CN117590989B - 基于神经网络的电机转速在线估算装置及方法 - Google Patents
基于神经网络的电机转速在线估算装置及方法 Download PDFInfo
- Publication number
- CN117590989B CN117590989B CN202410081484.0A CN202410081484A CN117590989B CN 117590989 B CN117590989 B CN 117590989B CN 202410081484 A CN202410081484 A CN 202410081484A CN 117590989 B CN117590989 B CN 117590989B
- Authority
- CN
- China
- Prior art keywords
- sampling
- motor
- parameter data
- voltage
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 199
- 238000004364 calculation method Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002452 interceptive effect Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 28
- 230000001360 synchronised effect Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 238000002955 isolation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000004148 unit process Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005669 field effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/42—Devices characterised by the use of electric or magnetic means
- G01P3/44—Devices characterised by the use of electric or magnetic means for measuring angular speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- 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
- 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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明涉及基于神经网络的电机转速在线估算装置及方法,属于电数据处理技术领域。电机转速在线估算装置包括交互界面模块、采样模块、中间参数数据计算模块和预测模块,通过交互界面模块输入电机的额定参数数据;采样模块对电机供电电源的电流和电压进行采样得到电机实时采样数据;中间参数数据计算模块基于电机实时采样数据和额定参数数据进行计算得到中间参数数据;预测模块基于额定参数数据、电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量,并输入给预先训练得到的人工神经网络模型得到电机转速。本发明实施例能够准确地估算出电机的转速值,操作便利、简单、适用范围广、估算的转速准确度高。
Description
技术领域
本发明涉及电数据处理技术领域,特别地涉及一种基于神经网络的电机转速在线估算装置及方法。
背景技术
异步电机因其结构简单、运行可靠、维护方便等优势已经成为各行业应用最广泛的电动机之一。由于异步电机的内部结构特点而产生的各种能量损耗,使得异步电机在工作运行时并不能按照标定的额定转速运行,因而在很多应用场景中需要获取异步电机转速。在传统技术中,可以采用传感器获取电机转速或者是在无传速器的情况通过其他的电机参数对电机转速进行估算。
获取电机转速的传感器例如为红外线传感器、数字码盘等。手持式红外线传感器是一种常用于现场测量电机转速的设备,在电机外部将红外线传感器对准电机的轴承进行测量从而得到电机转速,适用于功率小、扭矩小、电机轴承外露的电机。对于转速高、转矩大的电机,出于安全等方面的考虑,这类电机的轴承通常安装有密封装置,因而无法采用手持式的红外线传感器在现场测量电机转速。数字码盘是另一种常用的获取电机转速的传感器,需要安装在电机轴上。由于电机的体积较大且需要满足与电机轴同心度的要求,因而在电机轴上安装数字码盘时增加了电机结构的复杂度,既违背了电机结构应当简单的特点,又可能会引入新的扰动量。其中在电机中应用速度传感器获取电机转速的方案例如请见公开号为CN101064492A、发明名称为“异步电动机的速度控制方法”的中国专利申请。
在上述采用传感器获取转速的方案中,电机转速的精度严重依赖于传感器的精度,低质量的传感器会严重影响电机转速的精度,进而影响到应用场景中的其他控制性能,而高精度的传感器价格昂贵,且需要定期维护,无疑增加了电机的应用成本。
鉴于上述各种因素,传统的另一种方法是在无速度传感器时进行转速的估计,常用的方法例如基于数学模型或基于转子磁不对称性进行估算。例如公开号为CN116094390A、发明名称为“一种基于新型自抗扰算法的异步电机二自由度调速方法”的中国专利申请中披露了一种电机转速估算方法,其中的转子转速估计模块参考自适应方法将电压模型作为参考模型,将电流模型作为可调模型,并利用所述参考模型和所述可调模型输出量的误差构成自适应律,实现转速跟踪参考模型。相似的方案还例如公开号为CN102931906A、发明名称为“异步电机转子磁链观测与转速辨识的方法”的中国专利申请中提供的方案。对于磁链观测法进行改进的方案例如公开号为CN104506108A、发明名称为“基于伏秒测量和全阶磁链观测器的异步电机转速估算方法”的中国专利申请。
虽然前述的无传感器电机转速估计方法中提供了各种转速辨识方法,但在实际的应用过程中,电机转速估算精度或者受限于电机实际转速,如公开号为CN102931906A的专利申请提供的方案只在电机低速时能够取得较为准确的估算结果,或者因模型的抗干扰性较差,受电机参数的影响大,进而影响估算结果的准确性。
发明内容
针对现有技术中存在的技术问题,本发明提出了一种基于神经网络的电机转速在线估算装置及方法,用于提高在线估算的电机转速的准确性和便利性。
根据本发明的一个方面,本发明提供了一种基于神经网络的电机转速在线估算装置,包括交互界面模块、采样模块、中间参数数据计算模块和预测模块,其中,所述交互界面模块经配置以提供数据输入和输出界面,其中,通过数据输入界面输入电机的额定参数数据,其中所述额定参数数据至少包括额定功率和/或额定电流、额定转速、电机极对数/同步转速和转子槽数;所述采样模块经配置以对电机供电电源的电流和电压进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率;所述中间参数数据计算模块分别与所述交互界面模块和所述采样模块相连接,经配置以基于所述电机实时采样数据和所述额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率;所述预测模块分别与所述交互界面模块、所述采样模块和所述中间参数数据计算模块相连接,经配置基于所述额定参数数据、所述电机实时采样数据和所述中间参数数据进行预处理得到M维特征的输入向量,并输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速,其中所述M为大于1的正整数。
可选地,所述采样模块包括电压采样单元、电流采样单元、频率检测单元和采样处理单元,其中,所述电压采样单元和所述电流采样单元分别由隔离变换单元、滤波单元、增益放大单元和模数转换单元顺次连接构成,在所述电压采样单元和所述电流采样单元中,其中增益放大单元的输出信号分为第一输出信号和第二输出信号,所述第一输出信号连接到所述模数转换单元,所述第二输出信号连接到所述频率检测单元,用以在对电压和电流进行采样的同时得到对应的电源频率,并输出到所述采样处理单元;所述电压采样单元和所述电流采样单元中的模数转换单元分别将转换后的电压数字信号和电流数字信号输入到所述采样处理单元;所述采样处理单元按照计算周期对输入的电压数字信号、电流数字信号和电源频率进行处理以得到每个计算周期的采样电压值、采样电流值和采样电源频率。
可选地,所述增益放大单元和模数转换单元之间还包括三相同步锁相单元,所述三相同步锁相单元包括过零检测电路、选相电路和锁相倍频电路,其中,所述过零检测电路的输入端连接所述增益放大单元的三相电压输出端,所述过零检测电路分别对输入的三相电压信号的零点进行检测,并在检测到相电压信号过零点时发送过零信号给所述选相电路;所述选相电路根据接收到的过零信号将对应相的过零信号作为同步信号发送给所述锁相倍频电路;所述锁相倍频电路在接收到所述同步信号时,按照预置采样周期生成采样频率信号并发送给所述模数转换单元,使模数转换单元按照采样频率采集该相的电压信号。
可选地,所述计算周期为100ms-500ms;每个工频信号周波的信号采样频率为以2为底、以n为指数的数值,所述n为大于8的正整数。
可选地,所述中间参数数据计算模块包括基础参数计算单元、谐波功率计算单元、谐波功率计算单元、负载率计算单元和转子槽谐波频率计算单元,其中,所述基础参数计算单元经配置以每个计算周期的采样电压值和采样电流值分别计算每个计算周期的电压有效值和电流有效值压;所述谐波功率计算单元经配置以对每个计算周期的原始信号进行小波变换以将原始信号分解为高频信号和低频信号,对低频信号的稳态部分进行傅里叶分析以得到每个计算周期的谐波分量,其中,所述原始信号分别为采样电压信号和采样电流信号,对应的谐波分量分别为谐波电压分量和谐波电流分量;基于所述谐波电压分量和谐波电流分量计算得到谐波功率;所述负载率计算单元经配置以基于电流有效值、电压有效值压和额定参数数据计算得到负载率;所李亮亮转子槽谐波频率计算单元经配置以基于所述电机额定参数数据和采样电源频率和所述负载率得到所述转子槽谐波频率。
可选地,所述预测模块进一步包括数据预处理单元、权重确定单元和估算单元,其中,所述数据预处理单元经配置以基于所述额定参数数据、所述电机实时采样数据和所述中间参数数据进行预处理得到M维特征的输入向量;所述权重确定单元经配置以计算所述额定参数数据与权重对应表中的多个预置额定参数数据的相似度,将相似度最大的预置额定参数数据对应的网络权重赋值给人工神经网络模型,其中,在训练人工神经网络模型时,对应于多个预置额定参数数据分别训练得到对应的网络权重,并建立额定参数数据与网络权重对应关系的权重对应表;所述估算单元经配置以将M维特征的输入向量输入给所述人工神经网络模型,经所述人工神经网络模型处理得到电机转速。
可选地,所述预测模块在每个计算周期得到一个电机转速值。
可选地,所述的基于神经网络的电机转速在线估算装置进一步包括图形化处理模块,经配置以按照预置图形要素,根据每个计算周期的电机转速值生成电机转速图,并发送给所述交互界面模块,由所述交互界面模块通过输出界面显示。
可选地,所述的基于神经网络的电机转速在线估算装置进一步包括传输模块,经配置以接收外部装置训练完成的人工神经网络模型数据,并存储在内置存储器中。
根据本发明的另一个方面,本发明还提供了一种基于神经网络的电机转速在线估算方法,包括以下步骤:
获取电机的额定参数数据,所述额定参数数据包括至少额定功率和/或额定电流、额定转速、电机极对数/同步转速和转子槽数;
对电机供电电源的电流和电压进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率;
基于所述电机实时采样数据和所述额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率;
将所述额定参数数据、所述电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量,其中所述M为大于1的正整数;以及
将所述输入向量输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速。
可选地,所述的基于神经网络的电机转速在线估算方法还包括人工神经网络模型的训练过程:
收集训练样本,其中每个训练样本包括M维特征,并为每个训练样本标注对应于所述M维特征的电机转速值,所述M维特征分别对应电机的额定参数数据、采样得到的电机实时采样数据以及经过计算得到的中间参数数据;
构建人工神经网络模型,其中所述人工神经网络模型包括输入层、隐藏层及输出层,所述输入层包括M个神经元,所述隐藏层的神经元数量N为小于2M的任意正整数,输出层包括一个神经元;隐藏层的激活函数为Sigmoid函数,输出层激活函数为Identity函数;以及
向所述人工神经网络模型输入训练样本对所述人工神经网络模型进行训练,其中,训练过程中用于计算损失的损失函数为平方损失函数,并采用梯度下降法优化所述平方损失函数。
可选地,在收集训练样本时包括以下步骤:
分别收集多种型号电机的额定参数数据,并在不同负载情况下,在电机处于稳定运行状态时对其进行采样得到一组或多组电机实时采样数据,基于每组电机实时采样数据和额定参数数据计算得到对应的中间参数数据;以及
以电机的额定参数数据为类别得到多个样本集,每个样本集中的样本包括相同的额定参数数据;
对应地,在向所述人工神经网络模型输入训练样本对所述人工神经网络模型进行训练时,分别以同一样本集中的样本数据进行训练,在训练完成后存储训练得到的网络权重,并建立电机额定参数数据和网络权重的对应关系的权重对应表。
本发明在电机的工作状态下进行电压、电流、频率等的采样,利用训练好的人工神经网络模型以实时得到的采样数据、电机的额定数据及本身的参数则能够准确地估算出电机的转速值,操作便利、简单,适用的电机型号范围广,估算的转速准确度高。
附图说明
下面,将结合附图对本发明的优选实施方式进行进一步详细的说明,其中:
图1是根据本发明一个实施例的基于神经网络的电机转速在线估算装置的原理框图;
图2是根据本发明的一个实施例的采样模块的原理框图;
图3是根据本发明的一个实施例的三相同步锁相单元原理框图;
图4是根据本发明的一个实施例的中间参数数据计算模块的原理框图;
图5是根据本发明的一个实施例的人工神经网络模型的结构示意图;
图6是根据本发明另一个实施例的基于神经网络的电机转速在线估算装置原理框图;
图7是根据本发明一个实施例的预测模块的原理框图;以及
图8是根据本发明的一个实施例的基于神经网络的电机转速在线估算方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在以下的详细描述中,可以参看作为本申请一部分用来说明本申请的特定实施例的各个说明书附图。在附图中,相似的附图标记在不同图式中描述大体上类似的组件。本申请的各个特定实施例在以下进行了足够详细的描述,使得具备本领域相关知识和技术的普通技术人员能够实施本申请的技术方案。应当理解,还可以利用其它实施例或者对本申请的实施例进行结构、逻辑或者电性的改变。
参见图1,图1是根据本发明一个实施例的基于神经网络的电机转速在线估算装置的原理框图。在本实施例中,电机转速在线估算装置包括交互界面模块10、采样模块20、中间参数数据计算模块30和预测模块40,所述交互界面模块10用于提供数据输入和输出界面。数据输入界面例如为由按键构成的键盘,通过按键输入电机的额定参数数据,其中所述额定参数数据例如包括额定功率和/或额定电流、额定转速、极对数/同步转速和转子槽数等。数据输出界面例如为显示屏。在另一个实施例中,数据输入和输出界面为触摸屏,既能显示数据,也能选择参数项,并输入相应的参数值。所述的参数项为前述的各种额定参数。
采样模块20用于对电机供电电源的电流和电压进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率。
中间参数数据计算模块30分别与所述交互界面模块10和所述采样模块20相连接,接收经所述交互界面模块10传入的额定参数数据,接收采样模块20得到的电机实时采样数据,根据预置的中间参数项逐一计算得到相应的中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率。
预测模块40分别与所述交互界面模块10、所述采样模块20和所述中间参数数据计算模块30相连接,基于所述额定参数数据、电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量,并输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速,其中所述M为大于1的正整数。
本发明提供的电机转速在线估算装置中保存有预先训练得到的人工神经网络模型,利用电机的额定参数、运行时实时采样数据以及一些中间参数数据进行转速预估。本发明利用了神经网络学习能力强、速度快的优点,经过训练,为难以建立数学关系的电机转速和相关影响因素确定出对应关系,从而能够获得符合精度的转速估算值。其中,可以通过本发明提供的电机转速在线估算装置训练人工神经网络模型,也可以通过其他装置训练人工神经网络模型,在其他装置中训练完成后再将该模型数据保存到电机转速在线估算装置的内置存储器中,在使用时,通过调用所述模型实现实时的转速预估。
参见图2,图2是根据本发明一个实施例的采样模块的原理框图。在本实施例中,在电机运行时,电机的转速除了电机的额定参数相关外,电机的实时状态是影响转速的另一个重要因素,而电机的实时状态可由电机的定子电压和电流及电源频率反映出来,因而,本发明为了能够准确地对定子电压和电流进行采样并识别出实时的电源频率,在本实施例中,所述采样模块20包括电压采样通道和电流采样通道,采样通道由隔离变换单元、滤波单元23、增益放大单元24和模数转换单元25顺次连接构成。用于实现电压采样通道的隔离变换单元22、滤波单元23、增益放大单元24和模数转换单元25构成了电压采样单元,用于实现电流采样通道的电流互感器21、滤波单元23、增益放大单元24和模数转换单元25构成了电流采样单元。模数转换单元25对送入的电压信号和电流信号进行模数转换后发送给采样处理单元27。
其中,在电流采样通道中,电流互感器21连接到电机供电电源的供电线路中,当电机为单相电机时,供电电源的供电线路包括火线和零线,电流互感器21从火线感应得到电流,并转换为电压信号,经过隔离电路发送给滤波单元23。当电机为三相电机时,供电电源端的接线方式可以为星形或三角形,电流互感器21共有三个,分别从UA、UB、UC的三相供电线路中感应对应的相电流,再分别转换为电压信号,经过隔离电路发送给滤波单元23。在一个实施例中,所述的电流互感器21采用精度高、线性度好、响应快、频带宽、过载能力强的霍尔型电流互感器。同理,在电压采样通道中,电压采样线的一端连接火线或者UA、UB、UC的三相供电线路,另一端电连接到隔离变换单元22的输入端,从而获得对应的单相电压或三相相电压。
图2中的隔离变换单元22将输入的高压大电流信号变换为适合模数转换的低压小电流信号。
在一个实施例中,隔离变换单元22包括三级电路。前级为分压电路,经电压采样线输入的交流电压原始信号经分压电路后由高压信号转换为低压信号并输入到隔离电路。隔离电路的输入部分将分压电路输入的低压信号按照一定的占空比进行调制,隔离电路的输入部分例如为场效应晶体管电路,通过驱动电路输出具有一定占空比的驱动信号给所述场效应晶体管电路,从而使分压电路输入的低压信号数字化,将再数字化信号通过隔离电容传输到输出部分,输出部分对数字化信号进行解调,输出部分的电路例如为二极管检波电路或晶体管检波电路,将信号变回模拟信号并除去纹波成分。为了减少失调电压对后续采样精度造成的影响,隔离电路之后的后级包括一个电容进行交流耦合,然后加一个对地电阻,并选用失调电压很小的精密运放作为缓冲器,这样可以大大降低失调电压对采样精度的影响。
图2中的滤波单元23为低通滤波器,其阶数根据信号分析时的谐波次数而定,在一个实施例中,滤波单元23为八阶低通滤波器,其截止频率能够自动跟踪被测信号频率的变化,剔除信号瞬态变化量,防止采样过程混叠效应引起的失真,保证记录的波形数据与实际波形一致,满足信号分析的需求。
在一个实施例中,所述增益放大单元24由增益可调的芯片构成,分别对电压采样通道的电压信号和电流采样通道的电流信号进行增益放大。在一个实施例中,基于实际情况将电压/电流信号分为三个等级,设置增益放大单元24与三个等级对应的放大倍数(增益),而后基于每次采样完的数据判断电压/电流信号所在的等级调整放大倍数。通常,所述增益放大单元24的增益例如为1、2、5或10。
由于电力系统的频率是不断变化的,虽然幅度较小,但是它常常对一些电参量造成测量误差,因而电源频率是一个重要参数。在本实施例中,采样模块20中还包括了频率检测单元26。具体地,增益放大单元24的电压采样通道和电流采样通道的输出信号分别分为两部分,第一输出信号输入到模数转换单元25,第二输出信号输入给频率检测单元26,以在对电压和电流进行采样的同时得到对应的电源频率,并输出到所述采样处理单元。
具体地,在频率检测单元26中,对来自电压采样通道的信号的处理和对来自电流采样通道的信号处理相同,以一个通道为例进行说明。频率检测单元26包括整形电路、上升沿检测电路和计数器,其中,整形电路由电压比较器实现,将正弦信号变成频率相等的方波信号,上升沿检测电路检测所述方波信号的上升沿,并由计数器对上升沿计数,从而测量得到电源频率。
在一个进一步的实施例中,为了确保在一个工频或中频周期内为模数转换单元25提供2n个采样数据的采样时序信号,在所述电压采样单元中,在所述增益放大单元24和模数转换单元25之间还包括三相同步锁相单元28,如图3所示,图3是根据本发明一个实施例的三相同步锁相单元原理框图。本实施例中的三相同步锁相单元28包括过零检测电路281、选相电路282和锁相倍频电路283。其中,所述过零检测电路281的输入端连接所述增益放大单元24的输出端,所述过零检测电路281分别对输入的三相电压信号的零点进行检测,并在检测到相电压信号过零点时发送过零信号给所述选相电路282。所述选相电路282根据接收到的过零信号将对应相的过零信号作为同步信号发送给所述锁相倍频电路283;所述锁相倍频电路283在接收到所述同步信号时,按照预置采样周期生成对同相电压进行采样的采样频率信号,并发送给所述模数转换单元25,使模数转换单元25按照所述采样频率信号采集该相的电压信号。
在一个实施例中,模数转换单元25在一个工频周波内采集29=512个数据,因而,所述锁相倍频电路283生成的512倍频的采样频率信号给模数转换单元25,使模数转换单元25能够在一个工频周波内采集512个数据。模数转换单元25根据同一相的采样频率信号同时采集同相的电压信号和电流信号。另外,工频周波内采集的数据也可以为28=256个数据,当然也可以为210=1024个数据,所述锁相倍频电路283相应生成256倍频或1024倍频的采样频率信号。
模数转换单元25将采集的各相的电压数字信号和电流数字信号分别发送给所述采样处理单元27,所述采样处理单元27同时还接收到频率检测单元26检测到的电源频率,模数转换单元25按照计算周期对输入的电压信号、电流信号和电源频率信号进行处理以得到每个计算周期的采样电压、采样电流和采样电源频率,并发送给中间参数数据计算模块30和预测模块40。在一个实施例中,一个计算周期为200ms,即以10个工频信号周波的采样数据作为一个计算周期的数据,当一个工频信号周波采样得到512个数据时,一个计算周期的数据量为5120个数据。
参见图4,图4是根据本发明一个实施例的中间参数数据计算模块30的原理框图,本实施例中的中间参数数据计算模块30包括基础参数计算单元31、谐波功率计算单元32、负载率计算单元33和转子槽谐波频率计算单元34。其中,所述基础参数计算单元31以每个计算周期的采样电压值和采样电流值分别计算每个计算周期的电压有效值和电流有效值。其中,在计算电流有效值和电压有效值之前,先检测出三相电压、电流的基波分量,在得到基波分量之后,再对基波分量进行有效值计算,从而避免波形畸变严重而导致的计算误差。
在一个实施例中,采用空间矢量法进行有效值计算。空间矢量法的基本思想是利用三相对称正弦波的空间瞬时矢量值与有效值之间存在的固定比例关系来得到有效值。例如,设任意三相电压在三相坐标系abc中的瞬时电压矢量表示为,经D33正交变换后在dq0坐标系中的瞬时电压矢量分别表示为/>,则,。
其中,dq0坐标变换又称旋转坐标变换。一般地,设空间旋转正交dq0坐标系为右手坐标系,由abc坐标系至dq0坐标系的线性变换矩阵D33为:
(1-1)
设三相对称电压表示为:
(1-2)
三相对称电压UA=UB=UC=U,则:
(1-3)
那么有
(1-4)
根据公式(1-4)可得:
(1-5)
线性变换矩阵D33是正交矩阵,且有D33 -1=D33 T,所以电压有效值如下公式(1-6)所示:
(1-6)
根据公式(1-6)得到三相对称正弦电压的各相电压有效值U=UA=UB=UC,同理得到各相电流有效值I=IA=IB=IC。
所述谐波功率计算单元32对每个计算周期的原始信号进行小波变换以将原始信号分解为高频信号和低频信号,对低频信号的稳态部分进行傅里叶分析以得到每个计算周期的谐波分量,其中包括基波分量。其中,所述原始信号分别为采样电压信号和采样电流信号,对应的谐波分量分别为谐波电压分量和谐波电流分量(其中包括基波电压分量和基波电流分量);基于所述谐波电压分量和谐波电流分量计算得到谐波功率。
谐波功率通过视在功率S和基波视在功率S1按照以下公式(1-7)计算得到。
谐波功率:
(1-7)
视在功率S(所有分量)可通过电压有效值U和电流有效值I按照以下公式(1-8)计算得到,
视在功率:
(1-8)
基波视在功率S1可通过基波电压有效值U1和基波电流有效值I1按照公式(1-9)计算得到。所述基波电压有效值U1和基波电流有效值I1的计算过程与前述的电压有效值U和电流有效值I计算过程相同,在此不再赘述。
基波视在功率:
(1-9)
所述负载率计算单元33基于电流有效值、电压有效值、额定参数和空载参数计算得到负载率。在一个实施例中,采用以下公式(1-10)计算电机的负载率λ:
(1-10)
在公式(1-10)中,△PN为额定负载时损耗;△P0为空载损耗; PN为额定功率,其中,额定功率PN为电机额定参数;P1为基波有功相量功率,可由公式(1-11)得到:
(1-11)
其中U1和I1分别为基波电压有效值和基波电流有效值,为电压和电流之间的相角。
转子槽谐波频率计算单元34经配置以基于电机有额定参数数据以及电源频率得到所述转子槽谐波频率。在一个实施例中,述转子槽谐波频率可通过以下公式(1-12)计算得到:
(1-12)
其中,fsh为转子槽谐波频率,f1为检测到的电源频率; Z为转子槽数;s为负载转差率,,其中n0为电机的同步转速,n0=60f/P, f为电源额定频率,P为电机极对数,nN为额定转速,λ为电机的负载率,如公式(1-10)所示。
中间参数数据计算模块30将上述各个单元计算得到的数据发送给预测模块40。
预测模块40基于所述额定参数数据、电机采样数据和中间参数数据进行预处理得到M维特征的输入向量,例如,额定参数数据包括额定功率、额定电流、额定转速、极对数和转子槽数共5维特征,中间参数数据包括三相电流有效值、三相电压有效值、电源频率、三相谐波总量、负载率和转子槽谐波频率共12维特征,因而共17维特征,预测模块40将以上各种数据的数值作为特征值。
在本实施例中,所述人工神经网络模型的结构如图5所示,包括一个输入层51、一个隐藏层52及一个输出层53,所述输入层51包括M个神经元,所述隐藏层52的神经元数量N为大于M小于2M的任意数值,输出层53包括1个神经元;隐藏层52的激活函数为Sigmoid函数,输出层激活函数为Identity函数。当采用17维特征构成输入向量时,所述输入层51包括17个神经元。隐藏层52的神经元数量N小于输入层51的神经元数量M的2倍,在本实施例中,可以为小于34任意一个正整数值,如25个。
模型的输入向量X为一个1×M的矩阵,M为维度总数量,在本实施例中M=17。
当输入向量从输入层51进入到隐藏层52的时候,神经网络进行如下计算:
(2-1)
其中, 每个输入层神经元具有一个向隐藏层52神经元传递的权重w1,其为一个的N×1的矩阵,N为隐藏层神经元总数量,输入层51共有M个神经元,因而输入层51的权重W1是一个N×M的矩阵。每个输入层神经元还配置一个常数变量,称为偏置参数(bias)b0,其为一个N×1的矩阵,因而公式(2-1)中的偏置参数B0为由输入层神经元的偏置参数b0构成的一个N×M的矩阵。
在隐藏层神经元接收到了向量Z之后,每个隐藏层神经元会以激活函数进行计算得到一个中间输出值s。在本实施例中,隐藏层激活函数为Sigmoid函数,其数学表达式为。因而由每个隐藏层神经元的中间输出值s构成的隐藏层输出S为一个1×N的矩阵。
在隐藏层神经元完成了上述计算后,继续向输出层53移动,从隐藏层52到输出层53,每个隐藏层神经元具有权重w2和对应的偏置参数b1,因而隐藏层52的权重W2和偏置参数B1分别是一个N×1的矩阵,在完成下述公式(2-2)的计算后,得到输入向输出层神经元传递的数据Y:
(2-2)
其中,Y为一个1×1的矩阵,即为一个数值。
输出层53通过激活函数为Identity函数的计算后输出,得到预估结果。Identity函数数学表示式为:。
本发明的预测模块40将每个计算周期的额定功率、额定电流、额定转速、极对数、转子槽数、三相电流有效值、电压有效值、电源频率、三相谐波总量、负载率和转子槽谐波频率共17维特征的特征值构成一个输入向量输入给所述的人工神经网络模型,经过前述的前向传播计算得到预估的电机转速值。因而,预测模块40在每个计算周期得到一个电机转速值,并将这些电机转速值存储在内部的存储器中。
参见图6,图6是根据本发明另一个实施例的基于神经网络的电机转速在线估算装置原理框图,在本实施例中,进一步包括图形化处理模块50,按照预置图形要素,根据每个计算周期的电机转速值生成电机转速图,并发送给所述交互界面模块,由所述交互界面模块通过显示界面显示。其中所述的图形要素例如为点、线、面等,所述的转速图例如为转速-时间曲线。
进一步地,所述基于神经网络的电机转速在线估算装置还包括传输模块60,能够接收云端装置、其他计算装置等外部装置训练完成的人工神经网络模型数据,并存储在内置存储器70中。另外,用户可以通过交互界面模块10输入各种从外部装置获取数据的指令,所述的数据包括人工神经网络模型数据、电机的额定参数数据等。例如,当用户在现场无法获得电机的部分或全部的额定参数数据,可以通过交互界面模块10输入向云端请求所述电机的额定参数数据的请求或指令,该指令或请求通过传输模块60发送到云端,云端根据请求或指令中的电机标识、型号等查询对应的电机相关数据,从而得到请求的数据,并发送给所述电机转速在线估算装置,存储到内置存储器70中。此时的传输模块60例如通过ZigBee、Wi-Fi、LoRa或NB-IoT等无线方式实现与外部装置之间的数据传输,当然也可以通过USB、RS232/485等有线方式进行数据传输,在此不再赘述。
图7是根据本发明一个实施例的预测模块40的原理框图。在本实施例中,所述预测模块40进一步包括数据预处理单元41、权重确定单元42和估算单元43,其中,所述数据预处理单元41基于额定参数数据、电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量。所述权重确定单元42计算所述额定参数数据与权重对应表中的多个预置额定参数数据的相似度,将相似度最大的预置额定参数数据对应的网络权重赋值给人工神经网络模型,其中,在训练人工神经网络模型时,对应于多个预置额定参数数据分别训练得到对应的网络权重,并建立额定参数数据与网络权重对应关系的权重对应表。所述估算单元43将M维特征的输入向量输入给所述人工神经网络模型,经所述人工神经网络模型处理得到电机转速。
在本实施例中,在训练人工神经网络模型时,对应于多个预置额定参数数据分别训练得到对应的网络权重,并建立额定参数数据与网络权重对应关系的权重对应表,因而在应用所述人工神经网络模型模进行电机转速的在线预估时,首先通过权重确定模块42对在线预估电机的额定参数数据与权重对应表中的多个额定参数数据进行相似度计算,从而从权重对应表中确定到一个与在线预估电机最为相近的一个额定参数数据,并根据额定参数数据与网络权重对应关系确定应使用的权重。在一个实施例中,所述的相似度计算可以有多种方法,例如平均值比较法、向量比较法等等。本实施例在训练人工神经网络模型时,充分考虑到不同参数的电机的不同特点而分别训练,针对性强,因而进一步提高了电机转速预估的准确性。
在另一方面,本发明还提供了一种基于神经网络的电机转速在线估算方法,参见图8,图8是根据本发明一个实施例的基于神经网络的电机转速在线估算方法的流程图,所述方法包括以下步骤:
步骤S1,获取电机的额定参数数据,所述额定参数数据至少包括电机额定功率和/或额定电流、额定转速、电机极对数/同步转速和转子槽数等。
步骤S2,对电机的供电电源进行采样得到电机实时采样数据。其中,在电机稳定运行状态下对电机的供电电源进行电流采样和电压采样,得到的电机实时采样数据至少包括采样电压、采样电流和采样电源频率。
步骤S3,基于电机实时采样数据和额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率。
步骤S4,将所述电机额定参数数据、电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量,其中所述M为大于1的正整数。
步骤S5,将所述输入向量输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速。
其中,在步骤S1中,用户通过图1所示的交互界面模块10提供的交互界面输入电机额定参数数据,或者通过交互界面输入数据获取指令或请求,从外部装置,如云端装置、其他计算装置获取到电机额定参数数据。在步骤S2中,通过图2所示的采样模块20对电机的供电电源进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率。
在步骤S3中,通过图4所示的中间参数数据计算模块30基于电机采样数据、和额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、电源频率、谐波总量、负载率和转子槽谐波频率。
在步骤S5中,调用已经训练完的人工神经网络模型,将步骤S4得到的M维特征的输入向量输入给所述人工神经网络模型,从而得到电机转速值。其中,所述的人工神经网络模型可以是在训练完成后存储到电机转速在线估算装置的存储器中,也可以在应用时基于转速预估的指令从外部装置获取。
在一个实施例中,可以通过电机转速在线估算装置训练人工神经网络模型,也可以通过其他装置训练人工神经网络模型。其中,所述人工神经网络模型的训练过程包括以下步骤:
收集训练样本。其中每个训练样本包括M维特征,并为每个训练样本标注对应于所述M个特征的电机转速值。为了使训练后的人工神经网络模型能够适应多种规格、型号的异步电机,收集常用的各种型号异步电机的数据,如一般用途的Y系列全封闭自扇冷式鼠笼型三相异步电动机,例如,型号为Y80M1-2的电机,其额定功率为0.75kW、额定电流为1.8A、同步转速为3000r/min、额定转速为2830r/min。型号为Y112M-4的电机,其额定功率为4kW、额定电流为8.2A、额定转速为2890r/min、同步转速为3000r/min。型号为Y80M1-4的电机,其额定功率为0.55kW、额定电流为1.5A、额定转速为1390r/min、同步转速为1500r/min等等。在收集样本数据时,在一个实施例中,可在待测电机平稳运行时,对其定子电流和电压进行采样,采用高精度的转速传感器测量其转速,并同时由谐波测量仪测量其谐波功率。测量时间不短于1分钟,每种型号的电机在不同负载的情况分别进行多次采样以获得多组采样数据,为了保证各种采样数据的精准对应关系,用于采样的仪器由统一的控制时钟信号启动或停止。
在得到种采样数据后,进行中间参数的计算。中间参数的类别及计算过程如前述装置中的中间参数数据计算模块30,在此不再赘述。在计算得到各种参数的数值后,以每一种参数作为一维特征得到一个M维特征的向量X,以其作为一个训练样本数据,同时以其对应的转速值作为标注值,由此得到一个已标注的训练样本。其中每种型号的电机对应多个训练样本,在一个实施例中,按照200ms作为一个时间窗口从采样数据中得到一组数据,以该组数据作为计算基础得到一个训练样本数据。
在得到样本数据后,将样本数据总量按照8:2的比例分为训练集和测试集。
而后构建人工神经网络模型,其中所述人工神经网络模型包括一个输入层51、一个隐藏层52及一个输出层53,所述输入层51包括M个神经元,所述隐藏层52的神经元数量N为小于2M的任意数值,输出层53包括一个神经元;隐藏层52的激活函数为Sigmoid函数,输出层激活函数为Identity函数。
而后向所述人工神经网络模型输入一个训练样本进行在前向传播,此时计算神经网络的输出。
接着按照公式(2-3)所示的平方损失函数(或者Qu模数ratic LF)计算预测值与真实值的差的平方来衡量神经网络的输出与实际输出的差异。
(2-3)
其中的y为模型的预测值,f(x)真实值,即样本的标注值。
而后进行反向传播,在反向传播过程中,采用梯度下降算法更新神经网络的权重。
而后再向更新了权重的人工神经网络模型输入一个训练样本再进行前向传播,如此重复执行前向传播、计算损失和反向传播步骤,直到神经网络模型达到所需的性能水平。其中,为了评估神经网络模型达到所需的性能水平,在训练过程中通过测试集样本进行测试,在没有达到要求时,如具体的精度要求,则继续采用训练集进行训练,直到测试后达到要求为止。
本发明在电机的工作状态进行电压、电流的采样,利用训练好的人工神经网络模型以能够准确地估算出电机的转速值,操作便利、简单;由于本发明中的人工神经网络模型是通过各种型号的电机数据训练得到,因而适用的电机范围广;本发明在训练人工神经网络模型时,通过计算得到各种影响转速的中间参数,因而能够使得人工神经网络模型通过训练样本快速学习到转速与各种输入特征之间的关系,即获得模型中各个神经元的权重,模型收敛的速度快;本发明提供的装置在进行实时数据采集时,能够通过采样模块对电机的定子电流和电压及频率进行精确地同步采样,从数据层面保证了预估转速的准确性。
在一个进一步实施例中,在收集训练样本时,分别收集多种型号电机的额定参数数据,并在不同负载情况下,在电机处于稳定运行状态时对其进行采样得到多组电机实时采样数据,基于每组电机实时采样数据和额定参数数据计算得到对应的中间参数数据。以电机的额定参数数据为类别得到多个样本集,每个样本集中的样本包括相同的额定参数数据。
例如,当分别以型号为Y80M1-2的电机、型号为Y112M-4的电机和型号为Y80M1-4的电机为训练数据的来源时,分别得到三个样本集,如下表1所示:
表1
每个样本集中的每条样本包括电机额定参数数据、电机实时采样数据及对应的中间参数数据,因而,同一样本集中的所有样本中的电机额定参数数据相同,代表了来自同一个电机的数据,通过设置不同的负载,多次进行实时采样得到每次采样数据,并基于每次采样数据计算得到中间参数数据,从而构成了多个样本。
在进行模型训练时,分别以同一个样本集进行训练,在训练完成后得到模型的权重,如前述图5中所示结构的人工神经网络模型的输入层51的权重W1和偏置参数B0,隐藏层52的权重W2和偏置参数矩阵B1,并存储成一个权重对应表,权重对应表至少包据权重数据及得到该权重数据的样本集的额定参数,当然也可以包括电机型号,例如,根据表1所示的三种电机的样本数据进行模型训练后得到的权重对应表如下表2所示:
表2
权重数据集合中的字母下标的第一个数字表示序号,所述序号指代对应的电机型号及额定参数数据。
以表2所示的权重对应表为例,在一个进一步的实施例中,在图8的步骤S4得到M维特征的输入向量后,还计算当前电机的额定参数数据与表2中的对应表中的额定参数数据的相似度,例如,分别计算当前电机的额定参数数据的平均值,再计算权重对应表中的额定参数数据的平均值,然后再分别计算当前电机的额定参数数据的平均值与权重对应表中的每一个额定参数数据的平均值的差值,将差值最小的权重对应表中额定参数数据对应的权重数据赋值给人工神经网络模型,然后,在步骤S5中,将步骤S4得到的M维特征的输入向量输入给已赋值了权重的人工神经网络模型进行处理,从而得到电机转速。
本实施例在由人工神经网络模型进行预测之前,先将与当前电机最接近的训练样本得到的权重赋值给人工神经网络模型,从而进一步提高了转速估算的准确度。并且,通过本实施例可以扩展到更多型号的电机,随时补充人工神经网络模型的权重数据以适应于更多型号的电机,扩展性强。
上述实施例仅供说明本发明之用,而并非是对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明范围的情况下,还可以做出各种变化和变型,因此,所有等同的技术方案也应属于本发明公开的范畴。
Claims (10)
1.一种基于神经网络的电机转速在线估算装置,其特征在于,包括:
交互界面模块,经配置以提供数据输入和输出界面,其中,通过数据输入界面输入电机的额定参数数据,其中所述额定参数数据至少包括额定功率和/或额定电流、额定转速、电机极对数/同步转速和转子槽数;
采样模块,经配置以对电机供电电源的电流和电压进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率;
中间参数数据计算模块,其分别与所述交互界面模块和所述采样模块相连接,经配置以基于所述电机实时采样数据和所述额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率;以及
预测模块,其分别与所述交互界面模块、所述采样模块和所述中间参数数据计算模块相连接,经配置基于所述额定参数数据、所述电机实时采样数据和所述中间参数数据进行预处理得到M维特征的输入向量,并输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速,其中所述M为大于1的正整数;
其中,所述采样模块包括电压采样单元、电流采样单元、频率检测单元和采样处理单元,其中,所述电压采样单元和所述电流采样单元分别由隔离变换单元、滤波单元、增益放大单元和模数转换单元顺次连接构成,在所述电压采样单元和所述电流采样单元中,增益放大单元的输出信号分为第一输出信号和第二输出信号,所述第一输出信号连接到所述模数转换单元,所述第二输出信号连接到所述频率检测单元,用以在对电压和电流进行采样的同时得到对应的电源频率,并输出到所述采样处理单元;所述电压采样单元和所述电流采样单元中的模数转换单元分别将转换后的电压数字信号和电流数字信号输入到所述采样处理单元;所述采样处理单元按照计算周期对输入的电压数字信号、电流数字信号和电源频率进行处理以得到每个计算周期的采样电压值、采样电流值和采样电源频率;
其中,所述中间参数数据计算模块包括:基础参数计算单元,经配置以每个计算周期的采样电压值和采样电流值分别计算每个计算周期的电流压有效值和电流有效值压;谐波功率计算单元,经配置以对每个计算周期的原始信号进行小波变换以将原始信号分解为高频信号和低频信号,对低频信号的稳态部分进行傅里叶分析以得到每个计算周期的谐波分量,其中,所述原始信号分别为采样电压信号和采样电流信号,对应的谐波分量分别为谐波电压分量和谐波电流分量;基于所述谐波电压分量和谐波电流分量计算得到谐波功率;负载率计算单元,经配置以基于电流有效值、电压有效值压和额定参数数据计算得到负载率;以及转子槽谐波频率计算单元,经配置以基于所述电机的额定参数数据、采样电源频率和所述负载率得到所述转子槽谐波频率。
2.根据权利要求1所述的基于神经网络的电机转速在线估算装置,其特征在于,所述增益放大单元和模数转换单元之间还包括三相同步锁相单元,所述三相同步锁相单元包括过零检测电路、选相电路和锁相倍频电路,
其中,所述过零检测电路的输入端连接所述增益放大单元的三相电压输出端,所述过零检测电路分别对输入的三相电压信号的零点进行检测,并在检测到相电压信号过零点时发送过零信号给所述选相电路;
所述选相电路根据接收到的过零信号将对应相的过零信号作为同步信号发送给所述锁相倍频电路;
所述锁相倍频电路在接收到所述同步信号时,按照预置采样周期生成采样频率信号并发送给所述模数转换单元,使模数转换单元按照所述采样频率信号采集该相的电压信号。
3.根据权利要求2所述的基于神经网络的电机转速在线估算装置,其特征在于,所述计算周期为100ms-500ms;每个工频信号周波的信号采样频率为以2为底、以n为指数的数值,所述n为大于8的正整数。
4.根据权利要求1所述的基于神经网络的电机转速在线估算装置,其特征在于,所述预测模块进一步包括:
数据预处理单元,经配置以基于所述额定参数数据、所述电机实时采样数据和所述中间参数数据进行预处理得到M维特征的输入向量,M为大于1的正整数;
权重确定单元,经配置以计算所述额定参数数据与权重对应表中的多个预置额定参数数据的相似度,将相似度最大的预置额定参数数据对应的网络权重赋值给人工神经网络模型,其中,在训练人工神经网络模型时,对应于多个预置额定参数数据分别训练得到对应的网络权重,并建立额定参数数据与网络权重对应关系的权重对应表;以及
估算单元,经配置以将M维特征的输入向量输入给所述人工神经网络模型,经所述人工神经网络模型处理得到电机转速。
5.根据权利要求1所述的基于神经网络的电机转速在线估算装置,其特征在于,所述预测模块在每个计算周期得到一个电机转速值。
6.根据权利要求5所述的基于神经网络的电机转速在线估算装置,其特征在于,进一步包括图形化处理模块,经配置以按照预置图形要素,根据每个计算周期的电机转速值生成电机转速图,并发送给所述交互界面模块,由所述交互界面模块通过输出界面显示。
7.根据权利要求1所述的基于神经网络的电机转速在线估算装置,其特征在于,进一步包括传输模块,经配置以接收外部装置训练完成的人工神经网络模型数据,并存储在内置存储器中。
8.一种基于神经网络的电机转速在线估算方法,其特征在于,包括:
获取电机的额定参数数据,所述额定参数数据包括至少额定功率和/或额定电流、额定转速、电机极对数/同步转速和转子槽数;
对电机供电电源的电流和电压进行采样得到电机实时采样数据,所述电机实时采样数据至少包括采样电压、采样电流和采样电源频率;
基于所述电机实时采样数据和所述额定参数数据进行计算得到中间参数数据,所述中间参数数据至少包括电流有效值、电压有效值、谐波总量、负载率和转子槽谐波频率;
将所述额定参数数据、所述电机实时采样数据和中间参数数据进行预处理得到M维特征的输入向量,其中所述M为大于1的正整数;以及
将所述输入向量输入给预先训练得到的人工神经网络模型,经所述人工神经网络模型处理得到电机转速;
其中计算中间参数数据包括:以每个计算周期的采样电压值和采样电流值分别计算每个计算周期的电流压有效值和电流有效值压;对每个计算周期的原始信号进行小波变换以将原始信号分解为高频信号和低频信号,对低频信号的稳态部分进行傅里叶分析以得到每个计算周期的谐波分量,其中,所述原始信号分别为采样电压信号和采样电流信号,对应的谐波分量分别为谐波电压分量和谐波电流分量;基于所述谐波电压分量和谐波电流分量计算得到谐波功率;基于电流有效值、电压有效值压和额定参数数据计算得到负载率;以及基于所述电机的额定参数数据、采样电源频率和所述负载率得到所述转子槽谐波频率。
9.根据权利要求8所述的基于神经网络的电机转速在线估算方法,其特征在于,还包括人工神经网络模型的训练步骤:
收集训练样本,其中每个训练样本包括M维特征,并为每个训练样本标注对应于所述M维特征的电机转速值,所述M维特征分别对应电机的额定参数数据、采样得到的电机实时采样数据以及经过计算得到的中间参数数据;
构建人工神经网络模型,其中所述人工神经网络模型包括输入层、隐藏层及输出层,所述输入层包括M个神经元,所述隐藏层的神经元数量N为小于2M的任意正整数,输出层包括一个神经元;隐藏层的激活函数为Sigmoid函数,输出层激活函数为Identity函数;以及
向所述人工神经网络模型输入训练样本对所述人工神经网络模型进行训练,其中,训练过程中用于计算损失的损失函数为平方损失函数,并采用梯度下降法优化所述平方损失函数。
10.根据权利要求9所述的基于神经网络的电机转速在线估算方法,其特征在于,在收集训练样本时包括:
分别收集多种型号电机的额定参数数据,并在不同负载情况下,在电机处于稳定运行状态时对其进行采样得到一组或多组电机实时采样数据,基于每组电机实时采样数据和额定参数数据计算得到对应的中间参数数据;以及
以电机的额定参数数据为类别得到多个样本集,每个样本集中的样本包括相同的额定参数数据;
对应地,在向所述人工神经网络模型输入训练样本对所述人工神经网络模型进行训练时,分别以同一样本集中的样本数据进行训练,在训练完成后存储训练得到的网络权重,并建立电机额定参数数据和网络权重的对应关系的权重对应表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081484.0A CN117590989B (zh) | 2024-01-19 | 2024-01-19 | 基于神经网络的电机转速在线估算装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081484.0A CN117590989B (zh) | 2024-01-19 | 2024-01-19 | 基于神经网络的电机转速在线估算装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117590989A CN117590989A (zh) | 2024-02-23 |
CN117590989B true CN117590989B (zh) | 2024-04-30 |
Family
ID=89917054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410081484.0A Active CN117590989B (zh) | 2024-01-19 | 2024-01-19 | 基于神经网络的电机转速在线估算装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117590989B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567782A (zh) * | 2011-12-21 | 2012-07-11 | 浙江吉利汽车研究院有限公司 | 一种基于神经网络的汽车发动机转矩的估算方法 |
RU2476983C1 (ru) * | 2011-08-26 | 2013-02-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский политехнический университет" | Способ определения оценки частоты вращения асинхронного двигателя |
CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI399563B (zh) * | 2010-03-16 | 2013-06-21 | Univ Nat Cheng Kung | 馬達轉矩和轉速之估測系統與估測方法 |
ITRM20130272A1 (it) * | 2013-05-08 | 2014-11-09 | Consiglio Nazionale Ricerche | Metodo e relativo sistema per la conversione di energia meccanica, proveniente da un generatore comandato da una turbina, in energia elettrica. |
-
2024
- 2024-01-19 CN CN202410081484.0A patent/CN117590989B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2476983C1 (ru) * | 2011-08-26 | 2013-02-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Национальный исследовательский Томский политехнический университет" | Способ определения оценки частоты вращения асинхронного двигателя |
CN102567782A (zh) * | 2011-12-21 | 2012-07-11 | 浙江吉利汽车研究院有限公司 | 一种基于神经网络的汽车发动机转矩的估算方法 |
CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
Non-Patent Citations (1)
Title |
---|
潜油电机的RMNN建模分析与无传感器转速辨识;邓辉等;电机与控制学报;20070930;第第11卷卷(第第5期期);第2-4部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN117590989A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101627312B (zh) | 交流电量测量装置 | |
Lu et al. | A survey of efficiency-estimation methods for in-service induction motors | |
US5548197A (en) | Method and apparatus for determining motor speed using zero crossing times | |
Huang et al. | Effective identification of induction motor parameters based on fewer measurements | |
CN102288807A (zh) | 一种测量电网电压闪变的方法 | |
CN103344368A (zh) | 基于可测电气量的鼠笼式异步电机能效在线监测方法 | |
CN110048409B (zh) | 一种基于负荷启动暂态特性的电力负荷结构识别方法 | |
CN105093108A (zh) | 电动机起动过程中的动态特性的在线监测系统 | |
CN103281031A (zh) | 基于可测电气量的鼠笼式异步电机等值电路参数辨识方法 | |
CN117590989B (zh) | 基于神经网络的电机转速在线估算装置及方法 | |
Guven et al. | Implementation of an embedded system for real-time detection of rotor bar failures in induction motors | |
Chayakulkheeree et al. | Particle swarm optimization based equivalent circuit estimation for on-service three-phase induction motor efficiency assessment | |
CN202693766U (zh) | 一种电机参数检测仪 | |
Baccarini et al. | Simple robust estimation of load torque in induction machines for application in real plants | |
CN106788064B (zh) | 基于emd-elm的感应电机定子电阻参数识别方法 | |
Gomez et al. | Motor current signature analysis apply for external mechanical fault and cage asymmetry in induction motors | |
RU2621880C1 (ru) | Устройство для определения частоты вращения ротора асинхронных двигателей | |
Usynin et al. | Pulse-vector control with indirect determination of rotor angular position | |
CN109039208A (zh) | 一种开关磁阻电机增量电感特性在线检测方法 | |
CN115754812A (zh) | 变速抽水蓄能机组定子绕组内部短路故障检测方法及装置 | |
CN208461724U (zh) | 便携式电子磁链转矩测试仪 | |
CN108832860B (zh) | 便携式电子磁链转矩测试仪 | |
Bucci et al. | Power measurements on high distorted signals: experimental comparison between two alternative developed device solutions | |
CN201083813Y (zh) | 电机智能测试装置 | |
Radjeai et al. | Identification of synchronous machine by Standstill Frequency Response (SSFR) method-influence of the stator resistance |
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 |