一种基于大数据的电机故障诊断预测方法与流程

1.本发明涉及一种基于大数据的电机故障诊断预测方法，属于电气设备领域。


背景技术：

2.故障预测技术是一门设计机械、电子、计算机、通信、控制等多学科综合的新兴边缘学科。现阶段，对于电机的故障诊断预测还没有定性的理论可以作为参照，主要的分析手段有统计学预测技术、数学预测技术、智能预测技术以及信息融合预测技术等。统计学概率推测、智能神经网络和灰色理论数学模型一直是重点研究的方法，但这几种方法又有其自身的优缺点而且在结合上有一定的难度。由于电机的故障存在一定的随机性和模糊性，使用模糊预测方法对电机进行故障预测，能够对电机的故障进行单输入和多输入的统计预测，符合电机故障预测的要求。但是模糊预测由于预测精度较低，影响了模糊预测方法在电机故障预测中的使用。


技术实现要素：

3.本发明目的在于克服现有电机故障预测方法在的上述缺陷，提供一种基于大数据的电机故障诊断预测方法。
4.本发明采取的技术方案是，一种基于大数据的电机故障诊断预测方法，包括以下步骤：
5.1)使用模糊预测方法，建立由电机运行异常数据导致电机故障的电机故障模糊预测规则；
6.2)查询大数据库中关于电机运行的数据，获取电机运行故障数据并获取引起电机运行故障的电机运行监测异常数据，并对获取的数据进行统计整理；
7.3)将步骤2)统计整理后的电机运行故障数据、引起电机运行故障的电机运行监测异常数据组织到一个电机故障统计矩阵中；
8.4)对步骤3)得到的电机故障统计矩阵进行运算处理，得到电机故障-异常数据矩阵；
9.5)算步骤4)得到的电机故障-异常数据矩阵中的电机运行监测异常数据导致其引起的电机运行故障的权重；
10.6)将步骤5)得到的权重数值带入到电机故障模糊预测规则中，得到考虑权重数值的电机故障模糊预测规则。
11.优化的，上述基于大数据的电机故障诊断预测方法，在步骤1)中，电机故障模糊预测规则为：ifthen将模糊判定规则表示为：i＝0，2，
…
，n；j＝1，2，
…
，n；为由可能导致的电机故障集合，将表示为：
12.优化的，上述基于大数据的电机故障诊断预测方法，在步骤3)中，对步骤2)获取的每种电机运行故障进行编号进行依次数字编号，则电机运行故障用gn表示，其中n＝1，
2，
…
，n；电机故障统计矩阵表示为：其中w
i，p
表示引起电机运行故障的电机运行监测异常数据，引起编号为n的电机运行故障gn的电机运行监测异常数据排列于w中的第n竖列；将电机故障统计矩阵w中所有元素除以该元素所在行的元素总和，得到归一化矩阵所述归一化矩阵中的元素为即
13.优化的，上述基于大数据的电机故障诊断预测方法，在步骤4)中，对电机故障统计矩阵进行运算处理的过程包括，定义归一化矩阵则：
[0014][0015]
设置筛选规则其中：是引起电机运行故障的电机运行监测异常数据及其引起的电机运行故障的归一化矩阵；δ是电机运行监测异常数据的各类型分布的归一化矩阵；u为电机运行故障的数量阈值；θ是元素d
cs
的阈值；通过筛选规则对电机运行监测异常数据进行筛选，不符合筛选规则的电机运行监测异常数据舍弃；筛选规则筛选后，得到电机故障-异常数据矩阵矩阵x：其中，
[0016]
优化的，上述基于大数据的电机故障诊断预测方法，在步骤4)中，计算电机故障-异常数据矩阵矩阵x内全部数据的总和t、电机故障-异常数据矩阵矩阵x内全部行的和xs、电机故障-异常数据矩阵矩阵x内全部列的和xc，其中：
[0017]
定义电机故障-异常数据矩阵x的变换矩阵z为：z＝[z
sc
]i×
p
、
[0018]
给出电机运行监测异常数据类型的协方差阵h＝zz
t
，以及电机运行监测异常数据
异常数据矩阵并以电机故障-异常数据矩阵作为统计计算基础，计算出各种电机运行监测异常数据可能导致的电机故障的可能性权重，将权重带入到电机故障模糊预测规则中，使得电机故障模糊预测规则不仅能够推断出电机故障的可能种类，并且能够预测出出现各种电机故障的可能性，可以对维护人员提供较准确地参考意见，方便电机的维护和故障预防的进行。
附图说明
[0023]
图1示出本发明的电机故障诊断预测方法的流程图。
具体实施方式
[0024]
下面结合附图与具体实施例进一步阐述本发明的技术特点。
[0025]
本技术为一种基于大数据的电机故障诊断预测方法，包括以下步骤：
[0026]
1)使用模糊预测方法，建立由电机运行异常数据导致电机故障的电机故障模糊预测规则；
[0027]
2)查询大数据库中关于电机运行的数据，获取电机运行故障数据并获取引起电机运行故障的电机运行监测异常数据，并对获取的数据进行统计整理；
[0028]
3)将步骤2)统计整理后的电机运行故障数据、引起电机运行故障的电机运行监测异常数据组织到一个电机故障统计矩阵中；
[0029]
4)对步骤3)得到的电机故障统计矩阵进行运算处理，得到电机故障-异常数据矩阵；
[0030]
5)算步骤4)得到的电机故障-异常数据矩阵中的电机运行监测异常数据导致其引起的电机运行故障的权重；
[0031]
6)将步骤5)得到的权重数值带入到电机故障模糊预测规则中，得到考虑权重数值的电机故障模糊预测规则。
[0032]
在步骤1)中，电机故障模糊预测规则为：
[0033]
ifthen将模糊判定规则表示为：i＝0，2，
…
，n；j＝1，2，
…
，n；为由可能导致的电机故障集合，将表示为：
[0034]
多输入的模糊推理虽然能够应对的情况多于单输入的模糊推理，但是相对于单输入的模糊推理，多输入的模糊推理的预测精度较低，所以本技术中使用单输入的模糊推理建立电机故障模糊预测规则，当出现多种电机运行监测异常数据时，可以分别进行推理预测，输出多种结果，因为各种输出结果均有权重带来的可能性数值作为参考，所以同样具有较好的精度和较可靠的参考性。
[0035]
在步骤3)中，对步骤2)获取的每种电机运行故障进行编号进行依次数字编号，则电机运行故障用gn表示，其中n＝1，2，
…
，n；电机故障统计矩阵表示为：
其中w
i，p
表示引起电机运行故障的电机运行监测异常数据，引起编号为n的电机运行故障gn的电机运行监测异常数据排列于w中的第n竖列；将电机故障统计矩阵w中所有元素除以该元素所在行的元素总和，得到归一化矩阵所述归一化矩阵中的元素为即
[0036]
将全部的电机运行监测异常数据统一到一个矩阵中，并对矩阵进行归一化处理，保证了电机故障统计矩阵在运算时的运算精度，保证后续有较精确的结果输出。
[0037]
对电机故障统计矩阵进行运算处理的过程包括，定义归一化矩阵则：
[0038][0039]
设置筛选规则其中：是引起电机运行故障的电机运行监测异常数据及其引起的电机运行故障的归一化矩阵；δ是电机运行监测异常数据的各类型分布的归一化矩阵；μ为电机运行故障的数量阈值；e是元素d
cs
的阈值；通过筛选规则对电机运行监测异常数据进行筛选，不符合筛选规则的电机运行监测异常数据舍弃；筛选规则筛选后，得到电机故障-异常数据矩阵矩阵x：其中，
[0040]
在步骤4)中，计算电机故障-异常数据矩阵矩阵x内全部数据的总和t、电机故障-异常数据矩阵矩阵x内全部行的和xs、电机故障-异常数据矩阵矩阵x内全部列的和xc，其中：
[0041]
定义电机故障-异常数据矩阵x的变换矩阵z为：
[0042]
给出电机运行监测异常数据类型的协方差阵h＝zz
t
，以及电机运行监测异常数据类型的协方差阵h的特征根λ1≥λ2≥
…
≥λj，其中j∈(i
×
p)，取前q个累积贡献率的特征根，计算累积惯量计算协方差阵h
的特征根的特征向量u1，u2，...uq，则电机故障类型坐标值矩阵为其中计算协方差阵h的特征根相对电机故障类型的协方差阵m＝z
t
z的单位特征向量z
t
u1＝v1，z
t
u2＝v2，...z
t
uq＝vq，则电机运行监测异常数据坐标值矩阵为
[0043]
根据电机故障类型坐标值、电机运行监测异常数据坐标值绘制散点图、行点总览表和列点总览表；根据散点图、行点总览表和列点总览表，电机故障类型ss和电机运行监测异常数据cc在主要解释维度η上距离为t，t由样本坐标可得；由电机故障类型坐标值矩阵和电机运行监测异常数据坐标值矩阵为设定电机故障类型ss和电机运行监测异常数据cc的主要维度惯量值g
sη
和g
cη
；计算σ
sc
＝(1-τ)(g
sη
+g
sη
)/2，σ
sc
即为电机运行监测异常数据cc对于引发电机故障类型ss的权重数值。
[0044]
设置由可能导致的电机故障集合中各种电机故障的可能性权重数值表示为权重矩阵，则权重矩阵为：最终由导致的电机故障集合电机故障集合的诊断预测输出为：预测输出y的矩阵中第i行数值为考虑了电机运行监测异常数据引发电机故障的权重后，各种电机运行监测异常数据引起第i种电机故障的全部可能性参考值，数值越大可能性越高。
[0045]
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，作出的变化、改型、添加或替换，都应属于本发明的保护范围。

技术特征：
1.一种基于大数据的电机故障诊断预测方法，其特征在于：包括以下步骤：1)使用模糊预测方法，建立由电机运行异常数据导致电机故障的电机故障模糊预测规则；2)查询大数据库中关于电机运行的数据，获取电机运行故障数据并获取引起电机运行故障的电机运行监测异常数据，并对获取的数据进行统计整理；3)将步骤2)统计整理后的电机运行故障数据、引起电机运行故障的电机运行监测异常数据组织到一个电机故障统计矩阵中；4)对步骤3)得到的电机故障统计矩阵进行运算处理，得到电机故障-异常数据矩阵；5)计算步骤4)得到的电机故障-异常数据矩阵中的电机运行监测异常数据导致其引起的电机运行故障的权重；6)将步骤5)得到的权重数值带入到电机故障模糊预测规则中，得到考虑权重数值的电机故障模糊预测规则。2.根据权利要求1所述的基于大数据的电机故障诊断预测方法，其特征在于：在步骤1)中，电机故障模糊预测规则为：将模糊判定规则表示为：表示为：表示为：为由可能导致的电机故障集合，将表示为：3.根据权利要求2所述的基于大数据的电机故障诊断预测方法，其特征在于：在步骤3)中，对步骤2)获取的每种电机运行故障进行编号进行依次数字编号，则电机运行故障用g
n
表示，其中n＝1,2,
…
,n；电机故障统计矩阵表示为：其中w
i,p
表示引起电机运行故障的电机运行监测异常数据，引起编号为n的电机运行故障g
n
的电机运行监测异常数据排列于w中的第n竖列；将电机故障统计矩阵w中所有元素除以该元素所在行的元素总和，得到归一化矩阵所述归一化矩阵中的元素为即4.根据权利要求3所述的基于大数据的电机故障诊断预测方法，其特征在于：在步骤4)中，对电机故障统计矩阵进行运算处理的过程包括，定义归一化矩阵则：
设置筛选规则其中：是引起电机运行故障的电机运行监测异常数据及其引起的电机运行故障的归一化矩阵；δ是电机运行监测异常数据的各类型分布的归一化矩阵；μ为电机运行故障的数量阈值；θ是元素d
cs
的阈值；通过筛选规则对电机运行监测异常数据进行筛选，不符合筛选规则的电机运行监测异常数据舍弃；筛选规则筛选后，得到电机故障-异常数据矩阵矩阵x：其中，5.根据权利要求4所述的基于大数据的电机故障诊断预测方法，其特征在于：在步骤4)中，计算电机故障-异常数据矩阵矩阵x内全部数据的总和t、电机故障-异常数据矩阵矩阵x内全部行的和x
s
、电机故障-异常数据矩阵矩阵x内全部列的和x
c
，其中：定义电机故障-异常数据矩阵x的变换矩阵z为：z＝[z
sc
]
i
×
p
、给出电机运行监测异常数据类型的协方差阵h＝zz
t
，以及电机运行监测异常数据类型的协方差阵h的特征根λ1≥λ2≥
…
≥λ
j
，其中j∈(i
×
p)，取前q个累积贡献率的特征根，计算累积惯量计算协方差阵h的特征根的特征向量u1，u2，
…
u
q
，则电机故障类型坐标值矩阵为其中计算协方差阵h的特征根相对电机故障类型的协方差阵m＝z
t
z的单位特征向量z
t
u1＝v1，z
t
u2＝v2，
…
z
t
u
q
＝vx，则电机运行监测异常数据坐标值矩阵为6.根据权利要求5所述的基于大数据的电机故障诊断预测方法，其特征在于：根据电机故障类型坐标值、电机运行监测异常数据坐标值绘制散点图、行点总览表和列点总览表；根据散点图、行点总览表和列点总览表，电机故障类型s
s
和电机运行监测异常数据c
c
在主要解释维度η上距离为τ,τ由样本坐标可得；由电机故障类型坐标值矩阵和电机运行监测异常数据坐标值矩阵为设定电机故障类型s
s
和电机运行监测
异常数据c
c
的主要维度惯量值g
sη
和g
cη
；计算σ
sc
＝(1-τ)(g
sη
+g
sη
)/2，σ
sc
即为电机运行监测异常数据c
c
对于引发电机故障类型s
s
的权重数值。7.根据权利要求6所述的基于大数据的电机故障诊断预测方法，其特征在于：设置由可能导致的电机故障集合中各种电机故障的可能性权重数值表示为权重矩阵，则权重矩阵为：最终由导致的电机故障集合电机故障集合的诊断预测输出为：预测输出y的矩阵中第i行数值为考虑了电机运行监测异常数据引发电机故障的权重后，各种电机运行监测异常数据引起第i种电机故障的全部可能性参考值，数值越大可能性越高。

技术总结
本申请公开了一种基于大数据的电机故障诊断预测方法，包括以下步骤：1）使用模糊预测方法，建立由电机运行异常数据导致电机故障的电机故障模糊预测规则；2）查询大数据库中关于电机运行的数据，获取电机运行故障数据并获取引起电机运行故障的电机运行监测异常数据，并对获取的数据进行统计整理；3）将步骤2）统计整理后的电机运行故障数据、引起电机运行故障的电机运行监测异常数据组织到一个电机故障统计矩阵中；4）对步骤3）得到的电机故障统计矩阵进行运算处理，得到电机故障-异常数据矩阵。本发明的优点在于：使用本发明的电机故障诊断预测方法可以对电机运行过程中可能出现的故障有较好的预测精度，给维护人员提供较准确地数据依据。据依据。据依据。


技术研发人员：向红先
受保护的技术使用者：成都擎熵数据技术有限公司
技术研发日：2021.10.10
技术公布日：2022/3/8