CN108710752B - 一种基于灰色关联分析和bp神经网络的电机数据分析方法 - Google Patents
一种基于灰色关联分析和bp神经网络的电机数据分析方法 Download PDFInfo
- Publication number
- CN108710752B CN108710752B CN201810476715.2A CN201810476715A CN108710752B CN 108710752 B CN108710752 B CN 108710752B CN 201810476715 A CN201810476715 A CN 201810476715A CN 108710752 B CN108710752 B CN 108710752B
- Authority
- CN
- China
- Prior art keywords
- neural network
- motor
- factor
- correlation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 62
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- AUWFXYNRJHALTA-CCMAZBEPSA-N (2s)-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-amino-5-(diaminomethylideneamino)pentanoyl]amino]-5-(diaminomethylideneamino)pentanoyl]amino]-3-(1h-indol-3-yl)propanoyl]amino]-3-(1h-indol-3-yl)propanoyl]amino]-5-(diaminomethylideneamino)pentanoyl]amin Chemical compound C([C@H](NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)N)C(O)=O)C1=CC=CC=C1 AUWFXYNRJHALTA-CCMAZBEPSA-N 0.000 description 1
- 101100482664 Arabidopsis thaliana ASA1 gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100216036 Oryza sativa subsp. japonica AMT1-1 gene Proteins 0.000 description 1
- 101100076556 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) MEP1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 101150077112 amt1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Electric Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种基于灰色关联分析和BP神经网络的电机数据分析方法,包括以下步骤:(1)灰色关联分析,包括以下步骤:确定分析数列;变量的无量纲化;计算关联度;关联度排序;(2):BP神经网络模型训练的数据分析,包括以下步骤:建立指标体系;设计BP神经网络结构;利用训练样本集训练神经网络;测试样本集的实验;将七个电机性能指标作为输入向量,由训练好的BP神经网络模型进行计算,得到电机数据分析结果。本发明通过将电机的多种参数数据抽象化、数学化,将灰色关联分析和BP神经网络这两种方法合理应用到电机数据分析中,通过数学模型的方式来分析所得到的测试数据,使其更有普适性,可以推广到任何不同型号的电机测试中。
Description
技术领域
本发明涉及一种电机数据分析方法,尤其涉及一种基于灰色关联分析和BP神经网络的电机数据分析方法。
背景技术
针对高速永磁电机功率密度大、损耗密度较高、散热困难等特性,对其检测分析目前还停留在仪器的单一测定和数据后续的简易评定,大多数情况下还是依靠技术人员的经验,其综合性能的数据分析缺乏有力的支撑与说服力。
随着工业的不断发展以及机械、化工、汽车、航空航天等行业技术的不断提高,支撑这些工业设备实现的核心——电机行业也得到迅猛发展。电机检测技术向着高效化、精准化、智能化、互联化快速进步。
上个世纪70年代以前,电机测试多采用传统的指针式仪表进行手工测试,这类仪表结构简单,性能稳定,造价低廉,但它的测试精度较差,功能单一。随后产生的数字仪器基于电参数测量显示电压、电流、功率,扩展显示功率因数、频率等多种电量参数,稳定性、准确度高,一体化更强,但对数据的处理、实验过程中的读数同步仍不够理想。
由于计算机技术的加速发展和普及,电机检测向自动化测试方向发展。中国国内许多科研机构研制以PC机为核心的电机自动化测试系统,如上海电机技术所研制的AMT1型电机性能综合测试仪,它采用双机系统结构,系统运用了标准接口,方便系统的组建和扩充,并且利用PC机丰富的软硬件资源,实现友好的人机交互界面和容错性。上海交通大学的分马力微机试验系统,可以测量电机的电流、转矩、电压和功率。哈尔滨工业大学电工研究所研制的TL-1型数字转矩测试仪可以实时测量电机的输出转矩。
国外也有以计算机为核心的电机实验综合装置,可以对被试电机进行快速数据采集,并能自动处理、绘制和打印各种曲线和实验报告。如西门子公司为慕尼黑大学电机实验室制造了300型过程控制计算机,在电机实验过程中大大简化了各种参数的测量。日本国际检测公司生产的MDP101,102型电机性能综合测试机,可以自动测试电压、电流、转矩、转速、功率、效率、功率因素等项目,并可进行数据处理。法国的CEM公司也研制了自动测试台,主要适用于O.SKW一800KW三相异步电动机的测试。采用微机的电机自动测试系统在测试功能、测量精度等各项指标上都远远超过了传统的实验方法。使电机测试步入了新的时代。
近些年,国内外的许多公司和科研机构纷纷开始研制基于虚拟仪器技术的电机测试系统。国内基于虚拟仪器的电机测试技术已被广泛应用。如LabVIEW对电机转子动平衡系统设计,双滑模结构永磁同步电机矢量控制策略,LabVIEW的同步器单体试验台测控系统研发。这些基于虚拟仪器的测试方法精度高、实时性强、性能安全稳定。
美国的MAGTROL公司和我国上海聚星仪器公司都分别开发出基于虚拟仪器技术的电机测试系统产品[18]。MAGTROL公司的HD系列磁滞测功机从18N.m到最大56N.m,共18个规格。MAGTROL公司开发出最新的采用的DSP测功机系统,自动加载速度不到秒,高速采样,采样过程自动计算惯量。因为DSP是高速采样,并及时进行惯性量补偿,达到电机的高精度,高速自动测试。
国外也有全虚拟仪器的电机测试系统,设有显示仪,控制器和功率仪,用软件代替大部分硬件,实现计算机全虚拟化测试。对于大多数产品,已100%试验。德国申克公司研制出了一种利用参数认定法进行电机测试的新设备。该参数认定法的基本思想是通过建立数学模型,仅测量近似空载下的电流和电压,从而获得电机性能指标。该设备结构简单,可靠性高,检测时间短,是一种全新的微电机检测设备。
综上所述,目前对电机各项参数的测定技术已日渐成熟,但对电机多数据的实时追踪与综合评定还有待发展。具体来说,在电机的参数分析方面,应用得比较广泛的主要是在异步电机上面,有常微分和非线性方程的例子,但对于高速永磁电机的评价还基本不成熟,大多是直接用的效率进行评价,没有综合各项参数的评价案例。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于灰色关联分析和BP神经网络的电机数据分析方法。
本发明通过以下技术方案来实现上述目的:
一种基于灰色关联分析和BP神经网络的电机数据分析方法,包括以下步骤:
步骤(1):灰色关联分析,包括以下步骤:
步骤(1.1):确定分析数列:将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列,剩余因素作为相关因素变量数据序列,按下式两两计算关联度:
Ai=[Ai(1),Ai(2),…,Ai(k),…Ai(n)]
Bj=[Bj(1),Bj(2),…,Bj(k),…Bj(n)] (1-1)
式中,Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值,n表示共进行n次实验,i、j=1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值;
步骤(1.2):变量的无量纲化:通过均值化算子D1来计算出各变量序列的均值象,将式1-1转化为下式:
Ai′=AiD1=[Ai′(1),Ai′(2),…,Ai′(k),…Ai′(n)]
Bj′=BjD1=[Bj′(1),Bj′(2),…,Bj′(k),…Bj′(n)] (1-2)
对式1-2应用始点零象化算子D计算出其相应的始点零象:
Ai 0=AiD0=[Ai 0(1),Ai 0(2),…,Ai 0(k),…Ai 0(n)]
Bj 0=BjD0=[Bj 0(1),Bj 0(2),…,Bj 0(k),…Bj 0(n)] (1-3)
步骤(1.3):计算关联度:运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为:
式中,Eij表示第i个系统特征变量与第j个相关因素变量的灰色关联度,|ASi|、|BSj|、|BSj-ASi|分别为:
利用式1-4计算出系统特征变量的灰色关联度Eij,从而得出灰色绝对关联矩阵:
步骤(1.4):关联度排序:当i,j∈{1,2,…m}满足Ei1>Eij(i=1,2,…,s)时,判定因素Ai优于Bj;如果最优因素不存在,那么必然存在i,j∈{1,2,…m}满足此时判定为因素Ai优于Bj;如果同时对任意的j={1,2,…m},j≠1,都存在因素Ai优于Bj,则确定因素Ai为准优因素;
通过对电压、电流、输入功率、转速、扭矩、机械功率、转差率两两之间计算灰色关联度,最后得到这七个因素总共的关联度并进行排序,即可得到对需要的评价结果影响最大的因素;
步骤(2):BP神经网络模型训练的数据分析,包括以下步骤:
步骤(2.1):建立指标体系,收集样本数据:根据之前灰色分析的结果指标,建立评价指标体系,作为神经网络的输入样本,首先对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理,对定量指标分别进行归一化处理,通过真实情况下的电机测试数据提取得到训练样本集、测试样本集;
步骤(2.2):设计BP神经网络结构:选择三层BP神经网络,然后根据指标体系确定输出层节点数和输入层节点数,根据样本的数量和质量以及复杂程度确定隐含层节点数;
步骤(2.3):利用训练样本集训练神经网络:包括信息正向传播和误差反向传播两个过程,对于输入的训练样本指标,通过比较网络输出值和期望输出值的误差,逐层修改各层网络节点的权值和阈值,当训练样本集总误差E小于允许误差ε时,训练结束;
步骤(2.4):测试样本集的实验:输入测试样本集,进行神经网络的预测,将测试样本集得到的数据与真实数据进行比较,得到神经网络对评价的误差率;
步骤(2.5):将电压、电流、输入功率、转速、扭矩、机械功率、转差率这七个电机性能指标作为输入向量,由训练好的BP神经网络模型进行计算,得到电机数据分析结果。
本发明的有益效果在于:
本发明通过将电机的多种参数数据抽象化、数学化,将灰色关联分析和BP神经网络这两种方法合理应用到电机数据分析中,利用灰色关联分析进行参数的选择,利用BP神经网络将筛选出来的参数进行训练评价,而不仅仅是依靠效率这一单一元素进行评价,通过数学模型的方式来分析所得到的测试数据,使其更有普适性,应用的范围更广泛,可以推广到任何不同型号的电机测试中。
附图说明
图1是本发明所述BP神经网络模型的结构示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步说明:
实施例:
一种基于灰色关联分析和BP神经网络的电机数据分析方法,包括以下步骤:
步骤(1):灰色关联分析,包括以下步骤:
步骤(1.1):确定分析数列:如果通过次试验结果来对影响电机运行状况的主要因素进行研究分析,那么,每一个系统特征变量以及相关因素变量在次试验中所测得的数据样本值就形成了相应的系统特征变量数据序列和相关因素变量数据序列,所以,将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列,剩余因素作为相关因素变量数据序列,按下式两两计算关联度:
Ai=[Ai(1),Ai(2),…,Ai(k),…Ai(n)]
Bj=[Bj(1),Bj(2),…,Bj(k),…Bj(n)] (1-1)
式中,Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值,n表示共进行n次实验,i、j=1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值;
步骤(1.2):变量的无量纲化:在计算过程中,由于各变量数据序列的单位不是统一的,所以为了保证计算出的关联度的准确性,必须对各变量数据序列进行均值化变换,为此,通过均值化算子D1来计算出各变量序列的均值象,将式1-1转化为下式:
Ai′=AiD1=[Ai′(1),Ai′(2),…,Ai′(k),…Ai′(n)]
Bj′=BjD1=[Bj′(1),Bj′(2),…,Bj′(k),…Bj′(n)] (1-2)
对式1-2应用始点零象化算子D计算出其相应的始点零象:
Ai 0=AiD0=[Ai 0(1),Ai 0(2),…,Ai 0(k),…Ai 0(n)]
Bj 0=BjD0=[Bj 0(1),Bj 0(2),…,Bj 0(k),…Bj 0(n)] (1-3)
步骤(1.3):计算关联度:运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为:
式中,Eij表示第i个系统特征变量与第j个相关因素变量的灰色关联度,|ASi|、|BSj|、|BSj-ASi|分别为:
利用式1-4计算出系统特征变量的灰色关联度Eij,从而得出灰色绝对关联矩阵:
步骤(1.4):关联度排序:当i,j∈{1,2,…m}满足Ei1>Eij(i=1,2,…,s)时,判定因素Ai优于Bj;如果最优因素不存在,那么必然存在i,j∈{1,2,…m}满足此时判定为因素Ai优于Bj;如果同时对任意的j={1,2,…m},j≠1,都存在因素Ai优于Bj,则确定因素Ai为准优因素;
通过对电压、电流、输入功率、转速、扭矩、机械功率、转差率两两之间计算灰色关联度,最后得到这七个因素总共的关联度并进行排序,即可得到对需要的评价结果影响最大的因素;
步骤(2):BP神经网络模型训练的数据分析,包括以下步骤:
步骤(2.1):建立指标体系,收集样本数据:根据之前灰色分析的结果指标,建立评价指标体系,作为神经网络的输入样本,首先对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理,对定量指标分别进行归一化处理,通过真实情况下的电机测试数据提取得到训练样本集、测试样本集;
步骤(2.2):设计BP神经网络结构:选择三层BP神经网络,然后根据指标体系确定输出层节点数和输入层节点数,根据样本的数量和质量以及复杂程度确定隐含层节点数;
步骤(2.3):利用训练样本集训练神经网络:包括信息正向传播和误差反向传播两个过程,对于输入的训练样本指标,通过比较网络输出值和期望输出值的误差,逐层修改各层网络节点的权值和阈值,当训练样本集总误差E小于允许误差ε时,训练结束;
步骤(2.4):测试样本集的实验:输入测试样本集,进行神经网络的预测,将测试样本集得到的数据与真实数据进行比较,得到神经网络对评价的误差率;
步骤(2.5):将电压、电流、输入功率、转速、扭矩、机械功率、转差率这七个电机性能指标作为输入向量,由训练好的BP神经网络模型进行计算,得到电机数据分析结果。
下面以更具体的方法步骤来详细描述上述步骤(2)的方法。
BP神经网络是一种神经网络学习算法,基于误差反向传播算法的人工神经网络。一般称为三层前馈网或三层感知器,即:输入层、中间层(也称隐层)和输出层。它的特点是:各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接,各层神经元之间无反馈连接,够成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题,能够求解非线性问题的网络必须是具有隐层的多层神经网络。在人工神经网络发展历史中,很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法即BP算法的提出,成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。近年来,它在经济、工业生产、工程技术、环境保护等方面已有一定的应用并逐渐成熟。
如图1所示,BP神经网络模型三层前馈网中,输入向量为X=(x1,x2,…,xi,…,xn)T,如加入x0=-1,可为隐含层神经元引入阀值;隐含层输出向量为Y=(y1,y2,…,yj,…ym)T,如加入y0=-1,可为输出层神经元引入阀值;输出层输出向量为O=(o1,o2,…,ok,…,ol)T;期望输出向量为d=(d1,d2,…,di,…,dn)T。输入层到隐含层之间的权值矩阵用V=(V1,V2,…,Vj,…Vm)T表示,其中列向量Vj为隐含层第j个神经元对应的权向量;隐含层到输出层之间的权值矩阵用W=(W1,W2,…,Wk,…,Wl)T表示,其中列向量Wk为输出层第k个神经元对应的权向量。
下面就各层信号之间的数学关系进行分析:
第一步,模型初始化:
对于输出层,有:
ok=f(netk),k=1,2,…,l (3-6)
对于隐含层,有:
yj=f(netj),j=1,2,…,m (3-8)
以上两式中,转移函数f(x)均为单极性Sigmoidal函数(或称双曲线正切函数):
f(x)具有连续性、可导的特点,且有:
f′(x)=f(x)[1-f(x)] (3-11)
第二步,网络误差与权值调整:
当网络输出与期望输出不等时,存在输出误差E,定义如下:
将以上误差定义式展开至隐层,有:
进一步展开至输入层,有:
由上式可以看出,网络输入误差是各层权值wjk、vij的函数,因此调整权值可改变误差E。显然,调整权值的原则是使误差不断地减小,因此应使权值的调整量与误差的负梯度成正比,即:
式中负号表示梯度下降,常数表示比例系数,在训练中反映了学习速率。可以看出BP算法属于学习规则类,这类算法常被成为误差的梯度下降算法。
第三步,BP算法权值调整的计算式推导:
式3-15a、3-15b仅是对权值调整思路的数学表达,而不是具体的权值调整计算式。下面推导三层BP算法权值调整的计算式。事先约定,在全部推导过程中,对输出层均有j=0,1,2,…,m;k=1,2,…,l;对隐层均有i=0,1,2,…,n;j=1,2,…,m,
对于输出层,式3-15a可改写为:
对隐层,(3-15b)可改写为:
对输出层和隐层各定义一个误差信号,令:
综合应用式3-8和3-17a,可将式3-16a的权值调整式改写为:
综合应用式3-9和3-17b,可将式3-16b的权值调整式改写为:
第四步,得出结果:
对于输出层,利用3-12式,可得:
对于隐层,利用3-13式,可得:
将以上结果代入式3-19,并应用式3-11,得:
至此两个误差信号的推导已完成,将式3-21代回到式3-18,得到三层前馈网的BP学习算法权值调整计算公式为:
容易看出,BP学习算法中,隔层权值调整公式形式上都是一样的,均由3个因素决定,即:学习率、本层输出的误差信号以及本层输入信号或XY。其中输出层误差信号同网络的期望输出与实际输出之差有关,直接反映了输出误差,而各隐含层的误差信号与前面各层的误差信号都有关,是从输出层开始逐层反传过来的。当E小于指定的误差时,样本训练达到了精度的要求,结束训练,这样神经网络的模型就建立好了,再把电机性能指标作为输入向量,由训练模型进行计算。
极端条件:
通过查阅文献,明确知道,导致电机出现故障的极端条件有外部故障、瞬时过电流、电动机过载、电源过压/欠压、内部控制系统故障等因素,结合对电机性能分析筛选出的因素,此处只考虑电机性能因素导致的故障分析,即当电机运转突变,因素与效率的关系图出现拐点时,判定其为异常情况,当实际情形出现此类状况时,应立即对电机采取措施。
上述实施例只是本发明的较佳实施例,并不是对本发明技术方案的限制,只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案,均应视为落入本发明专利的权利保护范围内。
Claims (1)
1.一种基于灰色关联分析和BP神经网络的电机数据分析方法,其特征在于:包括以下步骤:
步骤(1):灰色关联分析,包括以下步骤:
步骤(1.1):确定分析数列:将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列,剩余因素作为相关因素变量数据序列,按下式两两计算关联度:
Ai=[Ai(1),Ai(2),…,Ai(k),…Ai(n)]
Bj=[Bj(1),Bj(2),…,Bj(k),…Bj(n)] (1-1)
式中,Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值,n表示共进行n次实验,i、j=1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值;
步骤(1.2):变量的无量纲化:通过均值化算子D1来计算出各变量序列的均值象,将式1-1转化为下式:
Ai′=AiD1=[Ai′(1),Ai′(2),…,Ai′(k),…Ai′(n)]
Bj′=BjD1=[Bj′(1),Bj′(2),…,Bj′(k),…Bj′(n)] (1-2)
对式1-2应用始点零象化算子D计算出其相应的始点零象:
Ai 0=AiD0=[Ai 0(1),Ai 0(2),…,Ai 0(k),…Ai 0(n)]
Bj 0=BjD0=[Bj 0(1),Bj 0(2),…,Bj 0(k),…Bj 0(n)] (1-3)
步骤(1.3):计算关联度:运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为:
式中,Eij表示第i个系统特征变量与第j个相关因素变量的灰色关联度,|ASi|、|BSj|、|BSj-ASi|分别为:
利用式1-4计算出系统特征变量的灰色关联度Eij,从而得出灰色绝对关联矩阵:
步骤(1.4):关联度排序:当i,j∈{1,2,…m}满足Ei1>Eij时,i=1,2,…,s,判定因素Ai优于Bj;如果最优因素不存在,那么必然存在i,j∈{1,2,…m}满足此时判定为因素Ai优于Bj;如果同时对任意的j={1,2,…m},j≠1,都存在因素Ai优于Bj,则确定因素Ai为准优因素;
通过对电压、电流、输入功率、转速、扭矩、机械功率、转差率两两之间计算灰色关联度,最后得到这七个因素总共的关联度并进行排序,即可得到对需要的评价结果影响最大的因素;
步骤(2):BP神经网络模型训练的数据分析,包括以下步骤:
步骤(2.1):建立指标体系,收集样本数据: 根据之前灰色分析的结果指标,建立评价指标体系,作为神经网络的输入样本,首先对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理,对定量指标分别进行归一化处理,通过真实情况下的电机测试数据提取得到训练样本集、测试样本集;
步骤(2.2):设计BP神经网络结构:选择三层BP神经网络,然后根据指标体系确定输出层节点数和输入层节点数,根据样本的数量和质量以及复杂程度确定隐含层节点数;
步骤(2.3):利用训练样本集训练神经网络:包括信息正向传播和误差反向传播两个过程,对于输入的训练样本指标,通过比较网络输出值和期望输出值的误差,逐层修改各层网络节点的权值和阈值,当训练样本集总误差E小于允许误差ε时,训练结束;
步骤(2.4):测试样本集的实验:输入测试样本集,进行神经网络的预测,将测试样本集得到的数据与真实数据进行比较,得到神经网络对评价的误差率;
步骤(2.5):将电压、电流、输入功率、转速、扭矩、机械功率、转差率这七个电机性能指标作为输入向量,由训练好的BP神经网络模型进行计算,得到电机数据分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810476715.2A CN108710752B (zh) | 2018-05-17 | 2018-05-17 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810476715.2A CN108710752B (zh) | 2018-05-17 | 2018-05-17 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710752A CN108710752A (zh) | 2018-10-26 |
CN108710752B true CN108710752B (zh) | 2022-10-28 |
Family
ID=63869229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810476715.2A Expired - Fee Related CN108710752B (zh) | 2018-05-17 | 2018-05-17 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710752B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857127B (zh) * | 2018-11-20 | 2022-08-09 | 深圳先进技术研究院 | 训练神经网络模型以及飞行器姿态解算的方法、装置 |
CN110287652A (zh) * | 2019-07-24 | 2019-09-27 | 浙江师范大学 | 基于径向神经网络和灰色关联度分析建模预测供水系统中三卤甲烷浓度的方法 |
CN110596586B (zh) * | 2019-08-14 | 2021-12-10 | 河海大学常州校区 | 一种基于Alexnet算法的电机电流波形分析方法 |
CN111612242A (zh) * | 2020-05-15 | 2020-09-01 | 北京天工智造科技有限公司 | 一种基于lstm深度学习模型的电机状态参数预测方法 |
CN112257892B (zh) * | 2020-08-27 | 2024-04-16 | 中国石油化工股份有限公司 | 一种复杂气藏排水采气工艺制度优化方法 |
CN112699552A (zh) * | 2020-12-29 | 2021-04-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于置信度矩阵的高保真度仿真模型设计方法 |
CN114781552B (zh) * | 2022-06-17 | 2022-09-02 | 深圳硅山技术有限公司 | 电机性能测试方法、装置、设备及存储介质 |
CN115407739B (zh) * | 2022-10-31 | 2023-01-20 | 天津有容蒂康通讯技术有限公司 | 一种电缆制造的生产设备控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104616215A (zh) * | 2015-03-05 | 2015-05-13 | 华北电力大学 | 一种火电厂能效综合评价方法 |
CN104950259A (zh) * | 2015-07-09 | 2015-09-30 | 中国电力科学研究院 | 高压大功率异步电机的额定能源效率的检测方法及系统 |
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
CN107341332A (zh) * | 2017-03-10 | 2017-11-10 | 北京理工大学 | 一种车用电机驱动系统的评价指标权重的确定方法 |
CN107742031A (zh) * | 2017-10-24 | 2018-02-27 | 重庆科技学院 | 基于实验和数学算法的驱替实验人造岩心分析制备方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354620A (zh) * | 2014-08-19 | 2016-02-24 | 中国科学院上海高等研究院 | 一种风机发电功率的预测方法 |
CN107085763A (zh) * | 2017-03-31 | 2017-08-22 | 无锡开放大学 | 一种电动汽车用驱动电机系统性能评价方法 |
-
2018
- 2018-05-17 CN CN201810476715.2A patent/CN108710752B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104616215A (zh) * | 2015-03-05 | 2015-05-13 | 华北电力大学 | 一种火电厂能效综合评价方法 |
CN104950259A (zh) * | 2015-07-09 | 2015-09-30 | 中国电力科学研究院 | 高压大功率异步电机的额定能源效率的检测方法及系统 |
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
CN107341332A (zh) * | 2017-03-10 | 2017-11-10 | 北京理工大学 | 一种车用电机驱动系统的评价指标权重的确定方法 |
CN107742031A (zh) * | 2017-10-24 | 2018-02-27 | 重庆科技学院 | 基于实验和数学算法的驱替实验人造岩心分析制备方法 |
Non-Patent Citations (1)
Title |
---|
船舶电力推进系统仿真可信度评估研究;李莉红;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20130215(第2期);I138-1945 * |
Also Published As
Publication number | Publication date |
---|---|
CN108710752A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710752B (zh) | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN109100142B (zh) | 一种基于图论的轴承半监督故障诊断方法 | |
CN110275129A (zh) | 一种确定高压电能计量装置合成误差的方法和系统 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN114660531B (zh) | 一种基于电表测量误差补偿的检测方法、系统及装置 | |
CN115438692A (zh) | 一种基于变分自动编码器的设备状态异常检测方法 | |
Liu et al. | Feasibility study of the GST-SVD in extracting the fault feature of rolling bearing under variable conditions | |
CN113987861A (zh) | 一种基于局部载荷状态一致的多参数疲劳试验谱编制方法 | |
CN114036654A (zh) | 一种基于损伤等效的随机多参数疲劳试验谱编制方法 | |
Radhi et al. | Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network | |
CN112350318A (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
CN112149953A (zh) | 基于多模联动和多阶段协作的机电设备运行安全评估方法 | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN107587955B (zh) | 基于深信度网络的火箭发动机推力偏移量的标定方法 | |
CN112837180B (zh) | 用于电力系统的scada-pmu数据融合方法 | |
CN115795341A (zh) | 基于变转速的二维活塞泵健康状态评估方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN114997216A (zh) | 一种基于张量多模态特征高阶匹配的轴承故障识别方法 | |
Han et al. | Demagnetization fault detection research of brushless DC motor based on machine learning | |
CN114490596B (zh) | 一种基于机器学习与神经网络的变压器油色谱数据清洗的方法 | |
Haweel | Modeling induction motors | |
CN117590989B (zh) | 基于神经网络的电机转速在线估算装置及方法 | |
Shuang et al. | The research of loading model of eddy current dynamometer based on DRNN with double hidden layers | |
CN109376760B (zh) | 一种基于正交化局部敏感判别分析的铝板腐蚀检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221028 |