一种电机异常在线监测方法及系统

技术领域

本发明属于电机异常在线监测技术领域，具体涉及一种电机异常在线监测方法及系统。

背景技术

在电机异常在线监测的相关方法中，有一些利用振动信号、维修人员经验等方式在实验室环境下可以取得较高的精度。然而在面对不同行业需求设计的电机使用环境时，此类方法的泛化能力较差，针对不同电机场景需要有对应的个性化硬件方案支持；更重要的是，此类监测方法严重依赖于前期额外布设的物理硬件基础设施以及人为主观判断。

发明内容

本发明要解决的是现有对电机异常在线监测严重依赖于前期布设的振动传感器物理硬件设施以及运维人员经验的技术问题，从而提供一种电机异常在线监测方法及系统。

为解决上述技术问题，本发明所采用的技术方案为：

一种电机异常在线监测系统，包括采集端、检测端、服务端、管理端、运维端；

采集端，获取电机的运行参数，所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；

检测端，接收的电机的运行参数，基于电机故障类型检测模型获得电机的异常检测结果；所述电机故障类型检测模型是基于人工智能异常检测算法构建；

服务端，接收电机的异常检测结果，且将异常检测结果与电机的3D计算机模型的故障类型建立对应关系，对电机的异常检测结果二次分析生成电机诊断结果，最终形成每种故障类型的诊断库；

响应于管理端发送的诊断结果请求，当不存在故障时，将电机诊断结果推送给管理端；并且所推送的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，将电机诊断结果推送给管理端并发出故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

响应于管理端对故障警示的处理结果，故障警示的处理结果包括忽略和维修；当管理端选择维修时，接收运维端上传的现场检修结果；

管理端，发送诊断请求指令，接收推送的诊断结果和故障警示，当对故障警示进行维修处理时，生成维修工单并下发给指定的运维端；

运维端，接收维修工单并获取故障发生位置和导航路径，获得现场检修结果，存储并同步到服务端。

作为本发明的优选方案，所述现场检修结果包括现场照片和电机实际运行状态。

作为本发明的优选方案，所述电机的3D计算机模型在建立后先确定电机的相关参数，标识3D计算机模型每种故障类型的位置，所述的相关参数包括电机尺寸大小、形状、安装环境、故障点定位；

并根据预先设定信息获得电机信息集合、电机与故障位置对应关系，电机位置的导航路径集合；所述的预先设定信息为每台电机均为预先录入模型、额定电压电流、通讯IP，位置信息，路径信息，所述位置信息包括产区位置、配电室位置、安装具体位置。

作为本发明的优选方案，所述的导航路径通过视频、图片或者语音进行显示和/或管理端对故障警示处理时需要进行故障操作权限认证。

作为本发明的优选方案，发送的诊断结果请求中包括含管理端用户的身份标识、密码。

并且作为本发明的优选方案，所述管理端和运维端均包括手机或电脑。

本发明还提供了一种电机异常在线监测系统，包括服务端，所述服务端接收检测端上传的电机的异常检测结果，且将异常检测结果与电机的3D计算机模型的故障类型建立对应关系，对电机的异常检测结果二次分析生成电机诊断结果，最终形成每种故障类型的诊断库；

响应于管理端发送的诊断结果请求，当不存在故障时，将电机诊断结果推送给管理端；并且所推送的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，将电机诊断结果推送给管理端并发出故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

响应于管理端对故障警示的处理结果，故障警示的处理结果包括忽略和维修；当管理端选择维修时，接收运维端上传的现场检修结果。

优选地，电机的异常检测结果是电机的运行参数在训练后的电机故障类型检测模型运行后获得的，并且所述的电机故障类型检测模型是基于人工智能异常检测算法构建；所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度。电机故障类型检测模型使用电机的历史运行参数进行训练；

本发明还提供了一种电机异常在线监测系统，包括检测端，所述检测端接收的电机的运行参数，基于电机故障类型检测模型获得电机的异常检测结果并将异常检测结果上传到服务端；所述的运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；所述电机故障类型检测模型是基于人工智能异常检测算法构建。电机故障类型检测模型使用电机的历史运行参数进行训练；

本发明还提供了一种电机异常在线监测系统，包括管理端，所述管理端发送诊断请求指令，接收推送的诊断结果和故障警示，并且当不存在故障时，只接收和显示电机的诊断结果；并且所述的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，接收电机的诊断结果和故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

当对故障警示进行维修处理时，生成维修工单并下发给指定的运维端。

本发明还提供了一种电机异常在线监测系统，包括运维端，所述运维端接收维修工单并获取故障发生位置和导航路径，获得现场检修结果，存储并同步到服务端。

本发明还提供了一种电机异常在线监测方法，包括如下步骤：

S1，构建电机的3D 计算机模型，确定电机的相关参数值，标识电机的3D 计算机模型每种故障类型的位置；

所述的相关参数值包括电机尺寸大小、形状、安装环境、定位；

S2， 在所述电机的3D 计算机模型中，根据预先设定信息获得电机信息集合、电机与故障位置对应关系，电机位置的导航路径集合；所述的预先设定信息为每台电机均为预先录入模型、额定电压电流、通讯IP，位置信息，路径信息，所述位置信息包括产区位置、配电室位置、安装具体位置；

S3，获取电机的运行参数，所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；

S4，电机的运行参数在使用人工智能异常检测算法构建的电机故障类型检测模型运行下得到电机的异常检测结果；

对于电机故障类型检测模型会进行预先训练，训练过程如下：

获取训练数据：

训练数据的获取是电机以往的运行参数，包括电压电流值和运行温度；

得到训练样本库：

将训练数据分类得到电机不同故障类型的数据，同一故障类型的训练数据汇合成一个训练集，各故障类型对应的训练集集合成训练样本库；

训练：

基于人工智能异常检测算法建立电机故障类型检测模型，使用训练样本库对电机故障类型检测模型进行训练，训练完成的电机故障类型检测模型对电机的实时运行参数处理输出电机的异常检测结果。

S5，异常检测结果以及电机故障发生时的故障录波上传存储；异常检测结果的上传是通过4G模块上传，并且存储的位置是服务端，所述的服务端是本地服务器或云服务器。

S6，在服务端对异常检测结果进行二次分析，得到异常检测结果与电机的3D 计算机模型的故障类型的对应关系和电机诊断结果，最终形成每种故障类型的诊断库；

S7，管理端启动电机异常监测，并向服务端发送诊断请求信息；

S8，管理端接收服务端推送的电机诊断结果；

当不存在故障时，只接收和显示电机的诊断结果；并且电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，接收电机的诊断结果和故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

S9，在接收到故障警示的情况下，管理端在验证故障操作权限后对故障警示进行处理，处理结果包括忽略和维修；当选择维修时，生成维修工单并下发给指定的运维端。

S10，运维端接收到维修工单并获取故障发生位置和导航路径，维修人员获得现场检修结果，存储并同步到服务端。

有益效果：本发明使用实时电压电流值和摄像头热成像结合人工智能异常检测技术并建立电机的3D计算机模型，从实际应用出发，实现电机异常检测，在识别过程中不需要借助其他特殊设备和额外布线，也不需要借助人为主观经验判断分析，通过手机或者电脑的管理端开启，实时监测电机异常状态，在管理端热成像展示及电流电压谱图图，故障波形、分析及诊断结果展示，实现电机异常在线监测的技术方案，解决现有技术中严重依赖于前期布设的振动传感器物理硬件设施以及严重依赖运维人员经验的高成本、低效率的技术问题。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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。

图1为本发明监测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种电机异常在线监测系统，包括采集端、检测端、服务端、管理端、运维端；

采集端，获取电机的运行参数，所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；采样频率可以根据需要调节。

检测端，接收的电机的运行参数，基于电机故障类型检测模型获得电机的异常检测结果；所述电机故障类型检测模型是基于人工智能异常检测算法构建；

服务端，接收电机的异常检测结果，且将异常检测结果与电机的3D计算机模型的故障类型建立对应关系，对电机的异常检测结果二次分析生成电机诊断结果，最终形成每种故障类型的诊断库；

电机的3D计算机模型与真实电机之间一一对应，并且是在真实电机上设置条码或二维码；

并且所述电机的3D计算机模型在建立后先确定电机的相关参数，标识3D计算机模型每种故障类型的位置，所述的相关参数包括电机尺寸大小、形状、安装环境、故障点定位；

并根据预先设定信息获得电机信息集合、电机与故障位置对应关系，电机位置的导航路径集合；所述的预先设定信息为每台电机均为预先录入模型、额定电压电流、通讯IP，位置信息，路径信息，所述位置信息包括产区位置、配电室位置、安装具体位置。

响应于管理端发送的诊断结果请求，所发送的诊断结果请求中包含管理端用户的身份标识、密码；

当不存在故障时，将电机诊断结果推送给管理端；并且所推送的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，将电机诊断结果推送给管理端并发出故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

响应于管理端对故障警示的处理结果，故障警示的处理结果包括忽略和维修；当管理端选择维修时，接收运维端上传的现场检修结果；

管理端，发送诊断请求指令，接收推送的诊断结果和故障警示，当对故障警示进行维修处理时，生成维修工单并下发给指定的运维端，并且对故障警示处理时需要进行故障操作权限认证。

运维端，接收维修工单并获取故障发生位置和导航路径，获得现场检修结果，存储并同步到服务端；所述现场检修结果包括现场照片和电机实际运行状态，维修人员按导航到故障位置后，核实电机的真实状况，拍照上传并描述实际电机状态上传到服务端保存。

所述的导航路径通过视频、图片或者语音进行显示，并且如果多台电机发生故障，系统会依次生成相对应的导航图。

所述管理端和运维端均包括手机或电脑。

从服务端出发，本发明还提供了一种电机异常在线监测系统的实施例，包括服务端，所述服务端接收检测端上传的电机的异常检测结果，且将异常检测结果与电机的3D计算机模型的故障类型建立对应关系，对电机的异常检测结果二次分析生成电机诊断结果，最终形成每种故障类型的诊断库；

电机的异常检测结果是电机的运行参数在训练后的电机故障类型检测模型运行后获得的，并且所述的电机故障类型检测模型是基于人工智能异常检测算法构建；所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度。电机故障类型检测模型使用电机的历史运行参数进行训练。

响应于管理端发送的诊断结果请求，当不存在故障时，将电机诊断结果推送给管理端；并且所推送的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，将电机诊断结果推送给管理端并发出故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

响应于管理端对故障警示的处理结果，故障警示的处理结果包括忽略和维修；当管理端选择维修时，接收运维端上传的现场检修结果。

从检测端出发，本发明还提供了一种电机异常在线监测系统的实施例，包括检测端，所述检测端接收的电机的运行参数，基于电机故障类型检测模型获得电机的异常检测结果并将异常检测结果上传到服务端；所述的运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；所述电机故障类型检测模型是基于人工智能异常检测算法构建。电机故障类型检测模型使用电机的历史运行参数进行训练。

从管理端出发，本发明还提供了一种电机异常在线监测系统的实施例，包括管理端，所述管理端发送诊断请求指令，接收推送的诊断结果和故障警示，并且当不存在故障时，只接收和显示电机的诊断结果；并且所述的电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，接收电机的诊断结果和故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

当对故障警示进行维修处理时，生成维修工单并下发给指定的运维端。

从运维端出发，本发明还提供了一种电机异常在线监测系统的实施例，包括运维端，所述运维端接收维修工单并获取故障发生位置和导航路径，获得现场检修结果，存储并同步到服务端。

本发明还提供了一种电机异常在线监测方法的实施例，如图1所示，包括如下步骤：

S1，构建电机的3D 计算机模型，确定电机的相关参数值，标识电机的3D 计算机模型每种故障类型的位置；

所述的相关参数值包括电机尺寸大小、形状、安装环境、定位；

S2， 在所述电机的3D 计算机模型中，根据预先设定信息获得电机信息集合、电机与故障位置对应关系，电机位置的导航路径集合；所述的预先设定信息为每台电机均为预先录入模型、额定电压电流、通讯IP，位置信息，路径信息，所述位置信息包括产区位置、配电室位置、安装具体位置；

S3，获取电机的运行参数，所述运行参数包括一定采样频率的实时电压电流值和运行温度，所述运行温度为从具有热成像的摄像头拍摄的电机表面温度图像中提取得到指定点温度和指定区域温度；

S4，电机的运行参数在使用人工智能异常检测算法构建的电机故障类型检测模型运行下得到电机的异常检测结果；

对于电机故障类型检测模型会进行预先训练，训练过程如下：

获取训练数据：

训练数据的获取是电机以往的运行参数，包括电压电流值和运行温度；

得到训练样本库：

将训练数据分类得到电机不同故障类型的数据，同一故障类型的训练数据汇合成一个训练集，各故障类型对应的训练集集合成训练样本库；

训练：

基于人工智能异常检测算法建立电机故障类型检测模型，使用训练样本库对电机故障类型检测模型进行训练，训练完成的电机故障类型检测模型对电机的实时运行参数处理输出电机的异常检测结果。

S5，异常检测结果以及电机故障发生时的故障录波上传存储；异常检测结果的上传是通过4G模块上传，并且存储的位置是服务端，所述的服务端是本地服务器或云服务器。

S6，在服务端对异常检测结果进行二次分析，得到异常检测结果与电机的3D 计算机模型的故障类型的对应关系和电机诊断结果，最终形成每种故障类型的诊断库；

S7，管理端启动电机异常监测，并向服务端发送诊断请求信息；

S8，管理端接收服务端推送的电机诊断结果；

当不存在故障时，只接收和显示电机的诊断结果；并且电机诊断结果包括电机运行状态、电流电压曲线；

当存在故障时，接收电机的诊断结果和故障警示；并且所推送的电机诊断结果除了包括电机运行状态、电流电压曲线，还包括发生故障时的故障录波、故障类型、故障位置、故障可能原因，而且故障位置还以电机的3D计算机模型的具体故障位置标记处显示故障来直观展示；

S9，在接收到故障警示的情况下，管理端在验证故障操作权限后对故障警示进行处理，处理结果包括忽略和维修；当选择维修时，生成维修工单并下发给指定的运维端。

S10，运维端接收到维修工单并获取故障发生位置和导航路径，维修人员获得现场检修结果，存储并同步到服务端。

本发明通过人工智能异常检测算法对电机状态进行分析，具体通过对电机电流、电压和温度样本数据进行算法训练，生成故障类型算法库，将结果通过4G上传至服务器，服务器将结果进行分类汇总，对结果进行二次分析，生成故障发生的可能原因和诊断库。用户通过app或电脑登录监测页面，服务器将电机状态实时推送至用户终端，语音提示用户电机故障。

本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。