CN114070146A - 一种故障检测方法、装置、设备及存储介质 - Google Patents

一种故障检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114070146A
CN114070146A CN202010753399.6A CN202010753399A CN114070146A CN 114070146 A CN114070146 A CN 114070146A CN 202010753399 A CN202010753399 A CN 202010753399A CN 114070146 A CN114070146 A CN 114070146A
Authority
CN
China
Prior art keywords
current value
value
motor
stator
stator current
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
CN202010753399.6A
Other languages
English (en)
Other versions
CN114070146B (zh
Inventor
徐继亚
王莉敏
黄明
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.)
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010753399.6A priority Critical patent/CN114070146B/zh
Publication of CN114070146A publication Critical patent/CN114070146A/zh
Application granted granted Critical
Publication of CN114070146B publication Critical patent/CN114070146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • 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
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Electric Motors In General (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明实施例用于电机控制技术领域，提供了一种故障检测方法、装置、设备及存储介质，其中，故障检测方法包括：获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。

Description

一种故障检测方法、装置、设备及存储介质
技术领域
本发明属于电机控制技术领域，尤其涉及一种故障检测方法、装置、设备及存储介质。
背景技术
相关技术通过状态观测器估计电机的定子电流值，计算状态观测器估计到的定子电流值与电机中的实际定子电流值的残差，当残差大于设定阈值时，判定电机的速度传感器发生故障。然而，相关技术的故障检测结果不可靠，容易使电机的转速发生不平稳的现象。
发明内容
有鉴于此，本发明实施例提供一种故障检测方法、装置、设备及存储介质，以至少解决相关技术的故障检测结果不可靠的问题。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种故障检测方法，该方法包括：
获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；
确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；
在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
上述方案中，在获取当前时间点的第一电流值和第二电流值之前，所述方法还包括：
计算不同时间点分别对应的第一电流值和第二电流值的关联系数；
基于所述不同时间点中至少一个时间点对应的第一电流值和第二电流值的关联系数，确定所述第一设定值。
上述方案中，所述基于所述不同时间点中至少一个时间点对应的第一电流信息和第二电流信息的关联系数，确定所述第一设定值，包括：
在所述不同时间点分别对应的第一电流值和第二电流值的关联系数中，将数值最小的关联系数确定为第一设定值。
上述方案中，在确定所述电机的速度传感器在当前时间点发生故障的情况下，所述方法还包括：
分别获取第三电流值和第一磁链值；所述第三电流值为所述电机的速度传感器发生故障时，所述第一状态观测器计算出的电机工作时的定子电流值；所述第一磁链值为所述电机的速度传感器发生故障时，所述电机的第二状态观测器输出的所述电机工作时的转子磁链值；所述第二状态观测器与所述第一状态观测器不同；
基于所述第三电流值和所述第一磁链值，计算得到所述电机的转子转速；
根据计算得到的所述电机的转子转速，控制所述电机运行。
第二方面，本发明实施例提供了一种模型的训练方法，用于训练第一方面所述的第一状态观测器，所述训练方法包括：
在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值；
计算所述第一定子电流值和所述第二定子电流值的差值；
在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度；在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
上述方案中，所述根据所述差值调整所述设定的神经网络模型中的权值参数，包括：
基于递推最小二乘法，确定所述权值的调整幅度；
根据所述差值和所述权值的调整幅度，调整所述设定的神经网络模型中的权值参数。
第三方面，本发明实施例提供了一种故障检测装置，该装置包括：
第一获取模块，用于获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；
第一确定模块，用于确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；
第二确定模块，用于在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
第四方面，本发明实施例提供了一种模型的训练装置，该装置包括：
第二获取模块，用于在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值；
计算模块，用于计算所述第一定子电流值和所述第二定子电流值的差值；
调整模块，用于在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度；在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
第五方面，本发明实施例提供了一种设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明实施例第一方面提供的故障检测方法的步骤，或执行本发明实施例第二方面提供的模型的训练方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现如本发明实施例第一方面提供的故障检测方法的步骤，或实现本发明实施例第二方面提供的模型的训练方法的步骤。
本发明实施例通过获取当前时间点的第一电流值和第二电流值，计算当前时间点分别对应的第一电流值和第二电流值的关联系数，在关联系数小于第一设定值时，判断电机的速度传感器发生故障。其中，第一电流值为电机的第一状态观测器计算出的电机工作时的定子电流值，第二电流值为电机的电流传感器测得的电机工作时的定子电流值。本发明实施例通过第一电流值和第二电流值的关联系数可以准确检测出电机的速度传感器是否发生故障，故障检测结果可靠，使得电机可以在速度传感器发生故障时及时采取补救措施，使电机的转速平稳，提高了系统的可靠性。
附图说明
图1是本发明实施例提供的一种故障检测方法的实现流程示意图；
图2是本发明实施例提供的另一种故障检测方法的实现流程示意图；
图3是本发明实施例提供的另一种故障检测方法的实现流程示意图；
图4是本发明应用实施例提供的一种故障检测系统的结构示意图；
图5是本发明应用实施例提供的一种第一状态观测器的示意图；
图6是本发明实施例提供的一种模型的训练方法的实现流程示意图；
图7是本发明实施例提供的另一种模型的训练方法的实现流程示意图；
图8是本发明实施例提供的一种第一状态观测器和第二状态观测器的示意图；
图9是本发明应用实施例提供的一种电机控制系统的示意图；
图10是本发明应用实施例提供的另一种电机控制系统的示意图；
图11是本发明实施例提供的一种故障检测装置的结构框图；
图12是本发明实施例提供的一种模型的训练装置的结构框图；
图13是本发明实施例提供的设备的硬件结构示意图。
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、完整地描述，显然，所描述的实施例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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
需要说明的是，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
另外，在本发明实施例中，“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。
相关技术中，对电机的速度传感器进行故障诊断有两种方法，第一种是硬件检测法，硬件检测法需要使用专用的检测硬件去检测对应的传感器。虽然硬件检测法诊断速度快，不占用处理器资源，但是一种检测硬件通常只能检测一种类型的传感器，无法兼顾所有的传感器类型，这样增加了检测的成本，还占用了电机的内部空间。还一种是软件检测法，与硬件检测法相比，软件检测法对各种传感器都有良好的适应性，且成本低，不占用电机内部空间。软件检测法是目前检测传感器故障的主要方法，通过软件检测法能够同时满足电机的故障诊断和容错控制。
目前，软件检测法通过状态观测器估计电机的定子电流值，计算状态观测器估计到的定子电流值与电机中的实际定子电流值的残差，当残差大于设定阈值时，判定电机的速度传感器发生故障。然而，这种方法故障检测结果不太可靠，容易发生误判断，使电机的转速发生不平稳的现象。
针对相关技术中关于速度传感器的故障检测结果不可靠的技术缺陷，本发明实施例提供了一种故障检测方法。为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的一种故障检测方法的实现流程示意图，参照图1，故障检测方法包括：
S101，获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值。
在本发明实施例中，所述电机为感应电机，感应电机是一种靠电磁感应作用，在电机转子内产生感应电流以实现机电能量转换的电机。转子是电机中可转动的导体，定子是电机中不转动的部分，定子主要作用是产生一个旋转磁场。通过定子产生的旋转磁场与转子绕组的相对运动，转子绕组切割磁感线产生感应电动势，从而使转子绕组中产生感应电流。转子绕组中的感应电流与磁场作用，产生电磁转矩，使转子旋转。
本发明实施例通过第一状态观测器计算电机工作时的定子电流值，状态观测器是根据系统的外部变量(输入变量和输出变量)的实测值得出状态变量估计值的一类动态系统，在本发明实施例中，第一状态观测器基于设定的神经网络模型创建。
在本发明实施例中，电机基于矢量控制，矢量控制实现的基本原理是通过测量和控制异步电机定子电流矢量，根据磁场定向原理分别对异步电机的励磁电流和转矩电流进行控制，从而达到控制异步电机转矩的目的。在速度传感器无故障时，电机工作时的实际定子电流值与第一状态观测器的估算定子电流值非常接近。如果速度传感器发生故障，第一状态观测器的估算定子电流值与电机工作时的实际定子电流值差值大。在实际应用中，电机工作时的实际定子电流值可以通过电机的电流传感器来测得。
S102，确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度。
在实际应用中，所述关联系数可以为第一电流值和第二电流值的灰色关联系数，灰色关联系数的计算公式为：
Figure BDA0002610722540000071
其中，ξi(k)为灰色关联系数，x0(t)为当前时间点的第一电流值，xs(t)为当前时间点的第二电流值，ρ为分辨系数，分辨系数越大，电机控制系统的分辨率越大；分辨系数越小，电机控制系统的分辨率越小。ρ的取值区间为(0，1)，通常ρ＝0.5。式中
Figure BDA0002610722540000072
和
Figure BDA0002610722540000073
分别为两级最小差及两级最大差；极差是一组数据中的最大数据与最小数据的差，两级最小差就是求出每一列的最小极差，再在所有每一列最小极差中找出最小的就是两级最小差。
灰色关联系数的大小表征第一电流值和所述第二电流值的关联程度，在实际应用中，灰色关联系数取值范围通常为(0，1)，灰色关联系数取值为1代表第一电流值和第二电流值完全相同。例如，在速度传感器无故障时，此时电机的第一电流值和第二电流值在当前时间点的灰色关联度为1。
S103，在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
这里，如果关联系数小于第一设定值，判定电机的速度传感器在当前时间点发生故障。
第一设定值的大小影响故障检测的准确度，参考图2，其示出了本发明实施例提供的另一种故障检测方法的流程示意图，所述故障检测方法还包括：
S201，计算不同时间点分别对应的第一电流值和第二电流值的关联系数。
在实际应用中，可以以数列的形式计算出不同时间点的关联系数，先选取第一数列和第二数列，第一数列中包括有第一状态观测器计算出的不同时间点对应的定子电流值；第二数列中包括有电流传感器测得的所述不同时间点对应的定子电流值。
选取第一数列，第一数列中包括多个时间点的第一电流值。
x0＝{x0(k)|k＝1,2,…,n}＝(x0(1),x0(2)…,x0(n))
选取第二数列，第二数列中包括多个时间点的第二电流值。
xs＝{xs(k)|k＝1,2,…,n}＝(xs(1),xs(2)…,xs(n))
其中，k表示时间点，有n个时间点。第一电流值和第二电流值在每个时间点是一一对应的，例如，x0(1)与xs(1)是相同时间点分别对应的第一电流值和第二电流值。
在实际应用中，可以选取一段时间来获取第一数列中的第一电流值和第二数列中的第二电流值。例如，在连续的30分钟内，每隔2分钟就同时获取一次电机的第一电流值和第二电流值，这样总共可以获取15个第一电流值和15个第二电流值，这15个第一电流值和15个第二电流值就分别组成了第一数列和第二数列。
S202，基于所述不同时间点中至少一个时间点对应的第一电流值和第二电流值的关联系数，确定所述第一设定值。
计算不同时间点中至少一个时间点对应的第一电流值和第二电流值的关联系数，假设至少一个时间点对应k个时间点，就可以计算得到k个关联系数。
在实际应用中，可以使用上述灰度关联系数的公式计算各个时间点分别对应的第一电流值和第二电流值的关联系数。
得到k个关联系数后，可以根据k个关联系数设定第一设定值，例如，可以对k个关联系数进行加权计算得到第一设定值；或者选择k个关联系数中的一个关联系数作为第一设定值。
进一步的，在上述实施例中，所述基于所述不同时间点中至少一个时间点对应的第一电流信息和第二电流信息的关联系数，确定所述第一设定值，包括：
在所述不同时间点分别对应的第一电流值和第二电流值的关联系数中，将数值最小的关联系数确定为第一设定值。
预先设定第一设定值，在电机工作时，如果当前时间点第一电流值和第二电流值的关联系数小于第一设定值，判定电机的速度传感器在当前时间点发生故障。反之，如果当前时间点第一电流值和第二电流值的关联系数大于第一设定值，则判定电机的速度传感器没有发生故障。
在实际应用中，第一状态观测器是一个用自身计算速度形成的闭环反馈模型，速度传感器正常时，第一状态观测器计算得到的定子电流最终将收敛电机工作中的实际电流，此时每个时刻的关联系数都为1，即系统认为速度传感器正常运行，没有故障发生。一旦电机的速度传感器发生故障，将会导致状态观测器计算的电流值严重的偏离实际的电流，使得两者之间的关联系数不唯一。因此可以实时检测电机的第一电流值和第二电流值的关联系数，通过关联系数来检测电机的速度传感器是否发生故障。
本发明实施例通过获取当前时间点的第一电流值和第二电流值，计算当前时间点分别对应的第一电流值和第二电流值的关联系数，在关联系数小于第一设定值时，判断电机的速度传感器发生故障。其中，第一电流值为电机的第一状态观测器计算出的电机工作时的定子电流值，第二电流值为电机的电流传感器测得的电机工作时的定子电流值。本发明实施例通过第一电流值和第二电流值的关联系数可以准确检测出电机的速度传感器是否发生故障，故障检测结果可靠，使得电机可以在速度传感器发生故障时及时采取补救措施，使电机的转速平稳，提高了系统的可靠性。
参考图3，其示出了本发明实施例提供的另一种故障检测方法的流程示意图，在确定所述电机的速度传感器在当前时间点发生故障的情况下，所述故障检测方法还包括：
S301，分别获取第三电流值和第一磁链值；所述第三电流值为所述电机的速度传感器发生故障时，所述第一状态观测器计算出的电机工作时的定子电流值；所述第一磁链值为所述电机的速度传感器发生故障时，所述电机的第二状态观测器输出的所述电机工作时的转子磁链值；所述第二状态观测器与所述第一状态观测器不同。
在电机的速度传感器发生故障时，需要使用状态观测器计算电机的转子转速，以此替代速度传感器测量的转子转速。在电机的速度传感器发生故障时，使用第一状态观测器计算第三电流值，使用第二观测器计算第一磁链值。
转子磁链的直接检测比较困难，相关技术中多采用模型计算的方法，即利用容易测得的电压、电流或转速等信号，借助于转子的磁链模型，实时计算磁链的幅值与空间位置。
进一步的，所述第二状态观测器基于第二神经网络模型创建。
在磁链计算模型中，分为电流模型和电压模型两种。转子磁链的电流模型都需要实测的电流和转速信号，不论转速的高低都能使用，但都受电机参数变化的影响。例如电机的速度传感器发生故障时，电机的温度和频率变化都会影响转子电阻Rr，磁饱和程度会影响电感Lm和Lr。这些影响都将导致磁链幅值与位置信号失真，而反馈信号的失真必然使控制系统的性能降低。和电流模型相比，电压模型不需要转速信号，且算法与转子电阻Rr无关，只与定子电阻Rs有关。虽然电压模型受电机参数影响小，算法简单，但是由于电压模型包含纯积分项，积分的初始值和累积误差都影响计算效果。
为了克服以上问题，本发明一实施例中第二状态观测器基于第二神经网络模型创建。在实际应用中，可以采用离线训练的神经网络去辨识转子的磁链，然后作为神经网络定子电流状态观测器的输入。采用8-25-2的隐藏层反向传播的神经网络结构，为了获得更好的辨识精度，输出层由转子磁链的两个神经元构成。通过增加隐含层中的神经元数目来实现误差精度的提高、训练时间的缩短以及训练效果的增强。为了得到训练数据，在矢量控制的运行下针对不同的情景采集不同的样本数据。例如，将定子电压和定子电流作为神经网络的输入，转子磁链作为神经网络的输出。为使整个神经网络的输出范围不受限制，网络的隐含层激活函数选择为tan-sigmoid函数，输出层激活函数选择为purelin函数。神经网络离线训练时使用信赖域算法加快梯度下降的速度。第二状态观测器训练完成后，由于神经网络并行处理的特点，第二状态观测器将快速的用于速度计算。
S302，基于所述第三电流值和所述第一磁链值，计算得到所述电机的转子转速。
基于所述第三电流值和所述第一磁链值，根据转子转速计算公式可以计算出电机的转子转速。
在实际应用中，电机的转子转速计算公式为：
Figure BDA0002610722540000111
其中，ω为转子转速，Ψrd、Ψrq分别为d轴、q轴上的转子磁链，d轴是电机中的直轴，q轴是交轴；isd、isq分别为d轴、q轴上的定子电流；Lr为转子绕组自感；Lm为定、转子绕组互感，TL为负载转矩，J为机组的转动惯量，np为电机极对数。对上述公式进行求导，得到电机的转子转速。
S303，根据计算得到的所述电机的转子转速，控制所述电机运行。
由于电机是工作在矢量控制下，控制系统存在反馈调节，定子电流的测量值受转子转速反馈的影响。在速度传感器无故障时，速度传感器测量的转子转速作为控制系统的反馈；在故障发生后，使用状态观测器计算的转子转速作为控制系统的反馈，实现系统的容错控制，提升了系统的可靠性。
本发明实施例在电机的速度传感器发生故障的情况下，使用状态观测器计算值代替速度传感器的测量值反馈给控制电路，使电机转速迅速恢复到给定值并保持稳定。实现速度传感器故障后，电机系统的容错控制。
图4是本发明应用实施例提供的一种故障检测系统的结构示意图，如图4所示，本发明应用实施例预先基于第一数列和第二数列，计算不同时间点分别对应的第一电流值和第二电流值的关联系数；基于不同时间点分别对应的第一电流值和第二电流值的关联系数，确定阈值(第一设定值)。在电机运行时，计算当前时间点的第一电流值和第二电流值的关联系数，判断当前时间点的第一电流值和第二电流值的关联系数是否小于阈值，如果关联系数小于阈值，说明电机的速度传感器发生故障，此时使用第一状态观测器计算的转子转速控制所述电机运行。如果关联系数大于阈值，说明电机的速度传感器没有发生故障，此时根据速度传感器测量的转子转速控制所述电机运行。
图5是本发明应用实施例提供的一种第一状态观测器的示意图，如图5所示，在第一状态观测器训练过程中，将感应电机作为参考模型，第一状态观测器作为可调模型，图5中的神经网络定子电流观测器即为第一状态观测器。在相同输入信号的激励下，计算可调模型和参考模型的输出电流的偏差，并将该偏差作为自适应机构的输入，自适应机构根据偏差产生控制信号，控制信号调节可调模型中的参数。当偏差接近于零时，便可以认为模型训练完成。反之则需要通过自适应机制不断的调节可调模型中的参数，直到偏差满足要求为止。在调节可调模型的参数时，只需要不断的调节神经网络中的权值就能使参考模型输出的定子电流与第一状态观测器的计算电流之间的偏差不断的减小。相关技术在训练第一状态观测器时，通过调整权值使偏差最小，但这一偏差的最小值可能是局部最小值而非全局最小值。而且在整个训练过程中，可能存在多个局部最小值，如果训练过程在局部最小值结束，则将导致训练错误，从而不能计算出准确的转子转速。此外，在训练神经网络时，若采用固定的学习速率，则在一给定误差表面的某一点，可能会出现某些权值有效变化而其它权值无效变化或不变的情况，从而导致收敛速度减慢。如果神经网络按负梯度方向调整，由于学习速率每步不变，在最初开始时迭代速度很快，快接近损失函数时每步的调整量很小，因此最终损失函数收敛速度很慢。
针对以上问题，本发明实施例在训练第一状态观测器时，采用递推最小二乘算法调整学习速率，学习速率按损失函数每步进行调整。具体的，参照图6，图6是本发明实施例提供的一种模型的训练方法的实现流程示意图，模型的训练方法包括：
S601，在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值。
在本发明一实施例中，初始化的设定的神经网络模型为用于训练第一状态观测器的初始模型。在训练过程中，获取相同输入信号、相同时间点的情况下，电机工作时的第一定子电流值和第二定子电流值。所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值，也是图5中参考模型(感应电机)的输出电流。
在实际应用中，感应电机在两相旋转dq坐标系下的状态方程为：
Figure BDA0002610722540000131
其中，usd、usq分别为d轴、q轴上的定子电压；urd、urq分别为d轴、q轴上的转子电压；TL为负载阻转矩；Rs、Rr分别为定子和转子绕组电阻；Ls、Lr分别为定子绕组自感和转子绕组自感；Lm为定、转子绕组互感；ω1为定子频率的同步转速，ωs为转差，转子转速ω＝ω1-ωs；σ为电机漏磁系数，
Figure BDA0002610722540000132
Tr为转子电磁时间常数，
Figure BDA0002610722540000133
选取如下状态变量X和输入变量U：
X＝[ω ψrd ψrq isd isq]T；U＝[usd usq ω1 TL]T
电机状态方程中定子电流状态方程矩阵形式如下：
Figure BDA0002610722540000134
其中，x(t)＝[isd isq]T，Us(t)＝[usd(t) usq(t)]T，ψr(t)＝[ψrd(t) ψrq(t)]T，
Figure BDA0002610722540000141
用差分法对感应电机定子电流方程进行里离散化处理，得到状态方程：
Figure BDA0002610722540000142
Figure BDA0002610722540000143
则上式可以为：
i(k)＝ω1x1+ω2x2+ω3x3
其中，X1、X2、X3为第一状态观测器的输入信号。
S602，计算所述第一定子电流值和所述第二定子电流值的差值。
第一定子电流值和第二定子电流值的差值大小表示设定的神经网络模型的训练程度，差值越小，设定的神经网络模型的训练程度越高。当偏差接近于零时，便可以认为第一状态观测器训练完成。
S603，在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度。在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
当差值大于预设阈值时，说明设定的神经网络模型计算的电流值还不够准确，根据所述差值调整所述设定的神经网络模型中的权值参数，使差值减小。重新训练调整完权值参数的设定的神经网络模型，直至差值小于或等于预设阈值，此时，可以认为设定的神经网络模型训练完成，将设定的神经网络模型确定为所述第一状态观测器。
在实际应用中，将i(k)＝ω1x1+ω2x2+ω3x3进行转换，得到：
Figure BDA0002610722540000151
其中，T为系统离散采样时间，ω1、ω2和ω4为矩阵系数，ω3为设定的神经网络模型中的权值参数，通过不断调整ω3就能使差值不断的减小。神经网络模型由多层神经元组成，权值参数表征相连的神经元之间的连接强度。例如，神将元1与神将元2相连，神将元2的输入为神将元1的输出，神将元1的输出影响神将元2的输出，神经元之间的连接强度越强，影响的程度越大。
参照图7，图7是本发明实施例提供的另一种模型的训练方法的实现流程示意图，所述根据所述差值调整所述设定的神经网络模型中的权值参数，包括：
S701，基于递推最小二乘法，确定所述权值的调整幅度。
在本发明一实施例中，通过调整学习速率来确定所述权值的调整幅度，学习速率是设定的神经网络模型中的一个参数，学习速率越低，权值的调整幅度越小，损失函数的变化速度就越慢，设定的神经网络模型的训练时间就越长。
本发明实施例采用递推最小二乘法确定学习速率，学习速率按损失函数每步调整，在接近损失函数的全局最优化点时收敛速度也很快，从而可以避免陷入局部最优点。
在实际应用中，定义能量函数为：
Figure BDA0002610722540000152
其中ε为设定的最小能量值：
Figure BDA0002610722540000153
为了获得到计算电流与实际定子电流之间的最小平方差，按能量函数E对ω3的负梯度方向搜索调整，可得ω3的变化量的表达式：
Figure BDA0002610722540000161
权重的变化率可以写成：
Figure BDA0002610722540000162
其中，η为学习速率。若学习速率太大，则可能导致其差值来回振荡；若学习速率太小，则可能导致权值调整值太小，使差值减小的速度减慢，从而延长模型学习时间或陷入局部极小点。
相关技术采用了学习速率自适应调整法：
ω3(k)＝ω3(k-1)+Δω3(k)
但是相关技术算法收敛速度慢，本发明实施例将径向基函数(RBF)神经网络动量法和学习速率自适应调整法相结合。本发明实施例的权值调整算法为：
ω3(k)＝ω3(k-1)+Δω3(k)+αΔω3(k)
其中，α为学习因子。
把定子的电流公式改写成矩阵的形式为：
Figure BDA0002610722540000163
根据能量函数的定义：
Figure BDA0002610722540000164
若要使能量函数最小只需要对其求导得：
Figure BDA0002610722540000171
按照最小均方误差取能量函数为：
Figure BDA0002610722540000172
采用递推最小二乘法的表达式为：
w(k+1)＝w(k)+(1+xT(k+1)P(k)x(k+1))-1P(k+1)xT(k+1)ε(k+1)
P(k+1)＝P(k)-(1+xT(k+1)P(k)x(k+1))-1p(k)xT(k+1)x(k+1)P(k)
w(0)＝0 P(0)＝rI r＞105
由于(1+xT(k+1)P(k)x(k+1))-1在每次迭代中为一个常数，因此学习速率为：
η＝(1+xT(k+1)P(k)x(k+1))-1P(k+1)
S702，根据所述差值和所述权值的调整幅度，调整所述设定的神经网络模型中的权值参数。
在实际应用中，学习速率为：
η＝(1+xT(k+1)P(k)x(k+1))-1P(k+1)
其中，η为学习速率，学习速率η就是上述权值调整算法中的学习因子α。
神经网络的权值参数的调整式为：
w(k+1)＝w(k)+ηxT(k+1)δ(k+1)。
其中，δ为调整偏差。
根据权值参数的调整式得到权值参数的调整值，重新训练调整完权值参数的设定的神经网络模型，按照上述步骤重新训练，直至差值小于或等于预设阈值，此时，可以认为设定的神经网络模型训练完成，将设定的神经网络模型确定为所述第一状态观测器。
本发明实施例在训练第一状态观测器时，采用递推最小二乘算法调整学习速率，学习速率按损失函数每步进行调整，使得损失函数在接近极小值时收敛速度也很快，从而避免了陷入局部最小点的问题。利用训练完成的第一状态观测器，在速度传感器发生故障时，系统能快速的切换无速度传感器的工作状态，提高了系统的容错能力。
图8是本发明应用实施例提供的一种第一状态观测器和第二状态观测器的示意图，如图8所示，在没有发生故障时，第一状态观测器用于故障检测。在电机的速度传感器发生故障的情况下，获取第一状态观测器计算的电流值和第二状态观测器计算的磁链值，基于电流值和磁链值，计算得到所述电机的转子转速，根据电机转子转速控制电机运行。
其中，在训练第一状态观测器和第二状态观测器时，在相同输入信号的激励下，计算感应电机和第一状态观测器的输出电流的偏差，并根据该偏差调整第一状态观测器和第二状态观测器的参数，具体的，根据递推最小二乘法确定第一状态观测器和第二状态观测器的权值参数。
图9是本发明应用实施例提供的一种电机控制系统的示意图，如图9所示，在电机工作时，在相同时间点获取第一状态观测器计算出的电机工作时的定子电流值，以及获取电机工作时的实际定子电流值，图中isd、isq分别为电机工作时d轴、q轴上的定子电流值，^isd、^isq为第一状态观测器计算出的电机工作时d轴、q轴上的定子电流值；计算两者的灰色关联系数，基于灰色关联系数判断电机的速度传感器是否发生故障。如果灰色关联系数大于第一设定值，说明电机的速度传感器没有发生故障，在没有发生故障时，第一状态观测器用于故障检测。在灰色关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。在电机的速度传感器发生故障的情况下，获取第一状态观测器计算的电流值和第二状态观测器计算的磁链值，基于电流值和磁链值，计算得到所述电机的转子转速，根据电机转子转速控制电机运行。
图10是本发明应用实施例提供的另一种电机控制系统的示意图，如图10所示，SMC为滑膜控制器，滑模控制是一类特殊的非线性控制，其基本的思想是设计一预定的滑模面，然后将从任意一点出发的状态轨迹通过控制器的作用引导到设定的滑模面，同时保证系统在滑模面上的运动是渐近稳定的。在三项感应电机的速度传感器故障时，自适应神经网络电流与磁链观测器计算出三项感应电机的转速，反馈转子转速和磁链给滑膜控制器，滑膜控制器基于输入的转速和磁链，根据滑模控制器内部的算法计算得到输出电压usαβ，将输出电压usαβ进行派克(park)变换，派克变换是目前分析同步电动机运行最常用的一种坐标变换，通过派克变换将输出电压usαβ从dq坐标系变换到abc坐标系。将派克变换后的输出电压输入脉冲宽度调制器(PWM，Pulse width modulation)，脉冲宽度调制器按照一定的规则对各脉冲的宽度进行调制，改变输出电压的大小，得到输出电压u，将输出电压u输入三相整流逆变电路。三相整流逆变电路根据输出电压u生成三项感应电机的输入电流ia、ib和ic，根据输入电流ia、ib和ic控制三项感应电机运行。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参考图11，图11是本发明实施例提供的一种故障检测装置的示意图，如图11所示，该装置包括：第一获取模块、第一确定模块、和第二确定模块。
第一获取模块，用于获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；
第一确定模块，用于确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；
第二确定模块，用于在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
所述装置还包括：
所述装置还包括：
关联系数计算模块，用于计算不同时间点分别对应的第一电流值和第二电流值的关联系数；
第一设定值确定模块，用于基于所述不同时间点中至少一个时间点对应的第一电流值和第二电流值的关联系数，确定所述第一设定值。
所述第一设定值确定模块具体用于：
在所述不同时间点分别对应的第一电流值和第二电流值的关联系数中，将数值最小的关联系数确定为第一设定值。
所述装置还包括：
控制模块，用于分别获取第三电流值和第一磁链值；所述第三电流值为所述电机的速度传感器发生故障时，所述第一状态观测器计算出的电机工作时的定子电流值；所述第一磁链值为所述电机的速度传感器发生故障时，所述电机的第二状态观测器输出的所述电机工作时的转子磁链值；所述第二状态观测器与所述第一状态观测器不同；
基于所述第三电流值和所述第一磁链值，计算得到所述电机的转子转速；
根据计算得到的所述电机的转子转速，控制所述电机运行。
参考图12，图12是本发明实施例提供的一种故障检测装置的示意图，如图12所示，该装置包括：第二获取模块、计算模块、和调整模块。
第二获取模块，用于在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值；
计算模块，用于计算所述第一定子电流值和所述第二定子电流值的差值；
调整模块，用于在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度；在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
所述调整模块具体用于：
基于递推最小二乘法，确定所述权值的调整幅度；
根据所述差值和所述权值的调整幅度，调整所述设定的神经网络模型中的权值参数。
需要说明的是：上述实施例提供的故障检测装置在进行故障检测时，仅以上述各模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的模块完成，即将装置的内部结构划分成不同的模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的故障检测装置与故障检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图13是本发明一实施例提供的设备的示意图。如图13所示，该实施例的设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图11所示第一获取模块、第一确定模块、和第二确定模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述设备中的执行过程。
所述设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图13仅仅是设备的示例，并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述设备的内部存储单元，例如设备的硬盘或内存。所述存储器也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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，作为单元显示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网络单元上。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。
另外，在本发明各个实施例中的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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种故障检测方法，其特征在于，包括：
获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；
确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；
在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
2.根据权利要求1所述的方法，其特征在于，在获取当前时间点的第一电流值和第二电流值之前，所述方法还包括：
计算不同时间点分别对应的第一电流值和第二电流值的关联系数；
基于所述不同时间点中至少一个时间点对应的第一电流值和第二电流值的关联系数，确定所述第一设定值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述不同时间点中至少一个时间点对应的第一电流信息和第二电流信息的关联系数，确定所述第一设定值，包括：
在所述不同时间点分别对应的第一电流值和第二电流值的关联系数中，将数值最小的关联系数确定为第一设定值。
4.根据权利要求1所述的方法，其特征在于，在确定所述电机的速度传感器在当前时间点发生故障的情况下，所述方法还包括：
分别获取第三电流值和第一磁链值；所述第三电流值为所述电机的速度传感器发生故障时，所述第一状态观测器计算出的电机工作时的定子电流值；所述第一磁链值为所述电机的速度传感器发生故障时，所述电机的第二状态观测器输出的所述电机工作时的转子磁链值；所述第二状态观测器与所述第一状态观测器不同；
基于所述第三电流值和所述第一磁链值，计算得到所述电机的转子转速；
根据计算得到的所述电机的转子转速，控制所述电机运行。
5.一种模型的训练方法，其特征在于，用于训练权利要求1至4任一项所述的第一状态观测器，所述训练方法包括：
在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值；
计算所述第一定子电流值和所述第二定子电流值的差值；
在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度；在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
6.根据权利要求5所述的训练方法，其特征在于，所述根据所述差值调整所述设定的神经网络模型中的权值参数，包括：
基于递推最小二乘法，确定所述权值的调整幅度；
根据所述差值和所述权值的调整幅度，调整所述设定的神经网络模型中的权值参数。
7.一种故障检测装置，其特征在于，包括：
第一获取模块，用于获取当前时间点的第一电流值和第二电流值；所述第一电流值为电机的第一状态观测器计算出的所述电机工作时的定子电流值；所述第二电流值为所述电机的电流传感器测得的所述电机工作时的定子电流值；
第一确定模块，用于确定所述第一电流值和所述第二电流值的关联系数；所述关联系数表征所述第一电流值和所述第二电流值的关联程度；
第二确定模块，用于在所述关联系数小于第一设定值的情况下，确定所述电机的速度传感器在当前时间点发生故障。
8.一种模型的训练装置，其特征在于，包括：
第二获取模块，用于在相同的输入信号的激励下，分别获取相同时间点的第一定子电流值和第二定子电流值；所述第一定子电流值为设定的神经网络模型计算出的电机工作时的定子电流值；所述第二定子电流值为电流传感器测得的所述电机工作时的定子电流值；
计算模块，用于计算所述第一定子电流值和所述第二定子电流值的差值；
调整模块，用于在所述差值大于预设阈值的情况下，根据所述差值调整所述设定的神经网络模型中的权值参数，以使所述第一定子电流值与第二定子电流值的差值减小；所述权值参数表征所述设定的神经网络模型中相连的神经元之间的连接强度；在所述差值小于或等于预设阈值的情况下，将所述设定的神经网络模型确定为所述第一状态观测器。
9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的故障检测方法，或实现如权利要求5至6任一项所述的模型的训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的故障检测方法，或执行如权利要求5至6任一项所述的模型的训练方法。
CN202010753399.6A 2020-07-30 2020-07-30 一种故障检测方法、装置、设备及存储介质 Active CN114070146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010753399.6A CN114070146B (zh) 2020-07-30 2020-07-30 一种故障检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010753399.6A CN114070146B (zh) 2020-07-30 2020-07-30 一种故障检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114070146A true CN114070146A (zh) 2022-02-18
CN114070146B CN114070146B (zh) 2023-09-05

Family

ID=80227189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010753399.6A Active CN114070146B (zh) 2020-07-30 2020-07-30 一种故障检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114070146B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514290A (zh) * 2022-09-28 2022-12-23 南栖仙策(南京)科技有限公司 一种电机控制方法、装置、设备及存储介质
CN117723965A (zh) * 2023-12-13 2024-03-19 上海正泰自动化软件系统有限公司 电动机故障检测方法、装置、存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0228151D0 (en) * 2002-01-30 2003-01-08 Ford Global Tech Inc A method for controlling torque in a rotational sensorless induction motor control system
US20110089883A1 (en) * 2009-10-21 2011-04-21 Gm Global Technology Operations, Inc. Motor phase winding fault detection method and apparatus
US20120001580A1 (en) * 2010-07-01 2012-01-05 Pinjia Zhang System and method for detecting fault in an ac machine
US20130043816A1 (en) * 2011-08-19 2013-02-21 GM Global Technology Operations LLC Methods, systems and apparatus for controlling a multi-phase inverter
CN103872962A (zh) * 2014-03-07 2014-06-18 电子科技大学 一种永磁同步电机速度传感器的在线容错控制装置
US20150025828A1 (en) * 2013-07-16 2015-01-22 Ford Global Technologies, Llc Method of Current Sensor Related Torque Error Estimation for IPMSM Based E-Drive System
CN106998164A (zh) * 2017-04-12 2017-08-01 武汉理工大学 一种永磁同步电机故障诊断与容错控制系统及方法
JP2018077132A (ja) * 2016-11-09 2018-05-17 株式会社デンソー 電流検出装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0228151D0 (en) * 2002-01-30 2003-01-08 Ford Global Tech Inc A method for controlling torque in a rotational sensorless induction motor control system
US20110089883A1 (en) * 2009-10-21 2011-04-21 Gm Global Technology Operations, Inc. Motor phase winding fault detection method and apparatus
US20120001580A1 (en) * 2010-07-01 2012-01-05 Pinjia Zhang System and method for detecting fault in an ac machine
US20130043816A1 (en) * 2011-08-19 2013-02-21 GM Global Technology Operations LLC Methods, systems and apparatus for controlling a multi-phase inverter
US20150025828A1 (en) * 2013-07-16 2015-01-22 Ford Global Technologies, Llc Method of Current Sensor Related Torque Error Estimation for IPMSM Based E-Drive System
CN103872962A (zh) * 2014-03-07 2014-06-18 电子科技大学 一种永磁同步电机速度传感器的在线容错控制装置
JP2018077132A (ja) * 2016-11-09 2018-05-17 株式会社デンソー 電流検出装置
CN106998164A (zh) * 2017-04-12 2017-08-01 武汉理工大学 一种永磁同步电机故障诊断与容错控制系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李启明 等: "牵引系统电流传感器故障诊断与容错控制", 《电气自动化》, vol. 42, no. 3, pages 80 - 82 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514290A (zh) * 2022-09-28 2022-12-23 南栖仙策(南京)科技有限公司 一种电机控制方法、装置、设备及存储介质
CN117723965A (zh) * 2023-12-13 2024-03-19 上海正泰自动化软件系统有限公司 电动机故障检测方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN114070146B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
EP2258043B1 (en) Sensorless control of salient-pole machines
CN103684183B (zh) 异步电机转速估计方法
CN102342016A (zh) 基于电流信号和电压信号无角度传感器地对永磁同步电机的转子轴进行位置检测的方法和设备
CN114070146A (zh) 一种故障检测方法、装置、设备及存储介质
Yildiz et al. Extended Kalman filter based estimations for improving speed‐sensored control performance of induction motors
CN111656676B (zh) 用于电力转换装置的控制装置以及电动机驱动系统
Ben Regaya et al. Electric drive control with rotor resistance and rotor speed observers based on fuzzy logic
KR20190018844A (ko) 레졸버 위치오차 보상장치 및 방법
US9917537B2 (en) System and method for controlling an electric motor
Chatterjee A simple leakage inductance identification technique for three-phase induction machines under variable flux condition
Horen et al. Simple mechanical parameters identification of induction machine using voltage sensor only
CN109687792B (zh) 面向矢量控制系统的牵引电机转子参数在线辨识优化方法
CN108880367B (zh) 用于识别电动机的转子的电阻的方法
Marei et al. A speed estimation unit for induction motors based on adaptive linear combiner
CN108521246A (zh) 永磁同步电机单电流传感器电流预测控制的方法及装置
CN110635737B (zh) 电机驱动装置
EP3477846B1 (en) Method for determining a measuring offset of a rotor position sensor, controller unit for an electric machine and electric machine for a vehicle
Horváth Load Torque and Permanent Magnet Flux Linkage Estimation of Surface-Mounted PMSM by Using Unscented Kalman Filter
Verma et al. ANN based sensorless vector controlled induction motor drive suitable for four quadrant operation
CN118077134A (zh) 基于神经网络的同步电机的参数辨识的方法
Ghouili et al. Induction motor dynamic neural stator flux estimation using active and reactive power for direct torque control
CN112688616B (zh) 开关磁阻电机相电流估测方法
JP7487826B1 (ja) 電動機の制御装置
US11936316B2 (en) Position estimation for permanent magnet synchronous machines via rotor flux space vector identification
CN106301107B (zh) 一种抽水蓄能机组静止变频起动转子位置估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant