输入关键词，如黄金提取，余热利用，硝化废酸回收等后点击搜索进行检索技术资料
导航：X技术最新专利计算;推算;计数设备的制造及其应用技术
本发明针对传统电机预测性维护存在实时性高、硬件成本高、故障诊断滞后及准确率低的问题，提出基于温度与振动参数交叉计算的解决方案。通过部署多传感器采集数据，利用矩阵特征值向量映射实时工况，结合统计计算与实时计算分离技术，实现健康度连续监测与局部故障定位，有效降低硬件负载并提升诊断鲁棒性。
本发明涉及一种基于电机参数进行预测性维护的方法与系统，属于信息领域，适用于工业现场、工科教学设备和带有电机装置的设备维护。
在电机的预测性维护方面，国内依然处于试探性的阶段，没有一种脱颖而出的方案可以实现多种类型、多种行业的电机进行统一化的预测性维护平台。为了实现预测性平台的搭建，首先要确定电机的日常运行健康度，这需要统计电机的日常运行参数，并对其进行分析。当前的电机维护多基于故障诊断算法，由电机运行时的相关电气参数可进行数学推导，判断其运行状况的优劣。这种算法，第一，实时性要求高，需要即时采集，即时计算，在采集设备中就需要进行大量的数学计算，这里的计算不光包括由采集得到的数据计算得出算法的输入数据，也包括算法本身的计算，为了更好的维护效果，这种计算对采集设备的硬件要求高，若是大量的设备需要采集则需要成倍地提高成本；第二，这类算法往往在电机系统产生急性突变故障时才能进行故障诊断，如果将电机的健康度看作0-100间的一个值，应用传统的故障诊断算法时，电机健康度的变化往往是一个离散值的骤减，使得从设备诊断出故障到设备产生不可逆的损伤的时间过短，不利于对电机的容错；第三，传统故障诊断方法往往只针对一种参数进行阈值判断，其准确率不高，且鲁棒性较差。
发明目的：针对现有技术的不足，本发明目的在于提供一种基于电机参数进行预测性维护的方法与系统，基于电机局部诊断判断整体电机的健康度，将传统电机故障诊断的诊断时间提前，预防电机出现不可逆的损伤，并且降低采集设备的硬件要求。
技术方案：为实现上述发明目的，本发明所述的一种基于电机参数进行预测性维护的方法，包括如下步骤：
(1)在电机的各重要部位装载温度传感器和振动传感器，所述各重要部位至少包括轴承和绕组；
(2)将温度传感器与振动传感器从1～n进行编号，同编号的两类传感器布置在同一位置，位置也用1～n进行编号；采集并存储正常工作时，以及位置i(0in+1)非正常工作时共n+1种类型的数据，每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成：和[v1v2…vn]；其中t1～tn为温度传感器1～n输出的测量值，v1～vn为振动传感器1～n输出的测量值；
(4)将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵，计算每一组n阶方阵的特征值和特征向量，将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai；
(5)将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对，求出δi＝b-ai，i∈[0,n]∩z，并计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值并将该比值对数变换和三角函数变换可得到局部健康度ri；
(6)通过局部健康度计算出综合健康度当实时综合健康度持续降低或小于设定的阈值，则判定电机处于非健康状态，并定位出局部健康度ri持续降低或小于设定的阈值的位置为非正常位置，实现预测性维护。
作为优选，所述步骤(2)中分别获取不同日期或气温下的正常和非正常工作的温度和振动数据，所述步骤(5)中选择与当前日期或气温对应的标准特征值进行比对。
作为优选，所述方法还包括将实际工况和正常状态的接近程度与非正常状态的接近程度的比值，标注在n边形图上，得到n边形工况比对图，直观展示出电机当前工作状态的趋向。
作为优选，步骤(2)中通过电机零件替换采集非正常运行参数或构造噪声信号增加到正常运行参数上模拟非正常运行参数。
各工况标准特征采集模块，用于将温度传感器与振动传感器从1～n进行编号，同编号的两类传感器布置在电机的同一位置，所布置的位置至少包括轴承和绕组，位置也用1～n进行编号；采集并存储正常工作时，以及位置i(0in+1)非正常工作时共n+1种类型的数据，每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成：和[v1v2…vn]；其中t1～tn为温度传感器1～n输出的测量值，v1～vn为振动传感器1～n输出的测量值；
并且，将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵，计算每一组n阶方阵的特征值和特征向量，将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai；
实时局部健康度计算模块，用于将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对，求出δi＝b-ai，i∈[0,n]∩z，并计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值并将该比值对数变换和三角函数变换可得到局部健康度ri；
以及，非正常预测模块，用于通过局部健康度计算出综合健康度当实时综合健康度持续降低或小于设定的阈值，则判定电机处于非健康状态，并定位出局部健康度ri持续降低或小于设定的阈值的位置为非正常位置，实现预测性维护。
作为优选，所述系统还包括工况对比图绘制模块，用于将实际工况和正常状态的接近程度与非正常状态的接近程度的比值，标注在n边形图上，得到n边形工况比对图，直观展示出电机当前工作状态的趋向。
1.本发明采集了电机的温度和振动两个参数进行交叉计算，能够更加准确地得出电机的非正常工作状态，并且可避免采集电气类参数，如电流电压，此类参数在采集时需安装相关变送器，而这类在成品电机上难以安装；
2.电机故障多发生于硬件老化或故障，环境变化等直接变化量，而传统故障诊断多采集电流电压等电气参数，此参数为硬件老化或故障带来的间接变化量，本发明直接采集温度和振动等直接变化量，在统计计算的基础上将季节等环境变化因素也包含在内，边缘采集设备可通过获得当地时间的时间戳，通过月、日、时的时间参数来判断天气与气温，或直接通过联网获取当天的气温，统计并计算后将各类季节、各类天气下的特征值区分开来，使得预测性维护系统的鲁棒性大幅增加；
3.采用实时计算与统计计算两个流进行算法计算，将统计计算流独立于实时计算流，降低了边缘采集设备的计算成本，降低了硬件成本；
4.本发明将预测性维护定位至电机局部，不同于传统的整体故障诊断方法，提升了这一预测性维护方法的鲁棒性，并且降低了人工检测成本；
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明实施例公开的一种基于电机参数进行预测性维护的方法，主要包括如下步骤：
(1)在电机的各重要部位装载温度传感器和振动传感器以接收数据，电机的关键采集点为轴承和绕组，可在这些部位分别布置n个温度传感器和n个振动传感器；
(2)将温度传感器与振动传感器可从1～n进行编号，同编号的两类传感器应布置在同一位置，位置也用1～n进行编号；
(3)采集一段时间内的数据并进行存储；数据采集分为两个部分，第一层为传感器部分，可以将温度信号和振动信号转化为采集设备可以接收的信号类型，如4-20ma直流标准工业信号，0-5v的电压信号等等，再通过一系列协议，如i2c协议，单总线协议等等将数据传递给边缘采集设备进行计算，并将计算结果通过互联网传送至云端服务器。
(4)统计并分组n+1种类型的数据，分别为正常工作(温度t与振动v的数值均在正常范围内)时，和位置i(0in+1)非正常工作(温度ti或vi数值不在正常范围内)时的数据，每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成：
这两个矩阵的值应在同一时刻取得。非正常工作场景的参数可由两种方式构造，第一种可用已损坏的电机零件去替代完好的电机零件，进行运行实验并采集运行参数，此方案成本较高，数据可信度很高；第二种可用matlab构造噪声信号增加到正常工作的运行参数中进行非正常工作参数模拟，此方案成本较低，但数据的可信度略低。对不同日期下的正常与非正常工作场景的参数可由matlab模拟取得，由于同一地点在同一日期的天气应当相同或相似，所以可以通过matlab将一年中的每一天的气温进行数组化处理，根据每一天的气温数组可以对温度矩阵进行修正，如当天气温数组对应的温度相比前一天升高或降低了x℃，则当天的温度矩阵各元素也应当升高或降低x℃，当天时间戳可从互联网获得。
n阶方阵代表了在同一时刻，所有n个部位的温度与振动的相关关系，其中主对称轴为同一部位的温度与振动的相关关系；
(6)计算每一组n阶方阵的特征值和特征向量，可在复数域中计算得到n个特征值和特征向量，这n个特征值组成的向量可表示为当前电机工作状态类型(部位i非正常工作或所有部位正常工作，正常工作时设i＝0)的标准特征值向量ai＝[λ1λ2…λn]，代表了这一组数据表示的电机状态，若是工作在相同或相似状态下，计算得出的特征值向量应与这一工作状态类型的标准特征值向量相同或相近(通过阈值比对)；
(7)将t时刻的实际采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对，求出δi＝b-ai，i∈[0,n]∩z，δi是用于表示当前工作状态与部位i处于非正常工作状态的接近程度的量，δi的值越小，证明当前工作状态越趋向于部位i的非正常状态；
(8)计算值通过计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值，可得到一个范围为(0,+∞)的值σ，将其标注在n边形上，如图2所示。多边形的轴可根据各轴上的σ的大小调整轴类型以供显示，σ差距大时，可用对数轴表示，当差距小时，可用线)可从n边形图中直观地看出电机当前工作状态的趋向，电机可以处于一种或多种的不正常工作状态，由程序可定位电机具体的不正常工作状态的部位。
(10)由于向量间夹角可能会接近180°，其模值会相当大，因此把计算得出的σ进行对数变换和三角函数变换可得到局部健康度评分：
(12)计算实时综合健康度的导数，当r′长期持续处于小于零的状态或r值过低，则可判定电机处于非健康状态，根据程序进行定位维护检修。如果局部健康度ri在程序中判断为持续降低或过低，则认为这个部位i非正常。
本发明公开的一种基于电机参数进行预测性维护的系统，包括：各工况标准特征采集模块，用于采集并存储正常工作时，以及位置i非正常工作时共n+1种类型的数据，并将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵，计算每一组n阶方阵的特征值和特征向量，将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai；实时局部健康度计算模块，用于将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对，计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值，从而得到局部健康度ri；工况对比图绘制模块，用于根据实际工况和正常状态的接近程度与非正常状态的接近程度的比值绘制n边形工况比对图，直观展示出电机当前工作状态的趋向；以及，非正常预测模块，用于通过局部健康度计算出综合健康度，根据综合健康度判定电机是否处于非健康状态，实现预测性维护。具体实施细节见上述方法实施例，此处不再赘述。
本发明将统计电机参数并进行算法分析的工作提前完成，而不进行实时的计算，从而降低了采集设备的工作量，避免了不必要的硬件成本；本发明实时生成电机的健康度，将电机健康度与直观的硬件采集参数(非电气参数)形成映射关系，可以从振动和温度两方面影响，进行电机健康度的判定，此时电机的健康度是一个在时域内连续变化的量，通过判断它在一段时间内的变化趋势即可实现预测性维护，将传统电机故障诊断的诊断时间提前，可以很好的预防电机出现不可逆的损伤，有利于电机的容错；本发明从电机的局部出发，通过两种无直接联系的非电气采集参数进行交叉计算，改进了算法的准确性，在变换一种电机时，通过局部的诊断检测依然可以判断整体电机的健康度，增加了系统的鲁棒性。
热电转换材料、热电转换元件、热电转换模块及热电转换材料的制造方法与流程
针对制造设备维护滞后导致效率下降的问题，提出基于产品合格率划分设备健康等级的预测性维护方法。通过建立设备状态模型与预维修策略模型，结合强化学习算法构建状态转移模型，动态生成设备状态与维修策略对...
1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用