CN116973745A - 一种基于神经网络的电机扭矩标定方法及系统 - Google Patents

一种基于神经网络的电机扭矩标定方法及系统 Download PDF

Info

Publication number
CN116973745A
CN116973745A CN202310772402.2A CN202310772402A CN116973745A CN 116973745 A CN116973745 A CN 116973745A CN 202310772402 A CN202310772402 A CN 202310772402A CN 116973745 A CN116973745 A CN 116973745A
Authority
CN
China
Prior art keywords
current
torque
neural network
driving motor
rotating speed
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
CN202310772402.2A
Other languages
English (en)
Inventor
张晨阳
徐晖
普刚
方舟
龙祥
熊其华
罗凯阳
冯修成
孟仙雅
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.)
Dongfeng Commercial Vehicle Co Ltd
Original Assignee
Dongfeng Commercial Vehicle 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 Dongfeng Commercial Vehicle Co Ltd filed Critical Dongfeng Commercial Vehicle Co Ltd
Priority to CN202310772402.2A priority Critical patent/CN116973745A/zh
Publication of CN116973745A publication Critical patent/CN116973745A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L3/00—Measuring torque, work, mechanical power, or mechanical efficiency, in general
    • G01L3/24—Devices for determining the value of power, e.g. by measuring and simultaneously multiplying the values of torque and revolutions per unit of time, by multiplying the values of tractive or propulsive force and velocity
    • 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
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G06N3/09—Supervised learning

Landscapes

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

Abstract

本发明采用的技术方案是：一种基于神经网络的电机扭矩标定方法及方法，包括以下步骤：获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号；将驱动电机当前时刻的母线电压、扭矩、温度和转速信号输入至训练完成的电机转矩标定神经网络模型；所述电机转矩标定神经网络模型输出最佳转矩电流和最佳电流角度；采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的电机转矩。本发明采用基于神经网络算法建立多维度电机扭矩标定模型，同时结合自动化标定方法，可实现对电机的高精度、高效率标定。

Description

一种基于神经网络的电机扭矩标定方法及系统
技术领域
本发明属于电机控制技术领域，具体涉及一种基于神经网络的电机扭矩标定方法及系统。
背景技术
通常需要对电机进行标定，实现最大的转矩电流比，其中控制电流需要获取电流指令及角度指令，所述控制电流需要借助于电机台架来进行标定。传统对于所述控制电流的标定的具体方式(1)通过人工更改d轴电流和q轴电流的最佳分配方式匹配找到最佳转矩；(2)采用自动化标定技术，通过台架上位机进行预编程，控制输入电流的自动化调整及最大扭矩电流比的实时计算。
但是，上述现有技术仍存在以下问题：
(1)通过人工更改d轴电流和q轴电流或者改变电机电流及电流角度的最佳分配方式匹配找到最佳转矩，此种人工操作的方式采用人工读数，会导致一定的误差，而且人工操作需要消耗大量的人力和时间来进行标定，严重影响了标定效率；
(2)采用自动化标定技术，所述自动化标定需要依赖台架上位机来进行控制，即是既需要台架上位机控制输入的控制电流又需要台架上位机控制电机温度，一旦更换了台架的实验环境，现有的自动化标定方式无法正常工作，而在很多自动化标定过程中只保持电机在某个适宜温度范围内，在温度变化剧烈时控制精度严重失真。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于神经网络的电机扭矩标定方法及系统，采用基于神经网络算法建立多维度电机扭矩标定模型，同时结合自动化标定方法，可实现对电机的高精度、高效率标定。
本发明采用的技术方案是：一种基于神经网络的电机扭矩标定方法，包括以下步骤：
获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号；
将驱动电机当前时刻的母线电压、扭矩、温度和转速信号输入至训练完成的电机转矩标定神经网络模型；
所述电机转矩标定神经网络模型输出最佳转矩电流和最佳电流角度；
采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的电机转矩。
上述技术方案中，所述电机转矩标定神经网络模型包括输入层、隐含层和输出层；所述输入层包括4个神经元，分别对应母线电压、扭矩、温度和转速信号4个输入参数；所述输出层包括2个神经元，分别对应最佳转矩电流和最佳电流角度2个输出参数；所述隐含层的神经元个数根据需求设置。
上述技术方案中，通过传感器实时获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号。
上述技术方案中，所述电机转矩标定神经网络模型的训练过程包括：
采用测功机、传感器和配置有自动化标定方法的上位机对实体的驱动电机进行运行试验，获取驱动电机在不同的母线电压、扭矩、温度和转速信号下相应的最佳转矩电流和最佳电流角度，以构建数据集；所述数据集的单个训练样本信息包括：作为模型输入的母线电压、扭矩、温度和转速信号，以及作为训练标签的最佳转矩电流和最佳电流角度；
初始化神经网络模型后，采用数据集对神经网络模型进行迭代训练，得到电机转矩标定神经网络模型。
上述技术方案中，所述神经网络模型迭代训练的过程包括：
单个训练样本的模型输入信息从输入层进入神经网络，依次经过输入层、隐含层和输出层的计算，得到输出层结果；
计算输出层结果与相应的训练标签之间的误差；
根据输出层结果与相应的训练标签之间的误差，采用梯度下降法调节权重系数；
循环执行上述步骤直到达到设定的最大迭代次数，得到电机转矩标定神经网络模型。
上述技术方案中，所述数据集的构建过程包括：
通过自动化标定程序，设定驱动电机的电流梯度、转速梯度、电压梯度、电流角度梯度；
设定驱动电机的初始的电流、转速、母线电压和电流角度；
基于初始的电流、转速、母线电压和电流角度，根据电流梯度、转速梯度、电压梯度、电流角度梯度，通过控制变量的方式逐一改变驱动电机的电流、转速、母线电压和电流角度，获取相应各个驱动电机的电流、转速、母线电压和电流角度所处状态下的最佳转矩电流，同时记录该时刻对应的驱动电机的温度；
将同一时刻下的驱动电机的母线电压、扭矩、温度、转速、最佳转矩电流和电流角度作为单个样本信息。
上述技术方案中，所述自动化标定程序运行步长内电流的大小改变值、步长内转速的大小改变值、步长内电压的大小改变值、步长内电流角度的大小改变值，实现驱动电机的电流、转速、母线电压和电流角度的取值变化。
上述技术方案中，逐一改变驱动电机的电流、转速、母线电压和电流角度，获取相应各个驱动电机的电流、转速、母线电压和电流角度所处状态下的最佳转矩电流，同时记录该时刻对应的驱动电机的温度的过程包括：
S1，按照设定的初始的电流、转速、母线电压和电流角度运行驱动电机，同时计算得到初始扭矩；
S2，按照设定的电流角度梯度增加电流角度数值；
S3，计算实时扭矩；如果步骤S3计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S2；反之，则执行步骤S4；
S4，按照设定的电流角度梯度减少电流角度数值；
S5，计算实时扭矩；如果计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S4；反之，则记录当前时刻的驱动电机的母线电压、转速、电流、电流角度和计算得到的实时转矩；
S6，按照设定的电流梯度增加电流数值；如果电流数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S7；
S7，按照设定的转速梯度增加转速数值；如果转速数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S8；
S8，按照设定的母线电压梯度增加母线电压数值；如果母线电压数值没有达到设定峰值，则返回执行步骤S3；反之则结束试验。
上述技术方案中，采用下式计算输出层结果与相应的训练标签之间的误差E：
式中，y1为输出层输出的最佳转矩电流数值；T1为输入的单个样本信息中的相应的训练标签中的最佳转矩电流数值；y2为输出层输出的电流角度数值；T2为输入的单个样本信息中的相应的训练标签中的电流角度数值。
本发明还提供了一种基于神经网络的电机扭矩标定系统，该系统用于实现上述技术方案所述的基于神经网络的电机扭矩标定方法。
本发明的有益效果是：本发明通过神经网络算法结合自动化标定技术，利用神经网络的多维度拟合能力，能够建立电机多维度扭矩标定方案，克服传统标定方法工作量大、无法实现多维度标定(电机温度)、扭矩标定泛化能力差的不足，解决电机转矩标定的难题，实现对电机的高精度、高效率标定。本发明通过传感器实时采集驱动电机的信号，保证输入模型的数据的准确性。本发明通过针对实际的驱动电机的真实运行数据构建数据集，保证数据的真实性，进一步确保最终模型输出结果的精度。本发明采用输出层结果与相应的实际数据之间的误差形成损失函数，用于调整模型权重，保证模型训练的精度。本发明通过设置自动化的标定程序，调整驱动电机的试验输入参数，提高了试验过程的效率，也保证了数据集的充分性。本发明基于设定自动化标定程序，稳定间隔地对试验数据进行调整，最大限度的丰富数据集.本发明的样本数据采集方式，最大化的覆盖了驱动电机运行状态，保证模型的精度。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的电机转矩标定神经网络模型示意图；
图3为本发明的样本数据采集流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
如图1所示，本发明提供了一种基于神经网络的电机扭矩标定方法，包括以下步骤：
获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号；
将驱动电机当前时刻的母线电压、扭矩、温度和转速信号输入至训练完成的电机转矩标定神经网络模型；
所述电机转矩标定神经网络模型输出最佳转矩电流和最佳电流角度；
采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的电机转矩。
如图2所示，所述电机转矩标定神经网络模型包括输入层、隐含层和输出层；所述输入层包括4个神经元，分别对应母线电压、扭矩、温度和转速信号4个输入参数；所述输出层包括2个神经元，分别对应最佳转矩电流和最佳电流角度2个输出参数；所述隐含层的神经元个数根据需求设置。本发明通过采用神经网络构建合理的拟合模型，能够充分提取驱动电机的特征，保证形成的电机转矩标定神经网络模型输出结果精度高。
具体地，通过传感器实时获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号。本发明通过传感器实时采集驱动电机的信号，保证输入模型的数据的准确性。
本发明通过神经网络内部复杂的非线性分析推理，从而实现对电机控制最佳转矩电流及电流角度的拟合。具体算法设计如下：
BP神经网络的过程主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
具体地，所述电机转矩标定神经网络模型的训练过程包括：
采用测功机、传感器和配置有自动化标定方法的上位机对实体的驱动电机进行运行试验，获取驱动电机在不同的母线电压、扭矩、温度和转速信号下相应的最佳转矩电流和最佳电流角度，以构建数据集；所述数据集的单个训练样本信息包括：作为模型输入的母线电压、扭矩、温度和转速信号，以及作为训练标签的最佳转矩电流和最佳电流角度；
初始化神经网络模型后，采用数据集对神经网络模型进行迭代训练，得到电机转矩标定神经网络模型。
本发明通过针对实际的驱动电机的真实运行数据构建数据集，保证数据的真实性，进一步确保最终模型输出结果的精度。
具体地，所述神经网络模型迭代训练的过程包括：
单个训练样本的模型输入信息从输入层进入神经网络，依次经过输入层、隐含层和输出层的计算，得到输出层结果；
计算输出层结果与相应的训练标签之间的误差；
根据输出层结果与相应的训练标签之间的误差，采用梯度下降法调节权重系数；
循环执行上述步骤直到达到设定的最大迭代次数，得到电机转矩标定神经网络模型。
本发明采用出层结果与相应的实际数据之间的误差形成损失函数，用于调整模型权重，保证模型训练的精度。
具体地，所述数据集的构建过程包括：
通过配置有自动化标定程序的上位机，设定驱动电机的电流梯度、转速梯度、电压梯度、电流角度梯度；
通过上位机设定驱动电机的初始的电流、转速、母线电压和电流角度；
上位机基于初始的电流、转速、母线电压和电流角度，根据电流梯度、转速梯度、电压梯度、电流角度梯度，通过控制变量的方式对测功机进行控制，通过测功机逐一改变驱动电机的电流、转速、母线电压和电流角度，并通过传感器获取相应驱动电机的电流、转速、母线电压和电流角度所处各个状态下的最佳转矩电流，同时记录该时刻传感器所采集到的对应的驱动电机的温度；
将同一时刻下的驱动电机的母线电压、扭矩、温度、转速、最佳转矩电流和电流角度作为单个样本信息。
本发明通过设置自动化的标定程序，调整驱动电机的试验输入参数，提高了试验过程的效率，也保证了数据集的充分性。
具体地，所述自动化标定程序运行步长内电流的大小改变值、步长内转速的大小改变值、步长内电压的大小改变值、步长内电流角度的大小改变值，实现驱动电机的电流、转速、母线电压和电流角度的取值变化。
本发明基于设定自动化标定程序，稳定间隔地对试验数据进行调整，最大限度的丰富数据集。
具体地，逐一改变驱动电机的电流、转速、母线电压和电流角度，获取相应各个驱动电机的电流、转速、母线电压和电流角度所处状态下的最佳转矩电流，同时记录该时刻对应的驱动电机的温度的过程包括：
S1，按照设定的初始的电流、转速、母线电压和电流角度运行驱动电机，同时计算得到初始扭矩；
S2，按照设定的电流角度梯度增加电流角度数值；
S3，计算实时扭矩；如果步骤S3计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S2；反之，则执行步骤S4；
S4，按照设定的电流角度梯度减少电流角度数值；
S5，计算实时扭矩；如果计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S4；反之，则记录当前时刻的驱动电机的母线电压、转速、电流、电流角度和计算得到的实时转矩；
S6，按照设定的电流梯度增加电流数值；如果电流数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S7；
S7，按照设定的转速梯度增加转速数值；如果转速数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S8；
S8，按照设定的母线电压梯度增加母线电压数值；如果母线电压数值没有达到设定峰值，则返回执行步骤S3；反之则结束试验。
本发明的样本数据采集方式，最大化的覆盖了驱动电机运行状态，保证模型的精度。
具体地，采用下式计算输出层结果与相应的训练标签之间的误差E：
式中，y1为输出层输出的最佳转矩电流数值；T1为输入的单个样本信息中的相应的训练标签中的最佳转矩电流数值；y2为输出层输出的电流角度数值；T2为输入的单个样本信息中的相应的训练标签中的电流角度数值。
本发明基于输出层结果与相应的训练标签之间的误差形成了误差数据矩阵，基于该矩阵形成了损失函数，保证了模型训练的精度。
本发明还提供了一种基于神经网络的电机扭矩标定系统，该系统用于实现上述技术方案所述的基于神经网络的电机扭矩标定方法。该系统包括：试验驱动电机、上位机、试验传感器、在用传感器和在用驱动电机。
所述试验驱动电机装载有试验传感器，用于实时检测该驱动电机当前时刻的母线电压、扭矩、温度、转速信号和电流角度。
上位机基于自动化标定程序控制测功机，测功机进而控制试验驱动电机的母线电压、扭矩、温度、转速信号和电流角度，并基于试验传感器的检测结果计算实时转矩，从而生成数据集，并根据数据集训练神经网络模型得到电机转矩标定神经网络模型。
所述在用驱动电机装载有在用传感器，用于实时检测该驱动电机当前时刻的母线电压、扭矩、温度和转速信号，并将采集到的信号反馈至上位机。
上位机将接收到的在用驱动电机的当前时刻的母线电压、扭矩、温度和转速信号输入至电机转矩标定神经网络模型，并采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的在用驱动电机的电机转矩。
下面对本发明的具体实施例的流程做进一步说明。
本具体实施例提出一种基于神经网络的电机扭矩标定方法，包括以下步骤；
第一步，通过自动化标定程序，设定电机的电流梯度(每个自动化程序运行步长内电流的大小改变值)、转速梯度(每个自动化程序运行步长内转速的大小改变值)、电压梯度(每个自动化程序运行步长内电压的大小改变值)、电流角度梯度(每个自动化程序运行步长内电流角度的大小改变值)及初始电流、转速、电压、转角，通过控制变量的方式逐一改变变量，获取该状态下的最佳转矩电流，同时记录该时刻对应的电机温度。
在正向传播过程中，让记录的输入信息(母线电压、电机转速、扭矩、温度)从输入层进入网络，依次经过每一层的计算，得到最终输出层结果的过程。在神经网络中计算过程比较直接，用每一层的数值乘以对应的权重+偏置变量(激活函数)：
从输入层到隐藏层：
从隐藏层到输出层：
以上公式为神经网络的标准公式，νih与ωhj均为权重。
以本具体实施例转矩电流的迭代计算为例：
y1＝b1*w11+b2*w21+b3*w31+b4*w41+b5*w51
上式中，b表示权重。
第三步，反向传播过程计算，通过计算输出层与期望值之间的误差，即：最佳转矩电流与正向迭代的转矩电流之差、最佳电流角度与正向迭代的电流角度之差来调整网络参数，从而使得误差变小。计算误差公式如下：
式中，y1为输出层输出的最佳转矩电流数值；T1为输入的单个样本信息中的相应的训练标签中的最佳转矩电流数值；y2为输出层输出的电流角度数值；T2为输入的单个样本信息中的相应的训练标签中的电流角度数值。
第四步，根据上述误差值通过梯度下降法调节权重系数，通过不断的使用所记录的数据(母线电压、电机转速、扭矩、温度、最佳电流角度、最佳转矩电流)记录进行训练，设置最大迭代次数，比如使用数据集迭代100次后停止训练，从而得到一个电机转矩标定神经网络模型。
第五步，通过传感器及整车指令采集在用的驱动电机当前母线电压、扭矩、温度、转速信号，并将其输入电机转矩标定神经网络模型。采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的电机转矩。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于神经网络的电机扭矩标定方法，其特征在于：包括以下步骤：
获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号；
将驱动电机当前时刻的母线电压、扭矩、温度和转速信号输入至训练完成的电机转矩标定神经网络模型；
所述电机转矩标定神经网络模型输出最佳转矩电流和最佳电流角度；
采用电机转矩标定神经网络模型输出的最佳转矩电流和最佳电流角度标定下一时刻的电机转矩。
2.根据权利要求1所述的一种方法，其特征在于：所述电机转矩标定神经网络模型包括输入层、隐含层和输出层；所述输入层包括4个神经元，分别对应母线电压、扭矩、温度和转速信号4个输入参数；所述输出层包括2个神经元，分别对应最佳转矩电流和最佳电流角度2个输出参数；所述隐含层的神经元个数根据需求设置。
3.根据权利要求1所述的一种方法，其特征在于：通过传感器实时获取驱动电机当前时刻的母线电压、扭矩、温度和转速信号。
4.根据权利要求1所述的一种方法，其特征在于：所述电机转矩标定神经网络模型的训练过程包括：
采用测功机、传感器和配置有自动化标定方法的上位机对实体的驱动电机进行运行试验，获取驱动电机在不同的母线电压、扭矩、温度和转速信号下相应的最佳转矩电流和最佳电流角度，以构建数据集；所述数据集的单个训练样本信息包括：作为模型输入的母线电压、扭矩、温度和转速信号，以及作为训练标签的最佳转矩电流和最佳电流角度；
初始化神经网络模型后，采用数据集对神经网络模型进行迭代训练，得到电机转矩标定神经网络模型。
5.根据权利要求4所述的一种方法，其特征在于：所述神经网络模型迭代训练的过程包括：
单个训练样本的模型输入信息从输入层进入神经网络，依次经过输入层、隐含层和输出层的计算，得到输出层结果；
计算输出层结果与相应的训练标签之间的误差；
根据输出层结果与相应的训练标签之间的误差，采用梯度下降法调节权重系数；
循环执行上述步骤直到达到设定的最大迭代次数，得到电机转矩标定神经网络模型。
6.根据权利要求4所述的一种方法，其特征在于：所述数据集的构建过程包括：
通过自动化标定程序，设定驱动电机的电流梯度、转速梯度、电压梯度、电流角度梯度；
设定驱动电机的初始的电流、转速、母线电压和电流角度；
基于初始的电流、转速、母线电压和电流角度，根据电流梯度、转速梯度、电压梯度、电流角度梯度，通过控制变量的方式逐一改变驱动电机的电流、转速、母线电压和电流角度，获取相应各个驱动电机的电流、转速、母线电压和电流角度所处状态下的最佳转矩电流，同时记录该时刻对应的驱动电机的温度；
将同一时刻下的驱动电机的母线电压、扭矩、温度、转速、最佳转矩电流和电流角度作为单个样本信息。
7.根据权利要求6所述的一种方法，其特征在于：所述自动化标定程序运行步长内电流的大小改变值、步长内转速的大小改变值、步长内电压的大小改变值、步长内电流角度的大小改变值，实现驱动电机的电流、转速、母线电压和电流角度的取值变化。
8.根据权利要求7所述的一种方法，其特征在于：逐一改变驱动电机的电流、转速、母线电压和电流角度，获取相应各个驱动电机的电流、转速、母线电压和电流角度所处状态下的最佳转矩电流，同时记录该时刻对应的驱动电机的温度的过程包括：
S1，按照设定的初始的电流、转速、母线电压和电流角度运行驱动电机，同时计算得到初始扭矩；
S2，按照设定的电流角度梯度增加电流角度数值；
S3，计算实时扭矩；如果步骤S3计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S2；反之，则执行步骤S4；
S4，按照设定的电流角度梯度减少电流角度数值；
S5，计算实时扭矩；如果计算得到的实时扭矩大于上一时刻的扭矩；则返回执行步骤S4；反之，则记录当前时刻的驱动电机的母线电压、转速、电流、电流角度和计算得到的实时转矩；
S6，按照设定的电流梯度增加电流数值；如果电流数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S7；
S7，按照设定的转速梯度增加转速数值；如果转速数值没有达到设定峰值，则返回执行步骤S3；反之则执行步骤S8；
S8，按照设定的母线电压梯度增加母线电压数值；如果母线电压数值没有达到设定峰值，则返回执行步骤S3；反之则结束试验。
9.根据权利要求5所述的一种方法，其特征在于：采用下式计算输出层结果与相应的训练标签之间的误差E：
式中，y1为输出层输出的最佳转矩电流数值；T1为输入的单个样本信息中的相应的训练标签中的最佳转矩电流数值；y2为输出层输出的电流角度数值；T2为输入的单个样本信息中的相应的训练标签中的电流角度数值。
10.一种基于神经网络的电机扭矩标定系统，其特征在于：该系统用于实现权利要求1-9任一项所述的基于神经网络的电机扭矩标定方法。
CN202310772402.2A 2023-06-28 2023-06-28 一种基于神经网络的电机扭矩标定方法及系统 Pending CN116973745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310772402.2A CN116973745A (zh) 2023-06-28 2023-06-28 一种基于神经网络的电机扭矩标定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310772402.2A CN116973745A (zh) 2023-06-28 2023-06-28 一种基于神经网络的电机扭矩标定方法及系统

Publications (1)

Publication Number Publication Date
CN116973745A true CN116973745A (zh) 2023-10-31

Family

ID=88475882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310772402.2A Pending CN116973745A (zh) 2023-06-28 2023-06-28 一种基于神经网络的电机扭矩标定方法及系统

Country Status (1)

Country Link
CN (1) CN116973745A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117335689A (zh) * 2023-11-24 2024-01-02 太原理工大学 多伺服驱动采煤机截割部的力矩最优控制方法
CN117932561B (zh) * 2024-03-22 2024-06-11 绵阳师范学院 一种联轴器扭矩数据分析方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117335689A (zh) * 2023-11-24 2024-01-02 太原理工大学 多伺服驱动采煤机截割部的力矩最优控制方法
CN117335689B (zh) * 2023-11-24 2024-02-20 太原理工大学 多伺服驱动采煤机截割部的力矩最优控制方法
CN117932561B (zh) * 2024-03-22 2024-06-11 绵阳师范学院 一种联轴器扭矩数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN116973745A (zh) 一种基于神经网络的电机扭矩标定方法及系统
CN106843172B (zh) 基于jy-kpls的复杂工业过程在线质量预测方法
CN108197743A (zh) 一种基于深度学习的预测模型软测量方法
CN113093708B (zh) 多信号融合的轮毂电机汽车转矩分配试验系统及前瞻控制方法
CN110807554A (zh) 基于风电/光伏经典场景集的生成方法及系统
CN110244077B (zh) 一种热式风速传感器恒功率调节与精度补偿方法
CN105807632A (zh) 一种基于改进大林算法的加热炉温度控制器设计方法
CN104462850A (zh) 基于模糊高斯混合模型的多阶段间歇过程软测量方法
CN114398049A (zh) 一种离散制造车间数字孪生模型自适应动态更新方法
CN102876816A (zh) 基于多传感器信息融合的发酵过程状态监测与控制方法
CN115632584A (zh) 一种内嵌式永磁同步电机损耗优化控制方法
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN114264865B (zh) 一种电流采集装置在线自校准方法
CN109709895B (zh) 一种基于图像阈值设置的机床主轴热误差建模训练方法
CN114330150A (zh) 一种电热传感器互校正的锂电池健康状态估计方法
CN106563645A (zh) 一种基于张量分解的压电薄膜传感器智能分拣方法
CN106599391B (zh) 基于三角形角度值动态加权的关联向量机软测量建模方法
CN113762513A (zh) 一种基于dna链置换的dna神经元学习方法
CN110727285A (zh) 基于高斯时间配点控制参数化的无动力航空飞行器控制信号发生装置及方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN112685954B (zh) 一种汽车环境风洞风速和风机转速的预测方法及装置
CN103617316A (zh) 一种基于多核支持向量机的发酵过程动态预测方法
CN105129073B (zh) 一种基于gofir的飞行器阵风减缓自适应前馈控制方法
CN110009094A (zh) 一种直拉硅单晶提拉速度-晶体直径辨识模型建模方法
CN100449930C (zh) 用于发动机性能试验台架的交流电机速度特性控制方法

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