摘要：文章以永磁電機的運行數(shù)據(jù)為研究對象，探討基于數(shù)據(jù)挖掘與機器學習算法的電機狀態(tài)分析與預測方法。首先，運用K均值聚類算法對采集的電機電壓、電流、扭矩、轉(zhuǎn)速等多種數(shù)據(jù)進行分類，揭示數(shù)據(jù)之間的潛在聯(lián)系。其次，采用K近鄰（KNN）算法對電機運行功率和繞組溫度進行回歸預測，結(jié)果表明該方法具有較高的預測精度。最后，通過構(gòu)建和訓練神經(jīng)網(wǎng)絡模型，對電機狀態(tài)進行更精確的預測，進一步驗證神經(jīng)網(wǎng)絡在電機故障預警中的有效性。該研究為電機智能維護提供了技術(shù)支持，同時為工業(yè)領(lǐng)域的設(shè)備管理與優(yōu)化奠定了基礎(chǔ)。

關(guān)鍵詞：電機；機器學習；數(shù)據(jù)挖掘；聚類；預測精度

中圖分類號：TP311；TM3" " " "文獻標識碼：A" " " 文章編號：1674-0688（2024）08-0066-04

0 引言

隨著永磁材料性能的持續(xù)改進及電力電子技術(shù)的飛速發(fā)展，永磁電機的應用范圍越來越廣，已滲透至軍工與民用領(lǐng)域，覆蓋從特殊到常規(guī)的各種應用場景，不僅在微特電機中占有優(yōu)勢，還在電力推進系統(tǒng)中顯示出強大的生命力［1］。 鑒于工業(yè)生產(chǎn)環(huán)境中存在安全隱患，及時排查并消除機械設(shè)備中的潛在隱患和故障，確保工程運行的安全穩(wěn)定與可靠，已成為一項至關(guān)重要的任務［2］。 電機作為工程機械的核心動力，其運行狀態(tài)直接影響整個系統(tǒng)的穩(wěn)定性和生產(chǎn)效率，因此對其進行監(jiān)測與分析顯得尤為重要。然而，傳統(tǒng)的電機狀態(tài)監(jiān)測與故障診斷方法主要依賴于物理模型和經(jīng)驗規(guī)則，解決思路是強化標準化安裝或是出了問題再維修，例如蘇紀陽［3］ 和郭海濤［4］針對水利泵站機電設(shè)備的不同部件進行了詳細分析，為水利泵站機電設(shè)備的安裝與故障檢修提供了全面的技術(shù)指導和參考；郭露丹［5］ 圍繞水利泵站設(shè)備的常見故障進行探討，根據(jù)故障類型與誘發(fā)原因，制定針對性的故障檢修措施。這些解決方案雖然在一定程度上取得了成效，但是在面對復雜多變的工業(yè)環(huán)境時，往往難以應對多維度、非線性的運行數(shù)據(jù)，從而影響診斷的準確性和實時性，并且可能延誤工期。近年來，隨著大數(shù)據(jù)技術(shù)和人工智能的發(fā)展，機器學習算法在數(shù)據(jù)挖掘與模式識別領(lǐng)域顯示出了強大的潛力。由于電機運行狀態(tài)數(shù)據(jù)稀缺且很少公開，因此國內(nèi)針對工程設(shè)備電機數(shù)據(jù)挖掘的研究較少，主要停留在理論構(gòu)想階段，如構(gòu)建演示性數(shù)據(jù)挖掘信息平臺等［6］，鑒于此，本文基于實際工程電機數(shù)據(jù)的收集與分析，開展數(shù)據(jù)挖掘的初步研究。通過結(jié)合算法模型，對電機運行數(shù)據(jù)進行分析，提出一套有效的故障診斷和預測方法，為電機的智能化運行管理提供理論支持和實踐指導。

1 相關(guān)理論及算法

1.1 數(shù)據(jù)預處理

采用歸一化方法進行數(shù)據(jù)預處理，將每項分數(shù)除以總分，得到［0，1］區(qū)間內(nèi)的小數(shù)值。歸一化常用于機器學習的預處理階段，當數(shù)據(jù)集的特征之間具有不同的取值范圍時，對數(shù)據(jù)進行歸一化是非常有必要的，其目的是統(tǒng)一各特征的度量尺度。歸一化公式如下。

[Xnorm=X?XminXmax?Xmin]，" " " " " " " " " " "（1）

其中：[Xnorm]是歸一化后的數(shù)據(jù)，X為原始數(shù)據(jù)，[Xmax]是最大數(shù)據(jù)，[Xmin]是最小數(shù)據(jù)。

1.2 K均值聚類算法

起初，K均值聚類算法在不同科學研究領(lǐng)域被獨立地提出，直到1967年，由James MacQueen教授提出“K-Means”這一術(shù)語，標志著該算法被廣泛認知、推廣和應用，并發(fā)展出眾多不同的改進算法。K均值算法流程如下。

（1）根據(jù)設(shè)定的聚類數(shù)，隨機選擇K個Cluster Centroid（聚類中心）。

（2）評估各個樣本到聚類中心的距離，如果樣本距離第K個聚類中心更近，則認為其屬于第K簇。

（3）計算每個簇中樣本的平均位置，將聚類中心移動至該位置。

（4）重復以上步驟直至各個聚類中心的位置不再發(fā)生改變。

1.3 K近鄰分類算法

K近鄰分類算法（K-Nearest Neighbor，KNN）是一種被廣泛使用的監(jiān)督學習算法，其核心原理如下：對于任一給定的測試樣本，利用某種距離度量機制找到訓練集中最接近的K個樣本（即“鄰居”），隨后基于這些鄰居的信息進行預測。在分類任務中，通常采用“投票法”確定預測類別，即選取K個樣本中出現(xiàn)頻率最高的類別作為預測結(jié)果；而在回歸任務中，則采用“平均法”計算預測值，即取這些樣本的實際輸出值的平均值作為預測輸出。此外，還可根據(jù)樣本之間的距離進行加權(quán)平均或加權(quán)投票，其中距離較近的樣本會被賦予更高的權(quán)重。

對于給定的測試樣本[x]，如果其最近的鄰居樣本為[z]，那么最近鄰分類器的出錯概率表示為

[Perr=1?c∈yPc|xPc|z] ，" " " " " " "（2）

其中：P（err）代表出錯概率，P（c|x）、P（c|z）分別表示x和z同屬類c的概率，y表示所有類別。出錯概率等于1減去不出錯的概率。

假設(shè)樣本是獨立同分布的，并且對于任意x和任意小正數(shù)δ都能在δ的距離范圍內(nèi)找到訓練樣本，即在每個測試樣本中總能在非常近的范圍內(nèi)找到公式中的訓練樣本z。假設(shè)[c?=argmaxc∈yPc|x]表示貝葉斯最優(yōu)分類器的結(jié)果，則有

[Perr=" 1?c∈yP（c|x）P（c|z）" " " " "?1?c∈yP2（c|x）" " " " "≤1?P2c?|x" " " " "=（1+P（c?|x））（1?（Pc?|x））" " " " "≤2（1?P（c?|x））。]" " " " " （3）

盡管最近鄰分類器的實現(xiàn)較為簡單，但其泛化誤差率不會超過貝葉斯最優(yōu)分類器誤差率的兩倍，因此效果良好。

KNN能同時解決分類問題和回歸問題，本文采用分類的思路解決電機數(shù)據(jù)的回歸問題。KNN回歸問題的算法主要包括以下幾個步驟。

（1）準備數(shù)據(jù)集：將已知結(jié)果的樣本集合表示為向量形式，并且確定每個樣本的數(shù)值。

（2）選擇K值：確定用于劃分樣本空間的鄰居數(shù)量K，一般通過交叉驗證或經(jīng)驗選擇一個合適的值。

（3）計算距離：對于待回歸樣本，計算其與所有已知樣本之間的距離。

（4）找到最近鄰：根據(jù)計算得到的距離，找到與待分類樣本距離最近的K個樣本。

（5）確定結(jié)果：根據(jù)最近鄰樣本的結(jié)果，通過求取K個近鄰樣本均值的方式確定待回歸樣本的數(shù)值。

（6）輸出結(jié)果：將計算的待回歸樣本的數(shù)值作為預測結(jié)果。

在K均值和K近鄰這兩種算法中，距離的度量都是核心要素，它直接決定了所選定的K個鄰近點，進而影響最終的預測結(jié)果。常用的距離度量方法有歐氏距離、曼哈頓距離等，本文主要采用歐式距離作為距離計算的依據(jù)，其公式如下：

[DX1， X2=x11?x212+x12?x222+···+x1n?x2n2]，" "（4）

其中：[DX1， X2]是距離，x是X中的每維數(shù)據(jù)。

1.4 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡由多個人工神經(jīng)元組合而成，可以解決各種非線性問題，模型越復雜，解決非線性問題的能力越強。本文采用多層全連接神經(jīng)網(wǎng)絡架構(gòu)，該網(wǎng)絡包含3個隱含層（第一層神經(jīng)元為256個，第二層為128個，第三層為128個），激活函數(shù)為ReLU；輸出層為單個神經(jīng)元，激活函數(shù)為Sigmoid。神經(jīng)網(wǎng)絡結(jié)構(gòu)見圖1。

模型采用的損失函數(shù)為binary-crossentropy，損失函數(shù)公式如下：

[BCE（x）i=?[yilogfix+（1?yi）log （1?fix）]]， （5）

[BCE（x）final=i=1NBCE（x）iN]，" " " " " " " " （6）

其中：[BCE（x）i]為單個輸出單元的損失；[BCE（x）] final表示最終輸出損失；yi表示真實值，[fi（x）]表示實際輸出，N表示輸出的個數(shù)，本文中N=1。

2 電機數(shù)據(jù)挖掘

2.1 數(shù)據(jù)集

基于實際運行場景，采集永磁電機的運行數(shù)據(jù)，涵蓋電機的進線電壓、直流母線電壓、電機電壓、電機電流、電機扭矩、電機轉(zhuǎn)速、電機功率等參數(shù)，以及柜內(nèi)濕度、柜內(nèi)溫度、傳感張力、輸出張力、繞組溫度、前軸溫度、后軸溫度等環(huán)境與機械狀態(tài)信息，同時記錄運行狀態(tài)，共收集8 272條數(shù)據(jù)。

2.2 基于聚類算法的數(shù)據(jù)挖掘

科學建立于因果關(guān)系之上，在客觀事物產(chǎn)生的歷史數(shù)據(jù)中，各元素之間必然存在一定的聯(lián)系。隨著人工智能算法和大數(shù)據(jù)技術(shù)的出現(xiàn)，數(shù)據(jù)挖掘策略由傳統(tǒng)的明確路徑逐漸轉(zhuǎn)向融合機器學習等不明確的方法，從另一個角度發(fā)掘數(shù)據(jù)背后的聯(lián)系。通過解析數(shù)據(jù)之間的聯(lián)系，可透視現(xiàn)象背后的本質(zhì)規(guī)律，并運用數(shù)據(jù)對系統(tǒng)運行進行可視化展示、實時監(jiān)控和精準預測。本文采用K均值算法對既有數(shù)據(jù)進行聚類，從而挖掘數(shù)據(jù)之間的聯(lián)系。

2.3 基于KNN的數(shù)據(jù)預測

KNN作為一種簡單而有效的監(jiān)督學習方法，已被廣泛應用于分類和回歸問題中。KNN通過基于距離的相似性進行預測，其直觀性和易于實現(xiàn)的特點使其在處理電機運行數(shù)據(jù)時具有顯著的優(yōu)勢。通過詳盡分析電機運行數(shù)據(jù)，運用KNN對電機的未來狀態(tài)進行預測。研究將包括KNN的基本原理、參數(shù)選擇及其在電機數(shù)據(jù)中的應用實例。通過實驗驗證，可展示KNN在電機狀態(tài)預測中的有效性和優(yōu)勢，并為電機的智能維護和故障預警提供有力的工具和方法。本文使用現(xiàn)有電機數(shù)據(jù)作為數(shù)據(jù)集進行KNN運算，并通過其他數(shù)據(jù)預測運行功率和運行溫度，從而實現(xiàn)對潛在電機故障的預警。

2.4 基于神經(jīng)網(wǎng)絡的數(shù)據(jù)預測

神經(jīng)網(wǎng)絡作為一種強大的機器學習技術(shù)，已經(jīng)在許多領(lǐng)域展現(xiàn)出卓越的預測能力。特別是在處理非線性、高維數(shù)據(jù)方面，神經(jīng)網(wǎng)絡能夠通過學習復雜的數(shù)據(jù)模式，提供更準確的預測結(jié)果。近年來，深度學習和神經(jīng)網(wǎng)絡的快速發(fā)展為電機數(shù)據(jù)預測提供了新的視角和方法。通過構(gòu)建和訓練神經(jīng)網(wǎng)絡模型，可以有效地從電機運行數(shù)據(jù)中挖掘出潛在的規(guī)律，進而實現(xiàn)對電機未來狀態(tài)的準確預測。通過實驗驗證，神經(jīng)網(wǎng)絡學習方法適用于電機狀態(tài)的預測，能幫助應用方解決電機智能維護和故障預警中存在的故障數(shù)據(jù)無法追溯、故障報警不及時等問題。與KNN相同，該部分的實驗也是選擇通過其他數(shù)據(jù)預測當前電機運行功率和運行溫度，利用數(shù)據(jù)集對神經(jīng)網(wǎng)絡模型進行訓練，從而對電機故障進行預警。

3 實驗結(jié)果

3.1 實驗環(huán)境

編程使用Python3.9.13下的Anaconda解釋器并鏈接PyCharm IDE完成。使用的核心庫包括numpy 1.21.5，pandas 1.4.4，scikit-learn 1.0.2，TensorFlow 2.6.0，matplotlib 3.5.2，等等。電腦配置為CPU Intel（R） Core（TM） i7-10510U，RAM 16GB。

3.2 數(shù)據(jù)預處理

本實驗采集的數(shù)據(jù)種類較多且量綱各不相同。因此，為避免數(shù)據(jù)尺度影響算法，采用歸一化的方法對數(shù)據(jù)進行預處理，首先求得數(shù)據(jù)的最大值和最小值，通過歸一化映射公式將數(shù)據(jù)映射到0～1。

3.3 基于聚類算法的數(shù)據(jù)挖掘結(jié)果

本實驗使用K均值算法對預處理后的歸一化數(shù)據(jù)進行聚類處理，具體設(shè)定聚類數(shù)目K為5，并使用t-SNE（t-distributed Stochastic Neighbor Embedding）降維方法進行降維，以便進行可視化處理。聚類和可視化的結(jié)果見圖2。

同時，為了更好地挖掘數(shù)據(jù)之間的關(guān)系，在實驗中對K值進行調(diào)整，并計算了不同K值下的FMI（Fowlkes-Mallows Index）值（見圖3）。

實驗結(jié)果表明，數(shù)據(jù)之間具有一定的關(guān)聯(lián)性，同類數(shù)據(jù)內(nèi)部具有一定的共同性，而不同類數(shù)據(jù)之間呈現(xiàn)明顯的差異性。這說明數(shù)據(jù)存在一定的聯(lián)系，可以進行深度挖掘。

3.4 基于KNN的數(shù)據(jù)預測結(jié)果

本文利用KNN解決了兩個回歸問題：一是基于進線電壓、直流母線電壓、電機電壓、電機電流、電機扭矩、電機轉(zhuǎn)速、柜內(nèi)濕度、柜內(nèi)溫度、傳感張力、輸出張力等特征數(shù)據(jù)，預測電機的功率；二是利用上述多維特征數(shù)據(jù)，預測電機的繞組溫度。首先將初始數(shù)據(jù)歸一化，然后將數(shù)據(jù)按照8∶2的比例劃分為訓練集和測試集，并且選擇K值完成數(shù)值的預測。實驗表明，采用KNN進行數(shù)據(jù)預測具有一定的準確性，整體均方誤差很小，并且K值越小，準確度越高。K值與MSE（均方誤差）表見表1。

3.5 基于神經(jīng)網(wǎng)絡的數(shù)據(jù)預測結(jié)果

神經(jīng)網(wǎng)絡作為一種多功能的機器學習模型，與KNN一樣，能夠解決分類、回歸問題乃至生成問題。本研究運用神經(jīng)網(wǎng)絡解決回歸問題，用以預測電機的功率和繞組溫度。首先將初始數(shù)據(jù)進行歸一化處理，然后按照8∶2的比例將數(shù)據(jù)集劃分為訓練集和測試集，前者用于訓練，后者用于模型測試。網(wǎng)絡架構(gòu)設(shè)計方面，采用了1個多層全連接神經(jīng)網(wǎng)絡。訓練過程中，設(shè)定學習率為0.000 01，迭代次數(shù)為100次，每次迭代處理50個樣本。經(jīng)過上述訓練，所構(gòu)建的神經(jīng)網(wǎng)絡模型在測試集上展現(xiàn)出了良好的預測性能，準確率可以達到90%以上。

4 結(jié)語

本文基于K均值聚類算法、KNN分類算法和神經(jīng)網(wǎng)絡等多種方法對電機運行數(shù)據(jù)的挖掘與預測展開了深入研究。實驗結(jié)果顯示，K均值聚類算法有效地揭示了數(shù)據(jù)之間的潛在聯(lián)系，KNN分類算法和神經(jīng)網(wǎng)絡則在電機運行功率和溫度的預測中展示了較高的準確性。實驗結(jié)果驗證了使用機器學習技術(shù)對電機數(shù)據(jù)進行分析和預測，不僅能提高電機的運行效率，還為智能維護和故障預警提供了可靠的技術(shù)支持。未來，隨著算法的進一步優(yōu)化和數(shù)據(jù)量的持續(xù)增長，電機數(shù)據(jù)挖掘技術(shù)將在工業(yè)領(lǐng)域發(fā)揮更為重要的作用。本文雖然采用了神經(jīng)網(wǎng)絡對電機運行數(shù)據(jù)進行挖掘與預測，但是模型結(jié)構(gòu)相對簡單。下一步可以引入更復雜的深度學習架構(gòu)，如卷積神經(jīng)網(wǎng)絡、長短期記憶網(wǎng)絡等，進一步提升預測性能。同時，可以探索自適應學習率和自動超參數(shù)調(diào)整等優(yōu)化方法，以提高模型的訓練效率。

5 參考文獻

［1］李玲玉.永磁電機在水利大型低揚程水泵上的適用性［J］.水利技術(shù)監(jiān)督，2021（5）：149-152.

［2］賈豐收.水利工程機械安裝與維護策略分析［J］.地下水，2019，41（1）：226-228.

［3］蘇紀陽.水利泵站機電設(shè)備安裝及檢修技術(shù)分析［J］.現(xiàn)代制造技術(shù)與裝備，2023，59（12）：134-136.

［4］郭海濤.大型水利泵站機電設(shè)備安裝與檢修分析［J］.工程技術(shù)研究，2022，7（14）：111-113.

［5］郭露丹.水利泵站設(shè)備故障分析與管理維護措施探究［J］.中國設(shè)備工程，2023（17）：64-66.

［6］吳建蓉，楊濤.數(shù)據(jù)挖掘技術(shù)在水利水電工程中的應用［J］.水利水電科技進展，2022，42（5）：129.