电机监测方法、装置及相关设备与流程

1.本技术涉及数据分析
技术领域：
：，尤其涉及一种电机监测方法、装置及相关设备。
背景技术：
：：2.冶金行业的各个产线上所配置的电机数量较多，且电机运行时的工况(包括低速重载、变速变载、间歇式运行等)复杂，这使得电机在使用过程中出现故障的概率较高。3.目前，为及时发现并解决电机的故障问题，相关企业多采用人工巡检的方式对电机的运行状态进行监控，即通过人工分析所采集的电机振动数据的方式，从多个运作中的电机中甄别出存在故障的电机。4.上述人工巡检的方式不仅人力成本较高，且仅能在电机出现故障问题后进行识别，也就是说，相关技术对电机的监测效果较差。技术实现要素：5.本技术实施例提供一种电机监测方法、装置及相关设备，以解决相关技术对电机的监测效果较差的问题。6.为解决上述问题，本技术是这样实现的：7.第一方面，本技术实施例提供了一种电机监测方法，由网络侧设备执行，包括：8.获取目标电机的目标振动信息，所述目标振动信息包括由目标振动参数向量组成的信号参数矩阵，且所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；9.根据所述信号参数矩阵，生成对应的目标稳态参数，其中，所述目标稳态参数用于表征所述目标电机在运作时的振动状况；10.在所述目标稳态参数大于稳态阈值的情况下，确定所述目标电机运作异常，并生成对应的报警信息。11.第二方面，本技术实施例还提供一种电机监测装置，包括：12.信息获取模块，用于获取目标电机的目标振动信息，所述目标振动信息包括由目标振动参数向量组成的信号参数矩阵，且所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；13.参数获取模块，用于根据所述信号参数矩阵，生成对应的目标稳态参数，其中，所述目标稳态参数用于表征所述目标电机在运作时的振动状况；14.报警模块，用于在所述目标稳态参数大于稳态阈值的情况下，确定所述目标电机运作异常，并生成对应的报警信息。15.第三方面，本技术实施例还提供一种通信设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。16.第四方面，本技术实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。17.在本技术实施例中，通过获取目标电机的目标振动信息，并对目标振动信息包括的信号参数矩阵进行分析，以获得用于表征目标电机在运作时的振动状况的目标稳态参数，并在目标稳态参数大于稳态阈值的情况下，及时生成报警信息的方式，避免目标电机的异常问题持续累积并引发电机故障，这能使目标电机获得较好的监测效果，并能在一定程度上延长目标电机的使用寿命。附图说明18.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。19.图1是本技术实施例可应用的网络系统的结构示意图；20.图2是本技术实施例提供的用于监测电机运行状态的监测系统的结构示意图；21.图3是本技术实施例提供的一种边缘云网关的结构示意图；22.图4是本技术实施例提供的一种电机监测方法的流程示意图；23.图5是本技术实施例提供的lstm网络的结构示意图；24.图6是本技术实施提供的电机监测装置的结构示意图；25.图7是本技术实施提供的通信设备的结构示意图。具体实施方式26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。根据本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。27.本技术实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本技术中使用“和/或”表示所连接对象的至少其中之一，例如a和/或b和/或c，表示包含单独a，单独b，单独c，以及a和b都存在，b和c都存在，a和c都存在，以及a、b和c都存在的7种情况。28.请参见图1，图1是本技术实施例可应用的网络系统的结构图，如图1所示，包括数据发送设备11和数据接收设备12。29.其中，数据发送设备11和数据接收设备12之间可以进行通信。数据发送设备11向数据接收设备12发送密文信息(ciphertextblock)。30.在实际应用中，数据发送设备11可以是终端(也可以称作用户设备(userequipment，ue))，数据接收设备12可以是网络侧设备；或者，数据发送设备11可以是网络侧设备，数据接收设备12可以是终端，但不仅限于此。31.终端可以是手机、平板电脑(tabletpersonalcomputer)、膝上型电脑(laptopcomputer)、个人数字助理(personaldigitalassistant，pda)、移动上网装置(mobileinternetdevice，mid)、可穿戴式设备(wearabledevice)或车载设备等。网络侧设备可以是基站、接入和移动管理功能(accessandmobilitymanagementfunction，amf)、中继、接入点或其他网元等。32.如图2所示，本技术实施例提供一种用于监测电机运行状态的监测系统，所述监测系统包括：传感器、边缘云网关、防火墙、监控平台以及显示界面。其中，传感器可以通过磁吸的方式设置于电机轴侧一向的散热片上，上述传感器可以为振动传感器或者温度振动一体化传感器；传感器和边缘云网关可以通过485总线进行通信连接，边缘云网关可以通过轮询的方式接受传感器上传的电机的振动数据，边缘云网关在接收电机的振动数据后，将对电机的振动数据进行分析，并将分析结果和电机的振动数据经防火墙传输至监控平台，以使监控平台基于所述分析结果及时发出报警信息，并通过显示界面对所发出报警信息进行可视化展示。其中，边缘云网关和监控平台依据消息队列遥测传输协议(messagequeuingtelemetrytransport，mqtt)进行数据交互。33.在一些实施方式中，在报警信息发出之后，监控平台还可以根据所述报警信息生成对应的维保工单，以指示相应的维保人员根据所述维保工单对故障电机进行故障检查以及维修。34.如图3所示，所述边缘云网关包括设备管理模块、分析引擎以及数据传输和连接管理模块，其中，设备管理模块用于管理边缘云网关与传感器之间的连接端口(如接收传感器上传的电机的振动数据，记录连接端口对应的传感器编号，管理连接端口的工作状态等)；分析引擎用于分担监控平台的数据处理任务，即根据预设的分析模型对设备管理模块传输的电机的振动数据进行处理，并输出相应的分析结果；数据传输和连接管理模块用于管理边缘云网关与监控平台之间的网络连接参数、以及完成边缘云网关与监控平台之间的数据交互工作(即边缘云网关通过数据传输和连接管理模块，将前述分析结果和电机的振动数据传输至监控平台，以使监控对分析结果进行相应处置，以及对电机的振动数据进行相应记录)。35.需要说明的是，优选应用第五代(5thgeneration，5g)通信网络完成边缘云网关的数据交互操作，实际应用中，也可以选用第四代(4thgeneration，4g)通信网络完成边缘云网关的数据交互操作，本技术实施例对此并不加以限定。36.此外，本技术实施例对传感器的具体类别、传感器在电机上的设置位置和设置方式、防火墙所依据的数据传输协议均不加以限定，用户可根据实际需求对上述设置进行适应性调整。37.以下对本技术实施例提供的电机监测方法进行说明。38.参见图4，图4是本技术实施例提供的电机监测方法的流程示意图。图4所示的电机监测方法可以由网络侧设备执行，如图4所示，电机监测方法包括以下步骤：39.步骤101、获取目标电机的目标振动信息。40.其中，目标电机可理解为冶金行业的各个产线上所配置的多个电机中的任一电机，目标振动信息可理解为目标电机在轴承处采集的且经过降噪处理后的振动信号，目标振动信息可以由设置在目标电机轴承处的传感器采集得到，并经由降噪处理后，通过5g通信网络传输至网络侧设备。41.实际应用中，受传感器的设置位置、电机振动噪声等因素的影响，传感器所采集并传输的初始振动数据存在振动信号缺失、振动信号异常等情况，为降低此类情况对目标振动信息在后续处理过程中的不利影响，可以通过数据预处理的方式对前述初始振动数据进行数据预处理和降噪处理，以保障网络侧设备获取的目标振动信息的完整性和一致性，并进一步便利网络侧设备后续对目标振动信息的处理，在此情况下，目标振动信息可理解为由传感器采集得到，并经由数据预处理和数据降噪处理后，通过5g通信网络传输的目标电机的振动信号。42.前述数据预处理过程可以通过应用分布图法和/或融合算法的方式完成，也可以采取其他方式完成，不以此为限。43.将目标电机的经过数据预处理后的振动信号简称为第一振动信息，示例性地，可以通过应用变分模态分解的方法对第一振动信息进行降噪处理，即先通过拆分第一振动信息包括的目标电机连续的振动信号，获得多个分量振动数据(在预设的采集时间周期内)；再基于多个分量振动数据中每一分量振动数据与所述振动信号之间的相关度，对多个分量振动数据进行过滤处理，以滤除多个分量振动数据中与所述振动信号的相关度低于第一阈值的分量振动数据；随后将经过过滤处理后的多个分量振动数据进行重组，以生成所述第二振动信息。44.需要说明的是，实际中，还可以通过应用其他降噪算法对第一振动信息进行降噪处理，本技术实施例对第一振动信息在降噪处理过程中所应用的具体算法并不加以限定。45.所述采集时间周期可以为5秒、15秒、1分钟等，用户可根据实际需求对上述采集时间周期进行适应性调整，本技术实施例对此并不加以限定。46.所述目标振动信息包括由目标振动信号参数向量组成的信号参数矩阵，所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；其中，目标振动信号参数向量可理解为通过多个振动信号组成的参数向量，所述多个振动信号对应同一采集时间周期；所述信号参数矩阵可理解为通过多次采集(即多个采集时间周期)得到的多个参数向量组成的参数矩阵。47.示例性地，前述网络侧设备可以为前述边缘云网关，也可以为云端服务器，本技术实施例对网络侧设备的具体类别并不加以限定。48.步骤102、根据所述信号参数矩阵，生成对应的目标稳态参数。49.步骤103、对所述第二振动信息进行分析，获得分析结果，在所述分析结果表征所述目标电机运作异常的情况下，生成报警信息。50.实际中，可以通过神经网络对目标振动信息包括的信号参数矩阵进行特征提取，并基于所述提取特征分析目标电机当前的运作状况(也即输出目标电机的目标稳态参数)。其中，根据目标振动信息包括的信号参数矩阵在时域上具备连续性的特点，优选应用循环神经网络对信号参数矩阵进行特征提取操作。51.如图5所示，以循环神经网络中的长短期记忆(longshort-termmemory，lstm)网络为例，对上述特性提取过程说明如下：52.将目标振动信息所包括的信号参数矩阵输入lstm网络中，信号参数矩阵此时可理解为具备时间连续性的若干个细胞单元，lstm网络通过遗忘门、输入门以及输出门的配合设置，可以适应性遗忘或保留每一细胞单元中的特征信息，其中，遗忘门可用于特征信息的遗忘，输入门可用于特征信息的记忆，输出门可用于整合遗忘门输出的特征信息和输入门输出的特征信息。53.图5中所示t-1、t、t+1可理解为前述细胞单元对应的时刻，h可理解为前述细胞单元对应的隐藏层信息，ft、it、ot可理解为t时刻遗忘门、输入门、输出门的值，at可理解为t时刻对ht–1和xt的初步特征提取，xt可理解为t时刻的输入数据，ct可理解为t时刻的隐藏状态信息，ct-1可理解为t-1时刻的隐藏状态信息。54.通过遗忘门、输入门以及输出门的配合设置，lstm网络能在数据处理过程中有效改善梯度消失和梯度爆炸问题，使最终输出的数据具备较高的准确度。55.举例来说，lstm网络包括的主要公式可以为：56.f(t)＝σ(wfh(t-1)+ufx(t)+bf)ꢀꢀꢀꢀꢀꢀ(1)57.i(t)＝σ(wih(t-1)+ui(t)+biꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)58.a(t)＝tanh(wah(t-1)+uax(t)+ba)ꢀꢀꢀꢀ(3)59.c(t)＝c(t-1)⊙f(t)+i(t)⊙a(t)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)60.o(t)＝σ(woh(t-1)+uo(t)+bo)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)61.h(t)＝o(t)⊙tanh(c(t))ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)62.其中，wf、wi、wo和wa分别表示遗忘门、输入门、输出门和特征提取过程中ht–1的权重系数；uf、ui、uo和ua分别表示遗忘门、输入门、输出门和特征提取过程中xt的权重系数；bf、bi、bo和ba分别表示遗忘门、输入门、输出门和特征提取过程中的偏置值；tanh表示正切双曲函数，σ表示激活函数sigmoid，公式(1)至(6)的可以采用(7)式进行统一表示：63.hg＝lstm(h)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)64.其中，h可理解为前述信号参数矩阵，hg可理解为信号参数矩阵经过lstm网络编码后得到的多个隐藏层向量组成的隐藏层矩阵。65.在一些实施方式中，基于所述提取特征分析目标电机当前的运作状况的过程可以理解为：66.对所提取特征进行归一化处理，以将所提取特征转换为目标稳态参数，其中，目标稳态参数可理解为属于目标值域的任意一个数值参数；67.将目标稳态参数和预设的稳态阈值进行比较，若目标稳态参数小于或等于所述稳态阈值，则判定目标电机当前处于正常运作的情况；若目标稳态参数大于所述稳态阈值，则判定目标电机当前的运作状况存在异常，此时将生成报警信息，以提醒监测人员基于该报警信息对目标电机的异常问题进行检查。68.需要说明的是，前述目标值域可以为[0,1]，也可以基于实际需求进行适应性调整，本技术实施例对此并不加以限定。[0069]所述报警信息包括目标电机的电机编号、目标电机的位置；在生成监测信息之后，网络侧设备可以通过向监测人员所携带终端下发检修指令的方式，指示监测人员前往目标电机所在位置进行电机检修工作，其中，检修指令基于报警信息生成，且检修指令包括目标电机的位置。[0070]在监测人员检查并处理目标电机的异常状况后，可以通过其所携带终端将电机反馈信息上传至网络侧设备，以使网络侧设备基于该电机反馈信息将目标电机的异常标识变更为正常标识，并基于电机反馈信息对目标电机实际出现的异常问题进行统计。其中，电机反馈信息包括监测人员检查目标电机时所识别出的电机异常问题。[0071]在本技术实施例中，通过获取目标电机的目标振动信息，并对目标振动信息包括的信号参数矩阵进行分析，以获得用于表征目标电机在运作时的振动状况的目标稳态参数，并在目标稳态参数大于稳态阈值的情况下，及时生成报警信息的方式，避免目标电机的异常问题持续累积并引发电机故障，这能使目标电机获得较好的监测效果，并能在一定程度上延长目标电机的使用寿命。[0072]需要指出的是，电机在出现运行故障问题前，会先表现出一定程度的运作异常，随着电机的异常状况的不断累积，才最终导致电机故障问题的产生，进而缩减电机的使用寿命，本技术通过电机监测方法的应用，能在目标电机出现故障问题前及时识别目标电机的异常运行状况，这能在一定程度规避目标电机的故障问题的产生，使目标电机的使用寿命得到延长。[0073]可选地，所述根据所述信号参数矩阵，生成对应的目标稳态参数，包括：[0074]根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵；[0075]从所述目标信号参数矩阵中提取目标信息；[0076]根据所述目标循环神经网络包括的目标参数向量对所述目标信息进行归一化处理，获得目标稳态参数。[0077]其中，目标循环神经网络可理解为经预设的训练样本训练好的循环神经网络，所述训练样本包括电机的异常信息以及正常运行信息。[0078]优选应用训练好的双向长短期记忆(bi-directionallongshort-termmemory，bilstm)网络作为目标循环神经网络，bilstm网络包括一个正向的lstm网络和一个逆序的lstm网络，这能使bilstm网络利用前后连续信号的信息(即在处理对应t时刻的细胞单元的振动信息时，bilstm网络能同时获得对应t-1时刻的细胞单元的振动信息和对应t+1时刻的细胞单元的振动信息)，使最终输出的数据的准确性得到提高，进而提升对目标电机的监测效果。[0079]示例性地，前述编码过程可以通过如下公式表示：[0080]qg＝bilstm(q)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(8)[0081]其中，qg可理解为信号参数矩阵经过bilstm网络编码后生成的包含前后信息的振动信号隐藏层矩阵，也即前述目标信号参数矩阵；q可理解为信号参数矩阵(dg可理解为目标振动信号参数向量的维数，lq可理解为目标振动信号参数向量的采集次数)。[0082]所述目标信息可理解为目标信号参数矩阵中的重点信号，其中，重点信号可以理解为目标信号参数矩阵包括的多组信号中所分别对应的多个最强信号。可以通过结合注意力机制的方式从目标信号参数矩阵中提取目标信息，举例来说，可以通过最大池化的方式对目标信号参数矩阵包括的多组信号进行处理，以获得每组信号对应的最强信号，上述最大池化过程的公式表示如下：[0083][0084]其中，qg可理解为通过多个最强信号构成的信号矩阵。[0085]实际应用中，也可以通过加权处理的方式从所述目标信号参数矩阵中提取目标信息，用户可根据实际需求对目标信息的提取方式进行适应性调整，本技术实施例对此并不加以限定。[0086]在获得目标信息之后，可以通过归一化处理的方式，将目标信息转化为目标稳态参数，以便利后续对电机运作状况的分析；在本示例中，通过归一化处理获得目标稳态参数过程的公式表示如下：[0087]a＝qgtwsꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(10)[0088]其中，a可理解为目标稳态参数，qgt可理解为前述信号矩阵的转置矩阵，ws可理解为目标参数向量(用于将前述信号矩阵的转置矩阵归一化为目标值域中的某一数值)，目标参数向量可理解为经过前述训练样本训练后获得的参数向量。[0089]在获得目标稳态参数之后，将所获得目标稳态参数与预设的稳态阈值进行数值比较，若目标稳态参数小于或等于稳态阈值，则判定目标电机当前处于正常运作状态；若目标稳态参数大于稳态阈值，则判定目标电机当前的运行状况异常，并生成前述报警信息。[0090]可选地，所述根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵之前，所述方法还包括：[0091]获取目标循环神经网络，其中，所述目标循环神经网络为通过预设的训练样本训练完成的循环神经网络，所述训练样本包括电机的异常信息以及正常运行信息。[0092]其中，训练样本可理解为预先采集的多个振动信息，每一振动信息均设置有样本标签，所述样本标签包括第一标签和第二标签，第一标签用于指示振动信息采集于运作异常的电机，第二标签用于指示振动信息采集于运作正常的电机，设置有第一标签的振动信息可理解为电机的异常信息，设置有第二标签的振动信息可理解为电机的正常运行信息。[0093]示例性的，训练样本的数据量可以为10000，实际应用中，可根据实际需求对训练样本的实际的数据量进行适应性调整，以提升所获得目标循环神经网络输出的目标稳态参数的准确性。[0094]可选地，所述根据所述目标信息得到目标稳态参数之前，所述方法还包括：[0095]根据所述目标循环神经网络获得稳态阈值。[0096]如上所述，在获得目标循环神经网络之后，利用目标循环神经网络对训练样本包括的每一振动信息均进行分析，以获得每一振动信息对应的样本稳态参数，其中，所述样本稳态参数用于表征训练样本所对应电机在运作时的振动状况，基于每一振动信息对应的样本稳态参数以及每一振动信息包括的样本标签，确定所述稳态阈值，以使所述稳态阈值大于或等于关联第二标签的样本稳态参数，且小于关联第一标签的样本稳态参数。[0097]示例性地，在获得目标循环神经网络以及稳态阈值以后，可根据目标循环神经网络以及稳态阈值生成识别模型，随后可通过采集真实场景下的电机的振动信息对识别模型的可靠性进行验证，在本示例中，通过真实场景下所采集的电机的1000条振动信息输入识别模型，发现识别模型对电机异常的识别率≥94.86％，识别模型的误判率≤6.53％，其中误判率可理解为识别模型将来源于正常电机的振动信息误判为异常数据的概率。[0098]可选地，所述获取目标电机的目标振动信息，包括：[0099]获取所述目标电机的初始振动信息；[0100]对所述初始振动信息进行拆分，获得多个分量振动数据；[0101]对所述多个分量振动数据进行过滤，获得多个目标振动数据，其中，所述目标振动数据为所述多个分量振动数据中，与所述初始振动信息的相关度高于第一阈值的分量振动数据；[0102]根据所述多个目标振动数据生成目标振动信息。[0103]在一些实施方式中，优选通过粒子群优化-相关变分模态分解(particleswarmoptimization‑‑relevantvariationalmodedecomposition，pso-rvmd)的方式进行初始振动信息的降噪处理，即采用pso-rvmd对初始振动信息进行分解，以获得多个分量振动数据；随后比对各个分量振动数据与初始振动信息之间的相关度，以将对应冗余信号的分量振动数据和相关度低于第一阈值的分量振动数据滤除，过滤后的分量振动数据即为目标振动数据，最后通过对多个目标振动数据进行重组，以生成目标振动信息。[0104]通过应用pso-rvmd的方式执行前述降噪过程，能降低目标振动信息的数据体量，减轻前述识别模型的数据处理负担，提高识别模型的数据处理效率，同时可过滤初始振动信息(前述第一振动信息可理解为经过数据预处理后的初始振动信息)包括的噪声信号，并实现对目标振动信息的信号增强，这能进一步提升识别模型所输出结果的准确性。[0105]可选地，所述获取所述目标电机的初始振动信息，包括：[0106]接收振动传感器通过5g通信网络传输的目标电机的初始振动信息，其中，所述振动传感器设置于所述目标电机的目标组件上，所述目标电机的目标组件包括所述目标电机的轴承。[0107]如上所述，利用具备高速率、大容量、低时延特点的5g通信网络，降低初始振动信息的采集时间(即传感器采集到的目标电机的振动数据的时间)与初始振动信息的接收时间之间的时间间隔，提升报警信息的时效性。[0108]其中，振动传感器可理解为具备振动信号采集功能的传感器，在一些实施方式中，除振动信号采集功能之外，振动传感器还可以具备温度采集功能等，本技术实施例的对此并不加以限定。[0109]本技术实施例中介绍的多种可选的实施方式，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本技术实施例不作限定。[0110]参见图6，图6是本技术实施例提供的电机监测装置200的结构示意图，如图6所示，电机监测装置200包括：[0111]信息获取模块201，用于获取目标电机的目标振动信息，所述目标振动信息包括由目标振动参数向量组成的信号参数矩阵，且所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；[0112]参数获取模块202，用于根据所述信号参数矩阵，生成对应的目标稳态参数，其中，所述目标稳态参数用于表征所述目标电机在运作时的振动状况；[0113]报警模块203，用于在所述目标稳态参数大于稳态阈值的情况下，确定所述目标电机运作异常，并生成对应的报警信息。[0114]可选地，所述参数获取模块202包括：[0115]编码单元，用于根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵；[0116]提取单元，用于从所述目标信号参数矩阵中提取目标信息；[0117]参数获取单元，用于根据所述目标循环神经网络包括的目标参数向量对所述目标信息进行归一化处理，获得目标稳态参数。[0118]可选地，所述装置200还包括网络获取模块，所述网络获取模块用于获取目标循环神经网络，其中，所述目标循环神经网络为通过预设的训练样本训练完成的循环神经网络，所述训练样本包括电机的异常信息以及正常运行信息。[0119]可选地，所述装置200还包括阈值获取模块，所述阈值获取模块用于根据所述目标循环神经网络获得稳态阈值。[0120]可选地，所述信息获取模块201包括：[0121]信息获取单元，用于获取所述目标电机的初始振动信息；[0122]拆分单元，用于对所述初始振动信息进行拆分，获得多个分量振动数据；[0123]过滤单元，用于对所述多个分量振动数据进行过滤，获得多个目标振动数据，其中，所述目标振动数据为所述多个分量振动数据中，与所述初始振动信息的相关度高于第一阈值的分量振动数据；[0124]信息生成单元，用于根据所述多个目标振动数据生成目标振动信息。[0125]可选地，所述信息获取单元包括：[0126]信息接收子单元，用于接收振动传感器通过5g通信网络传输的目标电机的初始振动信息，其中，所述振动传感器设置于所述目标电机的目标组件上，所述目标电机的目标组件包括所述目标电机的轴承。[0127]电机监测装置200能够实现本技术实施例中图4方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。[0128]本技术实施例还提供一种通信设备。请参见图7，通信设备可以包括处理器301、存储器302及存储在存储器302上并可在处理器301上运行的程序3021。[0129]程序3021被处理器301执行时可实现图4对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。[0130]本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图4对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。[0131]所述的存储介质，如只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等。[0132]以上所述是本发明实施例的优选实施方式，应当指出，对于本
技术领域：
：的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12当前第1页12
技术特征：
1.一种电机监测方法，由网络侧设备执行，其特征在于，所述方法包括：获取目标电机的目标振动信息，所述目标振动信息包括由目标振动参数向量组成的信号参数矩阵，且所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；根据所述信号参数矩阵，生成对应的目标稳态参数，其中，所述目标稳态参数用于表征所述目标电机在运作时的振动状况；在所述目标稳态参数大于稳态阈值的情况下，确定所述目标电机运作异常，并生成对应的报警信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述信号参数矩阵，生成对应的目标稳态参数，包括：根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵；从所述目标信号参数矩阵中提取目标信息；根据所述目标循环神经网络包括的目标参数向量对所述目标信息进行归一化处理，获得目标稳态参数。3.根据权利要求2所述的方法，其特征在于，所述根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵之前，所述方法还包括：获取目标循环神经网络，其中，所述目标循环神经网络为通过预设的训练样本训练完成的循环神经网络，所述训练样本包括电机的异常信息以及正常运行信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标信息得到目标稳态参数之前，所述方法还包括：根据所述目标循环神经网络获得稳态阈值。5.根据权利要求2所述的方法，其特征在于，所述获取目标电机的目标振动信息，包括：获取所述目标电机的初始振动信息；对所述初始振动信息进行拆分，获得多个分量振动数据；对所述多个分量振动数据进行过滤，获得多个目标振动数据，其中，所述目标振动数据为所述多个分量振动数据中，与所述初始振动信息的相关度高于第一阈值的分量振动数据；根据所述多个目标振动数据生成目标振动信息。6.根据权利要求5所述的方法，其特征在于，所述获取所述目标电机的初始振动信息，包括：接收振动传感器通过5g通信网络传输的目标电机的初始振动信息，其中，所述振动传感器设置于所述目标电机的目标组件上，所述目标电机的目标组件包括所述目标电机的轴承。7.一种电机监测装置，其特征在于，包括：信息获取模块，用于获取目标电机的目标振动信息，所述目标振动信息包括由目标振动参数向量组成的信号参数矩阵，且所述信号参数矩阵包括目标振动信号参数向量的维数和目标振动信号参数向量的采集次数；参数获取模块，用于根据所述信号参数矩阵，生成对应的目标稳态参数，其中，所述目标稳态参数用于表征所述目标电机在运作时的振动状况；
报警模块，用于在所述目标稳态参数大于稳态阈值的情况下，确定所述目标电机运作异常，并生成对应的报警信息。8.根据权利要求7所述的装置，其特征在于，所述参数获取模块包括：编码单元，用于根据目标循环神经网络对所述信号参数矩阵进行编码，生成目标信号参数矩阵；提取单元，用于从所述目标信号参数矩阵中提取目标信息；参数获取单元，用于根据所述目标循环神经网络包括的目标参数向量对所述目标信息进行归一化处理，获得目标稳态参数。9.根据权利要求8所述的装置，其特征在于，所述装置还包括网络获取模块，所述网络获取模块用于获取目标循环神经网络，其中，所述目标循环神经网络为通过预设的训练样本训练完成的循环神经网络，所述训练样本包括电机的异常信息以及正常运行信息。10.根据权利要求9所述的装置，其特征在于，所述装置还包括阈值获取模块，所述阈值获取模块用于根据所述目标循环神经网络获得稳态阈值。11.根据权利要求8所述的装置，其特征在于，所述信息获取模块包括：信息获取单元，用于获取所述目标电机的初始振动信息；拆分单元，用于对所述初始振动信息进行拆分，获得多个分量振动数据；过滤单元，用于对所述多个分量振动数据进行过滤，获得多个目标振动数据，其中，所述目标振动数据为所述多个分量振动数据中，与所述初始振动信息的相关度高于第一阈值的分量振动数据；信息生成单元，用于根据所述多个目标振动数据生成目标振动信息。12.根据权利要求11所述的装置，其特征在于，所述信息获取单元包括：信息接收子单元，用于接收振动传感器通过5g通信网络传输的目标电机的初始振动信息，其中，所述振动传感器设置于所述目标电机的目标组件上，所述目标电机的目标组件包括所述目标电机的轴承。13.一种通信设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至6中任一项所述的电机监测方法中的步骤。14.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的电机监测方法中的步骤。

技术总结
本申请提供一种电机监测方法、装置及相关设备。其中，所述方法包括：获取目标电机的目标振动信息，目标振动信息包括信号参数矩阵；根据信号参数矩阵，生成对应的目标稳态参数，其中，目标稳态参数用于表征目标电机在运作时的振动状况；在目标稳态参数大于稳态阈值的情况下，确定目标电机运作异常，生成报警信息。通过获取目标电机的目标振动信息，并对目标振动信息包括的信号参数矩阵进行分析，以获得用于表征目标电机的目标稳态参数，并在目标稳态参数大于稳态阈值的情况下，及时生成报警信息的方式，避免目标电机的异常问题持续累积并引发电机故障，这能使目标电机获得较好的监测效果，并能在一定程度上延长目标电机的使用寿命。并能在一定程度上延长目标电机的使用寿命。并能在一定程度上延长目标电机的使用寿命。


技术研发人员：柯梅静 孔令军 高强 皮婷婷 胡奇敏
受保护的技术使用者：中移智行网络科技有限公司 中国移动通信集团有限公司
技术研发日：2022.03.08
技术公布日：2023/9/20