CN110659755A - 用于预测电机温度的建模方法、装置和存储介质 - Google Patents
用于预测电机温度的建模方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110659755A CN110659755A CN201810690853.0A CN201810690853A CN110659755A CN 110659755 A CN110659755 A CN 110659755A CN 201810690853 A CN201810690853 A CN 201810690853A CN 110659755 A CN110659755 A CN 110659755A
- Authority
- CN
- China
- Prior art keywords
- motor
- temperature
- neural network
- training
- network model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 147
- 238000003062 neural network model Methods 0.000 claims abstract description 129
- 238000010438 heat treatment Methods 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000017525 heat dissipation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本公开涉及一种用于预测电机温度的建模方法、装置和存储介质,用以改进电机温度的测量方式,实现在不使用温度传感器的情况下,准确预测电机温度。该方法包括:采集电机在多种运行状态下相关的参数信息,该参数信息包括电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;根据参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
Description
技术领域
本公开涉及数据处理技术领域,具体地,涉及一种用于预测电机温度的建模方法、装置和存储介质。
背景技术
电机是车辆驱动系统的重要组成部件,在复杂的运行工况下,电机的温度不断发生变化。为避免因电机温度异常而导致电机无法正常工作,且可能进一步影响整车的各项性能指标的情况发生,对电机的温度进行检测和监控是十分必要的。
众所周知,电机的单位时间内产生的热量、散热系数、热容量受到电机的构造、材料、散热面积及环境温度等因素的影响,并且被测参数之间的关系是时变和非线性的,因而电机的发热过程和散热过程都是动态不确定过程,难以根据具体公式准确计算得到电机的实时温度。现有技术中,一般采用在电机定子线圈下预埋温度传感器或者其他热敏元件的方式对电机温度进行测量,然而在电机内部安装温度传感器难度大,且需要增加额外的电路和电机线束,不利于电机保持工作的鲁棒性。
发明内容
本公开的目的是提供一种用于预测电机温度的建模方法、装置和存储介质,用以改进电机温度的测量方式,实现在不使用温度传感器的情况下,准确预测电机温度。
为了实现上述目的,本公开第一方面提供一种用于预测电机温度的神经网络模型建立方法,所述方法包括:
采集电机在多种运行状态下相关的参数信息,所述参数信息包括所述电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;
根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
可选地,所述采集电机在多种运行状态下相关的参数信息,包括:
在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息,其中,所述运行状态包括正转、反转、制动、堵转。
可选地,所述根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型,包括:
将所述参数信息分为训练集以及预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的电机结束温度作为输出训练样本数据,对所述神经网络模型进行训练;
每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度;
若所述预测电机结束温度与所述预测集中实际的电机结束温度相符合,则确定本次训练得到的神经网络模型为所述目标神经网络模型。
可选地,所述根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型,包括:
根据所述参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,所述电机温升状态信息包括稳态温升值以及发热时间常数;
将所述参数信息以及所述电机温升状态信息分为训练集和预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对所述神经网络模型进行训练;
每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数;
若所述预测稳态温升值以及预测发热时间常数与所述预测集中实际的稳态温升值以及发热时间常数相符合,则确定本次训练得到的神经网络模型为所述目标神经网络模型。
可选地,所述根据所述参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,包括:
通过如下公式计算电机温升状态信息:
其中,τ为电机在t时刻的温升,τ∞表示电机在当前运行状态下达到的平衡温升,τ0表示电机在当前运行状态下的初始温升,T为电机的发热时间常数。
本公开第二方面提供一种用于预测电机温度的神经网络模型建立装置,所述装置包括:
参数采集模块,用于采集电机在多种运行状态下相关的参数信息,所述参数信息包括所述电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;
模型训练模块,用于根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
可选地,所述参数采集模块用于在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息,其中,所述运行状态包括正转、反转、制动、堵转。
可选地,所述模型训练模块包括:
模型训练子模块,用于将所述参数信息分为训练集以及预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的电机结束温度作为输出训练样本数据,对所述神经网络模型进行训练;
模型测试子模块,用于每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度;
模型确定子模块,用于在所述预测电机结束温度与所述预测集中实际的电机结束温度相符合时,确定本次训练得到的神经网络模型为所述目标神经网络模型。
可选地,所述模型训练模块包括:
温升计算子模块,用于根据所述参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,所述电机温升状态信息包括稳态温升值以及发热时间常数;
模型训练子模块,用于将所述参数信息以及所述电机温升状态信息分为训练集和预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对所述神经网络模型进行训练;
模型测试子模块,用于每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数;
模型确定子模块,用于在所述预测稳态温升值以及预测发热时间常数与所述预测集中实际的稳态温升值以及发热时间常数相符合时,确定本次训练得到的神经网络模型为所述目标神经网络模型。
可选地,所述温升计算子模块用于通过如下公式计算电机温升状态信息:
其中,τ为电机在t时刻的温升,τ∞表示电机在当前运行状态下达到的平衡温升,τ0表示电机在当前运行状态下的初始温升,T为电机的发热时间常数。
本公开第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所提供的用于预测电机温度的神经网络模型建立方法的步骤。
本公开第四方面提供一种用于预测电机温度的神经网络模型建立装置,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所提供的用于预测电机温度的神经网络模型建立方法的步骤。
根据上述方案,通过采集电机在多种运行状态下相关的参数信息,该参数信息包括电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间,将采集到的参数信息作为训练集训练建立的神经网络模型,并对神经网络模型进行测试,在测试结果与实际的误差符合预设标准时,得到用于预测电机结束温度的目标神经网络模型。这样,基于神经网络模型对电机的温度进行预测,实现了在不使用温度传感器的情况下,准确预测电机温度。由于未使用温度传感器,减少了温度传感器相关电路和电机线束,有利于保持电机工作的鲁棒性,并减少电机生产成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开实施例提供的一种用于预测电机温度的神经网络模型建立方法的流程图;
图2是本公开实施例提供的另一种用于预测电机温度的神经网络模型建立方法的流程图;
图3是本公开实施例提供的一种用于预测电机温度的BP神经网络的预测原理示意图;
图4是本公开实施例提供的另一种用于预测电机温度的神经网络模型建立方法的流程图;
图5是本公开实施例提供的另一种用于预测电机温度的BP神经网络的预测原理示意图;
图6是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置的框图;
图7是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置的模型训练模块的框图;
图8是本公开实施例提供的另一种用于预测电机温度的神经网络模型建立装置的模型训练模块的框图;
图9是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
电机在出厂前会在不同环境下进行温升测试,合格的电机在实际复杂的运行工况下,电机温度的获取和反馈却并不实时准确,因此电机的运行安全存在一定的隐患。为了改进电机温度的测量方式,实现在不使用温度传感器的情况下,准确预测电机温度,本公开提供一种用于预测电机温度的建模方法、装置和存储介质,下面结合具体实施例对本公开提供的技术方案进行详细说明。
图1是本公开实施例提供的一种用于预测电机温度的神经网络模型建立方法的流程图,如图1所示,该方法包括以下步骤:
S11、采集电机在多种运行状态下相关的参数信息。
为避免直接对电机进行具有破坏性的过高温测试,可以在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息。其中,电机的运行状态包括正转、反转、制动、堵转,此外,电机的运行状态还可以包括综合运行状态,例如踩下制动踏板表示电机启动达到最高速正转并进入堵转的运行状态,松开制动踏板表示电机启动后进行反转以完成制动停车的运行状态,改变踏板深度表示电机堵转状态解除后进行正转或者反转并再次进入堵转的运行状态。
示例地,可以通过借助专业电机温度仿真软件Motor-CAD建立精确的电机模型,使用热网络法分别对每一单一运行状态以及综合运行状态下电机温度进行仿真,并记录相应的参数信息,该参数信息包括电机在每一运行状态下仿真得到的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间,完成训练样本数据的采集。
值得说明的是,在进行采集训练样本数据之前,通过电机伺服台架测量不同运行状态下实际的电机温度数据,若相同实验条件下,软件仿真得到的电机温度数据与实际的电机温度数据基本一致,则可以验证Motor-CAD的仿真结果准确,才可以利用所建立的电机模型采集训练样本数据。
S12、根据参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
具体地,通过步骤S11采集得到电机在各个运行状态下对应的一系列参数信息之后,根据参数信息训练神经网络模型,以便根据训练好的神经网络模型科学有效地预测电机温度。示例地,神经网络模型的类型为BP(Back propagation,反向传播)神经网络模型,能够将各种输入、输出模式的映射关系进行存储和学习,通过采用合适的学习规则以及大量的样本数据训练该模型,调整网络的权值和阈值,直至网络的实际输出值和期望输出值的误差均方差为最小,此时,则可以确定本次训练得到的神经网络模型为目标神经网络模型,用于预测电机温度。
采用上述方法,通过采集电机在多种运行状态下相关的参数信息,该参数信息包括电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间,将采集到的参数信息作为训练集训练建立的神经网络模型,并对神经网络模型进行测试,在测试结果与实际的误差符合预设标准时,得到用于预测电机温度的目标神经网络模型。这样,基于神经网络模型对电机的温度进行预测,实现了在不使用温度传感器的情况下,准确预测电机温度。由于未使用温度传感器,减少了温度传感器相关电路和电机线束,有利于保持电机工作的鲁棒性,并减少电机生产成本。
图2是本公开实施例提供的一种用于预测电机温度的神经网络模型建立方法的流程图,如图2所示,该方法包括以下步骤:
S21、采集电机在多种运行状态下相关的参数信息。
S22、根据参数信息对神经网络模型进行训练。
在一种可能的实施方式中,可以建立BP神经网络模型,该模型包括三层结构,分别为1个输入层、3个隐含层和1个输出层,3个隐含层的神经元数量为(10,10,1),选用正切S型函数作为激活函数。将参数信息分为训练集以及预测集,并将训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将训练集中的电机结束温度作为输出训练样本数据,对神经网络模型进行训练。如图3所示,是本公开实施例提供的一种用于预测电机温度的BP神经网络300的预测原理示意图,通过采集足够多的训练样本数据,用MATLAB/Simulink训练所建立的模型,训练好的模型即可用来实现根据电机参数信息与电机温度之间的模糊关系软测量电机的实时温度。
可选地,参数信息还可以包括电机电压、电机电源频率、电机功率因数以及电机启动次数中的一种或者多种,更多参数样本可以使电机温度预测结果更加准确。
S23、每训练得到一神经网络模型,则将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度。
S24、若预测电机结束温度与预测集中实际的电机结束温度相符合,则确定本次训练得到的神经网络模型为目标神经网络模型。
将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入测试样本数据,通过本次训练得到神经网络模型,以得到预测电机结束温度。若该模型输出的预测电机结束温度与预测集中的电机结束温度相符合,则确定本次训练得到的神经网络模型为目标神经网络模型。其中,相符合指的是预测电机温度与预测集中的电机温度完全相同或者两者差值在可接受的误差范围内。
采用上述方法,根据影响电机发热的主要因素,如电机电流、电机转速、电机运行时间等建立单输出的神经网络模型,并将大量的参数信息作为训练集训练神经网络模型,然后用预测集对神经网络模型进行测试并得到目标神经网络。通过使用目标神经网络预测电机温度,实现了在不使用温度传感器的情况下,准确预测电机温度。由于未使用温度传感器,减少了温度传感器相关电路和电机线束,有利于保持电机工作的鲁棒性,并减少电机生产成本。
图4是本公开实施例提供的一种用于预测电机温度的神经网络模型建立方法的流程图,如图4所示,该方法包括以下步骤:
S41、采集电机在多种运行状态下相关的参数信息。
S42、根据参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息。
其中,电机温升状态信息包括稳态温升值以及发热时间常数。具体地,通过借助专业电机温度仿真软件Motor-CAD建立精确的电机模型,使用热网络法分别对每一单一运行状态以及综合运行状态下电机温度进行仿真,并记录相应的参数信息。根据参数信息中的电机温度并通过如下公式计算电机温升状态信息:
其中,τ为电机在t时刻的温升,τ∞表示电机在当前运行状态下达到的平衡温升,τ0表示电机在当前运行状态下的初始温升,T为电机的发热时间常数。
更进一步,结合热平衡公式:
据此,可以仿真实际运行状态输入,记录当前运行状态下的电机参数信息,并根据参数信息获得稳态升温,然后利用仿真结果中的电机温度值反推电机发热时间常数,即可得到电机在当前运行状态下的电机温升状态信息。借助专业电机温度仿真软件Motor-CAD建立精确的电机模型,重复上述计算方法步骤,采集得到大量的训练样本数据。
S43、根据参数信息以及电机温升状态信息对神经网络模型进行训练。
在一种可能的实施方式中,可以建立BP神经网络模型,该模型包括三层结构,分别为1个输入层、3个隐含层和1个输出层,3个隐含层的神经元数量为(10,10,1),选用正切S型函数作为激活函数。将参数信息以及电机温升状态信息分为训练集和预测集,并将训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对神经网络模型进行训练。如图5所示,是本公开实施例提供的一种用于预测电机温度的BP神经网络500的预测原理示意图,通过采集足够多的训练样本数据,用MATLAB/Simulink训练所建立的模型,训练好的模型即可用来实现根据电机参数信息与电机温升状态信息之间的模糊关系软测量电机的稳态温升值以及发热时间常数。
S44、每训练得到一神经网络模型,则将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数。
S45、若预测稳态温升值以及预测发热时间常数与预测集中实际的稳态温升值以及发热时间常数相符合,则确定本次训练得到的神经网络模型为目标神经网络模型。
将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入测试样本数据,通过本次训练得到神经网络模型,以得到预测稳态温升值以及预测发热时间常数。若该模型输出的预测稳态温升值以及预测发热时间常数与预测集中实际的稳态温升值以及发热时间常数相符合,则确定本次训练得到的神经网络模型为目标神经网络模型。其中,相符合指的是预测稳态温升值以及预测发热时间常数与预测集中的稳态温升值以及发热时间常数完全相同或者同一参数的差值在可接受的误差范围内。
进一步地,得到稳态温升值以及发热时间常数之后,根据如下电机温升公式可以计算得到电机在任意时刻t的温升:
其中,τ为电机在t时刻的温升,τ∞表示电机在当前运行状态下达到的平衡温升,τ0表示电机在当前运行状态下的初始温升,T为电机的发热时间常数。电机温升结合之前记录的电机温度即可获得当前时刻电机的实时温度。
因电机的单位时间内产生的热量、散热系数、热容量受到电机的构造、材料、散热面积及环境温度等因素的影响,并且被测参数之间的关系是时变和非线性的,电机温度无法利用固定的数学模型精确计算得出。采用上述方法,基于神经网络模型对电机的温度进行预测,该网络采用大量数据进行训练,形成高度非线性映射,可以准确预测稳态温升值以及发热时间常数,结合电机温升公式可以准确计算得到电机实时温度。此外,采用本方案提供的电机温度预测方法,在保证预测结果准确性的基础上,替代了温度传感器及其复杂的电路设计,有利于保持电机工作的鲁棒性,并减少电机生产成本。
图6是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置的框图,参照图6,该装置600包括:
参数采集模块610,用于采集电机在多种运行状态下相关的参数信息,参数信息包括电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;
具体地,参数采集模块用于在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息,其中,运行状态包括正转、反转、制动、堵转;
模型训练模块620,用于根据参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
采用上述装置,通过采集电机在多种运行状态下相关的参数信息,该参数信息包括电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间,将采集到的参数信息作为训练集训练建立的神经网络模型,并对神经网络模型进行测试,在测试结果与实际的误差符合预设标准时,得到用于预测电机温度的目标神经网络模型。这样,基于神经网络模型对电机的温度进行预测,实现了在不使用温度传感器的情况下,准确预测电机温度。由于未使用温度传感器,减少了温度传感器相关电路和电机线束,有利于保持电机工作的鲁棒性,并减少电机生产成本。
图7是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置600的模型训练模块620的框图,在一种可能的实施方式中,参照图7,模型训练模块620包括:
模型训练子模块621,用于将参数信息分为训练集以及预测集,并将训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将训练集中的电机结束温度作为输出训练样本数据,对神经网络模型进行训练;
模型测试子模块622,用于每训练得到一神经网络模型,则将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度;
模型确定子模块623,用于在预测电机结束温度与预测集中实际的电机结束温度相符合时,确定本次训练得到的神经网络模型为目标神经网络模型。
采用上述装置,根据影响电机发热的主要因素,如电机电流、电机转速以及电机运行时间等建立单输出的神经网络模型,并将大量的参数信息作为训练集训练神经网络模型,然后用预测集对神经网络模型进行测试并得到目标神经网络。通过使用目标神经网络预测电机温度,实现了在不使用温度传感器的情况下,准确预测电机温度。由于未使用温度传感器,减少了温度传感器相关电路和电机线束,有利于保持电机工作的鲁棒性,并减少电机生产成本。
图8是本公开实施例提供的一种用于预测电机温度的神经网络模型建立装置600的模型训练模块620的框图,在另一种可能的实施方式中,参照图8,模型训练模块620包括:
温升计算子模块624,用于根据参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,电机温升状态信息包括稳态温升值以及发热时间常数;
模型训练子模块621,用于将参数信息以及电机温升状态信息分为训练集和预测集,并将训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对神经网络模型进行训练;
模型测试子模块622,用于每训练得到一神经网络模型,则将预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数;
模型确定子模块623,用于在预测稳态温升值以及预测发热时间常数与预测集中实际的稳态温升值以及发热时间常数相符合时,确定本次训练得到的神经网络模型为目标神经网络模型。
具体地,温升计算子模块624用于通过如下公式计算电机温升状态信息:
其中,τ为电机在t时刻的温升,τ∞表示电机在当前运行状态下达到的平衡温升,τ0表示电机在当前运行状态下的初始温升,T为电机的发热时间常数。
采用上述装置,基于神经网络模型对电机的温度进行预测,该网络采用大量数据进行训练,形成高度非线性映射,可以准确预测稳态温升值以及发热时间常数,结合电机温升公式可以准确计算得到电机实时温度,在保证预测结果准确性的基础上,替代了温度传感器及其复杂的电路设计,有利于保持电机工作的鲁棒性,并减少电机生产成本。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种用于预测电机温度的神经网络模型建立装置900的框图。如图9所示,该装置900可以包括:处理器901,存储器902。该装置900还可以包括多媒体组件903,输入/输出(I/O)接口904,以及通信组件905中的一者或多者。
其中,处理器901用于控制装置900的整体操作,以完成上述的用于预测电机温度的神经网络模型建立方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在装置900的操作,这些数据例如可以包括用于在装置900上操作的任何应用程序或方法的指令,以及电机温度仿真采集到的训练样本数据,例如环境温度信息、电机电流、电机转速、电机温度及电机运行时间等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口904为处理器901和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于装置900与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件905可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,用于预测电机温度的神经网络模型建立装置900可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(DigitalSignal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的用于预测电机温度的神经网络模型建立方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的用于预测电机温度的神经网络模型建立方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器902,上述程序指令可由用于预测电机温度的神经网络模型建立装置900的处理器901执行以完成上述的用于预测电机温度的神经网络模型建立方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (12)
1.一种用于预测电机温度的神经网络模型建立方法,其特征在于,所述方法包括:
采集电机在多种运行状态下相关的参数信息,所述参数信息包括所述电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;
根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述采集电机在多种运行状态下相关的参数信息,包括:
在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息,其中,所述运行状态包括正转、反转、制动、堵转。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型,包括:
将所述参数信息分为训练集以及预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的电机结束温度作为输出训练样本数据,对所述神经网络模型进行训练;
每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度;
若所述预测电机结束温度与所述预测集中实际的电机结束温度相符合,则确定本次训练得到的神经网络模型为所述目标神经网络模型。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型,包括:
根据所述参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,所述电机温升状态信息包括稳态温升值以及发热时间常数;
将所述参数信息以及所述电机温升状态信息分为训练集和预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对所述神经网络模型进行训练;
每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数;
若所述预测稳态温升值以及预测发热时间常数与所述预测集中实际的稳态温升值以及发热时间常数相符合,则确定本次训练得到的神经网络模型为所述目标神经网络模型。
6.一种用于预测电机温度的神经网络模型建立装置,其特征在于,所述装置包括:
参数采集模块,用于采集电机在多种运行状态下相关的参数信息,所述参数信息包括所述电机在每一运行状态下的环境温度信息、电机电流、电机转速、电机初始温度、电机结束温度及电机运行时间;
模型训练模块,用于根据所述参数信息训练神经网络模型,以得到用于预测电机结束温度的目标神经网络模型。
7.根据权利要求6所述的装置,其特征在于,所述参数采集模块用于在电机温度仿真软件中进行电机在多种运行状态下的电机温度仿真,并记录得到相关的参数信息,其中,所述运行状态包括正转、反转、制动、堵转。
8.根据权利要求6或7所述的装置,其特征在于,所述模型训练模块包括:
模型训练子模块,用于将所述参数信息分为训练集以及预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的电机结束温度作为输出训练样本数据,对所述神经网络模型进行训练;
模型测试子模块,用于每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测电机结束温度;
模型确定子模块,用于在所述预测电机结束温度与所述预测集中实际的电机结束温度相符合时,确定本次训练得到的神经网络模型为所述目标神经网络模型。
9.根据权利要求6或7所述的装置,其特征在于,所述模型训练模块包括:
温升计算子模块,用于根据所述参数信息中的电机初始温度以及电机结束温度计算得到电机温升状态信息,所述电机温升状态信息包括稳态温升值以及发热时间常数;
模型训练子模块,用于将所述参数信息以及所述电机温升状态信息分为训练集和预测集,并将所述训练集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间作为输入训练样本数据,将所述训练集中的稳态温升值以及发热时间常数作为输出训练样本数据,对所述神经网络模型进行训练;
模型测试子模块,用于每训练得到一神经网络模型,则将所述预测集中的环境温度信息、电机电流、电机转速、电机初始温度以及电机运行时间输入该神经网络模型,得到预测稳态温升值以及预测发热时间常数;
模型确定子模块,用于在所述预测稳态温升值以及预测发热时间常数与所述预测集中实际的稳态温升值以及发热时间常数相符合时,确定本次训练得到的神经网络模型为所述目标神经网络模型。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
12.一种用于预测电机温度的神经网络模型建立装置,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690853.0A CN110659755B (zh) | 2018-06-28 | 2018-06-28 | 用于预测电机温度的建模方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690853.0A CN110659755B (zh) | 2018-06-28 | 2018-06-28 | 用于预测电机温度的建模方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659755A true CN110659755A (zh) | 2020-01-07 |
CN110659755B CN110659755B (zh) | 2024-03-05 |
Family
ID=69027438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690853.0A Active CN110659755B (zh) | 2018-06-28 | 2018-06-28 | 用于预测电机温度的建模方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659755B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277200A (zh) * | 2020-02-12 | 2020-06-12 | 杭州电子科技大学 | 一种电机绕组温度估计及保护方法 |
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 |
CN113093545A (zh) * | 2021-04-01 | 2021-07-09 | 重庆大学 | 基于能量平衡的直线伺服系统热误差建模方法及补偿系统 |
CN113191410A (zh) * | 2021-04-21 | 2021-07-30 | 哈尔滨工业大学(深圳) | 一种线性电源使用寿命预测的方法、系统及存储介质 |
WO2022155785A1 (en) * | 2021-01-19 | 2022-07-28 | Abb Schweiz Ag | Method and apparatus for training model for predicting temperature rise of heating element in switchgear |
CN115184793A (zh) * | 2022-09-09 | 2022-10-14 | 南京大全电气研究院有限公司 | 一种低压断路器及其端子故障的识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN107102644A (zh) * | 2017-06-22 | 2017-08-29 | 华南师范大学 | 基于深度强化学习的水下机器人轨迹控制方法及控制系统 |
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN107544024A (zh) * | 2017-08-25 | 2018-01-05 | 河海大学 | 一种发电机电刷滑环烧伤故障程度诊断方法 |
-
2018
- 2018-06-28 CN CN201810690853.0A patent/CN110659755B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
CN107102644A (zh) * | 2017-06-22 | 2017-08-29 | 华南师范大学 | 基于深度强化学习的水下机器人轨迹控制方法及控制系统 |
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN107544024A (zh) * | 2017-08-25 | 2018-01-05 | 河海大学 | 一种发电机电刷滑环烧伤故障程度诊断方法 |
Non-Patent Citations (2)
Title |
---|
冯畹芝: "电机与电力拖动", 轻工业出版社, pages: 467 - 468 * |
莫庆龙;符智杰;廖慨钦;: "神经网络在电动机绕组温升预测中的应用", 企业技术开发, vol. 31, no. 17, pages 42 - 43 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277200A (zh) * | 2020-02-12 | 2020-06-12 | 杭州电子科技大学 | 一种电机绕组温度估计及保护方法 |
CN111277200B (zh) * | 2020-02-12 | 2021-10-22 | 杭州电子科技大学 | 一种电机绕组温度估计及保护方法 |
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 |
WO2022155785A1 (en) * | 2021-01-19 | 2022-07-28 | Abb Schweiz Ag | Method and apparatus for training model for predicting temperature rise of heating element in switchgear |
CN113093545A (zh) * | 2021-04-01 | 2021-07-09 | 重庆大学 | 基于能量平衡的直线伺服系统热误差建模方法及补偿系统 |
CN113191410A (zh) * | 2021-04-21 | 2021-07-30 | 哈尔滨工业大学(深圳) | 一种线性电源使用寿命预测的方法、系统及存储介质 |
CN115184793A (zh) * | 2022-09-09 | 2022-10-14 | 南京大全电气研究院有限公司 | 一种低压断路器及其端子故障的识别方法和装置 |
CN115184793B (zh) * | 2022-09-09 | 2022-12-27 | 南京大全电气研究院有限公司 | 一种低压断路器及其端子故障的识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110659755B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659755B (zh) | 用于预测电机温度的建模方法、装置和存储介质 | |
You et al. | Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
WO2021131958A1 (ja) | 模擬電池構築方法および模擬電池構築装置 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
KR20150121526A (ko) | 전기 자동차의 운행 중 배터리의 수명을 추정하는 장치 및 방법 | |
JP2019021186A (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
CN114729967A (zh) | 用于估计储能器的状态的方法 | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
KR20200087494A (ko) | 배터리 관리 방법 및 장치 | |
US20240014766A1 (en) | Apparatus and method for determining a temperature of a rotor | |
US20140309754A1 (en) | Method and device for creating a data-based function model | |
RU146951U1 (ru) | Устройство прогнозирования остаточного ресурса электромеханической системы | |
CN116415686A (zh) | 温升模型校准方法、装置、超声成像设备及存储介质 | |
WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
US20230109031A1 (en) | System and method for battery management | |
CN110968949A (zh) | 一种高速列车车载设备电磁敏感性预测模型的建模方法 | |
JP2020165673A (ja) | 構造物の状態判別モデル作成方法及びその作成システム | |
US20130085725A1 (en) | Method and circuit for calculating sensor modelling coefficients | |
JP6249803B2 (ja) | インバータ試験システム | |
CN105008964B (zh) | 地震预测装置 | |
KR101867222B1 (ko) | 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치 | |
JP2020166819A (ja) | 構造物の状態判別モデル作成方法及びその作成システム | |
US20230333614A1 (en) | Method and Apparatus for Determining Temperatures in an Electric Machine |
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 |