CN117728355B - 电机变频驱动器自适应保护装置和方法 - Google Patents
电机变频驱动器自适应保护装置和方法 Download PDFInfo
- Publication number
- CN117728355B CN117728355B CN202410177625.9A CN202410177625A CN117728355B CN 117728355 B CN117728355 B CN 117728355B CN 202410177625 A CN202410177625 A CN 202410177625A CN 117728355 B CN117728355 B CN 117728355B
- Authority
- CN
- China
- Prior art keywords
- prediction
- fault factor
- motor
- fault
- variable frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003044 adaptive effect Effects 0.000 claims abstract description 61
- 230000009471 action Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000001681 protective effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000004043 responsiveness Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种电机变频驱动器自适应保护装置和方法,数据采集单元从电机变频驱动器配置的运行参数传感器中,采集所述传感器实时监控的电机和变频驱动器的运行状态参数;预测特征分析单元针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;故障因素预测单元,用于由预训练的故障因素预测模型对潜在故障因素进行预测,获得故障因素状态预测序列;自适应保护决策单元,用于根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;保护执行单元使所述变频驱动器执行所述自适应保护动作。本发明能够提高电机在复杂工业环境中的可靠性和寿命。
Description
技术领域
本发明涉及电机控制技术领域,具体涉及一种电机变频驱动器自适应保护装置和方法。
背景技术
随着工业自动化程度的提高,电机变频驱动器得以越来越广泛的使用。电机变频驱动器的主要功能是调节电机的工作速度和扭矩,它通过改变电源频率和电压来控制电机的运行状态。电机变频驱动器能够提高能效,减少能耗,同时提供更好的过程控制和设备保护。电机变频器的具体结构包括:整流器、滤波整流电路、逆变器、驱动电路、PWM控制器、运行参数传感器、散热系统、断路器、辅助电源以及保护装置等。
其中,电机变频驱动器的保护装置用于提供针对过载、过压、欠压、过流、短路、过热等故障因素的保护功能,以确保电机变频驱动器自身和电机安全运行。具体来说,过载保护用于防止电机因超过其额定负荷而损坏;过压保护防止输入或输出电压超过额定值而损坏电机或变频驱动器;欠压保护防止电源电压过低导致电机无法正常启动或运行;过流保护防止电流超过电机或变频驱动器的允许值;短路保护用于防止电机变频驱动器自身和电机的电路短路事故;过热保护防止电机或变频驱动器因温度过高而损坏。保护装置针对过载、过压、欠压、过流、短路、过热等因素的保护动作包括:切断电源、降低电机输出速度和扭矩、延时启动、重启锁定、复位参数到默认安全值、过热降温、报警输出等。可见,其保护功能对于确保电机变频驱动器自身和电机的稳定运行至关重要。
但是,目前大多数变频驱动器保护装置的保护功能是基于固定参数和规则的,电机应用于复杂和多变的工业环境时,这种方法往往无法提供充分的保护。此外,传统的保护系统很难适应新的故障模式和变化的运行条件,这限制了其效能和适应性。
发明内容
本发明旨在解决现有技术中电机变频驱动器保护功能缺乏灵活性和适应性的问题。通过引入机器学习和智能决策算法,本发明提供了一种电机变频驱动器自适应保护装置和方法,能够根据实时监控数据和预测模型动态调整保护策略,提高电机在复杂工业环境中的可靠性和寿命。同时,该系统能够不断学习和优化,以适应新的故障模式和运行条件。
本申请实施例提供一种电机变频驱动器自适应保护装置,包括:
数据采集单元,用于从电机变频驱动器配置的运行参数传感器中,采集所述传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析单元,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测单元,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;
自适应保护决策单元,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;
保护执行单元,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。
优选的是,故障因素预测单元对所述故障因素预测特征确定的过程包括:首先,执行所述运行状态参数的信号分解,采用小波变换算法对所述运行状态参数进行多尺度分解,将所述运行状态参数的原始信号分解为不同子信号;进而,对于经小波变换后所述运行状态参数的每个子信号,统计该子信号的分布特征,所述分布特征包括子信号的均值、峰值和功率谱密度;接下来,将所述运行状态参数的全部子信号的时分布特征进行融合,形成一个融合特征向量作为所述故障因素预测特征。
优选的是,采用小波变换算法对所述运行状态参数进行多尺度分解为不同子信号的过程具体如下:计算所述运行状态参数的原始信号在离散化的尺度层级/>和位置/>处的小波系数和逼近系数:
其中是所述运行状态参数的原始信号/>在离散化的尺度层级/>和位置/>处的小波系数,/>表示小波基函数;/>是原始信号/>在尺度层级/>和位置/>处的逼近系数,/>表示尺度函数。从而,在第/>个尺度层级,逼近部分/>和细节部分/>可以表示为上述逼近系数和小波系数的线性组合,即:
进而,下一个尺度层级的逼近部分和细节部分表示为:
循环迭代以上过程,直至达到最终所需的最大尺度层级;再通过将最终的逼近部分/>和所有的细节部分/>累加,获得对运行状态参数的原始信号/>的重构:
从而通过小波变换将原始信号分解为最终的逼近部分/>和一系列细节部分/>组成的子信号,每个部分代表了信号在不同频率范围内的特征。
优选的是,对于所述运行状态参数的原始信号,基于每个子信号的分布特征表示为/>,/>表示每个子信号的均值,/>表示子信号的峰值,/>表示功率谱密度。将全部子信号的分布特征融合形成一个特征矩阵,再拉直形成所述融合特征向量,表示为/>,该融合特征向量作为所述故障因素预测特征。
优选的是,所述故障因素预测单元包括故障因素预测模型,该模型采用卷积神经网络,神经网络的输入层接收作为故障因素预测特征的融合特征向量/>,/>为神经网络的各层参数构成的总参数向量,该模型输出对电机变频驱动器自身及电机的潜在故障因素进行预测的预测量/>;该模型经过预训练后,能够基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,预测结果表示为故障因素状态预测序列。
优选的是,自适应保护决策单元包括的自适应保护决策模型表示为,采用Resnet网络,其中,输入量为自适应保护动作的类型值/>,/>为Resnet网络各层参数构成的总参数向量,该模型的输出为自适应保护动作的类型对故障因素响应度的量化值/>。
优选的是,用于预训练该故障因素预测模型和自适应保护决策模型的样本集合为;/>为集合中不同的故障因素预测特征样本;/>为每个样本故障因素预测特征一一对应的自适应保护动作样本,该自适应保护动作的类型值表明了对应的保护性指令;预训练过程中,样本集合被划分为B个大小为N的多个子样本集/>,其中/>,且每个子样本集/>;在每一轮预训练的迭代过程中,取其中一个子样本集/>,进而将该集合中的任一个故障因素预测特征样本/>输入故障因素预测模型/>,获得潜在故障因素的预测量/>,其中/>为本轮迭代时神经网络的各层参数的总参数向量,从而,以该子样本集/>的全部故障因素预测特征样本输入故障因素预测模型/>可得全部潜在故障因素预测量构成的故障因素状态预测序列/>;将自适应保护动作样本/>输入自适应保护决策模型,获得故障因素响应度的量化值/>,其中/>为本轮迭代时Resnet网络的各层参数的总参数向量,从而,以该子样本集/>的全部自适应保护动作样本输入自适应保护决策模型/>,获得故障因素响应度的量化值序列/>。
优选的是,自适应保护决策单元还包括一个带加权的线性投影矩阵模块;在上述预训练的过程中,该模块输入所述故障因素预测单元产生的故障因素状态预测序列以及故障因素响应度的量化值序列/>,对以上2组序列进行带加权的线性投影:
其中和/>表示线性投影过程中对2组序列各自的加权权重,函数表示对矩阵A的每一行的值除以该行所有元素平方和的平方根;在预训练过程中,根据故障因素预测模型和自适应保护决策模型二者输出的故障因素状态预测序列以及故障因素响应度量化值序列/>构造损失函数:
其中为相似度矩阵/>的第(i,j)个矩阵元素,基于以上损失函数,通过预定轮迭代的预训练,获得训练后优化的故障因素预测模型/>,/>以及优化后的线性投影过程加权权重/>和/>。
优选的是,在完成预训练的基础上,将预测特征分析单元经过小波变换和特征融合形成的所述故障因素预测特征输入故障因素预测单元的故障因素预测模型/>,并经线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素状态预测序列/>;将一个可选自适应保护模板内包含的自适应保护动作类型值/>输入自适应保护决策模型/>,并通过线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素响应度的量化值序列/>;将故障因素状态预测序列/>与故障因素响应度的量化值序列/>求内积运算,即/>,获得故障因素响应度的量化值序列/>中与故障因素状态预测序列/>内积值最大的故障因素响应度,则该故障因素响应度对应的自适应保护动作类型值,即作为最优化响应该故障因素状态预测序列的自适应保护动作。
本发明进而提供一种电机变频驱动器自适应保护方法,其特征在于,包括:
数据采集步骤,用于从电机变频驱动器配置的运行参数传感器中,采集所述传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析步骤,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测步骤,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;
自适应保护决策步骤,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;
保护执行步骤,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。
从而,本发明动态地选择最适合当前情况的保护策略,不仅提高了电机变频驱动器的保护效率,还提高了系统的整体可靠性,能够根据实时监控数据和预测模型动态调整保护策略,提高电机在复杂工业环境中的可靠性和寿命,同时,该系统能够不断学习和优化,以适应新的故障模式和运行条件。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在附图中:
图1为本申请实施例电机变频驱动器自适应保护装置结构图;
图2为本申请实施例电机变频驱动器自适应保护方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
如图1所示,本申请实施例提供一种电机变频驱动器自适应保护装置,包括:
数据采集单元,用于从电机变频驱动器配置的运行参数传感器中,采集所述传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析单元,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测单元,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;
自适应保护决策单元,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;
保护执行单元,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。
为了实时监测电机及其变频驱动器的运行状态,从而保证稳定运行,避免故障,延长使用寿命,需要对电机及其变频驱动器集成一系列高精度传感器,这些传感器负责实时感应获取关键的运行状态参数。具体来说,电流传感器和电压传感器监测电机的电流和电压,以判断电机的负载情况;功率传感器监测监测电机的功率,以判断电机的运行效率;转速传感器(如光电编码器)和扭矩传感器用于监测电机的转速和转矩,温度传感器(如热电偶或RTD)用于监测电机及其变频驱动器的温度,以防止过热造成的损害。数据采集单元通过信号接口,从传感器实时获得所述运行状态参数,进而执行高速AD转换功能,能够将传感器模拟信号转换为数字信号。并且,数据采集单元进行初步的数据预处理,所述预处理包括信号滤波、归一化等步骤,其目的是去除噪声干扰,提高数据质量。
预测特征分析单元,用于针对经过预处理后的所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征。所述故障因素预测特征用于后续输入预测模型,由该模型对变频驱动器自身及电机的潜在故障因素进行预测。
所述故障因素预测特征确定的过程包括:首先,执行所述运行状态参数的信号分解,采用小波变换算法对所述运行状态参数进行多尺度分解,将所述运行状态参数的原始信号分解为不同子信号;进而,对于经小波变换后所述运行状态参数的每个子信号,统计该子信号的分布特征,所述分布特征包括子信号的均值、峰值和功率谱密度;接下来,将所述运行状态参数的全部子信号的时分布特征进行融合,形成一个融合特征向量,特征融合过程可以采用主成分分析(PCA)等方法,以去除特征间的冗余和相关性,减少特征维度,提高后续模型的处理效率,并且融合过程中为了消除不同特征间的量纲影响,需要对特征向量进行归一化处理,使得每个特征都处于相同的量级,便于模型的处理;最终,经过以上小波变换、分布特征提取、特征融合和量纲归一化处理之后的融合特征向量,作为所述故障因素预测特征。
其中,采用小波变换算法对所述运行状态参数进行多尺度分解为不同子信号的过程具体如下:计算所述运行状态参数的原始信号在离散化的尺度层级/>和位置/>处的小波系数和逼近系数:
其中是所述运行状态参数的原始信号/>在离散化的尺度层级/>和位置/>处的小波系数,/>表示小波基函数;/>是原始信号/>在尺度层级/>和位置/>处的逼近系数,/>表示尺度函数。从而,在第/>个尺度层级,逼近部分/>和细节部分/>可以表示为上述逼近系数和小波系数的线性组合,即:
进而,下一个尺度层级的逼近部分和细节部分表示为:
循环迭代以上过程,直至达到最终所需的最大尺度层级;再通过将最终的逼近部分/>和所有的细节部分/>累加,获得对运行状态参数的原始信号/>的重构:
从而通过小波变换将原始信号分解为最终的逼近部分/>和一系列细节部分/>组成的子信号,每个部分代表了信号在不同频率范围内的特征。
对于所述运行状态参数的原始信号,基于每个子信号的分布特征表示为,/>表示每个子信号的均值,/>表示子信号的峰值,/>表示功率谱密度。将全部子信号的分布特征融合形成一个特征矩阵,再拉直形成所述融合特征向量,表示为/>,该融合特征向量作为所述故障因素预测特征。
所述故障因素预测单元包括故障因素预测模型,该模型采用卷积神经网络,神经网络的输入层接收作为故障因素预测特征的融合特征向量/>,/>为神经网络的各层参数构成的总参数向量,该模型输出对电机变频驱动器自身及电机的潜在故障因素进行预测的预测量/>;该模型经过预训练后,能够基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,预测结果表示为故障因素状态预测序列。
其中,用于预训练该故障因素预测模型和自适应保护决策模型的样本集合为。/>为集合中不同的故障因素预测特征样本,即融合特征向量的样本;/>为每个样本故障因素预测特征一一对应的自适应保护动作样本,该自适应保护动作的类型值表明了对应的保护性指令。预训练过程中,样本集合/>被划分为B个大小为N的多个子样本集,其中/>,且每个子样本集/>。
在每一轮预训练的迭代过程中,取其中一个子样本集,进而将该集合中的任一个故障因素预测特征样本/>输入故障因素预测模型/>,获得潜在故障因素的预测量/>,其中为本轮迭代时神经网络的各层参数的总参数向量,从而,以该子样本集的全部故障因素预测特征样本输入故障因素预测模型/>可得全部潜在故障因素预测量构成的故障因素状态预测序列。
自适应保护决策单元包括的自适应保护决策模型表示为,采用Resnet网络,其中,输入量为自适应保护动作的类型值/>,/>为Resnet网络各层参数构成的总参数向量,该模型的输出为自适应保护动作的类型对故障因素响应度的量化值/>。
在每一轮预训练的迭代过程中,针对上述的子样本集,将自适应保护动作样本/>输入自适应保护决策模型/>,获得故障因素响应度的量化值/>,其中/>为本轮迭代时Resnet网络的各层参数的总参数向量,从而,以该子样本集的全部自适应保护动作样本输入自适应保护决策模型/>,获得故障因素响应度的量化值序列/>。
自适应保护决策单元还包括一个带加权的线性投影矩阵模块。在上述预训练的过程中,该模块输入所述故障因素预测单元产生的故障因素状态预测序列以及故障因素响应度的量化值序列/>,对以上2组序列进行带加权的线性投影:
其中和/>表示线性投影过程中对2组序列各自的加权权重,函数表示对矩阵A的每一行的值除以该行所有元素平方和的平方根。
在预训练过程中,根据故障因素预测模型和自适应保护决策模型二者输出的故障因素状态预测序列以及故障因素响应度量化值序列构造损失函数:
其中为相似度矩阵/>的第(i,j)个矩阵元素,基于以上损失函数,通过预定轮迭代的预训练,获得训练后优化的故障因素预测模型/>,/>以及优化后的线性投影过程加权权重/>和/>。
在完成预训练的基础上,将预测特征分析单元经过小波变换和特征融合形成的所述故障因素预测特征输入故障因素预测单元的故障因素预测模型/>,并经线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素状态预测序列/>;将一个可选自适应保护模板内包含的自适应保护动作类型值/>输入自适应保护决策模型,并通过线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素响应度的量化值序列/>;将故障因素状态预测序列/>与故障因素响应度的量化值序列/>求内积运算,即/>,获得故障因素响应度的量化值序列/>中与故障因素状态预测序列/>内积值最大的故障因素响应度,例如为/>,则该故障因素响应度对应的自适应保护动作类型值,即作为最优化响应该故障因素状态预测序列的自适应保护动作。
保护执行单元接收最优化响应故障因素状态预测序列的自适应保护动作类型值,依据该自适应保护动作的类型值,针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。例如,保护执行单元下达保护性指令使所述变频驱动器执行的自适应保护动作可以包括:切断电源、降低电机输出速度和扭矩、延时启动、重启锁定、复位参数到默认安全值、过热降温、报警输出等。
参见图2,本申请实施例提供一种电机变频驱动器自适应保护方法,包括:
数据采集步骤,用于从电机变频驱动器配置的运行参数传感器中,采集所述传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析步骤,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测步骤,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;
自适应保护决策步骤,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;
保护执行步骤,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。
从而,本发明动态地选择最适合当前情况的保护策略,不仅提高了电机变频驱动器的保护效率,还提高了系统的整体可靠性,能够根据实时监控数据和预测模型动态调整保护策略,提高电机在复杂工业环境中的可靠性和寿命,同时,该系统能够不断学习和优化,以适应新的故障模式和运行条件。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种电机变频驱动器自适应保护装置,其特征在于,包括:
数据采集单元,用于从电机变频驱动器配置的运行参数传感器中,采集所述运行参数传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析单元,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测单元,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;所述故障因素预测单元包括故障因素预测模型,该模型采用卷积神经网络,神经网络的输入层接收作为故障因素预测特征的融合特征向量/>,/>为神经网络的各层参数构成的总参数向量,该模型输出对电机变频驱动器自身及电机的潜在故障因素进行预测的预测量/>;该模型经过预训练后,能够基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,预测结果表示为故障因素状态预测序列;
自适应保护决策单元,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;自适应保护决策单元包括的自适应保护决策模型表示为,采用Resnet网络,其中,输入量为自适应保护动作的类型值/>,/>为Resnet网络各层参数构成的总参数向量,该模型的输出为自适应保护动作的类型对故障因素响应度的量化值/>;
保护执行单元,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作;
其中,用于预训练该故障因素预测模型和自适应保护决策模型的样本集合为;/>为集合中不同的故障因素预测特征样本;/>为每个样本故障因素预测特征一一对应的自适应保护动作样本,该自适应保护动作的类型值表明了对应的保护性指令;预训练过程中,样本集合被划分为B个大小为N的多个子样本集/>,其中/>,且每个子样本集/>;在每一轮预训练的迭代过程中,取其中一个子样本集/>,进而将该集合中的任一个故障因素预测特征样本/>输入故障因素预测模型/>,获得潜在故障因素的预测量/>,其中/>为本轮迭代时神经网络的各层参数的总参数向量,从而,以该子样本集/>的全部故障因素预测特征样本输入故障因素预测模型/>可得全部潜在故障因素预测量构成的故障因素状态预测序列/>;将自适应保护动作样本/>输入自适应保护决策模型,获得故障因素响应度的量化值/>,其中/>为本轮迭代时Resnet网络的各层参数的总参数向量,从而,以该子样本集的全部自适应保护动作样本输入自适应保护决策模型/>,获得故障因素响应度的量化值序列/>。
2.根据权利要求1所述的电机变频驱动器自适应保护装置,其特征在于,故障因素预测单元对所述故障因素预测特征确定的过程包括:首先,执行所述运行状态参数的信号分解,采用小波变换算法对所述运行状态参数进行多尺度分解,将所述运行状态参数的原始信号分解为不同子信号;进而,对于经小波变换后所述运行状态参数的每个子信号,统计该子信号的分布特征,所述分布特征包括子信号的均值、峰值和功率谱密度;接下来,将所述运行状态参数的全部子信号的时分布特征进行融合,形成一个融合特征向量作为所述故障因素预测特征。
3.根据权利要求2所述的电机变频驱动器自适应保护装置,其特征在于,采用小波变换算法对所述运行状态参数进行多尺度分解为不同子信号的过程具体如下:计算所述运行状态参数的原始信号在离散化的尺度层级/>和位置/>处的小波系数和逼近系数:
其中/>是所述运行状态参数的原始信号/>在离散化的尺度层级/>和位置/>处的小波系数,表示小波基函数;/>是原始信号/>在尺度层级/>和位置/>处的逼近系数,表示尺度函数;从而,在第/>个尺度层级,逼近部分/>和细节部分/>表示为上述逼近系数和小波系数的线性组合,即:
进而,下一个尺度层级/>的逼近部分和细节部分表示为:
循环迭代以上过程,直至达到最终所需的最大尺度层级/>;再通过将最终的逼近部分/>和所有的细节部分/>累加,获得对运行状态参数的原始信号/>的重构:
从而通过小波变换将原始信号/>分解为最终的逼近部分/>和一系列细节部分/>组成的子信号,每个部分代表了信号在不同频率范围内的特征。
4.根据权利要求3所述的电机变频驱动器自适应保护装置,其特征在于,对于所述运行状态参数的原始信号,基于每个子信号的分布特征表示为/>,表示每个子信号的均值,/>表示子信号的峰值,/>表示功率谱密度;将全部子信号的分布特征融合形成一个特征矩阵,再拉直形成所述融合特征向量,表示为/>,该融合特征向量作为所述故障因素预测特征。
5.根据权利要求4所述的电机变频驱动器自适应保护装置,其特征在于,自适应保护决策单元还包括一个带加权的线性投影矩阵模块;在上述预训练的过程中,该模块输入所述故障因素预测单元产生的故障因素状态预测序列以及故障因素响应度的量化值序列/>,对以上2组序列进行带加权的线性投影:
其中/>和/>表示线性投影过程中对2组序列各自的加权权重,函数/>表示对矩阵A的每一行的值除以该行所有元素平方和的平方根;在预训练过程中,根据故障因素预测模型和自适应保护决策模型二者输出的故障因素状态预测序列/>以及故障因素响应度量化值序列/>构造损失函数:
其中为相似度矩阵/>的第(i,j)个矩阵元素,基于以上损失函数,通过预定轮迭代的预训练,获得训练后优化的故障因素预测模型/>,/>以及优化后的线性投影过程加权权重/>和/>。
6.根据权利要求5所述的电机变频驱动器自适应保护装置,其特征在于,在完成预训练的基础上,将预测特征分析单元经过小波变换和特征融合形成的所述故障因素预测特征输入故障因素预测单元的故障因素预测模型/>,并经线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素状态预测序列/>;将一个可选自适应保护模板内包含的自适应保护动作类型值/>输入自适应保护决策模型/>,并通过线性投影矩阵模块进行带加权权重/>的线性投影获得故障因素响应度的量化值序列;将故障因素状态预测序列/>与故障因素响应度的量化值序列求内积运算,即/>,获得故障因素响应度的量化值序列/>中与故障因素状态预测序列/>内积值最大的故障因素响应度,则该故障因素响应度对应的自适应保护动作类型值,即作为最优化响应该故障因素状态预测序列的自适应保护动作。
7.一种应用于以上权利要求1-6中任意一项所述的电机变频驱动器自适应保护装置的电机变频驱动器自适应保护方法,其特征在于,包括:
数据采集步骤,用于从电机变频驱动器配置的运行参数传感器中,采集所述运行参数传感器实时监控的电机和变频驱动器的运行状态参数;
预测特征分析步骤,用于针对所述运行状态参数进行分析,确定电机变频驱动器自身及电机的故障因素预测特征;
故障因素预测步骤,用于由预训练的故障因素预测模型,基于输入的所述故障因素预测特征,对电机变频驱动器自身及电机的潜在故障因素进行预测,获得故障因素状态预测序列;
自适应保护决策步骤,用于通过预训练后的自适应保护决策模型,根据所述故障因素状态预测序列,获得最优化响应该故障因素状态预测序列的自适应保护动作;
保护执行步骤,用于针对变频驱动器下达保护性指令,使所述变频驱动器执行所述自适应保护动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410177625.9A CN117728355B (zh) | 2024-02-08 | 2024-02-08 | 电机变频驱动器自适应保护装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410177625.9A CN117728355B (zh) | 2024-02-08 | 2024-02-08 | 电机变频驱动器自适应保护装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117728355A CN117728355A (zh) | 2024-03-19 |
CN117728355B true CN117728355B (zh) | 2024-04-16 |
Family
ID=90207368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410177625.9A Active CN117728355B (zh) | 2024-02-08 | 2024-02-08 | 电机变频驱动器自适应保护装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117728355B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN112527547A (zh) * | 2020-12-17 | 2021-03-19 | 中国地质大学(武汉) | 一种基于自动卷积神经网络的机械智能故障预测方法 |
CN117045233A (zh) * | 2023-07-06 | 2023-11-14 | 浙江同筑科技有限公司 | 基于卷积神经网络异常步态检测的跟随机器人及实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751763B (zh) * | 2020-06-08 | 2021-08-10 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
-
2024
- 2024-02-08 CN CN202410177625.9A patent/CN117728355B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN112527547A (zh) * | 2020-12-17 | 2021-03-19 | 中国地质大学(武汉) | 一种基于自动卷积神经网络的机械智能故障预测方法 |
CN117045233A (zh) * | 2023-07-06 | 2023-11-14 | 浙江同筑科技有限公司 | 基于卷积神经网络异常步态检测的跟随机器人及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117728355A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1047887C (zh) | 电力变压器的差动保护装置 | |
CN117390573B (zh) | 基于时序预测的风电机组运行异常预警方法 | |
CN111209928A (zh) | 一种变压器设备预警和状态预测评估方法及其系统 | |
CN117056764A (zh) | 一种发电机组智能保护方法及系统 | |
CN110108964B (zh) | 基于物联网的电力系统监控对象故障录波数据处理方法 | |
CN117056813B (zh) | 一种用于智能断路器数据采集的检测方法 | |
CN116961242A (zh) | 一种一二次融合柱上断路器实时数据管理方法及系统 | |
CN117728355B (zh) | 电机变频驱动器自适应保护装置和方法 | |
CN117470315A (zh) | 一种核电站厂区安全智能识别方法 | |
CN117439181A (zh) | 一种清洁能源互联网源网荷储协调管控方法及系统 | |
CN115856390A (zh) | 一种电力开关柜的监测诊断方法、系统及存储介质 | |
CN114444291B (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
CN114047705B (zh) | 一种单相接地故障检测定值自适应整定方法及系统 | |
CN113418632B (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
WO2021149096A1 (ja) | 電力制御装置、電力制御方法およびプログラム | |
CN1238460A (zh) | 检测短路状态的方法和采用该方法的装置 | |
CN110703690A (zh) | 一种用于加工过程的智能控制与监测系统的运行方法 | |
CN110609198A (zh) | 一种电缆线路的运维监测方法及相关设备 | |
CN118213938B (zh) | 基于人工智能的电源安全供电保护方法和系统 | |
CN114862064B (zh) | 一种锻造液压机的系统性失效预测方法及系统 | |
CN110380446A (zh) | 一种光伏并网逆变器的电网断开检测方法 | |
CN118378179B (zh) | 分布式新能源储能网络的优化调控方法 | |
CN118428741B (zh) | 一种适应于特殊操作和应急操作的智能防误处理方法 | |
CN111244914B (zh) | 一种适应柔直接入的线路保护方法及系统 | |
CN118033219B (zh) | 基于ai电流指纹的用电管理方法及系统 |
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 |