CN115864929B - 一种永磁同步电机转子失步检测方法及其装置 - Google Patents

Abstract

公开了一种永磁同步电机转子失步检测方法及其装置，其分别对实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述三者中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，并将这些特征向量输入至极限学习机以得到反电动势测量解码特征向量，再基于所述反电动势测量解码特征向量与所述电机温度特征向量得到包含电机温度对于定子电阻、dq轴电感和反电势的非线性复杂映射关系的所述解码特征矩阵，以此进行解码回归。这样，提高实际反电势的计算精准度。

Description

一种永磁同步电机转子失步检测方法及其装置

技术领域

本申请涉及电机检测领域，且更为具体地，涉及一种永磁同步电机转子失步检测方法及其装置。

背景技术

永磁同步电动机主要是由转子、端盖及定子等各部件组成。永磁同步电动机的定子结构与普通的感应电动机的结构非常相似，转子结构与异步电动机的最大不同是在转子上放有高质量的永磁体磁极。

通常，在永磁同步电机开环控制模式下，可能会因为电机轴堵转、负载突变等原因导致电机转子失步，即电机驱动器输出频率明显高于电机转子实际转速对应的频率。持续失步运行，电流过大可能会导致驱动器损坏或电机消磁损坏。

因此，期待一种用于永磁同步电机转子失步检测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种永磁同步电机转子失步检测方法及其装置，其分别对实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述三者中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，并将这些特征向量输入至极限学习机以得到反电动势测量解码特征向量，再基于所述反电动势测量解码特征向量与所述电机温度特征向量得到包含电机温度对于定子电阻、dq轴电感和反电势的非线性复杂映射关系的所述解码特征矩阵，以此进行解码回归。这样，提高实际反电势的计算精准度。

根据本申请的一个方面，提供了一种永磁同步电机转子失步检测方法，其包括：

获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；

将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；

将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；

将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；

将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；

对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；

基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；

将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及

基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

在上述永磁同步电机转子失步检测方法中，所述将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，包括：使用所述时序编码器的一维卷积层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行一维卷积编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量，Cov(X)表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量的中间向量；以及，使用所述时序编码器的全连接层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量进行全连接编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量，Y是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量的输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。

在上述永磁同步电机转子失步检测方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述永磁同步电机转子失步检测方法中，所述将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第一尺度电机温度特征向量；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电机温度特征向量，Cov₁(X)表示所述第一尺度电机温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第二尺度电机温度特征向量；其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述电机温度特征向量，Cov₂(X)表示所述第二尺度电机温度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度电机温度特征向量和所述第二尺度电机温度特征向量进行级联以得到所述电机温度特征向量。

在上述永磁同步电机转子失步检测方法中，所述对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵，包括：计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵。

在上述永磁同步电机转子失步检测方法中，所述基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵，包括：计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；以及，将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘以得到所述优化解码特征矩阵。

在上述永磁同步电机转子失步检测方法中，所述计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵，包括：以如下公式计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

其中，V₁表示所述反电动势测量解码特征向量，V₂表示所述电机温度特征向量，M_c表示所述图核游走节点分布融合特征矩阵，D(V₁，V₂)为所述反电动势测量解码特征向量和所述电机温度特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

在上述永磁同步电机转子失步检测方法中，所述将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值，包括：使用所述解码器以如下公式对所述优化解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：

其中X是所述优化解码特征矩阵，Y是所述解码值，W是权重矩阵，

表示矩阵乘。

在上述永磁同步电机转子失步检测方法中，所述基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步，包括：响应于所述所述解码值与所述标称反电势之间的差值大于等于预定阈值，确定所述永磁同步电机发生转子失步。

根据本申请的另一方面，提供了一种永磁同步电机转子失步检测装置，包括：

数据获取模块，用于获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；

数据结构化模块，用于将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；

时序编码模块，用于将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；

学习模块，用于将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；

多尺度编码模块，用于将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；

关联模块，用于对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；

向量粒度特征分布优化模块，用于基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；

解码模块，用于将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及

检测结果生成模块，用于基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

在上述永磁同步电机转子失步检测装置中，所述时序编码模块，进一步用于：使用所述时序编码器的一维卷积层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行一维卷积编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，_w为卷积核的尺寸，X表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量，Cov(X)表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量的中间向量；以及，使用所述时序编码器的全连接层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量进行全连接编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量，Y是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量的输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。

在上述永磁同步电机转子失步检测装置中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述永磁同步电机转子失步检测装置中，所述多尺度编码模块，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第一尺度电机温度特征向量；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电机温度特征向量，Cov₁(X)表示所述第一尺度电机温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第二尺度电机温度特征向量；其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述电机温度特征向量，Cov₂(X)表示所述第二尺度电机温度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度电机温度特征向量和所述第二尺度电机温度特征向量进行级联以得到所述电机温度特征向量。

在上述永磁同步电机转子失步检测装置中，所述关联模块，进一步用于：计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵。

在上述永磁同步电机转子失步检测装置中，所述向量粒度特征分布优化模块，包括：图核游走节点分布融合单元，用于计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；以及，优化单元，用于将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘以得到所述优化解码特征矩阵。

在上述永磁同步电机转子失步检测装置中，所述图核游走节点分布融合单元，进一步用于：以如下公式计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

其中，V₁表示所述反电动势测量解码特征向量，V₂表示所述电机温度特征向量，M_c表示所述图核游走节点分布融合特征矩阵，D(V₁，V₂)为所述反电动势测量解码特征向量和所述电机温度特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

在上述永磁同步电机转子失步检测装置中，所述解码模块，进一步用于：使用所述解码器以如下公式对所述优化解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：

其中X是所述优化解码特征矩阵，Y是所述解码值，W是权重矩阵，

表示矩阵乘。

在上述永磁同步电机转子失步检测装置中，所述检测结果生成模块，进一步用于：响应于所述所述解码值与所述标称反电势之间的差值大于等于预定阈值，确定所述永磁同步电机发生转子失步。

与现有技术相比，本申请提供的一种永磁同步电机转子失步检测方法及其装置，其分别对实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述三者中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，并将这些特征向量输入至极限学习机以得到反电动势测量解码特征向量，再基于所述反电动势测量解码特征向量与所述电机温度特征向量得到包含电机温度对于定子电阻、dq轴电感和反电势的非线性复杂映射关系的所述解码特征矩阵，以此进行解码回归。这样，提高实际反电势的计算精准度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的永磁同步电机转子失步检测方法的应用场景图。

图2为根据本申请实施例的永磁同步电机转子失步检测方法的流程图。

图3为根据本申请实施例的永磁同步电机转子失步检测方法的架构图。

图4为根据本申请实施例的永磁同步电机转子失步检测方法中将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量的流程图。

图5为根据本申请实施例的永磁同步电机转子失步检测装置的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上所述，在永磁同步电机开环控制模式下，可能会因为电机轴堵转、负载突变等原因导致电机转子失步，即电机驱动器输出频率明显高于电机转子实际转速对应的频率。持续失步运行，电流过大可能会导致驱动器损坏或电机消磁损坏。

永磁同步电机开环控制模式下，常规的电机失步检测算法通常采用反电势比较法，即由当前实际输出电压和电流以及电机定子电阻和dq轴电感值，根据永磁同步电机电压方程反推计算出当前实际反电势，然后与电机标称的反电势进行对比，若反电势误差超过一定阈值即判断为电机失步。

但是，电机的实际反电势并不是恒等于标称反电势，定子电阻、dq轴电感和反电势都会跟随电机温度等因素在一定范围内变化。这就导致常规检测算法容易出现误报失步故障，即在没有失步发生的时候误报失步故障或者在有失步发生的时候不能快速有效的报失步故障。特别是低速运行时，定子电阻和dq轴感抗上的电压降在总输出电压中占比较大，用电压方程反推计算出的当前实际反电势明显受定子电阻和dq轴感抗变化的影响。

因此，期待一种优化的用于永磁同步电机的转子失步检测方案。

针对上述技术问题，在本申请的技术方案中，将电机温度对实际反电势测量带来的影响纳入考虑范畴内以提高实际反电势的计算精准度，从而提高转子失步检测的精准度。然而，在本申请的技术方案中，电机温度对于定子电阻、dq轴电感和反电势的影响是复杂的且为非线性的，传统的数理统计模型或特征工程很难准确地模拟上述非线性复杂映射关系。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为拟合电机温度与实际反电势测量之间的非线性复杂映射提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值。接着，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量。也就是，在数据结构层面，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值沿着时序维度进行向量化处理以得到所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量。

进而，将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量。也就是，以所述包含一维卷积层和全连接层的时序编码器分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量。在本申请一个具体的示例中，所述时序编码器由交替排列的一维卷积层和全连接层组成。

接着，将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量。所述极限学习机包括输入层、隐含层和输出层，并且，所述输入层具有三个神经元，分别用于接收所述实际输出电压特征向量中各个位置的特征值、所述电机定子电阻特征向量中各个位置的特征值和所述dq轴电感值特征向量中各个位置的特征值，且所述输出层包括一个神经元，用于输出反电动势测量解码特征向量中各个位置的特征值，且所述隐含层包括多个神经元。

这里，根据本申请实施例的极限学习机的隐含层的神经元数目可以按照需要设置，例如，在一个实施例中，所述隐含层具有100个神经元，并且，以Relu激活函数进行激活。也就是，在上述根据本申请实施例的永磁同步电机转子失步检测方法中，所述隐含层包括一百个神经元，且以Relu激活函数激活。

并且，所述极限学习机ELM做为一种特殊的神经网络，需要通过训练确定其网络参数。也就是，获得以所述实际输出电压特征向量中各个位置的特征值、所述电机定子电阻特征向量中各个位置的特征值和所述dq轴电感值特征向量中各个位置的特征值为输入，以反电动势V为输出的训练数据；随机产生输入层到隐含层的权重矩阵W和隐含层的偏置向量b；求解出使损失函数最小化的隐含层到输出层的权重向量β，损失函数为h(β)＝‖Hβ-Y'‖²，其中H为隐含层的输出矩阵，Y'为训练数据目标输出向量Y的转置；根据求得的输出层的权重向量β，以及输入层的权重矩阵W和隐含层的偏置向量b，确定极限学习机的网络参数。

则输入矩阵为：

输出向量Y＝[y₁ y₂ … y_n]_1×n，其中n为数据集大小。

接下来，随机产生输入层到隐含层的权重矩阵

和隐含层偏置向

其中，l为隐含层神经元个数，w_ji为输入层第i个神经元与隐藏层第j个神经元间的连接权重，b_i为隐含层第i个神经元的偏置；

计算隐含层输出矩阵

其中w_i＝[w_i1,w_i2],i＝1,2,…,l，x_j＝［x_1j,x_2j]^T,j＝1,2,…,n，g(x)为激活函数；

最小化损失函数h(β)＝‖Hβ-Y'‖²，根据极限学习机理论，则隐含层到输出层的权重向量β＝H⁺Y'，其中H⁺为隐含层的输出矩阵H的Moore-Penrose广义逆，Y'为Y的转置。然后，根据W，b，β，就可以确定极限学习机模型的参数。

考虑到电机温度对实际反电势测量带来影响，因此，针对所述多个预定时间点的电机温度值，将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量。也就是，在本申请的技术方案中，使用包括多个并行的一维卷积层的多尺度邻域特征提取模块对所述电机温度值的时序向量进行多尺度一维卷积编码以更多层次和梯度地捕捉电机温度值在不同时间窗口尺度内的温度关联模式特征。

进而，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵，以所述解码特征矩阵来表示电机温度对实际反电势测量带来影响。在一个具体的示例中，计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵，继而使用解码器对所述解码特征矩阵进行解码回归以得到用于表示真实反电动势的解码值。进而，基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

特别地，在本申请的技术方案中，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码得到所述解码特征矩阵时，由于所述关联编码是将所述反电动势测量解码特征向量和所述电机温度特征向量的各个位置的特征值相乘，因此可以使得所述解码特征矩阵表达所述反电动势测量解码特征向量和所述电机温度特征向量的特征值粒度的关联融合特征，但同时，仍然期望所述解码特征矩阵能够表达所述反电动势测量解码特征向量和所述电机温度特征向量的向量粒度的关联融合特征。

因此，优选地，进一步计算所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂之间的图核游走节点分布融合特征矩阵，表示为：

D(V₁，V₂)为所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂之间的距离矩阵，即d_i，j＝d(v_1i，v_2j)，且V₁和V₂均为列向量。

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂分别视为图中的节点，基于所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂的解码回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂在融合特征的高维特征空间内的局部分布信息，以表达所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂之间的向量粒度的关联融合特征。

进一步，将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘，以将所述解码特征矩阵映射到关联融合特征空间内，以使得所述解码特征矩阵进一步表达所述反电动势测量解码特征向量和所述电机温度特征向量的向量粒度的关联融合特征。这样子，提高对实际反电动势的测量的精准度，进而提高转子失步检测的精准度。

基于此，本申请提出了一种永磁同步电机转子失步检测方法，其包括：获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及，基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

图1为根据本申请实施例的永磁同步电机转子失步检测方法的应用场景图。如图1所示，在该应用场景中，首先，分别由温度传感器(例如，如图1中所示意的Se1)、电压测量仪(例如，如图1中所示意的S_e2)、电阻测量仪(例如，如图1中所示意的Se3)和电感测量仪(例如，如图1中所示意的Se4)获取预定时间段内多个预定时间点的电机(例如，如图1中所示意的M)温度值以及所述多个预定时间点的实际输出电压、电机定子(例如，如图1中所示意的St)电阻和dq轴电感值。进而，将所述预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值输入至部署有永磁同步电机转子失步检测算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够基于所述永磁同步电机转子失步检测算法对所述预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值进行处理，以得到用于表示真实反电动势的解码值，并基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

实施例1

图2为根据本申请实施例的永磁同步电机转子失步检测方法的流程图。如图2所示，根据本申请实施例的永磁同步电机转子失步检测方法，包括：S110，获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；S120，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；S130，将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；S140，将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；S150，将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；S160，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；S170，基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；S180，将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及，S190，基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

图3为根据本申请实施例的永磁同步电机转子失步检测方法的架构图。如图3所示，在该架构中，首先，获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；接着，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；然后，将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；继而，将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量，同时，将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；接着，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；然后，基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；继而，将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；最后，基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

如上所述，在永磁同步电机开环控制模式下，可能会因为电机轴堵转、负载突变等原因导致电机转子失步，即电机驱动器输出频率明显高于电机转子实际转速对应的频率。持续失步运行，电流过大可能会导致驱动器损坏或电机消磁损坏。

永磁同步电机开环控制模式下，常规的电机失步检测算法通常采用反电势比较法，即由当前实际输出电压和电流以及电机定子电阻和dq轴电感值，根据永磁同步电机电压方程反推计算出当前实际反电势，然后与电机标称的反电势进行对比，若反电势误差超过一定阈值即判断为电机失步。

但是，电机的实际反电势并不是恒等于标称反电势，定子电阻、dq轴电感和反电势都会跟随电机温度等因素在一定范围内变化。这就导致常规检测算法容易出现误报失步故障，即在没有失步发生的时候误报失步故障或者在有失步发生的时候不能快速有效的报失步故障。特别是低速运行时，定子电阻和dq轴感抗上的电压降在总输出电压中占比较大，用电压方程反推计算出的当前实际反电势明显受定子电阻和dq轴感抗变化的影响。因此，期待一种优化的用于永磁同步电机的转子失步检测方案。

针对上述技术问题，在本申请的技术方案中，将电机温度对实际反电势测量带来的影响纳入考虑范畴内以提高实际反电势的计算精准度，从而提高转子失步检测的精准度。然而，在本申请的技术方案中，电机温度对于定子电阻、dq轴电感和反电势的影响是复杂的且为非线性的，传统的数理统计模型或特征工程很难准确地模拟上述非线性复杂映射关系。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为拟合电机温度与实际反电势测量之间的非线性复杂映射提供了新的解决思路和方案。

在步骤S110中，获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值。在本申请的技术方案中，所述预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别由温度传感器、电压测量仪、电阻测量仪和电感测量仪来获取。这里，电机定子是电动机静止不动的部分，其由定子铁芯、定子绕组和机座三部分组成。定子的主要作用是产生旋转磁场。其中，dq轴电感就是三相绕组电感矩阵的特征值，是电感矩阵的固有属性。

在步骤S120中，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量。也就是，在数据结构层面，将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值沿着时序维度进行向量化处理以得到所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量。

在步骤S130中，将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量。也就是，以所述包含一维卷积层和全连接层的时序编码器分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量。在本申请一个具体的示例中，所述时序编码器由交替排列的一维卷积层和全连接层组成。

具体地，在本申请实施例中，所述将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，包括：使用所述时序编码器的一维卷积层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行一维卷积编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，_w为卷积核的尺寸，X表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量，Cov(X)表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量的中间向量；以及，使用所述时序编码器的全连接层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量进行全连接编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量，Y是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量的输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。

在步骤S140中，将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量。所述极限学习机包括输入层、隐含层和输出层，并且，所述输入层具有三个神经元，分别用于接收所述实际输出电压特征向量中各个位置的特征值、所述电机定子电阻特征向量中各个位置的特征值和所述dq轴电感值特征向量中各个位置的特征值，且所述输出层包括一个神经元，用于输出反电动势测量解码特征向量中各个位置的特征值，且所述隐含层包括多个神经元。

这里，根据本申请实施例的极限学习机的隐含层的神经元数目可以按照需要设置，例如，在一个实施例中，所述隐含层具有100个神经元，并且，以Relu激活函数进行激活。也就是，在上述根据本申请实施例的永磁同步电机转子失步检测方法中，所述隐含层包括一百个神经元，且以Relu激活函数激活。

并且，所述极限学习机ELM做为一种特殊的神经网络，需要通过训练确定其网络参数。也就是，获得以所述实际输出电压特征向量中各个位置的特征值、所述电机定子电阻特征向量中各个位置的特征值和所述dq轴电感值特征向量中各个位置的特征值为输入，以反电动势V为输出的训练数据；随机产生输入层到隐含层的权重矩阵W和隐含层的偏置向量b；求解出使损失函数最小化的隐含层到输出层的权重向量β，损失函数为h(β)＝‖Hβ-Y'‖²，其中H为隐含层的输出矩阵，Y'为训练数据目标输出向量Y的转置；根据求得的输出层的权重向量β，以及输入层的权重矩阵W和隐含层的偏置向量b，确定极限学习机的网络参数。

则输入矩阵为：

输出向量Y＝[y₁ y₂ … y_n]_1×n，其中n为数据集大小。

接下来，随机产生输入层到隐含层的权重矩阵

和隐含层偏置向

其中，l为隐含层神经元个数，w_ji为输入层第i个神经元与隐藏层第j个神经元间的连接权重，b_i为隐含层第i个神经元的偏置；

计算隐含层输出矩阵

其中w_i＝[w_i1,w_i2],i＝1,2,…,l，x_j＝[x_1j,x_2j]^T,j＝1,2,…,n，g(x)为激活函数；

最小化损失函数h(β)＝‖Hβ-Y'‖²，根据极限学习机理论，则隐含层到输出层的权重向量β＝H⁺Y'，其中H⁺为隐含层的输出矩阵H的Moore-Penrose广义逆，Y'为Y的转置。然后，根据W，b，β，就可以确定极限学习机模型的参数。

在步骤S150中，考虑到电机温度对实际反电势测量带来影响，因此，针对所述多个预定时间点的电机温度值，将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量。也就是，在本申请的技术方案中，使用包括多个并行的一维卷积层的多尺度邻域特征提取模块对所述电机温度值的时序向量进行多尺度一维卷积编码以更多层次和梯度地捕捉电机温度值在不同时间窗口尺度内的温度关联模式特征。其中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

图4为根据本申请实施例的永磁同步电机转子失步检测方法中将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量的流程图。如图4所示，所述将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量，包括：S210，使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第一尺度电机温度特征向量；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电机温度特征向量，Cov₁(X)表示所述第一尺度电机温度特征向量；S220，使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第二尺度电机温度特征向量；其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述电机温度特征向量，Cov₂(X)表示所述第二尺度电机温度特征向量；以及，S230，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度电机温度特征向量和所述第二尺度电机温度特征向量进行级联以得到所述电机温度特征向量。

在步骤S160中，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵。也就是，以所述解码特征矩阵来表示电机温度对实际反电势测量带来影响。在一个具体的示例中，计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵。

在步骤S170中，基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵。特别地，在本申请的技术方案中，对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码得到所述解码特征矩阵时，由于所述关联编码是将所述反电动势测量解码特征向量和所述电机温度特征向量的各个位置的特征值相乘，因此可以使得所述解码特征矩阵表达所述反电动势测量解码特征向量和所述电机温度特征向量的特征值粒度的关联融合特征，但同时，仍然期望所述解码特征矩阵能够表达所述反电动势测量解码特征向量和所述电机温度特征向量的向量粒度的关联融合特征。

因此，优选地，进一步计算所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂之间的图核游走节点分布融合特征矩阵，表示为：

其中，V₁表示所述反电动势测量解码特征向量，V₂表示所述电机温度特征向量，M_c表示所述图核游走节点分布融合特征矩阵，D(V₁，V₂)为所述反电动势测量解码特征向量和所述电机温度特征向量之间的距离矩阵，即d_i，j＝d(v_1i，v_2j)，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

所述图核游走节点分布融合特征矩阵模拟图核的思路，将所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂分别视为图中的节点，基于所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂的解码回归特征分布具有连续高维回归空间属性的场景下，从而表示作为拓扑节点的所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂在融合特征的高维特征空间内的局部分布信息，以表达所述反电动势测量解码特征向量V₁和所述电机温度特征向量V₂之间的向量粒度的关联融合特征。

进一步，将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘，以将所述解码特征矩阵映射到关联融合特征空间内，以使得所述解码特征矩阵进一步表达所述反电动势测量解码特征向量和所述电机温度特征向量的向量粒度的关联融合特征。这样，提高对实际反电动势的测量的精准度，进而提高转子失步检测的精准度。

在步骤S180中，将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值。具体地，在本申请实施例中，使用所述解码器以如下公式对所述优化解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：

其中X是所述优化解码特征矩阵，Y是所述解码值，W是权重矩阵，

表示矩阵乘。

在步骤S190中，基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。具体地，在本申请实施例中，所述基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步，包括：响应于所述所述解码值与所述标称反电势之间的差值大于等于预定阈值，确定所述永磁同步电机发生转子失步。

综上，基于本申请实施例的永磁同步电机转子失步检测方法被阐明，其分别对实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量进行全连接编码和一维卷积编码以捕捉所述三者中各个位置的高维隐含特征信息以及局部邻域内多个位置的特征值分布间的高维隐含局部关联模式特征以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，并将这些特征向量输入至极限学习机以得到反电动势测量解码特征向量，再基于所述反电动势测量解码特征向量与所述电机温度特征向量得到包含电机温度对于定子电阻、dq轴电感和反电势的非线性复杂映射关系的所述解码特征矩阵，以此进行解码回归。这样，提高实际反电势的计算精准度。

实施例2

图5为根据本申请实施例的永磁同步电机转子失步检测装置的框图。如图5所示，根据本申请实施例的永磁同步电机转子失步检测装置100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；数据结构化模块120，用于将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；时序编码模块130，用于将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；学习模块140，用于将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；多尺度编码模块150，用于将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；关联模块160，用于对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；向量粒度特征分布优化模块170，用于基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；解码模块180，用于将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及，检测结果生成模块190，用于基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述时序编码模块130，进一步用于：使用所述时序编码器的一维卷积层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行一维卷积编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量，Cov(X)表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量的中间向量；以及，使用所述时序编码器的全连接层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量进行全连接编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量，Y是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量的输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述多尺度编码模块150，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第一尺度电机温度特征向量；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电机温度特征向量，Cov₁(X)表示所述第一尺度电机温度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第二尺度电机温度特征向量；其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述电机温度特征向量，Cov₂(X)表示所述第二尺度电机温度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度电机温度特征向量和所述第二尺度电机温度特征向量进行级联以得到所述电机温度特征向量。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述关联模块160，进一步用于：计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述向量粒度特征分布优化模块170，包括：图核游走节点分布融合单元，用于计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；以及，优化单元，用于将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘以得到所述优化解码特征矩阵。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述图核游走节点分布融合单元，进一步用于：以如下公式计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；其中，所述公式为：

其中，V₁表示所述反电动势测量解码特征向量，V₂表示所述电机温度特征向量，M_c表示所述图核游走节点分布融合特征矩阵，D(V₁，V₂)为所述反电动势测量解码特征向量和所述电机温度特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述解码模块180，进一步用于：使用所述解码器以如下公式对所述优化解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：

其中X是所述优化解码特征矩阵，Y是所述解码值，W是权重矩阵，

表示矩阵乘。

在一个示例中，在上述永磁同步电机转子失步检测装置100中，所述检测结果生成模块190，进一步用于：响应于所述所述解码值与所述标称反电势之间的差值大于等于预定阈值，确定所述永磁同步电机发生转子失步。

这里，本领域技术人员可以理解，上述永磁同步电机转子失步检测装置100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的永磁同步电机转子失步检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

实施例3

如上述背景技术部分所言，定子电阻、dq轴电感和反电势都会跟随电机温度等因素在一定范围内变化。这就导致常规检测算法容易出现误报失步故障，即在没有失步发生的时候误报失步故障或者在有失步发生的时候不能快速有效的报失步故障。特别是低速运行时，定子电阻和dq轴感抗上的电压降在总输出电压中占比较大，用电压方程反推计算出的当前实际反电势明显受定子电阻和dq轴感抗变化的影响。

根据本申请又一实施例，把前后两次用电压方程反推计算的实际反电势相减，得到反电势的变化率，这样就消除了电压方程中定子电阻、dq轴电感和反电势变化的影响。同时失步判断方法也改成反电势变化率并结合输出频率变化率的判断方法。虽然电机的实际反电势会跟随电机温度等因素的变化而变化，但是由于电机温度是缓慢变化的，电机实际的反电势变化率也是缓慢变化的。而常规方法中采用反电势误差绝对值比较法，当电机温升很大时就会容易误判。因此本申请采用反电势变化率并结合输出角频率变化率的判断方法，可以进一步避免常规方法中的误判问题。

采用本申请的电机驱动器，有效避免了因电机参数变化导致的失步误判。确保在电机发生失步时能够快速准确的报故障停机，防止电机驱动器损坏、电机消磁，提高了电机驱动系统的可靠性。同时，也避免了电机正常运行过程中因为误报故障而导致没必要的损失。

相比于传统的电机失步检测方法，采用本申请的电机驱动器，失步检测快速准确有效，准确率明显提高，误报率明显降低。

本申请关键设计亮点：通过巧妙的利用电机电压方程，把单次计算反电势绝对值改成通过前后两次运算获得的反电势计算反电势变化率，再利用反电势变化率结合输出角频率变化率判断电机是否失步。有效避免了电机参数变化的影响，明显提高了检测的准确性。以下为本申请详细说明。

1.电机驱动器常规的失步检测方法原理介绍

根据永磁同步电机的基本原理，其理论的电压方程如下：

U_d＝R_s*i_d-w*L_q*i_q

U_q＝R_s*i_q+w*L_d*i_d+w*ψ_r

其中，U_d和U_q为d,q轴电压，Us为驱动器输出到电机的电压有效值；i_d和i_q为d,q轴电流；R_s、L_d、L_q分别为电机定子电阻、d轴电感和q轴电感；ψ_r为电机转子磁链，即永磁同步电机反电势系数；w为角频率，w*ψ_r为当前角频率对应反电势值的大小

通常，采用开环矢量控制的电机驱动器中，id和iq为采集电机三相电流进行park变换后获得，w为当前角频率，Rs、Ld、Lq和Ψr为永磁同步电机厂家提供的设计参数。开环矢量控制时，通常正向应用电压方程，把以上参数值代入电压方程就可以计算出当前理论输出电压，在实际应用中，为了确保dq轴电流满足控制要求，实际的输出电压是在该理论电压的基础上加上dq轴电流的PID闭环控制输出。

而转子失步检测时，通常是反向应用电压方程倒推出ψ’_r，即通过电压方程反推估算的永磁同步电机反电势系数。其反推计算方法如下：

U'_d＝R_s*i_d-w*L_q*i_q

ψ'_r＝(U'_q-(R_s*i_q+w*L_d*i_d))/w

其中，Us为驱动器当前输出电压有效值，U'_d和U'_q为反推的d,q轴电压；i_d和i_q为驱动器当前实际d,q轴电流，通过采样三相电流实施park变换获得；w为驱动器当前输出角频率，ψ'_r为反推估算的转子磁链。

然后驱动器比较ψ'_r和Ψr(电机厂家设计的标称值)，当两者的误差(该误差正比于转子转速对应的角频率和驱动器输出角频率之间的误差，即速度误差)达到一定阈值时，即判断为转子失步。

但是，永磁同步电机厂家提供的设计参数Rs、Ld、Lq和Ψr通常为电机冷态不运行时的标称参数。在电机运行过程中，随着电机温升，电流的变化，这些参数会在一定范围内变化。例如，反电势系数Ψr在电机热态时可能比冷态低10％～20％左右。这就要求我们用于误差判断的阈值必须考虑反电势系数热态时减少的问题，因此不能设置太小，否则正常热态运行一段时间后(随着电机温度上升，实际反电势系数下降了)就会误报失步故障。然而，若阈值设置过大，电机正好在刚开始运行时失步了，此时电机温升还很低处于冷态状态，实际反电势基本等于厂家标称值，则必须要等到速度误差(速度误差的大小正比于反电势系数误差的大小)较大时才能报出失步故障，即导致失步检测的响应变慢。这就有可能导致在失步故障还没有报出之前驱动器或电机已经损坏了。

此外，由于电压方程可知，运行速度越低，w*ψ_r这一项在电压总有效值所占比例越低低，而R_s*i_d-w*L_q*i_q和R_s*i_q+w*L_d*i_d所占比例就越高。因此，低速运行期间，因为参数Rs、Ld、Lq的变化会导致反推计算出来的ψ'_r误差明显放大，进而导致误报失步或者失步时检测不到失步故障。另外，上述计算ψ'_r时需要除以w，而运行速度较低时，w角频率很小，这就导致执行除法运算后的误差被放大，进一步降低了失步检测的准确性。

2.本申请的失步检测方法介绍

通过对以上常规失步检测方法的分析，电机参数Rs、Ld、Lq和Ψr的变化会导致失步检测响应速度和准确性明显降低。本申请通过计算前后两次反推计算的反电势值之间的差值获得反电势值变化率。具体计算如下：

U'_di＝R_s*i_di-w_i*L_q*i_qi

Emf_i'＝w_i*ψ_i＝(U'_qi-(R_s*i_qi+w_i*L_d*i_di))

ΔEmf＝Emf'_i-Emf'_i-1

Emf_rate＝ΔEmf/EmfN*100％

Δw＝w_i-w_i-1

w_rate＝Δw/WN*100％

其中，Usi,U'_di,U'_qi,i_di,i_qi,w_i,ψ_i中的下标i代表第i次控制周期；Emf'_i为第i次控制周期的反电势值，ΔEmf为当前控制周期和上一周期的反电势值差。Δw为当前控制周期和上一控制的角频率差。EmfN为电机额定角频率时对应的反电势值，即电机厂家标称的额定反电势值。WN为电机额定转速。Emf_rate为前后两个控制周期的反电势差相对额定反电势的百分比，即反电势变化率。w_rate为前后两个控制周期的角频率差相对额定角频率的百分比，即角频率变化率。

如上所示，我们引入了Emf_rate反电势变化率和w_rate角频率变化率。我们知道，参数Rs和Ψr主要跟随电机温度变化，由于电机温度变化比较慢，因此这两个参数变化通常很慢；而Ld、Lq主要跟随电机电流变化，但是前后两个控制周期之间的电流变化通常很小，因此在前后两个控制周期内我们基本可以认为Ld、Lq基本不变。由ΔEmf的计算公式可知，我们通过对前后两次控制周期计算的Emf'_i相减，基本可以消除参数Rs、Ld、Lq变化导致的误差。同时，我们计算Emf_rate反电势变化率和w_rate角频率变化率时，分别除以额定反电势EmfN和额定角频率WN，避免了除法导致的误差放大问题。最后Emf_rate反电势变化率的计算，不再受电机热态时反电势系数变化的影响。

根据永磁同步电机的基本原理，电机反电势大小和角频率成正比。例如，当角频率增加10％时，反电势也应该增加10％。也就是说，我们计算的Emf_rate反电势变化率和w_rate角频率变化率应该基本相等。由此我们可以采取以下方法判断电机是否失步。即当Emf_rate-W_rate大于一定阈值时即可判断电机失步。该阈值的大小不用考虑电机冷态热态时反电势系数的差异，因为计算Emf_rate的前后两个控制周期内反电势系数变化很小可以忽略不计。同时，该阈值量纲为百分比，跟实际反电势大小无关，通常我们取2～5％左右即可保证检测的快速性和准确性。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种永磁同步电机转子失步检测方法，其特征在于，包括：

获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；

将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；

将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；

将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；

将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；

对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；

基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；

将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及

基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

2.根据权利要求1所述的永磁同步电机转子失步检测方法，其特征在于，所述将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量，包括：

使用所述时序编码器的一维卷积层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量进行一维卷积编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量，Cov(X)表示所述实际输出电压输入向量、所述电机定子电阻输入向量或所述dq轴电感值输入向量的中间向量；以及

使用所述时序编码器的全连接层以如下公式分别对所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量进行全连接编码以分别提取出所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量，Y是所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量的中间向量的输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。

3.根据权利要求2所述的永磁同步电机转子失步检测方法，其特征在于，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

4.根据权利要求3所述的永磁同步电机转子失步检测方法，其特征在于，所述将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量，包括：

使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第一尺度电机温度特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电机温度特征向量，Cov₁(X)表示所述第一尺度电机温度特征向量；

使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述电机温度输入向量进行一维卷积编码以得到第二尺度电机温度特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述电机温度特征向量，Cov₂(X)表示所述第二尺度电机温度特征向量；以及

使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度电机温度特征向量和所述第二尺度电机温度特征向量进行级联以得到所述电机温度特征向量。

5.根据权利要求4所述的永磁同步电机转子失步检测方法，其特征在于，所述对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵，包括：

计算所述反电动势测量解码特征向量的转置向量与所述电机温度特征向量之间的乘积以得到所述解码特征矩阵。

6.根据权利要求5所述的永磁同步电机转子失步检测方法，其特征在于，所述基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵，包括：

计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；以及

将所述图核游走节点分布融合特征矩阵与所述解码特征矩阵进行矩阵相乘以得到所述优化解码特征矩阵。

7.根据权利要求6所述的永磁同步电机转子失步检测方法，其特征在于，所述计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵，包括：

以如下公式计算所述反电动势测量解码特征向量和所述电机温度特征向量之间的图核游走节点分布融合特征矩阵；

其中，所述公式为：

其中，V₁表示所述反电动势测量解码特征向量，V₂表示所述电机温度特征向量，M_c表示所述图核游走节点分布融合特征矩阵，D(V₁,V₂)为所述反电动势测量解码特征向量和所述电机温度特征向量之间的距离矩阵，且V₁和V₂均为列向量，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，

表示矩阵相乘。

8.根据权利要求7所述的永磁同步电机转子失步检测方法，其特征在于，所述将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值，包括：

使用所述解码器以如下公式对所述优化解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：

其中X是所述优化解码特征矩阵，Y是所述解码值，W是权重矩阵，

表示矩阵乘。

9.根据权利要求8所述的永磁同步电机转子失步检测方法，其特征在于，所述基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步，包括：

响应于所述解码值与所述标称反电势之间的差值大于等于预定阈值，确定所述永磁同步电机发生转子失步。

10.一种永磁同步电机转子失步检测装置，其特征在于，包括：

数据获取模块，用于获取预定时间段内多个预定时间点的电机温度值以及所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值；

数据结构化模块，用于将所述多个预定时间点的实际输出电压、电机定子电阻和dq轴电感值分别按照时间维度排列为实际输出电压输入向量、电机定子电阻输入向量和dq轴电感值输入向量；

时序编码模块，用于将所述实际输出电压输入向量、所述电机定子电阻输入向量和所述dq轴电感值输入向量分别通过包含一维卷积层和全连接层的时序编码器以得到实际输出电压特征向量、电机定子电阻特征向量和dq轴电感值特征向量；

学习模块，用于将所述实际输出电压特征向量、所述电机定子电阻特征向量和所述dq轴电感值特征向量通过极限学习机以得到反电动势测量解码特征向量；

多尺度编码模块，用于将所述多个预定时间点的电机温度值按照时间维度排列为电机温度输入向量后通过多尺度邻域特征提取模块以得到电机温度特征向量；

关联模块，用于对所述反电动势测量解码特征向量和所述电机温度特征向量进行关联编码以得到解码特征矩阵；

向量粒度特征分布优化模块，用于基于所述反电动势测量解码特征向量和所述电机温度特征向量，对所述解码特征矩阵进行向量粒度特征分布优化以得到优化解码特征矩阵；

解码模块，用于将所述优化解码特征矩阵通过解码器进行解码以得到用于表示真实反电动势的解码值；以及

检测结果生成模块，用于基于所述解码值与标称反电势之间的比较，确定永磁同步电机是否发生转子失步。

Images