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与流程

本发明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。

背景技术：

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。

技术实现要素：

本发明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。

本发明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。

本发明的有益效果是：本发明引入深度学习，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，本发明还可以做如下改进。

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。

本发明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。

本发明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。

本发明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。

本发明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。

本发明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。

本发明的有益效果是：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。

本发明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为本发明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为本发明一个实施例提供的一组多周期数据示意图；

图3为本发明一个实施例提供的多组单周期数据示意图；

图4为本发明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为本发明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

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。此外，下面所描述的本发明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，并预处理多周期电流数据，得到多组单周期离散数据；

步骤120、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；

步骤130、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，训练特征识别网络结构，得到特征识别网络模型。

需要说明的是，上述多种控制性能可包括欠补偿、过补偿和正常运行三种情况。

本实施例是一个基于深度学习的类专家方法，引入深度学习，具体的采用含有多种控制性能的电流数据，进行网络模型的搭建训练，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，使得在交流电机数据高丰富性和特异性下，也能快速高精度的进行控制性能的特征识别，适合实际工程应用，应用范围广，可对于不同的电机或不同的开关频率均有较好的可迁移性。是一种依靠机器学习和人工数据处理共同作用的识别方法来识别控制性能的特征。

优选的，步骤110包括：

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；对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；基于取样步长，从每组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。

需要说明的是，单周期电流数据可以是一组多周期电流数据中波谷到波谷的一个周期数据，也可以是其他位置的单周期数据。由于波谷到波谷的数据更能体现控制性能，因此，优选的，可选择波谷到波谷的数据作为一组单周期电流数据。另外，由于多组单周期电流数据中每一组单周期电流数据在不同采样率(不同采样步长)之下会有不同个数的数据，因此，对每组单周期电流数据进行取样，而在每组单周期电流数据中进行取样时，优选的从第一个数据开始取样，以便能选择到最能反映该周期电流数据的控制性能的电流数据，以提高模型的训练精度或特征识别精度。

例如，获取交流电机的三相电枢电流中的任一相，做如下的数据预处理：

1)设置一个一阶滤波器，减少高频锯齿波对于预测的影响。

具体的，设tstep为电枢电流采样步长,s是复变量，由于频域的形式便于计算，因此，选择合适的滤波器传递函数(即默认为频域的形式)，其在复频域上的形式为：

滤波过程可以使用数字滤波或者是硬件滤波，设获取到的这一批电枢电流数据的集合用x表示，μ、σ分别是x集合的均值和方差，则这一批数据的分布可表示为：x～n(μ,σ²)。对这批数据进行如下的处理，其中是x集合中的元素：

其中，ε是一个为了防止分母为0的极小值(取值可为10-⁸)，经过公式2)的处理，可以使变换后的数据分布为x'～n(0,1)。

之后将这一批数据进行线性变化，min、max表示取出x'中的最大、最小值：

2)将处理之后的数据切片，具体如下：

如图2和图3所示，将1)处理之后的一组多周期电流数据，按照波谷到波谷为一个周期，得到多组单周期电流数据。由于图2对应的部分组单周期电流数据之间重合率较高，因此，图3仅示意性示出了两组单周期电流数据。

由于多组单周期电流数据中每一组单周期电流数据在不同采样率(不同采样步长)之下会有不同个数的数据，因此，进一步按取样步长抽取每组单周期电流数据中的一些数据，构成单周期离散数据。

操作方法为：从每组单周期电流数据的第一个数据开始，将第一个数据的索引标注设为0，取样步长step设置为向下取整，如下公式：

确定取样定步长后，从每组单周期电流数据中选取数据，例如，期望输出长度为120个点的单周期离散数据，如果上述多组单周期电流数据为每个周期采样频率高于100khz,则每十万个数据选取120个点。组成新的多组单周期离散数据。

需要说明的是，无论是训练样本集还是预测集的数据处理方法相同且同上。但训练样本集在多组单周期离散数据的后面还需要加上独热标注标签，以进行模型训练，如[0,1,0]或者[0,0,1]，1出现的索引，代表这组数据所属类型的标识符。0代表正常数据，1代表欠补偿数据，2代表过补偿数据。至此数据处理步骤完毕。

优选的，步骤130包括：

步骤131、在各组单周期离散数据的尾部设置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，独热标注标签表示预设值；

步骤132、从多组训练样本集中随机选取预设组数，并将预设组数的训练样本集输入特征识别网络结构，得到每组训练样本集的多种控制性能的权重集合，其中，权重集合表示所述预测值；

步骤133、采用softmax函数，将每组训练样本集对应的权重集合转化为加和为1的概率集合；

步骤134、基于每组训练样本集对应的独热标注标签和概率集合，采用交叉熵损失函数，计算该组训练样本集对应的损失值；

步骤135、基于所有损失值，调整特征识别网络结构的参数，并重复执行步骤132，直至达到迭代终止条件，得到特征识别网络模型。

优选的，softmax函数表示为：

其中，ydense为每组训练样本集对应的权重集合；yj为权重集合中第j个权重；softmax(ydense)为每组训练样本集对应的概率集合。

优选的，交叉熵损失函数表示为：

其中，x为多组单周期离散数据；pxi为训练样本集xi对应的独热标注标签；q(xi)为训练样本集xi对应的概率集合。

进一步，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。其中，特征提取模块，用于接收预设组数的训练样本集及每组对应的尺寸编码，提取每组训练样本集中的特征值；

特征权重计算模块，用于基于每组训练样本集对应的特征值，计算该组训练样本集的多种控制性能的权重集合。

优选的，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；

特征权重计算模块包括：依次连接的两个全连接层。

优选的，类inception结构层包括：并列的分别与第二卷积层和第三卷积层连接的最大池化层、第四卷积层和第五卷积层。

优选的，每组训练样本集的尺寸编码包括：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，特征通道的初始值为空。

优选的每层卷积层的尺寸编码中，用于每次卷积操作的训练样本集中数据的列数取值为3或5；每层最大池化层的尺寸编码中，用于每次池化操作的训练样本集中数据的列数取值为3；平均池化层的尺寸编码中，用于每次池化操作的训练样本集中数据的列数取值为5。

例如，如图4所示，深度学习模型(即本实施例的特征识别网络模型)运用的池化与卷积操作可均为常规二维池化/卷积操作，采用八层，或者是不同层数，只要完成本实施例所需的特征提取及权重计算功能即可，每层的padding参数可设为valid，对输入的一批单周期电流数据进行维度填充(即该批数据尺寸按照预设格式进行编码)后进行后续的特征提取操作，其中，优化器使用adam优化器。

卷积核为服从正态分布的随机变量。数据尺寸按照[nhwc]格式编码，其中，n为批次(即单周期个数)，h为单周期数据行数(即每个周期的行数，可均为1，也可根据实际操作需要，例如，将两组单周期数据视为一组，这样行数为2)，w为单周期数据列数(即每个周期中离散数据的个数)，c为数据的第四个维度，即(特征)通道。卷积核尺寸格式为[单周期数据行数，单周期数据列数，输入数据的通道数，输出数据的通道数]，步长尺寸格式为[nhwc]。池化核尺寸格式为[1,单周期数据行数，单周期数据列数，1]，如图1所示，具体示例如下：

第一层为卷积层，采用的卷积核尺寸为[1,3,in,out]，步长为[1,1,1,1]；

第二层为最大池化层，采用的核尺寸为[1,1,3,1]，步长为[1,1,1,1]；

第三层为卷积层，采用的卷积核尺寸为[1,5,in,out]，步长为[1,1,3,1]；

第四层为类inception结构：

1.卷积层，采用的卷积核尺寸为[1,3,in,out]，步长为[1,1,3,1]；

2.卷积层，采用的卷积核尺寸为[1,5,in,out]，步长为[1,1,3,1]；

3.最大池化层，采用的核尺寸为[1,1,3,1]，步长为[1,1,3,1]；

将三个操作后的数据按照通道的维度重新组合为新的数据；

需要说明的是，两个并行的卷积层使用不同尺寸，可以同时提取不同的信息，以进行整合，避免每一次卷积只使用单一尺寸带来的特征遗漏，使用最大池化层，使得两个并行卷积操作不会使得卷积操作过多的提取当前样本中一些特异性的特征而出现过拟合、泛化能力差的效应。

第五层为卷积层，采用的卷积核尺寸为[1,3,in,out]，步长为[1,1,2,1]；

第六层为平均池化层，采用的核尺寸为[1,1,5,1]；

以上各层构成特征提取模块，经过以上各层后，多组单周期电流数据的尺寸编码中单周期的信息维度消失，特征存在于通道这个维度上。

在第七层上使用两次全连接操作，分别为八个结点与三个结点，使得输出结点为三个，该层即为特征权重计算模块，再通过第八层的softmax函数输出概率集合，选取概率集合中最大概率对应的控制性能作为识别结果。

使用交叉熵损失函数，算出最终的损失函数，使用小批量梯度下降学习，直到权重更新至预测准确率达到使用要求。

实施例二

一种交流电机控制性能的特征识别方法200，如图5所示，包括：

步骤210、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220、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，对每组待测单周期离散数据进行特征识别，得到每组待测单周期离散数据的多种控制性能的权重集合；

步骤230、将每个权重集合中最大权重对应的控制性能，确定为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。

深度学习模型按照实施例一训练过程训练完毕之后，按照实施例一的数据处理过程对待测的数据进行相同的预处理，得到单周期离散数据，即可将数据输入网络模型的输入数据接口，模型运行后，输出三种类型(死区欠补偿、死区过补偿、死区良好补偿)的概率，取其中概率数值最大的一个作为最终结果输出类型代号。

相关技术方案同实施例一，在此不再赘述。

实施例三

一种存储介质，存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述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。

相关技术方案同实施例一和实施例二，在此不再赘述

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。