[发明专利]一种电机温升预测方法

说明书

本发明公开了一种电机温升预测方法，包括以下步骤：过滤数据噪声以得到准确电机数据；处理电机数据并划分训练集和测试集；搭建CNN‑LSTM‑attention模型；添加池化层和dropout降低数据量并避免过拟合；将数据输入LSTM层学习温升数据的时间关系并预测；添加attention以提升模型的预测效果。上述技术方案通过增加小波与卡尔曼滤波算法对电机温升数据进行处理，能够得到较为准确的电机温升数据，避免深度神经网络陷入过拟合，有效提升预测精度。

技术领域

本发明涉及电机技术领域，尤其涉及一种电机温升预测方法。

背景技术

随着社会经济的创新和发展，设备变得更加高效与智能，但设备本身维护工作却面临巨大挑战。传统的设备维护方式有两种，一种是故障后维修的事后维修方式，一种是周期性停机维护的预防性维护方式。这两种传统的设备维护方式不仅会造成生产率的降低，尤其是计划之外的生产中断，会对生产商造成一定的经济损失。

近些年来，预测性维护逐渐受到企业的青睐，预测性维护是从预防性维护发展而来的，是更高层次的维护方式。它以设备状态为基础，以预测设备状态发展趋势为依据，通过信息采集、处理、综合分析后有目的安排维护的周期和维护的项目，“该修则修，修必修好”。它和传统的维护方式相比，具有明显的优势。

电机预测性维护在电机运行时，对它的主要部位进行定期(或连续)的状态监测和故障诊断，判定电机所处的状态，预测电机状态未来的发展趋势，依据电机的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定电机应该修理的时间、内容、方式和必需的技术和物资支持。电机预测性维护集电机状态监测、故障诊断、状态预测、维修决策支持和维修活动于一体，是一种新兴的维修方式。

有资料显示，现有的基于电机温升时间序列预测方法使用长短期记忆网络，根据历史温升数据预测出下一个时刻的温度。大部分预测认为取得的电机温升数据没有误差，然而现有的铂热电阻通电就会产生热量，并且永磁电机产生的磁场也会对铂热电阻产生干扰。现场温度波动也会产生较大影响。

中国专利文献CN114021855A公开了一种“基于历史数据的牵引电机温升预测方法”。包括以下步骤：获取牵引电机历史数据，牵引电机历史数据是按照同一频率对一段时间内的牵引电机历史数据进行采集获得，牵引电机历史数据按照一类传感数据为一个字段进行存储；根据所需要的字段对牵引电机历史数据进行处理，得到第一温度特征序列数据；根据预先设置的时间间隔阈值，对第一温度特征序列数据进行时间分段处理，得到第二温度特征序列数据；按照设定的时间窗口宽度和滑动步长对第二温升特征序列数据进行采样，得到多组温度特征数据；对多组温度特征数据进行划分，得到训练样本数据和测试样本数据；使用训练数据和测试数据对神经网络模型进行训练测试，生成目标神经网络模型。上述技术方案缺少对于数据噪声的优化处理，影响预测结果准确度。

发明内容

本发明主要解决原有的技术方案缺少对于数据噪声的优化处理，影响预测结果准确度的技术问题，提供一种电机温升预测方法，首先使用小波分层与重构技术来过滤掉高频噪声，然后用卡尔曼滤波技术来过滤掉传感器自身的低频噪音，得到接近电机真实温度的数据，随后使用pandas处理数据，划分神经网络的输入值与输出值，并且划分好训练集和测试集，搭建CNN-LSTM-attention模型，将得到的数据输入LSTM层来学习温升数据的时间关系，最后添加attention来学习主要特征，忽略次要特征以提升模型的预测效果，最终得到更加准确的电机温升预测结果。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

S1过滤数据噪声以得到准确电机数据；

S2处理电机数据并划分训练集和测试集；

S3搭建CNN-LSTM-attention模型；

S4添加池化层和dropout降低数据量并避免过拟合；