申请/专利权人：深圳市鸿明机电有限公司

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117436004B

主分类号：G06F18/243

分类号：G06F18/243;G06N3/0442;G06N3/045;G06N3/0464;G06N3/088;G06N3/098;G06N20/20;G06Q50/06;G06F18/10;G06F18/23213;G01R31/34;G01D21/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明涉及电动机测试技术领域，具体为电机性能实时监测系统及方法，系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块。本发明中，通过ApacheSpark分布式计算进行数据清洗和归一化，提升数据处理的效率和可靠性，K‑means聚类分析和关联规则挖掘的应用使电动机状态监测更精细，识别细致的运行模式，引入视觉分析模块，结合卷积神经网络和孤立森林算法，系统识别复杂的异常图像模式，提供全面的电机状态分析，异常模式识别模块增强对异常情况的预测能力，而网络分析模块提供深入的组件间相互关系分析，模式预测模块的采用使系统进行有效的未来趋势预测，进一步增强预防性维护的能力。

主权项：1.电机性能实时监测系统，其特征在于：所述系统包括数据采集模块、数据处理模块、状态监测模块、视觉分析模块、异常模式识别模块、网络分析模块、模式预测模块；所述数据采集模块基于电机运行的实时监控，采用多点传感器网络，进行电流、电压、温度和振动数据的实时收集，并进行初步数据格式化处理，生成长期存储数据集；所述数据处理模块基于长期存储数据集，采用ApacheSpark分布式计算，进行数据清洗、归一化和初步聚类分析，生成处理后数据集；所述状态监测模块基于处理后数据集，采用K-means聚类分析和关联规则挖掘，对电动机的运行状态进行分组和模式识别，生成电动机状态综合报告；所述视觉分析模块基于电机监控摄像头的数据，利用卷积神经网络CNN和孤立森林算法，识别异常图像模式，与电动机状态综合报告结合，提供多维度电机状态分析，生成综合视觉分析报告；所述异常模式识别模块基于处理后数据集和综合视觉分析报告，采用自回归集成移动平均ARIMA模型和长短期记忆网络LSTM，分析数据的异常模式，生成异常模式综合识别报告；所述网络分析模块基于电动机组件间的相互关系，采用中心度分析方法和社区检测算法，分析关键组件和故障传播路径，生成网络分析报告；所述模式预测模块基于异常模式综合识别报告和网络分析报告，采用无监督学习和关联规则学习技术，进行模式发现和趋势预测，生成预测报告；所述数据采集模块包括传感器子模块、数据传输子模块、数据存储子模块；所述传感器子模块基于电机运行的实时监控，采用多点传感器网络技术，进行电流、电压、温度和振动数据的收集，并进行初步数据格式化处理，生成实时监测数据集；所述数据传输子模块基于实时监测数据集，采用数据传输协议，进行数据的安全传输，生成安全传输数据集；所述数据存储子模块基于安全传输数据集，采用分布式存储系统，进行数据存储，生成长期存储数据集；所述多点传感器网络技术包括压力传感器、温度传感器和振动传感器，所述数据传输协议具体为串行通信和加密数据封包技术，所述分布式存储系统包括数据冗余备份、故障恢复机制和数据压缩技术；所述数据处理模块包括数据清洗子模块、数据格式化子模块、初步分析子模块；所述数据清洗子模块基于长期存储数据集，采用ApacheSpark分布式计算，进行数据的清洗和优化，生成清洗后数据集；所述数据格式化子模块基于清洗后数据集，采用数据转换算法，进行数据的格式化处理，生成格式化数据集；所述初步分析子模块基于格式化数据集，采用机器学习时序分析方法，进行数据的初步分析，生成处理后数据集；所述ApacheSpark分布式计算包括内存计算、容错处理和数据并行处理技术，所述数据转换算法包括数据编码转换、数据结构调整和数据类型转换，所述机器学习时序分析方法具体为聚类分析算法、模式识别和异常检测技术；所述状态监测模块包括聚类分析子模块、关联规则挖掘子模块、电动机状态综合报告生成子模块；所述聚类分析子模块基于处理后的数据集，采用K-means聚类分析方法，进行电动机运行参数的分组与模式识别，生成运行状态分组报告；所述关联规则挖掘子模块基于运行状态分组报告，采用关联规则挖掘策略，分析差异化运行状态间的相互关系，生成运行状态关联分析报告；所述电动机状态综合报告生成子模块基于运行状态关联分析报告、运行状态分组报告，综合评估电动机的整体运行状态，生成电动机状态综合报告；所述K-means聚类分析方法包括数据点划分、质心更新和簇的形成，所述关联规则挖掘策略包括项目集创建、置信度评估和规则生成；所述视觉分析模块包括图像识别子模块、异常检测子模块、报告生成子模块；所述图像识别子模块基于电机监控摄像头数据，采用卷积神经网络技术，进行图像深度分析，生成图像识别分析报告；所述异常检测子模块基于图像识别分析报告，采用孤立森林算法，识别异常图像模式，生成异常图像识别报告；所述报告生成子模块基于异常图像识别报告和电动机状态综合报告，综合图像分析与状态监测结果，生成综合视觉分析报告；所述卷积神经网络技术包括特征提取、激活函数应用和分类层设计，所述孤立森林算法包括随机森林构建和异常度评估；所述异常模式识别模块包括时间序列分析子模块、神经网络分析子模块、异常报告生成子模块；所述时间序列分析子模块基于处理后数据集，采用自回归集成移动平均模型，进行数据的时间序列特性分析，生成时间序列异常分析报告；所述神经网络分析子模块基于时间序列异常分析报告和综合视觉分析报告，采用长短期记忆网络进行深入分析，生成神经网络异常分析报告；所述异常报告生成子模块综合时间序列异常分析报告和神经网络异常分析报告，形成多维异常模式认知，生成异常模式综合识别报告；所述自回归集成移动平均模型包括时间序列的差分、自回归模型的应用和移动平均模型的结合，所述长短期记忆网络包括序列数据的长期依赖处理和短期记忆保持；所述网络分析模块包括图论方法子模块、社区检测子模块、路径分析子模块；所述图论方法子模块基于电动机组件间的相互关系，采用中心度分析方法，识别网络中的关键节点和组件，生成关键组件分析报告；所述社区检测子模块基于关键组件分析报告，采用社区检测算法，分析电动机内部组件的社区结构，生成组件社区结构分析报告；所述路径分析子模块基于网络社区结构分析报告，采用路径分析技术，识别故障传播的关键路径和潜在机制，生成网络分析报告；所述中心度分析方法包括节点的度中心度、接近中心度和中介中心度的分析，所述社区检测算法包括模块度最大化和网络分割，所述路径分析技术包括路径长度计算和故障影响评估；所述模式预测模块包括机器学习分析子模块、故障模式发现子模块、趋势预测子模块；所述机器学习分析子模块基于异常模式综合识别报告和网络分析报告，采用无监督学习技术进行数据模式分析，生成机器学习模式分析报告；所述故障模式发现子模块基于机器学习模式分析报告，应用关联规则学习技术探索数据间关联，生成故障模式发现报告；所述趋势预测子模块基于故障模式发现报告，运用趋势分析技术预测未来趋势，生成趋势预测报告；所述无监督学习技术包括K-means聚类算法和主成分分析，所述关联规则学习技术包括Apriori算法和频繁模式树算法，所述趋势分析技术包括ARIMA模型和线性回归分析方法。

全文数据：

权利要求：

百度查询： 深圳市鸿明机电有限公司 电机性能实时监测系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD