(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111461666.3 (22)申请日 2021.12.02 (71)申请人 清华大学 地址 100084 北京市海淀区清华大 学 (72)发明人 邓仰东　 (74)专利代理 机构 北京聿宏知识产权代理有限 公司 11372 代理人 陈超德　吴昊 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于历史数据的牵引电机温升预测方 法 (57)摘要 本发明实施例公开一种基于历史数据的牵 引电机温升预测方法， 该方法包括以下步骤： 获 取牵引电机历史数据， 牵引电机历史数据是按照 同一频率对一段时间内的牵引电机历史数据进 行采集获得， 牵引电机历史数据按照一类传感数 据为一个字段进行存储； 根据所需要的字段对牵 引电机历史数据进行处理， 得到第一温度特征序 列数据； 根据预先设置的时间间隔阈值， 对第一 温度特征序列数据进行时间分段处理， 得到第二 温度特征序列数据； 按照设定的时间窗口宽度和 滑动步长对第二温升特征序列数据进行采样， 得 到多组温度特征数据； 对多组温度特征数据进行 划分， 得到训练样本数据和测试样本数据； 使用 训练数据和测试数据对神经网络模型进行训练 测试， 生成目标神经网络模型。 权利要求书1页 说明书5页 附图2页 CN 114021855 A 2022.02.08 CN 114021855 A 1.一种基于历史数据的牵引电机温升预测方法， 其特 征在于， 包括以下步骤： 获取牵引电机历史数据， 所述牵引电机历史数据 是按照同一频率对一段时间内的牵引 电机历史数据进行采集获得， 所述牵引电机历史数据包括： 网流、 U相电流瞬时值、 W相电流 瞬时值、 U相电流有效值、 W相电流有效值、 电机速度、 电机温度， 所述牵引电机历史数据按照 一类传感数据为 一个字段进行存 储； 根据所需要的字段对所述牵引电机历史数据进行处 理， 得到第一温度特 征序列数据； 根据预先设置的时间间隔阈值， 对所述第一温度特征序列数据进行时间分段处理， 得 到第二温度特 征序列数据； 按照设定的时间窗口宽度和滑动 步长对所述第 二温升特征序列 数据进行采样， 得到多 组温度特 征数据； 对所述多组温度特 征数据进行划分， 得到训练样本数据和 测试样本数据； 使用所述训练数据和所述测试数据对神经网络模型进行训练测试， 生成目标神经网络 模型。 2.如权利要求1所述的方法， 其特 征在于， 所述同一频率是10 Hz。 3.如权利 要求1所述的方法， 其特征在于， 使用pandas对所述牵引机车历史数据进行处 理。 4.如权利要求1所述的方法， 其特征在于， 所述所需要的字段包括： 网流、 U相电流瞬时 值、 W相电流瞬时值、 U相电流有效值、 W相电流有效值、 电机 速度、 电机温度中至少一种。 5.如权利要求1所述的方法， 其特征在于， 对所述多组温度特征数据进行变换操作， 所 述变换操作包括： 数据标准 化和EMD。 6.根据权利要求1所述的方法， 其特征在于， 所述神经网络模型为深度神经网络模型， 所述深度神经网络模型包括： 依次连接的第一特征提取模块、 第二特征提取模块、 第三特征提取模块和第 四特征提 取模块， 用于对所述训练数据依次进行 特征提取； 其中， 第一特征提取模块、 第二特 征提取模块、 第三特 征提取模块， 分别由： 全连接单元FC、 线性整流线性单元ReLU、 批标准化单元BN和部分丢弃神经元单元 Dropout组成； 所述第四特征提取模块， 由全连接单元FC、 批标准化单元BN和部分丢弃神经元单元 Dropout组成， 所述第四特 征提取模块用于 输出温度预测数据。权　利　要　求　书 1/1 页 2 CN 114021855 A 2一种基于历史数据的牵引电机温 升预测方 法 技术领域 [0001]本发明涉及牵引电机温升预测方法， 具体而言， 涉及一种基于历史数据的牵引电 机温升预测方法。 背景技术 [0002]随着社会经济 的创新和发展， 设备变得更加高效与智能， 但设备本身维护工作却 面临巨大挑战。 传统的设备维护方式有两种， 一种是故障后维修的事后维修方式， 一种是周 期性停机维护的预防性维护方式。 这两种传统的设备维护方式不仅会造成生产率的降低， 尤其是计划之外的生产中断， 会 对生产商造成一定的经济损失。 [0003]近些年来， 预测性维护逐渐受到企业的青睐， 预测性维护是从预防性维护发展而 来的， 是更高层次的维护方式。 它以设备状态为基础， 以预测设备状态发展趋势为依据， 通 过信息采集、 处理、 综合分析后有目的安排维护的周期和维护的项目， “该修则修， 修必修 好”。 它和传统的维护方式相比， 具有明显的优势。 [0004]电机预测性维护在电机运行时， 对它的主要部位进行定期(或连续)的状态监测和 故障诊断， 判定电机所处的状态， 预测电机状态未来的发展趋势， 依据电机的状态发展趋势 和可能的故障模式， 预先制定预测性维修计划， 确定电机应该修理的时间、 内容、 方式和必 需的技术和物资支持。 电机预测性维护集电机状态监测、 故障诊断、 状态预测、 维修决策支 持和维修活动于一体， 是一种新兴的维修方式。 [0005]目前电机预测性维护中， 针对电机温度监测通常通过两类方法， 一类是进行物理 建模， 另外一类是通过数据 统计学分析 的方法。 通过物理建模的方法存在的普遍问题是原 理复杂， 无法精确建模。 通过数据统计学分析的方法， 虽然不用对电机的具体原理进行分 析， 但是依然存在无法得到普适而又精确的结果的问题。 发明内容 [0006]本发明提供了一种基于历史数据的牵引电机温升预测方法， 有效解决了数据分析 难度大和预测精度不够的问题， 提升 了牵引电机温升预测准确度。 [0007]本发明实施例提供了一种基于历史数据的牵引电机温升预测方法， 包括以下步 骤： [0008]获取牵引电机历史数据， 牵引电机历史数据是按照同一频率对一段时间内的牵引 电机历史数据进行采集获得， 牵引电机历史数据包括： 网流、 U相电流瞬时值、 W相电流瞬时 值、 U相电流有效值、 W相电流有效值、 电机速度、 电机温度， 牵引电机历史数据按照一类传感 数据为一个字段进行存 储； [0009]根据所需要的字段对牵引电机历史数据进行处 理， 得到第一温度特 征序列数据； [0010]根据预先设置 的时间间隔阈值， 对第一温度特征序列数据进行时间分段处理， 得 到第二温度特 征序列数据； [0011]按照设定的时间窗口宽度和滑动步长对第二温升特征序列数据进行采样， 得到多说　明　书 1/5 页 3 CN 114021855 A 3