[发明专利]一种基于lstm的电机电流异常检测方法

说明书

本发明提出了一种基于lstm的电机电流异常检测方法，包括S1.异常检测模型训练阶段：采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点；特征提取，并进行归一化，获得训练样本；模型训练，采用lstm算法对训练样本进行训练，保存训练好的模型作为预测器，保存报警阈值；S2.异常检测模型预测阶段：获取实时采集的电流信号；对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点；提取特征，并进行归一化，获得预测样本；将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。该方法可以在没有故障样本以及电流采集频率较低的情况下，实现对电机故障的实时在线异常检测。

【技术领域】

本发明涉及工业电机的技术领域，特别是一种基于lstm的电机电流异常检测方法。

【背景技术】

电机是一种用量最大、覆盖面最广的工业设备，在工业生产中占据着十分重要的地位。一旦电机发生故障，带来的经济损失将无法预测，然而电机在寿命周期内发生故障是难以避免的。为了避免因为电机故障造成经济损失及发生事故，对电机进行异常检测或者故障诊断具有重要的意义。对于电机故障诊断来说，故障样本的收集，相对来说正常场景下的训练数据较易获得，但在故障系统状态下收集故障数据可能相当昂贵，或者根本不可能。

检测机械振动信号是一种传统的技术，在机械故障诊断方面有着广泛的应用。通常在旋转轴上安装一个压电传感器，由于其产生的电压信号正比于加速度，因此它能很好地反应旋转机械的振动信息。但加速度传感器存在价格昂贵、安装不便以及可靠性较差的缺点。定子电流信号是另一种常用的分析信号，通常用霍尔电流探测针来测量，相对机械振动信号，它具有安装简单、价格便宜、非侵入式以及与电机控制系统共享电流的优点。霍尔电流探测针获取的定子电流采样频率较高，一般会采用傅里叶变换，转换到频谱进行分析，然后通过寻找故障频率的方式定位故障，也就是传统的基于机理的方式。假如电流的采集频率为几秒一组或者几分钟一组，则无法采用傅里叶变换，来进行分析了。目前电机故障诊断面临故障样本缺乏的挑战，当采集的电流采样频率低的情况下，难以解决电机故障诊断的难题。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种基于lstm的电机电流异常检测方法，通过构建深度学习模型对电机电流时序数据进行识别，实现对电机异常状况的检测。

为实现上述目的，本发明提出了一种基于lstm的电机电流异常检测方法，包括以下步骤：

S1.异常检测模型训练阶段：

S11：数据采集及处理，首先采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点(箱线图)；

S12：特征提取，从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得训练样本；

S13：模型训练，采用lstm算法对训练样本进行训练，保存训练好的lstm模型作为预测器，保存报警阈值；

S2.异常检测模型预测阶段：

S21：通过定时查询数据库的方式，获取实时采集电机的电流信号；

S22：对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点(箱线图)；

S23：从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得预测样本；

S24：将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。

作为优选，步骤S11中通过网关采集电机的历史电流信号，频率为10S一组。

作为优选，步骤S11中工况划分包含以下步骤：

S11.1输入数据：网关采集的电机的历史电流信号；