一种电气自动化控制系统的制作方法

本发明涉及电气自动化，具体为一种电气自动化控制系统。

背景技术：

1、所谓的电气控制系统，是指由若干电气元件组合，用于实现对某个或某些对象的控制，从而保证被控设备安全、可靠地运行，电气控制系统的主要功能有，自动控制、保护、监视和测量，构成主要有三部分：输入部分，如传感器、开关、按钮等、逻辑部分，如继电器、触点等和执行部分。

2、例如公开号cn117712890a的专利公开了电气自动化控制系统，包括基础机构，所述基础机构包括电气柜本体，所述电气柜本体内腔的底部固定连接有隔离承重板，所述电气柜本体的内部安装有电气机构，所述隔离承重板顶部的两侧均开设有限位滑槽，所述限位滑槽的内侧滑动安装有u型滑板，所述电气机构包括移动板，本发明涉及电气自动化技术领域。该电气自动化控制系统，通过在电气柜本体的内部开设维修口并安装有散热后板，同时散热后板利用第二齿轮和拉索与电气控制设备连接，搭配穿线筒使用，这些结构的设置能够在进行维修时通过电气控制设备拉出的过程，带动散热后板上升将维修口打开，同时使得穿线筒推动线缆本体抬起，方便工作人员进行维修以及线路拆卸和检测。

3、虽然上述方案具有如上的优势，然而传统的电气自动化控制系统只能监测设备的基本状态，对于轴承磨损、不平衡振动和电容器老化潜在问题的监测能力有限，通常需要人工的干预和判断，这种依赖性高的情况下，可能导致故障诊断和维护的效率低下，同时增加了人为误判和错误操作的风险，造成设备停机时间和维修成本的增加，因此亟需一种电气自动化控制系统来解决此类问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种电气自动化控制系统，解决现有技术中存在的对于轴承磨损、不平衡振动和电容器老化潜在问题的监测能力有限，通常需要人工的干预和判断，增加了人为误判和错误操作的风险，造成设备停机时间和维修成本的增加的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明提供了一种电气自动化控制系统，包括：

4、数据采集模块，负责从传感器获取电气和机械参数数据，传感器包括振动传感器、温度传感器、电容传感器、电流传感器以及压力传感器；

5、数据采集模块包括：

6、接口单元，与传感器通信，接收传感器数据；

7、数据处理单元，对接收到的数据进行预处理；

8、运行状态监控模块，利用机器学习算法分析历史数据，并预测设备运行状态；

9、运行状态监控模块包括：

10、异常检测单元，识别出轴承磨损、不平衡振动、电容器老化异常情况；

11、预测模型单元，基于构建的预测模型，预测设备后续的运行状态和可能的故障，输出控制策略；

12、执行模块，根据数据分析结果，自动调节设备控制参数，并执行对应控制策略；

13、执行模块包括：

14、控制单元，根据预测结果，调整设备的控制参数，对设备进行自动化控制；

15、执行单元，执行控制策略，控制设备的运行状态，对电机转速进行调节、开启/关闭电路；

16、远程管理模块，对系统的远程监控、管理和数据分析；

17、远程管理模块包括：

18、远程通信单元，与中央控制中心进行通信，传输数据和接收指令；

19、数据分析单元，对传感器数据进行实时分析和处理，生成报告和预警信息。

20、异常检测单元中，轴承磨损识别方式为：

21、从振动传感器获取设备的振动信号，采样频率为，表示采集时间；

22、将振动信号分解为时频域上的局部模式，采用高阶经验模态分解hemd算法得到局部模式函数；

23、对每个局部模式函数，计算在频率域上的能量分布，使用wignerville分布得到时频能量分布矩阵；

24、对时频能量分布矩阵进行频谱峰值检测，提取出每个局部模式函数的主频；

25、将各个局部模式函数对应的主频相组合，融合为整体频谱特征，得到频谱特征向量，；

26、对频谱特征向量进行特征提取，得到特征向量;

27、利用支持向量机svm，基于已有的轴承磨损样本数据，对特征向量进行训练，建立异常检测模型；

28、对新采集到的特征向量进行预测，判断是否存在轴承磨损异常；

29、不平衡振动异常分析方式为：

30、基于振动传感器获取设备的振动信号，采用短时傅里叶变换stft方法对振动信号进行时频分析，得到时频图，，其中表示对振动信号进行短时傅里叶变换，时频图表示振动信号在时域和频域上的表示；

31、对时频图进行能量谱计算，得到时刻处的频率处的振动能量谱密度,，表示振动信号在不同频率下的能量分布，其中表示时频图的幅度平方，表示振动信号在时刻处、频率处的能量；

32、然后根据设备旋转频率，确定不平衡振动频率范围；

33、计算不平衡振动频率范围内的能量集中度，，其中和分别表示不平衡振动频率范围的下限和上限；

34、根据设备的特性和工作环境，设定能量集中度阈值；

35、判断时刻处的能量集中度是否超过设定阈值，如果超过阈值，则判定存在不平衡振动异常；

36、电容器老化异常识别方式为：

37、从电容器电压传感器获取电压信号，从电容器电流传感器获取电流信号;

38、基于电容器的特性和工作环境，建立动态电容模型，使用扩展卡尔曼滤波器对电容值进行动态估计，模型为：，其中，表示时刻的电容值估计，表示采样间隔，表示时刻的电流信号，表示时刻的电压信号的变化率；

39、计算电容器的电容变化率，；

40、根据电容器老化特性和工作环境，设定电容变化率阈值；

41、判断电容器的电容变化率是否超过设定阈值，如果超过阈值，则判定存在电容器老化异常；

42、本发明进一步地设置为：预测模型构建步骤包括：

43、将异常检测单元识别出的轴承磨损、不平衡振动、电容器老化异常情况作为标签，将监测的传感器数据作为特征；

44、对传感器数据提取频谱特征、统计特征，将处理后的数据集划分为训练集和测试集，对每个样本标记相应的设备状态，为正常还是异常；

45、选用长短期记忆网络lstm、卷积神经网络cnn、序列到序列方式构建预测模型；

46、根据数据特点和预测需求，确定模型的输入层、隐藏层和输出层的结构；

47、使用训练集对选定的模型采用随机梯度下降sgd进行模型参数的优化；

48、然后使用测试集对训练好的模型进行评估，评估指标包括准确率、精确率、召回率、f1分数，根据评估结果对模型进行调优；

49、部署训练好的模型，实时监测设备状态；

50、本发明进一步地设置为：数据采集模块中，将接口单元连接到传感器，实时监测传感器的状态；

51、在接口单元中对传感器发送的数据进行解析，识别每个传感器发送的数据类型，并进行相应的处理；

52、本发明进一步地设置为：数据预处理单元，对接收到的原始数据进行预处理，包括滤波、去噪、校正操作；

53、执行模块根据预测模型得出的设备状态、故障预测结果，计算出需要调整的控制参数，然后将计算得到的控制参数发送给执行单元；

54、执行单元，接收来自控制单元的控制参数，根据接收到的控制参数执行相应的控制动作，同时实时监测设备的运行状态，并将实时状态反馈给控制单元；

55、远程通信单元，与中央控制中心进行数据传输和指令交互；

56、远程通信单元提供双向通信功能，同时传输数据和接收指令；

57、数据分析单元，用于对传感器数据进行实时分析和处理，并生成报告和预警信息，将分析结果反馈给中央控制中心。

58、与现有技术相比，本发明具有以下有益效果：

59、本发明，通过机器学习算法实现了对轴承磨损、不平衡振动、电容器老化异常情况的准确识别，提高对设备状态的全面监测和诊断能力；

60、本发明，利用历史数据和机器学习算法构建预测模型，对设备后续的运行状态和可能的故障进行预测，输出相应的控制策略；执行模块根据预测结果自动调节设备控制参数，实现设备运行状态的智能化控制；

61、本发明，远程管理模块实现对系统的远程监控、管理和数据分析，通过远程通信单元与中央控制中心进行数据传输和指令交互，实时分析处理传感器数据并生成报告和预警信息，提高对设备状态的实时监控和管理能力；

62、本发明，利用多种传感器获取设备的电气和机械参数数据，并采用信号处理技术对轴承磨损、不平衡振动和电容器老化问题进行准确监测和诊断，大大提高监测的精度和准确性，通过分析历史数据和实时监测数据，准确预测设备可能出现的故障类型和时间，提供更智能化的故障诊断和预防性维护措施，降低故障造成的停机时间和维修成本，同时利用自动化控制和执行模块，根据数据分析结果自动调节设备的控制参数，并执行相应的控制策略，降低人工干预的需求，实现了对设备状态的实时监控和管理，提高故障检测的及时性和准确性。