CN117491869A - 基于数字孪生的永磁电机健康状态监测控制方法及系统 - Google Patents
基于数字孪生的永磁电机健康状态监测控制方法及系统 Download PDFInfo
- Publication number
- CN117491869A CN117491869A CN202311443883.9A CN202311443883A CN117491869A CN 117491869 A CN117491869 A CN 117491869A CN 202311443883 A CN202311443883 A CN 202311443883A CN 117491869 A CN117491869 A CN 117491869A
- Authority
- CN
- China
- Prior art keywords
- motor
- current
- model
- axis
- permanent magnet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000004907 flux Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种基于数字孪生的永磁电机健康状态监测控制方法及系统,该方法包括:步骤1.构建数字孪生电机模型,数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型以用于预测下一时刻的电机电流;步骤2.随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用电流预测模型得到的预测电流结果与实际采样电流的误差最小,进而得到最优电机参数结果;步骤3.将最优电机参数结果输入至无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。本发明可以准确的实现电机在线监测,提升电机的健康监测与智能控制性能,具有适用范围广,使用简便等优点。
Description
技术领域
本发明涉及一种电机监控技术领域,尤其涉及一种基于数字孪生的永磁电机健康状态监测控制方法及系统。
背景技术
永磁电机广泛用于风力发电、电力驱动、工业机器人等领域。电机的参数对永磁电机的健康状态与控制性能密切相关,永磁电机参数会随电机负载、温度以及电机转速等运行工况的变化而变化,更严重的失磁、匝间短路故障等对参数的影响更加明显。电机的参数(如电阻、磁链、电感等)不仅能够反应电机的健康状态(绝缘、温度),而且对电机的无速度控制、模型预测等控制性能的准确性均有十分巨大的影响。因此,实时在线监控永磁电机的参数状态可以有效实现电机健康状态的监测。
现有技术对永磁电机参数辨识方法一般采用离线辨识技术,即在离线状态下永磁电机保持静止时,对永磁电机注入电流,进而辨识出电机参数。但是离线辨识方式由于必须在电机保持静止状态时对电机参数进行辨识,实现过程复杂且耗时长,需额外进行注入电流等操作以完成辨识过程,辨识效率较低,且所得到的电机参数辨识结果是离线的结果,而在实际的应用过程中,电机的温度随负载的变化而变化,离线辨识的结果并不能准确反应出电机实际运行工况下的运行参数,致使电机参数的辨识精度并不高,因而难以精准监测电机的健康状态。现有技术中参数在线辨识方法又会存在参数失秩的问题,使得电机参数辨识结果准确性低,仍然不能满足实际精度的需求。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种适用范围广,使用简便的基于数字孪生的永磁电机健康状态监测控制方法及系统,以实现对永磁电机的在线监测控制。
为解决上述技术问题,本发明提出的技术方案为:一种基于数字孪生的永磁电机健康状态监测控制方法,包括以下步骤:
步骤1.构建数字孪生电机模型,所述数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,所述电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,所述永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型;
步骤2.随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用所述电流预测模型得到的预测电流结果与实际采样电流的误差最小,进而得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至所述电流预测模型中以预测下一时刻的电机电流;
步骤3.将所述最优电机参数结果输入至所述无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
进一步的,所述步骤1中,构建的所述永磁电机微分电流模型为:
其中,id、iq分别表示电机d轴电流、电机q轴电流;ud、uq分别表示电机d轴电压、电机q轴电压;Rs表示电机电阻,Ld、Lq表示电机d轴电感、电机q轴电感;we表示电机运行角频率,表示电机磁链。
进一步的,所述步骤1中,所述电流预测模型为:
其中,id,n+1、iq,n+1分别表示电机d轴电流在n+1时刻的电流预测结果,电机q轴电流在n+1时刻的电流预测结果;id,n、iq,n分别表示电机d轴电流在n时刻的采样电流,电机q轴电流在n时刻的采样电流;ka1、ka2、ka3、ka4表示电机d轴电流龙格库塔系数;kb1、kb2、kb3、kb4表示电机q轴电流龙格库塔系数;h表示运行步长。
进一步的,所述步骤2包括:
步骤201.在指定范围内随机初始化电机参数的随机值,以作为第一代粒子群的位置和速度,所述电机参数包括:电机电阻Rs、d轴电感Ld、q轴电感Lq、电机磁链
步骤202.对电机参数组成的向量组进行迭代,将当代粒子群的位置和速度输入至所述电流预测模型中预测得到下一时刻的电流,并按照构建的目标函数计算预测电流值与实际电流值之间的差值;
步骤203.判断所述差值的大小,如果所述差值小于预设阈值,停止迭代,将迭代得到的单代最优位置以及种群最优位置对应的电机参数作为最优电机参数输出,否则使用迭代得到的单代最优位置以及种群最优位置更新粒子群的飞行速度和位置,返回执行步骤S202以执行下一次迭代。
进一步的,所述目标函数为:
fobj=(id,m-id.n+1)2+(iq,m-iq.n+1)2
其中,fobj表示目标函数值;id,m表示电机d轴n+1时刻的采样电流,iq,m表示电机q轴n+1时刻的采样电流;id.n+1表示电机d轴n+1时刻的预测电流;iq.n+1表示电机q轴n+1时刻的预测电流。
进一步的,步骤S202中,按照下式分别更新粒子群的飞行速度和位置:
Vi,j=wi-1Vi-1,j+2r1,i-1,j(PG-Pi-1,j)+2r2,i-1,j(PL,i-1,j-Pi-1,j)
Pi,j=Pi-1,j+Vi,j
其中,wi-1表示当前速度的惯量系数,r1,i-1,j表示i-1代的惯性系统,r2,i-1,j表示整个种群的惯性系统,Vi-1,j和Vi,j表示粒子在i-1代和i代的飞行速度,PG表示整个种群的最好位置值,PL,i-1,j表示i-1代组得到的最优位置值,PL,i-1,j表示i-1代当前的位置,Pi,j表示第i代元素的位置。
进一步的,所述步骤2迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算的方法为:通过逆变器驱动实际的永磁电机运转,并不断地采集电机运行物理信息,所述电机运行物理信息包括电机的电流、电压、转速、转子位置,并所述电机运行物理信息输入粒子群优化算法进行迭代运行以得到的最新的电机参数信息,并将所述最新的电机参数信息输入所述电流预测模型实现下一时刻的电流预测。
进一步的,所述步骤3中,将所述最优电机参数结果输入至所述无差拍预测电机模型中,按照下式计算得到参考电压:
其中,id,n表示电机d轴电流、iq,n表示电机q轴电流,id,ref表示d轴参考电流、iq,ref表示q轴参考电流,ud表示d轴电压、uq表示q轴电压,Rs,n为更新后的电机电阻,Ld,n表示更新后的d轴电感、Lq,n表示更新后的q轴电感,we是电机运行角频率,为更新后的电机磁链。
本发明还提出一种基于数字孪生的永磁电机健康状态监测控制系统,包括:
数字孪生电机模型构建模块,用于构建数字孪生电机模型,所述数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,所述电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,所述永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型;
粒子群优化迭代计算模块,随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用所述电流预测模型得到的预测电流结果与实际采样电流的误差最小,得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至所述电流预测模型中以预测下一时刻的电机电流;
永磁电机运行控制模块,将所述最优电机参数结果输入至所述无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
一种计算机系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述基于数字孪生的永磁电机健康状态监测控制方法所述方法。
与现有技术相比,本发明的优点在于:
1、本发明基于数字孪生技术构建数字孪生电机模型,首先通过龙格库塔方法得到永磁电机的微分模型,实现对电机电流的预测,再运用粒子群搜索方法得到实时采样电流与预测电流模型误差最小下的电机参数辨识结果,最后利用该电机参数辨识结果实现永磁电机的无差拍模型预测控制,能够在电机运行过程中智能实现健康状态监测与控制,提升系统的响应速度以及控制精度。
2、本发明可以高效的实现电机健康状态在线监测,解决传统辨识中参数失秩的问题,且整个辨识过程无需停机、单独的辨识程序等操作,也无需额外的观测器等,可以大大降低实现成本以及复杂度,不仅实现操作简便且适用范围广。
3、本发明进一步以电机模型为变量,以电机运行中的转速、电流、电压信号为输入元素,兼顾电机dq轴电流变量的相互影响,预测得到下一时刻的电机电流,使得电机电流预测结果更加的准确、电机参数结果收敛速度更快,可以快速的实现对电机参数的在线估计,利用辨识得到的电机参数还可以改善模型预测控制过程中的动静态控制性能。
4、本发明进一步通过龙格库塔法实现对电机dq轴电流的微分预测,基于电机的电阻Rs、d轴电感Ld、q轴电感Lq、电机磁链参数,运用粒子群优化方法进行迭代优化,使得电机电流预测结果与实际测量结果误差最小,能够快速得到在线状态下误差最小的电机参数。
附图说明
图1为本发明实施例中控制过程流程图。
图2为本发明实施例中数字孪生电机物理模型与孪生模型的信息交互示意图。
图3为本发明实施例中运用本方法后目标函数的收敛结果。
图4为本发明实施例中运用本方法后电机参数收敛结果。
图5为本发明实施例中运用本方法后dq轴电流跟踪结果。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于数字孪生的永磁电机健康状态监测控制方法包括以下步骤:
步骤1.构建数字孪生电机模型,数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型。
本实施例中,首先通过龙格库塔方法建立永磁电机包含电机参数的微分电流模型具体为:
其中,id、iq分别表示电机d轴电流、电机q轴电流;ud、uq分别表示电机d轴电压、电机q轴电压;Rs表示电机电阻,Ld、Lq表示电机d轴电感、电机q轴电感;we表示电机运行角频率,表示电机磁链。
使用f1(id,iq),f1(id,iq)表示电机dq轴电流微分:
则利用四阶龙格库塔方法可得到在n+1时刻的预测电流结果:
其中,id,n+1、iq,n+1分别表示电机d轴电流在n+1时刻的电流预测结果,电机q轴电流在n+1时刻的电流预测结果;id,n、iq,n分别表示电机d轴电流在n时刻的采样电流,电机q轴电流在n时刻的采样电流;ka1、ka2、ka3、ka4表示电机d轴电流龙格库塔系数;kb1、kb2、kb3、kb4表示电机q轴电流龙格库塔系数;h表示运行步长。
由上式(3)、(4)构建得到电流预测模型,输入电机dq轴电流在n时刻的采样电流以及dq轴电流龙格库塔系数,即可以预测得到dq轴在n+1时刻的电流预测结果。本实施例通过利用龙格库塔方法,以电机模型为变量,以电机运行中的转速、电流、电压信号为输入元素,且同时考虑的dq轴电流变量的相互影响,构建形成电流预测模型,由该电流预测模型可以精准预测得到下一时刻的电机电流,提高预测精度,使得预测得到的结果更加的准确。
步骤2.随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用电流预测模型得到的预测电流结果与实际采样电流的误差最小,进而得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至电流预测模型中以预测下一时刻的电机电流。
步骤201.在指定范围内随机初始化电机参数的随机值,以作为第一代粒子群的位置和速度,电机参数包括:电机电阻Rs、d轴电感Ld、q轴电感Lq、电机磁链
步骤202.对电机参数组成的向量组进行迭代,将当代粒子群的位置和速度输入至电流预测模型中预测得到下一时刻的电流,并按照构建的目标函数计算预测电流值与实际电流值之间的差值;
步骤203.判断差值的大小,如果差值小于预设阈值,停止迭代,将迭代得到的单代最优位置以及种群最优位置对应的电机参数作为最优电机参数输出,否则使用迭代得到的单代最优位置以及种群最优位置更新粒子群的飞行速度和位置,返回执行步骤S202以执行下一次迭代。
具体的,运用粒子群优化算法对电机参数进行优化迭代,首先建立包含电机参数(Rs、Ld、Lq、)的随机值,作为第一代数据。利用n时刻的电机参数进行预测得到n+1时刻的电流模型,进而得到n+1时刻的预测电流,并将n+1时刻的预测电流与n+1时刻的采样电流id,m、iq,m进行比较,建立预测电流结果和测量结果误差最小的目标函数。将电流预测模型得到的预测电流提供给粒子群优化算法以计算目标函数值,通过迭代使得为当电机参数与实际参数相同时,电机电流预测结果与实际测量结果误差最小。目标函数具体可以表示为:
fobj=(id,m-id.n+1)2+(iq,m-iq.m+1)2 (5)
其中,fobj表示目标函数值;id,m表示电机d轴n+1时刻的采样电流,iq,m表示电机q轴n+1时刻的采样电流;id.n+1表示电机d轴n+1时刻的预测电流;iq.n+1表示电机q轴n+1时刻的预测电流。
将电机电阻Rs、电机d轴电感Ld、电机q轴电感Lq和电机磁链个参数的向量组进行优化迭代过程中,由各参数形成n组粒子数量,进行m代迭代,利用每组粒子群里面的最优位置和每代结果里面的最优位置,并不断地更新粒子群的飞行速度和位置,对粒子群的速度和位置进行限制,更新粒子的飞行速度和位置的具体方程表示如下:
Vi,j=wi-1Vi-1,j+2r1,i-1,j(PG-Pi-1,j)+2r2,i-1,j(PL,i-1,j-Pi-1,j) (6)
Pi,j=Pi-1,j+Vi,j (7)
其中,wi-1表示当前速度的惯量系数,r1,i-1,j表示i-1代的惯性系统,r2,i-1,j表示整个种群的惯性系统,Vi-1,j和Vi,j表示粒子在i-1代和i代的飞行速度,PG表示整个种群的最好位置值,PL,i-1,j表示i-1代组得到的最优位置值,PL,i-1,j表示i-1代当前的位置,Pi,j表示第i代元素的位置。
在具体应用实施例中,先随机产生电机参数Rs、Ld、Lq、与飞行的随机值作为粒子群优化算法的第一代数据,然后基于采样数据和电机参数运用电流预测模型得到预测下一步的电机dq轴电流值;建立采样电流与预测电流间误差的目标函数,得到电机参数使目标函数最小,寻找第一代数据中的代价函数最好的电机参数值,并记录下来,根据当前迭代得到的种群结果,更新得到下一代粒子的电机参数和飞行数据种群,重复上述步骤,得到n次迭代的结果,当得到目标函数结果小于设定阈值时,停止该粒子群优化算法,得到的最优电机参数Rs、Ld、Lq、/>结果。
本实施例在迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算的步骤包括:通过逆变器驱动实际的永磁电机运转,并不断地采集电机运行物理信息,电机运行物理信息包括电机的电流、电压、转速、转子位置,并将电机运行物理信息输入粒子群优化算法进行迭代运行,以得到的最新的电机参数信息,并将最新的电机参数信息输入电流预测模型实现下一时刻的电流预测。
如图2所示,本实施例通过结合数字孪生方法实现永磁电机监控状态的智能监控,首先在变流器驱动实际的永磁电机运转,并不断地采集电机运行的电流、电压、转速、转子位置等物理信息,并传给粒子群优化算法进行不断地迭代运行,对实际运行中的电机参数开始监视并不断地修正,将最新的电阻、电感、磁链等信息传给龙电流预测模型进行下一步预测电流,通过电机驱动的物理模型与数字孪生模型之间的不断信息交互,能够使得预测得到的电流结果更加接近实际情况,提高预测的准确度。
本实施例通过上述方式辨识出的电机参数可用于实现对永磁电机的状态监测,如永磁电机的电感可预测电机的绝缘状态,磁链可表明永磁体的温度及退磁工况特性,估计电机的电磁转矩等特征,准确的电机的准确参数有利于实现准确的控制器参数设定,保证系统的动静态性能。上述辨识方法并不限定于电机的工作状态,也可工作在加速、减速或稳态等其他工况下进行辨识,具有很强的适应性。
步骤3.将最优电机参数结果输入至无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
本实施例中,将粒子群优化得到的最优电机参数结果输入至无差拍预测电机模型中,使无差拍模型预测控制替代电流环,具体是按照下式计算得到参考电压:
其中,id,n表示电机d轴电流、iq,n表示电机q轴电流,id,ref表示d轴参考电流、iq,ref表示q轴参考电流,ud表示d轴电压、uq表示q轴电压,Rs,n为更新后的电机电阻,Ld,n表示更新后的d轴电感、Lq,n表示更新后的q轴电感,we是电机运行角频率,为更新后的电机磁链。
本实施例通过基于数字孪生技术,在变流器驱动实际的永磁电机运转,并不断地采集电机运行的电流、电压、转速、转子位置等物理信息,传递给粒子群优化算法进行不断地迭代运行,对实际运行中的电机参数开始监视并不断地修正,将最新的电阻、电感、磁链等信息传给龙格库塔方法进行下一步预测电流,直至满足目标函数收敛条件,利用电机驱动的物理模型与数字孪生模型之间的信息交互快速得到最优的电机参数结果,利用更新后得到的最优电机参数运用进行无模型永磁电机无差拍预测控制,可以结合电机实时参数状态实现对电机健康状态的精准控制,可以适用于任意工况下的监控,且实现过程简单、动态响应速度快,可显著的减少由于参数误差引起的电流谐波增大等问题,同时无需复杂的参数观测器。
在具体应用实施例中采用本实施例上述方法对永磁电机的健康状态进行监测、控制,其中在电机运行后0.5s开启本发明方法,采样上述构建的目标函数,迭代过程中寻找目标函数最小值,当达到目标函数最小值时,停止迭代,得到的目标函数的收敛结果如图3所示,电机参数收敛结果如图4所示,dq轴电流跟踪结果。由图4可知,本发明能够在极短的时间内搜索达到目标函数设定值的电机参数,并在此时停止该方法。由图5可知,本发明通过使用迭代得到的电机参数进行无差拍预测控制,电机的q轴电流的给定值可以快速接近反馈电流,d轴的反馈电流更接近给定电流0,即能够减小电流间的误差。
相对于传统永磁电机在线辨识方法,本发明可以快速的实现对电机参数的在线估计,从而实现在线对永磁电机状态的估计,并利用该参数实现永磁电机的模型预测控制,准确的实现电机在线监测,解决传统辨识中参数失秩的问题,整个辨识过程无需停机、单独的辨识程序,得到的电机参数结果收敛速度快,在2-3个控制周期内就可以实现电机参数的辨识,辨识得到的电机参数还可以改善模型预测控制方法的动静态控制性能,无需额外的观测器等,能够提升电机的健康监测与智能控制性能。
本实施例基于数字孪生的永磁电机健康状态监测控制系统,包括:
数字孪生电机模型构建模块,用于构建数字孪生电机模型,数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型;
粒子群优化迭代计算模块,随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用电流预测模型得到的预测电流结果与实际采样电流的误差最小,得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至电流预测模型中以预测下一时刻的电机电流;
永磁电机运行控制模块,将最优电机参数结果输入至无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
本实施例基于数字孪生的永磁电机健康状态监测控制系统与基于数字孪生的永磁电机健康状态监测控制方法为一一对应,在此不再一一赘述。
本实施例计算机系统,包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序以执行基于数字孪生的永磁电机健康状态监测控制方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,包括以下步骤:
步骤1.构建数字孪生电机模型,所述数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,所述电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,所述永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型;
步骤2.随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用所述电流预测模型得到的预测电流结果与实际采样电流的误差最小,得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至所述电流预测模型中以预测下一时刻的电机电流;
步骤3.将所述最优电机参数结果输入至所述无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
2.根据权利要求1所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤1中,构建的所述永磁电机微分电流模型为:
其中,id、iq分别表示电机d轴电流、电机q轴电流;ud、uq分别表示电机d轴电压、电机q轴电压;Rs表示电机电阻,Ld、Lq表示电机d轴电感、电机q轴电感;we表示电机运行角频率,表示电机磁链。
3.根据权利要求2所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤1中,所述电流预测模型为:
其中,id,n+1、iq,n+1分别表示电机d轴电流在n+1时刻的电流预测结果,电机q轴电流在n+1时刻的电流预测结果;id,n、iq,n分别表示电机d轴电流在n时刻的采样电流,电机q轴电流在n时刻的采样电流;ka1、ka2、ka3、ka4表示电机d轴电流龙格库塔系数;kb1、kb2、kb3、kb4表示电机q轴电流龙格库塔系数;h表示运行步长。
4.根据权利要求1所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤2包括:
步骤201.在指定范围内随机初始化电机参数的随机值,以作为第一代粒子群的位置和速度,所述电机参数包括:电机电阻Rs、d轴电感Ld、q轴电感La、电机磁链
步骤202.对电机参数组成的向量组进行迭代,将当代粒子群的位置和速度输入至所述电流预测模型中预测得到下一时刻的电流,并按照构建的目标函数计算预测电流值与实际电流值之间的差值;
步骤203.判断所述差值的大小,如果所述差值小于预设阈值,停止迭代,将迭代得到的单代最优位置以及种群最优位置对应的电机参数作为最优电机参数输出,否则使用迭代得到的单代最优位置以及种群最优位置更新粒子群的飞行速度和位置,返回执行步骤S202以执行下一次迭代。
5.根据权利要求4所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述目标函数为:
fobj=(id,m-id.n+1)2+(iq,m-iq.n+1)2
其中,fobj表示目标函数值;id,m表示电机d轴n+1时刻的采样电流,iq,m表示电机q轴n+1时刻的采样电流;id.n+1表示电机d轴n+1时刻的预测电流;iq.n+1表示电机q轴n+1时刻的预测电流。
6.根据权利要求4所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤S202中,按照下式分别更新粒子群的飞行速度和位置:
Vi,j=wi-1Vi-1,j+2r1,i-1,j(PG-Pi-1,j)+2r2,i-1,j(PL,i-1,j-Pi-1,j)
Pi,j=Pi-1,j+Vi,j
其中,wi-1表示当前速度的惯量系数,r1,i-1,j表示i-1代的惯性系统,r2,i-1,j表示整个种群的惯性系统,Vi-1,j和Vi,j表示粒子在i-1代和i代的飞行速度,PG表示整个种群的最好位置值,PL,i-1,j表示i-1代组得到的最优位置值,PL,i-1,j表示i-1代当前的位置,Pi,j表示第i代元素的位置。
7.根据权利要求1~6中任意一项所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤2迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算的步骤包括:通过逆变器驱动实际的永磁电机运转,并不断地采集电机运行物理信息,所述电机运行物理信息包括电机的电流、电压、转速、转子位置,并将所述电机运行物理信息输入粒子群优化算法进行迭代运行以得到的最新的电机参数信息,将所述最新的电机参数信息输入所述电流预测模型实现下一时刻的电流预测。
8.根据权利要求1~6中任意一项所述的基于数字孪生的永磁电机健康状态监测控制方法,其特征在于,所述步骤3中,将所述最优电机参数结果输入至所述无差拍预测电机模型中,按照下式计算得到参考电压:
其中,id,n表示电机d轴电流、iq,n表示电机q轴电流,id,ref表示d轴参考电流、iq,ref表示q轴参考电流,ud表示d轴电压、uq表示q轴电压,Rs,n为更新后的电机电阻,Ld,n表示更新后的d轴电感、Lq,n表示更新后的q轴电感,we是电机运行角频率,为更新后的电机磁链。
9.一种基于数字孪生的永磁电机健康状态监测控制系统,其特征在于,包括:
数字孪生电机模型构建模块,用于构建数字孪生电机模型,所述数字孪生电机模型包括电流预测模型以及无差拍预测电机模型,所述电流预测模型采用四阶龙格库塔求解永磁电机微分电流模型构建得到以用于预测下一时刻的电机电流,所述永磁电机微分电流模型为dq轴微分电流、电压与dq轴电流、电压以及电机参数之间的关系模型;
粒子群优化迭代计算模块,随机生成电机参数的初始值,采用粒子群优化算法进行优化迭代,使得采用所述电流预测模型得到的预测电流结果与实际采样电流的误差最小,得到最优电机参数结果,迭代优化过程中不断采集实际电机的运行状态信息进行迭代计算,将迭代计算得到的电机参数输入至所述电流预测模型中以预测下一时刻的电机电流;
永磁电机运行控制模块,将所述最优电机参数结果输入至所述无差拍预测电机模型中,得到所需的参考电压以实现对永磁电机的控制。
10.一种计算机系统,包括处理器以及存储器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443883.9A CN117491869A (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的永磁电机健康状态监测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311443883.9A CN117491869A (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的永磁电机健康状态监测控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491869A true CN117491869A (zh) | 2024-02-02 |
Family
ID=89682102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311443883.9A Pending CN117491869A (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的永磁电机健康状态监测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491869A (zh) |
-
2023
- 2023-11-01 CN CN202311443883.9A patent/CN117491869A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Speed estimation of an induction motor drive using an optimized extended Kalman filter | |
CN111555680A (zh) | 一种永磁同步电机无差拍预测电流控制方法 | |
Vaclavek et al. | PMSM model discretization for model predictive control algorithms | |
JP6850458B1 (ja) | Ai搭載型モータ状態量推定システムおよびモータモデル用機械学習方法 | |
Raj et al. | Particle swarm optimized deep convolutional neural sugeno-takagi fuzzy PID controller in permanent magnet synchronous motor | |
Bhattacharjee et al. | An advanced policy gradient based vector control of PMSM for EV application | |
CN113992098A (zh) | 一种永磁同步电机稳态性能的提升方法、系统 | |
Chaouch et al. | Optimized torque control via backstepping using genetic algorithm of induction motor | |
Chen et al. | A High‐Performance Control Method of Constant V/f‐Controlled Induction Motor Drives for Electric Vehicles | |
CN116805850A (zh) | 基于数字孪生模型的三相永磁同步电机参数估计方法 | |
CN112671285A (zh) | 空调、系统电机、驱动控制方法、控制系统及存储介质 | |
CN112083349A (zh) | 一种永磁同步电机定子绕组匝间短路故障诊断方法 | |
CN117491869A (zh) | 基于数字孪生的永磁电机健康状态监测控制方法及系统 | |
Bekiroglu et al. | Comparison of trapezoidal and sinusoidal pwm techniques for speed and position control of pmsm | |
Ding et al. | Sensorless control of surface-mounted permanent magnet synchronous motor using adaptive robust UKF | |
Zhao et al. | Design of model free adaptive controller for PMSM speed control | |
CN114977928A (zh) | 一种永磁同步伺服系统速度环和位置环参数自整定方法 | |
Jegan et al. | Simulation and Validation of Permanent Magnet Synchronous Motor Drives Using Reinforcement Learning | |
Indragandhi et al. | Artificial intelligence based speed control of SRM for hybrid electric vehicles | |
Li et al. | A Thermal-Aware Digital Twin Model of Permanent Magnet Synchronous Motors (PMSM) Based on BP Neural Networks | |
Quang | Continuous control set model predictive control for polysolenoid linear motor | |
Wei et al. | Sensorless current model control for permanent magnet synchronous motor based on IPID with two‐dimensional cloud model online optimisation | |
Yin et al. | Overshoot Reduction Inspired Recurrent RBF Neural Network Controller Design for PMSM | |
CN117879432A (zh) | 一种永磁同步电机电流预测控制方法和装置 | |
Zhang et al. | Identification of PMSM parameters with time-error compensated based on Contractile Factor Anti-Predator PSO |
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 |