【技术实现步骤摘要】
一种基于LSTM深度学习模型的电机状态参数预测方法
本专利技术涉及数据处理
，特别的为一种基于LSTM深度学习模型的电机状态参数预测方法。
技术介绍
现有的技术问题主要是：对于电机状态参数的预测，主要方法有基于物理模型的方法，基于统计的方法，和基于深度学习的方法。目对于电机温度预测的场景，目前还没有人使用构建窗口内新统计特征方法去做。
技术实现思路
本专利技术提供的专利技术目的在于提供一种基于LSTM深度学习模型的电机状态参数预测方法，该解决上述
技术介绍
中的问题。为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括有如下步骤：S1、从数据采集系统中获取数据；S2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取；S3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3；S4、搭建...
【技术保护点】
1.一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括有如下步骤：/nS1、从数据采集系统中获取数据；/nS2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取；/nS3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3；/nS4、搭建深度学习网络结构，建立神经网络模型，最后经过激活函数后输出结果；/nS5、训练模型，选择评价指标，使用MAE作为损失函数，Adam作为优化算法进行模型的训练；/nS6、使用训练完成的模型接受新的数据做在线预测...
【技术特征摘要】
1.一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括有如下步骤：
S1、从数据采集系统中获取数据；
S2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取；
S3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3；
S4、搭建深度学习网络结构，建立神经网络模型，最后经过激活函数后输出结果；
S5、训练模型，选择评价指标，使用MAE作为损失函数，Adam作为优化算法进行模型的训练；
S6、使用训练完成的模型接受新的数据做在线预测，使用测试属于与预测数据进行对比，计算两者之间的MAE，以评估预测效果。
2.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S1中的操作步骤，从数据采集系统中获取采集电机的电流、电压、功率、扭矩、转速、壳体温度，6个参数，假设原始数据为m*n维数据，m代表数据条数，n代表数据维度，数据xm*n的的使用特征向量表示为
xm*n＝(x(1)，x(2)，x(3)，...，x(i)，...，x(n))
其中xi＝代表第i组数据，
xi＝(x1(1)，x2(2)，x3(3)，...，x4(i)，...，x5(n))。
实际数据共约124466000条，特征6个，数据点间隔为6毫秒，时间跨度为30天，未包括设备关停时的数据。
3.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S2中的操作步骤，需要将电机处于非平稳运行时的数据去除，在此基础上，需要预测1min后的电机参数，需要将电机的统计特征与该状态参数进行关联。
4.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S2中的操作步骤，对原始数据中的电机状态参数进行滑动窗口统计分析，计算一段时间内，若原始特征为x(1)，x(2)，…，x(i)，..，x(n)。使用滑动窗口的方法，每隔一个时间窗长度T，获取该段时间内的特征x(i)的各个统计量，记为x(i)_mean、x(i...
【专利技术属性】
技术研发人员：王军，严潇，
申请(专利权)人：北京天工智造科技有限公司，
类型：发明
国别省市：北京;11
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。