CN116822089A - 一种基于数据驱动的电动机内部扰动分析及建模方法 - Google Patents

一种基于数据驱动的电动机内部扰动分析及建模方法 Download PDF

Info

Publication number
CN116822089A
CN116822089A CN202310834525.4A CN202310834525A CN116822089A CN 116822089 A CN116822089 A CN 116822089A CN 202310834525 A CN202310834525 A CN 202310834525A CN 116822089 A CN116822089 A CN 116822089A
Authority
CN
China
Prior art keywords
layer
data
neural network
network
deep neural
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
Application number
CN202310834525.4A
Other languages
English (en)
Inventor
陈志钦
李楠宇
蓝文迪
周光明
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.)
Shenzhen Xiha Technology Co ltd
Original Assignee
Shenzhen Xiha 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 Shenzhen Xiha Technology Co ltd filed Critical Shenzhen Xiha Technology Co ltd
Priority to CN202310834525.4A priority Critical patent/CN116822089A/zh
Publication of CN116822089A publication Critical patent/CN116822089A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明适用于电动机建模技术领域，提供了一种基于数据驱动的电动机内部扰动分析及建模方法，包括：S01、设计深度神经网络结构：包括4层1D卷积编码器，1层通道注意力机制层，4层1D反卷积网络解码器，4层双向长短词记忆模型作为跳跃链接的连接器，连接编码器和解码器；S02、训练深度神经网络：确定损失函数、正向传播、误差反向传播；S03、代码实现；S04、实验；采用数据驱动和通过深度神经网络拟合电动机内部机理；借助仿真数据作为预训练数据，拟合仿真数据和实测数据的差距；采用8层1D卷积‑1D反卷积结构，4层双向长短词记忆模型，1层通道注意力机制的深度神经网络结构来非线性拟合电动机内部模型，非线性拟合能力强，能准确进行建模。

Description

一种基于数据驱动的电动机内部扰动分析及建模方法
技术领域
本发明属于电动机建模技术领域，具体涉及到一种基于数据驱动的电动机内部扰动分析及建模方法。
背景技术
基于数据驱动的模型给机器人工业和自动化产业带来巨大变革，如无人车轨迹预测，燃料电池仿真,电动机故障识别,轴承振动仿真,电动机模拟控制等，电动机输出端负载等一系列真实环境中难以测量的参数，同时可以体现出减速器中非线性扰动对控制性能的影响，目前主要采用基于数学模型的方法，通过建立电动机的运动学和动力学方程，实现电动机的参数识别，但是以上算法存在3个缺陷：
1,电动机内部机理极其复杂，难以通过单一的建模进行仿真。
2,实测数据会存在很多不可知影响因素，和仿真数据误差很大。
3,该算法的非线性拟合能力弱。
发明内容
本发明的目的在于克服上述现有技术的不足，提供了一种基于数据驱动的电动机内部扰动分析及建模方法。
本发明是这样实现的：一种基于数据驱动的电动机内部扰动分析及建模方法，包括如下步骤：
S01、设计电动机内部扰动分析及建模方法的深度神经网络结构：
所述深度神经网络结构包括4层1D卷积编码器，1层通道注意力机制层，4层1D反卷积网络解码器，4层双向长短词记忆模型BiLSTM作为跳跃链接的连接器，连接编码器和解码器；
所述卷积编码器的卷积神经网络卷积过程包括：用G表示待处理特征，也就是卷积网络的输入，F为具体的卷积核，C为卷积输出结果，不考虑补零操作，该神经网络输入n×n大小的图像，经过f×f的卷积核滤波后，得到(n-f+1)2的输出。G、C中每个单元格对应一个神经元结点，后一层某神经元结点的值，来自于前一层多个结点的加权和；
所述反卷积网络解码器的反卷积神经网络卷积过程为所述卷积编码器的逆运算；
所述通道注意力机制层通过pooling得到空间或者通道的全局信息，使用全连接网络学习重分布权重，其中，全连接网络的计算为：ω、x与输入和连接线对应的权重一一对应，θ为激活神经元对应的阈值，φ(·)为激活函数；
S02、训练上述深度神经网络：包括如下步骤：
A01、确定损失函数：
其中，/>为网络输出，/>为仿真数据或者实测数据；
A02、正向传播：将训练图像输入，经过若干隐藏层后，使用损失函数计算输出结果与实际数据值之间的误差值；
A03、误差反向传播：
其中，/>表示第l层第j个神经元与第l-1层的第k个神经元之间的权重值，/>为第l层第j个神经元对应的偏置量，/>为第l层第j个神经元的输出，σ(·)为激活函数；
其中，/>为第l层第j个神经元的输入值；
以表示整体损失值对网络末层l的第j个神经元输入值产生的梯度值，由于/>为/>经过激活后得到的值，根据链式法则：
使用矩阵或向量形式将第l层的所有神经元同时考虑，则有：
其中符号⊙表示Hadamard乘积，不同于末层l，隐藏层l中单个神经元的输入值来自多个上一层(l-1)的神经元，故有：
用矩阵或向量形式进行表示：
计算w，b的梯度值，其中：
使用梯度下降算法对参数w，b的梯度值进行更新，即：
其中，η为学习率；训练网络参数，从而实现基于数据驱动的电动机内部扰动分析及建模方法；
S03、代码实现：数据集包括仿真数据和实测数据，仿真数据通过原来电动机内部扰动分析及建模算法仿真得到，实测数据以根据实测电动机得到；
S04、实验：网络输出和实测数据作实验数据图，判断建模准确性。
进一步的，在深度神经网络损失值收敛前，深度神经网络会不断重复A02：正向传播和A03：误差反向传播，直至训练得到模型。
进一步的，在步骤S03中，深度神经网络部分还可以通过pytorch实现代码，之后通过：
import matlab；
import matlab.engine；
import time；
import numpy as np；
import matplotlib.pyplot as plt；
eng＝matlab.engine.start_matlab()；
调用Matlab的Simulink模型；
进一步的，在步骤S04中，为更好的量化实验结果，使用均方误差MSE，平均绝对百分比误差SMAPE和决定系数R2来计算：
本发明提供的一种基于数据驱动的电动机内部扰动分析及建模方法：
1、采用数据驱动的方法，通过深度神经网络来拟合电动机内部极其复杂的机理；
2、借助原始算法的仿真数据作为预训练数据，实测数据一部分作为训练数据，一部分作为测试数据，拟合仿真数据和实测数据的差距鸿沟；
3、采用8层的1D卷积-1D反卷积结构，4层双向长短词记忆模型BiLSTM，1层的注意力机制结构的深度神经网络结构来非线性拟合电动机内部模型，非线性拟合能力强，能准确进行建模。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。
图1是本发明提供的深度神经网络结构示意图。
图2是本发明提供的所述卷积编码器的卷积神经网络卷积过程示意图。
图3是本发明提供的所述通道注意力机制层的模型示意图。
图4是本发明提供的网络输出的实验数据图。
图5是本发明提供的实测数据的实验数据图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-图5，为发明公开的一种基于数据驱动的电动机内部扰动分析及建模方法，包括如下步骤：
S01、设计深度神经网络结构：
所述深度神经网络结构包括4层1D卷积编码器，其卷积核为1X1，1层通道注意力机制层，4层1D反卷积网络解码器，其卷积核也为1X1，4层双向长短词记忆模型BiLSTM作为跳跃链接的连接器，连接编码器和解码器，如图1所示。具体根据万能逼近定理设计所述深度神经网络结构，非线性拟合能力强，可以解决后续神经网络训练过程中梯度爆炸和梯度消失问题；同时，引入跳跃链接的连接器，也有助于编码器处理解码器中的语义特征，也有助于解码器处理编码器的信息。
所述卷积编码器的卷积神经网络卷积过程包括：用G表示待处理特征，也就是卷积网络的输入，F为具体的卷积核，C为卷积输出结果，不考虑补零操作，该神经网络输入n×n大小的图像，经过f×f的卷积核滤波后，得到(n-f+1)2的输出。G、C中每个单元格对应一个神经元结点，后一层某神经元结点的值，来自于前一层多个结点的加权和，如图2所示。需要说明的是，网络神经元之间的权重是共享的，C中的神经元只与输入值的部分神经元产生直接关联，即CNN能够提取图像局部特征。由于连接数大幅度减少，故其中的权值参数总数下降，该网络的空间复杂度随之降低。
所述反卷积网络解码器的反卷积神经网络卷积过程为所述卷积编码器的逆运算。
所述通道注意力机制层具体是是神经网络如何计算抽象特征的高效策略，将神经网络计算资源分配给更重要的特征表达，是一个神经网络空间通道的重分布，通常是需要得到全局信息，之后得到分布权重，不需要额外的监督信息，只是自学习的方法学习权重，可以很方便地添加到网络中。具体使用通过pooling得到空间或者通道的全局信息，使用全连接网络学习重分布权重，其中，全连接网络的计算为：ω、x与输入和连接线对应的权重一一对应，θ为激活神经元对应的阈值，φ(·)为激活函数。
S02、训练深度神经网络：包括如下步骤：
A01、确定损失函数：
其中，/>为网络输出，/>为仿真数据或者实测数据；
深度神经网络的训练过程实际是根据损失函数最小化来进行网络里所有的参数学习的过程，基于数据驱动，在确定所述损失函数后，完整的训练主要包含正向传播和误差反向传播两个部分。
A02、正向传播：将训练图像输入，经过若干隐藏层后，使用损失函数计算输出结果与实际数据值之间的误差值。
A03、误差反向传播：
其中，/>表示第l层第j个神经元与第l-1层的第k个神经元之间的权重值，/>为第l层第j个神经元对应的偏置量，/>为第l层第j个神经元的输出，σ(·)为激活函数；
其中，/>为第l层第j个神经元的输入值；
以表示整体损失值对网络末层l的第j个神经元输入值产生的梯度值，由于/>为/>经过激活后得到的值，根据链式法则：
使用矩阵或向量形式将第l层的所有神经元同时考虑，则有：
其中符号⊙表示Hadamard乘积，不同于末层l，隐藏层l中单个神经元的输入值来自多个上一层(l-1)的神经元，故有：
用矩阵或向量形式进行表示：
计算w，b的梯度值，其中：
使用梯度下降算法对参数w，b的梯度值进行更新，即：
其中，η为学习率，训练网络参数，从而实现基于数据驱动的电动机内部扰动分析及建模方法。
在深度神经网络损失值收敛前，深度神经网络会不断重复A02：正向传播和A03：误差反向传播，直至训练得到模型。
S03、代码实现：数据集包括仿真数据和实测数据，仿真数据通过原来电动机内部扰动分析及建模算法仿真得到，实测数据以根据实测电动机得到。另外，还能使用另一个额外的数据集进行使用，深度神经网络部分通过pytorch实现代码，之后通过：
import matlab；
import matlab.engine；
import time；
import numpy as np；
import matplotlib.pyplot as plt；
eng＝matlab.engine.start_matlab()；
调用Matlab的Simulink模型；
S04、实验：网络输出和实测数据作实验数据图，判断建模准确性。
具体的，分别将仿真结果、网络结果和电动机实测结果用对应的电流表Current(A)和扭矩表Torque(Nm)进行分析，如图4-5所示。
为更好的量化实验结果，根据实验数据图使用均方误差MSE，平均绝对百分比误差SMAPE和决定系数R2来计算：
最终得到实验结果如下：
从实验数据表格看出，使用本发明的一种基于数据驱动的电动机内部扰动分析及建模方法比原来的算法有了很大的提高。本发明基于数据驱动的电动机拟合建模方法，只需要采集电动机的仿真数据和部分实际数据训练一个深度学习模型，而不用考虑电动机复杂的内部参数，依靠深度神经网络即能准确地自动建模。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于数据驱动的电动机内部扰动分析及建模方法，其特征在于：包括如下步骤：
S01、设计基于数据驱动的电动机内部扰动分析及建模方法的深度神经网络结构：
所述深度神经网络结构包括4层1D卷积编码器，1层通道注意力机制层，4层1D反卷积网络解码器，4层双向长短词记忆模型BiLSTM作为跳跃链接的连接器，连接编码器和解码器；
所述卷积编码器的卷积神经网络卷积过程包括：用G表示待处理特征，也就是卷积网络的输入，F为具体的卷积核，C为卷积输出结果，不考虑补零操作，该神经网络输入大小的图像，经过的卷积核滤波后，得到的输出。G、C中每个单元格对应一个神经元结点，后一层某神经元结点的值，来自于前一层多个结点的加权和；
所述反卷积网络解码器的反卷积神经网络卷积过程为所述卷积编码器的逆运算；
所述通道注意力机制层通过pooling得到空间或者通道的全局信息，使用全连接网络学习重分布权重，其中，全连接网络的计算为：ω、x与输入和连接线对应的权重一一对应，为激活神经元对应的阈值，为激活函数；
S02、训练上述深度神经网络：包括如下步骤：
A01、确定损失函数：
其中，/>为网络输出，/>为仿真数据或者实测数据；
A02、正向传播：将训练图像输入，经过若干隐藏层后，使用损失函数计算输出结果与实际数据值之间的误差值；
A03、误差反向传播：
其中，/>表示第l层第j个神经元与第l-1层的第k个神经元之间的权重值，/>为第l层第j个神经元对应的偏置量，/>为第l层第j个神经元的输出，σ(·)为激活函数；
其中，/>为第l层第j个神经元的输入值；
以表示整体损失值对网络末层l的第j个神经元输入值产生的梯度值，由于/>为/>经过激活后得到的值，根据链式法则：
使用矩阵或向量形式将第l层的所有神经元同时考虑，则有：
其中符号⊙表示Hadamard乘积，不同于末层l，隐藏层l中单个神经元的输入值来自多个上一层(l-1)的神经元，故有：
用矩阵或向量形式进行表示：
计算w，b的梯度值，其中：
使用梯度下降算法对参数的梯度值进行更新，即：
其中，η为学习率；训练网络参数，从而实现基于数据驱动的电动机内部扰动分析及建模方法；
S03、代码实现：数据集包括仿真数据和实测数据,仿真数据通过原来电动机内部扰动分析及建模算法仿真得到,实测数据以根据实测电动机得到；
S04、实验：网络输出和实测数据作实验数据图，判断建模准确性。
2.根据权利要求1所述的一种基于数据驱动的电动机内部扰动分析及建模方法，其特征在于：在深度神经网络损失值收敛前，深度神经网络会不断重复A02：正向传播和A03：误差反向传播，直至训练得到模型。
3.根据权利要求1所述的一种基于数据驱动的电动机内部扰动分析及建模方法，其特征在于：在步骤S03中，深度神经网络部分还可以通过pytorch实现代码，之后通过：
import matlab；
import matlab.engine；
import time；
import numpy as np；
import matplotlib.pyplot as plt；
eng＝matlab.engine.start_matlab()；
调用Matlab的Simulink模型。
4.根据权利要求1所述的一种基于数据驱动的电动机内部扰动分析及建模方法，其特征在于：在步骤S04中，为更好的量化实验结果，使用均方误差MSE，平均绝对百分比误差SMAPE和决定系数R2来计算：
CN202310834525.4A 2023-07-07 2023-07-07 一种基于数据驱动的电动机内部扰动分析及建模方法 Pending CN116822089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310834525.4A CN116822089A (zh) 2023-07-07 2023-07-07 一种基于数据驱动的电动机内部扰动分析及建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310834525.4A CN116822089A (zh) 2023-07-07 2023-07-07 一种基于数据驱动的电动机内部扰动分析及建模方法

Publications (1)

Publication Number Publication Date
CN116822089A true CN116822089A (zh) 2023-09-29

Family

ID=88142808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310834525.4A Pending CN116822089A (zh) 2023-07-07 2023-07-07 一种基于数据驱动的电动机内部扰动分析及建模方法

Country Status (1)

Country Link
CN (1) CN116822089A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474925A (zh) * 2023-12-28 2024-01-30 山东润通齿轮集团有限公司 一种基于机器视觉的齿轮点蚀检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474925A (zh) * 2023-12-28 2024-01-30 山东润通齿轮集团有限公司 一种基于机器视觉的齿轮点蚀检测方法及系统
CN117474925B (zh) * 2023-12-28 2024-03-15 山东润通齿轮集团有限公司 一种基于机器视觉的齿轮点蚀检测方法及系统

Similar Documents

Publication Publication Date Title
CN111130839B (zh) 一种流量需求矩阵预测方法及其系统
Li et al. WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking
Ji et al. Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network
Cen et al. A gray-box neural network-based model identification and fault estimation scheme for nonlinear dynamic systems
CN112947385B (zh) 一种基于改进Transformer模型的飞行器故障诊断方法和系统
CN115204302A (zh) 一种无人机小样本故障诊断系统及方法
CN116822089A (zh) 一种基于数据驱动的电动机内部扰动分析及建模方法
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN107025341A (zh) 一种光伏逆变器故障诊断方法
CN116821783A (zh) 一种故障检测方法、系统、设备及介质
CN114819054A (zh) 一种基于物理信息神经网络的电力电子系统状态监测方法
Costarelli Sigmoidal functions approximation and applications
Jiao et al. Fault diagnosis method for industrial robots based on DBN joint information fusion technology
Illahi et al. Neural network modeling for fuel consumption base on least computational cost parameters
CN115905848A (zh) 基于多模型融合的化工过程故障诊断方法及系统
Malik et al. Comparison of optimization by response surface methodology with neurofuzzy methods
CN115761654B (zh) 一种车辆重识别方法
Alrubaie Cascade-Forward neural network for volterra integral equation solution
CN109782156B (zh) 基于人工免疫诊断网络的模拟电路故障诊断方法
Kou Wireless Communication System and Its Application in Big Data Remote Monitoring and Decision‐Making
Zhang et al. Application of improved parallel LSTM in bearing fault diagnosis
CN112149351A (zh) 一种基于深度学习的微波电路物理尺寸估算方法
Yu et al. Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction
Wang et al. Fault diagnosis of gearbox based on deep residual shrinkage network in noise environment
Wang et al. Complex equipment diagnostic reasoning based on neural network algorithm

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