一种基于数字孪生模型的永磁同步电机转子温度监测方法技术

本发明专利技术公开了一种基于数字孪生模型的永磁同步电机转子温度监测方法，涉及电机热管理技术领域。本发明专利技术至少包括以下步骤：步骤一：搭建数据处理模块，所述数据处理模块至少包括永磁同步电机试验机、仿真模型、数据采集与提取、数据预处理和数据输入；步骤二：搭建超参数优化模块，采用麻雀搜索算法优化超参数，节省手动调整参数的时间与随机性，初始化神经网络的模型参数，并为模型设定多个超参数的优化范围，使麻雀搜索算法对超参数进行优化。本发明专利技术方法采用多工况、多数据的神经网络离线训练，建立数据驱动模型。由此将训练好的数据驱动模型嵌入电机控制器，通过实时运行的采样数据，计算电机转子在各时刻的最高温度。实现对转子温度的监测。温度的监测。温度的监测。

【技术实现步骤摘要】
一种基于数字孪生模型的永磁同步电机转子温度监测方法


[0001]本专利技术涉及电机热管理
，具体为一种基于数字孪生模型的永磁同步电机转子温度监测方法。

技术介绍

[0002]目前，永磁同步电机转子温度跟踪监测是研究的热点。汽车的高速行驶或高转矩爬坡都会造成电机转子部分区域温度过高导致转子的失效退磁；
[0003]因此，在能实时获得电机转子的最高温度的前提下，热管理系统才能在转子发生过热的情况下及时作出相应保护机制，如调节冷却系统或启动热保护系统；
[0004]现有的研究中，滑环测温系统或红外测温，有限元分析，集总参数热网络与信号注入是常用的方法，然而，测温系统会占据大量的电机内部空间，且成本过于昂贵，有限元分析因计算复杂而难以应用到实时监测中。集总成参数热网络需要的专业知识太多(对流传热系数，各部件的材料参数等)；
[0005]信号注入的方法会对电机引入额外的干扰信号；
[0006]后两者方法大多都只能进行平均温度监测，与目前所关心的最高温度还有较大误差，因此需要对以上问题提出一种新的解决方案。

技术实现思路

[0007]本专利技术的目的在于提供一种基于数字孪生模型的永磁同步电机转子温度监测方法。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：至少包括以下步骤：
[0009]步骤一：搭建数据处理模块，所述数据处理模块至少包括永磁同步电机试验机、仿真模型、数据采集与提取、数据预处理和数据输入；
[0010]步骤二：搭建超参数优化模块，采用麻雀搜索算法优化超参数，节省手动调整参数的时间与随机性，初始化神经网络的模型参数，并为模型设定多个超参数的优化范围，使麻雀搜索算法对超参数进行优化，所述超参数优化模块至少包括初始化种群参数、计算适应度值、更新捕猎者位置或新加入者位置、更新麻雀数量、计算适应度值并更新位置、判断是否合理和输出最优参数；
[0011]步骤三：搭建网络训练模块，所述网络训练模块至少包括输入层、CNN层、LSTM层和全连接层；
[0012]步骤四：搭建结果分析模块，所述结果分析模块至少包括数据驱动模型、编码嵌入电机控制器、永磁同步电机、可监测的有效数据、内部编码系统、转子温度预测、转子测温系统和转子温度误差对比分析模块。
[0013]优选的，所述步骤一至少包括以下步骤：
[0014]进行永磁同步电机试验机与仿真模型，永磁同步电机试验机需通过试验与验证仿
真模型的合理性；
[0015]进行数据采集与提取，所述数据采集与提取至少包括第一方式和第二方式；
[0016]数据预处理，数值归一化运算，用于解决因样本数据差值过大引起的网络训练收敛过慢的问题，其公式如下：
[0017][0018]式中：x
*
是归一化后的数值，x
i
是训练数据，x
min
、x
max
分别是数据中的最小值、最大值；
[0019]数据输入，将归一化后的数据提取到神经网络的训练模块。
[0020]优选的，所述数据采集与提取的第一方式为：离线训练输入数据：各种不同工况各时刻的环境温度、冷却液温度、定子温度、绕组温度、电机转速、电机转矩、dq轴电压、dq轴电流。
[0021]优选的，所述数据采集与提取的第二方式为：离线训练输入数据：各种不同工况各时刻的环境温度、冷却液温度、定子温度、绕组温度、电机转速、电机转矩、铜耗、铁耗、机械损耗；
[0022]离线训练目标数据：各工况在各时刻的转子高温温度；
[0023]时刻选择至少包括0.5s、1s、5s。
[0024]优选的，所述步骤二中对超参数进行优化至少包括以下步骤：
[0025]群中只麻雀在维解空间的初始位置如下式所示：
[0026]X＝{X
1,1
,X
1,2
,
…
,X
2,1
,
…
,X
n,d
}
[0027]该算法的发现者会随着步长的迭代逐渐更新自身的位置，其更新公式如下：
[0028][0029]式中：X
ij
为算法中单个个体所在位置；t为迭代次数；α为在[0，1]区间的随机数；R为种群单个个体遇到危险状况时所发出的预警数值；ST种群需为由前位置发生转移的阈值，若超过该值，群体则会转移去往其他安全位置；Q为满足正态分布的随机数；L为l*d的一矩阵；
[0030]随着发现者对寻觅食物位置发出信号，跟随着会立即前往该位置获取食物，该过程的公式表达如下：
[0031][0032]式中：X
w
为搜寻空间中食物最差的位置；X
p
为搜寻空间中食物最优的位置；X
p
为l*d的一矩阵。
[0033]麻雀捕食过程中，存在着危险，当危险发生时，种群最边缘的个体会迅速向集群靠
拢，在内部的个体也会迅速飞往同伴，以保护整个种群，该过程由如下公式表示：
[0034][0035]式中：X
b
为麻雀在t时刻的全局最佳位置；β是控制参数；K为麻雀的移动方向；f
i
为第i只麻雀的个体适应度；f
b
为当前最优适应度；f
w
为当前最差适应度；当f
i
≠f
b
时，表示外围个体向种群靠拢；当f
i
＝f
b
时，内部个体向同伴靠拢；
[0036]计算适应度值，当适应度值在迭代过程中趋于稳定性时，可完成参数优化模块；
[0037]将优化后的超参数参输出到网络训练模块。
[0038]优选的，所述步骤三至少包括以下步骤：
[0039]搭建输入层后，提取数据中的各项数据的特征的；
[0040]搭建CNN层后，对输入数据特征进行降维处理，减少网络的构建与训练时间，以免网络过于复杂的，其中输入层配合为获取网络特征构建的输入数据；
[0041]CNN层通过卷积核提取输入数据的特征信息并将这些信息传给下一个功能模块；
[0042]池化层将对特征信息进行筛选，重要的部分将被保存全连接层对数据进行分类规划处理，并将这些特征转化为向量输出到下一网络；
[0043]搭建用于输入数据的特征与信息由三个门结构进行合适的筛选，添加与去除的LSTM层；
[0044]所述LSTM层由遗忘门、输入门和输出门结构组成，其中，遗忘门负责丢弃细胞状态中的冗余信息；输入门负责为细胞引入新的信息，更新细胞；输出门负责决定为下一网络学习所需的信息量；
[0045]通过遗忘门将通过丢弃随机神经元来解决过拟合问题，既使每次参与梯度更新的参数减少，又通过调整模型信息的储存量，鼓励权重分数；
[0046]搭建用于输出数据的全连接层；
...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：至少包括以下步骤：步骤一：搭建数据处理模块，所述数据处理模块至少包括永磁同步电机试验机、仿真模型、数据采集与提取、数据预处理和数据输入；步骤二：搭建超参数优化模块，采用麻雀搜索算法优化超参数，节省手动调整参数的时间与随机性，初始化神经网络的模型参数，并为模型设定多个超参数的优化范围，使麻雀搜索算法对超参数进行优化，所述超参数优化模块至少包括初始化种群参数、计算适应度值、更新捕猎者位置或新加入者位置、更新麻雀数量、计算适应度值并更新位置、判断是否合理和输出最优参数；步骤三：搭建网络训练模块，所述网络训练模块至少包括输入层、CNN层、LSTM层和全连接层；步骤四：搭建结果分析模块，所述结果分析模块至少包括数据驱动模型、编码嵌入电机控制器、永磁同步电机、可监测的有效数据、内部编码系统、转子温度预测、转子测温系统和转子温度误差对比分析模块。2.根据权利要求1所述的一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：所述步骤一至少包括以下步骤：进行永磁同步电机试验机与仿真模型，永磁同步电机试验机需通过试验与验证仿真模型的合理性；进行数据采集与提取，所述数据采集与提取至少包括第一方式和第二方式；数据预处理，数值归一化运算，用于解决因样本数据差值过大引起的网络训练收敛过慢的问题，其公式如下：式中：x
*
是归一化后的数值，x
i
是训练数据，x
min
、x
max
分别是数据中的最小值、最大值；数据输入，将归一化后的数据提取到神经网络的训练模块。3.根据权利要求2所述的一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：所述数据采集与提取的第一方式为：离线训练输入数据：各种不同工况各时刻的环境温度、冷却液温度、定子温度、绕组温度、电机转速、电机转矩、dq轴电压、dq轴电流。4.根据权利要求2所述的一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：所述数据采集与提取的第二方式为：离线训练输入数据：各种不同工况各时刻的环境温度、冷却液温度、定子温度、绕组温度、电机转速、电机转矩、铜耗、铁耗、机械损耗；离线训练目标数据：各工况在各时刻的转子高温温度；时刻选择至少包括0.5s、1s、5s。5.根据权利要求1所述的一种基于数字孪生模型的永磁同步电机转子温度监测方法，其特征在于：所述步骤二中对超参数进行优化至少包括以下步骤：群中只麻雀在维解空间的初始位置如下式所示：X＝{X
1,1
,X
1,2
,
…
,X
2,1
,
…
,X
n,d
}该算法的发现者会随着步长的迭代逐渐更新自身的位置，其更新公式如下：
式中：X
ij
为算法中单个个体所在位置；t为迭代次数；α为在[0，1]区间的随机数；R为种群单个个体遇到危险状况时所发出的预警数值；ST种群需为由前位置发生转移的阈值，若超过该值，群体则会转移去往其他安全位置；Q为满足正态分布的随机数；L为l*d的一矩阵；...

【专利技术属性】
技术研发人员：何联格，冯宇航，张岩，胡远志，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：