CN111814408B - 一种基于条件变分自编码器的电机数据生成模型建模方法 - Google Patents
一种基于条件变分自编码器的电机数据生成模型建模方法 Download PDFInfo
- Publication number
- CN111814408B CN111814408B CN202010864058.6A CN202010864058A CN111814408B CN 111814408 B CN111814408 B CN 111814408B CN 202010864058 A CN202010864058 A CN 202010864058A CN 111814408 B CN111814408 B CN 111814408B
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- encoder
- layer
- generation 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000010410 layer Substances 0.000 claims description 68
- 210000002569 neuron Anatomy 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于条件变分自编码器的交流电机数据生成模型建模方法,步骤为:①在真实电机运行时,采集并存储电机的电压、电流数据作为运行数据,同时采集并存储转速和转矩数据作为状态数据;②将存储的运行数据和状态数据作为输入数据送入本发明中所示的条件变分自编码器,对条件变分自编码器进行权重参数的训练;③训练结束后,只要将给定的状态输入训练后的条件变分自编码器,那么条件变分自编码器会自动的产生满足给定状态的电机虚拟运行数据。向本发明所述的模型中输入给定的交流电机转速值和电机转矩值,该模型会自动的产生满足输入转速和转矩的交流电机运行数据,包括电机三相电压数据,三相电流数据,d‑q轴电压数据以及d‑q轴电流数据。
Description
技术领域
本发明涉及电机控制技术领域,特别是涉及一种交流电机的数据生成模型的建模方法。
背景技术
交流电机(包括异步电机、同步电机,开关磁阻电机等)在工业应用中非常广泛。由于交流电机具有强耦合,非线性等特征,这为交流电机的建模带来了困难。传统的交流电机建模方法大多是基于第一性原理,或者可以称为基于物理的建模方法(例如基于力学原理建模,基于电磁学原理建模),建立起具有物理联系的模型。基于物理的建模方法实现简单,并且建立的模型具有简洁、规则性和可解释性等优点。然而,随着技术的进步,交流电机运行系统变得越来越复杂,运行环境也越来越多变,对于很多复杂的电机运行系统,建立完备而简洁的物理模型即不经济也不现实。因此,近年来基于数据的交流电机建模方法成为了人们研究的热点。
与基于物理的建模方法不同,基于数据的建模方法不去分析模型内部的物理学联系,而是直接采集工业设备的真实运行数据,并使用特定的数据挖掘的方法进行运行数据的特征挖掘,从而建立起具有数据联系的模型。近年来,人们研究出很多种基于数据的交流电机建模方法,例如基于BP神经网络的交流电机数据模型,基于支持向量机的交流电机数据模型,基于随机森林的交流电机数据模型等等。
现如今人们研究的基于数据的交流电机建模方法大多是建立交流电机的判别式数据模型,其作用为:在已知交流电机运行数据的条件下,能够从模型中判断出当前交流电机所处的状态。例如,对于某交流电机系统,人们可以根据采集电机运行的电压、电流等数据,使用BP神经网络、支持向量机或者随机森林等方法判断出当前电机的转速和转矩。
然而,在实际工业过程中,人们有时的需求与判别式数据模型正好相反:即在已知当前交流电机状态的条件下(例如电机所处的转速和转矩),能够从模型中获取交流电机的运行数据(例如电机的电压和电流数据)。很显然,判别式数据模型无法满足这个需求。同时,其他模型也不能解决上述问题。
发明内容
本发明技术解决问题:克服上述现有技术的不足,提供了一种基于条件变分自编码器的交流电机数据生成式模型建模方法。条件变分自编码器是一种生成模型,其优势为:在无法采集到某真实系统实际运行数据的情况下,可以自动地生成该系统满足给定条件下的模拟数据。基于本发明的方法,只要将当前某交流电机所处的转速和转矩输入到建立的数据生成式模型中,模型便会自动的生成满足当前转速和转矩条件的交流电机的运行数据,包括三相电压数据ua、ub、uc,三相电流数据ia、ib、ic,d-q轴电压数据ud、uq,d-q轴电流数据id、iq。这是以往任何的交流电机模型都无法实现的。
本发明所采用的技术方案是一种基于条件变分自编码器的电机数据生成模型建模方法,包括如下步骤:
步骤1、数据采集系统在交流电机运行过程中采集电机的运行数据,包括:三相电压数据ua、ub、uc,三相电流数据ia、ib、ic,d-q轴电压数据ud、uq,d-q轴电流数据id、iq,转速数据n,转矩数据Te;
步骤2、建立交流电机数据生成模型,并利用采集的运行数据训练所述交流电机数据的数据生成模型;
步骤3、当训练结束后,向所述交流电机数据生成模型输入电机的给定转速n*和给定转矩Te *,模型自动生成电机在给定转速n*和给定转矩Te *条件下虚拟的运行数据,包括{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’},上标’表示该数据为虚拟的运行数据,并且该虚拟运行数据与电机在n*和Te *条件下真实的运行数据{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}之间的误差不超过5%。
具体的,包括如下步骤:
1)在真实电机运行过程中,采集数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}以及{n,Te},每隔1秒存储一次数据,其中数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}每隔1毫秒采集一次,{n,Te}每隔1秒取一次,这样便使得每1秒存储的数据中,包含有1000个数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq},将这1000个数据组按时间顺序排成向量形式,记为:
A=[ua(1),ub(1),…,id(1000),iq(1000)]
其中,后缀1表示第一个毫秒采集的数据,以此类推,后缀(1000)表示第1000个毫秒采集的数据。由于每个数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}中包含10个数据,因此向量A中,一共包含10000个数据。
同时,包含有1个标签数组,记为:
B=[n1,Te1]
2)将每一秒存储的向量A都保存到数据池中,共计10000秒,按时间顺序记为A1,A2,…A10000,将这10000个向量A作为条件变分自编码器的训练数据;将每一秒存储的向量B都保存到数据池中,共计10000秒,按时间顺序记为B1,B2,…B10000,将这10000个向量B作为条件变分自编码器的标签数据。
3)本发明所使用的条件变分自编码器是多个单层神经网络的组合。每个单层神经网络的结构为:
y=ωkx+bk
其中,k表示该层神经网络所包含的神经元个数,ω和b表示神经元的权重和偏置,x表示神经网络的输入数据,y表示神经网络的输出数据。
本发明所使用的条件变分自编码器具体结构为:输入层为一层包含10000个神经元的神经网络,用于输入训练数据A,标签层为一层包含2个神经元的神经网络,用于输入标签数据B,将输入层和标签层的输出分别接入一层包含256个神经元的神经网络,称为浅层编码层,再将两个浅层编码层的输出合并,并接入一层包含512个神经元的神经网络,称之为深层编码层。将深层编码层的输出分别接入两个包含2个神经元的神经网络,称为隐变量均值计算层和隐变量方差计算层,这两层分别输出隐变量z的均值μ以及隐变量z的方差σ,将μ和σ进行如下计算,可得到隐变量z的最终值:
z=N(0,1)*μ+σ
其中,N(0,1)表示标准正态分布。
将z的值送入包含2个神经元隐变量解码层,其输出再与标签层合并送入包含4个神经元的隐变量+标签解码层,其输出送入包含256个神经元的浅层解码层。再将浅层解码层的输出送入包含10000个神经元的输出层。最后,输出层的输出便是输入数据A的重构数据A’。
A’=[ua1’,ub1’,…,id1000’,iq1000’]
4)条件变分自编码器的训练损失函数为:
其中,KL(·)表示变分推断中的KL散度,具体可以写成:
最终的训练损失函数为:
5)在数据池中随机抽取数据A以及对应的B作为输入数据和标签数据送入条件变分自编码器的输入层和标签层,并使用随机梯度下降法对损失函数进行训练,当损失函数收敛后,训练结束,并固定各个神经网络层的参数,便可得到电机的数据生成模型。
6)交流电机的数据生成模型建立后,若人们想获取特定转速n*和特定转矩Te *时的电机运行数据,只需要将n*和Te *作为标签解码层的输入即可,数据生成模型会根据设定的n*和Te *,自动的生成满足当前设定的电机虚拟运行数据{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’}。
有益效果:
本发明相对于现有技术,具体如下优点:
①可以在没有真实电机运行的条件下,提供一种低成本的电机运行数据展示方法。例如,电机生产厂商可以将本发明所述的电机模型放置于互联网上供工程师下载,那么工程师就不再需要搭建真实的电机系统来获取数据,而只需要在网上下载模型,在模型中设定好转速和转矩,并运行该模型,便可以得到电机虚拟的运行数据,从而对该电机进行深入的了解。这大大简化了电机厂商的展示成本,降低了工程师了解电机的难度。
②可以与真实电机系统并行地运行,对电机的状态进行实时的监测和预警。例如,在某交流电机系统运行过程中,并行地运行该电机的数据生成模型,那么数据生成模型会和真实电机系统同步的产生运行数据,一旦发现该电机的数据生成模型产生的数据和该电机真实运行的数据有较大差别,那么便可以提示该电机的运行可能出现了故障。
附图说明
图1为本发明所使用的设备示意图;
图2为本发明实现方法示意图;
图3为本发明所使用的条件变分自编码器具体结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,本发明系统需要的仪器设备有:
1、电机对拖台架一台、台架上同轴安装测功机电机和被测电机,被测电机即为所需要建立数据生成模型的交流电机,可以是异步电机,也可以是同步电机或者开关磁阻电机。在此实施例中,被测电机是一台三相异步电机,电压等级:380V,额定功率:30kw,测功机电机的作用是为被测电机提供负载,并支撑被测电机的转速,可以是任意类型电机,在本实施例中,测功机是一台同步电机,电压等级:380v,额定功率:45kw;
2、电机控制器两个,分别为对拖台架的对被测电机进行控制的被测电机控制器和对测功机电机进行控制的测功机电机控制器;
3、转速-转矩传感器一台,安装在测功机电机和被测电机之间;
4、电机数据采集器一个,其功能为:
(1)采集对被测电机进行控制的被测电机控制器的信号,包括:被测电机的三相电压数据ua、ub、uc,三相电流数据ia、ib、ic,d-q轴电压数据ud、uq,d-q轴电流数据id、iq,转速数据n,转矩数据Te;
(2)采集转速-转矩传感器上的转速数据n和转矩数据Te;
(3)将上述信号传送至电脑;
5、电脑一台,用于针对采集数据进行数据生成模型的训练,以及训练后模型数据的输出。
本发明方法实现方法如图2所示,具体操作步骤为:
①将测功电机运行于转速模式。被测电机运行于转矩模式。让被测电机以任意转矩和任意转速运行。
②每隔1毫秒,电机数据采集器采集被测电机进行控制的被测电机控制器采集被测电机的运行{ua,ub,uc,ia,ib,ic,ud,uq,id,iq},并上传至电脑内存中储存,通讯方式可以为串口通讯,CAN总线通讯,无线通讯等方式;
③每隔1秒,电机数据采集器采集转速-转矩传感器的转速和转矩数据{n,Te},并上传至电脑内存中储存,通讯方式为根据转速-转矩传感器本身所具备的通讯方式而定;
④每隔1秒,电脑处理一次内存中数据采集器上传的数据{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}以及{n,Te},并写入电脑硬盘中。依此一共在硬盘中写入10000秒的数据。10000秒结束后,电脑根据写入硬盘的10000个数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq,n,Te}运行本发明提出的建模方法,进行编码器和解码器的训练。
⑤模型训练结束后,保存训练后的解码器模型。那么只要在模型中输入设定的电机转速n*和电机转矩Te *,解码器模型便会自动的生成满足n*和Te *的电机模拟运行数据{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’},并且模拟的数据与真实运行数据{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}误差不超过5%。
如图3所示,本发明所使用的条件变分自编码器的具体结构为:输入层为一层包含10000个神经元的神经网络,用于输入训练数据,标签层为一层包含2个神经元的神经网络,用于输入标签数据,将输入层和标签层的输出分别接入一层包含256个神经元的神经网络,称为浅层编码层,再将两个浅层编码层的输出合并,并接入一层包含512个神经元的神经网络,称之为深层编码层。将深层编码层的输出分别接入两个包含2个神经元的神经网络,称为隐变量均值计算层和隐变量方差计算层,这两层分别输出隐变量z的均值μ以及隐变量z的方差σ,将μ和σ进行如下计算,可得到隐变量z的最终值:
z=N(0,1)*μ+σ
其中,N(0,1)表示标准正态分布。
将z的值送入包含2个神经元隐变量解码层,其输出再与标签层合并送入包含4个神经元的隐变量+标签解码层,其输出送入包含256个神经元的浅层解码层。再将浅层解码层的输出送入包含10000个神经元的输出层。最后,输出层的输出便是输入数据的重构数据。
条件变分自编码器的训练损失函数为:
其中,A表示真实电机运行数据,A’表示条件变分自编码器输出的模拟运行数据。KL(·)表示变分推断中的KL散度,具体可以写成
最终的训练损失函数为
在数据池中随机抽取数据A以及对应的转速、转矩数据B作为输入数据和标签数据送入条件变分自编码器的输入层和标签层,并使用随机梯度下降法对损失函数进行训练,当损失函数收敛后,训练结束,并固定各个神经网络层的参数,便可得到电机的数据生成模型。
交流电机的数据生成模型建立后,若想获取特定转速n*和特定转矩Te *时的电机运行数据,只需要将n*和Te *作为标签解码层的输入即可,数据生成模型会根据设定的n*和Te *,自动的生成满足当前设定的电机虚拟运行数据{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’}。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (8)
1.一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于,包括如下步骤:
步骤1、数据采集系统在交流电机运行过程中采集电机的运行数据,包括:三相电压数据ua、ub、uc,三相电流数据ia、ib、ic,d-q轴电压数据ud、uq,d-q轴电流数据id、iq,转速数据n,转矩数据Te;
步骤2、建立交流电机数据生成模型,并利用采集的运行数据训练所述交流电机数据的数据生成模型;
步骤3、当训练结束后,向所述交流电机数据生成模型输入电机的给定转速n*和给定转矩Te*,模型自动生成电机在给定转速n*和给定转矩Te*条件下虚拟的运行数据,包括{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’},上标’表示该数据为虚拟的运行数据,并且该虚拟运行数据与电机在n*和Te*条件下真实的运行数据{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}之间的误差不超过5%;
该交流电机数据生成模型使用条件变分自编码器进行构建,具体步骤为:
1)在真实电机运行过程中,采集数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}以及{n,Te},每隔1秒存储一次数据,其中数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}每隔1毫秒采集一次,{n,Te}每隔1秒取一次,这样,每1秒存储的数据中,包含有M个数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq},将这M个数据组按时间顺序排成向量形式,记为:
A=[ua(1),ub(1),…,id(M),iq(M)]
其中,后缀1表示第一个毫秒采集的数据,以此类推,后缀(M)表示第M个毫秒采集的数据;由于每个数据组{ua,ub,uc,ia,ib,ic,ud,uq,id,iq}中包含10个数据,因此向量A中,一共包含10*M个数据;
同时,包含有1个标签数据组{n,Te},记为:
B=[n1,Te1]
2)将每一秒存储的向量A都保存到数据池中,共计10000秒,按时间顺序记为A1,A2,…A10000,将这10000个向量A作为条件变分自编码器的训练数据;将每一秒存储的向量B都保存到数据池中,共计10000秒,按时间顺序记为B1,B2,…B10000,将这10000个向量B作为条件变分自编码器的标签数据;
3)使用多个单层神经网络的组合的条件变分自编码器,每个单层神经网络的结构为:
y=ωkx+bk
其中,k表示该层神经网络所包含的神经元个数,ω和b表示神经元的权重和偏置,x表示神经网络的输入数据,y表示神经网络的输出数据;
所述条件变分自编码器结构的具体描述为:输入层为一层包含10*M个神经元的神经网络,用于输入训练数据A,标签层为一层包含2个神经元的神经网络,用于输入标签数据B,将输入层和标签层的输出分别接入一层包含256个神经元的神经网络,称为浅层编码层,再将两个浅层编码层的输出合并,并接入一层包含512个神经元的神经网络,称之为深层编码层;将深层编码层的输出分别接入两个包含2个神经元的神经网络,称为隐变量均值计算层和隐变量方差计算层,这两层分别输出隐变量z的均值μ以及隐变量z的方差σ,将μ和σ进行如下计算,得到隐变量z的最终值:
z=N(0,1)*μ+σ
其中,N(0,1)表示标准正态分布;
将z的值送入包含2个神经元的隐变量解码层,其输出再与标签层合并送入包含4个神经元的隐变量+标签解码层,其输出送入包含256个神经元的浅层解码层;再将浅层解码层的输出送入包含10*M个神经元的输出层;最后,输出层的输出便是输入数据A的重构数据A’:
A’=[ua(1)’,ub(1)’,…,id(M)’,iq(M)’];
4)条件变分自编码器的训练损失函数为:
其中,KL(·)表示变分推断中的KL散度,具体写成:
最终的训练损失函数为:
5)在数据池中随机抽取数据A以及对应的B作为输入数据和标签数据送入条件变分自编码器的输入层和标签层,并使用随机梯度下降法对损失函数进行训练,当损失函数收敛后,训练结束,并固定各个神经网络层的参数,便得到交流电机的数据生成模型;
6)交流电机的数据生成模型建立后,若想获取特定转速n*和特定转矩Te*时的电机状态数据,只需要将n*和Te*作为标签解码层的输入即可,数据生成模型会根据设定的n*和Te*,自动的生成满足当前设定条件的M组电机虚拟运行数据{ua’,ub’,uc’,ia’,ib’,ic’,ud’,uq’,id’,iq’}。
2.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
交流电机数据生成模型与真实的电机一起并行运行,或脱离真实的电机独立运行。
3.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
所述数据采集系统包括:电机对拖台架、台架上同轴安装测功机电机和被测电机,电机控制器、转速-转矩传感器、电机数据采集器;
所述被测电机即为所需要建立数据生成模型的电机,测功机电机为被测电机提供负载,并支撑被测电机的转速。
4.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
被测电机是交流电机、异步电机、同步电机或者开关磁阻电机。
5.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
电机控制器数目为两个,分别为对拖台架的对被测电机进行控制的被测电机控制器和对测功机电机进行控制的测功机电机控制器。
6.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
所述转速-转矩传感器安装在测功机电机和被测电机之间。
7.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:电机数据采集器,其功能为:
(1)采集对被测电机进行控制的被测电机控制器的信号,包括:被测电机的三相电压数据ua、ub、uc,三相电流数据ia、ib、ic,d-q轴电压数据ud、uq,d-q轴电流数据id、iq,转速数据n,转矩数据Te,;
(2)采集转速-转矩传感器上的转速数据n和转矩数据Te,
(3)将上述信号传送至电脑。
8.如权利要求1所述的一种基于条件变分自编码器的交流电机数据生成模型建模方法,其特征在于:
采集数据时,将测功电机运行于转速模式,被测电机运行于转矩模式,让被测电机以任意转矩和任意转速运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864058.6A CN111814408B (zh) | 2020-08-25 | 2020-08-25 | 一种基于条件变分自编码器的电机数据生成模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864058.6A CN111814408B (zh) | 2020-08-25 | 2020-08-25 | 一种基于条件变分自编码器的电机数据生成模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814408A CN111814408A (zh) | 2020-10-23 |
CN111814408B true CN111814408B (zh) | 2024-02-09 |
Family
ID=72860311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864058.6A Active CN111814408B (zh) | 2020-08-25 | 2020-08-25 | 一种基于条件变分自编码器的电机数据生成模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814408B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341318A (zh) * | 2021-07-05 | 2021-09-03 | 上海海事大学 | 一种新能源电机对拖性能测试系统 |
CN113688983B (zh) * | 2021-08-09 | 2024-07-05 | 上海新氦类脑智能科技有限公司 | 脉冲神经网络中减少权重储存的卷积运算实现方法、电路及终端 |
CN118054719B (zh) * | 2024-04-15 | 2024-07-19 | 深圳市艾普希隆科技有限公司 | 电机非线性动态控制的智能化变频器及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
CN109167546A (zh) * | 2018-09-25 | 2019-01-08 | 安徽大学 | 一种基于数据生成模型的异步电机参数在线辨识方法 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN110276139A (zh) * | 2019-06-26 | 2019-09-24 | 安徽大学 | 一种基于深度确信策略梯度算法的感应电机关键参数获取方法 |
-
2020
- 2020-08-25 CN CN202010864058.6A patent/CN111814408B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357184A (zh) * | 2016-11-01 | 2017-01-25 | 安徽大学 | 基于神经网络的车用永磁同步电机输出转矩的温度补偿方法 |
CN109167546A (zh) * | 2018-09-25 | 2019-01-08 | 安徽大学 | 一种基于数据生成模型的异步电机参数在线辨识方法 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN110276139A (zh) * | 2019-06-26 | 2019-09-24 | 安徽大学 | 一种基于深度确信策略梯度算法的感应电机关键参数获取方法 |
Non-Patent Citations (3)
Title |
---|
基于条件变分自编码器的齿轮箱故障诊断;王昱;尹爱军;;装备环境工程(第07期);全文 * |
基于深度学习的数据生成模型综述;汪龙志;;电脑编程技巧与维护(第08期);全文 * |
数据驱动的电动汽车异步电机参数辨识方法研究;漆星;中国博士学位论文全文数据库 (工程科技Ⅱ辑)(第02期);25-73 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814408A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814408B (zh) | 一种基于条件变分自编码器的电机数据生成模型建模方法 | |
CN110231156B (zh) | 基于时序特征的服务机器人运动系统故障诊断方法及装置 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
Lucas et al. | Intelligent modeling and control of washing machine using locally linear neuro‐fuzzy (llnf) modeling and modified brain emotional learning based intelligent controller (BELBIC) | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
Khalil et al. | IIoT-based fatigue life indication using augmented reality | |
CN111967519A (zh) | 基于多源压缩感知的故障诊断方法 | |
CN111428788A (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
CN114198266A (zh) | 风电机组运行状态平行监测方法与装置 | |
CN111241749B (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
CN111078487A (zh) | 一种基于实时嵌入式系统的硬件在环仿真方法 | |
CN112886890B (zh) | 一种数据驱动的异步电机动力学模型建模方法 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
CN105634356B (zh) | 基于plc的多电机调速系统神经网络广义逆内模实现方法 | |
Iwasaki et al. | Robust reference signal self-organizing control based on deep reinforcement learning | |
Kuspijani et al. | Faults identification of induction motor based on vibration using backpropagation neural network | |
CN113505525B (zh) | 基于微分神经网络的电力系统动态元件建模方法及装置 | |
Chang et al. | Rolling element bearing fault diagnosis based on multi-objective optimized deep auto-encoder | |
Yadav et al. | Development of Virtual Test Environment for Vehicle Level Simulation | |
CN117910367B (zh) | 一种基于物理信息神经网络的电力系统受扰轨迹预测方法 | |
US20240169209A1 (en) | Computer-implemented method for producing a software image, suitable for a numerical simulation, of at least part of a real controller | |
Marx et al. | Optimization of Complex Dynamic Systems With Respect to Their Behavior in Time and Frequency Domain | |
CN113837315B (zh) | 基于层次链接无限隐Markov模型的故障诊断方法 | |
Lee et al. | Fault diagnosis of bearing using Deep Neural Network with Dropconnect |
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 |