掌桥专利:专业的专利平台
掌桥专利
首页

基于模拟退火算法的电机堵转判别方法及装置

文献发布时间:2023-06-19 18:37:28


基于模拟退火算法的电机堵转判别方法及装置

技术领域

本发明涉及电机与拖动领域,具体而言,涉及一种基于模拟退火算法的电机堵转判别方法及装置。

背景技术

电机堵转是电机在转速为0转时持续扭矩输出的情况。出现电机堵转的原因多样,多是因机械自身或人为干预造成的故障。

在电机发生堵转时功率因数低,堵转电流迅速升高,可达到额定电流数倍。那么电机长时间处在堵转状态会使电机烧坏。因此电机堵转试验是电机一般性试验的项目。

电机堵转发生时主要可测量的参量是电流,通过对堵转电流的判别,是现有技术中分析电机堵转发生的技术手段。但随着电机运行环境的复杂,电机因所处的部分工况会表现出近似堵转电流的电流特征。那么在复杂环境或工况下对电机堵转的判别需要研究更加可行的判别方法。

发明内容

基于此,本发明实施例第一方面公开一种基于模拟退火算法的电机堵转判别方法。所述方法包括步骤,S100,获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿所述数组X滑动的窗口Y截取所述数组X的部分为数组Z;S200,初始化通过所述数组Z训练的学习模型;S300,基于模拟退火算法获取所述窗口Y的全局最优配置;S400,根据全局最优配置的所述窗口Y训练所述学习模型,以及通过训练后所述学习模型预测至少一电机运行的电流数据的堵转系数;S500,根据所述堵转系数分析当前所述电机的堵转情况。

在所述发明实施例的公开,所述方法包括步骤,S101,获取若干数组X,所述数组X={X1,X2,...,Xn;Q},n∈N且n>2,Q为堵转系数;S102,配置一窗口Y,所述窗口Y(a,b)={Xa,Xa+1,...,Xb;Q};a、b∈N且0<a≤b<n;S103,依据所述窗口Y(a,b)截取所述数组X的部分为数组Z。

在所述发明实施例的公开,所述方法包括步骤,S201,配置依据若干所述数组Z(a,b)训练的学习模型η(a,b);S202,配置所述学习模型η(a,b)的预测偏差为θ(a,b)。

在所述发明实施例的公开,所述学习模型η(a,b)为BP神经网络模型;所述BP神经网络模型包括输入层、隐含层及输出层;所述输入层提供有与所述窗口Y的元素数目相同的输入节点;所述隐含层提供有m个隐含节点,m∈N且0<m<10;所述输出层提供有1个输出节点;所述隐含节点的激活函数为

在所述发明实施例的公开,所述方法包括步骤,S301,配置模拟退火算法的收敛条件及初始温度T;S302,赋值a=ai,b=bi,获取预测偏差θ(ai,bi);S303,获取随机自然数Δa及Δb,赋值aj=ai+Δa,bj=bi+Δb,获取预测偏差θ(aj,bj);S304,若θ(aj,bj)-θ(ai,bi)<0,使ai=aj,bi=bj;若θ(aj,bj)-θ(ai,bi)≥0,使

在所述发明实施例的公开,S303配置有获取随机自然数Δa及Δb,并且Δa-Δb始终为零数、正数或负数的一种。

在所述发明实施例的公开,S301配置有退火系数K,K∈(0,1];S305配置有使T=T*K。

在所述发明实施例的公开,所述收敛条件配置为,至少一所述预测偏差θ(ai,bi)小于一偏差阈值g,或连续至少两次所述预测偏差θ(ai,bi)小于一偏差阈值h,0>h>g>1。

在所述发明实施例的公开,所述方法包括步骤,S401,获取至少一电机运行的电流数据;S402,根据所述窗口Y(ai,bi)截取所述电流数据为所述数组Z(ai,bi);S403,通过所述学习模型η(ai,bi)预测所述数组Z(ai,bi)的堵转系数q。

在所述发明实施例的公开,S401获取所述电机运行的电流曲线,依据时间刻度平均的离散所述电流曲线离散为电流数组。

本发明实施例第二方面至少公开一种基于模拟退火算法的电机堵转判别装置。所述装置包括数据数据获取模块、模型配置模块、算法分析模块、模型训练模块及堵转分析模块;所述数据获取模块配置为获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿所述数组X滑动的窗口Y截取所述数组X的部分为数组Z;所述模型配置模块配置为初始化通过所述数组Z训练的学习模型;所述算法分析模块配置为基于模拟退火算法获取所述窗口Y的全局最优配置;所述模型训练模块配置为根据全局最优配置的所述窗口Y训练所述学习模型,以及通过训练后所述学习模型预测至少一电机运行的电流数据的堵转系数;所述堵转分析模块配置为根据所述堵转系数分析当前所述电机的堵转情况。

本发明实施例与现有技术相比,本实施例方法通过模拟退火算法对发生有堵转的运行电机历史的堵转电流数据作出清洗,以获取堵转电流数据中与电机堵转关联的部分,其次通过攫取的堵转电流数据训练神经网络,最后使用训练后的BP神经网络实施对当前电机运行的电流数据是否发生有电机堵转的预测。

针对上述方案,本发明通过以下参照附图对公开的示例性实施例作详细描述,亦使本发明实施例的其它特征及其优点清楚。

附图说明

为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。

图1为实施例电机堵转判别方法的流程图;

图2为图1步骤S100获取数组的流程图;

图3为图1步骤S200配置学习模型的流程图;

图4为图1步骤S300获取全局最优配置的流程图;

图5为图1步骤S400训练学习模型的流程图;

图6为实施例电机堵转判别装置的结构图。

具体实施方式

为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。

可以理解,空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等,在这里可以用于描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白,除了图中所示的取向以外,空间关系术语还包括使用和操作中的器件的不同取向。例如,如果附图中的器件翻转,描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此,示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外,器件也可以包括另外地取向(譬如,旋转90度或其它取向),并且在此使用的空间描述语相应地被解释。

在此使用时,单数形式的“一”、“一个”和“/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

本实施例公开有电机堵转判别方法。方法基于模拟退火算法及BP神经网络模型实施。具体的,本实施例方法首先通过模拟退火算法对发生有堵转的运行电机历史的堵转电流数据作出清洗,以攫取堵转电流数据中与电机堵转关联的部分,其次通过攫取的堵转电流数据训练BP神经网络,最后使用训练后的BP神经网络实施对当前电机运行的电流数据是否发生有电机堵转的预测。本实施例方法实施步骤在图1示出。

S100,获取运行电机在历史上发生堵转时的若干组电流数据,电流数据按照时间跨度离散为数组X,并且根据沿数组X滑动的窗口Y截取数组X的部分为数组Z。在图2示出S100获取数组Z的步骤。

S101,获取若干个数组X,各数组X={X1,X2,...,Xn;Q},n∈N且n>2,Q为堵转系数。Xi>0。

其中,Q=0表征为电机发生堵转,0<Q<1时电机发生部分堵转,Q≥1时电机未发生堵转。

S102,配置一窗口Y,窗口Y(a,b)={Xa,Xa+1,...,Xb;Q};a、b∈N且0<a≤b<n。

S103,依据窗口Y(a,b)截取多个数组X的部分为数组Z={Xa,Xa+1,...,Xb;Q}。

S200,初始化通过数组Z训练的学习模型。在图3示出S200配置学习模型的步骤。

S201,初始化用于依据若干数组Z(a,b)训练的学习模型η(a,b)。

其中,学习模型η(a,b)为BP神经网络模型。BP神经网络模型包括输入层、隐含层及输出层。输入层提供有与窗口Y的元素数目相同的输入节点。隐含层提供有m个隐含节点,m∈N且0<m<10,本实施例优选为3。输出层提供有1个输出节点。隐含节点的激活函数为

优选的,BP神经网络模型的输入节点可为最大时窗口Y的元素数目,并且在窗口Y的元素数目不足时用零值作为缺省输入节点的输入。

S202,配置学习模型η(a,b)的预测偏差为θ(a,b)。

其中,预测偏差为θ(a,b)为学习模型η(a,b)的预测值及真值的比较,0<θ(a,b)<1。

S300,基于模拟退火算法获取窗口Y的全局最优配置。在图4示出S300获取全局最优配置的步骤。

S301,配置模拟退火算法的收敛条件、初始温度T及退火系数K,K∈(0,1]。

其中,收敛条件为预测偏差为θ(a,b)的满足条件,

例如,一学习模型η(ai,bi)的预测偏差θ小于一偏差阈值g,表征当前的预测偏差θ收敛到能够满足计算要求的条件;

再如,多次连续的不同窗口Y下学习模型η(ai,bi)的预测偏差θ小于偏差阈值h,0>h>g>1,表征虽然当前的预测偏差θ毕竟最优解满足宽泛计算要求的条件。

S302,赋值a=ai,b=bi,获取预测偏差θ(ai,bi)。

其中,根据赋值建立窗口Y(ai,bi),使窗口Y(ai,bi)截取若干数组X的数组Z={Xai,...,Xbi;Q}。将若干数组Z划分为样本组及验证组,根据样本组训练学习模型η(ai,bi)。通过学习模型η(ai,bi)预测验证组的预测值,再比较验证组的预测值与真值为预测偏差θ(ai,bi)。

优选的,多个验证组的预测偏差θ(ai,bi)不相同时,以多个验证组的预测偏差θ(ai,bi)的均值为S302获取的预测偏差θ(ai,bi)。

S303,获取随机自然数Δa及Δb,赋值aj=ai+Δa,bj=bi+Δb,获取预测偏差θ(aj,bj)。

其中,S303获取训练习模型η(aj,bj)及获取预测偏差θ(aj,bj)中使用的样本组及验证组与S302相同。

在一些实施例中,Δa-Δb始终为零数。那么窗口Y的元素数目始终保持不变。

在一些实施例中,Δa始终为正数,Δb始终为负数。那么窗口Y在持续向内缩小。

在一些实施例中,Δa始终为负数,Δb始终正负数。那么窗口Y在持续向外扩大。

S304,比较θ(aj,bj)与θ(ai,bi),以获取转移概率p。

在判断p≥ζ,ζ∈(0,1]时,使ai=aj,bi=bj;

在判断p<ζ时,保持aai及b=bi。

其中,根据Metropolis准则,

exp(x)为自然指数,T为当前温度。

S305,判断当前的预测偏差θ(ai,bi)是否满足收敛条件,

若满足收敛条件的一个或多个,则评价学习模型η(ai,bi)合格,并且记录当前a、b的取值ai、bi,以建立窗口Y(ai,bi)。

若不满足任何一个收敛条件,则使T=T*K并返回S302。

S400,根据全局最优配置的窗口Y训练学习模型,以及通过训练后学习模型预测至少一电机运行的电流数据的堵转系数。在图5示出S400训练学习模型的步骤。

S401,获取当前待判别电机运行的实时电流数据,按照时间跨度平均的离散化实时电流数据为数组X={X1,X2,...}。

S402,根据窗口Y(ai,bi)的元素数目,按照时间顺序依次截取与窗口Y(ai,bi)的元素数目相同的数组X部分为数组Z。

例如,Z1={X1,X2,...Xbi-ai}、Z2={X2,X3,...Xbi-ai+1}、Z3={X3,X4,...Xbi-ai+2}。

S403,通过学习模型η(ai,bi)分别预测各数组Z的堵转系数q。

S500,在判别有任何数组Z的堵转系数q,满足0≤q<1时,判别电机运行发生有堵转。

优选的,根据堵转系数q的取值可分析堵转程度。

基于此,本实施例能够有效的根据电机运行的电流数据判别,电机运行是否存在堵转问题,并且避免了因电机长期运行,电机处在非堵转部分的电流数据对电机堵转的判别造成干扰。

本发明实施例公开一种电机堵转判别装置。图6示出装置基于模拟退火算法及BP神经网络模型实施。装置包括数据数据获取模块、模型配置模块、算法分析模块、模型训练模块及堵转分析模块;数据获取模块配置为获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿数组X滑动的窗口Y截取数组X的部分为数组Z;模型配置模块配置为初始化通过数组Z训练的学习模型;算法分析模块配置为基于模拟退火算法获取窗口Y的全局最优配置;模型训练模块配置为根据全局最优配置的窗口Y训练学习模型,以及通过训练后学习模型预测至少一电机运行的电流数据的堵转系数;堵转分析模块配置为根据堵转系数分析当前电机的堵转情况。

本发明实施例公开一种存储介质的示意图。存储介质包含计算机可执行指令,计算机可执行指令在由计算机处理器执行时用于执行基于模拟退火算法的电机堵转判别方法。方法包括步骤,获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿数组X滑动的窗口Y截取数组X的部分为数组Z;初始化通过数组Z训练的学习模型;基于模拟退火算法获取窗口Y的全局最优配置;训练后学习模型预测至少一电机运行的电流数据的堵转系数;根据堵转系数分析当前电机的堵转情况。

通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。

基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。

注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。

技术分类

06120115635750