光伏管式设备传送系统的异常检测方法技术方案

本发明专利技术的目的在于揭示一种光伏管式设备传送系统的异常检测方法，包括以下步骤：采集传送系统的运行大数据；对所述运行大数据进行预处理，构建出用于预测电机电流值I的训练数据集；通过机器学习算法对训练数据集进行训练，得到电机电流值I预测模型；采集电机的实时运行电流值R

【技术实现步骤摘要】
光伏管式设备传送系统的异常检测方法


[0001]本专利技术涉及光伏管式设备控制
，尤其涉及一种光伏管式设备传送系统的异常检测方法。

技术介绍

[0002]光伏生产设备(管式加工工艺)传送系统是对半成品电池片进行搬运处理，该系统存在于成套光伏管式设备的多个工艺步骤中，如电池片扩散、电池片镀膜等管式工艺中都需要传送系统，这些传送系统将半成品电池片从位置A运送至位置B。在具体运送半成品电池片过程中，半成品电池片放置于搬运工具石墨舟中，需要通过电机作为驱动力，通过传送带等方式运送半成品电池片，电机负载状态为空舟、满舟、无舟三种状态。
[0003]在较为理想状态下，传送系统可以按照既定的控制程序及路径将半成品电池片进行运送，但在实际运行过程中，传送系统不是匀速地运转，其存在静态、启动、加速、均速、减速等多种工况，传送系统还存在水平方向及高度方向的运送动作，在多因素并发的情况下，传送系统可能会遇到异常，如传送带变松、传送带卡入异物、两平行传送带位置错位等。
[0004]在现有的技术方案中，为了对光伏管式设备传送系统遇到的异常进行及时检测，会对传送系统的各种电机进行异常检测，具体做法是，对电机电流设置了固定的阈值，该阈值一般是上限值，当电机的实际电流值超过固定阈值时，则判定为电机异常，从而判定传送系统出现异常；但实际传送系统中的电机实际运行情况复杂，存在静态、启动、加速、均速、减速等多种工况，在这个过程中，某个电机的实际电流值在不同状态下差异很大，设定固定阈值的做法即一刀切的做法，其通常选取传送系统运行状态最大或最小边际作为阈值，在管式设备中，由于电机在运行状态中电流值状态差异非常大，采用边际值做阈值就会在低电流运作状态时，因阈值过高而漏报，或正常高电流运作时产生误报，所以固定阈值法一直无法推广使用，进而导致现有的光伏管式设备传送系统缺乏有效的异常报警方式，异常将导致出现碰撞、倾斜、切舟等问题，会对关键设备部件造成损伤、电池片裂片、停机停工等严重损失。
[0005]有鉴于此，有必要对现有技术中的光伏管式设备传送系统的异常检测方法予以改进，以解决上述问题。

技术实现思路

[0006]本专利技术的目的在于揭示一种光伏管式设备传送系统的异常检测方法，基于传送系统的运行物理特征的数据构建运行大数据，通过机器学习算法对由传送系统的运行大数据形成的训练数据集进行训练，得到预测模型，实现光伏管式设备传送系统的异常检测智能化。
[0007]为实现上述专利技术目的，本专利技术提供了一种光伏管式设备传送系统的异常检测方法，包括以下步骤：
[0008]采集传送系统的运行大数据；
[0009]对所述运行大数据进行预处理，构建出用于预测电机电流值I的训练数据集；
[0010]通过机器学习算法对训练数据集进行训练，得到电机电流值I的预测模型；
[0011]采集电机的实时运行电流值R
i
；
[0012]将传送系统的实时运行数据输入所述预测模型，映射出电机的实时预测电流值P
i
；
[0013]设定电机的预测电流值安全偏差δ；
[0014]若|P
i
‑
R
i
|＞δ，则判定光伏管式设备传送系统出现异常。
[0015]作为本专利技术的进一步改进，所述预处理至少包括去空值、去重复值或平滑噪声数据中的一种。
[0016]作为本专利技术的进一步改进，所述平滑噪声数据是通过高斯算法对电机电流噪声进行平滑处理。
[0017]作为本专利技术的进一步改进，对所述电机电流进行平滑处理时，按电机的运行状态分阶段进行平滑处理。
[0018]作为本专利技术的进一步改进，所述电机的运行状态包括静态、启动、加速、均速、减速，所述静态为静态卸载或静态负载。
[0019]作为本专利技术的进一步改进，还包括以下步骤，对所述传送系统的实时运行数据中的空值、重复值进行去除；对所述传送系统的运行大数据中的传送系统故障数据进行去除。
[0020]作为本专利技术的进一步改进，所述机器学习算法为随机森林算法。
[0021]作为本专利技术的进一步改进，所述运行大数据和所述实时运行数据为电机的实际位置、设定位置、实际速度、设定速度、负载状态、工位感应。
[0022]作为本专利技术的进一步改进，所述运行大数据和所述实时运行数据为电机的空闲、使能信号、实际位置、设定位置、实际速度、设定速度、负载状态、工位感应。
[0023]作为本专利技术的进一步改进，将所述传送系统的实时运行数据并入所述训练数据集，得到新的预测模型。
[0024]与现有技术相比，本专利技术的有益效果是：
[0025]基于传送系统的运行物理特征的数据构建运行大数据，通过机器学习算法对由传送系统的运行大数据形成的训练数据集进行训练，得到预测模型；然后将传送系统的实时运行数据输入所述预测模型，映射出电机的实时预测电流值；为电机的预测电流值设置安全偏差，当实时预测电流值和实时实际电流值之差的绝对值超出安全安全偏差时，则判定为传送系统异常；因电机在加速、减速、负载发生变化情况下的实际电流值是变化的，所设定的电流安全偏差会使实时电流存在上限电流值和下限电流值，且上限电流值和下限电流值与实际电流值随动变化，使得实际电流的运行曲线被上限电流值曲线和下限电流值曲线包裹，相当于在电机运行的每一个时刻设定了相应的安全偏差，从而实现对电机每一个时刻的智能化异常检测，相对比现有的固定阈值做法，本专利技术在异常检测过程中，相当于在电机运行的每一个时刻设定了相应的安全偏差，从而实现对电机每一个时刻的智能化异常检测。
附图说明
[0026]图1为本专利技术光伏管式设备传送系统的异常检测方法的流程图；
[0027]图2为本专利技术电流安全域电流值与实际电流采样对比图；
[0028]图3是本专利技术电机电流高斯平均前后的数据对比图；
[0029]图4是本专利技术电机电流分阶段平滑与未分阶段平滑对比图；
[0030]图5是本专利技术预测电流值吻合度测试曲线；
[0031]图6为本专利技术预测电流值P
i
的流程图；
[0032]图7为本专利技术上位机决策流程图。
具体实施方式
[0033]下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。
[0034]以下通过多个实施例对本专利技术的具体实现过程予以阐述。
[0035]实施例一：
[0036]参图1所示，本实施例揭示了一种光伏管式设备传送系统的异常检测方法(以下简称“方法”)的一种具体实施方式。
[0037]参图1所示，在本实施例中，该方法包括以下步骤S1至步骤S7，在本实施例中，通过机器学习算法对由传送系统的运行大数据形成的训练数据集进行训练，得到预测模型，实现光伏管式设备传送系统的异常检测智能化。
...

【技术保护点】

【技术特征摘要】
1.光伏管式设备传送系统的异常检测方法，其特征在于，包括以下步骤：采集传送系统的运行大数据；对所述运行大数据进行预处理，构建出用于预测电机电流值I的训练数据集；通过机器学习算法对训练数据集进行训练，得到电机电流值I的预测模型；采集电机的实时运行电流值R
i
；将传送系统的实时运行数据输入所述预测模型，映射出电机的实时预测电流值P
i
；设定电机的预测电流值安全偏差δ；若|P
i
‑
R
i
|＞δ，则判定光伏管式设备传送系统出现异常。2.如权利要求1所述的光伏管式设备传送系统的异常检测方法，其特征在于，所述预处理至少包括去空值、去重复值或平滑噪声数据中的一种。3.如权利要求2所述的光伏管式设备传送系统的异常检测方法，其特征在于，所述平滑噪声数据是通过高斯算法对电机电流噪声进行平滑处理。4.如权利要求3所述的光伏管式设备传送系统的异常检测方法，其特征在于，对所述电机电流进行平滑处理时，按电机的运行状态分阶段进行平滑处理。5.如权利要求4所述的光伏管式设备传送系统的异常检测方法，其特征在于，所述电机的运...

【专利技术属性】
技术研发人员：王苏西，张勇，杨正宇，王剑桥，朱伟，冯卓，
申请(专利权)人：江苏恒云太信息科技有限公司，
类型：发明
国别省市：