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

本发明涉及电机热管理，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。

背景技术：

1、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；

2、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；

3、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)；

4、信号注入的方法会对电机引入额外的干扰信号；

5、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

1、本发明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。

2、为实现上述目的，本发明提供如下技术方案：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：

3、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；

4、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；

5、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；

6、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。

7、优选的，所述步骤一至少包括以下步骤：

8、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；

9、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；

10、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：

11、

12、式中：x*是归一化后的数值，xi是训练数据，xmin、xmax分别是数据中的最小值、最大值；

13、数据输入，将归一化后的数据提取到神经网络的训练模块。

14、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。

15、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；

16、离线训练目标数据：各工况在各时刻的转子高温温度；

17、时刻选择至少包括0.5s、1s、5s。

18、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：

19、群中只麻雀在维解空间的初始位置如下式所示：

20、x＝{x1,1,x1,2,…,x2,1,…,xn,d}

21、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：

22、

23、式中：xij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；

24、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：

25、

26、式中：xw为搜寻空间中食物最差的位置；xp为搜寻空间中食物最优的位置；xp为l*d的一矩阵。

27、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：

28、

29、式中：xb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；fi为第i只麻雀的个体适应度；fb为当前最优适应度；fw为当前最差适应度；当fi≠fb时，表示外围个体向种群靠拢；当fi＝fb时，内部个体向同伴靠拢；

30、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；

31、将优化后的超参数参输出到网络训练模块。

32、优选的，所述步骤三至少包括以下步骤：

33、搭建输入层后，提取数据中的各项数据的特征的；

34、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；

35、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；

36、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；

37、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；

38、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；

39、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；

40、搭建用于输出数据的全连接层；

41、检验预测数据与实际数据误差，合理则建立数据驱动模型，不合理则重新调参训练。

42、优选的，所述步骤四至少包括以下步骤：

43、通过数据驱动模型将训练后的神经网络模型，内部为输入数据与输出数据的复杂映射关系；

44、通过编码嵌入电机控制器，将数据驱动模型转化为可嵌入式代码，并将代码嵌入到控制器中；

45、通过永磁同步电机，搭建为试验机；

46、通过可监测的有效数据按照步骤1中的方式1或方式2输入数据；

47、通过内部编码系统，获取输入数据，通过映射关系，得到输出数据；

48、搭建转子测温系统，获取监测的转子温度，用于编码系统监测温度的验证，所述转子测温系统至少包括滑环测温和红外传感测温；

49、采用转子温度误差分析对比模块对比实测转子温度与神经网络预测温度。

50、优选的，所述转子温度误差分析对比模块的合理性公式标准采用如下公式：

51、

52、式中：y，和分别为输出的实测值、预测值和平均值；m为数据集。

53、与现有技术相比，本发明的有益效果是：

54、1、本发明方法采用多工况、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；

55、2、本发明该方法不需要具有过多的对各部件材料的参数或传热参数的知识储备；麻雀搜索算法优化了网络构建时需要的多个超参数确定，因此，模型不需要进行反复调参确定，只需确定模型少量的初始参数，和对应的输入和输出特征，因此，该模型在保证计算准确性的同时，还具有较高的泛化性；该模型有着更强的收敛速度，收敛值，相比现有的模型有着更高的计算精度。

56、3、本发明数据驱动模型将针对转子的各时刻最高温度进行预测，更直接地预测了所关心的热点问题。此外由于该系统采用编码设置，可节省传感器或滑环测温额外的设备，节省汽车内部利用空间，节省成本。