开云优惠体育网页版入口

专利名称：多特征电机性能综合测试方法及平台

专利类型：实用新型专利

专利申请号：CN202411240994.4

专利申请（专利权）人：丹东山川电机有限公司
权利人地址：辽宁省丹东市东港市开发区山川街1号

专利发明（设计）人：徐超,周庭震,宣云升,鄂宇

专利摘要：本申请提供的多特征电机性能综合测试方法及平台，涉及数据处理技术领域，通过执行电机测试任务采集；交互获取目标电机的基本信息，结合测试项目标识进行测试项参数配置寻优；进行目标电机的性能测试；进行单个测试子任务的工况性能测试权重识别；将权重识别结果嵌入性能测试综合分析网络层的测试分支；进行测试偏离分析，并将分析结果传输至分析网络层的全连接网络层进行整合，生成性能综合测试结果，解决了电机性能测试存在测试结果不够全面、精确，可靠性较低的技术问题，有效提高了测试的适应性和精度，达到了优化电机性能评估并提升测试结果可靠性的技术效果。

主权利要求：
1.多特征电机性能综合测试方法，其特征在于，所述方法包括：
执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识；
交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合；
根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合；
基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合；
将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支；
利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。
2.如权利要求1所述的多特征电机性能综合测试方法，其特征在于，包括：基于所述K个测试项目标识和所述电机基本信息进行电机执行工况数据检索，生成K个电机执行工况数据集合；
遍历所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合，其中，所述K个中心工况数据集合包括K个工况频繁度集合；
基于所述K个中心工况数据集合进行邻域测试数据寻优，并以所述K个测试参数空间为约束，生成所述K个工况测试参数集合。
3.如权利要求2所述的多特征电机性能综合测试方法，其特征在于，包括：从所述K个电机执行工况数据集合中提取第一电机执行工况数据集合；
对所述第一电机执行工况数据集合执行异类初始中心提。蕴崛〗峁幸炖嗳现，当认证通过时，获得多个第一异类初始中心，其中，所述多个第一异类初始中心对应多个第一电机执行工况数据；
基于所述多个第一异类初始中心进行均值漂移迭代，直至满足预设迭代次数，获得多个第一目标中心，根据所述多个第一目标中心对应的多个第一电机执行工况数据获得第一中心工况数据集合；
对所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合。
4.如权利要求3所述的多特征电机性能综合测试方法，其特征在于，包括：对所述第一电机执行工况数据集合执行异类初始中心提。竦枚喔龅谝灰炖嗵崛≈行模
分别对所述多个第一异类提取中心进行两两枚举，获得多个第一枚举组合；
遍历所述多个第一枚举组合进行异类识别，当异类识别结果均为相似度低于预设相似度时，认证通过。
5.如权利要求2所述的多特征电机性能综合测试方法，其特征在于，包括：从所述K个工况频繁度集合中提取第一工况频繁度集合，其中，所述第一工况频繁度集合包括多个第一工况频繁度；
分别将所述多个第一工况频繁度加上所述第一工况频繁度集合的工况频繁度之和的比值作为多个第一工况重要度，生成第一工况重要度集合；
对所述K个工况频繁度集合进行工况重要度分析，生成K个工况重要度集合。
6.如权利要求1所述的多特征电机性能综合测试方法，其特征在于，包括：构建工况性能测试权重识别单元，其中，所述工况性能测试权重识别单元包括工况性能测试权重识别公式；
所述工况性能测试权重识别公式为： ；
其中， 为一个测试子任务的第i个工况测试参数对应的工况性能测试权重，为第i个工况测试参数对应的分析向量， 为第i个工况测试参数对应的工况频繁度， 为第i个工况测试参数对应的工况重要度，n为一个测试子任务中工况测试参数的数量，n为大于等于1的整数， 为一个测试子任务的第p个工况测试参数对应的分析向量， 为第p个工况测试参数对应的工况频繁度， 为第p个工况测试参数对应的工况重要度；
利用所述工况性能测试权重识别公式对所述K个工况频繁度集合和所述K个工况重要度集合进行权重识别，生成所述K个工况性能测试权重集合。
7.如权利要求1所述的多特征电机性能综合测试方法，其特征在于，包括：利用所述K个测试分析分支分别对所述K个工况性能测试数据集合进行测试偏离识别，生成K个工况测试偏离结果集合；
基于所述K个工况性能测试权重集合对所述K个工况测试偏离结果集合进行加权分析，生成所述K个测试偏离分析结果。
8.多特征电机性能综合测试平台，其特征在于，用于实施权利要求1?7任一项所述的多特征电机性能综合测试方法，所述平台包括：任务采集模块，用于执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识；
参数寻优模块，用于交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合；
性能测试模块，用于根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合；
权重识别模块，用于基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合；
权重嵌入模块，用于将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支；
偏离分析模块，用于利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。 说明书 : 多特征电机性能综合测试方法及平台技术领域[0001] 本发明涉及数据处理技术领域，具体涉及多特征电机性能综合测试方法及平台。背景技术[0002] 在现代电机生产和应用领域，电机性能的准确评估对于保障其高效运行和长期可靠性至关重要。通常，电机性能测试涉及多个性能指标，如扭矩、效率、温度等，在不同的工作条件下这些指标的表现可能各不相同。为了全面评估电机性能，需要在多种模拟或实际工作条件下进行综合测试。目前，电机性能的测试方法主要依赖于标准测试程序，这些程序通常固定使用预设的测试参数来评估电机的各项性能。虽然这种方法在一定程度上能够提供电机性能的基本信息，但它们往往无法充分考虑到不同工作条件下的变化，导致测试结果可能无法完全反映电机在实际应用中的性能表现。[0003] 综上，现有技术中电机性能测试存在测试参数固定、工况适应性差以及数据分析单一，进而导致数据分析深度不够，测试结果不够全面、精确，可靠性较低的技术问题。发明内容[0004] 本申请提供了多特征电机性能综合测试方法及平台，用于针对解决现有技术中电机性能测试存在测试参数固定、工况适应性差以及数据分析单一，进而导致数据分析深度不够，测试结果不够全面、精确，可靠性较低的技术问题。[0005] 鉴于上述问题，本申请提供了多特征电机性能综合测试方法及平台。[0006] 第一方面，本申请提供了多特征电机性能综合测试方法，所述方法包括：[0007] 执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识；交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合；根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合；基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合；将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支；利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。[0008] 第二方面，本申请提供了多特征电机性能综合测试平台，所述平台包括：[0009] 任务采集模块，用于执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识；参数寻优模块，用于交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合；性能测试模块，用于根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合；权重识别模块，用于基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合；权重嵌入模块，用于将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支；偏离分析模块，用于利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。[0010] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：[0011] 本申请提供的多特征电机性能综合测试方法，通过执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识；交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合；根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合；基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合；将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支；利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果，解决了电机性能测试存在测试参数固定、工况适应性差以及数据分析单一，进而导致数据分析深度不够，测试结果不够全面、精确，可靠性较低的技术问题，通过动态进行参数配置以及工况分析，有效提高了测试的适应性和精度，达到了优化电机性能评估并提升测试结果可靠性的技术效果。附图说明[0012] 图1为本申请提供了多特征电机性能综合测试方法流程示意图。[0013] 图2为本申请提供了多特征电机性能综合测试平台结构示意图。[0014] 附图标记说明：任务采集模块11，参数寻优模块12，性能测试模块13，权重识别模块14，权重嵌入模块15，偏离分析模块16。具体实施方式[0015] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。[0016] 实施例一，如图1所示，本申请提供了多特征电机性能综合测试方法，所述方法包括：[0017] 步骤S100：执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识。[0018] 具体的，从实际操作环境或预设条件中收集电机的基本性能数据，此数据收集任务是为了确保测试的全面性和准确性，包括但不限于电机的运行速度、输出扭矩、输入电压等基本操作参数。通过对这些基础数据的初步分析，确定需要进一步深入测试的特定性能指标。进而，根据初步收集的数据和预定义的测试需求，生成K个测试子任务，每个子任务专注于电机的一个关键性能特征，例如热效率、噪声级别或振动模式。这种分解方式有助于细致分析电机的各项性能，并确保在最终评估中能够覆盖所有关键性能指标。并且，K个测试子任务包括K个测试参数空间和K个测试项目标识，其中，所述测试参数空间是指为每个测试子任务设置的参数范围和条件，这些参数空间是基于电机的设计规格和实际应用场景预设的，旨在模拟电机在各种工况下可能遇到的极端和常规条件；所述测试项目标识是指每个测试子任务都有一个唯一的标识符，该标识符关联到特定的测试参数和预期的测试结果，这些标识符用于在测试过程中追踪和记录数据，确保数据的可追溯性和测试的一致性。以测试电机的热效率为例，一个测试子任务可能被标识为“热效率测试”，并设定测试参数空间包括环境温度从20℃至50℃，电机负载从50%至100%的额定负载。测试过程中，将记录电机在各种负载和温度组合下的能耗和热输出数据，以评估其在不同工况下的热效率。[0019] 通过电机测试任务采集和测试子任务生成过程不仅具有高度的系统性和针对性，而且通过细致的参数设定和标识管理，确保了测试结果的准确性和实用性，这种方法为电机性能的全面评估提供了坚实的基。佣谧钪帐凳┲写锏皆て诘母咝Ш途返牟馐孕Ч。[0020] 步骤S200：交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合。[0021] 可选的，先通过交互式界面或自动数据采集系统获取目标电机的基本信息，包括但不限于电机型号、额定功率、额定电压、额定电流以及预设的运行转速，这一步骤是为了确保测试参数的设置能够充分考虑到电机的具体特性，从而进行有效的性能评估。继交互获取基本信息之后，结合生成的K个测试项目标识，对K个测试子任务进行参数配置。这一配置过程中，将依据测试项目标识中定义的需求，如电机启动性能测试、调速性能测试等，选择合适的测试参数并进行优化。在配置测试参数时，K个测试参数空间将作为约束条件，这意味着每项测试都将在这些预设的参数范围内进行，确保测试的可控性和重复性。测试参数空间可能包括转速的最大和最小值、不同的负载条件、电压和电流的变化范围等。[0022] 通过优化配置后，每个测试子任务将对应一组特定的工况测试参数，这些参数集合反映了电机在实际工作状态下的各种潜在表现。所述工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合，其中，所述工况频繁度集合描述了电机在正常运行中各种工况出现的频率，帮助确定哪些工况需要重点测试。例如，在电机启动性能测试中，如果数据表明电机频繁启动和停止，那么启动性能的测试就显得尤为重要。而所述工况重要度集合则根据工况的业务影响或潜在的风险评估每种工况的重要度不同。这些重要度指标将用于调整测试过程中各工况的权重，确保测试结果能更好地反映电机在关键工况下的表现。[0023] 假设对于一个特定的电机需要进行调速性能测试。首先，获取该电机的基本信息，如额定功率为100kW，额定电压为440V，额定电流为150A。结合“调速性能测试”的测试项目标识，配置测试参数为不同的转速级别（如500rpm至3000rpm）和对应的电压变化。优化过程中，分析历史运行数据显示，电机在1500rpm至2500rpm的转速范围内运行频率最高，因此将这一段定义为高频工况，并在测试中分配更高的重要度。[0024] 步骤S300：根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合。[0025] 进一步，根据得到的K个工况测试参数集合，在实际测试环境中对目标电机执行K次独立的性能测试，每次测试都严格按照对应的测试参数集合进行，确保每个工况的测试条件都被精确实现。对每个工况的性能测试都包括设置测试设备以反映特定的工况参数，如电机的速度、负载、电压和电流等。测试期间，通过专用的测量仪器和数据采集系统实时记录电机的性能数据，如功率输出、效率、温升和启动特性等。在每次测试执行过程中，关键性能指标被连续监测并记录，形成工况性能测试数据集合，这些数据集合为后续分析提供了基。繁Ｓ凶愎坏男畔⒗雌拦赖缁诟髦植煌た鱿碌谋硐。[0026] 完成K次测试后，将针对每种工况收集到的数据编排成独立的集合，这些集合详细记录了电机在每个测试工况下的表现，为分析电机的整体性能提供了实验依据。并且，收集到的数据需要经过初步的处理，包括数据清洗、初步分析和归档，这一步骤确保数据的准确性和可用性，为更深入的分析做准备。假设在进行电机调速性能测试中，根据配置优化后的参数，测试电机在不同的转速设定（例如1000rpm，2000rpm，3000rpm）下运行。在每个转速点，记录电机的功率消耗、输出扭矩和效率。通过分析这些数据，可以评估电机在不同转速下的性能变化，如效率的提升或降低，以及在高负载下的稳定性。[0027] 步骤S400：基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合。[0028] 在进行权重分配之前，首先需要对每个测试子任务相关的工况频繁度集合和工况重要度集合进行分析。工况频繁度集合反映了电机在正常运行中某一特定工况出现的频率，而工况重要度集合则基于该工况的业务影响力或安全关键性进行评估。工况频繁度的评估可以通过历史运行数据或预测模型来完成，以确定哪些工况在电机的日常运行中出现得最为频繁。这一步骤对于后续的权重分配至关重要，因为更频繁的工况应当在性能评估中占有较高的权重。而工况重要度则通过分析工况对电机性能的影响程度进行评估。例如，对于可能引起设备故障或效率显著下降的工况，应赋予更高的重要度。重要度评估通常涉及到技术专家的经验判断及相关安全和效能标准。[0029] 为每个测试子任务生成对应的工况性能测试权重集合。每个测试子任务的权重计算可以通过以下公式实现：权重=α×工况频繁度+β×工况重要度，其中，α和β是预先定义的权重因子，用于调整频繁度和重要度在总权重中的相对影响力。对每个测试子任务，根据其相关的工况频繁度和重要度数据，计算出一个综合权重值，并将这些值组成一个权重集合，这个集合将直接影响到后续的性能测试分析和最终的评估结果。例如，在电机的调速性能测试中，如果分析结果显示在高负载下的调速反应为最频繁和最关键的工况，那么这一工况的权重将被设置得更高。在计算权重时，假设选择的α为0.7，β为0.3，且该工况的频繁度为0.8，重要度为0.9，则该工况的权重为0.7×0.8+0.3×0.9=0.83。这意味着在综合测试结果中，这一工况将具有较高的影响力。[0030] 通过上述步骤，确保了测试结果能够真实反映电机在最关键工况下的性能，增强了测试方法的实用性和科学性。[0031] 步骤S500：将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支。[0032] 进而，在获取了K个工况性能测试权重集合后，将这些权重集合分别嵌入到性能测试综合分析网络层的K个测试分析分支中，这一网络层是由多个分支组成的复杂模型分析系统，旨在根据输入的测试数据和相应的权重对电机的性能进行深入分析。具体的，性能测试综合分析网络层通常设计为能够处理多种输入并生成综合性分析结果的网络结构，每个分支都专门处理与特定工况相关的数据，并根据该工况的重要度和频繁度调整其分析的重点和敏感度。每个测试分析分支都将接收到一个工况性能测试权重集合，这些权重将在网络层的数据处理和分析算法中用作调节因子，确保分析结果能够体现出不同工况的实际影响力和重要性。[0033] 随着权重的嵌入，网络层将根据每个工况的权重对收集的性能数据进行加权处理，这包括数据的归一化、特征提取和模式识别等步骤，以确保每个工况的特点都得到了充分体现。分析时，网络层会利用嵌入的权重信息调整分析模型中的参数，如学习率、数据权重等，以优化模型对各个工况的响应，这种加权分析帮助突出那些更为关键或常见的工况，对电机的整体性能评估具有决定性影响。[0034] 通过上述步骤，确保了电机性能评估的精度和科学性，有效提高了测试方法的实用性和可靠性。[0035] 步骤S600：利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。[0036] 具体而言，利用之前嵌入各个测试分析分支的工况性能测试权重集合，每个分支对相应的工况性能测试数据集合进行测试偏离分析，这一分析的目的是识别测试数据中的异常点或偏离预期表现的情况，这对于评估电机在不同工况下的稳定性和可靠性至关重要。在每个测试分析分支中，通过算法模型计算出每种工况的性能数据与预期性能之间的偏离程度，这些算法可能包括统计分析、机器学习模型等，能够根据嵌入的权重对数据进行敏感度调整和重点分析。完成各分支的偏离分析后，将这些结果传输至性能测试综合分析网络层的全连接网络层。全连接网络层的功能是整合来自各分支的分析结果，使用深度学习或其他高级算法处理这些数据，生成一个全面的性能综合测试结果。[0037] 通过进行测试偏离分析和结果整合，确保了电机性能评估的高精度和实用性，为电机设计和质量控制提供了科学依据。[0038] 进一步而言，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，本申请步骤S200还包括：[0039] 步骤S210：基于所述K个测试项目标识和所述电机基本信息进行电机执行工况数据检索，生成K个电机执行工况数据集合。[0040] 步骤S220：遍历所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合，其中，所述K个中心工况数据集合包括K个工况频繁度集合。[0041] 步骤S230：基于所述K个中心工况数据集合进行邻域测试数据寻优，并以所述K个测试参数空间为约束，生成所述K个工况测试参数集合。[0042] 可选的，先基于K个测试项目标识和目标电机的基本信息执行一系列数据检索操作，这些数据检索旨在从现有的数据库或实时监测系统中提取电机在实际运行中的各种工况数据，包括电机的运行频率、负载条件、温度、电压和电流等参数。进而，从检索到的数据中确定K个电机执行工况数据集合，每个集合对应一个测试项目标识，并反映了电机在与之相关的特定工况下的行为。接下来，对提取的K个电机执行工况数据集合进行多中心分布聚簇分析，这一步骤的目的是从大量的工况数据中识别出中心工况，这些中心工况代表了电机运行中最为常见或关键的状态。[0043] 进一步，使用数据聚类算法（如K?means或DBSCAN）来处理每个数据集合，形成K个中心工况数据集合，这些集合捕获了电机运行中最频繁出现的工况模式，以及这些模式的统计特性。基于识别出的K个中心工况数据集合进行邻域测试数据的寻优。这一过程中，测试参数配置不仅要满足测试的全面性和代表性，还需在K个测试参数空间的约束下进行优化。通过分析中心工况数据集合周围的数据分布，寻找可能改善测试效果的参数设定，包括调整测试条件以更紧密地模拟中心工况，或者修改参数以探索工况的边界性能。例如，在进行电机效率测试时，如果聚簇分析显示在某一特定负载和速度组合下电机运行最为频繁，那么测试参数寻优会集中在这一组合周围的变量上，调整测试条件，如变速范围或负载级别，以确保测试能够覆盖到电机在实际使用中可能遇到的极端条件。[0044] 进一步而言，遍历所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合，其中，所述K个中心工况数据集合包括K个工况频繁度集合，本申请步骤S220还包括：[0045] 步骤S221：从所述K个电机执行工况数据集合中提取第一电机执行工况数据集合。[0046] 步骤S222：对所述第一电机执行工况数据集合执行异类初始中心提。蕴崛〗峁幸炖嗳现，当认证通过时，获得多个第一异类初始中心，其中，所述多个第一异类初始中心对应多个第一电机执行工况数据。[0047] 步骤S223：基于所述多个第一异类初始中心进行均值漂移迭代，直至满足预设迭代次数，获得多个第一目标中心，根据所述多个第一目标中心对应的多个第一电机执行工况数据获得第一中心工况数据集合。[0048] 步骤S224：对所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合。[0049] 具体的，从总的K个电机执行工况数据集合中单独提取出第一电机的执行工况数据集合，这一数据集合包含该电机在不同操作条件下的性能数据，如电流、电压、温度、负载等参数。在提取的第一电机执行工况数据集合中执行特定的数据分析步骤，即异类初始中心提。庖徊街柚荚谑侗鸪鍪菁械囊斐；蚨捞毓た，这些工况代表了电机在极端或少见条件下的表现。进而，使用聚类分析技术来识别数据点群中的密度低的区域，这些区域可能表示非典型的运行状态。对提取的异类初始中心进行验证，确认这些中心确实代表了电机执行的异常或独特工况，这一认证过程包括对比历史数据和性能指标，确保所识别的中心是准确和有效的。[0050] 进一步，基于认证通过的异类初始中心执行均值漂移迭代，这是一种基于核密度估计的聚类算法，通过迭代过程寻找数据的密度高峰，从而确定最终的聚类中心。设置预设的迭代次数，逐步调整每个初始中心的位置，直到找到稳定的聚类中心，这些最终确定的聚类中心为目标中心，代表了电机在典型工况下的性能状态。接下来，根据均值漂移迭代得到的多个第一目标中心，汇总这些中心对应的工况数据，形成第一中心工况数据集合，为后续的测试参数配置和性能测试提供了基准。最终，将上述过程应用于所有K个电机执行工况数据集合，每个数据集合都通过上述方法独立处理，最终获得K个中心工况数据集合，这些数据集合反映了每台电机在最典型的运行条件下的性能特点，为整体的测试策略优化提供了数据支持。通过上述步骤，提高了测试的目标性和有效性。[0051] 进一步而言，对所述第一电机执行工况数据集合执行异类初始中心提。蕴崛〗峁幸炖嗳现，本申请步骤S222还包括：[0052] 步骤S2221：对所述第一电机执行工况数据集合执行异类初始中心提。竦枚喔龅谝灰炖嗵崛≈行。[0053] 步骤S2222：分别对所述多个第一异类提取中心进行两两枚举，获得多个第一枚举组合。[0054] 步骤S2223：遍历所述多个第一枚举组合进行异类识别，当异类识别结果均为相似度低于预设相似度时，认证通过。[0055] 示例性的，对第一电机执行工况数据集合进行分析以提取异类初始中心，这一步骤可使用如聚类算法等数据分析技术来识别在常规操作范围之外表现出显著不同特征的数据点，这些数据点被假定为可能指示电机在特定条件下可能遭遇的问题或独特的性能表现。具体的，使用例如DBSCAN或IsolationForest等算法，从整体数据中分离出统计上显著偏离其他数据的点，这些点形成了多个第一异类提取中心，每个中心代表一个独特的工况模式，可能包括异常高负载、异常温度升高等。[0056] 在获得第一异类提取中心后，对这些中心进行两两枚举，形成多个第一枚举组合，这一步骤的目的是为了后续的详细分析准备数据组合，每个组合将在异类认证过程中独立评估。枚举过程是指对每个异类提取中心进行配对，生成所有可能的中心对组合，这样做可以确保在后续的认证过程中，每一个可能的异类组合都能被详细分析，从而不遗漏任何重要的数据关系或模式。进而，遍历所述的多个第一枚举组合进行异类识别。这个过程中，使用机器学习模型或统计分析方法比较每对中心之间的相似度。对每一对枚举组合，计算它们之间的相似度，如果所有识别结果的相似度均低于预设的阈值，这表明每个组合内的中心在性能表现上具有显著差异，因此可以确认这些中心为有效的异类。其中，相似度的计算可以基于多种特征维度，如运行温度、负载级别、电压波动等。[0057] 通过上述步骤，不仅能识别出电机性能测试中的关键异常工况，还能确保这些工况在后续的测试计划中得到重点关注，从而提高测试的针对性和效率，提高了测试覆盖的广度和深度，有助于更好地理解和优化电机的性能和可靠性。[0058] 进一步而言，遍历所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合，其中，所述K个中心工况数据集合包括K个工况频繁度集合，本申请步骤S220还包括：[0059] 步骤S225：从所述K个工况频繁度集合中提取第一工况频繁度集合，其中，所述第一工况频繁度集合包括多个第一工况频繁度。[0060] 步骤S226：分别将所述多个第一工况频繁度加上所述第一工况频繁度集合的工况频繁度之和的比值作为多个第一工况重要度，生成第一工况重要度集合。[0061] 步骤S227：对所述K个工况频繁度集合进行工况重要度分析，生成K个工况重要度集合。[0062] 可选的，从每台电机的多中心分布聚簇分析结果中提取出各自的工况频繁度集合，这一集合包含了反映电机在不同运行条件下出现频率的数据，例如，某个特定负载或温度工况出现的次数。其中，每个工况频繁度集合由多个具体的频繁度数据点组成，每个数据点对应一个特定的运行条件或工况，这些数据是通过长期监控和记录电机运行状态获得，或通过预先设定的测试程序系统地采集。[0063] 在提取出第一工况频繁度集合后，计算每个工况的相对重要度，这一计算基于每个工况频繁度与总频繁度之和的比值，从而确定哪些工况在电机运行中占有更高的比重和影响力。对于第一工况频繁度集合中的每个工况，将其频繁度除以该集合中所有工况频繁度的总和，这样得到的比值反映了各工况相对于其他工况的重要性。例如，如果一个工况的频繁度是100次，而总频繁度是1000次，那么该工况的重要度比值为0.1，表示该工况在所有工况中占有10%的比重。经过上述计算后，针对第一电机的所有工况生成一个完整的工况重要度集合。此过程重复对K个电机进行，最终生成K个工况重要度集合，每个集合都精确地描述了各个工况在电机运行中的相对重要性。这些工况重要度集合不仅用于指导测试的重点，优化测试资源分配，还可以用于风险评估和维护计划的制定。通过了解哪些工况更为关键，维护和测试工作可以更有效地预防潜在故障和性能下降。[0064] 通过上述从工况频繁度到工况重要度的计算过程，展示了如何将这些数据应用于实际的电机测试和维护策略中，提高了测试的精确度和实用性。[0065] 进一步而言，基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，本申请步骤S400还包括：[0066] 步骤S410：构建工况性能测试权重识别单元，其中，所述工况性能测试权重识别单元包括工况性能测试权重识别公式。[0067] 所述工况性能测试权重识别公式为： 。[0068] 其中， 为一个测试子任务的第i个工况测试参数对应的工况性能测试权重，为第i个工况测试参数对应的分析向量， 为第i个工况测试参数对应的工况频繁度， 为第i个工况测试参数对应的工况重要度，n为一个测试子任务中工况测试参数的数量，n为大于等于1的整数， 为一个测试子任务的第p个工况测试参数对应的分析向量， 为第p个工况测试参数对应的工况频繁度， 为第p个工况测试参数对应的工况重要度。[0069] 步骤S420：利用所述工况性能测试权重识别公式对所述K个工况频繁度集合和所述K个工况重要度集合进行权重识别，生成所述K个工况性能测试权重集合。[0070] 进一步的，通过构建工况性能测试权重识别单元来确定每个工况的权重，进而用于评估和优化电机的性能测试。其中，所述工况性能测试权重识别单元包括工况性能测试权重识别公式，所述公式为 ；其中， 表示单个工况的性能测试权重，是一个函数，反映了工况p的频繁度 和重要度 的综合考量。权重计算的分母是所有工况权重的总和，确保了所有权重加起来的总和为1，这是概率论中常用的归一化方法，用以保证每个权重在整体中的比例正确。通过上述公式计算得出的权重 将直接用于后续的性能测试分析中。具体来说，这些权重将影响到各个测试分析分支中数据的处理方式，确保那些更为关键或常见的工况在性能评估中得到适当的重视。例如，在电机过热测试中，若某工况因频繁引发故障而具有较高的重要度和频繁度，相应的权重也会较高，这意味着在总体评估中，这一工况的测试结果将有更大的影响力。在实际操作中，权重的计算需要收集和分析大量的历史数据和实时监测数据，以确保每个工况的频繁度和重要度评估尽可能准确。此外，权重计算可能会随着时间和机器使用条件的变化而定期更新，以反映最新的运行状态和维护需求。最终，利用所述工况性能测试权重识别公式对所述K个工况频繁度集合和所述K个工况重要度集合进行权重识别，生成所述K个工况性能测试权重集合。[0071] 通过将工况频繁度和重要度结合到单一的权重计算公式中，可以更系统地进行电机性能测试，从而不仅提高了测试的效率，也增强了测试结果的可靠性和实用性，这种方法为电机维护和性能优化提供了科学的数据支持，帮助相关人员做出更精确的决策。[0072] 进一步而言，利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，本申请步骤S600还包括：[0073] 步骤S610：利用所述K个测试分析分支分别对所述K个工况性能测试数据集合进行测试偏离识别，生成K个工况测试偏离结果集合。[0074] 步骤S620：基于所述K个工况性能测试权重集合对所述K个工况测试偏离结果集合进行加权分析，生成所述K个测试偏离分析结果。[0075] 具体而言，每个测试分析分支将针对其对应的工况性能测试数据集合进行测试偏离识别，这一步骤涉及分析每个工况下电机的实际运行数据与预设性能指标之间的差异。测试偏离识别是通过先进的数据分析技术实现的，包括但不限于统计分析、机器学习模型等。具体的，将收集到的实际性能数据与预期性能数据进行比较，识别出任何显著的偏离或异常。计算实际数据与预期数据之间的偏离度，可能采用差值、百分比差异或其他统计度量方法。将每个工况下的偏离度记录下来，形成工况测试偏离结果集合。[0076] 接下来，基于所述K个工况性能测试权重集合对上述生成的K个工况测试偏离结果集合进行加权分析。这一步骤是为了确保测试结果的综合分析能够反映出各工况的重要性和频繁度，从而提供更有针对性的性能评估。对每个工况的偏离结果应用相应的工况权重，这意味着工况的重要性和频繁度将直接影响其在总分析结果中的权重。使用加权平均或其他合适的方法综合所有工况的加权偏离结果，生成最终的测试偏离分析结果，这确保了结果能够全面反映电机在最关键的工况下的表现。生成的综合分析结果将为后续的维护决策、性能优化或设计调整提供依据。[0077] 通过执行电机的性能测试偏离分析以及集成和应用工况权重，实现了对电机性能的全面和精确评估，为维护和优化提供了科学的数据支持。[0078] 通过上述实施例的技术方案，本申请提供的多特征电机性能综合测试方法，解决了电机性能测试存在测试参数固定、工况适应性差以及数据分析单一，进而导致数据分析深度不够，测试结果不够全面、精确，可靠性较低的技术问题，通过动态进行参数配置以及工况分析，有效提高了测试的适应性和精度，达到了优化电机性能评估并提升测试结果可靠性的技术效果。[0079] 实施例二，基于与前述实施例中多特征电机性能综合测试方法相同的发明构思，如图2所示，本申请提供了多特征电机性能综合测试平台，所述平台包括：[0080] 任务采集模块11，用于执行电机测试任务采集，生成K个测试子任务，其中，K个测试子任务包括K个测试参数空间和K个测试项目标识。[0081] 参数寻优模块12，用于交互获取目标电机的电机基本信息，结合所述K个测试项目标识对所述K个测试子任务进行测试项参数配置寻优，在配置寻优中以所述K个测试参数空间为约束，获得K个工况测试参数集合，其中，所述K个工况测试参数集合包括K个工况频繁度集合和K个工况重要度集合。[0082] 性能测试模块13，用于根据所述K个工况测试参数集合进行所述目标电机的性能测试，获得K个工况性能测试数据集合。[0083] 权重识别模块14，用于基于所述K个工况频繁度集合和所述K个工况重要度集合进行单个测试子任务的工况性能测试权重识别，生成K个工况性能测试权重集合。[0084] 权重嵌入模块15，用于将所述K个工况性能测试权重集合分别嵌入性能测试综合分析网络层的K个测试分析分支。[0085] 偏离分析模块16，用于利用嵌有K个工况性能测试权重集合的所述K个测试分析分支对所述K个工况性能测试数据集合进行测试偏离分析，并将K个测试偏离分析结果传输至所述性能测试综合分析网络层的全连接网络层进行整合，生成性能综合测试结果。[0086] 进一步而言，所述参数寻优模块12还用于执行以下步骤：[0087] 基于所述K个测试项目标识和所述电机基本信息进行电机执行工况数据检索，生成K个电机执行工况数据集合。[0088] 遍历所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合，其中，所述K个中心工况数据集合包括K个工况频繁度集合。[0089] 基于所述K个中心工况数据集合进行邻域测试数据寻优，并以所述K个测试参数空间为约束，生成所述K个工况测试参数集合。[0090] 进一步而言，所述参数寻优模块12还用于执行以下步骤：[0091] 从所述K个电机执行工况数据集合中提取第一电机执行工况数据集合。[0092] 对所述第一电机执行工况数据集合执行异类初始中心提。蕴崛〗峁幸炖嗳现，当认证通过时，获得多个第一异类初始中心，其中，所述多个第一异类初始中心对应多个第一电机执行工况数据。[0093] 基于所述多个第一异类初始中心进行均值漂移迭代，直至满足预设迭代次数，获得多个第一目标中心，根据所述多个第一目标中心对应的多个第一电机执行工况数据获得第一中心工况数据集合。[0094] 对所述K个电机执行工况数据集合进行多中心分布聚簇分析，获得K个中心工况数据集合。[0095] 进一步而言，所述参数寻优模块12还用于执行以下步骤：[0096] 对所述第一电机执行工况数据集合执行异类初始中心提。竦枚喔龅谝灰炖嗵崛≈行。[0097] 分别对所述多个第一异类提取中心进行两两枚举，获得多个第一枚举组合。[0098] 遍历所述多个第一枚举组合进行异类识别，当异类识别结果均为相似度低于预设相似度时，认证通过。[0099] 进一步而言，所述参数寻优模块12还用于执行以下步骤：[0100] 从所述K个工况频繁度集合中提取第一工况频繁度集合，其中，所述第一工况频繁度集合包括多个第一工况频繁度。[0101] 分别将所述多个第一工况频繁度加上所述第一工况频繁度集合的工况频繁度之和的比值作为多个第一工况重要度，生成第一工况重要度集合。[0102] 对所述K个工况频繁度集合进行工况重要度分析，生成K个工况重要度集合。[0103] 进一步而言，所述权重识别模块14还用于执行以下步骤：[0104] 构建工况性能测试权重识别单元，其中，所述工况性能测试权重识别单元包括工况性能测试权重识别公式。[0105] 所述工况性能测试权重识别公式为： 。[0106] 其中， 为一个测试子任务的第i个工况测试参数对应的工况性能测试权重，为第i个工况测试参数对应的分析向量， 为第i个工况测试参数对应的工况频繁度， 为第i个工况测试参数对应的工况重要度，n为一个测试子任务中工况测试参数的数量，n为大于等于1的整数， 为一个测试子任务的第p个工况测试参数对应的分析向量， 为第p个工况测试参数对应的工况频繁度， 为第p个工况测试参数对应的工况重要度。[0107] 利用所述工况性能测试权重识别公式对所述K个工况频繁度集合和所述K个工况重要度集合进行权重识别，生成所述K个工况性能测试权重集合。[0108] 进一步而言，所述偏离分析模块16还用于执行以下步骤：[0109] 利用所述K个测试分析分支分别对所述K个工况性能测试数据集合进行测试偏离识别，生成K个工况测试偏离结果集合。[0110] 基于所述K个工况性能测试权重集合对所述K个工况测试偏离结果集合进行加权分析，生成所述K个测试偏离分析结果。[0111] 本说明书通过前述对多特征电机性能综合测试方法的详细描述，本领域技术人员可以清楚的知道本实施例中多特征电机性能综合测试平台，对于实施例公开的平台而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0112] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

专利地区：辽宁

专利申请日期：2024-09-05

专利公开日期：2024-11-12

专利公告号：CN118759363B