一种电机故障分析方法、系统、终端设备及存储介质技术方案

本发明专利技术公开了一种电机故障分析方法、系统、终端设备及存储介质，方法包括通过若干个传感器采集待检测的电机运行时的数据，并将采集到的数据发送至边缘计算设备中，边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征，构建支持向量机模型，将待检测的时域特征、频域特征和信息熵特征作为支持向量机模型的输入，支持向量机模型输出电机故障诊断结果，实现电机故障的分析；通过提取电机运行时的数据的时域特征、频域特征和信息熵特征，能够从多维度对电机运行状态进行分析，从而能够精准对电机故障出现的深层次原因进行定位，也能够及时发现潜在问题，同时，通过边缘计算设备进行分析，能够提高故障分析的效率。故障分析的效率。故障分析的效率。

【技术实现步骤摘要】
一种电机故障分析方法、系统、终端设备及存储介质


[0001]本专利技术涉及电机故障分析
，尤其涉及一种电机故障分析方法、系统、终端设备及存储介质。

技术介绍

[0002]随着工业的持续发展和科技水平的不断提高，电机被广泛应用在我国的工业机械等领域中，但由于电机常运行在受各种复杂外部环境因素影响的工作场景之下以及运行时间过长、负荷压力过大情况，故障率随之也比较高，电机出现问题时，如不能及时的进行发现判断和处理，就会使得电机无法正常的工作甚至损坏，不仅对人造成伤害的同时，也会因为电机的故障而造成产业停工以及后续支付高额维修费用等问题，直接造成较高的经济损失，因此，需要对电机进行故障检测分析，现有的电机故障检测分析主要依靠人力巡检，通过人工对各项传感器的监测指标进行人为的检查和分析，能达到对电机已出现的一些明显故障进行发现与抢修，但是远无法达到对故障出现的深层次原因定位，以及对通过各项监测数据进行有效分析及时的发现潜在问题。

技术实现思路

[0003]有鉴于此，本专利技术提出一种电机故障分析方法、系统及终端设备，可以解决现有技术所存在的无法对故障出现的深层次原因定位和无法及时发现潜在问题的缺陷。
[0004]本专利技术的技术方案是这样实现的：
[0005]一种电机故障分析方法，具体包括：
[0006]通过若干个传感器采集待检测的电机运行时的数据，并将采集到的数据发送至边缘计算设备中；
[0007]边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征；
[0008]构建支持向量机模型，将待检测的时域特征、频域特征和信息熵特征作为所述支持向量机模型的输入，所述支持向量机模型输出电机故障诊断结果，从而实现电机故障的分析。
[0009]作为所述电机故障分析方法的进一步可选方案，所述方法还包括：
[0010]将电机故障诊断结果发送至云端服务器进行记录保存，并将电机故障诊断结果进行电机运行状态实时监控的可视化反馈，产生电机健康的评估报告并且及时处理电机运行异常的通知报警。
[0011]作为所述电机故障分析方法的进一步可选方案，所述边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征，具体包括：
[0012]对接收到的数据进行计算，得到其有效值、峭度系数和峰值系数，所述有效值、峭度系数和峰值系数为待检测的时域特征；
[0013]对接收到的数据进行傅里叶变换，并计算傅里叶变换后的数据的偶倍转频比值
和、奇倍转频比值和、以及频谱复杂度，所述偶倍转频比值和、奇倍转频比值和、以及频谱复杂度为待检测的频域特征；
[0014]对接收到的数据进行信息熵计算，得到待检测的信息熵特征。
[0015]作为所述电机故障分析方法的进一步可选方案，所述方法还包括特征筛选，具体包括:
[0016]根据NFS算法从多个有效值、多个峭度系数、多个峰值系数、多个偶倍转频比值和、多个奇倍转频比值和、多个频谱复杂度和多个信息熵特征中进行进行筛选，筛选出权重高的特征。
[0017]作为所述电机故障分析方法的进一步可选方案，所述构建支持向量机模型，具体包括：
[0018]获取特征训练样本；
[0019]将特征训练样本输入SVM框架中进行训练，得到初始的支持向量机模型；
[0020]依据粒子群算法和十折交叉验证方法，确定初始的支持向量机模型的惩罚系数和各种核函数的系数，从而确定最终的支持向量机模型。
[0021]一种电机故障分析系统，包括：
[0022]传感器组，用于采集待检测的电机运行时的数据，并将采集到的数据发送至边缘计算设备中；
[0023]边缘计算设备，用于对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征；
[0024]构建模块，用于构建支持向量机模型；
[0025]诊断模块，用于将待检测的时域特征、频域特征和信息熵特征作为所述支持向量机模型的输入，所述支持向量机模型输出电机故障诊断结果。
[0026]作为所述电机故障分析系统的进一步可选方案，所述系统还包括云端服务器，所述云端服务器用于将电机故障诊断结果发送至云端服务器进行记录保存，并将电机故障诊断结果进行电机运行状态实时监控的可视化反馈，产生电机健康的评估报告并且及时处理电机运行异常的通知报警。
[0027]作为所述电机故障分析系统的进一步可选方案，所述系统还包括特征筛选模块，所述特征筛选模块用于对权重高的特征进行筛选。
[0028]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种电机故障分析方法的步骤。
[0029]一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现上述任意一种电机故障分析方法的步骤。
[0030]本专利技术的有益效果是：通过提取电机运行时的数据的时域特征、频域特征和信息熵特征，能够从多维度对电机运行状态进行分析，从而能够精准对电机故障出现的深层次原因进行定位，也能够及时发现潜在问题，同时，通过边缘计算设备进行分析，能够提高故障分析的效率。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术一种电机故障分析方法的流程示意图；
[0033]图2为本专利技术一种电机故障分析系统的组成示意图。
具体实施方式
[0034]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0035]参考图1
‑
2，一种电机故障分析方法，具体包括：
[0036]通过若干个传感器采集待检测的电机运行时的数据，并将采集到的数据发送至边缘计算设备中；
[0037]边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征；
[0038]构建支持向量机模型，将待检测的时域特征、频域特征和信息熵特征作为所述支持向量机模型的输入，所述支持向量机模型输出电机故障诊断结果，从而实现电机故障的分析。
[0039]在本实施例中，通过提取电机运行时的数据的时域特征、频域特征和信息熵特征，能够从多维度对电机运行状态进行分析，从而能够精准对电机故障出现的深层次原因进行定位，也能够及时发现潜在问题，同时，通过边缘计算设备进行分析，能够提高故障分析的效率。
[0040]需要说明的是，在电机及基座、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机故障分析方法，其特征在于，具体包括：通过若干个传感器采集待检测的电机运行时的数据，并将采集到的数据发送至边缘计算设备中；边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征；构建支持向量机模型，将待检测的时域特征、频域特征和信息熵特征作为所述支持向量机模型的输入，所述支持向量机模型输出电机故障诊断结果，从而实现电机故障的分析。2.根据权利要求1所述的一种电机故障分析方法，其特征在于，所述方法还包括：将电机故障诊断结果发送至云端服务器进行记录保存，并将电机故障诊断结果进行电机运行状态实时监控的可视化反馈，产生电机健康的评估报告并且及时处理电机运行异常的通知报警。3.根据权利要求2所述的一种电机故障分析方法，其特征在于，所述边缘计算设备对接收到的数据进行特征提取，得到待检测的时域特征、频域特征和信息熵特征，具体包括：对接收到的数据进行计算，得到其有效值、峭度系数和峰值系数，所述有效值、峭度系数和峰值系数为待检测的时域特征；对接收到的数据进行傅里叶变换，并计算傅里叶变换后的数据的偶倍转频比值和、奇倍转频比值和、以及频谱复杂度，所述偶倍转频比值和、奇倍转频比值和、以及频谱复杂度为待检测的频域特征；对接收到的数据进行信息熵计算，得到待检测的信息熵特征。4.根据权利要求3所述的一种电机故障分析方法，其特征在于，所述方法还包括特征筛选，具体包括:根据NFS算法从多个有效值、多个峭度系数、多个峰值系数、多个偶倍转频比值和、多个奇倍转频比值和、多个频谱复杂度和多个信息熵特征中进行进行筛选，筛选出权重高的特征。5.根据权利要求4所述的一种电机故障分析方法，其特征在于，所述构建...

【专利技术属性】
技术研发人员：谢伟津，孙利，张英豪，彭曼，罗森豪，黄小伟，盛健，史钰潮，留嘉豪，包恒月，王勇平，王锋，赵玉芝，余文智，冯剑平，朱燕琴，林杰基，王黎明，
申请(专利权)人：广州致新电力科技有限公司，
类型：发明
国别省市：