永磁同步电机转子温度实时预测方法与流程

1.本发明涉及转子温度估算方法技术领域，具体地，涉及永磁同步电机转子温度实时预测方法。


背景技术：

2.永磁同步电机因为其具有结构简单、运行时鲁棒性高、高速运转时转矩较小的特点，广泛运用于各种高精度控制的交流伺服领域。在永磁同步电机实际高速运行控制中，能够实时监测获取电机关键部位如定子、转子的温度具有非常重要的价值与意义，在以下三个方面可以体现：
3.永磁同步电机的温度过高会导致电机内部永磁磁钢不可逆的退磁，这不仅会大大提高永磁同步电机控制系统的运行安全风险，还会影响电机的使用寿命；
4.电机转子磁钢退磁会进一步影响电机扭矩的计算精度，从而导致整个电机控制系统的偏差；
5.在对电机转子温度的估算精确之后，不仅可以有效增加电机运行时转矩的峰值持续时间，从而可以大大提高顶级潜能，还能因为减少了对永磁同步电机定子磁材料的消耗延长电机的使用寿命。
6.因此，能够对电机运行时的转子温度进行精准估算不仅能够确保电机的安全运行，还可以提升电机控制系统驱动性能。
7.目前，对于电机的转子温度估算方法主要分为“经验公式间接计算”、“热网格分析计算”和“反电势法计算”。
8.上述的转子温度估算方法普遍存在着精度较低的问题，同时，上述估算方法也无法实现对电机运行过程中转子温度的实时监测，从而无法及时根据转子温度对永磁同步电机的工作状态进行调整，一定程度上还是会影响电机的使用寿命。


技术实现要素：

9.针对现有技术中的缺陷，本发明的目的是提供一种永磁同步电机转子温度实时预测方法及系统。
10.本发明提供一种永磁同步电机转子温度实时预测方法，包括如下步骤：
11.采集与转子相关的物理参数构建样本数据集；
12.选取样本数据集中的第一相关数据作为输入量；
13.选取样本数据集中与第一相关数据相对应的第一温度数据作为输出量；
14.对输入量和输出量进行归一化处理；
15.通过归一化处理后的输入量和输出量构建lstm-cnn网络预测模型；
16.永磁同步电机运行时，采集第二相关数据和与第二相关数据相对应的第二温度数据构建训练数据集，将训练数据集中的数据归一化处理后作为训练数据对lstm-cnn网络预测模型进行训练；
17.通过在线监测的第三相关数据并利用训练好的lstm-cnn网络预测模型预测转子实时温度。
18.可选地，选取样本数据集中的第一相关数据进一步包括：
19.确定假设前提，基于转子磁链定向的同步旋转坐标系下的运动方程和电流方程的数学模型：
[0020][0021]
其中，id，iq分为d轴和q轴电流；ud，uq分别为d轴和q轴电压；ls，rs分别为定子电感和定子电阻；ωm，n
p
分别为机械角速度和极对数；j、ψf分别为转动惯量和永磁体磁链；k
t
，b分别为转动常数和摩擦系数；t
l
为负载转矩；
[0022]
由式中可以得出，id，iq,ωm有很强的耦合线性关系，选取ud，uq,id，iq,ωm,t
l
作为模型的输入量；
[0023]
选取电机运行的环境温度和冷却液温度作为输入量。
[0024]
可选地，训练数据集中包括若干训练样本组，采用正态逆高斯分布随机选择训练样本组对lstm-cnn网络预测模型进行训练。
[0025]
可选地，lstm-cnn网络预测模型进行训练时获得的权重矩阵进行卷积核规范平均化处理。
[0026]
可选地，lstm-cnn网络预测模型预测的转子实时温度通过均方根误差进行评价。
[0027]
可选地，lstm-cnn网络预测模型包括依次相连的第一lstm层、第二lstm层、第三lstm层、卷积层、池化层、第四lstm层和全连接层。
[0028]
与现有技术相比，本发明具有如下的有益效果：
[0029]
本发明提供的永磁同步电机转子温度实时预测方法，相对传统的转子温度估算方法进度更高，而且通过监测的第三相关数据并利用训练好的lstm-cnn网络预测模型预测转子实时温度，能够及时调整电机的工作状态，避免影响永磁同步电机的使用寿命。
附图说明
[0030]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0031]
图1为本发明实施例提供的一种永磁同步电机转子温度实时预测方法流程图；
[0032]
图2为本发明实施例提供的一种永磁同步电机转子温度实时预测方法的lstm-cnn网络预测模型的结构图；
[0033]
图3为本发明实施例提供的lstm-cnn网络预测模型训练时输出的预测转子温度和真实的转子温度图。
具体实施方式
[0034]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0035]
在对本发明的实施例展开说明之前，先对本技术中出现的名词进行解释说明：
[0036]
归一化：是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。
[0037]
实施例
[0038]
图1为本发明实施例提供的一种永磁同步电机转子温度实时预测方法流程图，图2为本发明实施例提供的一种永磁同步电机转子温度实时预测方法的lstm-cnn网络预测模型的结构图；图3为本发明实施例提供的lstm-cnn网络预测模型训练时输出的预测转子温度和真实的转子温度图；参见图1-3，本实施例中的方法，包括如下步骤：
[0039]
采集与转子相关的物理参数构建样本数据集；
[0040]
选取样本数据集中的第一相关数据作为输入量；
[0041]
选取样本数据集中与第一相关数据相对应的第一温度数据作为输出量；
[0042]
对输入量和输出量进行归一化处理；
[0043]
在本实施例中，对于选取的样本数据集中的时间序列数据中，d轴和q轴电流、d轴和q轴电压、机械角速度负载转矩、环境温度和冷却液温度的量纲和取值范围不同，如果直接对数据进行训练处理，会导致样本数据空间分布不均匀，从而影响分析结果。因此，本实施例采用的是数据处理方法为归一化处理，缩放每个样本的值，使其单位范数为1。
[0044]
通过归一化处理后的输入量和输出量构建lstm-cnn网络预测模型；
[0045]
永磁同步电机运行时，采集第二相关数据和与第二相关数据相对应的第二温度数据构建训练数据集，将训练数据集中的数据归一化处理后作为训练数据对lstm-cnn网络预测模型进行训练；
[0046]
通过在线监测的第三相关数据并利用训练好的lstm-cnn网络预测模型预测转子实时温度。
[0047]
在一种可选的实施方式中，输入量的数据选取进一步包括：
[0048]
确定假设前提，基于转子磁链定向的同步旋转坐标系下的运动方程和电流方程的数学模型如下式：
[0049][0050]
其中，id，iq分为d轴和q轴电流；ud，uq分别为d轴和q轴电压；ls，rs分别为定子电感和定子电阻；ωm，n
p
分别为机械角速度和极对数；j、ψf分别为转动惯量和永磁体磁链；k
t
，b分别为转动常数和摩擦系数；t
l
为负载转矩；
[0051]
由式中可以得出，id，iq,ωm有很强的耦合线性关系，选取ud，uq,id，iq,ωm,t
l
作为模型的输入量；
[0052]
选取电机运行的环境温度和冷却液温度作为输入量，永磁同步电机在运行过程中，环境变量对于电机的运行温度变化的影响十分重要，因此选取电机运行的环境温度和冷却液温度作为输入量。
[0053]
在一种可选的实施方式中，训练数据集中包括若干训练样本组，采用正态逆高斯分布随机选择训练样本组对lstm-cnn网络预测模型进行训练，能够避免仅仅针对电机单个运行工况进行监测分析，由于样本数据的不足，无法反应各个工况下的信息的的问题。同时也避免了将每个工况的数据都进行训练，数量大，训练时间过长，还会可能导致过拟合的问题。
[0054]
在本实施例中，训练样本组至少包括一个ud、一个uq、一个id、一个iq、一个ωm、一个t
l
、一个环境温度和一个冷却液温度，若训练样本组n服从正态逆高斯分布，则作为lstm-cnn网络预测模型训练用练样本组，记为：
[0055]
n～nig(α,β,δ,μ)
[0056]
式中，α为陡度参数；β为对称参数；δ为规模参数；μ为位置参数；
[0057]
若n～nig(α,β,δ,μ)，其对应的概率密度为：
[0058][0059]
式中，k
λ
为第三类贝塞尔修正函数。选取β＝0，μ＝5的参数值，产生以5为中心的对称分布，其中，选取α＝0.5，δ＝1。
[0060]
在一种可选的实施方式中，lstm-cnn网络预测模型进行训练时获得的权重矩阵进行卷积核规范平均化处理。
[0061]
在本实施例实施过程中，对权重矩阵进行卷积核规范平均化处理能够大大减少了因鲁棒性断裂引起的预测波动，同时也提高了预测的精确度。
[0062]
在一种可选的实施方式中，lstm-cnn网络预测模型预测的转子实时温度通过均方根误差进行评价。
[0063]
在本实施例中，均方根误差对预测转子温度进行评价的公式为：
[0064][0065][0066]
式中：x为特征的实际值，x
min
为该特征中的最小值，x
max
为该特征中的最大值，为特征值经过最大最小变换后的值，n为样本个数；yi为实际测量值；f'(xi)为f(xi)反归一化后的模型输出值，其表达式为：
[0067]f′
(xi)＝f(xi)(f
max
(xi)-f
min
(xi)) f
min
(xi)
[0068]
式中：f
max
(xi)和f
min
(xi)分别为模型输出值中的上下极限值。
[0069]
在一种可选的实施方式中，lstm-cnn网络预测模型包括依次相连的第一lstm层、第二lstm层、第三lstm层、卷积层、池化层、第四lstm层和全连接层。
[0070]
在上述实施例中，由于学习率对深度学习网络模型在训练和测试中对性能都具有
显著影响，其已成为了深度学习中难以设置的超参数之一。在近几年的研究中，momentum、adagrad、rmsprop等算法被提出自动适应模型参数的学习率，都在深度学习的训练中取得了优异的表现。本技术采用的adam算法收敛速度快，学习效率高，对于运行计算的内存要求小，还能对角梯度缩放时保持不变，故在进行大数据的数据挖掘时具有良好的处理能力，且对于本文中从实际工况中带有噪声样本的数据具有优秀的数据处理能力，还同时保有处理非平稳目标问题的能力。故本实施例采用adam来实现训练中学习率的自动调整，来满足高维度电机运行特征数据集的训练要求。
[0071]
结合图3，本实施例中在对lstm-cnn网络预测模型进行训练时，实线为测试集，虚线为训练集，x轴为训练次数，y轴为损失函数的值，发现模型的rmse(均方根误差)的损失值可以达到0.0491；
[0072]
本实施例中，采用训练好后的lstm-cnn网络预测模型对转子实时温度进行预测时，实线为真实值，虚线为训练值，发现重合度较高，其预测结果精确度达到了98％以上，因此相对传统的估算方法，其准确性更高。
[0073]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。