一种用于控制的电机转子温度预测方法及系统与流程

1.本发明涉及电机控制技术领域，尤其是涉及一种用于控制的电机转子温度预测方法及系统。


背景技术：

2.电机作为机电能量转换的重要装置，具有结构简单、功率密度高，转矩密度高等优点，在电动汽车、电动船舶、风力发电等领域得到了广泛应用。然而在电机工作工作过程中损耗不可避免，损耗在电机内部转化成热，累积的热量使得电机各部位温度升高。过高的温升会对电机造成损害，主要体现在以下两个方面：
3.(1)高温造成定子绕组绝缘老化加快、脱落，严重时烧坏定子绕组。
4.(2)高温使得转子永磁体发生不可逆退磁或转子绕组故障，降低电机转矩输出能力，严重时电机丧失工作能力而报废。
5.对电机定子绕组而言，作为非旋转部件，其温度监测较为容易，一般在定子绕组中嵌入一定数量的温度传感器用以实时测量绕组温度。然而，作为高速旋转部件，实现对转子温度的直接测量具有很高的技术难度。一般都需要根据电机结构定制相应的测量方案，包括特定的热电偶、带孔的转子轴、高速滑环或无线信号传输设备等。这些都使得电机制造成本大大增加，且在实际应用中受到空间限制，上述针对转子温度进行直接测量的方法仅限于实验室或特殊应用场合。因此，有必要进行电机转子温度间接测量方法的研究。
6.目前，针对电机转子温度预测方法的研究主要有：磁链观测器、信号注入法、集中参数热网络模型。
7.(1)磁链观测器是利用已知的永磁电机永磁磁链与转子温度的关系，通过设计磁链观测器估算出永磁体磁链，进而反推出转子永磁体温度。但是该方法对测量误差十分敏感，且不适用于电机静止和低速的工况。
8.(2)信号注入法是在电机中注入直流或高频电压信号，根据系统对注入信号的响应确定转子温度。然而，在电机中注入相应信号会干扰电机的运行，同时带来额外的损耗。
9.(3)集中参数热网络模型类比电路模型，将电机中温度相近的点等效为一个节点，节点之间通过热阻连接，代表电机内部不同的热传输路径，不同部位材料对热量的存储效应用热容代替，最后得到描述各节点温度分布的热网络模型。该方法需要电机专业的背景知识，了解电机内部的几何结构与参数，同时需要一个准确的电机损耗模型，这些都限制了该方法的应用。


技术实现要素：

10.本发明的目的就是为了克服上述现有技术存在需要电机专业的背景知识、准确的电机损耗模型，这些都限制了现有技术方法的应用的缺陷而提供一种用于控制的电机转子温度预测方法及系统。
11.本发明的目的可以通过以下技术方案来实现：
12.一种用于控制的电机转子温度预测方法，包括以下步骤：
13.电机试验步骤：在不同工况下对电机进行转子温度测量试验，所述不同工况包括电机工作在不同的状态、不同的转速与输出扭矩、不同的直流母线电压、不同冷却液体流量、不同的冷却液体温度和不同的环境温度；
14.数据获取步骤：在所述电机试验步骤的过程中，同步采集被试电机的电气、机械、温度时间序列数据，建立样本数据集；
15.数据建模步骤：根据所述样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；
16.模型应用步骤：实时采集电机参数，然后载入所述电机转子温度预测模型中，获取电子转子温度预测结果，根据该电子转子温度预测结果进行电机控制。
17.进一步地，所述电机包括永磁电机、感应电机、磁阻电机和直流电机。
18.进一步地，数据获取步骤中，所述同步采集被试电机的电气、机械、温度时间序列数据具体为：设定数据采集的频率，按一定时间间隔采集电机在不同工况下的电气、机械、温度等参数，并时间序列数据的形式保存，且时序数据的时间基准同步。
19.进一步地，所述数据建模步骤具体包括以下子步骤：
20.数据预处理步骤：对所述样本数据集进行缺失值的填充、异常值的剔除、数据的平滑、数据的标准化、以及将数据整理成适应机器学习模型输入的形式；
21.数据划分步骤：将经过数据预处理步骤处理后的样本数据集划分为训练集、验证集和测试集；
22.模型训练步骤：将所述训练集载入预先建立的深度学习模型进行训练，模型训练的流程包括前向误差计算和误差反向传播两个过程，在误差反向传播的过程中对模型参数值进行更新，并通过验证集进行模型验证，判断是否满足预设的模型训练的终止条件，从而确定模型参数；
23.模型验证步骤：将所述测试集载入训练好的深度学习模型中，采用预设的模型性能评估指标进行模型性能的评估，验证所述深度学习模型的泛化能力。
24.进一步地，模型训练步骤中，采用用于模型训练的优化算法对所述深度学习模型以损失函数为目标的优化问题进行求解，找到使得目标函数值最小的一组模型参数值，实现模型参数值的更新，所述优化算法包括sgd算法、adagrad算法、rmsprop算法或adam算法。
25.进一步地，所述模型性能评估指标包括平均绝对误差mae、均方根误差rmse、标准化均方根误差srmse、标准差stddev、均方误差mse、平均绝对百分比误差mape或最大绝对误差max。
26.进一步地，所述深度学习模型为lstm网络，该lstm网络包括全连接层和多个lstm记忆单元组合，每个所述lstm记忆单元组合分别用于处理样本数据集中的一种时间序列数据，各个lstm记忆单元组合的输出均连接所述全连接层后输出电机转子温度预测值；
27.所述lstm记忆单元组合包括第一lstm记忆单元和第二lstm记忆单元，所述第一lstm记忆单元的输入为当前时刻的时间序列数据和前一时刻第一lstm记忆单元隐藏层的输出、输出为当前时刻第一lstm记忆单元隐藏层的输出；
28.所述第二lstm记忆单元的输入为当前时刻的第一lstm记忆单元隐藏层的输出和前一时刻第二lstm记忆单元隐藏层的输出、输出为当前时刻第二lstm记忆单元隐藏层的输
出。
29.进一步地，所述第一lstm记忆单元和第二lstm记忆单元均为lstm单元结构，该lstm单元结构包括遗忘门、输入门、输出门和当前候选记忆单元，所述lstm单元结构的隐藏层输出的计算表达式为：
30.h
t
＝o
t
⊙
tanh(c
t
)
[0031][0032]
式中，h
t
为当前时刻t时隐藏层的输出，o
t
为当前时刻t时输出门的输出结果，c
t
为当前时刻t时当前记忆单元的状态信息，f
t
为当前时刻t时遗忘门的输出结果，c
t-1
为t-1时刻时当前记忆单元的状态信息，i
t
为当前时刻t时输入门的输出结果，为当前时刻t时当前候选记忆单元的tanh层状态。
[0033]
进一步地，所述模型训练的终止条件为损失函数随迭代轮数的增加而不再下降，此时停止模型训练。
[0034]
本发明还提供一种采用如上所述的一种用于控制的电机转子温度预测方法的电机转子温度预测系统，包括：
[0035]
电机试验单元，用于在不同工况下对电机进行转子温度测量试验，所述不同工况包括电机工作在不同的状态、不同的转速与输出扭矩、不同的直流母线电压、不同冷却液体流量、不同的冷却液体温度和不同的环境温度；
[0036]
数据采集及处理单元，用于在所述电机试验步骤的过程中，同步采集被试电机的电气、机械、温度时间序列数据，建立样本数据集；
[0037]
工作站，用于根据所述样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；实时采集电机参数，然后载入所述电机转子温度预测模型中，获取电子转子温度预测结果；
[0038]
人机交互单元，用于显示电子转子温度预测结果，根据电子转子温度预测结果，生成电机控制参数，进行电机控制；
[0039]
数据传输单元，用以实现数据采集及处理单元、工作站、人机交互单元三者之间数据的传输。
[0040]
与现有技术相比，本发明对电机进行各种工况下的试验，同步采集到不同工况下电机转子温度以及相关电气、机械、环境温度参数从而构成建立机器学习模型的数据集。以相关电气、机械、环境温度的参数为模型输入，以电机转子温度为模型输出，完成对机器学习模型的训练和验证，通过调用训练好的模型实现电机转子温度的实时在线预测，具有以下优点：
[0041]
(1)以电机实际运行中产生的数据进行建模，将更多不确定因素考虑到时序数据之中，得到的模型具有更强的鲁棒性；
[0042]
(2)将影响电机转子温度的多种因素融合进一个模型，并将其作为模型输入，得到的模型对工况具有更强的适应性；
[0043]
(3)不需要电机领域专业的背景知识，无需对电机内部结构有清楚的了解，基于数据驱动的方法直接进行建模；
[0044]
(4)获取电机运行中的相关参数作为模型输入，利用深度学习方法挖掘数据特征
与规律，实现电机多个参数与转子温度之间复杂耦合关系的准确建模，实时预测电机转子温度变化，该预测温度用于电机的控制，提高了电机转子温度预测的精度，提高了电机控制的性能。
附图说明
[0045]
图1为本发明实施例中提供的一种用于控制的电机转子温度预测系统的结构示意图；
[0046]
图2为本发明实施例1中提供的一种rnn神经网络结构示意图；
[0047]
图3为本发明实施例1中提供的一种lstm的记忆单元结构图；
[0048]
图4为本发明实施例1中提供的一种lstm网络模型用于电机转子温度预测的示意图；
[0049]
图5为本发明实施例1中提供的一种lstm网络训练流程图；
[0050]
图6为本发明实施例1中提供的一种lstm训练过程中损失函数变化示意图；
[0051]
图7为本发明实施例1中提供的一种模型预测值与真实值对比示意图；
[0052]
图8为本发明实施例2中提供的一种用于电机控制的lstm电机热模型示意图；
[0053]
图9为本发明实施例2中提供的一种带lstm电机热模型的电机控制框图。
具体实施方式
[0054]
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0055]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0056]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0057]
本实施例提供一种用于控制的电机转子温度预测方法，包括以下步骤：
[0058]
电机试验步骤：在不同工况下对电机进行转子温度测量试验，不同工况包括电机工作在不同的状态、不同的转速与输出扭矩、不同的直流母线电压、不同冷却液体流量、不同的冷却液体温度和不同的环境温度，全面考虑了对电机转子温度的影响因素；电机包括永磁电机、感应电机、磁阻电机和直流电机；
[0059]
数据获取步骤：在电机试验步骤的过程中，采用电压传感器、电流传感器、温度传感器、转速-扭矩传感器，同步采集被试电机的电气、机械、温度时间序列数据，建立用于机器学习模型训练和验证的样本数据集；
[0060]
数据建模步骤：根据样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；
[0061]
模型应用步骤：实时采集电机参数，然后载入电机转子温度预测模型中，获取电子
转子温度预测结果，根据该电子转子温度预测结果进行电机控制。
[0062]
数据建模步骤具体包括以下子步骤：
[0063]
数据预处理步骤：对样本数据集进行缺失值的填充、异常值的剔除、数据的平滑、数据的标准化、以及将数据整理成适应机器学习模型输入的形式；
[0064]
数据划分步骤：将经过数据预处理步骤处理后的样本数据集划分为训练集、验证集和测试集；其中训练集和验证集用于机器学习模型训练以确定模型参数，测试集是对模型的泛化能力进行检验以确定模型最终是否能用；
[0065]
模型训练步骤：将训练集载入预先建立的深度学习模型进行训练，模型训练的流程包括前向误差计算和误差反向传播两个过程，在误差反向传播的过程中对模型参数值进行更新，并通过验证集进行模型验证，判断是否满足预设的模型训练的终止条件，从而确定模型参数；
[0066]
模型验证步骤：将测试集载入训练好的深度学习模型中，采用预设的模型性能评估指标进行模型性能的评估，验证深度学习模型的泛化能力。模型性能评估指标可选的包括平均绝对误差mae、均方根误差rmse、标准化均方根误差srmse、标准差stddev、均方误差mse、平均绝对百分比误差mape、最大绝对误差max等。
[0067]
数据获取步骤中，同步采集被试电机的电气、机械、温度时间序列数据具体为：设定数据采集的频率，按一定时间间隔采集电机在不同工况下的电气、机械、温度等参数，并时间序列数据的形式保存，且时序数据的时间基准同步。
[0068]
模型训练步骤中，采用用于模型训练的优化算法对深度学习模型以损失函数为目标的优化问题进行求解，找到使得目标函数值最小的一组模型参数值，实现模型参数值的更新，优化算法包括sgd算法、adagrad算法、rmsprop算法或adam算法。
[0069]
模型训练的终止条件为损失函数随迭代轮数的增加而不再下降，此时停止模型训练。
[0070]
近年来，机器学习等人工智能算法迅速发展并得到了广泛应用，尤其是在复杂系统建模方面展现出了无与伦比的优势。因此，当获取电机在不同工况下运行时的相关电气、机械、温度等参数的时序数据，基于上述人工智能算法训练模型得到用于电机转子温度预测的热模型，实现电机转子温度的预测。与其他模型相比，机器学习算法能够通过对训练数据的“学习”来提取多变量之间的隐含非线性关系，实现对不同变量间复杂关系的准确建模，提高电机转子温度预测的精度。
[0071]
实施例1
[0072]
本实施例中，选用长短期记忆网络(lstm)模型作为用于转子温度预测的深度学习模型，lstm是在循环神经网络(rnn)的基础上改进而来的。
[0073]
rnn网络是一种适用于处理时序数据的深度学习神经网络，其隐藏层神经元之间由权值连接，实现权值共享，能够处理数据的时序相关性，典型的rnn结构如附图2所示。然而，由于rnn结构简单，无法解决数据之间的长期时间依赖关系，在模型训练过程中就会出现梯度消失或爆炸的问题。因此，人们对rnn进行改进，提出了lstm网络。lstm在自身结构中引入门控单元，通过控制遗忘门、输入门、输出门的状态来控制信息的流通，形成对时序数据长期记忆或遗忘的处理方式，处理时序数据中的长期依赖关系，解决了rnn训练过程中梯度消失或梯度爆炸的问题。
[0074]
本实施例中，采用的lstm网络包括全连接层和多个lstm记忆单元组合，每个lstm记忆单元组合分别用于处理样本数据集中的一种时间序列数据，各个lstm记忆单元组合的输出均连接全连接层后输出电机转子温度预测值；
[0075]
lstm记忆单元组合包括第一lstm记忆单元和第二lstm记忆单元，第一lstm记忆单元的输入为当前时刻的时间序列数据和前一时刻第一lstm记忆单元隐藏层的输出、输出为当前时刻第一lstm记忆单元隐藏层的输出；
[0076]
第二lstm记忆单元的输入为当前时刻的第一lstm记忆单元隐藏层的输出和前一时刻第二lstm记忆单元隐藏层的输出、输出为当前时刻第二lstm记忆单元隐藏层的输出。
[0077]
第一lstm记忆单元和第二lstm记忆单元均为lstm单元结构，该lstm单元结构包括遗忘门、输入门、输出门和当前候选记忆单元，如附图3所示，为lstm单元结构的内部结构，其中x
t
为当前t时刻模型输入数据，h
t-1
为前一时刻隐藏层输出，为当前候选记忆单元状态，c
t
为当前记忆单元状态信息，i
t
为输入门，f
t
为遗忘门，o
t
为输出门，h
t
为当前时刻隐藏层输出。
[0078]
遗忘门f
t
决定上一时刻记忆单元的状态有多大程度被遗忘掉，控制前一时刻信息向当前时刻转移的程度，如下式所示：
[0079]ft
＝σ(wfx
t
ufh
t-1
bf)
[0080]
输入门i
t
控制当前候选记忆单元的状态有多大程度更新到当前记忆单元的状态中，从当前输入信息补充更新记忆，如下式所示：
[0081]it
＝σ(wix
t
u
iht-1
bi)
[0082]
输出门o
t
控制当前输出有多大程度取决于当前记忆单元的状态，如下式所示：
[0083]ot
＝σ(wox
t
u
oht-1
bo)
[0084]
当前候选记忆单元的状态信息计算公式如下式：
[0085][0086]
当前记忆单元的状态信息c
t
，由以下两部分决定：(1)输入门的输出结果i
t
与tanh层输出结果的乘积；(2)遗忘门的输出结果f
t
与前一时刻记忆单元状态c
t-1
的乘积。当前记忆单元的状态c
t
计算公式如下式：
[0087][0088]
当前隐藏层输出h
t
，由输出门的输出结果o
t
与经tanh层作用后的当前记忆单元状态信息tanh(c
t
)乘积确定，计算公式如下式：
[0089]ht
＝o
t
⊙
tanh(c
t
)
[0090]
上式中，w、u代表相应的权值矩阵，b为相应的偏置向量，σ代表三个门控单元的激活函数，为sigmoid函数，h
t
为当前时刻t时隐藏层的输出，o
t
为当前时刻t时输出门的输出结果，c
t
为当前时刻t时当前记忆单元的状态信息，f
t
为当前时刻t时遗忘门的输出结果，c
t-1
为t-1时刻时当前记忆单元的状态信息，i
t
为当前时刻t时输入门的输出结果，为当前时刻t时当前候选记忆单元的tanh层状态。
[0091]
按照前文，作为举例而非限定，如附图4所示，一种用于控制的电机转子温度预测方法可以通过lstm网络实现，具体流程如下：
[0092]
(1)电机试验：在各种不同工况下对电机进行转子温度测量试验，产生电机运行的时序数据，具体地，本实施例1中不同工况包括电机工作在不同的状态(电动、发电)、不同的转速与输出扭矩、不同的冷却液体温度、不同的环境温度；
[0093]
(2)数据获取：采用电压传感器、电流传感器、温度传感器、转速-扭矩传感器，同步采集电机试验中被试电机电气、机械、温度等时间序列数据，具体地，本实施例1中上述参数包括电机d-q轴电压、d-q轴电流、电机转速ω、电机却水温度t
water
、电机周围环境温度t
amb
，建立用于机器学习模型训练和验证的样本数据集；
[0094]
(3)数据建模，在本实施例1中，具体包括以下步骤：
[0095]
31)数据预处理：数据预处理是指对数据进行缺失值的填充、异常值的剔除、数据的平滑、数据的标准化。具体地，本实施例1采用时序数据的均值和标准差对其进行标准化处理，可由下式计算：
[0096][0097]
式中，x
t
'为标准化后的时序数据，为时序数据平均值，σ为时序数据标准差。
[0098]
对于lstm网络的数据输入形式，将时序样本数据整理成如下形式：[样本数据、时序长度、特征数量]。
[0099]
32)数据划分：数据划分包括将上述预处理后的数据划分成训练集、验证集、测试集，本实施例1中，训练集占样本数据的60％，验证集占样本数据的20％，测试集占样本数据的20％。
[0100]
33)模型训练：本实施例1的lstm网络模型的训练流程如附图5所示，模型训练的优化算法采用adam算法，模型训练的流程包括前向误差计算和误差反向传播两个过程，在误差反向传播的过程中对模型参数值进行一次更新。本实施例1中，lstm网络为三层结构，采用随机初始化方法进行参数初始化，定义lstm网络模型的损失函数为均方误差函数mse，可由下式计算：
[0101][0102]
式中，yi为模型针对输入的预测值，为输入数据对应的真实值，n为样本个数。参见附图6，lstm模型的训练过程中损失函数mse随迭代轮数变化的情况，可以看出损失函数随迭代轮数增加不断下降，当损失函数随迭代轮数的增加不再下降时，终止模型训练，进入模型验证环节。
[0103]
34)模型验证：为验证模型的泛化能力，本实施例1选用均方根误差rmse作为模型的评价指标，评价指标rmse可由下式计算：
[0104][0105]
式中，yi为模型针对输入的预测值，为输入数据对应的真实值，n为样本个数。
[0106]
将步骤33)中训练完成的模型在验证集上进行测试，一次模型输出预测值与真实值对比如附图7所示，当评价指标rmse达到设定阈值时，结束模型训练环节，保存模型，并将
结果输入到数据传输单元显示在人家交互单元。
[0107]
(4)模型应用：将训练并验证好的模型保存下来，通过调用该模型，以采集到的电机相关参数作为模型输入，经模型运算实时预测电机转子温度，该温度信号输入电机控制器，实现对电机的控制。
[0108]
如附图8所示，以电机周围环境温度、电机冷却水温度、电机转速、电机d-q轴电压、电机d-q轴电流为模型输入，以电机转子温度为模型输出，在工作站中训练并验证得到了一个基于lstm的热模型。
[0109]
一种将上述lstm热模型用于电机控制的控制框图如附图9所示，lstm热模型实时预测电机转子温度，并将该温度信号反馈给电机控制器，可用于电机输出扭矩补偿控制以及电机的热管理。
[0110]
实施例2
[0111]
本实施例提供一种用于控制的电机转子温度预测系统，该包括：
[0112]
(1)电机试验单元：用以对电机进行各种不同工况下的温度测量试验，全面测试电机在不同工况下的温度变化，尤其是电机在不同工况条件下的电机转子温度变化；相当于执行上述电机试验步骤。
[0113]
(2)数据采集及处理单元：包括电压、电流、转速-转矩、温度等传感器，以及数据采集设备，该单元可以对电机试验过程中电机电气、机械、温度等相关参数进行同步采集，可以设定数据的采集频率，该单元还能把传感器输出的电压/电流信号转换成相应具有实际物理意义的量；相当于执行上述数据获取步骤。
[0114]
(3)数据传输单元：用以实现数据采集及处理单元、工作站、人机交互单元三者之间数据的传输，作为举例而非限定，数据传输方式可以是can总线，数据传输协议可以为tcp/ip协议。
[0115]
(4)工作站：用以执行数据建模的各步骤，包括时间序列数据的预处理、数据的划分、机器学习模型的训练、机器学习模型的测试、模型的保存、输出模型预测结果到数据传输单元；相当于执行上述数据建模步骤和模型应用步骤。
[0116]
(5)人机交互单元：用以数据的显示以及输入系统相关控制参数，作为举例而非限定，人机交互单元可以由显示器、键盘、鼠标组成。
[0117]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。