一种基于历史数据的牵引电机温升预测方法技术

本发明专利技术实施例公开一种基于历史数据的牵引电机温升预测方法，该方法包括以下步骤：获取牵引电机历史数据，牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，牵引电机历史数据按照一类传感数据为一个字段进行存储；根据所需要的字段对牵引电机历史数据进行处理，得到第一温度特征序列数据；根据预先设置的时间间隔阈值，对第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；按照设定的时间窗口宽度和滑动步长对第二温升特征序列数据进行采样，得到多组温度特征数据；对多组温度特征数据进行划分，得到训练样本数据和测试样本数据；使用训练数据和测试数据对神经网络模型进行训练测试，生成目标神经网络模型。生成目标神经网络模型。生成目标神经网络模型。

【技术实现步骤摘要】
一种基于历史数据的牵引电机温升预测方法


[0001]本专利技术涉及牵引电机温升预测方法，具体而言，涉及一种基于历史数据的牵引电机温升预测方法。

技术介绍

[0002]随着社会经济的创新和发展，设备变得更加高效与智能，但设备本身维护工作却面临巨大挑战。传统的设备维护方式有两种，一种是故障后维修的事后维修方式，一种是周期性停机维护的预防性维护方式。这两种传统的设备维护方式不仅会造成生产率的降低，尤其是计划之外的生产中断，会对生产商造成一定的经济损失。
[0003]近些年来，预测性维护逐渐受到企业的青睐，预测性维护是从预防性维护发展而来的，是更高层次的维护方式。它以设备状态为基础，以预测设备状态发展趋势为依据，通过信息采集、处理、综合分析后有目的安排维护的周期和维护的项目，“该修则修，修必修好”。它和传统的维护方式相比，具有明显的优势。
[0004]电机预测性维护在电机运行时，对它的主要部位进行定期(或连续)的状态监测和故障诊断，判定电机所处的状态，预测电机状态未来的发展趋势，依据电机的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定电机应该修理的时间、内容、方式和必需的技术和物资支持。电机预测性维护集电机状态监测、故障诊断、状态预测、维修决策支持和维修活动于一体，是一种新兴的维修方式。
[0005]目前电机预测性维护中，针对电机温度监测通常通过两类方法，一类是进行物理建模，另外一类是通过数据统计学分析的方法。通过物理建模的方法存在的普遍问题是原理复杂，无法精确建模。通过数据统计学分析的方法，虽然不用对电机的具体原理进行分析，但是依然存在无法得到普适而又精确的结果的问题。

技术实现思路

[0006]本专利技术提供了一种基于历史数据的牵引电机温升预测方法，有效解决了数据分析难度大和预测精度不够的问题，提升了牵引电机温升预测准确度。
[0007]本专利技术实施例提供了一种基于历史数据的牵引电机温升预测方法，包括以下步骤：
[0008]获取牵引电机历史数据，牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，牵引电机历史数据包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度，牵引电机历史数据按照一类传感数据为一个字段进行存储；
[0009]根据所需要的字段对牵引电机历史数据进行处理，得到第一温度特征序列数据；
[0010]根据预先设置的时间间隔阈值，对第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；
[0011]按照设定的时间窗口宽度和滑动步长对第二温升特征序列数据进行采样，得到多
组温度特征数据；
[0012]对多组温度特征数据进行划分，得到训练样本数据和测试样本数据；
[0013]使用训练数据和测试数据对神经网络模型进行训练测试，生成目标神经网络模型。
[0014]可选的，同一频率是10Hz。
[0015]可选的，使用pandas对所述牵引机车历史数据进行处理。
[0016]可选的，所需要的字段包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度中至少一种。
[0017]可选的，对多组温度特征数据进行变换操作，变换操作包括：数据标准化和EMD。
[0018]可选的，神经网络模型为深度神经网络模型，深度神经网络模型包括：
[0019]依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和第四特征提取模块，用于对所述训练数据依次进行特征提取；其中，
[0020]第一特征提取模块、第二特征提取模块、第三特征提取模块，分别由：
[0021]全连接单元FC、线性整流线性单元ReLU、批标准化单元BN和部分丢弃神经元单元Dropout组成；
[0022]第四特征提取模块，由全连接单元FC、批标准化单元BN和部分丢弃神经元单元Dropout组成，所述第四特征提取模块用于输出温度预测数据。
[0023]由上述内容可知，本专利技术实施例提供的一种基于历史数据的电机温升预测方法，包括，获取牵引电机历史数据，牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，牵引电机历史数据包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度，牵引电机历史数据按照一类传感数据为一个字段进行存储；根据所需要的字段对牵引电机历史数据进行处理，得到第一温度特征序列数据；根据预先设置的时间间隔阈值，对第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；按照设定的时间窗口宽度和滑动步长对所述第二温升特征序列数据进行采样，得到多组温度特征数据；对多组温度特征数据进行划分，得到训练样本数据和测试样本数据；使用训练数据和测试数据对神经网络模型进行训练测试，生成目标神经网络模型。。
[0024]应用本专利技术实施例，基于牵引电机的各历史数据，实现对未来时间段内牵引电机温度的预测，依据神经网络强大的特征表征能力，无需进行复杂的建模分析，有效解决了数据分析难度大和预测精度不够的问题。当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
[0025]本专利技术实施例的创新点包括：
[0026]1、基于牵引电机的各历史数据，预测未来时间段内牵引电机温度数据，有效的构建了牵引电机各历史传感数据与未来时间段内牵引电机温度的关系，是本专利技术实施例的创新点之一。
[0027]2、基于神经网络的方法，建设牵引电机温升预测模型，利用牵引电机各历史数据来训练和拟合神经网络模型，对于不同的牵引电机，无需对复杂的原理去进行具体分析，通过数据而不是知识来解决问题，并且依据神经网络强大的特征表征能力，有效解决数据分析难度大和预测精度不够的问题，是本专利技术实施例的创新点之一。
[0028]3、神经网络模型中依次连接的前三个特征提取模块分别由：全连接单元FC、线性整流线性单元ReLU、批标准化单元BN和部分丢弃神经元单元Dropout组成，用于对训练样本集依次进行有效地特征提取，这一设计方式可有效提高温度数据的预测精度，是本专利技术实施例的创新点之一。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]图1为本专利技术实施例提供一种基于历史数据的电机温升预测方法流程示意图；
[0031]图2为本专利技术实施例提供的一种深度神经网络模型的结构图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史数据的牵引电机温升预测方法，其特征在于，包括以下步骤：获取牵引电机历史数据，所述牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，所述牵引电机历史数据包括：网流、U相电流瞬时值、W相电流瞬时值、U相电流有效值、W相电流有效值、电机速度、电机温度，所述牵引电机历史数据按照一类传感数据为一个字段进行存储；根据所需要的字段对所述牵引电机历史数据进行处理，得到第一温度特征序列数据；根据预先设置的时间间隔阈值，对所述第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；按照设定的时间窗口宽度和滑动步长对所述第二温升特征序列数据进行采样，得到多组温度特征数据；对所述多组温度特征数据进行划分，得到训练样本数据和测试样本数据；使用所述训练数据和所述测试数据对神经网络模型进行训练测试，生成目标神经网络模型。2.如权利要求1所述的方法，其特征在于，所述同一频率是10Hz。3.如权利要求1所述的方法，其特征在于，使用p...

【专利技术属性】
技术研发人员：邓仰东，
申请(专利权)人：清华大学，
类型：发明
国别省市：