅读量
面向3D打印的定制化接骨板结构件便捷设计方法	2020-05-08	1016
一种高速连接器的PCB及其优化方法和系统	2020-05-11	543
基于三维扫描技术的现场机械、钢结构调度方案测试方法	2020-05-14	690
一种有效的图像镜面反射移除方法	2020-05-08	893
一种双曲面幕墙的优化设计方法	2020-05-11	825
一种基于Revit的二沉池参数化建模方法及系统	2020-05-08	740
一种多时间尺度的方形锂电池SOC和SOT联合估计方法	2020-05-13	695
一种基于可视化编程工具Dynamo的翼角圆椽建模	2020-05-08	62
根据谱CT数据集的电子密度数据集的创建	2020-05-13	271
用于通过高斯过程进行机器学习的方法	2020-05-08	445

基于神经网络的三相交流异步电机多参数寿命预测方法

基于神经网络的三相交流异步电机多参数寿命预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：