TWI645341B - 旋轉機械的溫度估測方法 - Google Patents
旋轉機械的溫度估測方法 Download PDFInfo
- Publication number
- TWI645341B TWI645341B TW106144564A TW106144564A TWI645341B TW I645341 B TWI645341 B TW I645341B TW 106144564 A TW106144564 A TW 106144564A TW 106144564 A TW106144564 A TW 106144564A TW I645341 B TWI645341 B TW I645341B
- Authority
- TW
- Taiwan
- Prior art keywords
- temperature
- rotating machine
- rotor
- measured value
- component
- Prior art date
Links
Landscapes
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
一種旋轉機械的溫度估測方法,適於在一個旋轉機械運作時估計此旋轉機械的第一元件的溫度,所述方法包括:從此旋轉機械取得第一量測值。從此旋轉機械取得第二量測值。並以機器學習(machine learning)演算法根據旋轉機械溫度模型、第一量測值與第二量測值,得到此旋轉機械的第一元件的溫度。其中,旋轉機械溫度模型用於描述第一量測值、第二量測值與第一元件的溫度的關係。
Description
本揭露係關於一種旋轉機械的溫度估測方法,特別是一種適於線上實時(online realtime)取得旋轉機械中特定元件溫度的方法。
旋轉機械例如馬達,被廣泛的利用於電動車、風扇、泵浦之中。旋轉機械在運作時,因為轉子與軸承的摩擦、電磁鐵的熱損等等原因,所以轉子、磁鐵、軸承滾珠的溫度往往會高於室溫。這會帶來一些問題,其一是由於轉子、軸成滾珠的溫度提高,會使潤滑油的特性變化,可能會造成轉子與軸承滾珠的損耗。此外,溫度的提高可能會降低磁鐵/定子電磁鐵的磁性,從而使得同樣的驅動電流所帶給旋轉機械的驅動力不足。然而,要在旋轉機械運轉時,線上實時地取得轉子、磁鐵、軸承滾珠的溫度一直以來有難度。
具體來說,由於轉子、軸承滾珠在旋轉機械的最核心位置,且其運作當中會不停的改變其位置,因此難以用準確有效的溫度量測手段來取得精確地轉子與軸承滾珠的溫度。而某些架構的旋轉機械中,磁鐵是固定在轉子上,所以也難以精確地取得磁鐵的溫度。如此,使得要良好地控制旋轉機械以提高驅動效率或是降低損耗變得困難。
有鑑於此,本揭露旨在提供一種可運用於旋轉機械線上實時準確估算特定元件溫度的方法。
依據本揭露一實施例的旋轉機械的溫度量測方法,適於在一個旋轉機械運作時估計此旋轉機械的第一元件的溫度,所述方法包括:從此旋轉機械取得第一量測值。從此旋轉機械取得第二量測值。並以機器學習(machine learning)演算法根據旋轉機械溫度模型、第一量測值與第二量測值,得到此旋轉機械的第一元件的溫度。其中,旋轉機械溫度模型用於描述第一量測值、第二量測值與第一元件的溫度的關係。
綜上所述,根據本揭露的旋轉機械的溫度估測方法,藉由旋轉機械溫度模型,可以在實際使用環境中,取得多筆易於取得的量測值,並套用旋轉機械溫度模型來估算難以取得的元件溫度。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本揭露之精神與原理,並且提供本揭露之專利申請範圍更進一步之解釋。
以下在實施方式中詳細敘述本揭露之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本揭露之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本揭露相關之目的及優點。以下之實施例係進一步詳細說明本揭露之觀點,但非以任何觀點限制本揭露之範疇。
請參照圖1,其係依據本揭露一實施例的旋轉機械部分構造圖。如圖1所示,旋轉機械1000至少具有定子1100、定子線圈1110、定子鐵芯1120、轉子1200、磁鐵1300與軸承1400。如圖1所示的旋轉機械1000的元件連接以及運作方式以為習知技術,於此不再贅述。此外,雖然圖1所繪示的是將磁鐵裝設於轉子並將電磁鐵裝設於定子的旋轉機械,然而本揭露的方法也可以適用於其他結構的旋轉機械。
於一實施例中,設計者在實驗室中,將溫度感測器裝設於轉子1200,此處的溫度感測器例如無線式的溫度感測器。溫度感測器被裝設於轉子1200的位置例如為靠近軸承1400處、靠近轉子1200的外緣或是固定於轉子1200的磁鐵1300的表面。
接著,設計者啟動旋轉機械1000使旋轉機械1000的轉子1200開始轉動,同時設計者設定控制電腦開始讀取溫度感測器所回傳的溫度量測值,並且同時獲取定子線圈1110的電阻與轉子1200的轉子轉速。具體來說,獲取定子線圈1100的電阻的方式例如將定子線圈1100視為理想電感L與電阻R的串聯,由於理想電感不會消耗功率,因此藉由消耗功率P=I
2R,藉由估算在一段時間內的平均功率與平均電流,來計算定子線圈1100等效的電阻值。又或者在旋轉機械1000內部鄰近定子線圈1100處設置模擬線圈(未繪示),所謂模擬線圈例如導線切面面積與導線總長度與定子線圈1100相同之線圈。並且在想要取得定子線圈1100的電阻時,對模擬線圈提供一個直流電壓,獲取流經模擬線圈的直流電流來計算模擬線圈的電阻(或是對模擬線圈提供一個直流電流,獲取模擬線圈的直流電壓來計算模擬線圈的電阻),並以模擬線圈的電阻取代定子線圈1100的電阻。又或者當定子線圈1100不需要被電流驅動時,暫時對定子線圈1100提供直流電信號以獲取其電阻。而獲取轉子轉速的方式,例如使用光感測器或是電磁感測器均能適當地獲取轉子轉速,其中,以光感測器較佳。此外,溫度量測值、定子線圈1100的電阻以及轉子轉速的取得時間應大致相同。此處所述大致相同例如誤差不超過一秒或0.5秒。於此,旋轉機械1000的轉動係受控於控制電腦,以特定的方式運作,例如啟動、低速下輸出額定扭矩、額定轉速下輸出額定扭矩等模式。
以上述的方式,控制電腦例如在120分鐘內,每一分鐘取得一組數據,得以取得120組數據,每一組數據包含了溫度量測值、定子線圈1100的電阻以及轉子轉速。接著,控制電腦依據這120組數據,得到一個模型來描述定子線圈電阻、轉子轉速與轉子溫度的關係。具體來說,由於定子線圈1110係纏繞於定子鐵芯1120,因此定子線圈1110的電阻值會受到定子鐵芯1120的溫度而改變,其關係可以近似地簡化為一個一次函數:
其中R
0為標準溫度(例如27°C)下的定子線圈電阻,α是線圈電阻溫度係數,而ΔT則是定子鐵芯1120的溫度與標準溫度的差值。根據上述方程式,定子鐵芯溫度可以大致由定子線圈溫度推估而得,而定子線圈溫度可以相當準確地由定子線圈電阻推估得到。而定子鐵芯1120鄰接於轉子1200,因此請參照圖2,其係用以說明本揭露一實施例的旋轉機械部分區域溫度分佈圖。如圖2所示,定子鐵芯1120的溫度與轉子1200的溫度會呈高度正相關。而如上所述,定子線圈電阻也會與轉子溫度呈現正相關。
舉例來說,控制電腦可以用隨機森林法(random forest) 來訓練一棵決策樹。表一為120組數據,每一分鐘取樣電機溫度來形成。於機器學習的過程中,會將該120組數據拆成二組,即訓練組和測試組。本案隨機挑選60組數據來訓練一棵決策樹。隨機森林法針對給予的60組數據,經由重複於該60組數據進行次集合的隨機取樣,可以一共得到N棵決策樹(例如500棵決策樹)。每一棵決策樹可以依據一個輸入向量(定子線圈電阻、轉子轉速)產生對應的一個決策輸出(轉子溫度)。每一棵決策樹的形成一般是要將資訊獲利(information gain)極大化。於本揭露各實施例中,係以多棵決策樹來決定一棵最終版的決策樹,其作法於後敘述。
以下以電動車當作旋轉機械1000的工作環境,然而本領域通常知識者當能理解旋轉機械1000的工作環境並不限定於電動車。當如圖1的旋轉機械1000實際被裝置於電動車上時,且電動車的車用電腦發出指令請求旋轉機械的轉子溫度時,旋轉機械1000的驅動電路回傳定子線圈電阻,而轉速計回傳轉子轉速。車用電腦把定子線圈1100的電阻值與轉子1200的轉速作為一個向量x1,並以隨機森林法所得到最終版決策樹來產生估計的轉子溫度。
於另一實施例中,設計者在實驗室中,將第一溫度感測器裝設於轉子1200,此處的第一溫度感測器例如無線式的溫度感測器。第一溫度感測器被裝設於轉子1200的位置例如為靠近軸承1400處、靠近轉子1200的外緣或是固定於轉子1200的磁鐵1300的表面。設計者並且將第二溫度感測器裝設於定子鐵芯1120以取得定子鐵芯1120的溫度。定子鐵芯1120上的第二溫度感測器例如為有線式的溫度感測器。
接著,設計者啟動旋轉機械1000使旋轉機械1000的轉子1200開始轉動,同時設計者設定控制電腦開始讀取第一溫度感測器所回傳的第一溫度量測值(轉子溫度)與第二溫度感測器所回傳的第二溫度量測值(定子鐵芯溫度),並且同時獲取轉子1200的轉子轉速。第一溫度量測值、第二溫度量測值以及轉子轉速的取得時間應大致相同。此處所述大致相同例如誤差不超過一秒或0.5秒。
以上述的方式,控制電腦例如在120分鐘內,每一分鐘取得一組數據,得以取得120組數據,每一組數據包含了第一溫度量測值(轉子溫度)、第二溫度量測值(定子鐵芯溫度)以及轉子轉速。接著,控制電腦依據這120組數據,得到一個模型來描述定子鐵芯溫度、轉子轉速與轉子溫度的關係。
舉例來說,控制電腦可以用隨機森林法從120組數據中隨機挑選60組數據來訓練一棵決策樹,重複多次後一共得到N棵決策樹(例如500棵決策樹)。每一棵決策樹可以依據一個輸入向量(定子鐵芯溫度、轉子轉速)產生對應的一個決策輸出(轉子溫度)。並以這N棵決策樹來得到最終版的決策樹。
以下以電動車當作旋轉機械1000的工作環境,然而本領域通常知識者當能理解旋轉機械1000的工作環境並不限定於電動車。當如圖1的旋轉機械1000實際被裝置於電動車上時,且電動車的車用電腦發出指令請求旋轉機械的轉子溫度時,旋轉機械1000的定子鐵芯1120上的溫度感測器回傳定子鐵芯溫度,而轉速計回傳轉子轉速。車用電腦把定子鐵芯1120的溫度與轉子1200的轉速作為一個向量x2,並以隨機森林法所産生的最終版決策樹來産生轉子溫度預測。
於另一實施例中,設計者在實驗室中,將第一溫度感測器裝設於轉子1200,此處的第一溫度感測器例如無線式的溫度感測器。第一溫度感測器被裝設於轉子1200的位置例如為靠近軸承1400處、靠近轉子1200的外緣或是固定於轉子1200的磁鐵1300的表面。設計者並且將第二溫度感測器裝設於定子線圈1110以取得定子線圈1110的溫度。定子線圈1110上的第二溫度感測器例如為有線式的溫度感測器。
接著,設計者啟動旋轉機械1000使旋轉機械1000的轉子1200開始轉動,同時設計者設定控制電腦開始讀取第一溫度感測器所回傳的第一溫度量測值(轉子溫度)與第二溫度感測器所回傳的第二溫度量測值(定子線圈溫度),並且同時獲取轉子1200的轉子轉速。第一溫度量測值、第二溫度量測值以及轉子轉速的取得時間應大致相同。此處所述大致相同例如誤差不超過一秒或0.5秒。
以上述的方式,控制電腦例如在120分鐘內,每一分鐘取得一組數據,得以取得120組數據,每一組數據包含了第一溫度量測值(轉子溫度)、第二溫度量測值(定子線圈溫度)以及轉子轉速。接著,控制電腦依據這120組數據,得到一個模型來描述定子線圈溫度、轉子轉速與轉子溫度的關係。
舉例來說,控制電腦可以用隨機森林法從120組數據中隨機挑選60組數據來訓練一棵決策樹,重複多次後一共得到N棵決策樹(例如500棵決策樹)。每一棵決策樹可以依據一個輸入向量(定子線圈溫度、轉子轉速)產生對應的一個決策輸出(轉子溫度)。並以這N棵決策樹來得到最終版的決策樹。
以下以電動車當作旋轉機械1000的工作環境,然而本領域通常知識者當能理解旋轉機械1000的工作環境並不限定於電動車。當如圖1的旋轉機械1000實際被裝置於電動車上時,且電動車的車用電腦發出指令請求旋轉機械的轉子溫度時,旋轉機械1000的定子線圈1110上的溫度感測器回傳定子線圈溫度,而轉速計回傳轉子轉速。車用電腦把定子線圈1110的溫度與轉子1200的轉速作為一個向量x3,並以隨機森林法所産生的最終版決策樹來産生轉子溫度預測。
雖然上述實施例均用以估計轉子1200的溫度,然而所屬領域通常知識者當能理解,轉子1200與磁鐵1300既然彼此相連接,其溫度會呈現高度正相關,因此上述實施例亦可經過簡單變更(例如在實驗室中將溫度感測器裝設於磁鐵1300而非轉子)來達到以旋轉機械1000的兩個量測值估計磁鐵1300的溫度的效果。
於另一實施例中,旋轉機械1000本身為水冷式旋轉機械,可具有液態冷卻系統,而冷卻系統的運作會將低溫的冷卻液注入旋轉機械所在的腔室,並將高溫的冷卻液輸送到壓縮機構來冷卻。而冷卻系統的運作與高溫的冷卻液本身的溫度有關。具體來說,高溫的冷卻液溫度越高,表示旋轉機械1000本身溫度越高,而需要在單位時間內有更多的低溫冷卻液來對旋轉機械1000進行降溫,因此,於此實施例中,也可以在實驗室中額外量測冷卻液流量。換句話說,如此訓練的隨機森林決策樹的輸入向量可以是由三個變數所構成,例如定子線圈電阻、轉子轉速與冷卻液流量。而在旋轉機械1000的工作環境中,則使用三個變數的決策樹來以隨機森林法估計轉子溫度或是磁鐵溫度。
經過本揭露發明人多次實驗,當決策樹的數量大於380甚至400時,以隨機森林法藉由上述敘述的流程來估計轉子/磁鐵溫度已經具有相當高度的準確性。此外,本揭露發明人發現,實際上只需要兩個以上的量測值,則可以在相當的溫度範圍內準確地估計轉子/磁鐵的溫度,前述相當的溫度範圍例如涵蓋了轉子/磁鐵可能的溫度範圍的87%。
此外,以類似的方式也可以用於估計旋轉機械1000的軸承滾珠的溫度,請回到圖1,軸承1400包含轉子軸承座1410與軸承滾珠1420。由於軸承滾珠1420位於轉子軸承座1410與轉子1200之間,且軸承滾珠1420分別與轉子軸承座1410以及轉子1200相接觸,因此請參照圖3,其係用以說明本揭露一實施例的旋轉機械部分區域溫度分佈圖。如圖3所示,軸承滾珠1420的溫度與轉子1200的溫度(轉子溫度)以及轉子軸承座1410的溫度均呈高度正相關。因此,於一實施例中,設計者在實驗室中,將第一溫度感測器裝設於靠近軸承滾珠1420處以量測軸承滾珠1420的溫度,此處的第一溫度感測器例如無線式的紅外線溫度感測器,以紅外線的方式量測軸承滾珠1420的溫度,並以無線的方式將溫度量測值傳送給實驗室的控制電腦。設計者並將第二溫度感測器裝設於轉子軸承座1410以量測轉子軸承座1410的溫度,並以有線的方式將溫度量測值傳送給實驗室的控制電腦。
接著,設計者啟動旋轉機械1000使旋轉機械1000的轉子1200開始轉動,同時設計者設定控制電腦開始讀取第一溫度感測器所回傳的第一溫度量測值(軸承滾珠溫度)與第二溫度感測器所回傳的第二溫度量測值(轉子軸承座溫度),並且同時獲取定子線圈1110的電阻與轉子1200的轉子轉速。第一溫度量測值、第二溫度量測值、定子線圈1100的電阻以及轉子轉速的取得時間應大致相同。此處所述大致相同例如誤差不超過一秒或0.5秒。
以上述的方式,控制電腦例如在120分鐘內,每一分鐘取得一組數據,得以取得120組數據,每一組數據包含了第一溫度量測值、第二溫度量測值、定子線圈1100的電阻以及轉子轉速。接著,控制電腦依據這120組數據,得到一個模型來描述轉子軸承座溫度、定子線圈電阻、轉子轉速與軸承滾珠溫度的關係。
舉例來說,控制電腦可以用隨機森林法從120組數據中隨機挑選60組數據來訓練一棵決策樹,重複多次後一共得到N棵決策樹(例如500棵決策樹)。每一棵決策樹可以依據一個輸入向量(轉子軸承座溫度、定子線圈電阻、轉子轉速)產生對應的一個決策輸出(軸承滾珠溫度)。並以這N棵決策樹來得到最終版的決策樹。
以下以電動車當作旋轉機械1000的工作環境,然而本領域通常知識者當能理解旋轉機械1000的工作環境並不限定於電動車。當如圖1的旋轉機械1000實際被裝置於電動車上時,且電動車的車用電腦發出指令請求旋轉機械的轉子溫度時,旋轉機械1000的驅動電路回傳定子線圈電阻,而轉速計回傳轉子轉速,轉子軸承座上的溫度感測器回傳轉子軸承座溫度。車用電腦把轉子軸承座1410的溫度、定子線圈1110的電阻值與轉子1200的轉速作為一個向量x4,並以隨機森林法所産生的最終版決策樹來産生軸承滾珠溫度預測。
雖然前述各實施例係使用隨機森林法來建構用於描述該第一量測值、該第二量測值與該第一元件的關係的旋轉機械溫度模型。然而,所屬領域具有通常知識者當能明白有其他的方式也可以實現本揭露之目的。舉例來說,貝氏線性模型(Bayesian linear model)、近鄰演算法(KNN)之結果皆可以合理地估算旋轉機械特定元件(例如轉子、磁鐵、軸承滾珠)的溫度。
因此本揭露前述各實施例可被整理為一種旋轉機械溫度估測方法。請參照圖4,其係依據本揭露一實施例的旋轉機械的溫度估測方法流程圖。如步驟S410所示,從旋轉機械取得第一量測值。如步驟S420所示,從旋轉機械取得第二量測值。如步驟S430所示,以機器學習(machine learning)演算法根據旋轉機械溫度模型、第一量測值與第二量測值,得到旋轉機械的第一元件的溫度。
於一實施例中,本揭露的方法還可更包括步驟S440,車用電腦根據第一元件的溫度決定轉子控制信號。舉例來說,如果車用電腦的決策模式是要降低旋轉機械的損耗,則當轉子溫度高於預設溫度門檻時,車用電腦限制轉子控制信號,避免旋轉機械的轉速過高造成轉子/軸承的磨損。如果車用電腦的決策模式是要確保旋轉機械的輸出功率,則隨著轉子溫度提高,車用電腦調整轉子控制信號,使定子線圈所收到的功率提高以補償因為轉子溫度提高造成的功率損耗。
於一實施例中,隨機森林法中用大量的決策樹來産生決策結果(最終版決策樹)的方式如下:
其中B為總樹量、x
’為輸入參數向量值。經由大量的決策樹來平均所産生的最終版決策樹
可以解決單顆決策樹對於訓練資料過度媒合(overfitting)的問題。
於一些實施方式中,可以用監督式學習反覆訓練以得到較佳的決策樹群。測試組的資料將用於驗證所訓練的機器模型,於下列實驗結果中,係使用隨機森林法,以察看機器模型是否能夠産生轉子溫度預測。
接著,為了證實本揭露所提出的方法具有可實施性,請參照下表一,其係以定子線圈溫度、冷卻液溫度(入口處)來估計轉子溫度的訓練資料。換言之,把定子線圈1110的溫度與冷卻液溫度(入口處)作為一個x
’為輸入參數向量值,並以隨機森林法所産生的最終版決策樹
來産生轉子1200的溫度預測。
表一
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 序號 </td><td> 時間 </td><td> 定子線圈溫度 </td><td> 冷卻液溫度 </td><td> 轉子溫度 </td><td> 序號 </td><td> 時間 </td><td> 定子線圈溫度 </td><td> 冷卻液溫度 </td><td> 轉子溫度 </td></tr><tr><td> 1 </td><td> 0 </td><td> 30.65034 </td><td> 15.6386 </td><td> 17.94933 </td><td> 61 </td><td> 60 </td><td> 57.61799 </td><td> 43.1138 </td><td> 70.28311 </td></tr><tr><td> 2 </td><td> 1 </td><td> 34.23027 </td><td> 21.3487 </td><td> 24.75643 </td><td> 62 </td><td> 61 </td><td> 57.64524 </td><td> 43.13853 </td><td> 70.31067 </td></tr><tr><td> 3 </td><td> 2 </td><td> 37.4223 </td><td> 26.19968 </td><td> 30.87913 </td><td> 63 </td><td> 62 </td><td> 57.67211 </td><td> 43.16288 </td><td> 70.33835 </td></tr><tr><td> 4 </td><td> 3 </td><td> 40.25423 </td><td> 30.16585 </td><td> 36.36237 </td><td> 64 </td><td> 63 </td><td> 57.69863 </td><td> 43.18689 </td><td> 70.36611 </td></tr><tr><td> 5 </td><td> 4 </td><td> 42.75286 </td><td> 33.25017 </td><td> 41.24965 </td><td> 65 </td><td> 64 </td><td> 57.72481 </td><td> 43.2106 </td><td> 70.3939 </td></tr><tr><td> 6 </td><td> 5 </td><td> 44.94404 </td><td> 35.48424 </td><td> 45.58303 </td><td> 66 </td><td> 65 </td><td> 57.75068 </td><td> 43.23404 </td><td> 70.42167 </td></tr><tr><td> 7 </td><td> 6 </td><td> 46.85266 </td><td> 36.92831 </td><td> 49.40314 </td><td> 67 </td><td> 66 </td><td> 57.77626 </td><td> 43.25723 </td><td> 70.44941 </td></tr><tr><td> 8 </td><td> 7 </td><td> 48.50262 </td><td> 37.67127 </td><td> 52.74919 </td><td> 68 </td><td> 67 </td><td> 57.80158 </td><td> 43.28021 </td><td> 70.47706 </td></tr><tr><td> 9 </td><td> 8 </td><td> 49.91687 </td><td> 37.83067 </td><td> 55.65895 </td><td> 69 </td><td> 68 </td><td> 57.82664 </td><td> 43.30299 </td><td> 70.5046 </td></tr><tr><td> 10 </td><td> 9 </td><td> 51.1174 </td><td> 37.5527 </td><td> 58.16876 </td><td> 70 </td><td> 69 </td><td> 57.85146 </td><td> 43.32562 </td><td> 70.53199 </td></tr><tr><td> 11 </td><td> 10 </td><td> 52.1252 </td><td> 37.01221 </td><td> 60.31353 </td><td> 71 </td><td> 70 </td><td> 57.87607 </td><td> 43.3481 </td><td> 70.55921 </td></tr><tr><td> 12 </td><td> 11 </td><td> 52.96032 </td><td> 36.41268 </td><td> 62.12674 </td><td> 72 </td><td> 71 </td><td> 57.90048 </td><td> 43.37046 </td><td> 70.58623 </td></tr><tr><td> 13 </td><td> 12 </td><td> 53.64185 </td><td> 40.40009 </td><td> 63.64043 </td><td> 73 </td><td> 72 </td><td> 57.92469 </td><td> 43.39272 </td><td> 70.61303 </td></tr><tr><td> 14 </td><td> 13 </td><td> 54.18787 </td><td> 40.5156 </td><td> 64.88523 </td><td> 74 </td><td> 73 </td><td> 57.94873 </td><td> 43.4149 </td><td> 70.63958 </td></tr><tr><td> 15 </td><td> 14 </td><td> 54.61554 </td><td> 40.62714 </td><td> 65.89031 </td><td> 75 </td><td> 74 </td><td> 57.97261 </td><td> 43.43701 </td><td> 70.66587 </td></tr><tr><td> 16 </td><td> 15 </td><td> 54.94103 </td><td> 40.73483 </td><td> 66.68343 </td><td> 76 </td><td> 75 </td><td> 57.99633 </td><td> 43.45908 </td><td> 70.69188 </td></tr><tr><td> 17 </td><td> 16 </td><td> 55.17954 </td><td> 40.83878 </td><td> 67.29091 </td><td> 77 </td><td> 76 </td><td> 58.01992 </td><td> 43.4811 </td><td> 70.71759 </td></tr><tr><td> 18 </td><td> 17 </td><td> 55.34531 </td><td> 40.9391 </td><td> 67.73764 </td><td> 78 </td><td> 77 </td><td> 58.04336 </td><td> 43.5031 </td><td> 70.74299 </td></tr><tr><td> 19 </td><td> 18 </td><td> 55.4516 </td><td> 41.0359 </td><td> 68.04708 </td><td> 79 </td><td> 78 </td><td> 58.06669 </td><td> 43.52509 </td><td> 70.76808 </td></tr><tr><td> 20 </td><td> 19 </td><td> 55.51073 </td><td> 41.12928 </td><td> 68.24126 </td><td> 80 </td><td> 79 </td><td> 58.08989 </td><td> 43.54707 </td><td> 70.79284 </td></tr><tr><td> 21 </td><td> 20 </td><td> 55.53403 </td><td> 41.21935 </td><td> 68.34077 </td><td> 81 </td><td> 80 </td><td> 58.11298 </td><td> 43.56904 </td><td> 70.81726 </td></tr><tr><td> 22 </td><td> 21 </td><td> 55.53185 </td><td> 41.30622 </td><td> 68.36477 </td><td> 82 </td><td> 81 </td><td> 58.13596 </td><td> 43.59102 </td><td> 70.84135 </td></tr><tr><td> 23 </td><td> 22 </td><td> 55.51361 </td><td> 41.38998 </td><td> 68.33101 </td><td> 83 </td><td> 82 </td><td> 58.15884 </td><td> 43.61301 </td><td> 70.8651 </td></tr><tr><td> 24 </td><td> 23 </td><td> 55.48774 </td><td> 41.47073 </td><td> 68.25578 </td><td> 84 </td><td> 83 </td><td> 58.18161 </td><td> 43.63501 </td><td> 70.88851 </td></tr><tr><td> 25 </td><td> 24 </td><td> 55.4617 </td><td> 41.54859 </td><td> 68.15396 </td><td> 85 </td><td> 84 </td><td> 58.20429 </td><td> 43.65702 </td><td> 70.91159 </td></tr><tr><td> 26 </td><td> 25 </td><td> 55.44198 </td><td> 41.62363 </td><td> 68.03898 </td><td> 86 </td><td> 85 </td><td> 58.22686 </td><td> 43.67904 </td><td> 70.93435 </td></tr><tr><td> 27 </td><td> 26 </td><td> 55.43412 </td><td> 41.69596 </td><td> 67.92285 </td><td> 87 </td><td> 86 </td><td> 58.24933 </td><td> 43.70106 </td><td> 70.95678 </td></tr><tr><td> 28 </td><td> 27 </td><td> 55.44268 </td><td> 41.76567 </td><td> 67.81615 </td><td> 88 </td><td> 87 </td><td> 58.2717 </td><td> 43.72308 </td><td> 70.9789 </td></tr><tr><td> 29 </td><td> 28 </td><td> 55.47125 </td><td> 41.83286 </td><td> 67.72803 </td><td> 89 </td><td> 88 </td><td> 58.29396 </td><td> 43.74509 </td><td> 71.00073 </td></tr><tr><td> 30 </td><td> 29 </td><td> 55.52247 </td><td> 41.89761 </td><td> 67.6662 </td><td> 90 </td><td> 89 </td><td> 58.31612 </td><td> 43.76709 </td><td> 71.02227 </td></tr><tr><td> 31 </td><td> 30 </td><td> 55.59798 </td><td> 41.96001 </td><td> 69.82248 </td><td> 91 </td><td> 90 </td><td> 58.33816 </td><td> 43.78907 </td><td> 71.04354 </td></tr><tr><td> 32 </td><td> 31 </td><td> 55.69849 </td><td> 42.02015 </td><td> 69.81476 </td><td> 92 </td><td> 91 </td><td> 58.36008 </td><td> 43.81101 </td><td> 71.06457 </td></tr><tr><td> 33 </td><td> 32 </td><td> 55.82371 </td><td> 42.07811 </td><td> 69.80954 </td><td> 93 </td><td> 92 </td><td> 58.38187 </td><td> 43.8329 </td><td> 71.08536 </td></tr><tr><td> 34 </td><td> 33 </td><td> 56.62383 </td><td> 42.13399 </td><td> 69.80669 </td><td> 94 </td><td> 93 </td><td> 58.40353 </td><td> 43.85473 </td><td> 71.10596 </td></tr><tr><td> 35 </td><td> 34 </td><td> 56.6741 </td><td> 42.18785 </td><td> 69.80612 </td><td> 95 </td><td> 94 </td><td> 58.42504 </td><td> 43.87648 </td><td> 71.12638 </td></tr><tr><td> 36 </td><td> 35 </td><td> 56.72296 </td><td> 42.23979 </td><td> 69.80772 </td><td> 96 </td><td> 95 </td><td> 58.44641 </td><td> 43.89813 </td><td> 71.14665 </td></tr><tr><td> 37 </td><td> 36 </td><td> 56.77045 </td><td> 42.28988 </td><td> 69.81137 </td><td> 97 </td><td> 96 </td><td> 58.4676 </td><td> 43.91967 </td><td> 71.1668 </td></tr><tr><td> 38 </td><td> 37 </td><td> 56.81663 </td><td> 42.3382 </td><td> 69.81698 </td><td> 98 </td><td> 97 </td><td> 58.48862 </td><td> 43.94106 </td><td> 71.18687 </td></tr><tr><td> 39 </td><td> 38 </td><td> 56.86155 </td><td> 42.38482 </td><td> 69.82445 </td><td> 99 </td><td> 98 </td><td> 58.50945 </td><td> 43.9623 </td><td> 71.20688 </td></tr><tr><td> 40 </td><td> 39 </td><td> 56.90525 </td><td> 42.42982 </td><td> 69.83368 </td><td> 100 </td><td> 99 </td><td> 58.53007 </td><td> 43.98335 </td><td> 71.22688 </td></tr><tr><td> 41 </td><td> 40 </td><td> 56.94778 </td><td> 42.47327 </td><td> 69.84456 </td><td> 101 </td><td> 100 </td><td> 58.55047 </td><td> 44.00418 </td><td> 71.24691 </td></tr><tr><td> 42 </td><td> 41 </td><td> 56.98919 </td><td> 42.51524 </td><td> 69.85702 </td><td> 102 </td><td> 101 </td><td> 58.57064 </td><td> 44.02478 </td><td> 71.267 </td></tr><tr><td> 43 </td><td> 42 </td><td> 57.02953 </td><td> 42.5558 </td><td> 69.87095 </td><td> 103 </td><td> 102 </td><td> 58.59055 </td><td> 44.04511 </td><td> 71.2872 </td></tr><tr><td> 44 </td><td> 43 </td><td> 57.06884 </td><td> 42.59502 </td><td> 69.88626 </td><td> 104 </td><td> 103 </td><td> 58.61019 </td><td> 44.06513 </td><td> 71.30756 </td></tr><tr><td> 45 </td><td> 44 </td><td> 57.10717 </td><td> 42.63296 </td><td> 69.90288 </td><td> 105 </td><td> 104 </td><td> 58.62954 </td><td> 44.08483 </td><td> 71.32812 </td></tr><tr><td> 46 </td><td> 45 </td><td> 57.14455 </td><td> 42.66969 </td><td> 69.92071 </td><td> 106 </td><td> 105 </td><td> 58.64857 </td><td> 44.10416 </td><td> 71.34894 </td></tr><tr><td> 47 </td><td> 46 </td><td> 57.18104 </td><td> 42.70527 </td><td> 69.93967 </td><td> 107 </td><td> 106 </td><td> 58.66727 </td><td> 44.12308 </td><td> 71.37007 </td></tr><tr><td> 48 </td><td> 47 </td><td> 57.21666 </td><td> 42.73976 </td><td> 69.95968 </td><td> 108 </td><td> 107 </td><td> 58.68561 </td><td> 44.14156 </td><td> 71.39156 </td></tr><tr><td> 49 </td><td> 48 </td><td> 57.25146 </td><td> 42.77323 </td><td> 69.98067 </td><td> 109 </td><td> 108 </td><td> 58.70357 </td><td> 44.15956 </td><td> 71.41347 </td></tr><tr><td> 50 </td><td> 49 </td><td> 57.28548 </td><td> 42.80572 </td><td> 70.00255 </td><td> 110 </td><td> 109 </td><td> 58.72112 </td><td> 44.17704 </td><td> 71.43586 </td></tr><tr><td> 51 </td><td> 50 </td><td> 57.31875 </td><td> 42.83729 </td><td> 70.02526 </td><td> 111 </td><td> 110 </td><td> 58.73824 </td><td> 44.19396 </td><td> 71.4588 </td></tr><tr><td> 52 </td><td> 51 </td><td> 57.35132 </td><td> 42.868 </td><td> 70.04872 </td><td> 112 </td><td> 111 </td><td> 58.75491 </td><td> 44.21026 </td><td> 71.48234 </td></tr><tr><td> 53 </td><td> 52 </td><td> 57.38321 </td><td> 42.89791 </td><td> 70.07287 </td><td> 113 </td><td> 112 </td><td> 58.77108 </td><td> 44.22591 </td><td> 71.50656 </td></tr><tr><td> 54 </td><td> 53 </td><td> 57.41446 </td><td> 42.92705 </td><td> 70.09763 </td><td> 114 </td><td> 113 </td><td> 58.78674 </td><td> 44.24086 </td><td> 71.53152 </td></tr><tr><td> 55 </td><td> 54 </td><td> 57.44511 </td><td> 42.95549 </td><td> 70.12295 </td><td> 115 </td><td> 114 </td><td> 58.80185 </td><td> 44.25506 </td><td> 71.55729 </td></tr><tr><td> 56 </td><td> 55 </td><td> 57.47518 </td><td> 42.98327 </td><td> 70.14875 </td><td> 116 </td><td> 115 </td><td> 58.81638 </td><td> 44.26846 </td><td> 71.58394 </td></tr><tr><td> 57 </td><td> 56 </td><td> 57.50471 </td><td> 43.01043 </td><td> 70.17499 </td><td> 117 </td><td> 116 </td><td> 58.83031 </td><td> 44.28101 </td><td> 71.61156 </td></tr><tr><td> 58 </td><td> 57 </td><td> 57.53373 </td><td> 43.03703 </td><td> 70.20159 </td><td> 118 </td><td> 117 </td><td> 58.84359 </td><td> 44.29264 </td><td> 71.64022 </td></tr><tr><td> 59 </td><td> 58 </td><td> 57.56226 </td><td> 43.06309 </td><td> 70.22852 </td><td> 119 </td><td> 118 </td><td> 58.85619 </td><td> 44.30331 </td><td> 71.67 </td></tr><tr><td> 60 </td><td> 59 </td><td> 57.59034 </td><td> 43.08867 </td><td> 70.25571 </td><td> 120 </td><td> 119 </td><td> 58.86808 </td><td> 44.31296 </td><td> 71.70098 </td></tr></TBODY></TABLE>
於本案例中,隨機選取之訓練資料列數為:
[1] 2 4 5 8 11 12 14 15 16 17 19 20 28 29 30 32 34 35
[19] 36 37 38 41 44 45 46 48 49 52 54 59 61 63 65 67 70 75
[37] 77 78 79 81 82 84 87 88 90 91 92 93 97 98 99 101 102 103
[55] 105 109 110 111 112 114 116
接下來請參照圖5,其係依據本揭露多組實驗數據所產生決策樹的誤差與決策樹數量的關係示意圖。圖5中,橫座標為產生最終決策樹所使用的決策樹數量,縱座標為溫度誤差值。如圖5所示,當決策樹數量達到380棵時,其所產生的最終決策樹誤差開始收斂(表示誤差在某個固定的數值附近)。因此,於一實施例中,產生最終決策樹所使用的決策樹數量例如大於等於380。
接下來,請參照圖6,其係表一的數據以隨機森林法所産生最終版決策樹架構示意圖。如圖6所示,最終版決策樹例如具有節點N00~N14,每個節點就是一個判斷點。其中每一節點定義有判斷用的參數P1或P2,每一個節點並有定義溫度門檻T01~T15。其中參數P1例如為定子線圈溫度,參數P2例如為冷卻液溫度。而最終可以得到多個估計轉子溫度Te01~Te16。
表二
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 參數 </td><td> 數值(攝氏度) </td><td> 參數 </td><td> 數值(攝氏度) </td></tr><tr><td> T01 </td><td> 46.42 </td><td> Te01 </td><td> 37.99 </td></tr><tr><td> T02 </td><td> 67.00 </td><td> Te02 </td><td> 52.75 </td></tr><tr><td> T03 </td><td> 62.90 </td><td> Te03 </td><td> 60.92 </td></tr><tr><td> T04 </td><td> 69.67 </td><td> Te04 </td><td> 64.89 </td></tr><tr><td> T05 </td><td> 69.70 </td><td> Te05 </td><td> 67.72 </td></tr><tr><td> T06 </td><td> 69.83 </td><td> Te06 </td><td> 69.80 </td></tr><tr><td> T07 </td><td> 69.90 </td><td> Te07 </td><td> 69.86 </td></tr><tr><td> T08 </td><td> 69.99 </td><td> Te08 </td><td> 69.97 </td></tr><tr><td> T09 </td><td> 70.01 </td><td> Te09 </td><td> 70.05 </td></tr><tr><td> T10 </td><td> 70.52 </td><td> Te10 </td><td> 70.35 </td></tr><tr><td> T11 </td><td> 70.91 </td><td> Te11 </td><td> 70.78 </td></tr><tr><td> T12 </td><td> 71.03 </td><td> Te12 </td><td> 70.96 </td></tr><tr><td> T13 </td><td> 71.21 </td><td> Te13 </td><td> 70.04 </td></tr><tr><td> T14 </td><td> 71.42 </td><td> Te14 </td><td> 71.26 </td></tr><tr><td> T15 </td><td> 71.50 </td><td> Te15 </td><td> 71.45 </td></tr><tr><td> </td><td> </td><td> Te16 </td><td> 71.54 </td></tr></TBODY></TABLE>
以前述表一的實施例所對應的數據訓練得到的一個最終版決策樹其中T01~T15以及Te01~Te16如上表二所示。舉例來說,在節點N0時,要比較定子線圈溫度是否大於溫度門檻T02(67.00攝氏度),當定子線圈溫度不大於溫度門檻T02時,就往左側的分枝繼續下一個判斷,因此會來到節點N1。反之,當定子線圈溫度大於溫度門檻T02時,就往右側的分枝繼續下一個判斷,因此會來到節點N2。如此反覆,最終可以走到最底層,也就是估計轉子溫度Te01~Te16其中之一。舉例來說,若定子線圈溫度為71.51攝氏度,而冷卻液溫度為71.30攝氏度,則經由圖6的最終版決策樹得到估計轉子溫度為71.54攝氏度。
接下來請參照圖7,其係依據本揭露所訓練之最終決策樹所估計轉子溫度與實際量測轉子溫度對照圖。其中,圖7中橫座標為旋轉機械實際運作的時間,縱座標係轉子溫度。並且,圖7中的實線係實際量測得到的轉子溫度,而點係為取得定子線圈溫度與冷卻液溫度後,輸入以圖5的資料所訓練出來的最終版決策樹所得到的估計轉子溫度。從圖7中可以看出,絕大多數估計轉子溫度與實際量測得到的轉子溫度均相當接近甚至相同,因此證明以本揭露所揭示的方法的確可藉由易於取得的量測值,將之套用旋轉機械溫度模型來估算難以取得的量測值諸如轉子溫度、磁鐵溫度、軸承滾珠溫度等。
綜上所述,根據本揭露的旋轉機械的溫度量測方法,藉由預先訓練好的旋轉機械溫度模型,可以在實際使用環境中,取得多筆易於取得的量測值,並套用旋轉機械溫度模型來估算難以取得的量測值諸如轉子溫度、磁鐵溫度、軸承滾珠溫度等。
雖然本揭露以前述之實施例揭露如上,然其並非用以限定本揭露。在不脫離本揭露之精神和範圍內,所為之更動與潤飾,均屬本揭露之專利保護範圍。關於本揭露所界定之保護範圍請參考所附之申請專利範圍。
1000‧‧‧旋轉機械
1100‧‧‧定子
1110‧‧‧定子線圈
1120‧‧‧定子鐵芯
1200‧‧‧轉子
1300‧‧‧磁鐵
1400‧‧‧軸承
1410‧‧‧轉子軸承座
1420‧‧‧軸承滾珠
N1~N8‧‧‧節點
P1、P2‧‧‧參數
S410~S440‧‧‧步驟
T1~T9‧‧‧溫度門檻
Te1~Te10‧‧‧估計轉子溫度
圖1係依據本揭露一實施例的旋轉機械部分構造圖。 圖2係用以說明本揭露一實施例的旋轉機械部分區域溫度分佈圖。 圖3係用以說明本揭露一實施例的旋轉機械部分區域溫度分佈圖。 圖4係依據本揭露一實施例的旋轉機械的溫度估測方法流程圖。 圖5係依據本揭露多組實驗數據所產生決策樹的誤差與決策樹數量的關係示意圖。 圖6係表一的數據以隨機森林法所産生最終版決策樹架構示意圖。 圖7係依據本揭露所訓練之最終決策樹所估計轉子溫度與實際量測轉子溫度對照圖。
Claims (10)
- 一種旋轉機械的溫度量測方法,適於在一旋轉機械運作時估計該旋轉機械的一第一元件的溫度,所述方法包括:從該旋轉機械取得一第一量測值;從該旋轉機械取得一第二量測值;以及以機器學習(machine learning)演算法根據一旋轉機械溫度模型、該第一量測值與該第二量測值,得到該旋轉機械的該第一元件的溫度,該機器學習演算法係一隨機森林法;其中,該旋轉機械溫度模型用於描述該第一量測值、該第二量測值與該第一元件的溫度的關係。
- 如請求項1所述的方法,其中該第一量測值係該旋轉機械的一定子線圈電阻,該第二量測值係該旋轉機械的一轉子轉速。
- 如請求項1所述的方法,其中該第一量測值係該旋轉機械的一模擬線圈電阻,該第二量測值係該旋轉機械的一轉子轉速,其中該模擬線圈電阻係該旋轉機械中用於模擬一定子線圈的一模擬線圈的電阻。
- 如請求項1所述的方法,其中該第一量測值係該旋轉機械的一定子鐵芯溫度,該第二量測值係該旋轉機械的一轉子轉速。
- 如請求項1所述的方法,其中該第一量測值係該旋轉機械的一定子線圈溫度,該第二量測值係該旋轉機械的一轉子轉速。
- 如請求項2至5其中任一項所述的方法,其中該第一元件係該旋轉機械的一轉子或該旋轉機械的一磁鐵。
- 如請求項6所述的方法,更包含從該旋轉機械取得一冷卻液流量,且於得到該旋轉機械的該第一元件的溫度的步驟中,更包含根據該冷卻液流量得到該第一元件的溫度。
- 如請求項2至5其中任一項所述的方法,更包含從該旋轉機械取得一轉子軸承座溫度,且於得到該旋轉機械的該第一元件的溫度的步驟中,更包含根據該轉子軸承座溫度得到該第一元件的溫度。
- 如請求項8所述的方法,其中該第一元件係該旋轉機械的一軸承。
- 如請求項1所述的方法,更包含根據該第一元件的溫度決定一轉子控制信號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106144564A TWI645341B (zh) | 2017-12-19 | 2017-12-19 | 旋轉機械的溫度估測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106144564A TWI645341B (zh) | 2017-12-19 | 2017-12-19 | 旋轉機械的溫度估測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI645341B true TWI645341B (zh) | 2018-12-21 |
TW201928798A TW201928798A (zh) | 2019-07-16 |
Family
ID=65431794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106144564A TWI645341B (zh) | 2017-12-19 | 2017-12-19 | 旋轉機械的溫度估測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI645341B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363330B1 (en) * | 1998-04-10 | 2002-03-26 | Satnam Singh Sampuran Alag | Thermocouple failure detection in power generation turbines |
US7630855B2 (en) * | 2004-08-31 | 2009-12-08 | Watlow Electric Manufacturing Company | Method of temperature sensing |
TW201223690A (en) * | 2010-12-09 | 2012-06-16 | Ind Tech Res Inst | Method and apparatus of machine tools for intelligently compensating thermal error |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
-
2017
- 2017-12-19 TW TW106144564A patent/TWI645341B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363330B1 (en) * | 1998-04-10 | 2002-03-26 | Satnam Singh Sampuran Alag | Thermocouple failure detection in power generation turbines |
US7630855B2 (en) * | 2004-08-31 | 2009-12-08 | Watlow Electric Manufacturing Company | Method of temperature sensing |
TW201223690A (en) * | 2010-12-09 | 2012-06-16 | Ind Tech Res Inst | Method and apparatus of machine tools for intelligently compensating thermal error |
CN105160109A (zh) * | 2015-09-11 | 2015-12-16 | 东华大学 | 一种基于rbf神经网络的电机温升预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201928798A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kral et al. | A practical thermal model for the estimation of permanent magnet and stator winding temperatures | |
CN103967871B (zh) | 用于控制用来为流体泵供能的电动马达的方法和设备 | |
US20170257054A1 (en) | Rotary electric machine control system and control method for rotary electric machine | |
Boseniuk et al. | Parameterization of transient thermal models for permanent magnet synchronous machines exclusively based on measurements | |
Ahmed et al. | Transient thermal analysis of a copper rotor induction motor using a lumped parameter temperature network model | |
US11404986B2 (en) | Torque control based on rotor resistance modeling in induction motors | |
Gedlu et al. | Permanent magnet synchronous machine temperature estimation using low-order lumped-parameter thermal network with extended iron loss model | |
CN105953944B (zh) | 电动机的转子温度的估计方法 | |
CN104283483A (zh) | 用于控制电机的系统和方法 | |
US20200011820A1 (en) | Processing device | |
CN101095019B (zh) | 冷却设备和控制方法 | |
CN110431392B (zh) | 用于确定循环泵中的输送介质温度的方法以及循环泵 | |
CN105181173A (zh) | 一种监测电机绕组温升的方法及装置 | |
US11971314B2 (en) | Electric drive unit and method for temperature calculation in an electrical drive unit | |
TWI645341B (zh) | 旋轉機械的溫度估測方法 | |
JP2022509278A (ja) | 電気モータの継続的な状態監視のための方法 | |
US9755567B2 (en) | Determination of permanent magnetic flux in an electric machine | |
Kral et al. | Innovative thermal model for the estimation of permanent magnet and stator winding temperatures | |
JP2019152551A (ja) | 電池劣化判定装置 | |
Fernández et al. | Comparative analysis of magnet thermal and magnetization state monitoring in PMSMs based on high-frequency signal injection | |
Pauli et al. | Thermal overload capability of permanent magnet synchronous motors employing scaling laws | |
Enany et al. | A remote and sensorless stator winding temperature estimation method for thermal protection for induction motor | |
CN115250044A (zh) | 磁铁温度推测装置 | |
Li et al. | A Thermal-Aware Digital Twin Model of Permanent Magnet Synchronous Motors (PMSM) Based on BP Neural Networks | |
CN117277917B (zh) | 一种高速磁悬浮永磁电机的温度监控方法及系统 |