一种ai技术在特种电机故障检测中的应用
技术领域
1.本发明涉及特种电机，具体涉及一种ai技术在特种电机故障检测中的应用。
背景技术：
2.随着中小型电机中产品结构的调整和优化，特种专用电机将成为电机行业发展的 重点，其市场需求及发展速度将在本行业中处于领先地位。特种电机是为了满足各类机械 设备对其拖动电机性能要求的不同，而专门针对某一类型的机械设备特殊需要而单独设计、制造的特殊专用电机。 对于特种电机的故障判断，在现有技术中大多数电机的故障判断依然传统，绝大部分是通过人工定时检修来实现，这种方法过于依赖检测人员的经验，对人员的技术要求极高，当电机突然发生故障时，也难以保证技术人员能够及时发现。
技术实现要素：
3.为解决上述问题，本发明提出了一种ai技术在特种电机故障检测中的应用。
4.本发明的技术方案：一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。
5.在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。
6.在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
7.本发明设计合理，构思巧妙，具备如下有益效果，运用ai技术，通过ai建模实施监控特种电机的运行状态，有利于及时发现和消除设备隐患而影响设备安全稳定运行的技术需求；增加磁场数据、振动数据作为辅助判定参数，有效减少由于瞬时高温或环境温度影响
而带来的电机故障误判情况发生。
具体实施方式
8.一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述ai系统与plc控制系统连接，其包括服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。
9.在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。
10.在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
11.上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
技术特征：
1.一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。2.根据权利要求1所述一种ai技术在特种电机故障检测中的应用，其特征在于，在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。3.根据权利要求1所述的一种ai技术在特种电机故障检测中的应用，其特征在于，在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
技术总结
本发明涉及一种AI技术在特种电机故障检测中的应用，构建一AI系统；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行AI图像识别，构建AI异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行AI图像识别，构建AI故障判断模型，判定特种电机是否为运行故障。判定特种电机是否为运行故障。
技术研发人员：倪洁
受保护的技术使用者：江苏科力机电科技有限公司
技术研发日：2022.09.09
技术公布日：2022/12/1
技术领域
1.本发明涉及特种电机，具体涉及一种ai技术在特种电机故障检测中的应用。
背景技术：
2.随着中小型电机中产品结构的调整和优化，特种专用电机将成为电机行业发展的 重点，其市场需求及发展速度将在本行业中处于领先地位。特种电机是为了满足各类机械 设备对其拖动电机性能要求的不同，而专门针对某一类型的机械设备特殊需要而单独设计、制造的特殊专用电机。 对于特种电机的故障判断，在现有技术中大多数电机的故障判断依然传统，绝大部分是通过人工定时检修来实现，这种方法过于依赖检测人员的经验，对人员的技术要求极高，当电机突然发生故障时，也难以保证技术人员能够及时发现。
技术实现要素：
3.为解决上述问题，本发明提出了一种ai技术在特种电机故障检测中的应用。
4.本发明的技术方案：一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。
5.在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。
6.在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
7.本发明设计合理，构思巧妙，具备如下有益效果，运用ai技术，通过ai建模实施监控特种电机的运行状态，有利于及时发现和消除设备隐患而影响设备安全稳定运行的技术需求；增加磁场数据、振动数据作为辅助判定参数，有效减少由于瞬时高温或环境温度影响
而带来的电机故障误判情况发生。
具体实施方式
8.一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述ai系统与plc控制系统连接，其包括服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。
9.在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。
10.在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
11.上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
技术特征：
1.一种ai技术在特种电机故障检测中的应用，构建一ai系统；其特征在于，所述ai系统包括检测终端、服务端，所述检测终端包括温度获取模块、磁场参数获取模块、振动参数获取模块，温度获取模块用于获取电机的运行温度，磁场参数获取模块用于获取电机的磁场数据，振动参数获取模块，用于获取电机的振动数据；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行ai图像识别，构建ai异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行ai图像识别，构建ai故障判断模型，判定特种电机是否为运行故障。2.根据权利要求1所述一种ai技术在特种电机故障检测中的应用，其特征在于，在s3中，未检测到监测数据，即判定为异常故障，反之则判定为设备正常。3.根据权利要求1所述的一种ai技术在特种电机故障检测中的应用，其特征在于，在s4中，预设置温度变化最大值 ,预设预设磁场参数阈值、预设振动参数阈值在第一时间段内获取温度值集合，提取第一时间段内的最高温和最低温并计算两者差的绝对值，得出第一温度变化值，并将所述第一温度变化值与所述温度变化最大值比较，获得比较结果，当第一温度变化值大于所述温度变化最大值时，结合所述第一时间段内获取磁场参数和所述振动参数，并判断两者是否有至少一个超过阈值若有超过阈值，则判定特种电机运行故障，若均没有超过阈值，则判定特种电机正常。
技术总结
本发明涉及一种AI技术在特种电机故障检测中的应用，构建一AI系统；s1：采用数据流的模式，获取特种电机的监测数据，包括运行温度、磁场数据、振动数据；s2：对获取的监测数据进行特征提取，生成点阵图数据，对点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于特种电机运行阈值的点阵图形；s3：对运行时间点的点阵图形与点阵图训练模型进行AI图像识别，构建AI异常判断模型，判定特种电机是否为异常故障；s4：对特种电机运行阈值的点阵图形与点阵图训练模型进行AI图像识别，构建AI故障判断模型，判定特种电机是否为运行故障。判定特种电机是否为运行故障。
技术研发人员：倪洁
受保护的技术使用者：江苏科力机电科技有限公司
技术研发日：2022.09.09
技术公布日：2022/12/1
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
