一种基于灰色关联分析和BP神经网络的电机数据分析方法技术

本发明专利技术公开了一种基于灰色关联分析和BP神经网络的电机数据分析方法，包括以下步骤：(1)灰色关联分析，包括以下步骤：确定分析数列；变量的无量纲化；计算关联度；关联度排序；(2)：BP神经网络模型训练的数据分析，包括以下步骤：建立指标体系；设计BP神经网络结构；利用训练样本集训练神经网络；测试样本集的实验；将七个电机性能指标作为输入向量，由训练好的BP神经网络模型进行计算，得到电机数据分析结果。本发明专利技术通过将电机的多种参数数据抽象化、数学化，将灰色关联分析和BP神经网络这两种方法合理应用到电机数据分析中，通过数学模型的方式来分析所得到的测试数据，使其更有普适性，可以推广到任何不同型号的电机测试中。

A method of motor data analysis based on Grey Relational Analysis and BP neural network

The invention discloses a motor data analysis method based on Grey Relational Analysis and BP neural network, which comprises the following steps: (1) grey relational analysis, including the following steps: determining the analysis sequence; dimensionless variables; calculating the correlation degree; ranking the correlation degree; (2) analyzing the data trained by BP neural network model, including The following steps: setting up the index system; designing the BP neural network structure; training the neural network with the training sample set; testing the experiment of the sample set; taking seven motor performance indicators as input vectors, calculating by the trained BP neural network model, get the results of motor data analysis. By abstracting and mathematicizing the multi-parameter data of the motor, the method of grey relational analysis and BP neural network are reasonably applied to the analysis of the motor data, and the test data obtained are analyzed by means of mathematical model, so that the method is more universal and can be extended to any different type of motor test. .

【技术实现步骤摘要】
一种基于灰色关联分析和BP神经网络的电机数据分析方法
本专利技术涉及一种电机数据分析方法，尤其涉及一种基于灰色关联分析和BP神经网络的电机数据分析方法。
技术介绍
针对高速永磁电机功率密度大、损耗密度较高、散热困难等特性，对其检测分析目前还停留在仪器的单一测定和数据后续的简易评定，大多数情况下还是依靠技术人员的经验，其综合性能的数据分析缺乏有力的支撑与说服力。随着工业的不断发展以及机械、化工、汽车、航空航天等行业技术的不断提高，支撑这些工业设备实现的核心——电机行业也得到迅猛发展。电机检测技术向着高效化、精准化、智能化、互联化快速进步。上个世纪70年代以前，电机测试多采用传统的指针式仪表进行手工测试，这类仪表结构简单，性能稳定，造价低廉，但它的测试精度较差，功能单一。随后产生的数字仪器基于电参数测量显示电压、电流、功率，扩展显示功率因数、频率等多种电量参数，稳定性、准确度高，一体化更强，但对数据的处理、实验过程中的读数同步仍不够理想。由于计算机技术的加速发展和普及，电机检测向自动化测试方向发展。中国国内许多科研机构研制以PC机为核心的电机自动化测试系统，如上海电机技术所研制的AMT1型电机性能综合测试仪，它采用双机系统结构，系统运用了标准接口，方便系统的组建和扩充，并且利用PC机丰富的软硬件资源，实现友好的人机交互界面和容错性。上海交通大学的分马力微机试验系统，可以测量电机的电流、转矩、电压和功率。哈尔滨工业大学电工研究所研制的TL-1型数字转矩测试仪可以实时测量电机的输出转矩。国外也有以计算机为核心的电机实验综合装置，可以对被试电机进行快速数据采集，并能自动处理、绘制和打印各种曲线和实验报告。如西门子公司为慕尼黑大学电机实验室制造了300型过程控制计算机，在电机实验过程中大大简化了各种参数的测量。日本国际检测公司生产的MDP101，102型电机性能综合测试机，可以自动测试电压、电流、转矩、转速、功率、效率、功率因素等项目，并可进行数据处理。法国的CEM公司也研制了自动测试台，主要适用于O.SKW一800KW三相异步电动机的测试。采用微机的电机自动测试系统在测试功能、测量精度等各项指标上都远远超过了传统的实验方法。使电机测试步入了新的时代。近些年，国内外的许多公司和科研机构纷纷开始研制基于虚拟仪器技术的电机测试系统。国内基于虚拟仪器的电机测试技术已被广泛应用。如LabVIEW对电机转子动平衡系统设计，双滑模结构永磁同步电机矢量控制策略，LabVIEW的同步器单体试验台测控系统研发。这些基于虚拟仪器的测试方法精度高、实时性强、性能安全稳定。美国的MAGTROL公司和我国上海聚星仪器公司都分别开发出基于虚拟仪器技术的电机测试系统产品[18]。MAGTROL公司的HD系列磁滞测功机从18N.m到最大56N.m，共18个规格。MAGTROL公司开发出最新的采用的DSP测功机系统，自动加载速度不到秒，高速采样，采样过程自动计算惯量。因为DSP是高速采样，并及时进行惯性量补偿，达到电机的高精度，高速自动测试。国外也有全虚拟仪器的电机测试系统，设有显示仪，控制器和功率仪，用软件代替大部分硬件，实现计算机全虚拟化测试。对于大多数产品，已100％试验。德国申克公司研制出了一种利用参数认定法进行电机测试的新设备。该参数认定法的基本思想是通过建立数学模型，仅测量近似空载下的电流和电压，从而获得电机性能指标。该设备结构简单，可靠性高，检测时间短，是一种全新的微电机检测设备。综上所述，目前对电机各项参数的测定技术已日渐成熟，但对电机多数据的实时追踪与综合评定还有待发展。具体来说，在电机的参数分析方面，应用得比较广泛的主要是在异步电机上面，有常微分和非线性方程的例子，但对于高速永磁电机的评价还基本不成熟，大多是直接用的效率进行评价，没有综合各项参数的评价案例。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种基于灰色关联分析和BP神经网络的电机数据分析方法。本专利技术通过以下技术方案来实现上述目的：一种基于灰色关联分析和BP神经网络的电机数据分析方法，包括以下步骤：步骤(1)：灰色关联分析，包括以下步骤：步骤(1.1)：确定分析数列：将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列，剩余因素作为相关因素变量数据序列，按下式两两计算关联度：Ai＝[Ai(1)，Ai(2)，L，Ai(k)，LAii(n)]Bj＝[Bj(1)，Bj(2)，L，Bj(k)，LBj(n)](1-1)式中，Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值，n表示共进行n次实验，i、j＝1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值；步骤(1.2)：变量的无量纲化：通过均值化算子D1来计算出各变量序列的均值象，将式1-1转化为下式：Ai′＝AiD1＝[Ai′(1)，Ai′(2)，L，Ai′(k)，LAi′(n)]Bj′＝BjD1＝[Bj′(1)，Bj′(2)，L，Bj′(k)，LBj′(n)](1-2)式中，对式1-2应用始点零象化算子D计算出其相应的始点零象：Ai0＝AiD0＝[Ai0(1)，Ai0(2)，L，Ai0(k)，LAi0(n)]Bj0＝BjD0＝[Bj0(1)，Bj0(2)，L，Bj0(k)，LBj0(n)](1-3)式中，步骤(1.3)：计算关联度：运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为：式中，Eij表示第i个系统特征变量与第j个相关因素变量的灰色关联度，|ASi|、|BSj|、|BSj-ASi|分别为：利用式1-4计算出系统特征变量的灰色关联度Eij，从而得出灰色绝对关联矩阵：步骤(1.4)：关联度排序：当i，j∈{1，2，Lm}满足Ei1＞Eij(i＝1，2，L，s)时，判定因素Ai优于Bj；如果最优因素不存在，那么必然存在i，j∈{1，2，Lm}满足此时判定为因素Ai优于Bj；如果同时对任意的j＝{1，2，Lm}，j≠1，都存在因素Ai优于Bj，则确定因素Ai为准优因素；通过对电压、电流、输入功率、转速、扭矩、机械功率、转差率两两之间计算灰色关联度，最后得到这七个因素总共的关联度并进行排序，即可得到对需要的评价结果影响最大的因素；步骤(2)：BP神经网络模型训练的数据分析，包括以下步骤：步骤(2.1)：建立指标体系，收集样本数据：根据之前灰色分析的结果指标，建立评价指标体系，作为神经网络的输入样本，首先对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理，对定量指标分别进行归一化处理，通过真实情况下的电机测试数据提取得到训练样本集、测试样本集；步骤(2.2)：设计BP神经网络结构：选择三层BP神经网络，然后根据指标体系确定输出层节点数和输入层节点数，根据样本的数量和质量以及复杂程度确定隐含层节点数；步骤(2.3)：利用训练样本集训练神经网络：包括信息正向传播和误差反向传播两个过程，对于输入的训练样本指标，通过比较网络输出值和期望输出值的误差，逐层修改各层网络节点的权值和阈值，当训练样本集总误差E小于允许误差ε时，训练结束；步骤(2.4)：测试样本集的实验：输入本文档来自技高网...

【技术保护点】
1.一种基于灰色关联分析和BP神经网络的电机数据分析方法，其特征在于：包括以下步骤：步骤(1)：灰色关联分析，包括以下步骤：步骤(1.1)：确定分析数列：将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列，剩余因素作为相关因素变量数据序列，按下式两两计算关联度：Ai＝[Ai(1)，Ai(2)，L，Ai(k)，L Ai(n)]Bj＝[Bj(1)，Bj(2)，L，Bj(k)，L Bj(n)]          (1‑1)式中，Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值，n表示共进行n次实验，i、j＝1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值；步骤(1.2)：变量的无量纲化：通过均值化算子D1来计算出各变量序列的均值象，将式1‑1转化为下式：Ai′＝AiD1＝[Ai′(1)，Ai′(2)，L，Ai′(k)，L Ai′(n)]Bj′＝BjD1＝[Bj′(1)，Bj′(2)，L，Bj′(k)，L Bj′(n)]     (1‑2)式中，

【技术特征摘要】
1.一种基于灰色关联分析和BP神经网络的电机数据分析方法，其特征在于：包括以下步骤：步骤(1)：灰色关联分析，包括以下步骤：步骤(1.1)：确定分析数列：将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列，剩余因素作为相关因素变量数据序列，按下式两两计算关联度：Ai＝[Ai(1)，Ai(2)，L，Ai(k)，LAi(n)]Bj＝[Bj(1)，Bj(2)，L，Bj(k)，LBj(n)](1-1)式中，Ai(k)、Bi(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值，n表示共进行n次实验，i、j＝1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值；步骤(1.2)：变量的无量纲化：通过均值化算子D1来计算出各变量序列的均值象，将式1-1转化为下式：Ai′＝AiD1＝[Ai′(1)，Ai′(2)，L，Ai′(k)，LAi′(n)]Bj′＝BjD1＝[Bj′(1)，Bj′(2)，L，Bj′(k)，LBj′(n)](1-2)式中，对式1-2应用始点零象化算子D计算出其相应的始点零象：Ai0＝AiD0＝[Ai0(1)，Ai0(2)，L，Ai0(k)，LAi0(n)]Bj0＝BjD0＝[Bj0(1)，Bj0(2)，L，Bj0(k)，LBj0(n)](1-3)式中，步骤(1.3)：计算关联度：运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为：式中，Eij表示第i个系统特征变量与第j个相关因素变量的灰色关联度，|ASi|、|BSj|、|BSj-ASi|分别为：利用式1-4计算出系统特征变量的灰色关联度Eij，从而得出灰色绝对关联矩阵：步骤...

【专利技术属性】
技术研发人员：张克非，段婷，夏云翔，唐丽颖，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：四川,51