一种基于大数据的电机故障诊断预测方法技术

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

【技术实现步骤摘要】
一种基于大数据的电机故障诊断预测方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术采取的技术方案是，一种基于大数据的电机故障诊断预测方法，包括以下步骤：
[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]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：
[0012]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
[0013]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：
[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
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
＝v
q
，则电机运行监测异常数据坐标值矩阵为
[0019]优化的，上述基于大数据的电机故障诊断预测方法，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。
[0020]优化的，上述基于大数据的电机故障诊断预测方法，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。
[0021]本申请的技术方案，在实际应用时，监测电机的运行并获取电机数据。当获取的电机运行数据中出现异常数据时，通过本申请的考虑权重数值的电机故障模糊预测规则对异常数据进行预计推测，预计出电机在出现此种异常数据的情况下可能出现的各种电机故障和出现各种电机故障的可能性，方便维护人员对电机及时的进行维护，防止出现较大的事故。
[0022]本申请的技术方案中，通过使用模糊预测方式，在对电机故障预测时，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，通过电机故障模糊预测规则可以由异常数据推断出多种可能的故障。为了提高精度，本申请中通过大数据统计得到电机故本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
‑

【专利技术属性】
技术研发人员：向红先，
申请(专利权)人：成都擎熵数据技术有限公司，
类型：发明
国别省市：