一种基于rbf神经网络的电机温升预测的方法
【技术领域】
[0001] 本发明涉及一种基于RBF神经网络的电机温升预测的方法，属于电机热保护及实 时温度监控技术领域。
【背景技术】
[0002] 当今社会经济和科技的蓬勃发展，自动化领域所使用的电动机容量逐渐扩大，结 构构造和组成系统也越来越复杂。但电动机在复杂的工作环境中可能会频繁启动，这样可 能会造成电机烧毁而造成重大损失。尽管现今为止电机的热保护可以通过一些比较传统的 方法来测得，像温度计法、粘贴测温纸法和电阻法等，但是这些方法都存在一些缺点，而且 不能通过一些具体的模型比较可靠的描述电动机工作情况中的温度变化过程。
【发明内容】
[0003] 本发明的目的是提供一种通过构建RBF神经网络来预测电机温升参数，同时将神 经网络所预测的参数带入到所建电机温升数学模型中来实现对电机温度的实时预测的方 法。
[0004] 为了达到上述目的，本发明的技术方案是提供了一种基于RBF神经网络的电机温 升预测的方法，其特征在于：包括以下步骤：
[0005] 步骤1、建立电动机温升模型τ = τ " +( τ。- τ " )et/T，式中，τ为电机在t时刻 的温升，τ。为电机的起始温升，τ "为电机的稳态温升，T为温升时间常数；
[0006] 步骤2、将归一化后的P组历史的电动机周围温度、电机电压、电机转速、两次电动 机启动的间隔时间、本次电动电机启动的初温以及上次电动电机停止时的末温作为P个训 练样本输入RBF神经网络，RBF神经网络的输出设定为电机的稳态温升及温升时间常 数T ;
[0007] 步骤3、采用高斯函数作为RBF神经网络的径向基函数，利用步骤2得到的训练样 本对RBF神经网络进行训练，即求解RBF神经网络的三个参数：基函数的中心、方差和隐含 层到输出层的权值；
[0008] 步骤4、将实测的电动机周围温度、电机电压、电机转速、两次电动机启动的间隔时 间、本次电动电机启动的初温以及上次电动电机停止时的末温输入训练后的RBF神经网 络，得到τ "及T的预测值，根据该预测值利用步骤1建立的电动机温升模型得到电动机在 任意时刻t的温升。
[0009] -般神经网络具有如下优点：如学习算法简单方便，多维非线性映射能力，泛化能 力，多行信息处理等，还具有很强的聚类分析能力。RBF神经网络是一种性能优良的前向网 络，理论上是最优的前向网络，在应用中具有很多优势。与BP神经网络对比算法速度快于 一般的BP算法，而且学习方法避开了局部最优的问题。
[0010] 本发明由于采用了 RBF神经网络因此还具有如下优点：
[0011] 1、无局部极小问题，唯一最优逼近；
[0012] 2、网络输出和连接权值呈线性关系；
[0013] 3、RBF网络在前向神经网络中是完成映射功能的最优网络，输入输出映射能力较 强；
[0014] 4、分类能力好和学习过程收敛速度快。
【附图说明】
[0015] 图1径向基神经网络结构图；
[0016] 图2径向基神经网络系统模型图；
[0017] 图3样本温度时间曲线图；
[0018] 图4电机温度拟合曲线和采样曲线图；
[0019] 图5网络预测误差曲线图。
【具体实施方式】
[0020] 下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明 而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人 员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定 的范围。
[0021] 本发明是建立一个电动机温升模型τ = τ " +( τ。- τ " )et/T，然后将神经网络预 测得出的数学模型中的重要参数稳态温升τ ~和温升时间常数T代入到上述模型中，得出 电动机在时刻t的温升τ，进而预测出电动机的实时温度。
[0022] 本发明选用RBF神经网络来预测电机温升参数，RBF网络是一种由输入层、隐藏层 和输出层构成的三层前向网络。第一层为输入层，信号结点构成网络的输入层，这里选用 六个输入变量；第二层为隐藏层，隐藏层设定八个节点数；第三层为输出层，对六个输入信 号作出响应，这里设定为两个输出量。由输入层、隐藏层和输出层构成的RBF神经网络结构 如图1所示.
[0023] RBF神经网络学习算法需要求解出三个参数：基函数的中心、方差和隐含层到输 出层的权值。基函数中心用自组织选取中心法来选取，包括自组织学习阶段和有导师学习 阶段两个阶段，前一阶段为自学习阶段，得出隐含层基函数的方差和中心，后一阶段是有导 师学习过程，得出隐含层和输出层间的权值。
[0024] 这里RBF神经网络中采用高斯函数作为径向基函数，所以激活函数可以表示为：
[0025]
[0026] 式中，Xp为第ρ个训练样本，c $高斯函数的第i个聚类中心，I Ixp-C1I I为X1^ Ci的欧式范数；σ为高斯函数的方差。
[0027] 所述的RBF神经网络自学习过程的具体算法如下；
[0028] 第一步：使用K-均值聚类方法得出基函数中心。
[0029] 1、网络初始化：从所有的训练样本中选取η个训练样本设为聚类中心，则第i个聚 类中心为A。
[0030] 2、使用最近邻原则将所有的训练样本分组：按照I I Xp-C11 I将\代入到所选样本 的聚类集合拷> 中。
[0031] 3、重新调整聚类中心：计算卸中训练样本的均值，代替原来的聚类中心，倘若新 的聚类中心值稳定，则RBF神经网络选定的最终基函数的第i个聚类中心为C 1，否则跳转到 2,继续求解聚类中心。
[0032] 第二步：求解方差。
[0033] 如前面所述高斯函数作为径向基函数，可以求得方差：
[0034]
[0035] 式中，c_是所有中心之间的最大距离，h是隐含层节点数。
[0036] 第三步：隐含层与输出层间权值的计算。
[0037] 米用最小二乘法求解权值ω :
[0038]
[0039] 由所述的RBF神经网络结构如图1解得网络的第j个输出节点的实际输出yi为：
[0040]
，式中，W1,为隐含层与输出层间的连接权值。
[0041] 设网络的第j个输出节点的期望输出为d,，基函数的方差可以表示为：
[0042]
，式中，P为训练样本的总个数。
[0043] 考虑到一些影响电动机参数τ "和T的主要因素，利用MATLAB仿真软件，可以建 立电动机参数预测的系统模型，如图2所示：
[0044] 所诉的网络模型有六个输入变量，电动机周围温度、电机电压、转速和电机启动前 后的时间间隔都影响到电机的温度变化。在本实施例中，针对用于车窗升降的电机。车窗 的升降是一个频繁的过程，所以车窗电机也是一个频繁启动的过程，本次启动的初温和上 次停止时的末温以及前后电机启动的间隔t也是影响电机温度变化的重要因素。车窗电动 机的周围温度，电动机电压和电动机转速分别可以通过特定的传感器检测得到，两次电动 机启动的间隔时间t、初温和末温通过实际测得的样本中获取训练样本，从建立的网络模型 输出层输出参数
[0045] 在训练神经网络之前，有必要对模型的六个输入向量进行归一化处理，把数据都 转化为从0到1的数，降低数据间数量级差别，减小网络的预测误差。最大最小法，函数形 式为：
[0046] x.j= (X「xmin)/(Xmax-Xmin)，式中：Xi是归一化前的输入向量；X .j是归一化后的输入 向量；Xmin是X i的最小值；X _是X i的最大值。
[0047] 训练样本的采集与数据处理：
[0048] 这里选用比较普遍应用的汽车车窗电机作为研究对象，汽车车窗动力装置是直流 电动机，工作电压9V至16V，电机周围温度在80°C左右，堵转转矩IONm左右，可以应用采样 仪器采集车窗升降电机碳刷部位的温度值，可以记录各个时间点的电动机的温度值，将记 录结果用MATLAB软件绘制成温度时间曲线图如图3。
[0049] 表1为实测时间与电机温度表；表2训练网络的样本数据组表；表3测试的网络样 本数据组表。
[0050] 表 1
[0057] 将神经网络预测到的输出参数温升时间常数和稳态温升带入到温升模型中，可以 快速的得出任何时刻的电机的温升，再加上电机周围环境的温度，即可求得电机实时温度。
[0058] 用于本网络测试的样本数据和预测得出的参数如表4 :
[0059] 表 4
[0060]
[0061] 综合上表所预测的参数结果，取所得数据的均值作为实验的结果T为363. 7s，为 98. 7°C，将两个参数带入到温升模型中求得电机温升再加上电机周围环境温度取80°C，求 得电机实时温度再与预测温度对比如表5 :
[0062] 表 5
[0064] 将预测到的参数代入电机温升模型中，用Matlab指数拟合得到电机温度拟合曲 线和采样曲线图4和网络预测误差曲线图5 :
[0065] 从表5的数据可以看出，通过RBF神经网络与电机温升模型的结合预测出的电机 温度与实测的电机温度的误差在2. 5°C以内，基本上符合电动机热保护要求，可应用到实际 的相关装置中。
【主权项】
1. 一种基于RBF神经网络的电机温升预测的方法，其特征在于：包括以下步骤： 步骤1、建立电动机温升模型1 = 1"+(1。-1")6^，式中，1为电机在七时刻的温 升，T。为电机的起始温升，T "为电机的稳态温升，T为温升时间常数； 步骤2、将归一化后的P组历史的电动机周围温度、电机电压、电机转速、两次电动机启 动的间隔时间、本次电动电机启动的初温以及上次电动电机停止时的末温作为P个训练样 本输入RBF神经网络，RBF神经网络的输出设定为电机的稳态温升T "及温升时间常数T ; 步骤3、采用高斯函数作为RBF神经网络的径向基函数，利用步骤2得到的训练样本对 RBF神经网络进行训练，即求解RBF神经网络的三个参数：基函数的中心、方差和隐含层到 输出层的权值； 步骤4、将实测的电动机周围温度、电机电压、电机转速、两次电动机启动的间隔时间、 本次电动电机启动的初温以及上次电动电机停止时的末温输入训练后的RBF神经网络，得 到T⑴及T的预测值，根据该预测值利用步骤1建立的电动机温升模型得到电动机在任意 时刻t的温升。
【专利摘要】本发明提出的一种基于RBF神经网络的电机温升预测的方法通过构建RBF神经网络预测现代汽车车窗电机温升参数，同时将神经网络所预测的参数代入到所建电机温升数学模型中实现对电机温度的实时预测。本发明选用的RBF神经网络是前向网络中最优的网络，在算法速度方面要高于普通的BP神经网络算法，分类能力好，学习过程收敛速度快，学习方法也避免了局部最优的问题。
【IPC分类】G06F17/50
【公开号】CN105160109
【申请号】CN201510578240
【发明人】周武能, 张杨, 潘亮
【申请人】东华大学
【公开日】2015年12月16日
【申请日】2015年9月11日