一种基于数据处理的电动马达运行优化方法及系统与流程

1.本发明涉及数据处理领域，特别是一种基于数据处理的电动马达运行优化方法及系统。


背景技术：

2.电动马达是一种将电能转化为机械能的装置，主要用于驱动各种机械设备和系统，电动马达通过电流在电磁场中产生力和扭矩，使驱动轴转动，实现能量转换和功率输出。电动马达在工作过程中会存在散热不良导致过热情况，也会存在运维过载而导致电动马达过热、输出功率变小甚至损坏电动马达的情况。电动马达输出功率降低，会导致电动马达的工作效率降低，不利于经济效益，且电动马达过热会导致电动马达报废，甚至影响人身安全，所以需要对基于数据处理，获取电动马达的问题所在并对电动马达进行运行优化。


技术实现要素：

3.本发明克服了现有技术的不足，提供了一种基于数据处理的电动马达运行优化方法及系统。
4.为达到上述目的，本发明采用的技术方案为：本发明第一方面提供了一种基于数据处理的电动马达运行优化方法，包括以下步骤：s102：通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；s104：基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；s106：使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据；s108：基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达异常参数；s110：基于电动马达的异常参数，对大数据进行检索，得到修正电动马达异常的调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法。
5.进一步的，本发明的一个较佳实施例中，所述s102，具体为：在电动马达内安装传感器，通过传感器直接采集电动马达运行过程中的运行参数数据；计算所述运行参数数据的均值和标准差，基于正态分布原则，预设标准运行参数数据均值及标准差阈值，对均值和标准差在标准运行参数数据均值及标准差阈值外的运行参数数据定义为异常值，删除所述异常值，对删除异常值后的运行参数数据进行重复值检测并删除重复值，得到数据清洗后的运行参数数据；将所述数据清洗后的运行参数数据导入中值滤波器中得到运行参数数据序列，在
所述中值滤波器中设置一个滑动窗口，所述滑动窗口在数据序列上滑动，滑动过程中将在滑动窗口中的数据进行排序；选择滑动窗口内的排序中间值作为滑动窗口内唯一值，将所述滑动窗口内唯一值替换滑动窗口内其他数值，重复以上步骤，对数据清洗后的运行参数数据进行滤波，得到运行参数滤波数据。
6.进一步的，本发明的一个较佳实施例中，所述s104，具体为：随机选择k个运行参数数据样本作为初始聚类中心，并将所述初始聚类中心分别作为各类数据集的中心；计算所有运行参数数据样本与初始聚类中心的曼哈顿距离，得到所述运行参数数据样本与初始聚类中心的曼哈顿距离后计算每个运行参数数据样本对于各类数据集的隶属度值；计算各类数据集中运行参数数据样本的平均值，作为新的聚类中心，预设聚类中心隶属度标准值，若运行参数数据样本的平均值不满足聚类中心隶属度标准值，则重复上述步骤，继续使用fcm算法对运行参数数据样本进行分类；若运行参数数据样本的平均值满足聚类中心隶属度标准值，则输出聚类结果，得到运行参数分类数据。
7.进一步的，本发明的一个较佳实施例中，所述s106，具体为:通过孤立森林算法构建孤立森林，确定孤立森林中二叉树的数量及每棵二叉树的最大深度值；对所述运行参数分类数据进行数据处理得到运行参数分类数据集，在所述运行参数分类数据集中随机选择一个运行参数分类数据的特征值，作为当前节点的特征值，并从当前节点的特征值的特征取值范围中随机选择一个切分值；根据选定的当前节点的特征值和切分值，将运行参数分类数据集中当前节点的特征值小于切分值的运行参数分类数据点归入左子集，当前节点的特征值大于切分值的运行参数分类数据点归入右子集；若当前节点的深度值小于最大深度值，且左子集和右子集中运行参数分类数据点数量不为零，则在左子集和右子集的基础上，继续创建子集；分别将左子集和右子集作为新的数据集重复上述步骤，将当前节点的深度值加1作为得到新的深度值，若当前节点的深度值达到最大深度值，或数据集中的运行参数分类数据点数量不大于预设阈值，则将当前节点标记为叶子节点；确定二叉树的根节点的位置，计算所有二叉树中所有叶子节点到根节点的路径长度，一个叶子节点到根节点的路径长度对应一个运行参数分类数据点的路径长度；设定运行参数分类数据的各状态参数路径标准阈值，对运行参数分类数据点的路径长度不在运行参数分类数据的各状态参数路径标准阈值范围内的运行参数分类数据点标记为离群点，对所述离群点进行剔除，将剩下的运行参数分类数据点集合，生成最终运行参数分类数据。
8.进一步的，本发明的一个较佳实施例中，所述s108，具体为：根据大数据检索，获取同一型号电动马达的标准运行参数分类数据，将电动马达的最终运行参数分类数据分为训练集和测试集；
构建卷积神经网络模型，将所述训练集导入至卷积神经网络模型的卷积层中，在卷积层内定义电动马达的功率和温度两个卷积核，将所述卷积核在训练集的数据中滑动，在滑动过程中将卷积核的权重与滑动经过处对应的训练集数据进行点乘得到点乘结果，将所述点乘结果进行累加，得到卷积值；将所述卷积值输入至卷积神经网络模型的池化层中进行最大池化处理，在每一个卷积层内选取最大值作为当前卷积值所在滑动区域的特征值，将所有选取获得的特征值进行融合并通过交叉熵损失函数进行反向训练，直至误差收敛至预设值；通过测试集对反向训练后的卷积神经网络模型进行测试，当测试结果满足预设值，则将反向训练后的卷积神经网络模型定义为电动马达运行预测模型，并通过同样的步骤，基于标准运行参数分类数据，构建标准电动马达运行预测模型；分别对所述电动马达运行预测模型和标准电动马达运行预测模型输入电动马达运行条件参数，所述电动马达运行条件参数包括定子电流大小、电源供电频率大小和旋转子负载大小；获取电动马达运行预测模型生成的电动马达预测参数，定义为第一类预测参数，获取标准电动马达运行预测模型生成的标准电动马达运行预测参数，定义为第二类预测参数，预测参数包括电动马达的功率大小和温度大小，基于灰色关联法，对所述第一类预测参数和第二类预测参数灰色关联处理，得到电动马达的异常参数。
9.进一步的，本发明的一个较佳实施例中，所述s110，具体为：基于电动马达的异常参数，在大数据网络中检索得到电动马达的所有调试方法，将所述所有调试方法导入所述电动马达运行预测模型中进行模拟调试；记录电动马达运行预测模型在各种调试方法下的输出功率大小和运行温度大小，预设输出功率标准值和运行温度阈值，筛选得到所有使电动马达运行预测模型的输出功率大小达到输出功率标准值和运行温度大小在运行温度阈值范围内的调试方法，定义为第一类调试方法集；获取第一类调试方法集中所有调试方法的调试步骤，将调试方法内调试步骤不满足预设条件的调试方法剔除，得到第二类调试方法集；获取第二类调试方法集中所有调试方法的调试时间，将所述调试时间在预设时间外的调试方法剔除，得到第三类调试方法集；对第三类调试方法集内的调试方法进行调试效率计算，得到调试效率排序表，选取调试效率排序表中调试效率最高的调试方法，将所述调试效率最高的调试方法用于电动马达上，对电动马达进行运行优化。
10.本发明第二方面还提供了一种基于数据处理的电动马达运行优化系统，所述电动马达运行优化系统包括存储器与处理器，所述存储器中储存有电动马达运行优化程序，所述电动马达运行优化程序被所述处理器执行时，实现如下步骤通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类
数据的离群点进行处理，得到最终运行参数分类数据；基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达异常参数；基于电动马达的异常参数，对大数据进行检索，得到修正电动马达异常的调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法。
11.本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：采集电动马达运行过程中的运行参数数据并进行数据预处理，获得运行参数滤波数据，对运行参数滤波数据进行数据分类和数据离群点检测后，得到最终运行参数分类数据，基于所述最终运行参数分类数据构建电动马达运行预测模型，通过电动马达运行预测模型和标准电动马达运行预测模型的比较获取电动马达的异常参数，并选用合适的调试方法对电动马达进行运行优化处理。对电动马达进行运行优化能够是电动马达的工作效率提高，且减少功率的损耗同时可以减少电动马达发生故障的概率，保护了人身安全和制止了财产的损失，符合经济效益。
附图说明
12.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实施例的附图。
13.图1示出了一种基于数据处理的电动马达运行优化方法的流程图；图2示出了使用孤立森林算法检测运行参数分类数据的离群点，并得到最终运行参数分类数据的流程图；图3示出了根据最终运行参数构建电动马达运行预测模型并生成电动马达的异常参数的流程图；图4示出了一种基于数据处理的电动马达运行优化系统的程序图。
具体实施方式
14.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
15.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
16.图1示出了示出了一种基于数据处理的电动马达运行优化方法的流程图，包括以下步骤：s102：通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；s104：基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；
s106：使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据；s108：基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达异常参数；s110：基于电动马达的异常参数，对大数据进行检索，得到修正电动马达异常的调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法。
17.进一步的，本发明的一个较佳实施例中，所述s102，具体为：在电动马达内安装传感器，通过传感器直接采集电动马达运行过程中的运行参数数据；计算所述运行参数数据的均值和标准差，基于正态分布原则，预设标准运行参数数据均值及标准差阈值，对均值和标准差在标准运行参数数据均值及标准差阈值外的运行参数数据定义为异常值，删除所述异常值，对删除异常值后的运行参数数据进行重复值检测并删除重复值，得到数据清洗后的运行参数数据；将所述数据清洗后的运行参数数据导入中值滤波器中得到运行参数数据序列，在所述中值滤波器中设置一个滑动窗口，所述滑动窗口在数据序列上滑动，滑动过程中将在滑动窗口中的数据进行排序；选择滑动窗口内的排序中间值作为滑动窗口内唯一值，将所述滑动窗口内唯一值替换滑动窗口内其他数值，重复以上步骤，对数据清洗后的运行参数数据进行滤波，得到运行参数滤波数据。
18.需要说明的是，通过传感器可以采集电动马达运行过程中的运行参数数据，但所述运行参数数据在采集过程中会存在噪声过大的问题，需要对运行参数数据进行数据滤波处理。对运行参数数据进行异常值检测与删除处理目的是对数据进行清洗，实现数据的统一性，采用中值滤波器对运行参数数据进行滤波处理，能够使滤波窗口内的数据为唯一值，使数据更平滑。本发明能够通过中值滤波器对电动马达运行过程中的运行参数数据进行滤波处理，使运行参数数据更平滑，便于进一步的数据处理。
19.进一步的，本发明的一个较佳实施例中，所述s104，具体为：随机选择k个运行参数数据样本作为初始聚类中心，并将所述初始聚类中心分别作为各类数据集的中心；计算所有运行参数数据样本与初始聚类中心的曼哈顿距离，得到所述运行参数数据样本与初始聚类中心的曼哈顿距离后计算每个运行参数数据样本对于各类数据集的隶属度值；计算各类数据集中运行参数数据样本的平均值，作为新的聚类中心，预设聚类中心隶属度标准值，若运行参数数据样本的平均值不满足聚类中心隶属度标准值，则重复上述步骤，继续使用fcm算法对运行参数数据样本进行分类；若运行参数数据样本的平均值满足聚类中心隶属度标准值，则输出聚类结果，得到运行参数分类数据。
20.需要说明的是，采集获得的运行参数数据为电动马达的各种数据的集合，对电动马达进行数据建模需要将运行参数数据进行分类，分别得到电动马达的各种运行参数数据。使用fcm算法对运行参数数据进行分类，在运行参数数据中随机选择k个运行参数数据
样本作为初始聚类中心，所述曼哈顿距离为数据之间的相似度距离，运行参数数据样本与初始聚类中心的欧式距离越近，则运行参数数据样本与初始聚类中心的数据隶属度越大，所述数据隶属度为数据的相似度。聚类中心的隶属度值为运行参数数据样本的平均值，当聚类中心的隶属度值满足聚类中心隶属度标准值，证明聚类中心之间的分类清晰，能够清楚区分运行参数数据中的不同种类的数据，当聚类中心的隶属度值不满足聚类中心隶属度标准值，则需要重复上述步骤。本发明能够通过fcm算法对电动马达的运行参数数据进行分类，并对分类结果进行分类检测及优化。
21.进一步的，本发明的一个较佳实施例中，所述s110，具体为：基于电动马达的异常参数，在大数据网络中检索得到电动马达的所有调试方法，将所述所有调试方法导入所述电动马达运行预测模型中进行模拟调试；记录电动马达运行预测模型在各种调试方法下的输出功率大小和运行温度大小，预设输出功率标准值和运行温度阈值，筛选得到所有使电动马达运行预测模型的输出功率大小达到输出功率标准值和运行温度大小在运行温度阈值范围内的调试方法，定义为第一类调试方法集；获取第一类调试方法集中所有调试方法的调试步骤，将调试方法内调试步骤不满足预设条件的调试方法剔除，得到第二类调试方法集；获取第二类调试方法集中所有调试方法的调试时间，将所述调试时间在预设时间外的调试方法剔除，得到第三类调试方法集；对第三类调试方法集内的调试方法进行调试效率计算，得到调试效率排序表，选取调试效率排序表中调试效率最高的调试方法，将所述调试效率最高的调试方法用于电动马达上，对电动马达进行运行优化。
22.需要说明的是，通过电动马达运行预测模型获得电动马达的异常参数后，需要对异常参数进行调试，使电动马达恢复正常。通过大数据检索获取所有可以优化异常参数的调试方法，对所有调试方法进行筛选，对能够使电动马达的输出功率大小达到输出功率标准值和温度控制在运行温度阈值范围内的调试方法定义为第一类调试方法集.对第一类调试方法集中包含人工调试步骤的调试方法剔除，得到第二类调试方法集，因为人工对电动马达进行调试存在安全隐患，且调试效率不高，影响经济效益。对第二类调试方法集中调试时间在预设时间外的调试方法剔除，得到第三类调试方法集，因为调试时间慢，影响调试效率，对经济效益的影响较大。最后对第三类调试方法集中的调试方法进行效率排序，选择效率最高的调试方法输出。本发明能够通过调试步骤、调试时间及调试效率方面筛选调试方法，获得效果最好的电动马达异常参数调试方法。
23.图2示出了使用孤立森林算法检测运行参数分类数据的离群点，并得到最终运行参数分类数据的流程图，包括以下步骤：s202：使用孤立森林算法构建孤立森林，并对运行参数数据进行处理，划分左子集和右子集；s204：对所述左子集和右子集进行数据处理，生成叶子节点和根节点，并获取二叉树中所有叶子节点到根节点的路径长度；s206：根据所述二叉树中所有叶子节点到根节点的路径长度生成最终运行参数分类数据。
24.进一步的，本发明的一个较佳实施例中，所述s202，具体为：通过孤立森林算法构建孤立森林，确定孤立森林中二叉树的数量及每棵二叉树的最大深度值；对所述运行参数分类数据进行数据处理得到运行参数分类数据集，在所述运行参数分类数据集中随机选择一个运行参数分类数据的特征值，作为当前节点的特征值，并从当前节点的特征值的特征取值范围中随机选择一个切分值；根据选定的当前节点的特征值和切分值，将运行参数分类数据集中当前节点的特征值小于切分值的运行参数分类数据点归入左子集，当前节点的特征值大于切分值的运行参数分类数据点归入右子集。
25.需要说明的是，孤立森林算法是一种用于检测数据离群点的算法，在所述运行参数分类数据中，各个类别的运行参数数据集内可能存在离群点数据，导致运行参数数据集分类不完全，需要使用孤立森林算法对运行参数分类数据进行离群点的检测和剔除。所述二叉树最大深度值意思为二叉树的根节点到最远叶子节点的最长路径上的节点数。将运行参数数据转换为运行参数数据集，所述节点的意思是，构建二叉树的树节点，作用为划分数据集。所述特征值的意思是，用于划分运行参数数据集的特征的取值；所述切分值的意思是划分运行参数数据集的切割阈值点。在当前节点上，对当前节点的特征值和切分值的大小进行比较，分为左子集和右子集。本发明能够通过比较二叉树节点的特征值和切分值对运行参数数据及进行划分，得到左子集和右子集。
26.进一步的，本发明的一个较佳实施例中，所述s204，具体为：若当前节点的深度值小于最大深度值，且左子集和右子集中运行参数分类数据点数量不为零，则在左子集和右子集的基础上，继续创建子集；分别将左子集和右子集作为新的数据集重复上述步骤，将当前节点的深度值加1作为得到新的深度值，若当前节点的深度值达到最大深度值，或数据集中的运行参数分类数据点数量不大于预设阈值，则将当前节点标记为叶子节点；确定二叉树的根节点的位置，计算所有二叉树中所有叶子节点到根节点的路径长度，一个叶子节点到根节点的路径长度对应一个运行参数分类数据点的路径长度。
27.需要说明的是，若当前节点的深度值小于最大深度值，证明二叉树的节点数的数量不足，不能准确获取运行参数数据的离群点数据。对当前节点的深度值进行逐步递增，直到当前节点的深度值为最大深度值，或运行参数分类数据集中的运行参数分类数据点小于预设值，则当前节点在二叉树中不可继续划分左右子集，则将该节点定义为叶子节点。获取叶子节点到根节点的路径长度，根据所述路径长度的不同可以判断运行参数数据点对应的状态分类数据。本发明能够通过对节点的深度值进行调整，得到叶子节点和叶子节点到根节点的路径长度。
28.进一步的，本发明的一个较佳实施例，所述s206，具体为：设定运行参数分类数据的各状态参数路径标准阈值，对运行参数分类数据点的路径长度不在运行参数分类数据的各状态参数路径标准阈值范围内的运行参数分类数据点标记为离群点，对所述离群点进行剔除，将剩下的运行参数分类数据点集合，生成最终运行参数分类数据。
29.需要说明的是，由于可以根据路径长度的不同区分运行参数数据点对应的状态分
类数据，所以对运行参数分类数据点的路径长度不在运行参数分类数据的各状态参数路径标准阈值范围内的运行参数分类数据点标记为离群点，由于运行参数分类数据需要为电动马达建模提供数据支撑，所以需要将离群点剔除，得到最终运行参数分类数据。本发明能够通过判断运行参数分类数据点的各状态参数路径长度，剔除离群点，生成最终运行参数分类数据。
30.图3示出了根据最终运行参数构建电动马达运行预测模型并生成电动马达的异常参数的流程图，包括以下步骤：s302：构建卷积神经网络模型，将电动马达的组织运行参数分类数据导入卷积神经网络模型的卷积层中获得卷积值；s304：由所述卷积值对卷积神经网络模型进行池化处理和反向训练，得到电动马达运行预测模型并构建标准电动马达运行预测模型；s306：将电动马达运行条件参数导入至电动马达运行预测模型和标准电动马达运行预测模型中进行预测，得到预测参数，并对预测参数进行灰色关联处理，得到电动马达的异常参数。
31.进一步的。本发明的一个较佳实施例中，所述s302，具体为：根据大数据检索，获取同一型号电动马达的标准运行参数分类数据，将电动马达的最终运行参数分类数据分为训练集和测试集；构建卷积神经网络模型，将所述训练集导入至卷积神经网络模型的卷积层中，在卷积层内定义电动马达的功率和温度两个卷积核，将所述卷积核在训练集的数据中滑动，在滑动过程中将卷积核的权重与滑动经过处对应的训练集数据进行点乘得到点乘结果，将所述点乘结果进行累加，得到卷积值。
32.需要说明的是，所述卷积值指用卷积运算将卷积神经网络模型中的滤波器与输入数据的局部区域进行逐元素相乘，然后将乘积结果相加得到单个数值，所述单个数值为卷积值。卷积值可以提取输入的运行参数分类数据的多层次特征。本发明能够对训练集进行卷积运算获取卷积值。
33.进一步的。本发明的一个较佳实施例中，所述s304，具体为：将所述卷积值输入至卷积神经网络模型的池化层中进行最大池化处理，在每一个卷积层内选取最大值作为当前卷积值所在滑动区域的特征值，将所有选取获得的特征值进行融合并通过交叉熵损失函数进行反向训练，直至误差收敛至预设值；通过测试集对反向训练后的卷积神经网络模型进行测试，当测试结果满足预设值，则将反向训练后的卷积神经网络模型定义为电动马达运行预测模型，并通过同样的步骤，基于标准运行参数分类数据，构建标准电动马达运行预测模型。
34.需要说明的是，对卷积值进行池化处理目的是减少卷积特征的空间维度，降低数据的维度和复杂性，提高卷积神经网络模型的性能。反向训练的目的是使误差收敛，当误差收敛至预设值，使用测试集对卷积神经网络模型进行测试，测试结果满足预设值即可得到电动马达运行预测模型，所述电动马达运行预测模型可以通过电动马达的当前状态预测电动马达的未来状态。使用同样的方式，构建标准电动马达运行预测模型，所述标准电动马达运行预测模型是电动马达的运行理想状态，没有功率的损耗，温度保持恒定。构建标准电动马达运行预测模型目的是与电动马达运行预测模型进行分析对比。本发明能够通过池化处
理和反向训练得到电动马达运行预测模型，并通过同样的方式获得标准电动马达运行预测模型。
35.进一步的。本发明的一个较佳实施例中，所述s306，具体为：分别对所述电动马达运行预测模型和标准电动马达运行预测模型输入电动马达运行条件参数，所述电动马达运行条件参数包括定子电流大小、电源供电频率大小和旋转子负载大小；获取电动马达运行预测模型生成的电动马达预测参数，定义为第一类预测参数，获取标准电动马达运行预测模型生成的标准电动马达运行预测参数，定义为第二类预测参数，预测参数包括电动马达的功率大小和温度大小，基于灰色关联法，对所述第一类预测参数和第二类预测参数灰色关联处理，得到电动马达的异常参数。
36.需要说明的是，由于标准电动马达运行预测模型是一个无损耗的理想模型，所以在电动马达运行预测模型和标准电动马达运行预测模型中输入同样的参数条件，获得的预测参数不同，可以根据预测参数的不同，判断电动马达在一直工作之后可能会出现的异常情况。通过灰色关联法可以对第一类预测参数和第二类预测参数进行数据比对，得到电动马达的异常参数。本发明能够通过比较第一类预测参数和第二类预测参数，生成电动马达的异常参数。
37.此外，所述一种基于数据处理的电动马达运行优化方法，还包括以下步骤：将电动马达进行拆分，获得电动马达的零部件，所述电动马达的零部件包括轴承、磁铁、制动器、连接器和散热器；使用摄像头与超声波探伤装置对电动马达零部件进行表面图像识别和内部探伤识别，获取零部件表面图像和零部件内部信息；对零部件表面图像进行图像灰度化处理，获得零部件灰度图像，对所述零部件灰度图像导入中值滤波器中进行中值滤波，获得零部件灰度滤波图像，对所述零部件灰度滤波图像进行图像特征提取，得到零部件表面缺陷信息；将所述零部件表面缺陷信息与零部件内部信息导入三维建模软件中，构建零部件三维模型，预设标准零部件三维模型，将所述零部件三维模型与标准零部件三维模型进行数据整合对比，生成零部件偏差值；在三维建模软件中将零部件组合得到电动马达三维模型，预设标准电动马达三维模型，将所述电动马达三维模型与标准电动马达三维模型进行数据整合对比，生成整体偏差值；若所有电动马达零部件的零部件偏差值都小于预设值，且整体偏差值小于预设值，则暂时不需要对电动马达进行运行优化处理；若所有电动马达零部件的零部件偏差值都小于预设值，但整体偏差值大于预设值，则不需要对电动马达的零部件进行更换，通过调节电动马达的输入电流、输入电源频率和调整负载大小来实现电动马达的运行优化；若电动马达存在零部件偏差值大于预设值的零部件，则对零部件偏差值大于预设值的零部件进行更换处理，再判断整体偏差值，进行下一步的运行优化方案。
38.需要说明的是，电动马达在运行过程中存在损耗，需要找出电动马达的损耗位置并解决，电动马达的轴承在高速旋转过程中容易受到磨损导致轴承损坏；电动马达的磁铁
在驱动电动马达的转子转动时容易受到温度变化的影响，失去磁性；电动马达的制动器在频繁的启停和制动操作中容易受到磨损和失效；连接器长时间工作会腐蚀；散热器产生长时间工作也会造成磨损。当电动马达零部件损耗过大，对电动马达工作直接造成影响，需要直接更换。当电动马达零部件损耗比预设值小，但零部件组合起来后电动马达工作效率小于预设值，则需要通过调节电动马达的外部输入条件来对电动马达进行调试。
39.另外需要说明的是，通过获取电动马达零部件的表面特征信息和内部信息能够构建三维模型，清楚得知电动马达零部件的损耗程度。电动马达零部件偏差值大于预设值，需要进行零部件更换处理，否则容易造成电动马达的损坏。若电动马达零部件偏差值小于预设值，则判断整体偏差程度，若整体偏差程度小于预设值，则短期内电动马达的运行状态不会有较大的改变，所以暂时不需要对该电动马达进行运行优化处理；若整体偏差程度大于预设值，则可以通过调节电动马达的输入条件进行电动马达的运行优化。本发明能够通过识别电动马达的零部件损耗情况制定电动马达的运行优化方案。
40.此外，所述一种基于数据处理的电动马达运行优化方法，还包括以下步骤：在电动马达传感器内安装信号发射器，通过信号接收器接收电动马达传感器的反馈信号，判断信号接收器在预设时间内是否能接收来自电动马达传感器的反馈信号；若信号接收器在预设时间内不能接收来自电动马达传感器的反馈信号，则将对应的电动马达传感器定义为故障设备；若信号接收器在预设时间内能够接收来自电动马达传感器的反馈信号，则获取所述反馈信号的响应频率；若所述反馈信号的响应频率小于预设反应频率，则对反馈信号进行信号分析，得到反馈信号曲线图；根据所述反馈信号曲线图，判断反馈信号的衰减速度，当反馈信号的衰减速度大于预设值，则对应的电动马达传感器定义为故障设备。
41.需要说明的是，电动马达传感器的作用是监测电动马达的内部参数，当电动马达传感器故障，则电动马达的内部参数无法被检测得出，对后续电动马达的运行优化起反作用，更甚会造成人身安全和财产安全的损失，所以需要随电动马达传感器进行故障检测。对电动马达反馈信号的监测能够及时获取电动马达传感器的状态。本发明能够通过电动马达传感器的反馈信号对电动马达传感器进行故障判断，是工作人员能够及时检修，对电动马达的运行优化提供数据基础。
42.如图4所示，本发明第二方面还提供了一种基于数据处理的电动马达运行优化系统，所述电动马达运行优化系统包括存储器41与处理器42，所述存储器41中储存有电动马达运行优化程序，所述电动马达运行优化程序被所述处理器42执行时，实现如下步骤：通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据；基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动
马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达异常参数；基于电动马达的异常参数，对大数据进行检索，得到修正电动马达异常的调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法。
43.以上，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于数据处理的电动马达运行优化方法，其特征在于，包括以下步骤：通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据；基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达的异常参数；基于电动马达的异常参数，对大数据进行检索，得到修正电动马达异常的调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法。2.根据权利要求1中所述的一种基于数据处理的电动马达运行优化方法，其特征在于，所述通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据，具体为：在电动马达内安装传感器，通过传感器直接采集电动马达运行过程中的运行参数数据；计算所述运行参数数据的均值和标准差，基于正态分布原则，预设标准运行参数数据均值及标准差阈值，对均值和标准差在标准运行参数数据均值及标准差阈值外的运行参数数据定义为异常值，删除所述异常值，对删除异常值后的运行参数数据进行重复值检测并删除重复值，得到数据清洗后的运行参数数据；将所述数据清洗后的运行参数数据导入中值滤波器中得到运行参数数据序列，在所述中值滤波器中设置一个滑动窗口，所述滑动窗口在数据序列上滑动，滑动过程中将在滑动窗口中的数据进行排序；选择滑动窗口内的排序中间值作为滑动窗口内唯一值，将所述滑动窗口内唯一值替换滑动窗口内其他数值，重复以上步骤，对数据清洗后的运行参数数据进行滤波，得到运行参数滤波数据。3.根据权利要求1中所述的一种基于数据处理的电动马达运行优化方法，其特征在于，所述基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据，具体为：随机选择k个运行参数数据样本作为初始聚类中心，并将所述初始聚类中心分别作为各类数据集的中心；计算所有运行参数数据样本与初始聚类中心的曼哈顿距离，得到所述运行参数数据样本与初始聚类中心的曼哈顿距离后计算每个运行参数数据样本对于各类数据集的隶属度值；计算各类数据集中运行参数数据样本的平均值，作为新的聚类中心，预设聚类中心隶属度标准值，若运行参数数据样本的平均值不满足聚类中心隶属度标准值，则重复上述步骤，继续使用fcm算法对运行参数数据样本进行分类；若运行参数数据样本的平均值满足聚类中心隶属度标准值，则输出聚类结果，得到运行参数分类数据。
4.根据权利要求1中所述的一种基于数据处理的电动马达运行优化方法，其特征在于，所述使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据，具体为:通过孤立森林算法构建孤立森林，确定孤立森林中二叉树的数量及每棵二叉树的最大深度值；对所述运行参数分类数据进行数据处理得到运行参数分类数据集，在所述运行参数分类数据集中随机选择一个运行参数分类数据的特征值，作为当前节点的特征值，并从当前节点的特征值的特征取值范围中随机选择一个切分值；根据选定的当前节点的特征值和切分值，将运行参数分类数据集中当前节点的特征值小于切分值的运行参数分类数据点归入左子集，当前节点的特征值大于切分值的运行参数分类数据点归入右子集；若当前节点的深度值小于最大深度值，且左子集和右子集中运行参数分类数据点数量不为零，则在左子集和右子集的基础上，继续创建子集；分别将左子集和右子集作为新的数据集重复上述步骤，将当前节点的深度值加1作为得到新的深度值，若当前节点的深度值达到最大深度值，或数据集中的运行参数分类数据点数量不大于预设阈值，则将当前节点标记为叶子节点；确定二叉树的根节点的位置，计算所有二叉树中所有叶子节点到根节点的路径长度，一个叶子节点到根节点的路径长度对应一个运行参数分类数据点的路径长度；设定运行参数分类数据的各状态参数路径标准阈值，对运行参数分类数据点的路径长度不在运行参数分类数据的各状态参数路径标准阈值范围内的运行参数分类数据点标记为离群点，对所述离群点进行剔除，将剩下的运行参数分类数据点集合，生成最终运行参数分类数据。5.根据权利要求1中所述的一种基于数据处理的电动马达运行优化方法，其特征在于，所述基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达的异常参数，具体为：根据大数据检索，获取同一型号电动马达的标准运行参数分类数据，将电动马达的最终运行参数分类数据分为训练集和测试集；构建卷积神经网络模型，将所述训练集导入至卷积神经网络模型的卷积层中，在卷积层内定义电动马达的功率和温度两个卷积核，将所述卷积核在训练集的数据中滑动，在滑动过程中将卷积核的权重与滑动经过处对应的训练集数据进行点乘得到点乘结果，将所述点乘结果进行累加，得到卷积值；将所述卷积值输入至卷积神经网络模型的池化层中进行最大池化处理，在每一个卷积层内选取最大值作为当前卷积值所在滑动区域的特征值，将所有选取获得的特征值进行融合并通过交叉熵损失函数进行反向训练，直至误差收敛至预设值；通过测试集对反向训练后的卷积神经网络模型进行测试，当测试结果满足预设值，则将反向训练后的卷积神经网络模型定义为电动马达运行预测模型，并通过同样的步骤，基于标准运行参数分类数据，构建标准电动马达运行预测模型；分别对所述电动马达运行预测模型和标准电动马达运行预测模型输入电动马达运行条件参数，所述电动马达运行条件参数包括定子电流大小、电源供电频率大小和旋转子负
载大小；获取电动马达运行预测模型生成的电动马达预测参数，定义为第一类预测参数，获取标准电动马达运行预测模型生成的标准电动马达运行预测参数，定义为第二类预测参数，预测参数包括电动马达的功率大小和温度大小，基于灰色关联法，对所述第一类预测参数和第二类预测参数灰色关联处理，得到电动马达的异常参数。6.根据权利要求1中所述的一种基于数据处理的电动马达运行优化方法，其特征在于，所述基于电动马达的异常参数，对大数据进行检索，得到电动马达的所有调试方法，对所述调试方法进行筛选，输出调控效率最高的调试方法，具体为：基于电动马达的异常参数，在大数据网络中检索得到电动马达的所有调试方法，将所述所有调试方法导入所述电动马达运行预测模型中进行模拟调试；记录电动马达运行预测模型在各种调试方法下的输出功率大小和运行温度大小，预设输出功率标准值和运行温度阈值，筛选得到所有使电动马达运行预测模型的输出功率大小达到输出功率标准值和运行温度大小在运行温度阈值范围内的调试方法，定义为第一类调试方法集；获取第一类调试方法集中所有调试方法的调试步骤，将调试方法内调试步骤不满足预设条件的调试方法剔除，得到第二类调试方法集；获取第二类调试方法集中所有调试方法的调试时间，将所述调试时间在预设时间外的调试方法剔除，得到第三类调试方法集；对第三类调试方法集内的调试方法进行调试效率计算，得到调试效率排序表，选取调试效率排序表中调试效率最高的调试方法，将所述调试效率最高的调试方法用于电动马达上，对电动马达进行运行优化。7.一种基于数据处理的电动马达运行优化系统，其特征在于，所述电动马达运行优化系统包括存储器与处理器，所述存储器中储存有电动马达运行优化程序，所述电动马达运行优化程序被所述处理器执行时，实现如下步骤：通过传感器采集电动马达运行过程中的运行参数数据，并对所述运行参数数据进行数据预处理，得到运行参数滤波数据；基于所述运行参数滤波数据构建运行参数数据样本，使用fcm算法对所述运行参数数据样本进行分类，得到运行参数分类数据；使用孤立森林算法，检测所述运行参数分类数据的离群点，对所述运行参数分类数据的离群点进行处理，得到最终运行参数分类数据；基于卷积神经网络模型，结合所述最终运行参数分类数据和历史数据，构建电动马达运行预测模型，并通过所述电动马达运行预测模型生成电动马达异常参数；基于电动马达的异常参数，对电动马达进行运行优化。

技术总结
本发明公开了一种基于数据处理的电动马达运行优化方法及系统，包括以下步骤：采集电动马达运行过程中的运行参数数据并进行数据预处理，获得运行参数滤波数据，对运行参数滤波数据进行数据分类和数据离群点检测后，得到最终运行参数分类数据，基于所述最终运行参数分类数据构建电动马达运行预测模型，通过电动马达运行预测模型和标准电动马达运行预测模型的比较获取电动马达的异常参数，并选用合适的调试方法对电动马达进行运行优化处理。的调试方法对电动马达进行运行优化处理。的调试方法对电动马达进行运行优化处理。


技术研发人员：唐斌
受保护的技术使用者：深圳市精微康投资发展有限公司
技术研发日：2023.07.19
技术公布日：2023/10/8