CN118169560B - 基于多维传感的电机绕组故障监测方法及系统 - Google Patents

Abstract

本发明公开了基于多维传感的电机绕组故障监测方法及系统，涉及电机绕组监测技术领域，该方法包括：根据电机绕组状态监测流进行滤波标准化和标准基态偏差分析，生成电机绕组状态偏差矩阵；根据电机绕组环境监测流进行滤波标准化和标准基态偏差分析，生成电机绕组环境偏差矩阵；激活电机绕组故障预测复合通道，结合电机绕组状态偏差矩阵和电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告进行故障预警。本发明解决了现有技术中传统的电机绕组故障监测方法具有滞后性，导致预警响应时效性差，影响电机运行的稳定性的技术问题，达到了通过预见性的电机绕组故障预警，提高电机运行安全性和稳定性的技术效果。

Description

基于多维传感的电机绕组故障监测方法及系统

技术领域

本发明涉及电机绕组监测技术领域，具体涉及基于多维传感的电机绕组故障监测方法及系统。

背景技术

电机作为现代工业中不可或缺的驱动设备，广泛应用于各种生产线上，其稳定运行对于保证生产效率和产品质量至关重要。然而，由于电机在长时间运行过程中会受到各种因素的影响，导致其绕组可能出现各种故障，通过实时监测电机绕组的状态，可以及时发现潜在的故障隐患，避免故障的发生或扩大化。但现有的绕组故障监测方法多用于故障发生时的预警，具有滞后性，影响电机运行的稳定性。

发明内容

本申请提供了基于多维传感的电机绕组故障监测方法及系统，用于解决现有技术中传统的电机绕组故障监测方法具有滞后性，导致预警响应时效性差，影响电机运行的稳定性的技术问题。

本申请的第一个方面，提供了基于多维传感的电机绕组故障监测方法，所述方法包括：根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警。

本申请的第二个方面，提供了基于多维传感的电机绕组故障监测系统，所述系统包括：电机传感监测模块，所述电机传感监测模块用于根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；状态监测矩阵建立模块，所述状态监测矩阵建立模块用于根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；状态偏差矩阵生成模块，所述状态偏差矩阵生成模块用于根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；环境偏差矩阵生成模块，所述环境偏差矩阵生成模块用于根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；故障预测融合模块，所述故障预测融合模块用于激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；故障预警模块，所述故障预警模块用于将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的基于多维传感的电机绕组故障监测方法，涉及电机绕组监测技术领域，通过对电机绕组状态监测流、电机绕组环境监测流进行滤波标准化、标准基态偏差分析，建立电机绕组状态偏差矩阵和电机绕组环境偏差矩阵，结合电机绕组故障预测复合通道进行故障预测融合，实现预见性的电机绕组故障预警，解决了现有技术中传统的电机绕组故障监测方法具有滞后性，导致预警响应时效性差，影响电机运行的稳定性的技术问题，实现了通过预见性的电机绕组故障预警，提高电机运行安全性和稳定性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，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为本申请实施例提供的基于多维传感的电机绕组故障监测方法流程示意图；

图2为本申请实施例提供的基于多维传感的电机绕组故障监测方法中获得校正绕组状态监测流的流程示意图；

图3为本申请实施例提供的基于多维传感的电机绕组故障监测方法中生成电机绕组状态偏差矩阵的流程示意图；

图4为本申请实施例提供的基于多维传感的电机绕组故障监测系统结构示意图。

附图标记说明：电机传感监测模块11，状态监测矩阵建立模块12，状态偏差矩阵生成模块13，环境偏差矩阵生成模块14，故障预测融合模块15，故障预警模块16。

具体实施方式

本申请提供了基于多维传感的电机绕组故障监测方法，用于解决现有技术中传统的电机绕组故障监测方法具有滞后性，导致预警响应时效性差，影响电机运行的稳定性的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了基于多维传感的电机绕组故障监测方法，所述方法包括：

P10：根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；

具体的，根据预先布设的电机传感监测网络，对电机绕组进行实时监测，监测过程不仅关注电机绕组自身的状态，还包括其周围环境的条件。其中，所述电机传感监测网络由多个传感器组成，并且各传感器被放置在电机的关键位置，以收集电机绕组状态及周围环境数据，可以测量多种参数，如温度、电流、电压、振动、湿度等。

通过对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流，其中，所述电机绕组状态监测流是指从传感器收集到的关于电机绕组自身状态的数据流，包括电流、电压、温度、振动等，能够反映电机绕组的工作状态是否正常，是否存在过热、过载或其他异常情况。所述电机绕组环境监测流是指从传感器收集到的关于电机周围环境条件的数据流，包括温度、湿度、尘埃浓度等，能够反映电机所处的环境是否适宜，是否存在可能导致电机绕组损坏的不利因素。

P20：根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；

进一步的，本申请实施例步骤P20还包括：

P21：根据所述电机绕组状态监测流进行滤波校正，获得校正绕组状态监测流；

P22：根据所述校正绕组状态监测流进行标准化处理，生成所述电机绕组状态监测矩阵。

应当理解的是，对所述电机绕组状态监测流进行滤波和标准化处理后，按时间序列或空间位置组织成矩阵形式，形成电机绕组状态监测矩阵。具体的，首先，对电机绕组状态监测流进行滤波处理，以去除噪声和干扰信号，进一步的，基于传感器的校准数据、历史数据或专家知识等，获取校正参数或模型，对滤波后的数据进行校正，来确保数据的准确性和可靠性，获得校正绕组状态监测流。

进一步的，对所述校正绕组状态监测流进行标准化处理，也就是将数据转换为无单位的、可比较的形式，例如可通过计算每个数据点与某个基准值，如平均值的偏差，并将其除以一个标准偏差来实现。由此来消除不同传感器或不同时间点的数据差异，使得数据更具可比性，进而将经过标准化处理后的数据按时间序列或空间位置组织成矩阵形式，形成电机绕组状态监测矩阵。所述电机绕组状态监测矩阵包含了电机绕组在一段时间内或不同位置上的准确状态信息，可为后续的故障分析和预测提供数据支持。

进一步的，如图2所示，本申请实施例步骤P21还包括：

P21-1：根据所述电机绕组状态监测流提取绕组状态监测目标参数，其中，所述绕组状态监测目标参数包括所述电机绕组状态监测流内的任意一个监测参数；

P21-2：基于所述电机传感监测网络，调取所述绕组状态监测目标参数对应的传感监测设备特征数据，其中，所述传感监测设备特征数据包括传感监测设备状态数据和传感监测设备环境数据；

P21-3：根据所述传感监测设备特征数据进行异常检测，获得监测设备异常特征数据；

P21-4：根据所述监测设备异常特征数据校正所述绕组状态监测目标参数，获得绕组状态监测校正参数；

P21-5：将所述绕组状态监测校正参数添加至所述校正绕组状态监测流。

可选的，从所述电机绕组状态监测流中提取任意一个监测参数作为绕组状态监测目标参数，所述目标参数可能包括电流、电压、温度、振动等，是评估电机绕组状态的关键指标。为了评估绕组状态监测目标参数的准确性，从电机传感监测网络中调取与所述绕组状态监测目标参数相对应的传感监测设备特征数据，包括传感监测设备状态数据和传感监测设备环境数据。

进一步的，对所述传感监测设备特征数据进行异常检测，例如通过比较传感监测设备特征数据与预设的设备特征阈值，来筛选出异常设备特征，获得监测设备异常特征数据。若检测到传感监测设备存在异常或故障，则需要根据所述监测设备异常特征数据对绕组状态监测目标参数进行校正，可基于历史设备校正数据结合算法模型训练校正模型，并使用校正模型根据监测设备异常特征数据进行分析，获得绕组状态监测校正参数。

最后，将所述绕组状态监测校正参数添加到校正绕组状态监测流中，所述校正绕组状态监测流包含了更准确、更可靠的电机绕组状态信息，可为后续的故障分析和预测提供了更好的数据基础。

进一步的，本申请实施例步骤P21-4还包括：

P21-41：加载所述传感监测设备特征数据对应的监测设备属性型号信息；

P21-42：根据所述监测设备属性型号信息进行设备异常补偿记录检索，获得监测设备异常特征数据记录集和监测设备异常补偿参数记录集；

P21-43：根据所述监测设备异常特征数据记录集和所述监测设备异常补偿参数记录集对预定神经网络模型进行有监督训练，每训练预定次数时，获得补偿输出误差参数；

P21-44：当所述补偿输出误差参数小于预定补偿输出误差时，获得监测设备异常补偿解析模型；

P21-45：将所述监测设备异常特征数据输入所述监测设备异常补偿解析模型，获得监测设备异常补偿参数；

P21-46：根据所述监测设备异常补偿参数对所述绕组状态监测目标参数进行补偿优化，得到所述绕组状态监测校正参数。

在本申请一种可能的实施例中，加载与所述传感监测设备特征数据相关联的监测设备属性型号信息，包括设备的制造商、型号、规格等，使用所述监测设备属性型号信息作为检索条件，从预先存储的数据库中或大数据中检索与该设备相关的异常补偿记录，获得监测设备异常特征数据记录集和监测设备异常补偿参数记录集，即监测设备在异常状态下的特征数据以及对应的补偿参数。

进一步的，使用所述监测设备异常特征数据记录集和所述监测设备异常补偿参数记录集作为训练数据，对预定神经网络模型进行有监督训练，所述预定神经网络模型可以是BP神经网络、全连接神经网络等，训练过程中，模型学习如何将异常特征数据映射到相应的补偿参数。每训练预定次数后，计算并输出补偿输出误差参数，以评估模型的训练效果。当补偿输出误差参数小于预定补偿输出误差时，则认为神经网络模型已经训练完成，可将其作为监测设备异常补偿解析模型使用。

进一步的，将所述监测设备异常特征数据输入所述监测设备异常补偿解析模型进行预测，获得监测设备异常补偿参数，使用所述监测设备异常补偿参数对绕组状态监测目标参数进行补偿优化，例如对原始监测数据进行调整或修正，以消除由于设备异常而产生的误差，得到所述绕组状态监测校正参数。

P30：根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；

进一步的，如图3所示，本申请实施例步骤P30还包括：

P31：调取所述电机绕组的绕组型号信息；

P32：根据所述绕组型号信息，设置绕组全局检索主体，其中，所述绕组全局检索主体包括所述电机绕组，以及所述绕组型号信息对应的多个同型号电机绕组；

P33：根据所述绕组全局检索主体进行正常状态监测样本检索，获得绕组标准状态监测样本集；

P34：根据所述绕组标准状态监测样本集进行标准化处理，获得绕组标准状态监测数据集；

P35：根据所述绕组标准状态监测数据集进行监测特征聚类，获得多个监测特征绕组状态标准组；

P36：根据所述多个监测特征绕组状态标准组进行集中区间分析，获得多维绕组状态特征基态信息；

P37：根据所述多维绕组状态特征基态信息，构建绕组标准基态特征矩阵；

P38：基于所述绕组标准基态特征矩阵对所述电机绕组状态监测矩阵进行偏差计算，获得所述电机绕组状态偏差矩阵。

可选的，根据所述电机绕组状态监测矩阵进行标准基态偏差分析，也就是比较电机绕组的状态监测数据与标准数据来评估电机绕组的状态。具体的，获取所述电机绕组的绕组型号信息，并根据所述绕组型号信息设置绕组全局检索主体，这个主体包括当前需要分析的电机绕组以及数据库中与该型号相同的多个同型号电机绕组，由此可获取更广泛、更全面的标准状态数据。

进一步的，从所述绕组全局检索主体中检索出主体处于正常状态的监测样本，获得绕组标准状态监测样本集，并对其进行标准化处理，以消除不同样本之间的量纲差异和尺度差异，得到标准化后的绕组标准状态监测数据集。将所述绕组标准状态监测数据集进行监测特征聚类，将具有相似特征的绕组标准状态监测数据聚为一类，例如按照电流、电压、温度、振动等进行分类，获得多个监测特征绕组状态标准组。

进一步的，对每个监测特征绕组状态标准组进行集中区间分析，确定每个监测参数在正常状态下的合理取值范围或中心趋势，构成多维绕组状态特征基态信息，可反映同型号电机绕组在正常状态下的特征分布。使用所述多维绕组状态特征基态信息，构建绕组标准基态特征矩阵，这个矩阵包含了同型号电机绕组在正常状态下的关键特征信息。

最后，使用所述绕组标准基态特征矩阵作为基准，对所述电机绕组状态监测矩阵中的每个监测参数进行偏差计算，并将得到的偏差值组织成一个电机绕组状态偏差矩阵，来反映当前电机绕组状态与标准状态之间的偏差程度。

P40：根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；

应当理解的是，参照上述对所述电机绕组状态监测流的处理方法，将所述电机绕组环境监测流进行滤波标准化，消除所述电机绕组环境监测流中的噪声和干扰，并使得不同参数或不同时间点的数据具有相同的尺度或单位，进而将经过滤波标准化处理后的数据构建成电机绕组环境监测矩阵，这个矩阵包含了多个监测参数，如温度、湿度、压力等在多个时间点或不同位置上的监测值，可全面描述电机绕组所处的环境状态。

进一步的，对所述电机绕组环境监测矩阵进行标准基态偏差分析，参照上述方法，首先确定环境参数的标准基态，然后将电机绕组环境监测矩阵中的每个参数值与标准基态进行比较，计算偏差值，并将偏差值组织成一个电机绕组环境偏差矩阵，来反映当前环境状态与标准基态之间的偏差程度。

P50：激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；

进一步的，本申请实施例步骤P50还包括：

P51：搭建所述电机绕组故障预测复合通道，其中，所述电机绕组故障预测复合通道包括电机绕组故障预测第一通道和电机绕组故障预测第二通道；

P52：将所述电机绕组状态偏差矩阵输入所述电机绕组故障预测第一通道，获得电机绕组故障预测第一结果；

P53：将所述电机绕组环境偏差矩阵输入所述电机绕组故障预测第二通道，获得电机绕组故障预测第二结果；

P54：根据所述电机绕组故障预测第一结果和所述电机绕组故障预测第二结果进行故障融合，得到所述电机绕组故障预测报告。

可选的，激活电机绕组故障预测复合通道，来对所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合。具体的，所述电机绕组故障预测复合通道包括电机绕组故障预测第一通道和电机绕组故障预测第二通道，分别用于处理和分析电机绕组的状态偏差和环境偏差数据，可通过采集样本数据进行机器学习来搭建所述电机绕组故障预测复合通道。

进一步的，将所述电机绕组状态偏差矩阵输入所述电机绕组故障预测第一通道，进行状态偏差分析，也就是基于电机绕组自身状态信息进行故障预测，获得电机绕组故障预测第一结果。同时，将所述电机绕组环境偏差矩阵输入所述电机绕组故障预测第二通道，基于环境偏差进行故障预测，获得电机绕组故障预测第二结果。

最后，将所述电机绕组故障预测第一结果和所述电机绕组故障预测第二结果进行故障融合，例如进行加权平均、模糊逻辑等处理，形成一个全面的电机绕组故障预测报告。

进一步的，本申请实施例步骤P51还包括：

P51-1：根据所述电机绕组进行状态偏差故障诊断特征记录全局检索，获得第一通道构建数据集，其中，所述第一通道构建数据集包括多个绕组状态偏差故障诊断记录集，每个绕组状态偏差故障诊断记录集包括电机绕组状态偏差矩阵记录集和绕组状态偏差故障诊断记录集；

P51-2：分别对所述多个绕组状态偏差故障诊断记录集进行交叉监督训练，获得满足故障预测准确率约束的多个绕组状态偏差故障预测器；

P51-3：根据所述电机绕组进行环境偏差故障诊断特征记录全局检索，获得第二通道构建数据集，其中，所述第二通道构建数据集包括多个绕组环境偏差故障诊断记录集，每个绕组环境偏差故障诊断记录集包括电机绕组环境偏差矩阵记录集和绕组环境偏差故障诊断记录集；

P51-4：分别对所述多个绕组环境偏差故障诊断记录集进行交叉监督训练，获得满足所述故障预测准确率约束的多个绕组环境偏差故障预测器；

P51-5：将所述多个绕组状态偏差故障预测器作为第一特征故障预测并行节点合并，生成所述电机绕组故障预测第一通道；

P51-6：将所述多个绕组环境偏差故障预测器作为第二特征故障预测并行节点合并，生成所述电机绕组故障预测第二通道；

P51-7：连接所述电机绕组故障预测第一通道和所述电机绕组故障预测第二通道，生成所述电机绕组故障预测复合通道。

具体的，所述电机绕组故障预测复合通道的构建过程可以是，首先，对电机绕组的状态偏差故障诊断特征进行全局检索，检索对象不仅仅是电机绕组，还包括电机绕组的多个同型号电机绕组，来收集与电机绕组状态偏差相关的历史数据和诊断记录，生成第一通道构建数据集，该数据集包含多个绕组状态偏差故障诊断记录集。每个记录集都包含电机绕组状态偏差矩阵记录集和对应的绕组状态偏差故障诊断记录集。

进一步的，分别对所述多个绕组状态偏差故障诊断记录集进行交叉监督训练，交叉监督训练是一种训练多个模型，并使用模型之间的预测结果相互验证和优化的方法。通过交叉监督训练，获得多个满足故障预测准确率约束的绕组状态偏差故障预测器。

进一步的，参照上述方法，对电机绕组的环境偏差故障诊断特征进行全局检索，以收集与环境偏差相关的历史数据和诊断记录，生成第二通道构建数据集，该数据集包含多个绕组环境偏差故障诊断记录集，并且，每个绕组环境偏差故障诊断记录集包括电机绕组环境偏差矩阵记录集和绕组环境偏差故障诊断记录集。同理，分别对所述多个绕组环境偏差故障诊断记录集进行交叉监督训练，以获得多个满足故障预测准确率约束的绕组环境偏差故障预测器。

进一步的，将所述多个绕组状态偏差故障预测器作为第一特征故障预测并行节点进行合并，这些并行节点可以同时处理输入数据，提高故障预测的速度和效率。并由合并后的节点构成电机绕组故障预测第一通道。同理，将所述多个绕组环境偏差故障预测器作为第二特征故障预测并行节点进行合并，生成所述电机绕组故障预测第二通道。

最后，将所述电机绕组故障预测第一通道和所述电机绕组故障预测第二通道进行连接，生成所述电机绕组故障预测复合通道，该复合通道能够同时考虑电机绕组的状态偏差和环境偏差，提供更全面、准确的故障预测结果。

P60：将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警。

示例性的，在生成电机绕组故障预测报告后，为了确保报告在传输过程中的安全性和保密性，对该报告进行加密处理，保护数据免受未经授权的访问和篡改。并将加密后的电机绕组故障预测报告传输至绕组故障预警平台。由所述绕组故障预警平台对所述电机绕组故障预测报告进行解密处理和数据读取后，生成相应的故障预警信息，包括预警级别、故障类型、预计发生时间、建议的维护措施等，并通过预设的通信渠道发送给相关人员或系统，以便及时采取应对措施，提高电机绕组的可靠性和维护效率，进而提高电机的运行安全性和稳定性。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过对电机绕组状态监测流、电机绕组环境监测流进行滤波标准化、标准基态偏差分析，建立电机绕组状态偏差矩阵和电机绕组环境偏差矩阵，结合电机绕组故障预测复合通道进行故障预测融合，实现预见性的电机绕组故障预警。

达到了通过预见性的电机绕组故障预警，提高电机运行安全性和稳定性的技术效果。

实施例二

基于与前述实施例中基于多维传感的电机绕组故障监测方法相同的发明构思，如图4所示，本申请提供了基于多维传感的电机绕组故障监测系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

电机传感监测模块11，所述电机传感监测模块11用于根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；

状态监测矩阵建立模块12，所述状态监测矩阵建立模块12用于根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；

状态偏差矩阵生成模块13，所述状态偏差矩阵生成模块13用于根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；

环境偏差矩阵生成模块14，所述环境偏差矩阵生成模块14用于根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；

故障预测融合模块15，所述故障预测融合模块15用于激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；

故障预警模块16，所述故障预警模块16用于将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警。

进一步的，所述状态监测矩阵建立模块12还用于执行以下步骤：

根据所述电机绕组状态监测流进行滤波校正，获得校正绕组状态监测流；

根据所述校正绕组状态监测流进行标准化处理，生成所述电机绕组状态监测矩阵。

进一步的，所述状态监测矩阵建立模块12还用于执行以下步骤：

根据所述电机绕组状态监测流提取绕组状态监测目标参数，其中，所述绕组状态监测目标参数包括所述电机绕组状态监测流内的任意一个监测参数；

基于所述电机传感监测网络，调取所述绕组状态监测目标参数对应的传感监测设备特征数据，其中，所述传感监测设备特征数据包括传感监测设备状态数据和传感监测设备环境数据；

根据所述传感监测设备特征数据进行异常检测，获得监测设备异常特征数据；

根据所述监测设备异常特征数据校正所述绕组状态监测目标参数，获得绕组状态监测校正参数；

将所述绕组状态监测校正参数添加至所述校正绕组状态监测流。

进一步的，所述状态监测矩阵建立模块12还用于执行以下步骤：

加载所述传感监测设备特征数据对应的监测设备属性型号信息；

根据所述监测设备属性型号信息进行设备异常补偿记录检索，获得监测设备异常特征数据记录集和监测设备异常补偿参数记录集；

根据所述监测设备异常特征数据记录集和所述监测设备异常补偿参数记录集对预定神经网络模型进行有监督训练，每训练预定次数时，获得补偿输出误差参数；

当所述补偿输出误差参数小于预定补偿输出误差时，获得监测设备异常补偿解析模型；

将所述监测设备异常特征数据输入所述监测设备异常补偿解析模型，获得监测设备异常补偿参数；

根据所述监测设备异常补偿参数对所述绕组状态监测目标参数进行补偿优化，得到所述绕组状态监测校正参数。

进一步的，所述状态偏差矩阵生成模块13还用于执行以下步骤：

调取所述电机绕组的绕组型号信息；

根据所述绕组型号信息，设置绕组全局检索主体，其中，所述绕组全局检索主体包括所述电机绕组，以及所述绕组型号信息对应的多个同型号电机绕组；

根据所述绕组全局检索主体进行正常状态监测样本检索，获得绕组标准状态监测样本集；

根据所述绕组标准状态监测样本集进行标准化处理，获得绕组标准状态监测数据集；

根据所述绕组标准状态监测数据集进行监测特征聚类，获得多个监测特征绕组状态标准组；

根据所述多个监测特征绕组状态标准组进行集中区间分析，获得多维绕组状态特征基态信息；

根据所述多维绕组状态特征基态信息，构建绕组标准基态特征矩阵；

基于所述绕组标准基态特征矩阵对所述电机绕组状态监测矩阵进行偏差计算，获得所述电机绕组状态偏差矩阵。

进一步的，所述故障预测融合模块15还用于执行以下步骤：

搭建所述电机绕组故障预测复合通道，其中，所述电机绕组故障预测复合通道包括电机绕组故障预测第一通道和电机绕组故障预测第二通道；

将所述电机绕组状态偏差矩阵输入所述电机绕组故障预测第一通道，获得电机绕组故障预测第一结果；

将所述电机绕组环境偏差矩阵输入所述电机绕组故障预测第二通道，获得电机绕组故障预测第二结果；

根据所述电机绕组故障预测第一结果和所述电机绕组故障预测第二结果进行故障融合，得到所述电机绕组故障预测报告。

进一步的，所述故障预测融合模块15还用于执行以下步骤：

根据所述电机绕组进行状态偏差故障诊断特征记录全局检索，获得第一通道构建数据集，其中，所述第一通道构建数据集包括多个绕组状态偏差故障诊断记录集，每个绕组状态偏差故障诊断记录集包括电机绕组状态偏差矩阵记录集和绕组状态偏差故障诊断记录集；

分别对所述多个绕组状态偏差故障诊断记录集进行交叉监督训练，获得满足故障预测准确率约束的多个绕组状态偏差故障预测器；

根据所述电机绕组进行环境偏差故障诊断特征记录全局检索，获得第二通道构建数据集，其中，所述第二通道构建数据集包括多个绕组环境偏差故障诊断记录集，每个绕组环境偏差故障诊断记录集包括电机绕组环境偏差矩阵记录集和绕组环境偏差故障诊断记录集；

分别对所述多个绕组环境偏差故障诊断记录集进行交叉监督训练，获得满足所述故障预测准确率约束的多个绕组环境偏差故障预测器；

将所述多个绕组状态偏差故障预测器作为第一特征故障预测并行节点合并，生成所述电机绕组故障预测第一通道；

将所述多个绕组环境偏差故障预测器作为第二特征故障预测并行节点合并，生成所述电机绕组故障预测第二通道；

连接所述电机绕组故障预测第一通道和所述电机绕组故障预测第二通道，生成所述电机绕组故障预测复合通道。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变形在内。

Claims (2)

1.基于多维传感的电机绕组故障监测方法，其特征在于，所述方法包括：

根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；

根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；

根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；

根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；

激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；

将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警；

其中，根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵，包括：

根据所述电机绕组状态监测流进行滤波校正，获得校正绕组状态监测流；

根据所述校正绕组状态监测流进行标准化处理，生成所述电机绕组状态监测矩阵；

其中，根据所述电机绕组状态监测流进行滤波校正，获得校正绕组状态监测流，包括：

根据所述电机绕组状态监测流提取绕组状态监测目标参数，其中，所述绕组状态监测目标参数包括所述电机绕组状态监测流内的任意一个监测参数；

基于所述电机传感监测网络，调取所述绕组状态监测目标参数对应的传感监测设备特征数据，其中，所述传感监测设备特征数据包括传感监测设备状态数据和传感监测设备环境数据；

根据所述传感监测设备特征数据进行异常检测，获得监测设备异常特征数据；

根据所述监测设备异常特征数据校正所述绕组状态监测目标参数，获得绕组状态监测校正参数；

将所述绕组状态监测校正参数添加至所述校正绕组状态监测流；

其中，根据所述监测设备异常特征数据校正所述绕组状态监测目标参数，获得绕组状态监测校正参数，包括：

加载所述传感监测设备特征数据对应的监测设备属性型号信息；

根据所述监测设备属性型号信息进行设备异常补偿记录检索，获得监测设备异常特征数据记录集和监测设备异常补偿参数记录集；

根据所述监测设备异常特征数据记录集和所述监测设备异常补偿参数记录集对预定神经网络模型进行有监督训练，每训练预定次数时，获得补偿输出误差参数；

当所述补偿输出误差参数小于预定补偿输出误差时，获得监测设备异常补偿解析模型；

将所述监测设备异常特征数据输入所述监测设备异常补偿解析模型，获得监测设备异常补偿参数；

根据所述监测设备异常补偿参数对所述绕组状态监测目标参数进行补偿优化，得到所述绕组状态监测校正参数；

其中，根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵，包括：

调取所述电机绕组的绕组型号信息；

根据所述绕组型号信息，设置绕组全局检索主体，其中，所述绕组全局检索主体包括所述电机绕组，以及所述绕组型号信息对应的多个同型号电机绕组；

根据所述绕组全局检索主体进行正常状态监测样本检索，获得绕组标准状态监测样本集；

根据所述绕组标准状态监测样本集进行标准化处理，获得绕组标准状态监测数据集；

根据所述绕组标准状态监测数据集进行监测特征聚类，获得多个监测特征绕组状态标准组；

根据所述多个监测特征绕组状态标准组进行集中区间分析，获得多维绕组状态特征基态信息；

根据所述多维绕组状态特征基态信息，构建绕组标准基态特征矩阵；

基于所述绕组标准基态特征矩阵对所述电机绕组状态监测矩阵进行偏差计算，获得所述电机绕组状态偏差矩阵；

其中，激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告，包括：

搭建所述电机绕组故障预测复合通道，其中，所述电机绕组故障预测复合通道包括电机绕组故障预测第一通道和电机绕组故障预测第二通道；

将所述电机绕组状态偏差矩阵输入所述电机绕组故障预测第一通道，获得电机绕组故障预测第一结果；

将所述电机绕组环境偏差矩阵输入所述电机绕组故障预测第二通道，获得电机绕组故障预测第二结果；

根据所述电机绕组故障预测第一结果和所述电机绕组故障预测第二结果进行故障融合，得到所述电机绕组故障预测报告；

其中，搭建所述电机绕组故障预测复合通道，包括：

根据所述电机绕组进行状态偏差故障诊断特征记录全局检索，获得第一通道构建数据集，其中，所述第一通道构建数据集包括多个绕组状态偏差故障诊断记录集，每个绕组状态偏差故障诊断记录集包括电机绕组状态偏差矩阵记录集和绕组状态偏差故障诊断记录集；

分别对所述多个绕组状态偏差故障诊断记录集进行交叉监督训练，获得满足故障预测准确率约束的多个绕组状态偏差故障预测器；

根据所述电机绕组进行环境偏差故障诊断特征记录全局检索，获得第二通道构建数据集，其中，所述第二通道构建数据集包括多个绕组环境偏差故障诊断记录集，每个绕组环境偏差故障诊断记录集包括电机绕组环境偏差矩阵记录集和绕组环境偏差故障诊断记录集；

分别对所述多个绕组环境偏差故障诊断记录集进行交叉监督训练，获得满足所述故障预测准确率约束的多个绕组环境偏差故障预测器；

将所述多个绕组状态偏差故障预测器作为第一特征故障预测并行节点合并，生成所述电机绕组故障预测第一通道；

将所述多个绕组环境偏差故障预测器作为第二特征故障预测并行节点合并，生成所述电机绕组故障预测第二通道；

连接所述电机绕组故障预测第一通道和所述电机绕组故障预测第二通道，生成所述电机绕组故障预测复合通道。

2.基于多维传感的电机绕组故障监测系统，其特征在于，所述系统用于执行权利要求1所述的方法，所述系统包括：

电机传感监测模块，所述电机传感监测模块用于根据预先布设的电机传感监测网络对电机绕组进行实时监测，获得电机绕组状态监测流和电机绕组环境监测流；

状态监测矩阵建立模块，所述状态监测矩阵建立模块用于根据所述电机绕组状态监测流进行滤波标准化，建立电机绕组状态监测矩阵；

状态偏差矩阵生成模块，所述状态偏差矩阵生成模块用于根据所述电机绕组状态监测矩阵进行标准基态偏差分析，生成电机绕组状态偏差矩阵；

环境偏差矩阵生成模块，所述环境偏差矩阵生成模块用于根据所述电机绕组环境监测流进行滤波标准化，建立电机绕组环境监测矩阵，并对所述电机绕组环境监测矩阵进行标准基态偏差分析，生成电机绕组环境偏差矩阵；

故障预测融合模块，所述故障预测融合模块用于激活电机绕组故障预测复合通道，结合所述电机绕组状态偏差矩阵和所述电机绕组环境偏差矩阵进行故障预测融合，生成电机绕组故障预测报告；

故障预警模块，所述故障预警模块用于将所述电机绕组故障预测报告加密传输至绕组故障预警平台，所述绕组故障预警平台基于所述电机绕组故障预测报告对所述电机绕组进行故障预警。