CN113591989A - 一种永磁同步电机剩余寿命预测方法、装置及存储介质 - Google Patents
一种永磁同步电机剩余寿命预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113591989A CN113591989A CN202110874890.9A CN202110874890A CN113591989A CN 113591989 A CN113591989 A CN 113591989A CN 202110874890 A CN202110874890 A CN 202110874890A CN 113591989 A CN113591989 A CN 113591989A
- Authority
- CN
- China
- Prior art keywords
- model
- bird nest
- permanent magnet
- magnet synchronous
- synchronous motor
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/34—Modelling or simulation for control purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明提供一种永磁同步电机剩余寿命预测方法、装置及存储介质,所述方法包括:将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型;获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练;根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。本发明提供的方案能够实现永磁同步电机剩余寿命的预测,提高电机稳定性。
Description
技术领域
本发明涉及控制领域,尤其涉及一种永磁同步电机剩余寿命预测方法、装置及存储介质。
背景技术
永磁同步电机(PMSM)的结构简单、效率高等优点在工业中被广泛应用,但是由于永磁同步电机是一个非线性系统,在运行过程中,故障类型既有电气故障又有机械故障,各个部分发生故障失效的原因和表现形式均有所不同。由此永磁电机的健康管理愈发困难,为了保证设备安全有效运行并减少事故的发生,财产的损失,对于永磁同步电机剩余寿命的预测有着重要的意义。
发明内容
本发明的主要目的在于克服上述现有技术的缺陷,提供一种永磁同步电机剩余寿命预测方法、装置及存储介质,以解决现有技术中永磁同步电机剩余寿命的预测的问题。
本发明一方面提供了一种永磁同步电机剩余寿命预测方法,包括:将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型;获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练;根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
可选地,还包括:采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素;和/或,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
可选地,采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素,包括:利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集;利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果;对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
可选地,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值,包括:初始化布谷鸟算法的计算参数;分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度;根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置;更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新;找到第三代最优鸟巢位置,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值。
可选地,获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练,包括:对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数;确定所述ARIMA模型中的自回归阶数和移动平均阶数,并确定模型的阶数;检验所述ARIMA模型的适用性,并进行所述ARIMA模型的参数检验;根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
本发明另一方面提供了一种永磁同步电机剩余寿命预测装置,包括:建立单元,用于将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型;训练单元,用于获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练;预测单元,用于根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
可选地,还包括:选择单元,用于采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素;和/或,优化单元,用于采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
可选地,所述选择单元,采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素,包括:利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集;利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果;对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
可选地,所述优化单元,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值,包括:初始化布谷鸟算法的计算参数;分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度;根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置;更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新;找到第三代最优鸟巢位置,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值。
可选地,所述预测单元,获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练,包括:对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数;确定所述ARIMA模型中的自回归阶数和移动平均阶数,并确定模型的阶数;检验所述ARIMA模型的适用性,并进行所述ARIMA模型的参数检验;根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
本发明又一方面提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
根据本发明的技术方案,选择三相电流的不平衡度和电磁转矩不平衡度作为主要评判指标,建立剩余寿命模型,实现了永磁同步电机剩余寿命的预测,能够提高电机稳定性、节约维修成本,保护电机。
根据本发明的技术方案,采用随机森林算法对电机失效的其他影响因素进行重要性排序,从而选出电机失效的次要影响因素,使因素选择合理有效,并且,考虑到多因素,使剩余寿命模型更加精准。
根据本发明的技术方案,通过改进的布谷鸟算法对剩余寿命模型的权重参数和阈值进行优化,改进自适应的步长和搜索概率,可以有效地缩短搜索时间,避免陷入局部最优解。
根据本发明的技术方案,使用ARIMA模型进行训练预测得到预测的三相电流、电磁转矩和次要因素的t时刻值,代入到剩余寿命模中,得到永磁同步电机失效时刻,使预测模型更加合理,预测的更加精准,并且提高了预测速度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的永磁同步电机剩余寿命预测方法的一实施例的方法示意图;
图2示出了采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素的步骤的一种具体实施方式的步骤流程图;
图3示出了根据本发明一种具体实施方式的分类树示意图;
图4示出了采用随机森林算法对电机失效的其他影响因素进行排序,得到电机失效的次要影响因素的一种具体实施方式的流程示意图;
图5示出了采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值的步骤的一具体实施方式的步骤流程图;
图6示出了根据本发明的改进的布谷鸟算法的一种具体实施方式的流程图;
图7示出了获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练的步骤的一种具体实施方式的流程图;
图8是本发明提供的永磁同步电机剩余生命预测方法的一具体实施例的方法示意图;
图9是本发明提供的永磁同步电机剩余寿命预测装置的一实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
本发明提供一种永磁同步电机剩余寿命预测方法,能够预测永磁同步电机的失效时刻。
图1是本发明提供的永磁同步电机剩余寿命预测方法的一实施例的方法示意图。
如图1所示,根据本发明的一个实施例,所述剩余寿命预测方法至少包括步骤S110、步骤S120和步骤S130。
步骤S110,将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型。
永磁同步电机的故障类型例如可以包括电气故障。电气故障主要由线圈中相邻绕组间绝缘失效导致的线圈之间的短路故障与断路故障、相间短路故障引起的电气故障,这些故障的发生会导致三相电流发生波动,甚至使绕组产生过热的现象,因此,使用三相电流不平衡度和/或电磁转矩的不平衡度作为预测电机剩余寿命的主要性能评定指标,建立剩余寿命模型如下:
f(t)=piiub t+qTTub t+ωΔC-H≥0
其中,f(t)为t时刻电机达到了失效判定条件,即f(t)≥0时,预测的t时刻为剩余寿命时间。iub t为t时刻三相电流不平衡度,Tub t为t时刻的电磁转矩的不平衡度,ia t、ib t、ic t分别为t时刻的三相电流幅值,Tmax Δt、Tmin t分别为Δt时间段内电磁转矩的最大值和最小值;pi、qT、ω分别为相应参数的权重值,a=ej120°,H为阈值,ΔC为次要影响因素,根据本发明的一种具体实施方式,次要影响因素ΔC通过随机森林算法得到。
若只考虑了三相电流不平衡度和电磁转矩的不平衡度作为主要性能评定指标,其中还有一些因素产生变化也意味着电机即将失效,比如温度的显著差异和明显的噪声等等。根据本发明的一种具体实施方式,采用随机森林算法对电机失效的其他影响因素进行重要性排序,得到电机失效的次要影响因素。
具体地,采用随机森林算法对电机失效的其他影响因素进行重要性排序,得到其他影响因素中对电机失效影响最大的影响因素,作为电机失效的次要影响因素。也就是说,基于随机森林(RF)对可以衡量电机失效的其他影响因素进行重要性排序,选择影响最大的因素作为次要因素ΔC,随机森林是由很多决策树组成的组合回归模型,利用分类和回归树(CART)进行单个分类树的成长,生成的分类树不进行剪枝。其基本思想为利用bootstrap重采样方法从原始数据样本集中抽取一定比例的样本生成k个采样样本集,每个采样样本集对应一颗分类树,得到k种分类结果,对k种分类结果进行投票完成最终分类。
图2示出了采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素的步骤的一种具体实施方式的流程示意图。如图2所示,包括步骤S11、步骤S12和步骤S13。
步骤S11,利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集。
所述原始数据样本集即电机失效的其他影响因素的数据样本的集合。所述其他影响因素例如可以包括:温度、噪声和/或震动。
步骤S12,利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果。
具体地,k个采样样本集中的每个采样样本集对应一颗分类树,对于分类树的每个节点,从M个特征向量中随机选择m个特征向量,特征变量数量为M,m为输入特征变量数目,用于确定分类树上一个节点的决策结果,m应远小于M。例如,永磁同步电机历史运行数据中特征变量M=3,为温度、噪声、震动,m=2,为任意两个特征变量的组合,纵坐标输出Y为三相电流值评判电机是否故障的数据集。
对于分类树的每个节点,从M个特征向量中随机选择m个特征向量,按照节点基尼(Gini)指数最小原则从选择的m个特征向量中选择一个特征作为该节点的分类属性,即,按照节点纯度最大的最优划分原则从m个特征向量中选择一个特征作为该节点的分类属性。其中,Pj为分类类别j出现的概率,n为采样的样本个数。
根据选择的作为分类属性的特征,将相应节点分成两个分支,针对分成的分支从剩下的特征中再次寻找分类效果最好的特征,即再次选择一个特征作为相应节点的分类属性,即重复前述划分节点的步骤,构造分类树的分支,并不进行剪枝,直至所有属性用完为止,分类树已经可以准确的进行分类训练,得到k种分类结果。例如,可参考如图3所示的分类树示意图,建立三棵分类树,一次次比较出较大影响的,第一次分类类别为有影响和无影响,第二次分类为较大影响和较小影响,再次分类,分为非常大,一般大。
步骤S13,对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
在分类中使用投票原则,分类标签为所有分类树的结果。
例如,其他影响因素包括温度、噪声和震动,建立三棵分类树,其分类树示意图如图3所示,一次次比较出较大影响的,第一次分类类别为有影响和无影响,第二次分类为较大影响和较小影响,再次分类,分为非常大,一般大,若出现一棵分类树最终分类结果一致,则需要一直分类直到选择出相对更大的,最终根据投票结果选择哪棵分类树的结果最好,即选择出了三个里影响最大的影响因素ΔC。
上述采用随机森林算法对电机失效的其他影响因素进行排序,得到电机失效的次要影响因素的具体流程还可以参考图4所示。
步骤a1:利用bootstrap重采样方法从原始数据样本集中(电机历史运行数据中特征变量M=3为温度、噪声、震动,m=2为任意两个的组合,纵坐标输出Y为三相电流值评判电机是否故障的数据集)抽取一定比例的样本生成k个采样样本集,每个采样样本集对应一颗分类树,得到k种分类结果,对k种分类结果进行投票完成最终分类。原始数据中没有被抽中的样本数据称为袋外数据OOB(Out-Of-Bag),OOB被用来评估分类器的分类正确率。
步骤a2:利用每个采样的样本集,生长为单棵分类树。在树的每个节点,从M个特征向量中随机挑选m个特征向量,按照节点基尼(Gini)指数最小,即节点纯度最大的最优划分原则,从m个特征向量中选择一个特征作为该节点的分类属性。
步骤a3:根据上一步骤选择出来的特征将节点分成两个分支,从剩下的特征中再次寻找分类效果最好的特征,即重复步骤a2,构造分类树的分支,并不进行剪枝,直至所有属性用完为止,分类树已经可以准确的进行分类训练。
步骤a4:在分类中使用投票原则,分类标签为所有分类树的结果。
可选地,上述永磁同步电机的剩余寿命模型中的权重参数和阈值可以采用布谷鸟搜索算法进行优化。即,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
具体地,采用自适应变步长变概率的布谷鸟搜索算法(Adaption Cuckoo Search,简称ACS)优化所述剩余寿命模型中的权重参数和阈值;在实际运行中,通过监测等方式得到所需要的参数。
布谷鸟搜索算法是基于布谷鸟种群的繁衍寄生特点进行的寻优搜索方式。布谷鸟产出自己的鸟蛋后,不会自己将其孵化,而是将鸟蛋随机放入其他种族的鸟巢中,由其他种族的鸟将布谷鸟的鸟蛋孵化出,被寄生的种族发现不是亲生的概率为pa∈[0,1]。它遵循三点准则如下:
1、布谷鸟一次只能产出一个鸟蛋,并且会把鸟蛋丢在随机的其他种族的某个鸟巢中。
2、只有能孵化出最优的鸟蛋的鸟巢才会被保留到下一代。
3、鸟巢的总数量是固定的,并且被其他种族发现不是亲生的概率为pa∈[0,1]。
布谷鸟算法是基于莱维飞行进行路径搜索的,
图5示出了采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值的步骤的一具体实施方式的流程示意图。如图5所示,具体可以包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。
步骤S21,初始化布谷鸟算法的计算参数,所述计算参数,包括:鸟巢数量、初始步长、发现概率、莱维飞行参数、鸟巢位置、鸟巢位置的最大值和最小值以及最大迭代次数。
初始化鸟巢数量N,初始步长α0、发现概率pa以及莱维飞行参数γ,鸟巢位置Xi(i=1,2,3......N),位置的最大值Xmax和最小值Xmin;最大迭代次数MAX。
步骤S22,分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度。
计算目标函数值f(t)=piiub t+qTTub t+ωΔC-H≥0,鸟巢位置最优结果对应为p、q、ω、H,鸟巢的拟合度即为目标函数值。
步骤S23,根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;
根据各个鸟巢的拟合度,得到第一代最优的鸟巢位置Xb1,计算自适应步长α,其中,当更新后的鸟巢位置与更新前的鸟巢位置的距离很短时,增大搜索步长,重新搜索鸟巢位置使用较好的鸟巢位置替代上一代中较差的鸟巢位置,更新拟合度。
其中,α0为初始步长。
步骤S24,根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置Xb2。
其中,若Xb2>Xb1,则记第二代最优鸟巢位置为Xb2,否则,记第二代最优鸟巢位置为Xb1,记每次更新后的最优鸟巢位置为Xb。
步骤S25,更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新。
具体地,更新自适应概率pa,当与最优位置鸟巢差值越大时,意味着被发现的概率越小,所以此时要增大pa。设置一个随机数rand[0,1],若pa<rand[0,1],则随机选择鸟巢位置进行更新,用较好的鸟巢位置替代较差的鸟巢位置,否则,鸟巢位置不变,其中:
步骤S26,找到第三代最优鸟巢位置Xb3,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值,否则,返回步骤S23。
上述采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值的步骤,通过改进布谷鸟算法,改进自适应的步长和搜索概率,可以有效地缩短搜索时间,避免陷入局部最优解。上述采用布谷鸟搜索算法优化所述剩余寿命模型中的权重参数和阈值的算法流程图还可以参考图6所示。
图6示出了根据本发明的改进的布谷鸟算法的一种具体实施方式的流程图。如图6所示,改进的布谷鸟算法的步骤如下:
步骤b1:初始化参数,初始化鸟巢数量N,步长α0、发现概率pa以及莱维飞行参数γ,鸟巢位置Xi(i=1,2,3......N),位置的最大值和最小值Xmax、Xmin;最大迭代次数MAX。
步骤b2:计算目标函数值,f(t)=piiub t+qTTub t+ωΔC-H≥0,鸟巢位置最优结果对应为p、q、ω、H,鸟巢的拟合度为目标函数值。
步骤b3:根据各个鸟巢的拟合度,得到第一代最优的鸟巢位置Xb1,计算自适应步长α,当更新后的距离与更新前的距离很短时,增大搜索步长,重新搜索鸟巢位置使用较好的鸟巢位置替代上一代中较差的鸟巢位置,更新拟合度。
其中α0为初始步长。
步骤b4:根据更新的位置重新计算拟合度值,若Xb2>Xb1,则另第二代最优鸟巢位置为Xb2,否则,第二代最优鸟巢位置为Xb1,记每次更新后的最优鸟巢位置为Xb。
步骤b5:更新自适应概率pa,当与最优位置鸟巢差值越大时,意味着被发现的概率越小,所以此时要增大pa。设置一个随机数rand[0,1],若pa<rand[0,1],则随机选择鸟巢位置进行更新,用较好的鸟巢位置替代较差的鸟巢位置,否则,位置不变。
步骤b6:找到第三代最优鸟巢位置Xb3,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,若不满足,则返回步骤3。
步骤S120,获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练。
ARIMA模型即自回归滑动平均模型,是一种针对非线性平稳时间序列良好的预测方法,ARIMA模型有三种形式,分别为自回归形式(AR)、移动平均模型(MA)和ARIMA(p,q,d),其中p为自回归阶数,q为移动平均阶数,d为差分次数。
对应于三相电流和电磁转矩的自回归滑动平均模型(ARIMA)有两个,分别为:
Yt=φ1Yt-1+φ2Yt-2+...+φpYt-p+εt+θ1εt-1+θ2εt-2+...+θqεt-q
Rt=φ1'Rt-1+φ2'Rt-2+...+φp'Rt-p+εt'+θ1'εt-1'+θ2'εt-2'+...+θq'εt-q'
Ct=φ1”Ct-1+φ2”Ct-2+...+φp”Ct-p+εt”+θ1”εt-1”+θ2”εt-2”+...+θq”εt-q”
其中,AR(自回归)模型为:
Yt=φ1Yt-1+φ2Yt-2+...+φpYt-p+εt;
Rt=φ1'Rt-1+φ2'Rt-2+...+φp'Rt-p+εt'
Ct=φ1”Ct-1+φ2”Ct-2+...+φp”Ct-p+εt”
其中,Yt-1、Yt-2、...、Yt-p表示t时刻之前的历史时刻的三相电流值;Rt-1、Rt-2、…、Rt-p表示t时刻之前的历史时刻的电磁转矩值;Ct-1、Ct-2、...、Ct-p表示t时刻之前的历史时刻的次要影响因素值,例如温度。φ1、φ2、...φp表示历史时刻三相电流值的权重;φ1'、φ2'、...φp'表示历史时刻电磁转矩值的权重;φ1”、φ2”、...φp”表示历史时刻次要因素的权重;εt、εt'、εt”分别表示t时刻的三相电流值、电磁转矩、次要影响因素的误差项;θ1、θ2、...θq表示三相电流误差项的权重;θ1'、θ2'、...θq'表示电磁转矩误差项的权重;θ1”、θ2”、...θq”表示次要因素的权重。
MA(滑动平均)模型为:
Yt=εt+θ1εt-1+θ2εt-2+...+θqεt-q
Rt=εt'+θ1'εt-1'+θ2'εt-2'+...+θq'εt-q'
Ct=εt”+θ1”εt-1”+θ2”εt-2”+...+θq”εt-q”
其中,εt、εt-1、...εt-q表示三相电流的高斯白噪声;εt'、εt-1'、...εt-q'表示电磁转矩的高斯白噪声;εt”、εt-1”、...εt-q”表示次要因素的高斯白噪声。其余各项同AR的表述。
图7示出了获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练的步骤的一种具体实施方式的流程图。如图7所示,进行ARIMA模型训练具体可以包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31,对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数。
具体地,对使用的时间序列进行平稳性检验,当检验出任一时间序列为非平稳性序列时,经过差分处理对其进行平稳化处理,直至达到平稳,从而得到ARIMA模型的差分次数。
Yt与Yt-k之间的自相关系数ACF和偏自相关系数PACF分别为:
当该时间序列的ACF和PACF既不截尾也不拖尾时,可以判定为非平稳序列。本发明用于永磁同步电机的剩余寿命预测,选用三相电流和电磁转矩的时间序列,明显具有非平稳性,当检验出序列为非平稳性序列时,需要经过差分处理对序列进行平稳化处理,直至数据达到平稳。由此可通过差分处理的次数确定ARIMA模型差分次数d值。
步骤S32,确定所述ARIMA模型中的自回归阶数p和移动平均阶数q,并确定模型的阶数(模型迭代次数)。
在一种具体实施方式中,使用AIC准则确定p、q的值。具体地,使用AIC准则,根据自相关系数ACF和偏自相关系数PACF的截尾拖尾特性选择合适的p、q值。如果ACF在q步截尾,PACF呈负指数衰减并具有拖尾性,则p=0;如果ACF具有拖尾性,PACF在p步截尾,则q=0;如果ACF在q步截尾,PACF在p步截尾,初步确定p、d、q的值,但还需进一步确定是否为最佳选择,使用AIC准则确定模型的阶数,当准则函数值最小时,认为模型最佳,认为原始数据的拟合程度最高。
AIC=μln(σ2)+2(p+q+1)
其中,σ2为模型残差方差,μ为观测的输入输出样本数。
步骤S33,检验所述ARIMA模型适用性,并进行模型参数检验。
具体地,检验ARIMA模型适用性,即白噪声检验,利用χ2分布检验方法对残差序列自相关系数进行检验,如果自相关系数除一阶外其他阶均显著为0,则认定为白噪音,证明模型正确,未丢失重要信息。使用最小二乘法对参数进行估计,检验参数p、d、q是否具有统计意义。
步骤S34,根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
步骤S130,根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
具体地,使用三相电流、电磁转矩和电机失效的次要因素的时间序列作为输入,使用ARIMA模型进行训练预测得到预测的三相电流、电磁转矩和次要因素的t时刻值,代入到剩余寿命模型f(t)=piiub t+qTTub t+ωΔC-H≥0中,得到t时刻即为永磁同步电机失效时刻。
为清楚说明本发明技术方案,下面再以一个具体实施例对本发明提供的永磁同步电机剩余生命预测方法的执行流程进行描述。
图8是本发明提供的永磁同步电机剩余生命预测方法的一具体实施例的方法示意图。如图8所示,选择三相电流和电磁转矩为主要因素建立剩余寿命模型,使用随机森林选择次要因素;使用改进的布谷鸟算法找到最优的权重和阈值;建立ARIMA模型。选择三相电流、电磁转矩和得到的次要因素时间序列作为训练集,对使用的时间序列进行平稳性检验,经过差分处理对序列进行平稳化处理,直至数据达到平稳性,由此通过差分的次数确定d值。根据ACF、PACF和AIC准则确定ARIMA(p、d、q)中的p、q值。检验模型适用性,即白噪声检验。模型参数检验。使用最小二乘法对参数进行估计,检验p、d、q是否具有统计意义。使用三相电流和电磁转矩和次要因素的时间序列作为输入,使用ARIMA模型进行训练预测得到预测的三相电流、电磁转矩和次要因素的t时刻值,代入到剩余寿命模型中,得到t时刻即为永磁同步电机失效时刻。
本发明提供一种永磁同步电机剩余寿命预测装置,能够预测永磁同步电机的失效时刻。
图9是本发明提供的永磁同步电机剩余寿命预测装置的一实施例的结构示意图。如图9所示,根据本发明的一个实施例,所述剩余寿命预测装置100包括建立单元110、训练单元120和预测单元130。
建立单元110用于将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型。
永磁同步电机的故障类型例如可以包括电气故障。电气故障主要由线圈中相邻绕组间绝缘失效导致的线圈之间的短路故障与断路故障、相间短路故障引起的电气故障,这些故障的发生会导致三相电流发生波动,甚至使绕组产生过热的现象,因此,使用三相电流不平衡度和/或电磁转矩的不平衡度作为预测电机剩余寿命的主要性能评定指标,建立剩余寿命模型如下:
f(t)=piiub t+qTTub t+ωΔC-H≥0
其中,f(t)为t时刻电机达到了失效判定条件,即f(t)≥0时,预测的t时刻为剩余寿命时间。iub t为t时刻三相电流不平衡度,Tub t为t时刻的电磁转矩的不平衡度,ia t、ib t、ic t分别为t时刻的三相电流幅值,Tmax Δt、Tmin t分别为Δt时间段内电磁转矩的最大值和最小值;pi、qT、ω分别为相应参数的权重值,a=ej120°,H为阈值,ΔC为次要影响因素,根据本发明的一种具体实施方式,次要影响因素ΔC通过随机森林算法得到。
若只考虑了三相电流不平衡度和电磁转矩的不平衡度作为主要性能评定指标,其中还有一些因素产生变化也意味着电机即将失效,比如温度的显著差异和明显的噪声等等。
可选地,所述装置100还包括:选择单元(图未示),用于采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素。
具体地,采用随机森林算法对电机失效的其他影响因素进行重要性排序,得到其他影响因素中对电机失效影响最大的影响因素,作为电机失效的次要影响因素。也就是说,基于随机森林(RF)对可以衡量电机失效的其他影响因素进行重要性排序,选择影响最大的因素作为次要因素ΔC,随机森林是由很多决策树组成的组合回归模型,利用分类和回归树(CART)进行单个分类树的成长,生成的分类树不进行剪枝。其基本思想为利用bootstrap重采样方法从原始数据样本集中抽取一定比例的样本生成k个采样样本集,每个采样样本集对应一颗分类树,得到k种分类结果,对k种分类结果进行投票完成最终分类。
图2示出了采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素的步骤的一种具体实施方式的流程示意图。如图2所示,在一种具体实施方式中,步骤S120包括步骤S11、步骤S12和步骤S13。
步骤S11,利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集。
所述原始数据样本集即电机失效的其他影响因素的数据样本的集合。所述其他影响因素例如可以包括:温度、噪声和/或震动。
步骤S12,利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果。
具体地,k个采样样本集中的每个采样样本集对应一颗分类树,对于分类树的每个节点,从M个特征向量中随机选择m个特征向量,特征变量数量为M,m为输入特征变量数目,用于确定分类树上一个节点的决策结果,m应远小于M。例如,永磁同步电机历史运行数据中特征变量M=3,为温度、噪声、震动,m=2,为任意两个特征变量的组合,纵坐标输出Y为三相电流值评判电机是否故障的数据集。
对于分类树的每个节点,从M个特征向量中随机选择m个特征向量,按照节点基尼(Gini)指数最小原则从选择的m个特征向量中选择一个特征作为该节点的分类属性,即,按照节点纯度最大的最优划分原则从m个特征向量中选择一个特征作为该节点的分类属性。其中,Pj为分类类别j出现的概率,n为采样的样本个数。
根据选择的作为分类属性的特征,将相应节点分成两个分支,针对分成的分支从剩下的特征中再次寻找分类效果最好的特征,即再次选择一个特征作为相应节点的分类属性,即重复前述划分节点的步骤,构造分类树的分支,并不进行剪枝,直至所有属性用完为止,分类树已经可以准确的进行分类训练,得到k种分类结果。例如,可参考如图3所示的分类树示意图,建立三棵分类树,一次次比较出较大影响的,第一次分类类别为有影响和无影响,第二次分类为较大影响和较小影响,再次分类,分为非常大,一般大。
步骤S13,对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
在分类中使用投票原则,分类标签为所有分类树的结果。
例如,其他影响因素包括温度、噪声和震动,建立三棵分类树,其分类树示意图如图3所示,一次次比较出较大影响的,第一次分类类别为有影响和无影响,第二次分类为较大影响和较小影响,再次分类,分为非常大,一般大,若出现一棵分类树最终分类结果一致,则需要一直分类直到选择出相对更大的,最终根据投票结果选择哪棵分类树的结果最好,即选择出了三个里影响最大的影响因素ΔC。
可选地,所述装置100还包括:优化单元(图未示),用于采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
具体地,采用自适应变步长变概率的布谷鸟搜索算法(Adaption Cuckoo Search,简称ACS)优化所述剩余寿命模型中的权重参数和阈值;在实际运行中,通过监测等方式得到所需要的参数。
布谷鸟搜索算法是基于布谷鸟种群的繁衍寄生特点进行的寻优搜索方式。布谷鸟产出自己的鸟蛋后,不会自己将其孵化,而是将鸟蛋随机放入其他种族的鸟巢中,由其他种族的鸟将布谷鸟的鸟蛋孵化出,被寄生的种族发现不是亲生的概率为pa∈[0,1]。它遵循三点准则如下:
1、布谷鸟一次只能产出一个鸟蛋,并且会把鸟蛋丢在随机的其他种族的某个鸟巢中。
2、只有能孵化出最优的鸟蛋的鸟巢才会被保留到下一代。
3、鸟巢的总数量是固定的,并且被其他种族发现不是亲生的概率为pa∈[0,1]。
布谷鸟算法是基于莱维飞行进行路径搜索的,
图5示出了采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值的步骤的一具体实施方式的流程示意图。如图5所示,具体可以包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。
步骤S21,初始化布谷鸟算法的计算参数,所述计算参数,包括:鸟巢数量、初始步长、发现概率、莱维飞行参数、鸟巢位置、鸟巢位置的最大值和最小值以及最大迭代次数。
初始化鸟巢数量N,初始步长α0、发现概率pa以及莱维飞行参数γ,鸟巢位置Xi(i=1,2,3......N),位置的最大值Xmax和最小值Xmin;最大迭代次数MAX。
步骤S22,分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度。
计算目标函数值f(t)=piiub t+qTTub t+ωΔC-H≥0,鸟巢位置最优结果对应为p、q、ω、H,鸟巢的拟合度即为目标函数值。
步骤S23,根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;
根据各个鸟巢的拟合度,得到第一代最优的鸟巢位置Xb1,计算自适应步长α,其中,当更新后的鸟巢位置与更新前的鸟巢位置的距离很短时,增大搜索步长,重新搜索鸟巢位置使用较好的鸟巢位置替代上一代中较差的鸟巢位置,更新拟合度。
其中,α0为初始步长。
步骤S24,根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置Xb2。
其中,若Xb2>Xb1,则记第二代最优鸟巢位置为Xb2,否则,记第二代最优鸟巢位置为Xb1,记每次更新后的最优鸟巢位置为Xb。
步骤S25,更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新。
具体地,更新自适应概率pa,当与最优位置鸟巢差值越大时,意味着被发现的概率越小,所以此时要增大pa。设置一个随机数rand[0,1],若pa<rand[0,1],则随机选择鸟巢位置进行更新,用较好的鸟巢位置替代较差的鸟巢位置,否则,鸟巢位置不变,其中:
步骤S26,找到第三代最优鸟巢位置Xb3,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值,否则,返回步骤S23。
上述采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值的步骤,通过改进布谷鸟算法,改进自适应的步长和搜索概率,可以有效地缩短搜索时间,避免陷入局部最优解。上述采用布谷鸟搜索算法优化所述剩余寿命模型中的权重参数和阈值的算法流程图还可以参考图6所示。
训练单元120用于获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练。
ARIMA模型即自回归滑动平均模型,是一种针对非线性平稳时间序列良好的预测方法,ARIMA模型有三种形式,分别为自回归形式(AR)、移动平均模型(MA)和ARIMA(p,q,d),其中p为自回归阶数,q为移动平均阶数,d为差分次数。
对应于三相电流和电磁转矩的自回归滑动平均模型(ARIMA)有两个,分别为:
Yt=φ1Yt-1+φ2Yt-2+...+φpYt-p+εt+θ1εt-1+θ2εt-2+...+θqεt-q
Rt=φ1'Rt-1+φ2'Rt-2+...+φp'Rt-p+εt'+θ1'εt-1'+θ2'εt-2'+...+θq'εt-q'
Ct=φ1”Ct-1+φ2”Ct-2+...+φp”Ct-p+εt”+θ1”εt-1”+θ2”εt-2”+...+θq”εt-q”
其中,AR(自回归)模型为:
Yt=φ1Yt-1+φ2Yt-2+...+φpYt-p+εt;
Rt=φ1'Rt-1+φ2'Rt-2+...+φp'Rt-p+εt'
Ct=φ1”Ct-1+φ2”Ct-2+...+φp”Ct-p+εt”
其中,Yt-1、Yt-2、...、Yt-p表示t时刻之前的历史时刻的三相电流值;Rt-1、Rt-2、…、Rt-p表示t时刻之前的历史时刻的电磁转矩值;Ct-1、Ct-2、...、Ct-p表示t时刻之前的历史时刻的次要影响因素值,例如温度。φ1、φ2、...φp表示历史时刻三相电流值的权重;φ1'、φ2'、...φp'表示历史时刻电磁转矩值的权重;φ1”、φ2”、...φp”表示历史时刻次要因素的权重;εt、εt'、εt”分别表示t时刻的三相电流值、电磁转矩、次要影响因素的误差项;θ1、θ2、...θq表示三相电流误差项的权重;θ1'、θ2'、...θq'表示电磁转矩误差项的权重;θ1”、θ2”、...θq”表示次要因素的权重。
MA(滑动平均)模型为:
Yt=εt+θ1εt-1+θ2εt-2+...+θqεt-q
Rt=εt'+θ1'εt-1'+θ2'εt-2'+...+θq'εt-q'
Ct=εt”+θ1”εt-1”+θ2”εt-2”+...+θq”εt-q”
其中,εt、εt-1、...εt-q表示三相电流的高斯白噪声;εt'、εt-1'、...εt-q'表示电磁转矩的高斯白噪声;εt”、εt-1”、...εt-q”表示次要因素的高斯白噪声。其余各项同AR的表述。
图7示出了获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练的步骤的一种具体实施方式的流程图。如图7所示,进行ARIMA模型训练具体可以包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31,对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数。
具体地,对使用的时间序列进行平稳性检验,当检验出任一时间序列为非平稳性序列时,经过差分处理对其进行平稳化处理,直至达到平稳,从而得到ARIMA模型的差分次数。
Yt与Yt-k之间的自相关系数ACF和偏自相关系数PACF分别为:
当该时间序列的ACF和PACF既不截尾也不拖尾时,可以判定为非平稳序列。本发明用于永磁同步电机的剩余寿命预测,选用三相电流和电磁转矩的时间序列,明显具有非平稳性,当检验出序列为非平稳性序列时,需要经过差分处理对序列进行平稳化处理,直至数据达到平稳。由此可通过差分处理的次数确定ARIMA模型差分次数d值。
步骤S32,确定所述ARIMA模型中的自回归阶数p和移动平均阶数q,并确定模型的阶数(模型迭代次数)。
在一种具体实施方式中,使用AIC准则确定p、q的值。具体地,使用AIC准则,根据自相关系数ACF和偏自相关系数PACF的截尾拖尾特性选择合适的p、q值。如果ACF在q步截尾,PACF呈负指数衰减并具有拖尾性,则p=0;如果ACF具有拖尾性,PACF在p步截尾,则q=0;如果ACF在q步截尾,PACF在p步截尾,初步确定p、d、q的值,但还需进一步确定是否为最佳选择,使用AIC准则确定模型的阶数,当准则函数值最小时,认为模型最佳,认为原始数据的拟合程度最高。
AIC=μln(σ2)+2(p+q+1)
其中,σ2为模型残差方差,μ为观测的输入输出样本数。
步骤S33,检验所述ARIMA模型适用性,并进行模型参数检验。
具体地,检验模型适用性,即白噪声检验,利用χ2分布检验方法对残差序列自相关系数进行检验,如果自相关系数除一阶外其他阶均显著为0,则认定为白噪音,证明模型正确,未丢失重要信息。使用最小二乘法对参数进行估计,检验参数p、d、q是否具有统计意义。
步骤S34,根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
预测单元130用于根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
具体地,使用三相电流、电磁转矩和电机失效的次要因素的时间序列作为输入,使用ARIMA模型进行训练预测得到预测的三相电流、电磁转矩和次要因素的t时刻值,代入到剩余寿命模型f(t)=piiub t+qTTub t+ωΔC-H≥0中,得到t时刻即为永磁同步电机失效时刻。
本发明还提供对应于所述永磁同步电机剩余寿命预测方法的一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
据此,本发明提供的方案,选择三相电流的不平衡度和电磁转矩不平衡度作为主要评判指标,建立剩余寿命模型,实现了永磁同步电机剩余寿命的预测,能够提高电机稳定性、节约维修成本,保护电机。
根据本发明的技术方案,采用随机森林算法对电机失效的其他影响因素进行重要性排序,从而选出电机失效的次要影响因素,使因素选择合理有效,并且,考虑到多因素,使剩余寿命模型更加精准。
根据本发明的技术方案,通过改进的布谷鸟算法对剩余寿命模型的权重参数和阈值进行优化,改进自适应的步长和搜索概率,可以有效地缩短搜索时间,避免陷入局部最优解。
根据本发明的技术方案,使用ARIMA模型进行训练预测得到预测的三相电流、电磁转矩和次要因素的t时刻值,代入到剩余寿命模中,得到永磁同步电机失效时刻,使预测模型更加合理,预测的更加精准,并且提高了预测速度。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为控制装置的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (11)
1.一种永磁同步电机剩余寿命预测方法,其特征在于,包括:
将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型;
获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练;
根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
2.根据权利要求1所述的方法,其特征在于,还包括:
采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素;
和/或,
采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
3.根据权利要求2所述的方法,其特征在于,采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素,包括:
利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集;
利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果;
对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
4.根据权利要求2或3所述的方法,其特征在于,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值,包括:
初始化布谷鸟算法的计算参数;
分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度;
根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;
根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置;
更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新;
找到第三代最优鸟巢位置,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值。
5.根据权利要求1-4任一项所述的方法,其特征在于,获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练,包括:
对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数;
确定所述ARIMA模型中的自回归阶数和移动平均阶数,并确定模型的阶数;
检验所述ARIMA模型的适用性,并进行所述ARIMA模型的参数检验;
根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
6.一种永磁同步电机剩余寿命预测装置,其特征在于,包括:
建立单元,用于将三相电流不平衡度和/或电磁转矩不平衡度作为电机失效的主要影响因素,建立永磁同步电机的剩余寿命模型;
训练单元,用于获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练;
预测单元,用于根据所述ARTMA模型预测得到所述三相电流、电磁转矩和次要影响因素t时刻的值,并代入到所述剩余寿命模型中得到所述永磁同步电机的失效时刻。
7.根据权利要求6所述的装置,其特征在于,还包括:
选择单元,用于采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素;
和/或,
优化单元,用于采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值。
8.根据权利要求7所述的装置,其特征在于,所述选择单元,采用随机森林算法对电机失效的其他影响因素进行重要性排序,以选出所述剩余寿命模型中的电机失效的次要影响因素,包括:
利用bootstrap重采样方法从原始数据样本集中抽取预设比例的样本,生成k个采样样本集;
利用生成的k个采样样本集中每个所述采样样本集生长为单棵分类树,得到k种分类结果;
对得到的k种分类结果按照预设投票规则进行投票,确定结果最好的分类树,从而确定电机失效的其他影响因素中对电机失效影响最大的因素作为次要影响因素。
9.根据权利要求7或8所述的装置,其特征在于,所述优化单元,采用布谷鸟搜索算法优化所述永磁同步电机的剩余寿命模型中的权重参数和阈值,包括:
初始化布谷鸟算法的计算参数;
分别计算各个鸟巢位置的目标函数值,作为各个鸟巢的拟合度;
根据计算的各个鸟巢的拟合度,得到第一代最优鸟巢位置,并计算自适应步长,进行鸟巢位置的更新;
根据更新的鸟巢位置重新计算鸟巢的拟合度,得到第二代最优鸟巢位置;
更新自适应概率,根据第二代最优鸟巢位置进行鸟巢位置的更新;
找到第三代最优鸟巢位置,若达到最大迭代次数MAX以及满足目标函数值,则输出鸟巢位置,得到优化后的权重参数和阈值。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述预测单元,获取所述永磁同步电机的三相电流、电磁转矩以及电机失效的次要影响因素的时间序列作为训练集,进行ARIMA模型训练,包括:
对所述三相电流、电磁转矩和次要影响因素的时间序列进行平稳性检验,以得到ARIMA模型的差分次数;
确定所述ARIMA模型中的自回归阶数和移动平均阶数,并确定模型的阶数;
检验所述ARIMA模型的适用性,并进行所述ARIMA模型的参数检验;
根据确定的自回归阶数、移动平均阶数和差分次数进行ARTMA模型训练。
11.一种存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1-5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874890.9A CN113591989A (zh) | 2021-07-30 | 2021-07-30 | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874890.9A CN113591989A (zh) | 2021-07-30 | 2021-07-30 | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591989A true CN113591989A (zh) | 2021-11-02 |
Family
ID=78253126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110874890.9A Pending CN113591989A (zh) | 2021-07-30 | 2021-07-30 | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591989A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818393A (zh) * | 2022-06-28 | 2022-07-29 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
EP4178101A1 (de) * | 2021-11-03 | 2023-05-10 | Siemens Aktiengesellschaft | Verfahren und systeme zur schwingungsbasierten zustandsüberwachung von elektrischen rotatorischen maschinen |
-
2021
- 2021-07-30 CN CN202110874890.9A patent/CN113591989A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4178101A1 (de) * | 2021-11-03 | 2023-05-10 | Siemens Aktiengesellschaft | Verfahren und systeme zur schwingungsbasierten zustandsüberwachung von elektrischen rotatorischen maschinen |
CN114818393A (zh) * | 2022-06-28 | 2022-07-29 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
CN114818393B (zh) * | 2022-06-28 | 2023-04-14 | 北京芯可鉴科技有限公司 | 半导体器件失效时刻预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101768438B1 (ko) | 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템 | |
CN113591989A (zh) | 一种永磁同步电机剩余寿命预测方法、装置及存储介质 | |
US20160232637A1 (en) | Shipment-Volume Prediction Device, Shipment-Volume Prediction Method, Recording Medium, and Shipment-Volume Prediction System | |
CN111199244B (zh) | 一种数据的分类方法、装置、存储介质及电子装置 | |
US20170161628A1 (en) | Maintenance period determination device, deterioration estimation system, deterioration estimation method, and recording medium | |
US20150269120A1 (en) | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium | |
US20160210681A1 (en) | Product recommendation device, product recommendation method, and recording medium | |
JPH1196010A (ja) | 分類装置 | |
US20160224998A1 (en) | Order-volume determination device, order-volume determination method, recording medium, and order-volume determination system | |
CN111260243A (zh) | 风险评估方法、装置、设备及计算机可读存储介质 | |
US20210081800A1 (en) | Method, device and medium for diagnosing and optimizing data analysis system | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
JP2020046891A (ja) | 予測プログラム、予測方法および学習装置 | |
CN110909453A (zh) | 一种基于eemd的输电线路覆冰等级预测方法 | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN116881752A (zh) | 数据的聚类方法和装置、存储介质及电子设备 | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
CN115062685A (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
CN110570093B (zh) | 一种业务拓展渠道自动管理的方法和装置 | |
JP7506229B1 (ja) | 診断装置、診断方法、診断プログラム、及び診断システム | |
JP6611268B2 (ja) | 特定装置、分析システム、特定方法及び特定プログラム | |
Chellapilla et al. | Optimization of bilinear time series models using fast evolutionary programming | |
CN113825151B (zh) | 基于关系图卷积网络的切片告警间关系预测方法及装置 |
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 |