电机变频驱动器自适应保护装置和方法与流程

本发明涉及电机控制，具体涉及一种电机变频驱动器自适应保护装置和方法。

背景技术：

1、随着工业自动化程度的提高，电机变频驱动器得以越来越广泛的使用。电机变频驱动器的主要功能是调节电机的工作速度和扭矩，它通过改变电源频率和电压来控制电机的运行状态。电机变频驱动器能够提高能效，减少能耗，同时提供更好的过程控制和设备保护。电机变频器的具体结构包括：整流器、滤波整流电路、逆变器、驱动电路、pwm控制器、运行参数传感器、散热系统、断路器、辅助电源以及保护装置等。

2、其中，电机变频驱动器的保护装置用于提供针对过载、过压、欠压、过流、短路、过热等故障因素的保护功能，以确保电机变频驱动器自身和电机安全运行。具体来说，过载保护用于防止电机因超过其额定负荷而损坏；过压保护防止输入或输出电压超过额定值而损坏电机或变频驱动器；欠压保护防止电源电压过低导致电机无法正常启动或运行；过流保护防止电流超过电机或变频驱动器的允许值；短路保护用于防止电机变频驱动器自身和电机的电路短路事故；过热保护防止电机或变频驱动器因温度过高而损坏。保护装置针对过载、过压、欠压、过流、短路、过热等因素的保护动作包括：切断电源、降低电机输出速度和扭矩、延时启动、重启锁定、复位参数到默认安全值、过热降温、报警输出等。可见，其保护功能对于确保电机变频驱动器自身和电机的稳定运行至关重要。

3、但是，目前大多数变频驱动器保护装置的保护功能是基于固定参数和规则的，电机应用于复杂和多变的工业环境时，这种方法往往无法提供充分的保护。此外，传统的保护系统很难适应新的故障模式和变化的运行条件，这限制了其效能和适应性。

技术实现思路

1、本发明旨在解决现有技术中电机变频驱动器保护功能缺乏灵活性和适应性的问题。通过引入机器学习和智能决策算法，本发明提供了一种电机变频驱动器自适应保护装置和方法，能够根据实时监控数据和预测模型动态调整保护策略，提高电机在复杂工业环境中的可靠性和寿命。同时，该系统能够不断学习和优化，以适应新的故障模式和运行条件。

2、本技术实施例提供一种电机变频驱动器自适应保护装置，包括：

3、数据采集单元，用于从电机变频驱动器配置的运行参数传感器中，采集所述传感器实时监控的电机和变频驱动器的运行状态参数；

4、预测特征分析单元，用于针对所述运行状态参数进行分析，确定电机变频驱动器自身及电机的故障因素预测特征；

5、故障因素预测单元，用于由预训练的故障因素预测模型，基于输入的所述故障因素预测特征，对电机变频驱动器自身及电机的潜在故障因素进行预测，获得故障因素状态预测序列；

6、自适应保护决策单元，用于通过预训练后的自适应保护决策模型，根据所述故障因素状态预测序列，获得最优化响应该故障因素状态预测序列的自适应保护动作；

7、保护执行单元，用于针对变频驱动器下达保护性指令，使所述变频驱动器执行所述自适应保护动作。

8、优选的是，故障因素预测单元对所述故障因素预测特征确定的过程包括：首先，执行所述运行状态参数的信号分解，采用小波变换算法对所述运行状态参数进行多尺度分解，将所述运行状态参数的原始信号分解为不同子信号；进而，对于经小波变换后所述运行状态参数的每个子信号，统计该子信号的分布特征，所述分布特征包括子信号的均值、峰值和功率谱密度；接下来，将所述运行状态参数的全部子信号的时分布特征进行融合，形成一个融合特征向量作为所述故障因素预测特征。

9、优选的是，采用小波变换算法对所述运行状态参数进行多尺度分解为不同子信号的过程具体如下：计算所述运行状态参数的原始信号在离散化的尺度层级和位置处的小波系数和逼近系数：

10、

11、

12、其中是所述运行状态参数的原始信号在离散化的尺度层级和位置处的小波系数，表示小波基函数；是原始信号在尺度层级和位置处的逼近系数，表示尺度函数。从而，在第个尺度层级，逼近部分和细节部分可以表示为上述逼近系数和小波系数的线性组合，即：

13、

14、

15、进而，下一个尺度层级的逼近部分和细节部分表示为：

16、

17、

18、循环迭代以上过程，直至达到最终所需的最大尺度层级；再通过将最终的逼近部分和所有的细节部分累加，获得对运行状态参数的原始信号的重构：

19、

20、从而通过小波变换将原始信号分解为最终的逼近部分和一系列细节部分组成的子信号，每个部分代表了信号在不同频率范围内的特征。

21、优选的是，对于所述运行状态参数的原始信号，基于每个子信号的分布特征表示为，表示每个子信号的均值，表示子信号的峰值，表示功率谱密度。将全部子信号的分布特征融合形成一个特征矩阵，再拉直形成所述融合特征向量，表示为，该融合特征向量作为所述故障因素预测特征。

22、优选的是，所述故障因素预测单元包括故障因素预测模型，该模型采用卷积神经网络，神经网络的输入层接收作为故障因素预测特征的融合特征向量，为神经网络的各层参数构成的总参数向量，该模型输出对电机变频驱动器自身及电机的潜在故障因素进行预测的预测量；该模型经过预训练后，能够基于输入的所述故障因素预测特征，对电机变频驱动器自身及电机的潜在故障因素进行预测，预测结果表示为故障因素状态预测序列。

23、优选的是，自适应保护决策单元包括的自适应保护决策模型表示为，采用resnet网络，其中，输入量为自适应保护动作的类型值，为resnet网络各层参数构成的总参数向量，该模型的输出为自适应保护动作的类型对故障因素响应度的量化值。

24、优选的是，用于预训练该故障因素预测模型和自适应保护决策模型的样本集合为；为集合中不同的故障因素预测特征样本；为每个样本故障因素预测特征一一对应的自适应保护动作样本，该自适应保护动作的类型值表明了对应的保护性指令；预训练过程中，样本集合被划分为b个大小为n的多个子样本集，其中，且每个子样本集；在每一轮预训练的迭代过程中，取其中一个子样本集，进而将该集合中的任一个故障因素预测特征样本输入故障因素预测模型，获得潜在故障因素的预测量，其中为本轮迭代时神经网络的各层参数的总参数向量，从而，以该子样本集的全部故障因素预测特征样本输入故障因素预测模型可得全部潜在故障因素预测量构成的故障因素状态预测序列；将自适应保护动作样本输入自适应保护决策模型，获得故障因素响应度的量化值，其中为本轮迭代时resnet网络的各层参数的总参数向量，从而，以该子样本集的全部自适应保护动作样本输入自适应保护决策模型，获得故障因素响应度的量化值序列。

25、优选的是，自适应保护决策单元还包括一个带加权的线性投影矩阵模块；在上述预训练的过程中，该模块输入所述故障因素预测单元产生的故障因素状态预测序列以及故障因素响应度的量化值序列，对以上2组序列进行带加权的线性投影：

26、

27、

28、其中和表示线性投影过程中对2组序列各自的加权权重，函数表示对矩阵a的每一行的值除以该行所有元素平方和的平方根；在预训练过程中，根据故障因素预测模型和自适应保护决策模型二者输出的故障因素状态预测序列以及故障因素响应度量化值序列构造损失函数：

29、

30、其中为相似度矩阵的第（i,j)个矩阵元素，基于以上损失函数，通过预定轮迭代的预训练，获得训练后优化的故障因素预测模型，以及优化后的线性投影过程加权权重和。

31、优选的是，在完成预训练的基础上，将预测特征分析单元经过小波变换和特征融合形成的所述故障因素预测特征输入故障因素预测单元的故障因素预测模型，并经线性投影矩阵模块进行带加权权重的线性投影获得故障因素状态预测序列；将一个可选自适应保护模板内包含的自适应保护动作类型值输入自适应保护决策模型，并通过线性投影矩阵模块进行带加权权重的线性投影获得故障因素响应度的量化值序列；将故障因素状态预测序列与故障因素响应度的量化值序列求内积运算，即，获得故障因素响应度的量化值序列中与故障因素状态预测序列内积值最大的故障因素响应度，则该故障因素响应度对应的自适应保护动作类型值，即作为最优化响应该故障因素状态预测序列的自适应保护动作。

32、本发明进而提供一种电机变频驱动器自适应保护方法，其特征在于，包括：

33、数据采集步骤，用于从电机变频驱动器配置的运行参数传感器中，采集所述传感器实时监控的电机和变频驱动器的运行状态参数；

34、预测特征分析步骤，用于针对所述运行状态参数进行分析，确定电机变频驱动器自身及电机的故障因素预测特征；

35、故障因素预测步骤，用于由预训练的故障因素预测模型，基于输入的所述故障因素预测特征，对电机变频驱动器自身及电机的潜在故障因素进行预测，获得故障因素状态预测序列；

36、自适应保护决策步骤，用于通过预训练后的自适应保护决策模型，根据所述故障因素状态预测序列，获得最优化响应该故障因素状态预测序列的自适应保护动作；

37、保护执行步骤，用于针对变频驱动器下达保护性指令，使所述变频驱动器执行所述自适应保护动作。

38、从而，本发明动态地选择最适合当前情况的保护策略，不仅提高了电机变频驱动器的保护效率，还提高了系统的整体可靠性，能够根据实时监控数据和预测模型动态调整保护策略，提高电机在复杂工业环境中的可靠性和寿命，同时，该系统能够不断学习和优化，以适应新的故障模式和运行条件。