CN120296371A 一种基于机器学习的机电设备健康状态的诊断方法和装置 （淳煜电子科技(上海)有限公司）

一种基于机器学习的机电设备健康状态的种基于机器学习的机电设备健康状态的诊断方2根据所述原始采集数据，计算电流数据的实时平均值和标准偏差，电基于所述实时监测结果，整合电流数据的实时监测结果、电压数据基于所述参数监测结果，截取最近30天内的电流监测数值序列、电根据所述协同扰动强度值对电流监测参数、电压监测参数和温度监测参3从所述异常参数识别结果中选择显示异常趋势的参数，包括异常电流、基于所述选择的异常参数列表，汇总历史变化模式和异常发生根据所述整合的历史性能数据集，应用线性回归对异常参数的未来变化趋势进行预根据所述设备健康评分，判断设备健康评分是否低于安全阈值，根据所述因子得分，选择得分最高的性能指标作为设备性能的关键基于所述关键影响因素识别结果，将对应的设备组件、运行根据所述关键维护要素清单，分析各关键维护要素在每种运行状态下的维护优先级，基于所述维护任务分配方案，制定操作措施，针对每个关键维护要基于所述维护操作记录，通过监控设备的运行数据，包括电流、电压基于所述维护后性能评估报告，计算设备性能与维护前的提升比例49.根据权利要求1_8任一项所述的基于机器学习的机电设备健康状态的诊断方法的诊数据采集模块，收集电机的电流，电压和温度数据，计算数5678器分别安装在设备的关键位置，监测设备运转过程中的实时数值并记录当前时刻的电流有温度值超出90℃则需要人工进行二次确认，是在高温环节实际采集所致还是传感器异9以及温度平均值与温度标准偏差，依次读取当前时刻对应的数值并在同一表格中进行合在分子部分引入这一比值来量化每个时段内极大值与极小值的相对波动程度，每个时段内的波峰来确定波峰数量，再统计波峰与波峰之间发生向上或向下反转的频次，1,2＝[0089]该结果表明，对于电流参数在所选这三个时段的综合协同扰动强度值约为统一汇总并最终依据统计结果生成异常参数识[0094]根据整合的历史性能数据集，应用线性回归对异常参数的未来变化趋势进行预落在24V以上则将这些记录合并到电压异常待审查列表中，温度方面也依照之前得到的温度对比0℃至90℃区间进行汇总，对于超过90℃且已确认真实高温状态的记录则优先标记离散度以及温度值在0℃至90℃区间的变动曲线为参考，再按照一定批次将这些数据划分[0105]Pj参数的获取步骤为，从参数趋势预测结果中读取第j个参数在未来某个时段的[0131]Xk参数的获取步骤为，对于第k个指标读取在当前检测时刻或最新评估时间段内℃,将对应的历史平均值分别记为灭=4.5A、灭=24.0V、文=84.0℃,对应的标准差S1=2＝Z＝2.5；包括电流值落在0A至5A范围的浮动频次、电压值对比0V至24V范围以及温度值是否频繁突破0℃至90℃的区间，通过对比可识别出哪些指标在过去一段时间内出现了较多异常波动有多个指标得分比较接近时，会分别检查各指标的实测原始数据来进一步判断其波动范[0148]根据关键维护要素清单，分析各关键维护要素在每种运中发现某个轴承因温度浮动超出0℃至90℃区间次数过多则将其列为重点关注部位，对应多次出现电流超过5A或电压超过24V的记录则说明存在过载风险并将其纳入要素列表，随[0152]基于前面得到的维护任务分配方案，逐项针对关键维护要素制定具体的操作措施，例如当电气维护组项下检测到电压多次高于24V且现场温度已接近90℃时需预先安排的误操作则可在该时段内安排一位值守人员观察工艺流程或在控制面板中设定一定的报组件在电气方面出现过多次电流超过5A或电压大于24V的记录，则应在正式操作前再次核的值持续突破此范围则加注高风险标记，并在对应清单上注明已执行更换或修理哪一部位，对于那些热管理部件则参考温度对比0℃至90℃这一区间并查看是否反复接近或超过90℃,若确有过热现象则拆卸该部位进行散热检查或添加补充冷却材料，当组件的状况较行比照，若在一段运行周期中电流波动一直维持在0A至5A区间内则表示当前负载较为平据与0℃至90℃区间逐条对照，若监测结果显示在连续运行若干小时后温度仍处于较为正某一时段温度离90℃仅差少量数值则需结合操作频次或周边环境温度进行备注并再次核[0159]根据前面得到的维护后性能评估报告，汇总该设备在维护前后不同时段的电流、下降至5A以内进行逐条统计，对温度方面则同理核对在高负载时是否超过90℃,若