一种交流电机控制性能特征识别网络模型构建方法及应用技术

本发明专利技术公开了一种交流电机控制性能特征识别网络模型构建方法及应用，包括：获取交流电机的任一相多种控制性能对应的多周期电流数据，并预处理多周期电流数据，得到多组单周期离散数据；构建特征识别网络结构，特征识别网络结构用于通过特征识别，计算每组单周期离散数据的多种控制性能的预测值；基于各组单周期离散数据的多种控制性能的预设值和预测值，训练得到特征识别网络模型。本发明专利技术引入深度学习，采用含有多种控制性能的电流数据进行网络模型训练，网络模型基于电流数据进行特征提取及基于提取的特征信息进行控制性能的预测，其在交流电机数据高丰富性和特异性下，也能快速高精度地实现进行控制性能的特征识别，泛化能力强，应用范围广。

A Construction Method and Application of AC Motor Control Performance Characteristic Recognition Network Model

【技术实现步骤摘要】
一种交流电机控制性能特征识别网络模型构建方法及应用
本专利技术涉及控制性能特征识别领域，特别是涉及一种交流电机控制性能特征识别网络模型构建方法及应用。
技术介绍
对电机控制，往往采用PWM调制控制策略，而为了避免同一桥臂的上下两只或者是两条通路同时导通，采用设置死区策略的办法来解决，其中，这种死区策略能够产生性能特征及补偿效果特征(例如是欠补偿、过补偿等)，性能特征和补偿效果特征的识别对于电机控制具有重要意义。传统上的识别做法是测出电枢电流的波形，通过观测特定位置波形的表征来人为判断或者是经过常规算法检测是否存在上述的特征。然而，这种方法对于不同开断频率以及不同的开关管，同样的控制策略可能产生不同的波形，这对于没有经验或者不甚熟悉电力电子技术的观测者或者传统算法而言，需要对不同的情况进行学习，或者编写不同的算法，而这将会增加辨识上述性能特征等所需要的资源量，因此，现有方法存在着一定的局限性，如何在交流电机数据的高丰富性和特异性下，有效提高识别准确率，是目前亟待解决的技术问题。
技术实现思路
本专利技术提供一种交流电机控制性能特征识别网络模型构建方法及应用，用以解决现有用于交流电机控制性能识别的算法因泛化能力低导致实际应用中识别效率和精度均较低的技术问题。本专利技术解决上述技术问题的技术方案如下：一种交流电机控制性能的特征识别网络模型构建方法，包括：步骤1、获取交流电机的任一相多种控制性能对应的多周期电流数据，并预处理所述多周期电流数据，得到多组单周期离散数据；步骤2、构建特征识别网络结构，所述特征识别网络结构用于通过特征识别，计算每组所述单周期离散数据的所述多种控制性能的预测值；步骤3、基于各组所述单周期离散数据的所述多种控制性能的预设值和所述预测值，训练所述特征识别网络结构，得到特征识别网络模型。本专利技术的有益效果是：本专利技术引入深度学习，具体的采用含有多种控制性能的电流数据，进行网络模型的构建和训练，网络模型可基于接收的电流数据进行特征提取以及基于提取的特征信息进行各种控制性能的预测，使得其在特征提取时，即使交流电机数据具有高丰富性和高特异性，也能快速、高精度地进行控制性能的特征识别，适合实际工程应用。上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述步骤1包括：步骤1.1、获取交流电机的多种控制性能对应的任一相多周期电流数据，依次对所述多周期电流数据进行去噪、标准化及线性处理，得到多周期预处理电流数据；步骤1.2、对所述多周期预处理电流数据进行分组，得到多组单周期电流数据；步骤1.3、基于取样步长，从每组所述单周期电流数据中的第一个电流数据开始进行数据取样，得到多组单周期离散数据。本专利技术的进一步有益效果是：对原始的多周期电流数据进行高频锯齿波等的去除，之后进行标准化处理以及线性处理，使得用于训练的样本集是统一的数据分布，提高后续的计算速度，便于高效地模型训练和预测。进一步，所述步骤3包括：步骤3.1、在各组所述单周期离散数据的尾部设置所述多种控制性能对应的独热标注标签，得到多组训练样本集，其中，所述独热标注标签表示所述预设值；步骤3.2、从所述多组训练样本集中随机选取预设组数并输入所述特征识别网络结构，得到每组所述训练样本集的所述多种控制性能的权重集合，其中，所述权重集合表示所述预测值；步骤3.3、基于每组所述训练样本集对应的所述独热标注标签和所述权重集合，采用Softmax函数和交叉熵损失函数，计算该组训练样本集对应的损失值；步骤3.4、基于所有所述损失值，调整所述特征识别网络结构的参数，并重复执行步骤3.2，直至达到迭代终止条件，得到特征识别网络模型。本专利技术的进一步有益效果是：采用独热标注标签，便于后续的权重计算及前后预设值和预测值的对比，提高计算速度。进一步。所述特征识别网络结构包括：特征提取模块和特征权重计算模块；所述特征提取模块，用于接收所述预设组数的所述训练样本集及每组对应的尺寸编码，提取每组所述训练样本集中的特征值；所述特征权重计算模块，用于基于每组所述训练样本集对应的所述特征值，计算该组所述训练样本集的所述多种控制性能的权重集合。进一步，所述特征提取模块包括：依次连接的第一卷积层、最大池化层、第二卷积层、类Inception结构层、第三卷积层和平均池化层；所述特征权重计算模块包括：依次连接的两个全连接层。进一步，所述类Inception结构层包括：并列的分别与所述第二卷积层和所述第三卷积层连接的最大池化层、第四卷积层和第五卷积层。本专利技术的进一步有益效果是：采用两个卷积层并行进行卷积操作以进行特征提取，提取的特征可用于互补，尽可能的保证提取的特征全面，最大池化层避免并行卷积提取的特征产生过拟合等效应，提高模型的预测精度。进一步，每组所述训练样本集的所述尺寸编码包括：该组训练样本集的行数，该组训练样本集中数据的列数，以及该组训练样本集的特征通道，其中，所述特征通道的初始值为空。进一步，每层所述卷积层的尺寸编码中，用于每次卷积操作的所述训练样本集中数据的列数取值为3或5；每层所述最大池化层的尺寸编码中，用于每次池化操作的所述训练样本集中数据的列数取值为3；所述平均池化层的尺寸编码中，用于每次池化操作的所述训练样本集中数据的列数取值为5。本专利技术的进一步有益效果是：该方法能够极大提高特征识别网络模型的预测精度。本专利技术还提供一种交流电机控制性能的特征识别方法，包括：步骤1、获取交流电机的任一相待测的多周期电流数据，采用如上所述的预处理方法对所述待测的多周期电流数据进行预处理，得到多组待测单周期离散数据；步骤2、采用如上所述的任一种特征识别网络模型构建方法构建的特征识别网络模型，对每组所述待测单周期离散数据进行特征识别，得到每组所述待测单周期离散数据的多种控制性能的权重集合；步骤3、将每个所述权重集合中最大权重对应的控制性能，确定为所述交流电机在该权重集合对应的电流数据所在时间段的控制性能特征。本专利技术的有益效果是：采用上述基于深度学习的特征识别网络，因其泛化能力高，在实际应用中，即使电流数据的复杂度高、特异性强，也能高效、准确地进行特征识别。本专利技术还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种交流电机控制性能的特征识别网络模型构建方法和/或如上所述的一种交流电机控制性能的特征识别方法。附图说明图1为本专利技术一个实施例提供的一种交流电机控制性能的特征识别网络模型构建方法的流程框图；图2为本专利技术一个实施例提供的一组多周期数据示意图；图3为本专利技术一个实施例提供的多组单周期数据示意图；图4为本专利技术一个实施例提供的一种特征识别网络模型的结构示意图；图5为本专利技术另一个实施例提供的一种交流电机控制性能的特征识别方法的流程框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。实施例一一种交流电机控制性能的特征识别网络模型构建方法100，如图1所示，包括：步骤110、获取交流电机的任一相多种控制性能对应的多周期电流数据，并预处理多周期电本文档来自技高网...

【技术保护点】
1.一种交流电机控制性能的特征识别网络模型构建方法，包括：步骤1、获取交流电机的任一相多种控制性能对应的多周期电流数据，并预处理所述多周期电流数据，得到多组单周期离散数据；步骤2、构建特征识别网络结构，所述特征识别网络结构用于通过特征识别，计算每组所述单周期离散数据的所述多种控制性能的预测值；步骤3、基于各组所述单周期离散数据的所述多种控制性能的预设值和所述预测值，训练所述特征识别网络结构，得到特征识别网络模型。

【技术特征摘要】
1.一种交流电机控制性能的特征识别网络模型构建方法，包括：步骤1、获取交流电机的任一相多种控制性能对应的多周期电流数据，并预处理所述多周期电流数据，得到多组单周期离散数据；步骤2、构建特征识别网络结构，所述特征识别网络结构用于通过特征识别，计算每组所述单周期离散数据的所述多种控制性能的预测值；步骤3、基于各组所述单周期离散数据的所述多种控制性能的预设值和所述预测值，训练所述特征识别网络结构，得到特征识别网络模型。2.根据权利要求1所述的一种交流电机控制性能的特征识别网络模型构建方法，其特征在于，所述步骤1包括：步骤1.1、获取交流电机的任一相多种控制性能对应的多周期电流数据，对所述多周期电流数据依次进行去噪、标准化及线性处理，得到多周期预处理电流数据；步骤1.2、对所述多周期预处理电流数据进行分组，得到多组单周期电流数据；步骤1.3、基于取样步长，从每组所述单周期电流数据中第一个电流数据开始进行数据取样，得到多组单周期离散数据。3.根据权利要求2所述的一种交流电机控制性能的特征识别网络模型构建方法，其特征在于，所述步骤3包括：步骤3.1、在各组所述单周期离散数据的尾部设置所述多种控制性能对应的独热标注标签，形成多组训练样本集，其中，所述独热标注标签表示所述预设值；步骤3.2、从所述多组训练样本集中随机选取预设组数并输入所述特征识别网络结构，得到每组所述训练样本集的所述多种控制性能的权重集合，其中，所述权重集合表示所述预测值；步骤3.3、基于每组所述训练样本集对应的所述独热标注标签和所述权重集合，采用Softmax函数和交叉熵损失函数，计算该组训练样本集对应的损失值；步骤3.4、基于所有所述损失值，调整所述特征识别网络结构的参数，并重复执行步骤3.2，直至达到迭代终止条件，得到特征识别网络模型。4.根据权利要求3所述的一种交流电机控制性能的特征识别网络模型构建方法，其特征在于，所述特征识别网络结构包括：特征提取模块和特征权重计算模块；所述特征提取模块，用于接收所述预设组数的所述训练样本集及每组对应的尺寸编码，提取每组所述训练样本集中的特征值；所述特征权重计算模块，用于基于每组所述训练样本集对应的所述特征值，...

【专利技术属性】
技术研发人员：孙伟，龙泳橙，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42