本发明专利技术公开了一种声温振一体化的电动机检测装置，包括：采集电动机的振动幅度、温度和噪声强度的数据采集模块；将采集到的振动幅度、温度和噪声强度均进行过滤处理的数据过滤模块；将过滤后的振动幅度、温度和噪声强度进行特征提取以获得特征矢量的特征提取模块；对特征矢量进行模式识别以获得电动机的状态标签的模式识别模块；将属于同一状态标签的振动幅度、温度和噪声强度相互关联的关联模块；输出电动机的当前运行状态的融合输出模块。本发明专利技术将表征电动机运行工况状态的运行参数与该工况下电动机的振动、噪声、温度监测数据相融合，根据不同工况对监测数据进行融合处理，使得振动、温度、噪声监测数据能够更准确地表征机组的健康状态。
1、大型电动机是电力工业生产的重要设备，随着电力工业的发展和技术进步，电动机正朝着大容量高电压的方向发展，电动机单机容量的提高为提高电动机效率、降低成本、减轻电能生产对环境的影响提供了可能。但同时也对电动机的安全可靠运行提出了更高的要求。大容量的电动机一旦发生故障将会造成停电事故甚至危及电力系统的稳定运行，事故的涉及面大、修理周期长、费用高、经济损失巨大，因此，大型电动机的安全可靠运行已成为电力系统的大事。
2、针对电动机因绝缘降低、堵转、线圈变形与匝间短路、鼠笼磁路等异常，可导致电动机异常振动、内部过热甚至烧毁的问题。因此电动机振动幅值上升、温度增高、噪音增大等状态是电动机运行过程中的常见问题，同时也是电动机设备故障发生的前兆。为实现这类故障状态的预知预警，就需要设置合适的传感器去检测电动机设备的运行状态，从而及时发现电动机设备状态的异常变化，以制定恰当的策略去维护设备，规避设备异常停机的风险。
>5、特征提取模块，其用于将过滤后的振动幅度、温度和噪声强度进行特征提取以获得特征矢量；6、模式识别模块，其用于对特征矢量进行模式识别以获得电动机的状态标签；
7、关联模块，其用于将过滤后的振动幅度、温度和噪声强度按状态标签分组以将属于同一状态标签的振动幅度、温度和噪声强度相互关联；
8、融合输出模块，其用于将同一状态标签的振动幅度、温度和噪声强度与该状态标签下的电动机运行参数采用卷积神经网络模型进行融合，输出电动机的当前运行状态。
9、优选的是，特征提取模块将过滤后的振动幅度、温度和噪声强度进行特征提取的方法包括：聚类算法或自适应神经网络算法。
10、优选的是，模式识别模块对特征矢量进行模式识别的方法包括：
11、步骤1、定义特征矢量之间的距离，设定聚类中心的个数k以及k个初始聚类中心点μ1、μ2、…、μk；
12、步骤2、依次计算特征矢量分别到k个聚类中心的距离，并为当前计算的特征矢量分类至最近的聚类中心；
13、步骤3、依次计算每个聚类中心点包含所有特征矢量的质心点，以更新聚类中心的位置；
14、步骤4、重复步骤2～3直至收敛，完成模式识别。
15、优选的是，融合输出模块中的卷积神经网络模型包括：输入层、卷积块、全连接层和分类器，其中，所述卷积块包括卷积层、激活层和池化层，所述全连接层为线性全连接层，所述分类器为softmax分类器；
16、所述卷积层的卷积函数为：a＝f(wtx+b)；
17、所述激活层的激活函数为sigmod激活函数或tanh激活函数；
18、所述softmax分类器的分类函数为：
19、其中，w和b为待学习的参数，x为输入数据，f为激活函数，xi为融合向量中的元素，p(i)为各类运行状态对应的融合权值。
20、优选的是，融合输出模块将同一状态标签的振动幅度、温度和噪声强度与该状态标签下的电动机运行参数采用卷积神经网络模型进行融合的方法包括：
21、采用mini-batch的方法对样本数据进行分批训练,每批样本都完成一次训练时被视为一个回合，当达到预设的最大回合次数时训练终止；
22、由全连接层和分类器进行输出对应的类别，并利用损失函数计算输出的电动机运行状态类别与人为标注的电动机运行状态类别之间的误差，利用反向传播算法并使用adam优化器来优化交叉熵损失函数，从而更新卷积神经网络模型参数；
23、用验证集进行模型参数验证，将验证准确率最高的卷积神经网络模型进行储存；
24、用验证准确率最高的卷积神经网络模型将当前同一状态标签的振动幅度、温度和噪声强度与该状态标签下的电动机运行参数进行融合；
25、将分类器输出的数据和预先设置的知识规则进行匹配，输出电动机的当前运行状态。
26、优选的是，数据过滤模块将采集到的振动幅度、温度和噪声强度均进行过滤处理的方法包括：
27、将采集到的振动幅度与预设的正常振动幅度区间进行对比，若采集到的振动幅度在正常振动幅度区间内，则保留采集到的振动幅度，若采集到的振动幅度不在正常振动幅度区间内，且维持时长低于第一预设时长，则舍去采集到的振动幅度，若采集到的振动幅度不在正常振动幅度区间内，且维持时长高于第二预设时长，则标记采集到的振动幅度为异常值；
28、将采集到的温度与预设的正常温度区间进行对比，若采集到的温度在正常温度区间内，则保留采集到的温度，若采集到的温度不在正常温度区间内，且维持时长低于第一预设时长，则舍去采集到的温度，若采集到的温度不在正常温度区间内，且维持时长高于第二预设时长，则标记采集到的温度为异常值；
29、将采集到的噪声强度与预设的正常噪声强度区间进行对比，若采集到的噪声强度在正常噪声强度区间内，则保留采集到的噪声强度，若采集到的噪声强度不在正常噪声强度区间内，且维持时长低于第一预设时长，则舍去采集到的噪声强度，若采集到的噪声强度不在正常噪声强度区间内，且维持时长高于第二预设时长，则标记采集到的噪声强度为异常值。
30、优选的是，还包括：
31、异常数据检测模块，其用于将数据过滤模块标记的异常值与预设的预警阈值对比，若异常值高于预警阈值，则发出电动机告警信号。
32、优选的是，所述数据采集模块包括用于采集振动幅度的振动传感器单元、用于采集温度的温度传感器单元和用于采集噪声的噪声传感器单元；
33、异常数据检测模块还用于在第三预设时长内将振动传感器单元采集到的振动幅度进行变化规律分析，将温度传感器单元采集到的温度进行变化规律分析，以及将噪声传感器单元采集到的噪声强度进行变化规律分析，若振动幅度和/或温度和/或噪声强度在第三预设时长内无变化，或无序变化，则对应的发出振动传感器单元告警信号和/或温度传感器单元告警信号和/或噪声传感器单元告警信号。
34、优选的是，还包括：
35、预警阈值配置模块，其用于用户自定义预警阈值。
36、优选的是，还包括：
37、预警显示模块，其用于显示所述数据采集模块采集到的振动幅度、温度和噪声强度，以及电动机的当前运行状态，同时对引起异常数据检测模块发出电动机告警信号的异常值进行提示，和/或对引起异常数据检测模块发出振动传感器单元告警信号的振动传感器单元进行提示，和/或对引起本文档来自技高网...
【技术保护点】
1.一种声温振一体化的电动机检测装置，其特征在于，包括：
2.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，特征提取模块将过滤后的振动幅度、温度和噪声强度进行特征提取的方法包括：聚类算法或自适应神经网络算法。
3.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，模式识别模块对特征矢量进行模式识别的方法包括：
4.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，融合输出模块中的卷积神经网络模型包括：输入层、卷积块、全连接层和分类器，其中，所述卷积块包括卷积层、激活层和池化层，所述全连接层为线性全连接层，所述分类器为Softmax分类器；
5.如权利要求4所述的声温振一体化的电动机检测装置，其特征在于，融合输出模块将同一状态标签的振动幅度、温度和噪声强度与该状态标签下的电动机运行参数采用卷积神经网络模型进行融合的方法包括：
6.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，数据过滤模块将采集到的振动幅度、温度和噪声强度均进行过滤处理的方法包括：
7.如权利要求6所述的声温振一体化的电动机检测装置，其特征在于，还包括：
8.如权利要求7所述的声温振一体化的电动机检测装置，其特征在于，所述数据采集模块包括用于采集振动幅度的振动传感器单元、用于采集温度的温度传感器单元和用于采集噪声的噪声传感器单元；
9.如权利要求8所述的声温振一体化的电动机检测装置，其特征在于，还包括：
10.如权利要求9所述的声温振一体化的电动机检测装置，其特征在于，还包括：
...
【技术特征摘要】
1.一种声温振一体化的电动机检测装置，其特征在于，包括：
2.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，特征提取模块将过滤后的振动幅度、温度和噪声强度进行特征提取的方法包括：聚类算法或自适应神经网络算法。
3.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，模式识别模块对特征矢量进行模式识别的方法包括：
4.如权利要求1所述的声温振一体化的电动机检测装置，其特征在于，融合输出模块中的卷积神经网络模型包括：输入层、卷积块、全连接层和分类器，其中，所述卷积块包括卷积层、激活层和池化层，所述全连接层为线性全连接层，所述分类器为softmax分类器；
5.如权利要求4所述的声温振一体化的电动机检测装置，其特征在于，融合输出模块将同...
【专利技术属性】
技术研发人员：张民威，苏疆东，崔悦，胡志群，何继全，佟帅，汪洋，任继顺，
申请(专利权)人：北京和立智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。