一种电机运行故障预测方法及系统与流程

本发明涉及电机故障预测领域，更具体地，涉及一种电机运行故障预测方法及系统。

背景技术：

1、在现有的工控系统中，电机轴承作为关键传动部件，其健康状况直接关系到生产线的连续稳定运行，一旦电机轴承出现故障，如磨损、润滑不良或异物侵入，往往会导致电机运行受阻，甚至出现卡死现象，直接引发生产停滞，这种故障不仅影响生产效率，还可能对电机内部其他精密部件造成连锁损害，大幅增加维修成本，此外，轴承故障还会引起异常响声、振动增大及运行温度升高，进一步加剧设备的不稳定性，降低产品质量，对生产安全构成潜在威胁。

2、传统维护电机轴承的方法高度依赖人工的定期检查和维修人员的经验判断，这种方法不仅耗时耗力，而且存在显著的滞后性和不准确性，定期检查可能无法捕捉到轴承故障的初期迹象，等到问题显现时往往已经对生产造成了影响，此外，经验判断受限于个体差异，难以保证一致性和准确性，容易导致故障漏检或误判，尽管已有部分研究尝试应用技术进行预测性维护，但多数方法未能充分结合频域特征与时间序列分析的优势，导致预测精度和时效性有待提升。

技术实现思路

1、本发明的目的是为了解决现有技术中电机轴承故障预测性维护存在的滞后性、不准确性以及现有电机故障预测方法未能充分结合频域特征与时间序列分析的优势等问题的问题，提供一种电机运行故障预测方法及系统。

2、根据本发明的第一方面，提供了一种电机运行故障预测方法，包括：

3、步骤s1，基于高灵敏度振动传感器和温度传感器，实时采集电机运行中的振动信号和温度数据；

4、步骤s2，对所述振动信号和所述温度数据进行预处理，所述预处理包括去噪、剔除异常值和标准化处理；

5、步骤s3，从所述振动信号中提取与故障密切相关的频域特征，以及从所述温度数据中提取统计特征和时间序列特征，所述频域特征、统计特征和时间序列特征组成电机特征集；

6、步骤s4，获取训练集，所述训练集包括多个正样本和多个负样本，每一个所述正样本包括无故障的电机特征集，每一个所述负样本包括有故障的电机特征集，并标注故障类型；

7、步骤s5，基于所述训练集训练故障预测模型，所述故障预测模型包括支持向量机svm子模型和长短期记忆网络lstm子模型；

8、步骤s6，基于训练后的所述故障预测模型对电机运行故障进行预测。

9、在上述技术方案的基础上，本发明还可以作出如下改进。

10、可选的，所述振动传感器为压电式加速度传感器，所述压电式加速度传感器安装在电机的轴承壳外侧，采集电机运行中的振动信号；所述温度传感器为热电偶高响应速度快的温度传感器，所述温度传感器紧贴电机外壳或内部热点区域，实时监测电机温度；

11、基于数据采集卡采集所述振动传感器感知的振动信号和所述温度传感器感知的电机温度数据，并将采集的振动信号和温度数据传输至数据处理中心。

12、可选的，所述步骤s2，对所述振动信号和所述温度数据进行预处理，所述预处理包括去噪、剔除异常值和标准化处理，包括：

13、采用数字滤波器对所述振动信号进行低通滤波，去除所述振动信号中的高频噪声，保留与电机故障相关的低频振动成分；采用移动平均或中值滤波平滑温度波动；

14、剔除所述振动信号中的超出正常振动范围峰值的异常部分，并采用z-score标准化方法对所述振动信号进行标准化；

15、剔除超出电机正常运行时的温度范围外的异常温度数据。

16、可选的，步骤s3，从所述振动信号中提取与故障密切相关的频域特征，包括：

17、对预处理后的所述振动信号进行fft快速傅里叶变换，将时域信号转换为频域信号；

18、从所述频域信号中识别出与轴承故障密切相关的特定故障频率及其谐波成分；

19、计算所述特定故障频率的幅值和相位，以及计算各次谐波与基频的比例和各次谐波间的相对幅值，组成频域特征。

20、可选的，所述步骤s3中，从所述温度数据中提取统计特征和时间序列特征，包括：

21、计算设定时间时长内的温度数据的均值和方差，所述温度数据的均值和方差组成统计特征；

22、基于时间序列分析方法，提取温度数据随时间变化的趋势线和温度的变化率，所述温度数据随时间变化的趋势线和温度的变化率组成时间序列特征。

23、可选的，所述步骤s5，基于所述训练集训练故障预测模型，所述故障预测模型包括支持向量机svm子模型和长短期记忆网络lstm子模型，包括：

24、基于所述训练集对所述支持向量机svm子模型进行训练，根据每一个训练样本经过所述支持向量机svm子模型后的故障预测结果与实际故障标签，计算所述支持向量机svm子模型的第一损失；

25、基于所述第一损失对所述支持向量机svm子模型的模型参数进行优化，直到所述第一损失小于第一预设阈值，获取训练后的所述支持向量机svm子模型；

26、获取所述训练集中经过训练后的所述支持向量机svm子模型识别为具有故障风险的样本；

27、基于所述训练集中具有故障风险的样本训练所述长短期记忆网络lstm子模型，根据每一个具有故障风险的样本经过所述长短期记忆网络lstm子模型后的故障预测结果与实际故障标签，计算所述长短期记忆网络lstm子模型的第二损失；

28、基于所述第二损失对所述长短期记忆网络lstm子模型的模型参数进行优化，直到所述第二损失小于第二预设阈值，获取训练后的所述长短期记忆网络lstm子模型。

29、可选的，所述步骤s6，基于训练后的所述故障预测模型对电机运行故障进行预测，包括：

30、基于高灵敏度振动传感器和温度传感器，采集当前设定时间段内电机运行中的振动信号和温度数据；

31、对所述振动信号和所述温度数据进行预处理，并提取所述振动信号中的频域特征和所述温度数据中的统计特征和时间序列特征，形成当前电机特征集；

32、将所述当前电机特征集输入训练后的所述支持向量机svm子模型，获取所述支持向量机svm子模型输出的第一预测结果；

33、若所述第一预测结果为无故障，则电机的当前运行状态为无故障；

34、若所述第一预测结果为有故障，则将所述当前电机特征集输入训练后的所述长短期记忆网络lstm子模型中，获取所述所述长短期记忆网络lstm子模型输出的第二预测结果，所述第二预测结果即为电机的当前运行状态。

35、根据本发明的第二方面，提供一种电机运行故障预测系统，包括：

36、采集模块，用于基于高灵敏度振动传感器和温度传感器，实时采集电机运行中的振动信号和温度数据；

37、预处理模块，用于对所述振动信号和所述温度数据进行预处理，所述预处理包括去噪、剔除异常值和标准化处理；

38、提取模块，用于从所述振动信号中提取与故障密切相关的频域特征，以及从所述温度数据中提取统计特征和时间序列特征，所述频域特征、统计特征和时间序列特征组成电机特征集；

39、获取模块，用于获取训练集，所述训练集包括多个正样本和多个负样本，每一个所述正样本包括无故障的电机特征集，每一个所述负样本包括有故障的电机特征集，并标注故障类型；

40、训练模块，用于基于所述训练集训练故障预测模型，所述故障预测模型包括支持向量机svm子模型和长短期记忆网络lstm子模型；

41、预测模块，用于基于训练后的所述故障预测模型对电机运行故障进行预测。

42、本发明提供的一种电机运行故障预测方法及系统，与现有技术相比，本技术的技术方案具有以下有益技术效果：

43、(1)采用高灵敏度传感器实时捕捉电机振动与温度数据，数据清洗与标准化显著提升数据源质量，为后续分析奠定基石；

44、(2)多维度特征提取结合频域特征、统计特征及时间序列特征，深入剖析轴承状态，捕捉细微故障迹象，丰富信息输入强化模型构建，提升预测精度；

45、(3)svm与lstm预测模型优势互补，快速分类与长期趋势捕捉相结合，精准预判故障，有监督学习与交叉验证优化模型，确保预测可靠，部署于工控系统，实现实时风险评估与自动告警，缩短故障响应，减少非计划停机，保障生产连续，机器学习反馈机制与定制化维护策略相结合，形成闭环优化体系，随设备状态动态调整维护策略，确保维护及时有效，进一步提升预测性维护的针对性与效率。