基于人工智能的电机能耗监测方法

专利主权项内容

1.一种基于人工智能的电机能耗监测方法，其特征在于，包括：获取监测电机的运行状态序列，所述运行状态序列包括上一次检修过程结束至当前时刻之间所述监测电机在每个时刻的负载大小和负载类型；获取上一次检修过程结束时所述监测电机的健康程度；将所述运行状态序列和起始健康程度输入时间预测网络，输出当前时刻所述监测电机的实时健康程度，所述起始健康程度为上一次检修过程结束时所述监测电机的健康程度；将当前时刻监测电机的实时温度、实时负载类型、实时负载大小以及所述实时健康程度输入BP神经网络，输出当前时刻的能耗预测值；基于当前时刻所述监测电机的能耗预测值和实际能耗得到监测结果；所述获取上一次检修过程结束时所述监测电机的健康程度包括：对于一个电机的任意一次历史检修过程，采集所述历史检修过程的电机运行样本序列，并将所述电机运行样本序列输入第一时序编码器以获取所述历史检修过程的运行向量，所述电机运行样本序列包括所述历史检修过程上一次相邻历史检修过程结束至所述历史检修过程开始之间所述电机在每个时刻的负载大小和负载类型；将所述历史检修过程结束时电机的健康程度减去所述历史检修过程开始时电机的健康程度，得到所述历史检修过程中电机的健康程度增量；获取多次历史检修过程的运行向量以及每个运行向量对应的健康程度增量；对所有运行向量进行密度聚类以获取多个聚类簇，一个聚类簇包括多个运行向量；在一个聚类簇中，计算所有运行向量的均值得到所述聚类簇的聚类中心，并将所有运行向量对应的健康程度增量的平均值作为所述聚类簇的健康程度平均增量；基于每个聚类簇的聚类中心和健康程度平均增量，以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度；所述基于每个聚类簇的聚类中心和健康程度平均增量，以及上一次检修过程的运行向量获取上一次检修过程结束时所述监测电机的健康程度包括：获取上一次检修过程的电机运行样本序列并输入所述第一时序编码器，得到上一次检修过程的运行向量；计算上一次检修过程的运行向量与每个聚类中心之间的相似度；基于所述相似度和每个聚类簇的健康程度平均增量计算上一次检修过程结束时所述监测电机的健康程度，所述上一次检修过程结束时所述监测电机的健康程度满足关系式：其中，为所有聚类簇的数量，/>为第/>个聚类簇的聚类中心，/>为第/>个聚类簇的健康程度平均增量，/>为上一次检修过程的运行向量，/>为/>与/>之间的相似度，/>为上一次检修过程的运行向量与所有聚类中心之间的相似度之和，/>为上一次检修过程结束时所述监测电机的健康程度；所述时间预测网络包括第二时序编码器、拼接层和输出层；所述第二时序编码器用于对运行状态序列进行特征提取，得到运行状态向量；所述拼接层用于拼接所述运行状态向量和所述起始健康程度以获取输入向量；所述输出层用于对所述输入向量进行维度变换，以输出所述监测电机的实时健康程度；所述时间预测网络的训练方法包括：采集任意一个历史时刻的运行状态序列样本和实际健康程度，并获取所述历史时刻上一次历史检修过程结束时监测电机的健康程度作为起始健康程度样本，得到一组第一训练样本，其中所述运行状态序列样本包括上一次历史检修过程结束至所述历史时刻监测电机在每个时刻的负载大小和负载类型；将第一训练样本中所述起始健康程度样本和所述运行状态序列样本输入时间预测网络，得到输出结果；基于所述输出结果和所述第一训练样本中的实际健康程度计算均方差损失函数值；利用梯度下降法更新所述时间预测网络，完成一次训练；不断获取第一训练样本，迭代地训练所述时间预测网络，直至所述均方差损失函数值小于设定值时，得到训练完毕的时间预测网络。 （来源 马克数据网）