CN114019371A - 一种基于高斯过程回归的电机极端工况的温度预测系统 - Google Patents

一种基于高斯过程回归的电机极端工况的温度预测系统 Download PDF

Info

Publication number
CN114019371A
CN114019371A CN202111201496.5A CN202111201496A CN114019371A CN 114019371 A CN114019371 A CN 114019371A CN 202111201496 A CN202111201496 A CN 202111201496A CN 114019371 A CN114019371 A CN 114019371A
Authority
CN
China
Prior art keywords
data
gaussian process
process regression
training
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.)
Granted
Application number
CN202111201496.5A
Other languages
English (en)
Other versions
CN114019371B (zh
Inventor
陈俐
王子垚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111201496.5A priority Critical patent/CN114019371B/zh
Publication of CN114019371A publication Critical patent/CN114019371A/zh
Application granted granted Critical
Publication of CN114019371B publication Critical patent/CN114019371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (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)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (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)

Abstract

本发明涉及一种基于高斯过程回归的电机极端工况的温度预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。与现有技术相比，本发明具有全工况预测、成本低等优点。

Description

一种基于高斯过程回归的电机极端工况的温度预测系统
技术领域
本发明涉及电机运行状态监测领域，尤其是涉及一种基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统。
背景技术
由于科技水平的提升与工业规模的扩大，环境污染问题逐渐突显出来，对经济与社会发展均产生不利影响。对于船舶、汽车等传统工业，需消耗大量能源，污染排放量也偏高，为实现传统工业的可持续发展，必须科学合理地采用节能环保措施，如采用更加清洁环保的电力驱动。其中，电机就是船舶、汽车电力驱动中的关键设备。
电机在运行过程中，其内部重要部位(定子、绕组、永磁体、转子等，如图1所示)的温度值得重视。一方面，从理论上来说，电机发热的因素跟电机的各类损耗有关，所以研究和观测电机的温度，有助于研究和预测电机的各类损耗，进而有助于提高电机的效率；另一方面，电机的效率会受到其中永磁体性能的显著影响，而永磁体随着温度的升高会出现使其性能恶化的退磁现象，所以研究和观测电机的温度，有助于保证电机运行的可靠性和使用寿命，但由于在实际使用中，电机内部重要部位无法放置温度传感器，导致其温度无法直接观测，只能考虑去预测(估计)其温度。
当电机在常规工况(额定工况或者设计工况)下运行时，其内部的温度会保持在可接收或可大致估计的范围。但当电机超出额定工况或设计工况后，即处于极端工况时，其内部的温度很可能会超出可接受的范围，导致电机部件受损、可靠性下降、寿命降低。
目前已有的电机内部温度预测方法，据所知，没有针对极端工况的方法；针对常规工况，有简化公式法、等效热路法、有限元法和数据分析法：
(1)简化公式法：简化公式法利用牛顿散热公式，假设电机内由各类损耗产生的所有热量只通过机壳冷却表面散出，而槽内绕组有效部分和端部绕组之间不存在热交换，所以只能将电机或其中部分看作一个整体，估算整体铁芯或绕组的平均温升。虽然这样的假设存在不合理，准确性较差，但采用的经验系数都是通过实验确定的，计算简单且实用，该方法常用于电机制造厂的电机温升估算。
(2)等效热路法：等效热路法采用少量的集中热源和等值热阻代替电机中的热源和热阻，并且认为它们与热流大小无关，将温度场转化成带有集中参数的热路问题进行计算。其优点在于公式简单，便于手算，工作量小，总体结果基本与实际相符；其缺点是同样只能计算铁芯或绕组的平均温度，不能得到温度的分布情况以及过热点的温度数值和位置。
(3)有限元法：有限元法将偏微分方程边值问题转化成相应的等价条件变分问题，再将待求解区域离散化成多个单元，对所有单元进行分析，并通过总体合成进而形成关于温度的代数方程组，最后利用数学方法求解。该方法的优点是剖分单元灵活，边界适应性良好，且准确度高，但缺点在于边界处理较困难，对计算机要求较高，计算时间长。
(4)数据模型法：实验环境中，在电机内部的重要部位放置温度传感器，采集其温度数据；并采集电机实际使用过程中可获取的数据，如转速、扭矩等。将这些数据作为训练数据集，用于训练建立电机的机器学习模型。那么在实际使用中，将可获取的数据输入机器学习模型，即可得到对电机内部重要部位的温度的预测值。通过合理选择、调试机器学习模型，该方法可以获得较高的预测精度，且一般仅在训练模型时对计算机算力要求较高，在实际预测时对算力要求不高。但该方法获取的训练数据，大部分是常规工况下的数据，所训练出来的模型也仅在常规工况下预测精度较高；若要增加训练数据中极端工况数据的比例，则需要昂贵的实验成本，甚至是在实验室的条件下无法实现的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯过程回归的电机极端工况的温度预测系统。
本发明的目的可以通过以下技术方案来实现：
一种基于高斯过程回归的电机极端工况的温度预测系统，用以实现电机内部重要部位的温度值，该系统包括：
常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；
终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；
数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；
服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；
人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。
系统输入数据具体为电机在运行过程中的转速、扭矩、电流和电压数据，系统输出数据具体为电机在运行过程中内部定子、绕组、永磁体和/或转子位置处的温度值，环境数据具体为电机在运行过程中所处的温度、大气压以及量化后的振动数据，所述的常规工况数据为时间序列数据，具体为按照设定的采样频率采集一段时间间隔内随时间变化的序列。
所述的常规工况数据采集单元通过温红外热成像仪、温度传感器、电压传感器、速度传感器和扭矩传感器作为传感设备采集常规工况数据。
所述的服务器单元中，通过数据预处理单元对常规工况数据并进行预处理，包括去奇异值、平滑和归一化处理，并进行整理数据形式后随机选取部分训练数据，分别采用多个核函数进行快速拟合，选择拟合效果最好的核函数作为高斯过程回归模型的核函数，所述的多个核函数包括SE、MA、RQ和SM。
所述的拟合效果最好具体为拟合后的均方根误差最小。
所述的服务器单元中，通过模型预训练单元对高斯过程回归模型进行标准工况的训练，具体为：
根据训练数据及核函数确定负对数边际似然函数，得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题，求解该最优化问题，即得到合适的超参数，完成高斯过程回归模型的训练，并将高斯过程回归模型记为Gh，其中，h为高斯过程回归模型的超参数。
所述的服务器单元中，通过模型极端训练单元对高斯过程回归模型进行极端工况的训练，具体为：
1)初始化神经网络模型Dω，其中，ω为神经网络模型的参数，输出层的激活函数为Sigmoid函数；
2)采样得到训练数据的DG函数；
3)执行模型极端训练算法，完成极端工况的训练。
所述的步骤2)具体包括以下步骤：
21)分别采样batch次得到x～fx,ε～U(0,1)，其中，fx为输入x服从的分布，ε为从均匀分布U(0,1)中随机采样得到的权重系数；
22)将训练数据输入x代入高斯过程回归模型Gh中，得到置信区间的上下界p±；
23)分别将置信区间的上界p+代入神经网络模型Dω得到d1，将将置信区间的下界p-代入神经网络模型Dω得到d2，其中，d1、d2为DG函数的过程变量；
24)得到训练数据的DG函数
Figure BDA0003304978460000041
所述的步骤3)具体包括以下步骤：
31)固定高斯过程回归模型Gh的超参数h，训练神经网络Dω的参数ω，具体为
使用DG函数获取训练数据，输入神经网络模型Dω中利用神经网络模型Dω的输出构造损失函数lossD，使用Adam优化器，寻找使lossD尽可能小的神经网络模型Dω的参数ω；
32)固定神经网络模型Dω的参数ω，训练高斯过程回归模型Gh的超参数h，具体为：
使用DG函数获取训练数据，输入高斯过程回归模型Gh中，利用高斯过程回归模型Gh的输出构造损失函数lossG，使用Adam优化器，寻找使lossG尽可能小的高斯过程回归模型Gh的超参数h；
33)将高斯过程回归模型Gh的超参数h返回终端处理单元获取高斯过程回归模型的均值函数表达式，用以实现温度预测。
在训练高斯过程回归模型Gh，使用DG函数获取的输入x时，剔除被常规工况数据集D的输入数据覆盖的部分，使得在常规工况数据集训练效果的基础上获得更好的极端工况下的温度预测能力，具体为：
当常规工况数据集D的输入数据为一维数据时，用于训练的输入x满足：x～fx且|x|≤2·c，其中，c为训练集的尺度系数，且0≤c≤1。
与现有技术相比，本发明提供了一种基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统，能够仅在获取常规工况下电机的系统输入、系统输出和环境数据的条件下，将其作为训练数据预训练高斯过程回归模型(此模型已经可以用于预测电机在常规工况下的温度)，再通过基于高斯过程回归和生成对抗网络的模型极端训练算法进一步训练高斯过程回归模型，从而预测电机在极端工况下，也即全工况下的内部重要部位的温度值。
具有以下优点：
1、可实现电机在包括极端工况的全工况下的内部重要部位的温度的预测，帮助生产厂家进行系统可靠性方面的评估，帮助不同地区、不同使用习惯的操作员个性化了解电机的发热性能；
2、只需在常规工况下进行实验，大大降低实验成本，包括人力、物力和时间资源，同时大大降低了实验难度；
3、高斯过程回归模型提供了对预测结果的不确定性分析，如预测结果的方差、置信区间等，在工程应用中具有重要意义。
附图说明
图1为电机模型结构示意图，其中，图(1a)为全模型，图(1b)为1/4模型。
图2为本发明预测系统的结构示意图。
图3为针对时间序列的高斯过程回归模型(GPR)结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
术语解释：
电机(英文：Electric machinery，俗称“马达”)：指依据电磁感应定律实现电能转换或传递的一种电磁装置。本发明中的电机特指应用在汽车、舰船等交通工具上，将电源的电能转化为机械能，通过传动装置或直接驱动车轮、螺旋桨等的工作装置。
电机的d轴和q轴：在电机转子上建立一个坐标系，此坐标系与转子同步转动，取转子磁场方向为d轴，垂直于转子磁场方向为q轴。
工况：电机在某一时刻的运行状况，在本发明中可以具体为在常规工况数据采集单元中，所采集的系统输入和环境数据的某种组合。
额定工况：电机在额定电压、额定电流、额定载荷等下的运行状况。
设计工况：电机运行时的各项技术指标与状态均符合设计要求的运行状况。
常规工况：包含额定工况和设计工况。
极端工况：电机的各项参数与状态超出常规工况的范围的运行状况。
温度：本发明特指电机定子、绕组、永磁体、转子等重要部位的温度。
如图1所示，本发明提供一种基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统，该系统包括常规工况数据采集单元、数据传输单元、服务器单元、人机交互单元和终端处理单元，其中服务器单元又包括输入输出接口、数据预处理单元、模型预训练单元和模型极端训练单元，该系统进行预测包括以下步骤：
步骤1、在常规工况数据采集单元，使用传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，将其统称为常规工况数据，传输给终端处理单元；
步骤2、在终端处理单元，将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
步骤2.1、在数据预处理单元，对采集到的常规工况数据进行预处理，得到用于训练的常规工况数据集，并选取高斯过程回归模型的核函数；
步骤2.2、在模型预训练单元，根据标准的高斯过程回归模型及其算法，使用最小化负对数边际似然函数的方法，训练高斯过程回归模型；
步骤2.3、在模型极端训练单元，使用本发明基于高斯过程回归和生成对抗网络的算法，进一步训练步骤2.2中的高斯过程回归模型；
步骤2.4、服务器单元输出训练好的高斯过程回归模型，通过数据传输单元返回给终端处理单元；
步骤3、服务器单元计算出的高斯过程回归模型通过数据传输单元反馈给终端处理单元，并等待操作员通过人机交互单元人工输入数据。若人机交互单元接收到人工输入数据，则执行步骤4；否则在步骤3继续等待；
步骤4、在终端处理单元，将人工输入数据带入高斯过程回归模型，即可计算得到预测结果。最后通过人机交互单元将预测结果进行展示。
上述各步骤还包括以下特点：
其中，温度预测指预测电机内部重要部位(定子、绕组、永磁体、转子等)处的温度值；工况指电机在某一时刻的运行状况，在本发明中可以具体为在常规工况数据采集单元中，所采集的系统输入和环境数据的某种组合；额定工况指电机在额定电压、额定电流、额定载荷等下的运行状况；设计工况指电机运行时的各项参数与状态均符合设计数据要求的工况；常规工况包含额定工况和设计工况；极端工况指电机的各项参数与状态超出常规工况的范围的运行状况；系统输入数据指电机在运行过程中的转速、扭矩、电流、电压等；系统输出数据指电机在运行过程中内部重要部位(定子、绕组、永磁体、转子等)处的温度值；环境数据指电机在运行过程中所处的温度、大气压、量化后的振动情况等。进一步，应根据电机的实际结构及使用环境设置系统输入数据和环境数据的默认值。
常规工况数据为时间序列数据，即系统输入、系统输出和环境数据是时间的函数。用于训练的常规工况数据是按一定的采样频率采集到的一段时间间隔内随时间变化的序列，换句话说，把一个时间间隔离散化成了若干时刻点，在每个时刻点采集一组系统输入、系统输出及环境数据。
常规工况数据采集单元使用温度传感器、速度传感器、扭矩传感器、电流电压传感器等作为传感设备，用以采集常规工况数据。
在服务器单元中，进行模型训练：
数据预处理单元：
首先使用去奇异值、平滑、归一化等方法对常规工况数据进行预处理，并整理数据形式：如图3所示，在t时刻点，模型的输入xt为t时刻的系统输入、环境数据及t-1时刻的系统输出数据xt-1，模型的输出yt为t时刻的系统输出数据。特别的，在初始时刻时，需要人为地根据实际情况设置xt-1。由此，在每个时刻点都有一组模型的训练数据：(xt,yt)；取多少个时刻点，就得到了多少组训练数据。
然后计算出模型输入数据xt的概率密度分布fx。
最后从预处理过的训练数据中随机选取一小部分训练数据，保持原来的顺序，分别使用多种核函数(包括但不限于表1中所示核函数)对其进行快速拟合，选出拟合效果最好的核函数，作为高斯过程回归模型训练单元中使用的核函数。确定了核函数后，即可确定高斯过程回归模型中超参数的个数。所述的“拟合效果最好”指使用该核函数进行拟合得到的
Figure BDA0003304978460000071
最小，其中：yi为真实值，
Figure BDA0003304978460000072
为预测值，n为参与快速拟合的训练数据的总数。
表1高斯过程回归模型中常用的核函数
Figure BDA0003304978460000073
Figure BDA0003304978460000081
模型预训练单元：
使用标准的高斯过程回归模型及其算法，训练高斯过程回归模型。训练高斯过程回归模型即确定模型中的超参数的值：首先根据训练数据及核函数确定负对数边际似然函数；负对数边际似然函数是超参数的函数，超参数根据在步骤2.1中选取的核函数来确定个数，由此得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题；解该最优化问题，即可得到合适的超参数，完成高斯过程回归模型的训练。将高斯过程回归模型记为Gh，其中h为高斯过程回归模型的超参数。
训练好高斯过程回归模型，即可得到均值函数和协方差函数，如表2所示。其中，均值函数拟合了模型输入与输出之间的函数关系，即将已知的模型输入代入均值函数，即可求得高斯过程回归模型关于该输入的预测输出。进一步，在表2中，根据均值函数和协方差函数，可以得到预测的方差和置信区间。
表2高斯过程回归模型中主要函数的计算公式
Figure BDA0003304978460000082
Figure BDA0003304978460000091
模型极端训练单元：
首先初始化神经网络模型Dω，其中ω为神经网络模型的参数。Dω的结构根据实际情况设计，保证输出层的激活函数为Sigmoid函数即可；
然后如表3所示，执行算法2。在表3中，算法1为算法2的辅助算法。在算法2中，首先固定高斯过程回归模型Gh的超参数h，训练神经网络Dω的参数ω(②-⑥)：使用DG函数获取训练数据，输入Dω中利用Dω的输出构造损失函数lossD；使用Adam优化器，寻找使lossD尽可能小的神经网络Dω的参数ω。然后固定神经网络Dω的参数ω，训练高斯过程回归模型Gh的超参数h
Figure BDA0003304978460000092
使用DG函数获取训练数据，输入Gh中，利用Gh的输出构造损失函数lossG；使用Adam优化器，寻找使lossG尽可能小的高斯过程回归模型Gh的超参数h。其中
Figure BDA0003304978460000093
使用了生成对抗网络的框架。有了高斯过程回归模型Gh的超参数h，即可根据表2求得高斯过程回归模型的各个函数表达式。
表3算法表
Figure BDA0003304978460000094
Figure BDA0003304978460000101
特别的，建议在训练Gh时，使用DG函数获取的x，应适当地剔除被常规工况数据集
Figure BDA0003304978460000102
的输入数据覆盖的部分。例如当
Figure BDA0003304978460000103
中的输入为一维，且输入的范围为[-2,2]时，用于训练的x应满足：x～fx且|x|≤2·c，其中0≤c≤1.这样做的目的是：在预训练时，已经通过训练使高斯过程回归模型对
Figure BDA0003304978460000104
中的数据有很好的拟合效果了；进一步训练应在适度保证这部分拟合效果的基础上进行，根据实际情况调节尺度系数c的值，会使最终训练出来的高斯过程回归模型获得更好的极端工况下的温度预测能力。
训练高斯过程回归模型Gh的过程即是确定其超参数h的过程，所以对于训练好的Gh，在步骤2.4中，只需将超参数h返回给终端处理单元。
人机交互单元由触摸屏组成，或者由显示屏和物理按键组成。操作员可以通过人机交互单元输入模型输入数据并查看系统对模型输出(电机中关键部位的温度)的预测结果，以及更改算法中需要人为设置的参数。
实施例
本实施例所公开的基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统，用于预测电机在全工况尤其是极端工况下的内部重要部位的温度值。下面进行详细描述。
常规工况数据采集单元：作为举例而非限定，数据采集单元可以为直接安装在实验室电机设备上的红外热成像仪、温度传感器、电压传感器、速度传感器、扭矩传感器等作为传感设备，用以采集电机的输入数据(冷却液温度、d轴电压、q轴电压、转速、扭矩、d轴电流、q轴电流，共7项)、输出数据(转子处的温度值，共1项)和环境数据(环境温度，共1项)，将其统称为常规工况数据。其中，使用红外热成像仪测量永磁体表面温度，来代表转子温度；在初始时刻，转子处的温度值设置为环境温度值，通过WIFI网络、AP热点或者其它传输方式将常规工况数据发送至终端处理单元。
终端处理单元：作为举例而非限定，主要由存储介质和处理器组成，处理器用于执行存储介质上的程序，存储介质上的程序将采集到的常规工况数据进行必要的转码，如将电信号转为数字信号等。
数据传输单元：作为举例而非限定，可以采用TCP/IP协议，完成基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统中不同单元之间的数据传输。
服务器单元：针对时间序列的高斯过程回归模型的结构如图2所示，具体训练过程如下：
首先对常规工况数据进行归一化、去奇异值、平滑化等预处理，得到容量为n的训练数据集
Figure BDA0003304978460000111
其中，
Figure BDA0003304978460000112
向量为第i个时刻电机的输入数据及第i-1个时刻电机的输出数据，也即为模型的输入；yi为第i个时刻电池的输出数据，也即为模型的输出；特别的，在i＝0时刻，认为“i-1时刻电池的输出数据”为环境温度值。再从训练数据集
Figure BDA0003304978460000113
中随机选取
Figure BDA0003304978460000114
(若整除不了则向下取整)组训练数据，使用高斯过程回归模型(表1)，分别不同的核函数(表2)对其进行拟合，找到拟合效果最好即
Figure BDA0003304978460000121
最小的核函数，将其作为选择的核函数，最后根据已有的训练数据集D中的模型输入X，使用非参数分布拟合的方法计算其概率密度分布fx。
选择好核函数，即可确定超参数的个数，并结合贝叶斯定理即高斯随机过程的性质写出负对数边际似然函数，作为举例而非限定，选择SE(Squared Exponential)核函数，负对数边际似然函数为
Figure BDA0003304978460000122
其中，
Figure BDA0003304978460000123
为由yi∈R,i＝1,...,n组成的列向量，K为n×n的矩阵：
Figure BDA0003304978460000124
I为n×n的单位矩阵，σn为超参数。同时，K矩阵中也包含了另外两个超参数(表2)。令
Figure BDA0003304978460000125
表示由三个超参数组成的向量，则使用粒子群优化法解决优化问题
Figure BDA0003304978460000126
即可获得最合适的超参数
Figure BDA0003304978460000127
可根据实际情况限制超参数的可行域即：
Figure BDA0003304978460000128
接下来使用表3中的算法2，计算得到高斯过程回归模型Gh的超参数h，进而根据表2计算得到高斯过程回归模型的均值函数
Figure BDA0003304978460000129
即为在模型输入为
Figure BDA00033049784600001210
时，模型输出
Figure BDA00033049784600001211
的表达式。
实际预测时，给定一组由电机的输入、输出及环境数据组成的时间序列模型输入：
Figure BDA00033049784600001212
(其中完整的
Figure BDA00033049784600001213
需要先将
Figure BDA00033049784600001214
代入
Figure BDA00033049784600001215
计算出初始时刻的模型输出后才能得到，
Figure BDA00033049784600001216
类似)，最后将
Figure BDA00033049784600001217
代入
Figure BDA00033049784600001218
计算得到模型输出，即在t时刻，电机转子处的温度值，上述时间序列的采样间隔应尽可能小。
人机交互单元：作为举例而非限定，可以由触摸屏组成，或者由显示屏和按钮组成。使用者通过使用人机交互单元，完成所需查看工况及各种系统参数的输入，并且获得相关操作的预测结果信息。
基于高斯过程回归和生成对抗网络的电机极端工况的温度预测系统的使用流程如下：
1、在电机的相应位置安装传感设备；
2、启动电机，使其在某一或若干标准工况或其它实验室与真实工作环境中容易达到的工况下运行；
3、关闭电机，等待服务器单元计算完成后，通过人机交互单元输入所要查看的工况数据，即电机模型的输入数据(包含系统输入和环境数据，为一段时间序列)；
4、通过人机交互单元查看预测结果。

Claims (10)

1.一种基于高斯过程回归的电机极端工况的温度预测系统，用以实现电机内部重要部位的温度值，其特征在于，该系统包括：
常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；
终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；
数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；
服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；
人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。
2.根据权利要求1所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，系统输入数据具体为电机在运行过程中的转速、扭矩、电流和电压数据，系统输出数据具体为电机在运行过程中内部定子、绕组、永磁体和/或转子位置处的温度值，环境数据具体为电机在运行过程中所处的温度、大气压以及量化后的振动数据，所述的常规工况数据为时间序列数据，具体为按照设定的采样频率采集一段时间间隔内随时间变化的序列。
3.根据权利要求2所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的常规工况数据采集单元通过温红外热成像仪、温度传感器、电压传感器、速度传感器和扭矩传感器作为传感设备采集常规工况数据。
4.根据权利要求1所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的服务器单元中，通过数据预处理单元对常规工况数据并进行预处理，包括去奇异值、平滑和归一化处理，并进行整理数据形式后随机选取部分训练数据，分别采用多个核函数进行快速拟合，选择拟合效果最好的核函数作为高斯过程回归模型的核函数，所述的多个核函数包括SE、MA、RQ和SM。
5.根据权利要求4所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的拟合效果最好具体为拟合后的均方根误差最小。
6.根据权利要求4所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的服务器单元中，通过模型预训练单元对高斯过程回归模型进行标准工况的训练，具体为：
根据训练数据及核函数确定负对数边际似然函数，得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题，求解该最优化问题，即得到合适的超参数，完成高斯过程回归模型的训练，并将高斯过程回归模型记为Gh，其中，h为高斯过程回归模型的超参数。
7.根据权利要求4所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的服务器单元中，通过模型极端训练单元对高斯过程回归模型进行极端工况的训练，具体为：
1)初始化神经网络模型Dω，其中，ω为神经网络模型的参数，输出层的激活函数为Sigmoid函数；
2)采样得到训练数据的DG函数；
3)执行模型极端训练算法，完成极端工况的训练。
8.根据权利要求7所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的步骤2)具体包括以下步骤：
21)分别采样batch次得到x～fx,ε～U(0,1)，其中，fx为输入x服从的分布，ε为从均匀分布U(0,1)中随机采样得到的权重系数；
22)将训练数据输入x代入高斯过程回归模型Gh中，得到置信区间的上下界p±；
23)分别将置信区间的上界p+代入神经网络模型Dω得到d1，将将置信区间的下界p-代入神经网络模型Dω得到d2，其中，d1、d2为DG函数的过程变量；
24)得到训练数据的DG函数
Figure FDA0003304978450000021
9.根据权利要求8所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，所述的步骤3)具体包括以下步骤：
31)固定高斯过程回归模型Gh的超参数h，训练神经网络Dω的参数ω，具体为
使用DG函数获取训练数据，输入神经网络模型Dω中利用神经网络模型Dω的输出构造损失函数lossD，使用Adam优化器，寻找使lossD尽可能小的神经网络模型Dω的参数ω；
32)固定神经网络模型Dω的参数ω，训练高斯过程回归模型Gh的超参数h，具体为：
使用DG函数获取训练数据，输入高斯过程回归模型Gh中，利用高斯过程回归模型Gh的输出构造损失函数lossG，使用Adam优化器，寻找使lossG尽可能小的高斯过程回归模型Gh的超参数h；
33)将高斯过程回归模型Gh的超参数h返回终端处理单元获取高斯过程回归模型的均值函数表达式，用以实现温度预测。
10.根据权利要求9所述的一种基于高斯过程回归的电机极端工况的温度预测系统，其特征在于，在训练高斯过程回归模型Gh，使用DG函数获取的输入x时，剔除被常规工况数据集
Figure FDA0003304978450000031
的输入数据覆盖的部分，使得在常规工况数据集训练效果的基础上获得更好的极端工况下的温度预测能力，具体为：
当常规工况数据集
Figure FDA0003304978450000032
的输入数据为一维数据时，用于训练的输入x满足：x～fx且|x|≤2·c，其中，c为训练集的尺度系数，且0≤c≤1。
CN202111201496.5A 2021-10-15 2021-10-15 一种基于高斯过程回归的电机极端工况的温度预测系统 Active CN114019371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111201496.5A CN114019371B (zh) 2021-10-15 2021-10-15 一种基于高斯过程回归的电机极端工况的温度预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111201496.5A CN114019371B (zh) 2021-10-15 2021-10-15 一种基于高斯过程回归的电机极端工况的温度预测系统

Publications (2)

Publication Number Publication Date
CN114019371A true CN114019371A (zh) 2022-02-08
CN114019371B CN114019371B (zh) 2023-06-16

Family

ID=80056375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111201496.5A Active CN114019371B (zh) 2021-10-15 2021-10-15 一种基于高斯过程回归的电机极端工况的温度预测系统

Country Status (1)

Country Link
CN (1) CN114019371B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332652A (zh) * 2023-10-13 2024-01-02 昆明理工大学 一种高原地区电动机定子测温元件优化布置的方法
WO2024198109A1 (zh) * 2023-03-31 2024-10-03 联合汽车电子有限公司 一种基于gpr-rc模型的电机温度估算方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202488A1 (en) * 2008-10-20 2011-08-18 Siemens Corporation Method And Apparatus For Creating State Estimation Models In Machine Condition Monitoring
US20120084042A1 (en) * 2010-09-30 2012-04-05 Siemens Corporation System and method for conditional multi-output regression for machine condition monitoring
US20120179635A1 (en) * 2009-09-15 2012-07-12 Shrihari Vasudevan Method and system for multiple dataset gaussian process modeling
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN111413619A (zh) * 2020-03-30 2020-07-14 上海交通大学 基于高斯过程回归的多工况电池剩余容量预测方法及系统
CN111460379A (zh) * 2020-03-30 2020-07-28 上海交通大学 基于高斯过程回归的多工况动力系统性能预测方法及系统
CN111460381A (zh) * 2020-03-30 2020-07-28 上海交通大学 基于高斯过程回归的多工况燃油车油耗预测方法及系统
EP3779808A1 (en) * 2019-08-13 2021-02-17 Robert Bosch GmbH Device and method for training a gaussian process regression model
US20210097453A1 (en) * 2018-06-12 2021-04-01 Tsinghua University Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium
CN113076969A (zh) * 2021-02-24 2021-07-06 上海辛玮智能科技有限公司 基于混合高斯损失函数的图像目标检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202488A1 (en) * 2008-10-20 2011-08-18 Siemens Corporation Method And Apparatus For Creating State Estimation Models In Machine Condition Monitoring
US20120179635A1 (en) * 2009-09-15 2012-07-12 Shrihari Vasudevan Method and system for multiple dataset gaussian process modeling
US20120084042A1 (en) * 2010-09-30 2012-04-05 Siemens Corporation System and method for conditional multi-output regression for machine condition monitoring
CN105912790A (zh) * 2016-04-15 2016-08-31 重庆大学 基于深度回归模型的遥感水质监测方法
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
US20210097453A1 (en) * 2018-06-12 2021-04-01 Tsinghua University Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium
EP3779808A1 (en) * 2019-08-13 2021-02-17 Robert Bosch GmbH Device and method for training a gaussian process regression model
CN111413619A (zh) * 2020-03-30 2020-07-14 上海交通大学 基于高斯过程回归的多工况电池剩余容量预测方法及系统
CN111460379A (zh) * 2020-03-30 2020-07-28 上海交通大学 基于高斯过程回归的多工况动力系统性能预测方法及系统
CN111460381A (zh) * 2020-03-30 2020-07-28 上海交通大学 基于高斯过程回归的多工况燃油车油耗预测方法及系统
CN113076969A (zh) * 2021-02-24 2021-07-06 上海辛玮智能科技有限公司 基于混合高斯损失函数的图像目标检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024198109A1 (zh) * 2023-03-31 2024-10-03 联合汽车电子有限公司 一种基于gpr-rc模型的电机温度估算方法及装置
CN117332652A (zh) * 2023-10-13 2024-01-02 昆明理工大学 一种高原地区电动机定子测温元件优化布置的方法

Also Published As

Publication number Publication date
CN114019371B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN114019371A (zh) 一种基于高斯过程回归的电机极端工况的温度预测系统
Shi et al. Speed estimation of an induction motor drive using an optimized extended Kalman filter
CN111460379B (zh) 基于高斯过程回归的多工况动力系统性能预测方法及系统
CN104182580B (zh) 一种永磁风力发电机中涡流损耗分析方法
Mu et al. Stochastic gradient made stable: A manifold propagation approach for large-scale optimization
CN111413619B (zh) 基于高斯过程回归的多工况电池剩余容量预测方法及系统
CN104408237B (zh) 一种获取电机瞬态温度场的方法与装置
CN109558248B (zh) 一种用于确定面向海洋模式计算的资源分配参数的方法及系统
Mei-Ying et al. Chaotic time series prediction using least squares support vector machines
Singh et al. Driving electric vehicles into the future with battery management systems
Hua et al. Specific emitter identification using adaptive signal feature embedded knowledge graph
CN114004391A (zh) 一种基于高斯过程回归的动力设备极端工况性能预测系统
CN116383666B (zh) 一种电力数据预测方法、装置及电子设备
Tang et al. Short-Term Prediction Method of Transient Temperature Field Variation for PMSM in Electric Drive Gearbox Using Spatial-Temporal Relational Graph Convolutional Thermal Neural Network
WO2023232017A1 (zh) 一种车辆热管理系统的控制方法、装置、设备及介质
Eminoglu A new model for wind turbine systems
Zhou et al. Computing minimal hitting set based on immune genetic algorithm
Fioretto et al. A lagrangian dual framework for deep neural networks with constraints
Li et al. Traffic at-a-glance: Time-bounded analytics on large visual traffic data
CN106329644B (zh) 快速充电方法及系统
Chen et al. Towards profit optimization during online participant selection in compressive mobile crowdsensing
Baati et al. Numerical Approximation of the One-dimensional Inverse Stefan Problem Using a Meshless Method.
CN114487851A (zh) 一种锂电池温度场快速拟合方法、系统和存储介质
Kaleli et al. Recursive ARMAX-based global battery SOC estimation model design using Kalman filter with optimized parameters by radial movement optimization method
Lou et al. An improved least square support vector regression algorithm for traffic flow forecasting

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