一種永磁同步電機轉子失步檢測方法及其裝置與流程

2024-04-16 02:03:05

1.本技術涉及電機檢測領域，且更為具體地，涉及一種永磁同步電機轉子失步檢測方法及其裝置。


背景技術：

2.永磁同步電動機主要是由轉子、端蓋及定子等各部件組成。永磁同步電動機的定子結構與普通的感應電動機的結構非常相似，轉子結構與異步電動機的最大不同是在轉子上放有高質量的永磁體磁極。
3.通常，在永磁同步電機開環控制模式下，可能會因為電機軸堵轉、負載突變等原因導致電機轉子失步，即電機驅動器輸出頻率明顯高於電機轉子實際轉速對應的頻率。持續失步運行，電流過大可能會導致驅動器損壞或電機消磁損壞。
4.因此，期待一種用於永磁同步電機轉子失步檢測方案。


技術實現要素：

5.為了解決上述技術問題，提出了本技術。本技術的實施例提供了一種永磁同步電機轉子失步檢測方法及其裝置，其分別對實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量進行全連接編碼和一維卷積編碼以捕捉所述三者中各個位置的高維隱含特徵信息以及局部鄰域內多個位置的特徵值分布間的高維隱含局部關聯模式特徵以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量，並將這些特徵向量輸入至極限學習機以得到反電動勢測量解碼特徵向量，再基於所述反電動勢測量解碼特徵向量與所述電機溫度特徵向量得到包含電機溫度對於定子電阻、dq軸電感和反電勢的非線性複雜映射關係的所述解碼特徵矩陣，以此進行解碼回歸。這樣，提高實際反電勢的計算精準度。
6.根據本技術的一個方面，提供了一種永磁同步電機轉子失步檢測方法，其包括：
7.獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；
8.將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；
9.將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；
10.將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量；
11.將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；
12.對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得
到解碼特徵矩陣；
13.基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣；
14.將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；以及
15.基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
16.在上述永磁同步電機轉子失步檢測方法中，所述將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量，包括：使用所述時序編碼器的一維卷積層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行一維卷積編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的特徵值間的高維隱含關聯特徵，其中，所述公式為：
[0017][0018]
其中，a為卷積核在x方向上的寬度、f(a)為卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為卷積核的尺寸，x表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量，cov(x)表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量的中間向量；以及，使用所述時序編碼器的全連接層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量進行全連接編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量中各個位置的特徵值的高維隱含特徵，其中，所述公式為：其中x是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量，y是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量的輸出向量，w是權重矩陣，b是偏置向量，表示矩陣乘。
[0019]
在上述永磁同步電機轉子失步檢測方法中，所述多尺度鄰域特徵提取模塊包括並行的第一卷積層和第二卷積層，以及，與所述第一卷積層和所述第二卷積層連接的多尺度融合層，其中，所述第一卷積層和所述第二卷積層使用具有不同尺度的一維卷積核。
[0020]
在上述永磁同步電機轉子失步檢測方法中，所述將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量，包括：使用所述多尺度鄰域特徵提取模塊的第一卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第一尺度電機溫度特徵向量；其中，所述公式為：
[0021][0022]
其中，a為第一卷積核在x方向上的寬度、f(a)為第一卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為第一卷積核的尺寸，x表示所述電機溫度特徵向量，cov1(x)表示所述第一尺度電機溫度特徵向量；使用所述多尺度鄰域特徵提取模塊的第二卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第二尺度電機溫度特徵向量；其中，所述公式為：
[0023][0024]
其中，b為第二卷積核在x方向上的寬度、f(b)為第二卷積核參數向量、g(x-b)為與卷積核函數運算的局部向量矩陣，m為第二卷積核的尺寸，x表示所述電機溫度特徵向量，cov2(x)表示所述第二尺度電機溫度特徵向量；以及，使用所述多尺度鄰域特徵提取模塊的多尺度融合層將所述第一尺度電機溫度特徵向量和所述第二尺度電機溫度特徵向量進行級聯以得到所述電機溫度特徵向量。
[0025]
在上述永磁同步電機轉子失步檢測方法中，所述對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣，包括：計算所述反電動勢測量解碼特徵向量的轉置向量與所述電機溫度特徵向量之間的乘積以得到所述解碼特徵矩陣。
[0026]
在上述永磁同步電機轉子失步檢測方法中，所述基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣，包括：計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣；以及，將所述圖核遊走節點分布融合特徵矩陣與所述解碼特徵矩陣進行矩陣相乘以得到所述優化解碼特徵矩陣。
[0027]
在上述永磁同步電機轉子失步檢測方法中，所述計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣，包括：以如下公式計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣；其中，所述公式為：
[0028][0029]
其中，v1表示所述反電動勢測量解碼特徵向量，v2表示所述電機溫度特徵向量，mc表示所述圖核遊走節點分布融合特徵矩陣，d(v1，v2)為所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的距離矩陣，且v1和v2均為列向量，exp(
·
)表示矩陣的指數運算，所述矩陣的指數運算表示計算以矩陣中各個位置的特徵值為冪的自然指數函數值，表示矩陣相乘。
[0030]
在上述永磁同步電機轉子失步檢測方法中，所述將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值，包括：使用所述解碼器以如下公式對所述優化解碼特徵矩陣進行解碼回歸以獲得所述解碼值；其中，所述公式為：
其中x是所述優化解碼特徵矩陣，y是所述解碼值，w是權重矩陣，表示矩陣乘。
[0031]
在上述永磁同步電機轉子失步檢測方法中，所述基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步，包括：響應於所述所述解碼值與所述標稱反電勢之間的差值大於等於預定閾值，確定所述永磁同步電機發生轉子失步。
[0032]
根據本技術的另一方面，提供了一種永磁同步電機轉子失步檢測裝置，包括：
[0033]
數據獲取模塊，用於獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；
[0034]
數據結構化模塊，用於將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；
[0035]
時序編碼模塊，用於將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；
[0036]
學習模塊，用於將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量；
[0037]
多尺度編碼模塊，用於將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；
[0038]
關聯模塊，用於對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣；
[0039]
向量粒度特徵分布優化模塊，用於基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣；
[0040]
解碼模塊，用於將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；以及
[0041]
檢測結果生成模塊，用於基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0042]
在上述永磁同步電機轉子失步檢測裝置中，所述時序編碼模塊，進一步用於：使用所述時序編碼器的一維卷積層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行一維卷積編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的特徵值間的高維隱含關聯特徵，其中，所述公式為：
[0043][0044]
其中，a為卷積核在x方向上的寬度、f(a)為卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為卷積核的尺寸，x表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量，cov(x)表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量的中間向量；以及，使用所述時序編
碼器的全連接層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量進行全連接編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量中各個位置的特徵值的高維隱含特徵，其中，所述公式為：其中x是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量，y是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量的輸出向量，w是權重矩陣，b是偏置向量，表示矩陣乘。
[0045]
在上述永磁同步電機轉子失步檢測裝置中，所述多尺度鄰域特徵提取模塊包括並行的第一卷積層和第二卷積層，以及，與所述第一卷積層和所述第二卷積層連接的多尺度融合層，其中，所述第一卷積層和所述第二卷積層使用具有不同尺度的一維卷積核。
[0046]
在上述永磁同步電機轉子失步檢測裝置中，所述多尺度編碼模塊，進一步用於：使用所述多尺度鄰域特徵提取模塊的第一卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第一尺度電機溫度特徵向量；其中，所述公式為：
[0047][0048]
其中，a為第一卷積核在x方向上的寬度、f(a)為第一卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為第一卷積核的尺寸，x表示所述電機溫度特徵向量，cov1(x)表示所述第一尺度電機溫度特徵向量；使用所述多尺度鄰域特徵提取模塊的第二卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第二尺度電機溫度特徵向量；其中，所述公式為：
[0049][0050]
其中，b為第二卷積核在x方向上的寬度、f(b)為第二卷積核參數向量、g(x-b)為與卷積核函數運算的局部向量矩陣，m為第二卷積核的尺寸，x表示所述電機溫度特徵向量，cov2(x)表示所述第二尺度電機溫度特徵向量；以及，使用所述多尺度鄰域特徵提取模塊的多尺度融合層將所述第一尺度電機溫度特徵向量和所述第二尺度電機溫度特徵向量進行級聯以得到所述電機溫度特徵向量。
[0051]
在上述永磁同步電機轉子失步檢測裝置中，所述關聯模塊，進一步用於：計算所述反電動勢測量解碼特徵向量的轉置向量與所述電機溫度特徵向量之間的乘積以得到所述解碼特徵矩陣。
[0052]
在上述永磁同步電機轉子失步檢測裝置中，所述向量粒度特徵分布優化模塊，包括：圖核遊走節點分布融合單元，用於計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣；以及，優化單元，用於將所述圖核遊走節點分布融合特徵矩陣與所述解碼特徵矩陣進行矩陣相乘以得到所述優化解碼特徵矩陣。
[0053]
在上述永磁同步電機轉子失步檢測裝置中，所述圖核遊走節點分布融合單元，進一步用於：以如下公式計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間
的圖核遊走節點分布融合特徵矩陣；其中，所述公式為：
[0054][0055]
其中，v1表示所述反電動勢測量解碼特徵向量，v2表示所述電機溫度特徵向量，mc表示所述圖核遊走節點分布融合特徵矩陣，d(v1，v2)為所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的距離矩陣，且v1和v2均為列向量，exp(
·
)表示矩陣的指數運算，所述矩陣的指數運算表示計算以矩陣中各個位置的特徵值為冪的自然指數函數值，表示矩陣相乘。
[0056]
在上述永磁同步電機轉子失步檢測裝置中，所述解碼模塊，進一步用於：使用所述解碼器以如下公式對所述優化解碼特徵矩陣進行解碼回歸以獲得所述解碼值；其中，所述公式為：其中x是所述優化解碼特徵矩陣，y是所述解碼值，w是權重矩陣，表示矩陣乘。
[0057]
在上述永磁同步電機轉子失步檢測裝置中，所述檢測結果生成模塊，進一步用於：響應於所述所述解碼值與所述標稱反電勢之間的差值大於等於預定閾值，確定所述永磁同步電機發生轉子失步。
[0058]
與現有技術相比，本技術提供的一種永磁同步電機轉子失步檢測方法及其裝置，其分別對實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量進行全連接編碼和一維卷積編碼以捕捉所述三者中各個位置的高維隱含特徵信息以及局部鄰域內多個位置的特徵值分布間的高維隱含局部關聯模式特徵以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量，並將這些特徵向量輸入至極限學習機以得到反電動勢測量解碼特徵向量，再基於所述反電動勢測量解碼特徵向量與所述電機溫度特徵向量得到包含電機溫度對於定子電阻、dq軸電感和反電勢的非線性複雜映射關係的所述解碼特徵矩陣，以此進行解碼回歸。這樣，提高實際反電勢的計算精準度。
附圖說明
[0059]
通過結合附圖對本技術實施例進行更詳細的描述，本技術的上述以及其他目的、特徵和優勢將變得更加明顯。附圖用來提供對本技術實施例的進一步理解，並且構成說明書的一部分，與本技術實施例一起用於解釋本技術，並不構成對本技術的限制。在附圖中，相同的參考標號通常代表相同部件或步驟。
[0060]
圖1為根據本技術實施例的永磁同步電機轉子失步檢測方法的應用場景圖。
[0061]
圖2為根據本技術實施例的永磁同步電機轉子失步檢測方法的流程圖。
[0062]
圖3為根據本技術實施例的永磁同步電機轉子失步檢測方法的架構圖。
[0063]
圖4為根據本技術實施例的永磁同步電機轉子失步檢測方法中將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量的流程圖。
[0064]
圖5為根據本技術實施例的永磁同步電機轉子失步檢測裝置的框圖。
具體實施方式
[0065]
下面，將參考附圖詳細地描述根據本技術的示例實施例。顯然，所描述的實施例僅僅是本技術的一部分實施例，而不是本技術的全部實施例，應理解，本技術不受這裡描述的示例實施例的限制。
[0066]
申請概述
[0067]
如上所述，在永磁同步電機開環控制模式下，可能會因為電機軸堵轉、負載突變等原因導致電機轉子失步，即電機驅動器輸出頻率明顯高於電機轉子實際轉速對應的頻率。持續失步運行，電流過大可能會導致驅動器損壞或電機消磁損壞。
[0068]
永磁同步電機開環控制模式下，常規的電機失步檢測算法通常採用反電勢比較法，即由當前實際輸出電壓和電流以及電機定子電阻和dq軸電感值，根據永磁同步電機電壓方程反推計算出當前實際反電勢，然後與電機標稱的反電勢進行對比，若反電勢誤差超過一定閾值即判斷為電機失步。
[0069]
但是，電機的實際反電勢並不是恆等於標稱反電勢，定子電阻、dq軸電感和反電勢都會跟隨電機溫度等因素在一定範圍內變化。這就導致常規檢測算法容易出現誤報失步故障，即在沒有失步發生的時候誤報失步故障或者在有失步發生的時候不能快速有效的報失步故障。特別是低速運行時，定子電阻和dq軸感抗上的電壓降在總輸出電壓中佔比較大，用電壓方程反推計算出的當前實際反電勢明顯受定子電阻和dq軸感抗變化的影響。
[0070]
因此，期待一種優化的用於永磁同步電機的轉子失步檢測方案。
[0071]
針對上述技術問題，在本技術的技術方案中，將電機溫度對實際反電勢測量帶來的影響納入考慮範疇內以提高實際反電勢的計算精準度，從而提高轉子失步檢測的精準度。然而，在本技術的技術方案中，電機溫度對於定子電阻、dq軸電感和反電勢的影響是複雜的且為非線性的，傳統的數理統計模型或特徵工程很難準確地模擬上述非線性複雜映射關係。
[0072]
近年來，深度學習以及神經網絡已經廣泛應用於計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。深度學習以及神經網絡的發展為擬合電機溫度與實際反電勢測量之間的非線性複雜映射提供了新的解決思路和方案。
[0073]
具體地，在本技術的技術方案中，首先獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值。接著，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量。也就是，在數據結構層面，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值沿著時序維度進行向量化處理以得到所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量。
[0074]
進而，將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量。也就是，以所述包含一維卷積層和全連接層的時序編碼器分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行全連接編碼和一維卷積編碼以捕捉所述實際輸出電壓輸入
向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的高維隱含特徵信息以及局部鄰域內多個位置的特徵值分布間的高維隱含局部關聯模式特徵以得到所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量。在本技術一個具體的示例中，所述時序編碼器由交替排列的一維卷積層和全連接層組成。
[0075]
接著，將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量。所述極限學習機包括輸入層、隱含層和輸出層，並且，所述輸入層具有三個神經元，分別用於接收所述實際輸出電壓特徵向量中各個位置的特徵值、所述電機定子電阻特徵向量中各個位置的特徵值和所述dq軸電感值特徵向量中各個位置的特徵值，且所述輸出層包括一個神經元，用於輸出反電動勢測量解碼特徵向量中各個位置的特徵值，且所述隱含層包括多個神經元。
[0076]
這裡，根據本技術實施例的極限學習機的隱含層的神經元數目可以按照需要設置，例如，在一個實施例中，所述隱含層具有100個神經元，並且，以relu激活函數進行激活。也就是，在上述根據本技術實施例的永磁同步電機轉子失步檢測方法中，所述隱含層包括一百個神經元，且以relu激活函數激活。
[0077]
並且，所述極限學習機elm做為一種特殊的神經網絡，需要通過訓練確定其網絡參數。也就是，獲得以所述實際輸出電壓特徵向量中各個位置的特徵值、所述電機定子電阻特徵向量中各個位置的特徵值和所述dq軸電感值特徵向量中各個位置的特徵值為輸入，以反電動勢v為輸出的訓練數據；隨機產生輸入層到隱含層的權重矩陣w和隱含層的偏置向量b；求解出使損失函數最小化的隱含層到輸出層的權重向量β，損失函數為h(β)＝‖hβ-y'‖2，其中h為隱含層的輸出矩陣，y'為訓練數據目標輸出向量y的轉置；根據求得的輸出層的權重向量β，以及輸入層的權重矩陣w和隱含層的偏置向量b，確定極限學習機的網絡參數。
[0078]
則輸入矩陣為：
[0079]
輸出向量y＝[y
1 y2ꢀ…ꢀyn
]1×n，其中n為數據集大小。
[0080]
接下來，隨機產生輸入層到隱含層的權重矩陣和隱含層偏置向其中，l為隱含層神經元個數，w
ji
為輸入層第i個神經元與隱藏層第j個神經元間的連接權重，bi為隱含層第i個神經元的偏置；
[0081]
計算隱含層輸出矩陣其中wi＝[w
i1
,w
i2
],i＝1,2,
…
,l，xj＝［x
1j
,x
2j
]
t
,j＝1,2,
…
,n，g(x)為激活函數；
[0082]
最小化損失函數h(β)＝‖hβ-y'‖2，根據極限學習機理論，則隱含層到輸出層的權重向量β＝h
+
y'，其中h
+
為隱含層的輸出矩陣h的moore-penrose廣義逆，y'為y的轉置。然後，根據w，b，β，就可以確定極限學習機模型的參數。
[0083]
考慮到電機溫度對實際反電勢測量帶來影響，因此，針對所述多個預定時間點的電機溫度值，將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量。也就是，在本技術的技術方案中，使用包括多個並行的一維卷積層的多尺度鄰域特徵提取模塊對所述電機溫度值的時序向量進行多尺度一維卷積編碼以更多層次和梯度地捕捉電機溫度值在不同時間窗口尺度內的溫度關聯模式特徵。
[0084]
進而，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣，以所述解碼特徵矩陣來表示電機溫度對實際反電勢測量帶來影響。在一個具體的示例中，計算所述反電動勢測量解碼特徵向量的轉置向量與所述電機溫度特徵向量之間的乘積以得到所述解碼特徵矩陣，繼而使用解碼器對所述解碼特徵矩陣進行解碼回歸以得到用於表示真實反電動勢的解碼值。進而，基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0085]
特別地，在本技術的技術方案中，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼得到所述解碼特徵矩陣時，由於所述關聯編碼是將所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的各個位置的特徵值相乘，因此可以使得所述解碼特徵矩陣表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的特徵值粒度的關聯融合特徵，但同時，仍然期望所述解碼特徵矩陣能夠表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的向量粒度的關聯融合特徵。
[0086]
因此，優選地，進一步計算所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2之間的圖核遊走節點分布融合特徵矩陣，表示為：
[0087][0088]
d(v1，v2)為所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2之間的距離矩陣，即d
i，j
＝d(v
1i
，v
2j
)，且v1和v2均為列向量。
[0089]
所述圖核遊走節點分布融合特徵矩陣模擬圖核的思路，將所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2分別視為圖中的節點，基於所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2的特徵分布在距離拓撲圖上進行遊走，以將拓撲節點泛化到相對於所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2的解碼回歸特徵分布具有連續高維回歸空間屬性的場景下，從而表示作為拓撲節點的所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2在融合特徵的高維特徵空間內的局部分布信息，以表達所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2之間的向量粒度
的關聯融合特徵。
[0090]
進一步，將所述圖核遊走節點分布融合特徵矩陣與所述解碼特徵矩陣進行矩陣相乘，以將所述解碼特徵矩陣映射到關聯融合特徵空間內，以使得所述解碼特徵矩陣進一步表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的向量粒度的關聯融合特徵。這樣子，提高對實際反電動勢的測量的精準度，進而提高轉子失步檢測的精準度。
[0091]
基於此，本技術提出了一種永磁同步電機轉子失步檢測方法，其包括：獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量；將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣；基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣；將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；以及，基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0092]
圖1為根據本技術實施例的永磁同步電機轉子失步檢測方法的應用場景圖。如圖1所示，在該應用場景中，首先，分別由溫度傳感器(例如，如圖1中所示意的se1)、電壓測量儀(例如，如圖1中所示意的se2)、電阻測量儀(例如，如圖1中所示意的se3)和電感測量儀(例如，如圖1中所示意的se4)獲取預定時間段內多個預定時間點的電機(例如，如圖1中所示意的m)溫度值以及所述多個預定時間點的實際輸出電壓、電機定子(例如，如圖1中所示意的st)電阻和dq軸電感值。進而，將所述預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值輸入至部署有永磁同步電機轉子失步檢測算法的伺服器(例如，如圖1所示意的s)中，其中，所述伺服器能夠基於所述永磁同步電機轉子失步檢測算法對所述預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值進行處理，以得到用於表示真實反電動勢的解碼值，並基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0093]
在介紹了本技術的基本原理之後，下面將參考附圖來具體介紹本技術的各種非限制性實施例。
[0094]
實施例1
[0095]
圖2為根據本技術實施例的永磁同步電機轉子失步檢測方法的流程圖。如圖2所示，根據本技術實施例的永磁同步電機轉子失步檢測方法，包括：s110，獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；s120，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分
別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；s130，將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；s140，將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量；s150，將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；s160，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣；s170，基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣；s180，將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；以及，s190，基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0096]
圖3為根據本技術實施例的永磁同步電機轉子失步檢測方法的架構圖。如圖3所示，在該架構中，首先，獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；接著，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；然後，將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；繼而，將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量，同時，將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；接著，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣；然後，基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣；繼而，將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；最後，基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0097]
如上所述，在永磁同步電機開環控制模式下，可能會因為電機軸堵轉、負載突變等原因導致電機轉子失步，即電機驅動器輸出頻率明顯高於電機轉子實際轉速對應的頻率。持續失步運行，電流過大可能會導致驅動器損壞或電機消磁損壞。
[0098]
永磁同步電機開環控制模式下，常規的電機失步檢測算法通常採用反電勢比較法，即由當前實際輸出電壓和電流以及電機定子電阻和dq軸電感值，根據永磁同步電機電壓方程反推計算出當前實際反電勢，然後與電機標稱的反電勢進行對比，若反電勢誤差超過一定閾值即判斷為電機失步。
[0099]
但是，電機的實際反電勢並不是恆等於標稱反電勢，定子電阻、dq軸電感和反電勢都會跟隨電機溫度等因素在一定範圍內變化。這就導致常規檢測算法容易出現誤報失步故障，即在沒有失步發生的時候誤報失步故障或者在有失步發生的時候不能快速有效的報失步故障。特別是低速運行時，定子電阻和dq軸感抗上的電壓降在總輸出電壓中佔比較大，用
電壓方程反推計算出的當前實際反電勢明顯受定子電阻和dq軸感抗變化的影響。因此，期待一種優化的用於永磁同步電機的轉子失步檢測方案。
[0100]
針對上述技術問題，在本技術的技術方案中，將電機溫度對實際反電勢測量帶來的影響納入考慮範疇內以提高實際反電勢的計算精準度，從而提高轉子失步檢測的精準度。然而，在本技術的技術方案中，電機溫度對於定子電阻、dq軸電感和反電勢的影響是複雜的且為非線性的，傳統的數理統計模型或特徵工程很難準確地模擬上述非線性複雜映射關係。
[0101]
近年來，深度學習以及神經網絡已經廣泛應用於計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。深度學習以及神經網絡的發展為擬合電機溫度與實際反電勢測量之間的非線性複雜映射提供了新的解決思路和方案。
[0102]
在步驟s110中，獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值。在本技術的技術方案中，所述預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別由溫度傳感器、電壓測量儀、電阻測量儀和電感測量儀來獲取。這裡，電機定子是電動機靜止不動的部分，其由定子鐵芯、定子繞組和機座三部分組成。定子的主要作用是產生旋轉磁場。其中，dq軸電感就是三相繞組電感矩陣的特徵值，是電感矩陣的固有屬性。
[0103]
在步驟s120中，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量。也就是，在數據結構層面，將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值沿著時序維度進行向量化處理以得到所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量。
[0104]
在步驟s130中，將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量。也就是，以所述包含一維卷積層和全連接層的時序編碼器分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行全連接編碼和一維卷積編碼以捕捉所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的高維隱含特徵信息以及局部鄰域內多個位置的特徵值分布間的高維隱含局部關聯模式特徵以得到所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量。在本技術一個具體的示例中，所述時序編碼器由交替排列的一維卷積層和全連接層組成。
[0105]
具體地，在本技術實施例中，所述將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量，包括：使用所述時序編碼器的一維卷積層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行一維卷積編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的
特徵值間的高維隱含關聯特徵，其中，所述公式為：
[0106][0107]
其中，a為卷積核在x方向上的寬度、f(a)為卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為卷積核的尺寸，x表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量，cov(x)表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量的中間向量；以及，使用所述時序編碼器的全連接層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量進行全連接編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量中各個位置的特徵值的高維隱含特徵，其中，所述公式為：其中x是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量，y是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量的輸出向量，w是權重矩陣，b是偏置向量，表示矩陣乘。
[0108]
在步驟s140中，將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量。所述極限學習機包括輸入層、隱含層和輸出層，並且，所述輸入層具有三個神經元，分別用於接收所述實際輸出電壓特徵向量中各個位置的特徵值、所述電機定子電阻特徵向量中各個位置的特徵值和所述dq軸電感值特徵向量中各個位置的特徵值，且所述輸出層包括一個神經元，用於輸出反電動勢測量解碼特徵向量中各個位置的特徵值，且所述隱含層包括多個神經元。
[0109]
這裡，根據本技術實施例的極限學習機的隱含層的神經元數目可以按照需要設置，例如，在一個實施例中，所述隱含層具有100個神經元，並且，以relu激活函數進行激活。也就是，在上述根據本技術實施例的永磁同步電機轉子失步檢測方法中，所述隱含層包括一百個神經元，且以relu激活函數激活。
[0110]
並且，所述極限學習機elm做為一種特殊的神經網絡，需要通過訓練確定其網絡參數。也就是，獲得以所述實際輸出電壓特徵向量中各個位置的特徵值、所述電機定子電阻特徵向量中各個位置的特徵值和所述dq軸電感值特徵向量中各個位置的特徵值為輸入，以反電動勢v為輸出的訓練數據；隨機產生輸入層到隱含層的權重矩陣w和隱含層的偏置向量b；求解出使損失函數最小化的隱含層到輸出層的權重向量β，損失函數為h(β)＝‖hβ-y'‖2，其中h為隱含層的輸出矩陣，y'為訓練數據目標輸出向量y的轉置；根據求得的輸出層的權重向量β，以及輸入層的權重矩陣w和隱含層的偏置向量b，確定極限學習機的網絡參數。
[0111]
則輸入矩陣為：
[0112]
輸出向量y＝[y
1 y2ꢀ…ꢀyn
]1×n，其中n為數據集大小。
[0113]
接下來，隨機產生輸入層到隱含層的權重矩陣和隱含層偏置向其中，l為隱含層神經元個數，w
ji
為輸入層第i個神經元與隱藏層第j個神經元間的連接權重，bi為隱含層第i個神經元的偏置；
[0114]
計算隱含層輸出矩陣其中wi＝[w
i1
,w
i2
],i＝1,2,
…
,l，xj＝[x
1j
,x
2j
]
t
,j＝1,2,
…
,n，g(x)為激活函數；
[0115]
最小化損失函數h(β)＝‖hβ-y'‖2，根據極限學習機理論，則隱含層到輸出層的權重向量β＝h
+
y'，其中h
+
為隱含層的輸出矩陣h的moore-penrose廣義逆，y'為y的轉置。然後，根據w，b，β，就可以確定極限學習機模型的參數。
[0116]
在步驟s150中，考慮到電機溫度對實際反電勢測量帶來影響，因此，針對所述多個預定時間點的電機溫度值，將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量。也就是，在本技術的技術方案中，使用包括多個並行的一維卷積層的多尺度鄰域特徵提取模塊對所述電機溫度值的時序向量進行多尺度一維卷積編碼以更多層次和梯度地捕捉電機溫度值在不同時間窗口尺度內的溫度關聯模式特徵。其中，所述多尺度鄰域特徵提取模塊包括並行的第一卷積層和第二卷積層，以及，與所述第一卷積層和所述第二卷積層連接的多尺度融合層，其中，所述第一卷積層和所述第二卷積層使用具有不同尺度的一維卷積核。
[0117]
圖4為根據本技術實施例的永磁同步電機轉子失步檢測方法中將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量的流程圖。如圖4所示，所述將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量，包括：s210，使用所述多尺度鄰域特徵提取模塊的第一卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第一尺度電機溫度特徵向量；其中，所述公式為：
[0118][0119]
其中，a為第一卷積核在x方向上的寬度、f(a)為第一卷積核參數向量、g(x-a)為與
卷積核函數運算的局部向量矩陣，w為第一卷積核的尺寸，x表示所述電機溫度特徵向量，cov1(x)表示所述第一尺度電機溫度特徵向量；s220，使用所述多尺度鄰域特徵提取模塊的第二卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第二尺度電機溫度特徵向量；其中，所述公式為：
[0120][0121]
其中，b為第二卷積核在x方向上的寬度、f(b)為第二卷積核參數向量、g(x-b)為與卷積核函數運算的局部向量矩陣，m為第二卷積核的尺寸，x表示所述電機溫度特徵向量，cov2(x)表示所述第二尺度電機溫度特徵向量；以及，s230，使用所述多尺度鄰域特徵提取模塊的多尺度融合層將所述第一尺度電機溫度特徵向量和所述第二尺度電機溫度特徵向量進行級聯以得到所述電機溫度特徵向量。
[0122]
在步驟s160中，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣。也就是，以所述解碼特徵矩陣來表示電機溫度對實際反電勢測量帶來影響。在一個具體的示例中，計算所述反電動勢測量解碼特徵向量的轉置向量與所述電機溫度特徵向量之間的乘積以得到所述解碼特徵矩陣。
[0123]
在步驟s170中，基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩陣。特別地，在本技術的技術方案中，對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼得到所述解碼特徵矩陣時，由於所述關聯編碼是將所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的各個位置的特徵值相乘，因此可以使得所述解碼特徵矩陣表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的特徵值粒度的關聯融合特徵，但同時，仍然期望所述解碼特徵矩陣能夠表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的向量粒度的關聯融合特徵。
[0124]
因此，優選地，進一步計算所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2之間的圖核遊走節點分布融合特徵矩陣，表示為：
[0125][0126]
其中，v1表示所述反電動勢測量解碼特徵向量，v2表示所述電機溫度特徵向量，mc表示所述圖核遊走節點分布融合特徵矩陣，d(v1，v2)為所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的距離矩陣，即d
i，j
＝d(v
1i
，v
2j
)，且v1和v2均為列向量，exp(
·
)表示矩陣的指數運算，所述矩陣的指數運算表示計算以矩陣中各個位置的特徵值為冪的自然指數函數值，表示矩陣相乘。
[0127]
所述圖核遊走節點分布融合特徵矩陣模擬圖核的思路，將所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2分別視為圖中的節點，基於所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2的特徵分布在距離拓撲圖上進行遊走，以將拓撲節點泛化到相對於所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2的解碼回歸特徵分布具有連續高維回歸空間屬性的場景下，從而表示作為拓撲節點的所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2在融合特徵的高維特徵空間內的局部分布信
息，以表達所述反電動勢測量解碼特徵向量v1和所述電機溫度特徵向量v2之間的向量粒度的關聯融合特徵。
[0128]
進一步，將所述圖核遊走節點分布融合特徵矩陣與所述解碼特徵矩陣進行矩陣相乘，以將所述解碼特徵矩陣映射到關聯融合特徵空間內，以使得所述解碼特徵矩陣進一步表達所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量的向量粒度的關聯融合特徵。這樣，提高對實際反電動勢的測量的精準度，進而提高轉子失步檢測的精準度。
[0129]
在步驟s180中，將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值。具體地，在本技術實施例中，使用所述解碼器以如下公式對所述優化解碼特徵矩陣進行解碼回歸以獲得所述解碼值；其中，所述公式為：其中x是所述優化解碼特徵矩陣，y是所述解碼值，w是權重矩陣，表示矩陣乘。
[0130]
在步驟s190中，基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。具體地，在本技術實施例中，所述基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步，包括：響應於所述所述解碼值與所述標稱反電勢之間的差值大於等於預定閾值，確定所述永磁同步電機發生轉子失步。
[0131]
綜上，基於本技術實施例的永磁同步電機轉子失步檢測方法被闡明，其分別對實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量進行全連接編碼和一維卷積編碼以捕捉所述三者中各個位置的高維隱含特徵信息以及局部鄰域內多個位置的特徵值分布間的高維隱含局部關聯模式特徵以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量，並將這些特徵向量輸入至極限學習機以得到反電動勢測量解碼特徵向量，再基於所述反電動勢測量解碼特徵向量與所述電機溫度特徵向量得到包含電機溫度對於定子電阻、dq軸電感和反電勢的非線性複雜映射關係的所述解碼特徵矩陣，以此進行解碼回歸。這樣，提高實際反電勢的計算精準度。
[0132]
實施例2
[0133]
圖5為根據本技術實施例的永磁同步電機轉子失步檢測裝置的框圖。如圖5所示，根據本技術實施例的永磁同步電機轉子失步檢測裝置100，包括：數據獲取模塊110，用於獲取預定時間段內多個預定時間點的電機溫度值以及所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值；數據結構化模塊120，用於將所述多個預定時間點的實際輸出電壓、電機定子電阻和dq軸電感值分別按照時間維度排列為實際輸出電壓輸入向量、電機定子電阻輸入向量和dq軸電感值輸入向量；時序編碼模塊130，用於將所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量分別通過包含一維卷積層和全連接層的時序編碼器以得到實際輸出電壓特徵向量、電機定子電阻特徵向量和dq軸電感值特徵向量；學習模塊140，用於將所述實際輸出電壓特徵向量、所述電機定子電阻特徵向量和所述dq軸電感值特徵向量通過極限學習機以得到反電動勢測量解碼特徵向量；多尺度編碼模塊150，用於將所述多個預定時間點的電機溫度值按照時間維度排列為電機溫度輸入向量後通過多尺度鄰域特徵提取模塊以得到電機溫度特徵向量；關聯模塊160，用於對所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量進行關聯編碼以得到解碼特徵矩陣；向量粒度特徵分布優化模塊170，用於基於所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量，對所述解碼特徵矩陣進行向量粒度特徵分布優化以得到優化解碼特徵矩
陣；解碼模塊180，用於將所述優化解碼特徵矩陣通過解碼器進行解碼以得到用於表示真實反電動勢的解碼值；以及，檢測結果生成模塊190，用於基於所述解碼值與標稱反電勢之間的比較，確定永磁同步電機是否發生轉子失步。
[0134]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述時序編碼模塊130，進一步用於：使用所述時序編碼器的一維卷積層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量進行一維卷積編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量中各個位置的特徵值間的高維隱含關聯特徵，其中，所述公式為：
[0135][0136]
其中，a為卷積核在x方向上的寬度、f(a)為卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為卷積核的尺寸，x表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量，cov(x)表示所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量或所述dq軸電感值輸入向量的中間向量；以及，使用所述時序編碼器的全連接層以如下公式分別對所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量進行全連接編碼以分別提取出所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量中各個位置的特徵值的高維隱含特徵，其中，所述公式為：其中x是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量，y是所述實際輸出電壓輸入向量、所述電機定子電阻輸入向量和所述dq軸電感值輸入向量的中間向量的輸出向量，w是權重矩陣，b是偏置向量，表示矩陣乘。
[0137]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述多尺度鄰域特徵提取模塊包括並行的第一卷積層和第二卷積層，以及，與所述第一卷積層和所述第二卷積層連接的多尺度融合層，其中，所述第一卷積層和所述第二卷積層使用具有不同尺度的一維卷積核。
[0138]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述多尺度編碼模塊150，進一步用於：使用所述多尺度鄰域特徵提取模塊的第一卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第一尺度電機溫度特徵向量；其中，所述公式為：
[0139][0140]
其中，a為第一卷積核在x方向上的寬度、f(a)為第一卷積核參數向量、g(x-a)為與卷積核函數運算的局部向量矩陣，w為第一卷積核的尺寸，x表示所述電機溫度特徵向量，cov1(x)表示所述第一尺度電機溫度特徵向量；使用所述多尺度鄰域特徵提取模塊的第二卷積層以如下公式對所述電機溫度輸入向量進行一維卷積編碼以得到第二尺度電機溫度特徵向量；其中，所述公式為：
[0141][0142]
其中，b為第二卷積核在x方向上的寬度、f(b)為第二卷積核參數向量、g(x-b)為與卷積核函數運算的局部向量矩陣，m為第二卷積核的尺寸，x表示所述電機溫度特徵向量，cov2(x)表示所述第二尺度電機溫度特徵向量；以及，使用所述多尺度鄰域特徵提取模塊的多尺度融合層將所述第一尺度電機溫度特徵向量和所述第二尺度電機溫度特徵向量進行級聯以得到所述電機溫度特徵向量。
[0143]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述關聯模塊160，進一步用於：計算所述反電動勢測量解碼特徵向量的轉置向量與所述電機溫度特徵向量之間的乘積以得到所述解碼特徵矩陣。
[0144]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述向量粒度特徵分布優化模塊170，包括：圖核遊走節點分布融合單元，用於計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣；以及，優化單元，用於將所述圖核遊走節點分布融合特徵矩陣與所述解碼特徵矩陣進行矩陣相乘以得到所述優化解碼特徵矩陣。
[0145]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述圖核遊走節點分布融合單元，進一步用於：以如下公式計算所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的圖核遊走節點分布融合特徵矩陣；其中，所述公式為：
[0146][0147]
其中，v1表示所述反電動勢測量解碼特徵向量，v2表示所述電機溫度特徵向量，mc表示所述圖核遊走節點分布融合特徵矩陣，d(v1，v2)為所述反電動勢測量解碼特徵向量和所述電機溫度特徵向量之間的距離矩陣，且v1和v2均為列向量，exp(
·
)表示矩陣的指數運算，所述矩陣的指數運算表示計算以矩陣中各個位置的特徵值為冪的自然指數函數值，表示矩陣相乘。
[0148]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述解碼模塊180，進一步用於：使用所述解碼器以如下公式對所述優化解碼特徵矩陣進行解碼回歸以獲得所述解碼值；其中，所述公式為：其中x是所述優化解碼特徵矩陣，y是所述解碼值，w是權重矩陣，表示矩陣乘。
[0149]
在一個示例中，在上述永磁同步電機轉子失步檢測裝置100中，所述檢測結果生成模塊190，進一步用於：響應於所述所述解碼值與所述標稱反電勢之間的差值大於等於預定閾值，確定所述永磁同步電機發生轉子失步。
[0150]
這裡，本領域技術人員可以理解，上述永磁同步電機轉子失步檢測裝置100中的各個單元和模塊的具體功能和操作已經在上面參考圖1到圖4的永磁同步電機轉子失步檢測方法的描述中得到了詳細介紹，並因此，將省略其重複描述。
[0151]
實施例3
[0152]
如上述背景技術部分所言，定子電阻、dq軸電感和反電勢都會跟隨電機溫度等因
素在一定範圍內變化。這就導致常規檢測算法容易出現誤報失步故障，即在沒有失步發生的時候誤報失步故障或者在有失步發生的時候不能快速有效的報失步故障。特別是低速運行時，定子電阻和dq軸感抗上的電壓降在總輸出電壓中佔比較大，用電壓方程反推計算出的當前實際反電勢明顯受定子電阻和dq軸感抗變化的影響。
[0153]
根據本技術又一實施例，把前後兩次用電壓方程反推計算的實際反電勢相減，得到反電勢的變化率，這樣就消除了電壓方程中定子電阻、dq軸電感和反電勢變化的影響。同時失步判斷方法也改成反電勢變化率並結合輸出頻率變化率的判斷方法。雖然電機的實際反電勢會跟隨電機溫度等因素的變化而變化，但是由於電機溫度是緩慢變化的，電機實際的反電勢變化率也是緩慢變化的。而常規方法中採用反電勢誤差絕對值比較法，當電機溫升很大時就會容易誤判。因此本技術採用反電勢變化率並結合輸出角頻率變化率的判斷方法，可以進一步避免常規方法中的誤判問題。
[0154]
採用本技術的電機驅動器，有效避免了因電機參數變化導致的失步誤判。確保在電機發生失步時能夠快速準確的報故障停機，防止電機驅動器損壞、電機消磁，提高了電機驅動系統的可靠性。同時，也避免了電機正常運行過程中因為誤報故障而導致沒必要的損失。
[0155]
相比於傳統的電機失步檢測方法，採用本技術的電機驅動器，失步檢測快速準確有效，準確率明顯提高，誤報率明顯降低。
[0156]
本技術關鍵設計亮點：通過巧妙的利用電機電壓方程，把單次計算反電勢絕對值改成通過前後兩次運算獲得的反電勢計算反電勢變化率，再利用反電勢變化率結合輸出角頻率變化率判斷電機是否失步。有效避免了電機參數變化的影響，明顯提高了檢測的準確性。以下為本技術詳細說明。
[0157]
1.電機驅動器常規的失步檢測方法原理介紹
[0158]
根據永磁同步電機的基本原理，其理論的電壓方程如下：
[0159]
ud＝rs*i
d-w*lq*iq[0160]
uq＝rs*iq+w*ld*id+w*ψr[0161][0162]
其中，ud和uq為d,q軸電壓，us為驅動器輸出到電機的電壓有效值；id和iq為d,q軸電流；rs、ld、lq分別為電機定子電阻、d軸電感和q軸電感；ψr為電機轉子磁鏈，即永磁同步電機反電勢係數；w為角頻率，w*ψr為當前角頻率對應反電勢值的大小
[0163]
通常，採用開環矢量控制的電機驅動器中，id和iq為採集電機三相電流進行park變換後獲得，w為當前角頻率，rs、ld、lq和ψr為永磁同步電機廠家提供的設計參數。開環矢量控制時，通常正向應用電壓方程，把以上參數值代入電壓方程就可以計算出當前理論輸出電壓，在實際應用中，為了確保dq軸電流滿足控制要求，實際的輸出電壓是在該理論電壓的基礎上加上dq軸電流的pid閉環控制輸出。
[0164]
而轉子失步檢測時，通常是反向應用電壓方程倒推出ψ』r
，即通過電壓方程反推估算的永磁同步電機反電勢係數。其反推計算方法如下：
[0165]
u'd＝rs*i
d-w*lq*iq[0166]
[0167]
ψ'r＝(u'
q-(rs*iq+w*ld*id))/w
[0168]
其中，us為驅動器當前輸出電壓有效值，u'd和u'q為反推的d,q軸電壓；id和iq為驅動器當前實際d,q軸電流，通過採樣三相電流實施park變換獲得；w為驅動器當前輸出角頻率，ψ'r為反推估算的轉子磁鏈。
[0169]
然後驅動器比較ψ'r和ψr(電機廠家設計的標稱值)，當兩者的誤差(該誤差正比於轉子轉速對應的角頻率和驅動器輸出角頻率之間的誤差，即速度誤差)達到一定閾值時，即判斷為轉子失步。
[0170]
但是，永磁同步電機廠家提供的設計參數rs、ld、lq和ψr通常為電機冷態不運行時的標稱參數。在電機運行過程中，隨著電機溫升，電流的變化，這些參數會在一定範圍內變化。例如，反電勢係數ψr在電機熱態時可能比冷態低10％～20％左右。這就要求我們用於誤差判斷的閾值必須考慮反電勢係數熱態時減少的問題，因此不能設置太小，否則正常熱態運行一段時間後(隨著電機溫度上升，實際反電勢係數下降了)就會誤報失步故障。然而，若閾值設置過大，電機正好在剛開始運行時失步了，此時電機溫升還很低處於冷態狀態，實際反電勢基本等於廠家標稱值，則必須要等到速度誤差(速度誤差的大小正比於反電勢係數誤差的大小)較大時才能報出失步故障，即導致失步檢測的響應變慢。這就有可能導致在失步故障還沒有報出之前驅動器或電機已經損壞了。
[0171]
此外，由於電壓方程可知，運行速度越低，w*ψr這一項在電壓總有效值所佔比例越低低，而rs*i
d-w*lq*iq和rs*iq+w*ld*id所佔比例就越高。因此，低速運行期間，因為參數rs、ld、lq的變化會導致反推計算出來的ψ'r誤差明顯放大，進而導致誤報失步或者失步時檢測不到失步故障。另外，上述計算ψ'r時需要除以w，而運行速度較低時，w角頻率很小，這就導致執行除法運算後的誤差被放大，進一步降低了失步檢測的準確性。
[0172]
2.本技術的失步檢測方法介紹
[0173]
通過對以上常規失步檢測方法的分析，電機參數rs、ld、lq和ψr的變化會導致失步檢測響應速度和準確性明顯降低。本技術通過計算前後兩次反推計算的反電勢值之間的差值獲得反電勢值變化率。具體計算如下：
[0174]
u'
di
＝rs*i
di-wi*lq*i
qi
[0175][0176]
emfi'＝wi*ψi＝(u'
qi-(rs*i
qi
+wi*ld*i
di
))
[0177]
δemf＝emf'
i-emf'
i-1
[0178]
emf_rate＝δemf/emfn*100％
[0179]
δw＝w
i-w
i-1
[0180]
w_rate＝δw/wn*100％
[0181]
其中，usi,u'
di
,u'
qi
,i
di
,i
qi
,wi,ψi中的下標i代表第i次控制周期；emf'i為第i次控制周期的反電勢值，δemf為當前控制周期和上一周期的反電勢值差。δw為當前控制周期和上一控制的角頻率差。emfn為電機額定角頻率時對應的反電勢值，即電機廠家標稱的額定反電勢值。wn為電機額定轉速。emf_rate為前後兩個控制周期的反電勢差相對額定反電勢的百分比，即反電勢變化率。w_rate為前後兩個控制周期的角頻率差相對額定角頻率的百分比，即角頻率變化率。
[0182]
如上所示，我們引入了emf_rate反電勢變化率和w_rate角頻率變化率。我們知道，參數rs和ψr主要跟隨電機溫度變化，由於電機溫度變化比較慢，因此這兩個參數變化通常很慢；而ld、lq主要跟隨電機電流變化，但是前後兩個控制周期之間的電流變化通常很小，因此在前後兩個控制周期內我們基本可以認為ld、lq基本不變。由δemf的計算公式可知，我們通過對前後兩次控制周期計算的emf'i相減，基本可以消除參數rs、ld、lq變化導致的誤差。同時，我們計算emf_rate反電勢變化率和w_rate角頻率變化率時，分別除以額定反電勢emfn和額定角頻率wn，避免了除法導致的誤差放大問題。最後emf_rate反電勢變化率的計算，不再受電機熱態時反電勢係數變化的影響。
[0183]
根據永磁同步電機的基本原理，電機反電勢大小和角頻率成正比。例如，當角頻率增加10％時，反電勢也應該增加10％。也就是說，我們計算的emf_rate反電勢變化率和w_rate角頻率變化率應該基本相等。由此我們可以採取以下方法判斷電機是否失步。即當emf_rate-w_rate大於一定閾值時即可判斷電機失步。該閾值的大小不用考慮電機冷態熱態時反電勢係數的差異，因為計算emf_rate的前後兩個控制周期內反電勢係數變化很小可以忽略不計。同時，該閾值量綱為百分比，跟實際反電勢大小無關，通常我們取2～5％左右即可保證檢測的快速性和準確性。
[0184]
以上結合具體實施例描述了本技術的基本原理，但是，需要指出的是，在本技術中提及的優點、優勢、效果等僅是示例而非限制，不能認為這些優點、優勢、效果等是本技術的各個實施例必須具備的。另外，上述公開的具體細節僅是為了示例的作用和便於理解的作用，而非限制，上述細節並不限制本技術為必須採用上述具體的細節來實現。
[0185]
本技術中涉及的器件、裝置、設備、系統的方框圖僅作為例示性的例子並且不意圖要求或暗示必須按照方框圖示出的方式進行連接、布置、配置。如本領域技術人員將認識到的，可以按任意方式連接、布置、配置這些器件、裝置、設備、系統。諸如「包括」、「包含」、「具有」等等的詞語是開放性詞彙，指「包括但不限於」，且可與其互換使用。這裡所使用的詞彙「或」和「和」指詞彙「和/或」，且可與其互換使用，除非上下文明確指示不是如此。這裡所使用的詞彙「諸如」指詞組「諸如但不限於」，且可與其互換使用。
[0186]
還需要指出的是，在本技術的裝置、設備和方法中，各部件或各步驟是可以分解和/或重新組合的。這些分解和/或重新組合應視為本技術的等效方案。
[0187]
提供所公開的方面的以上描述以使本領域的任何技術人員能夠做出或者使用本技術。對這些方面的各種修改對於本領域技術人員而言是非常顯而易見的，並且在此定義的一般原理可以應用於其他方面而不脫離本技術的範圍。因此，本技術不意圖被限制到在此示出的方面，而是按照與在此公開的原理和新穎的特徵一致的最寬範圍。
[0188]
為了例示和描述的目的已經給出了以上描述。此外，此描述不意圖將本技術的實施例限制到在此公開的形式。儘管以上已經討論了多個示例方面和實施例，但是本領域技術人員將認識到其某些變型、修改、改變、添加和子組合。