[go: up one dir, main page]

CN118427564A - 一种基于机器学习的电机电磁性能预测方法及系统 - Google Patents

一种基于机器学习的电机电磁性能预测方法及系统 Download PDF

Info

Publication number
CN118427564A
CN118427564A CN202410890572.5A CN202410890572A CN118427564A CN 118427564 A CN118427564 A CN 118427564A CN 202410890572 A CN202410890572 A CN 202410890572A CN 118427564 A CN118427564 A CN 118427564A
Authority
CN
China
Prior art keywords
data
prediction
motor
electromagnetic performance
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410890572.5A
Other languages
English (en)
Other versions
CN118427564B (zh
Inventor
喻忠林
余泽辉
万楚华
蔡兴文
廖瑞就
赖芳芸
张琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Saimai Technology Co ltd
Original Assignee
Shenzhen Saimai Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Saimai Technology Co ltd filed Critical Shenzhen Saimai Technology Co ltd
Priority to CN202410890572.5A priority Critical patent/CN118427564B/zh
Publication of CN118427564A publication Critical patent/CN118427564A/zh
Application granted granted Critical
Publication of CN118427564B publication Critical patent/CN118427564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
    • G01R33/1253—Measuring galvano-magnetic properties
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于机器学习的电机电磁性能预测方法及系统，方法包括电磁性能指标数据收集、数据预处理、磁通密度预测、电机损耗预测和电机电磁性能预测。本发明涉及电磁性能预测技术领域，具体是指一种基于机器学习的电机电磁性能预测方法及系统，本方案采用结合磁通密度预测和电机损耗预测的方法进行电机电磁性能预测；采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，优化了对多种类型特征的整体处理；采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，提高了电机电磁性能预测流程可靠性和整体泛用性。

Description

一种基于机器学习的电机电磁性能预测方法及系统
技术领域
本发明涉及电磁性能预测技术领域，具体是指一种基于机器学习的电机电磁性能预测方法及系统。
背景技术
基于机器学习的电机电磁性能预测方法是一种利用机器学习算法和模型对电机的电磁性能进行评估和预测的技术。该方法通过收集和分析大量历史数据（如电流、电压、磁密、损耗），训练模型以识别和学习电机性能的复杂模式和关系，从而实现对电机在不同运行条件下的电磁性能，例如磁通密度、损耗或转矩的准确预测。其主要作用包括优化电机设计、提升运行效率、预测故障和维护需求，从而提高电机的可靠性和使用寿命，并降低运营成本。
但是，在已有的电机电磁性能预测方法中，存在着磁通密度预测和电机损耗预测存在一定的潜在联系，但是传统的机器学习预测技术时常将两项任务分别作为单独的预测任务进行，而在预测电机的损耗时缺少了对于磁通密度预测的技术参考，导致电机电磁性能的整体预测自动性有待提高的技术问题；在已有的电机电磁性能预测方法中，存在着传统的磁通密度预测中对于数据采集的精度依赖较大，而传感器进行采集数据的位置会对整体预测准确性造成较大影响，而一维信号数据既具备时序特征也需要考虑复杂数据关系的技术问题；在已有的电机电磁性能预测方法中，存在着在传统的电机损耗预测方法中，通过预测的磁通密度信息进一步整合数据来进行电机损耗预测的精密度较低，电机运行损耗和磁通密度内部存在的潜在联系较难挖掘，从而导致整体电磁性能预测性能不够全面的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的电机电磁性能预测方法及系统，针对在已有的电机电磁性能预测方法中，存在着磁通密度预测和电机损耗预测存在一定的潜在联系，但是传统的机器学习预测技术时常将两项任务分别作为单独的预测任务进行，而在预测电机的损耗时缺少了对于磁通密度预测的技术参考，导致电机电磁性能的整体预测自动性有待提高的技术问题，本方案创造性地采用结合磁通密度预测和电机损耗预测的方法进行电机电磁性能预测，通过将预测得到的磁密信号信息参考一并加入电机损耗预测的数据源中，提升了电磁性能预测整体的自动性，降低了电磁性能预测的数据源依赖性；针对在已有的电机电磁性能预测方法中，存在着传统的磁通密度预测中对于数据采集的精度依赖较大，而传感器进行采集数据的位置会对整体预测准确性造成较大影响，而一维信号数据既具备时序特征也需要考虑复杂数据关系的技术问题，本方案创造性地采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，通过将一维信号数据升维处理，优化了信号特征处理，并通过计算最优传感器位置，优化了数据源质量，最后建构了结合注意力机制的卷积长短期网络，优化了对多种类型特征的整体处理，提高了模型的预测能力；针对在已有的电机电磁性能预测方法中，存在着在传统的电机损耗预测方法中，通过预测的磁通密度信息进一步整合数据来进行电机损耗预测的精密度较低，电机运行损耗和磁通密度内部存在的潜在联系较难挖掘，从而导致整体电磁性能预测性能不够全面的技术问题，本方案创造性地采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，通过快速傅里叶算法优化时域和频域特征，并通过图神经网络捕获数据间的潜在联系，最后通过多目标参数优化提升模型的整体性能，提高了电机电磁性能预测流程可靠性和整体泛用性，为电机电磁性能预测提供了较好的技术探索和尝试。
本发明采取的技术方案如下：本发明提供的一种基于机器学习的电机电磁性能预测方法，该方法包括以下步骤：
步骤S1：电磁性能指标数据收集；
步骤S2：数据预处理；
步骤S3：磁通密度预测；
步骤S4：电机损耗预测；
步骤S5：电机电磁性能预测。
进一步地，在步骤S1中，所述电磁性能指标数据收集，用于收集电机电磁性能预测所需的原始数据集，具体为从电机实验系统和电机仿真实验数据中，通过收集得到电磁性能指标原始数据集，并通过在电机实验系统中设置传感器，用于采集磁场信号原始数据。
进一步地，在步骤S2中，所述数据预处理，用于对原始数据集进行优化处理，具体为对所述电磁性能指标原始数据集进行基本数据优化处理，并对所述磁场信号原始数据进行信号增强预处理，得到电磁性能指标优化数据集。
进一步地，在步骤S3中，所述磁通密度预测，用于进行永磁同步直线电机的电机内气隙磁密信号预测，具体为依据所述电磁性能指标优化数据集中的优化磁场信号数据，采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据；
所述结合信号升维转化和传感位置优化计算的卷积长短期网络，具体包括信号升维转化单元、传感位置优化计算单元、卷积子网、长短期记忆子网和注意力子网；
所述信号升维转化单元，用于将一维的磁场信号升维成二维信号图像数据；
所述传感位置优化计算单元，用于评估并计算最优传感器采集信号位置；
所述卷积子网，用于提取二维信号图像数据的特征；
所述长短期记忆子网，用于优化时序特征处理；
所述注意力子网，用于捕获时序信号特征间的依赖关系；
所述采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据的步骤，包括：
步骤S31：信号升维转化，具体为采用马尔可夫转移场联合格拉姆角场转换的信号升维方法，得到升维信号图像数据；
所述马尔可夫转移场联合格拉姆角场转换的信号升维方法，具体包括以下步骤：
步骤S311：采用格拉姆角场转换方法进行信号特征提取；
步骤S312：采用马尔可夫转移场方法进行升维特征构造；
步骤S313：升维数据特征融合，具体为通过所述信号特征提取和所述升维特征构造，进行升维数据特征融合，得到升维信号图像数据；
步骤S32：传感位置优化计算，具体为计算所述升维信号图像数据的结构相似性指数，并通过均方误差对所述升维信号图像数据中的数据进行逐组对比，采用模糊综合评价法进行总体评估，得到最优传感位置数据，并依据所述最优传感位置数据采集得到的信号数据进行磁通密度预测；
步骤S33：构建卷积子网，具体为构建包括卷积层、池化层和全连接层的基本卷积子网，并通过构建卷积输出层，得到卷积空间特征，并构建最小化二元交叉熵损失函数优化子网训练；
步骤S34：构建长短期记忆子网，具体为构建包括输入门、遗忘门和输出门的基本长短期记忆子网，并通过长短期记忆子网优化时序特征处理；
步骤S35：构建注意力子网，具体为通过进行查询向量和键向量的相似度计算，得到初始注意力分值，并将所述初始注意力分值进行归一化计算，使用softmax函数将归一化计算的结果转换为归一化注意力分值，最后采用所述归一化注意力分值和所述长短期记忆子网的最终隐藏状态向量，计算得到最终注意力分值，构建所述注意力子网；
步骤S36：子网集成，具体为通过构建所述卷积子网，接收最优传感位置数据采集和升维转化的信号数据，并通过二维卷积层和二维最大池化层提取空间特征，并通过随机失活层连接至长短期记忆子网，通过构建两层长短期记忆子网，优化时序特征提取，之后在所述两层长短期记忆子网后构建注意力子网，捕获时序信号特征间的依赖关系，得到注意力特征分值，之后在所述注意力子网后构建两层全连接层，得到磁通密度预测输出数据
步骤S37：磁通密度预测模型训练，具体为通过所述信号升维转化、所述传感位置优化计算和所述子网集成，进行磁通密度预测模型训练，得到磁通密度预测模型ModelFDP；
步骤S38：磁通密度预测，具体为使用所述磁通密度预测模型ModelFDP，依据所述优化磁场信号数据，进行永磁同步直线电机的电机内气隙磁密信号预测，得到预测磁密信号数据。
进一步地，在步骤S4中，所述电机损耗预测，用于估算电机的磁性材料功率损耗，具体为依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据；
所述结合多目标优化参数和快速傅里叶变换的图神经网络，具体包括快速傅里叶变换算子、图神经网络子网和多目标参数优化算子；
所述快速傅里叶变换算子，用于进行频域特征提取并进行特征降维和去噪；
所述图神经网络子网，用于处理电机电磁性能指标优化数据；
所述多目标参数优化算子，用于优化模型参数；
所述采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据的步骤，包括：
步骤S41：构建快速傅里叶变换算子，进行频域特征提取，并进行特征降维和去噪；
步骤S42：构建图神经网络子网，进行频域信号特征处理；
步骤S43：构建多目标参数优化算子，进行模型超参数优化；
步骤S44：电机损耗预测模型训练，具体为通过所述构建快速傅里叶变换算子、所述构建图神经网络子网和所述构建多目标参数优化算子，进行模型训练，得到电机损耗预测模型ModelGP；
步骤S45：电机损耗预测，具体为使用所述电机损耗预测模型ModelGP，依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，进行电机损耗预测，得到电机损耗预测数据。
进一步地，在步骤S5中，所述电机电磁性能预测，用于结合磁通密度预测和电机损耗预测进行整体性能预测，具体为结合所述预测磁密信号数据和所述电机损耗预测数据，进行电机电磁性能综合预测和建模，得到电机电磁性能表征参考数据；
所述电机电磁性能表征参考数据，具体包括磁密信号数据、电机损耗数据和电磁性能数据；
所述磁密信号数据，具体包括磁密信号的平均值、峰值、频谱成分和磁通密度信号波动幅值；
所述电机损耗数据，具体包括电机电阻耗损、电机磁滞耗损、电机涡流损耗和电机机械耗损；
所述电磁性能数据，具体包括电机励磁电流参数、电压参数、输出功率参数、效率参数、功率因数参数和电磁转矩参数。
本发明提供的一种基于机器学习的电机电磁性能预测系统，包括电磁性能指标数据收集模块、数据预处理模块、磁通密度预测模块、电机损耗预测模块和电机电磁性能预测模块；
所述电磁性能指标数据收集模块，用于电磁性能指标数据收集，通过电磁性能指标数据收集，得到电磁性能指标原始数据集和采集磁场信号原始数据，并将所述电磁性能指标原始数据集和采集磁场信号原始数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，通过数据预处理，得到电磁性能指标优化数据集，并将所述电磁性能指标优化数据集发送至磁通密度预测模块和电机损耗预测模块；
所述磁通密度预测模块，用于磁通密度预测，通过磁通密度预测，得到预测磁密信号数据，并将所述预测磁密信号数据发送至电机损耗预测模块；
所述电机损耗预测模块，用于电机损耗预测，通过电机损耗预测，得到电机损耗预测数据，并将所述电机损耗预测数据发送至电机电磁性能预测模块；
所述电机电磁性能预测模块，用于电机电磁性能预测，通过电机电磁性能预测，得到电机电磁性能表征参考数据。
采用上述方案本发明取得的有益效果如下：
（1）针对在已有的电机电磁性能预测方法中，存在着磁通密度预测和电机损耗预测存在一定的潜在联系，但是传统的机器学习预测技术时常将两项任务分别作为单独的预测任务进行，而在预测电机的损耗时缺少了对于磁通密度预测的技术参考，导致电机电磁性能的整体预测自动性有待提高的技术问题，本方案创造性地采用结合磁通密度预测和电机损耗预测的方法进行电机电磁性能预测，通过将预测得到的磁密信号信息参考一并加入电机损耗预测的数据源中，提升了电磁性能预测整体的自动性，降低了电磁性能预测的数据源依赖性；
（2）针对在已有的电机电磁性能预测方法中，存在着传统的磁通密度预测中对于数据采集的精度依赖较大，而传感器进行采集数据的位置会对整体预测准确性造成较大影响，而一维信号数据既具备时序特征也需要考虑复杂数据关系的技术问题，本方案创造性地采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，通过将一维信号数据升维处理，优化了信号特征处理，并通过计算最优传感器位置，优化了数据源质量，最后建构了结合注意力机制的卷积长短期网络，优化了对多种类型特征的整体处理，提高了模型的预测能力；
（3）针对在已有的电机电磁性能预测方法中，存在着在传统的电机损耗预测方法中，通过预测的磁通密度信息进一步整合数据来进行电机损耗预测的精密度较低，电机运行损耗和磁通密度内部存在的潜在联系较难挖掘，从而导致整体电磁性能预测性能不够全面的技术问题，本方案创造性地采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，通过快速傅里叶算法优化时域和频域特征，并通过图神经网络捕获数据间的潜在联系，最后通过多目标参数优化提升模型的整体性能，提高了电机电磁性能预测流程可靠性和整体泛用性，为电机电磁性能预测提供了较好的技术探索和尝试。
附图说明
图1为本发明提供的一种基于机器学习的电机电磁性能预测方法的流程示意图；
图2为本发明提供的一种基于机器学习的电机电磁性能预测系统的示意图；
图3为步骤S2数据预处理的流程示意图；
图4为步骤S3磁通密度预测的流程示意图；
图5为步骤S4电机损耗预测的流程示意图；
图6为步骤S3磁通密度预测的预测结果示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于机器学习的电机电磁性能预测方法，该方法包括以下步骤：
步骤S1：电磁性能指标数据收集；
步骤S2：数据预处理；
步骤S3：磁通密度预测；
步骤S4：电机损耗预测；
步骤S5：电机电磁性能预测。
通过执行上述操作，针对在已有的电机电磁性能预测方法中，存在着磁通密度预测和电机损耗预测存在一定的潜在联系，但是传统的机器学习预测技术时常将两项任务分别作为单独的预测任务进行，而在预测电机的损耗时缺少了对于磁通密度预测的技术参考，导致电机电磁性能的整体预测自动性有待提高的技术问题，本方案创造性地采用结合磁通密度预测和电机损耗预测的方法进行电机电磁性能预测，通过将预测得到的磁密信号信息参考一并加入电机损耗预测的数据源中，提升了电磁性能预测整体的自动性，降低了电磁性能预测的数据源依赖性。
实施例二，参阅图1和图2，在步骤S1中，所述电磁性能指标数据收集，用于收集电机电磁性能预测所需的原始数据集，具体为从电机实验系统和电机仿真实验数据中，通过收集得到电磁性能指标原始数据集，并通过在电机实验系统中设置传感器，用于采集磁场信号原始数据；
所述电机实验系统，具体指永磁同步直线电机实验系统；
所述电磁性能指标原始数据集，具体包括电机基本参数、操作条件参数和材料特性参数；
所述电机基本参数，具体包括电机转子半径、电机定子长度、电机槽数、槽型参数、和铁芯尺寸参数；
所述操作条件参数，具体包括输入电压、输入电流、频率参数和负载条件参数；
所述材料特性参数，具体包括磁导率、电导率、饱和磁通密度参数、电阻率、磁滞耗损系数和涡流耗损系数。
实施例三，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S2中，所述数据预处理，用于对原始数据集进行优化处理，具体为对所述电磁性能指标原始数据集进行基本数据优化处理，并对所述磁场信号原始数据进行信号增强预处理，得到电磁性能指标优化数据集，具体包括以下步骤：
步骤S21：基本数据优化处理，具体为对所述电磁性能指标原始数据集中的数值数据进行数据过滤和归一化操作，得优化性能指标数据；
步骤S22：信号增强处理，具体为对所述磁场信号原始数据中的微弱磁场信号进行放大处理，并过滤噪声信号，得到过滤信号数据，并通过将所述过滤信号数据从模拟信号转化为数字信号，得到优化磁场信号数据；
步骤S23：数据整合预处理，具体为通过所述基本数据优化处理和所述信号增强处理，得到电磁性能指标优化数据集，所述电磁性能指标优化数据集，具体包括优化磁场信号数据和优化性能指标数据。
实施例四，参阅图1、图2、图4和图6，该实施例基于上述实施例，在步骤S3中，所述磁通密度预测，用于进行永磁同步直线电机的电机内气隙磁密信号预测，具体为依据所述电磁性能指标优化数据集中的优化磁场信号数据，采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据；
所述结合信号升维转化和传感位置优化计算的卷积长短期网络，具体包括信号升维转化单元、传感位置优化计算单元、卷积子网、长短期记忆子网和注意力子网；
所述信号升维转化单元，用于将一维的磁场信号升维成二维信号图像数据；
所述传感位置优化计算单元，用于评估并计算最优传感器采集信号位置；
所述卷积子网，用于提取二维信号图像数据的特征；
所述长短期记忆子网，用于优化时序特征处理；
所述注意力子网，用于捕获时序信号特征间的依赖关系；
所述采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据的步骤，包括：
步骤S31：信号升维转化，具体为采用马尔可夫转移场联合格拉姆角场转换的信号升维方法，得到升维信号图像数据；
所述马尔可夫转移场联合格拉姆角场转换的信号升维方法，具体包括以下步骤：
步骤S311：采用格拉姆角场转换方法进行信号特征提取，计算公式为：
；
式中，GAF是从一维的磁场信号中提取得到的格拉姆特征矩阵，是一维磁场信号的时序序列，是一维磁场信号的时序序列转置，I是单位矩阵；
步骤S312：采用马尔可夫转移场方法进行升维特征构造，计算公式为：
；
式中，MTF是升维特征矩阵，wij是升维特征状态向量，其中，所述升维特征状态向量wij的具体计算公式为，p是概率计算函数，t是时刻索引，xt+1是t+1时刻的马尔科夫转换长状态向量的数据项，qi是马尔科夫转换长第一状态向量，qj是马尔科夫转换长第二状态向量，所述马尔科夫转换长状态向量，具体由格拉姆特征矩阵转换得到，x1是第1时刻的马尔科夫转换长状态向量的数据项，n是时刻总量，xn是最后时刻的马尔科夫转换长状态向量的数据项；
步骤S313：升维数据特征融合，具体为通过所述信号特征提取和所述升维特征构造，进行升维数据特征融合，得到升维信号图像数据；
步骤S32：传感位置优化计算，具体为计算所述升维信号图像数据的结构相似性指数，并通过均方误差对所述升维信号图像数据中的数据进行逐组对比，采用模糊综合评价法进行总体评估，得到最优传感位置数据，并依据所述最优传感位置数据采集得到的信号数据进行磁通密度预测；
所述结构相似性指数的计算步骤，包括：
；
式中，SSIM是结构相似性指数，A是第一升维信号图像数据，B是第二升维信号图像数据，是第一升维信号图像数据中的数据均值，是第二升维信号图像数据中的数据均值，C1是亮度对比参数，用于防止分母为0，是第一升维信号图像数据和第二升维信号图像数据中的数据的标准差，是第一升维信号图像数据中的数据的方差，是第二升维信号图像数据中的数据的方差，C2是对比度对比参数，C3是结构对比参数；
所述模糊综合评价法的计算公式为：
FCE=FA*FR；
式中，FCE是模糊综合评价优先级参数，用于表示传感位置数据的最优优先级，FA是模糊综合评价权重，FR是模糊综合评价判断矩阵；
步骤S33：构建卷积子网，具体为构建包括卷积层、池化层和全连接层的基本卷积子网，并通过构建卷积输出层，得到卷积空间特征，并构建最小化二元交叉熵损失函数优化子网训练；
步骤S34：构建长短期记忆子网，具体为构建包括输入门、遗忘门和输出门的基本长短期记忆子网，并通过长短期记忆子网优化时序特征处理；
步骤S35：构建注意力子网，具体为通过进行查询向量和键向量的相似度计算，得到初始注意力分值，并将所述初始注意力分值进行归一化计算，使用softmax函数将归一化计算的结果转换为归一化注意力分值，最后采用所述归一化注意力分值和所述长短期记忆子网的最终隐藏状态向量，计算得到最终注意力分值，构建所述注意力子网；
步骤S36：子网集成，具体为通过构建所述卷积子网，接收最优传感位置数据采集和升维转化的信号数据，并通过二维卷积层和二维最大池化层提取空间特征，并通过随机失活层连接至长短期记忆子网，通过构建两层长短期记忆子网，优化时序特征提取，之后在所述两层长短期记忆子网后构建注意力子网，捕获时序信号特征间的依赖关系，得到注意力特征分值，之后在所述注意力子网后构建两层全连接层，得到磁通密度预测输出数据
步骤S37：磁通密度预测模型训练，具体为通过所述信号升维转化、所述传感位置优化计算和所述子网集成，进行磁通密度预测模型训练，得到磁通密度预测模型ModelFDP；
步骤S38：磁通密度预测，具体为使用所述磁通密度预测模型ModelFDP，依据所述优化磁场信号数据，进行永磁同步直线电机的电机内气隙磁密信号预测，得到预测磁密信号数据；
参阅图6，其中，水平坐标为时刻索引，垂直坐标为预测磁密信号数据的具体取值。
通过执行上述操作，针对在已有的电机电磁性能预测方法中，存在着传统的磁通密度预测中对于数据采集的精度依赖较大，而传感器进行采集数据的位置会对整体预测准确性造成较大影响，而一维信号数据既具备时序特征也需要考虑复杂数据关系的技术问题，本方案创造性地采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，通过将一维信号数据升维处理，优化了信号特征处理，并通过计算最优传感器位置，优化了数据源质量，最后建构了结合注意力机制的卷积长短期网络，优化了对多种类型特征的整体处理，提高了模型的预测能力。
实施例五，参阅图1、图2和图5，该实施例基于上述实施例，在步骤S4中，所述电机损耗预测，用于估算电机的磁性材料功率损耗，具体为依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据；
所述结合多目标优化参数和快速傅里叶变换的图神经网络，具体包括快速傅里叶变换算子、图神经网络子网和多目标参数优化算子；
所述快速傅里叶变换算子，用于进行频域特征提取并进行特征降维和去噪；
所述图神经网络子网，用于处理电机电磁性能指标优化数据；
所述多目标参数优化算子，用于优化模型参数；
所述采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据的步骤，包括：
步骤S41：构建快速傅里叶变换算子，进行频域特征提取，并进行特征降维和去噪，所述快速傅里叶变换算子的计算公式为：
；
式中，X(f)是频域信号特征，N是总采样时间，T是采样时间索引，X(T)是时域信号，是复指数函数，用于将时域信号转换为频域信号，f是信号数据的频域分量，T是信号数据的时域分量；
步骤S42：构建图神经网络子网，进行频域信号特征处理，所述图神经网络子网的传播规则计算公式为：
；
式中，是图神经网络中第l+1层的节点特征矩阵，l是层级索引，sig(·)是S型激活函数，是度矩阵，是加入自环的邻接矩阵，是度矩阵的逆平方根矩阵，是第l层的节点特征矩阵，是是第l层的权重矩阵；
步骤S43：构建多目标参数优化算子，进行模型超参数优化，计算公式为：
；
式中，是目标函数集合，是模型超参数集，min是求最小化函数，k是目标函数总量，是第1个目标函数，是第2个目标函数；
步骤S44：电机损耗预测模型训练，具体为通过所述构建快速傅里叶变换算子、所述构建图神经网络子网和所述构建多目标参数优化算子，进行模型训练，得到电机损耗预测模型ModelGP；
步骤S45：电机损耗预测，具体为使用所述电机损耗预测模型ModelGP，依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，进行电机损耗预测，得到电机损耗预测数据。
通过执行上述操作，针对在已有的电机电磁性能预测方法中，存在着在传统的电机损耗预测方法中，通过预测的磁通密度信息进一步整合数据来进行电机损耗预测的精密度较低，电机运行损耗和磁通密度内部存在的潜在联系较难挖掘，从而导致整体电磁性能预测性能不够全面的技术问题，本方案创造性地采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，通过快速傅里叶算法优化时域和频域特征，并通过图神经网络捕获数据间的潜在联系，最后通过多目标参数优化提升模型的整体性能，提高了电机电磁性能预测流程可靠性和整体泛用性，为电机电磁性能预测提供了较好的技术探索和尝试。
实施例七，参阅图1和图2，该实施例基于上述实施例，在步骤S5中，所述电机电磁性能预测，用于结合磁通密度预测和电机损耗预测进行整体性能预测，具体为结合所述预测磁密信号数据和所述电机损耗预测数据，进行电机电磁性能综合预测和建模，得到电机电磁性能表征参考数据；
所述电机电磁性能表征参考数据，具体包括磁密信号数据、电机损耗数据和电磁性能数据；
所述磁密信号数据，具体包括磁密信号的平均值、峰值、频谱成分和磁通密度信号波动幅值；
所述电机损耗数据，具体包括电机电阻耗损、电机磁滞耗损、电机涡流损耗和电机机械耗损；
所述电磁性能数据，具体包括电机励磁电流参数、电压参数、输出功率参数、效率参数、功率因数参数和电磁转矩参数。
实施例八，参阅图1和图2，该实施例基于上述实施例，本发明提供的一种基于机器学习的电机电磁性能预测系统，包括电磁性能指标数据收集模块、数据预处理模块、磁通密度预测模块、电机损耗预测模块和电机电磁性能预测模块；
所述电磁性能指标数据收集模块，用于电磁性能指标数据收集，通过电磁性能指标数据收集，得到电磁性能指标原始数据集和采集磁场信号原始数据，并将所述电磁性能指标原始数据集和采集磁场信号原始数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，通过数据预处理，得到电磁性能指标优化数据集，并将所述电磁性能指标优化数据集发送至磁通密度预测模块和电机损耗预测模块；
所述磁通密度预测模块，用于磁通密度预测，通过磁通密度预测，得到预测磁密信号数据，并将所述预测磁密信号数据发送至电机损耗预测模块；
所述电机损耗预测模块，用于电机损耗预测，通过电机损耗预测，得到电机损耗预测数据，并将所述电机损耗预测数据发送至电机电磁性能预测模块；
所述电机电磁性能预测模块，用于电机电磁性能预测，通过电机电磁性能预测，得到电机电磁性能表征参考数据。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (9)

1.一种基于机器学习的电机电磁性能预测方法，其特征在于：该方法包括以下步骤：
步骤S1：电磁性能指标数据收集，得到电磁性能指标原始数据集，并通过在电机实验系统中设置传感器，用于采集磁场信号原始数据；
步骤S2：数据预处理，得到电磁性能指标优化数据集；
步骤S3：磁通密度预测，用于进行永磁同步直线电机的电机内气隙磁密信号预测，具体为依据所述电磁性能指标优化数据集中的优化磁场信号数据，采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据；
所述信号升维转化，具体为采用马尔可夫转移场联合格拉姆角场转换的信号升维方法，得到升维信号图像数据；
所述传感位置优化计算，具体为计算所述升维信号图像数据的结构相似性指数，并通过均方误差对所述升维信号图像数据中的数据进行逐组对比，采用模糊综合评价法进行总体评估，得到最优传感位置数据；
所述卷积长短期网络，用于提取二维信号图像数据的特征、优化时序特征处理并捕获时序信号特征间的依赖关系；
步骤S4：电机损耗预测，具体为依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据；
步骤S5：电机电磁性能预测，得到电机电磁性能表征参考数据。
2.根据权利要求1所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S3中，所述结合信号升维转化和传感位置优化计算的卷积长短期网络，具体包括信号升维转化单元、传感位置优化计算单元、卷积子网、长短期记忆子网和注意力子网；
所述信号升维转化单元，用于将一维的磁场信号升维成二维信号图像数据；
所述传感位置优化计算单元，用于评估并计算最优传感器采集信号位置；
所述卷积子网，用于提取二维信号图像数据的特征；
所述长短期记忆子网，用于优化时序特征处理；
所述注意力子网，用于捕获时序信号特征间的依赖关系。
3.根据权利要求2所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S3中，所述采用结合信号升维转化和传感位置优化计算的卷积长短期网络进行磁通密度预测，得到预测磁密信号数据的步骤，包括：
步骤S31：信号升维转化；
步骤S32：传感位置优化计算；
步骤S33：构建卷积子网；
步骤S34：构建长短期记忆子网；
步骤S35：构建注意力子网；
步骤S36：子网集成；
步骤S37：磁通密度预测模型训练；
步骤S38：磁通密度预测。
4.根据权利要求3所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S31中，所述马尔可夫转移场联合格拉姆角场转换的信号升维方法，具体包括以下步骤：
步骤S311：采用格拉姆角场转换方法进行信号特征提取；
步骤S312：采用马尔可夫转移场方法进行升维特征构造；
步骤S313：升维数据特征融合，具体为通过所述信号特征提取和所述升维特征构造，进行升维数据特征融合，得到升维信号图像数据；
在步骤S32中，所述传感位置优化计算，具体为计算所述升维信号图像数据的结构相似性指数，并通过均方误差对所述升维信号图像数据中的数据进行逐组对比，采用模糊综合评价法进行总体评估，得到最优传感位置数据，并依据所述最优传感位置数据采集得到的信号数据进行磁通密度预测；
在步骤S33中，所述构建卷积子网，具体为构建包括卷积层、池化层和全连接层的基本卷积子网，并通过构建卷积输出层，得到卷积空间特征，并构建最小化二元交叉熵损失函数优化子网训练；
在步骤S34中，所述构建长短期记忆子网，具体为构建包括输入门、遗忘门和输出门的基本长短期记忆子网，并通过长短期记忆子网优化时序特征处理；
在步骤S35中，所述构建注意力子网，具体为通过进行查询向量和键向量的相似度计算，得到初始注意力分值，并将所述初始注意力分值进行归一化计算，使用softmax函数将归一化计算的结果转换为归一化注意力分值，最后采用所述归一化注意力分值和所述长短期记忆子网的最终隐藏状态向量，计算得到最终注意力分值，构建所述注意力子网；
在步骤S36中，所述子网集成，具体为通过构建所述卷积子网，接收最优传感位置数据采集和升维转化的信号数据，并通过二维卷积层和二维最大池化层提取空间特征，并通过随机失活层连接至长短期记忆子网，通过构建两层长短期记忆子网，优化时序特征提取，之后在所述两层长短期记忆子网后构建注意力子网，捕获时序信号特征间的依赖关系，得到注意力特征分值，之后在所述注意力子网后构建两层全连接层，得到磁通密度预测输出数据；
在步骤S37中，所述磁通密度预测模型训练，具体为通过所述信号升维转化、所述传感位置优化计算和所述子网集成，进行磁通密度预测模型训练，得到磁通密度预测模型ModelFDP；
在步骤S38中，所述磁通密度预测，具体为使用所述磁通密度预测模型ModelFDP，依据所述优化磁场信号数据，进行永磁同步直线电机的电机内气隙磁密信号预测，得到预测磁密信号数据。
5.根据权利要求4所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S4中，所述结合多目标优化参数和快速傅里叶变换的图神经网络，具体包括快速傅里叶变换算子、图神经网络子网和多目标参数优化算子；
所述快速傅里叶变换算子，用于进行频域特征提取并进行特征降维和去噪；
所述图神经网络子网，用于处理电机电磁性能指标优化数据；
所述多目标参数优化算子，用于优化模型参数。
6.根据权利要求5所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S4中，所述采用结合多目标优化参数和快速傅里叶变换的图神经网络，进行电机损耗预测，得到电机损耗预测数据的步骤，包括：
步骤S41：构建快速傅里叶变换算子，进行频域特征提取，并进行特征降维和去噪；
步骤S42：构建图神经网络子网，进行频域信号特征处理；
步骤S43：构建多目标参数优化算子，进行模型超参数优化；
步骤S44：电机损耗预测模型训练，具体为通过所述构建快速傅里叶变换算子、所述构建图神经网络子网和所述构建多目标参数优化算子，进行模型训练，得到电机损耗预测模型ModelGP；
步骤S45：电机损耗预测，具体为使用所述电机损耗预测模型ModelGP，依据所述电磁性能指标优化数据集中的优化性能指标数据，结合所述预测磁密信号数据，进行电机损耗预测，得到电机损耗预测数据。
7.根据权利要求6所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：在步骤S5中，所述电机电磁性能预测，用于结合磁通密度预测和电机损耗预测进行整体性能预测，具体为结合所述预测磁密信号数据和所述电机损耗预测数据，进行电机电磁性能综合预测和建模，得到电机电磁性能表征参考数据。
8.一种基于机器学习的电机电磁性能预测系统，用于实现如权利要求1-7中任一项所述的一种基于机器学习的电机电磁性能预测方法，其特征在于：包括电磁性能指标数据收集模块、数据预处理模块、磁通密度预测模块、电机损耗预测模块和电机电磁性能预测模块。
9.根据权利要求8所述的一种基于机器学习的电机电磁性能预测系统，其特征在于：所述电磁性能指标数据收集模块，用于电磁性能指标数据收集，通过电磁性能指标数据收集，得到电磁性能指标原始数据集和采集磁场信号原始数据，并将所述电磁性能指标原始数据集和采集磁场信号原始数据发送至数据预处理模块；
所述数据预处理模块，用于数据预处理，通过数据预处理，得到电磁性能指标优化数据集，并将所述电磁性能指标优化数据集发送至磁通密度预测模块和电机损耗预测模块；
所述磁通密度预测模块，用于磁通密度预测，通过磁通密度预测，得到预测磁密信号数据，并将所述预测磁密信号数据发送至电机损耗预测模块；
所述电机损耗预测模块，用于电机损耗预测，通过电机损耗预测，得到电机损耗预测数据，并将所述电机损耗预测数据发送至电机电磁性能预测模块；
所述电机电磁性能预测模块，用于电机电磁性能预测，通过电机电磁性能预测，得到电机电磁性能表征参考数据。
CN202410890572.5A 2024-07-04 2024-07-04 一种基于机器学习的电机电磁性能预测方法及系统 Active CN118427564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410890572.5A CN118427564B (zh) 2024-07-04 2024-07-04 一种基于机器学习的电机电磁性能预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410890572.5A CN118427564B (zh) 2024-07-04 2024-07-04 一种基于机器学习的电机电磁性能预测方法及系统

Publications (2)

Publication Number Publication Date
CN118427564A true CN118427564A (zh) 2024-08-02
CN118427564B CN118427564B (zh) 2024-10-18

Family

ID=92311006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410890572.5A Active CN118427564B (zh) 2024-07-04 2024-07-04 一种基于机器学习的电机电磁性能预测方法及系统

Country Status (1)

Country Link
CN (1) CN118427564B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119001559A (zh) * 2024-10-23 2024-11-22 杭州得明电子有限公司 基于自适应阈值方法的强磁芯片检测方法
CN119294257A (zh) * 2024-10-18 2025-01-10 河海大学 一种磁芯损耗预测方法
CN119853552A (zh) * 2025-01-15 2025-04-18 德瑞精工（深圳）有限公司 一种具有自适应调节功能的直线电机及控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002006009A (ja) * 2000-06-16 2002-01-09 Nissan Motor Co Ltd モータ損失の解析方法及びその命令を格納した情報媒体
CN112149246A (zh) * 2020-09-11 2020-12-29 华中科技大学 一种永磁电机多目标优化设计方法和系统
CN116911201A (zh) * 2023-09-06 2023-10-20 江苏省特种设备安全监督检验研究院 一种基于深度生成对抗网络算法的模拟电机能效检测系统
CN117436004A (zh) * 2023-12-20 2024-01-23 深圳市鸿明机电有限公司 电机性能实时监测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002006009A (ja) * 2000-06-16 2002-01-09 Nissan Motor Co Ltd モータ損失の解析方法及びその命令を格納した情報媒体
CN112149246A (zh) * 2020-09-11 2020-12-29 华中科技大学 一种永磁电机多目标优化设计方法和系统
CN116911201A (zh) * 2023-09-06 2023-10-20 江苏省特种设备安全监督检验研究院 一种基于深度生成对抗网络算法的模拟电机能效检测系统
CN117436004A (zh) * 2023-12-20 2024-01-23 深圳市鸿明机电有限公司 电机性能实时监测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金亮 等: "小样本条件下永磁同步电机深度迁移学习性能预测方法", 《电工技术学报》, vol. 38, no. 18, 23 March 2023 (2023-03-23) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119294257A (zh) * 2024-10-18 2025-01-10 河海大学 一种磁芯损耗预测方法
CN119294257B (zh) * 2024-10-18 2025-11-18 河海大学 一种磁芯损耗预测方法
CN119001559A (zh) * 2024-10-23 2024-11-22 杭州得明电子有限公司 基于自适应阈值方法的强磁芯片检测方法
CN119853552A (zh) * 2025-01-15 2025-04-18 德瑞精工（深圳）有限公司 一种具有自适应调节功能的直线电机及控制方法

Also Published As

Publication number Publication date
CN118427564B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN118427564B (zh) 一种基于机器学习的电机电磁性能预测方法及系统
CN114046873B (zh) 一种基于lof-fcm模糊聚类算法的电抗器振动监测系统
CN110782461A (zh) 一种基于Mask-RCNN的电力设备红外图像分割方法
CN112560215B (zh) 一种基于深度强化学习的电力选线方法
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN114941890B (zh) 一种基于图像和深度模糊的中央空调故障诊断方法及系统
CN118378553B (zh) 一种数字孪生模型构建方法及系统
CN116680643B (zh) 一种深度对比学习与密度聚类结合的异常检测方法
CN120197035B (zh) 一种潜水泵智能化能效估算方法及系统
CN117892194A (zh) 基于Meta-GraphSage网络的小样本故障诊断方法及系统
CN118962264B (zh) 一种协作式电磁信号智能识别方法与系统
CN117528756B (zh) 一种用于无线网络的时频同步方法及系统
CN117493982B (zh) 一种基于机器学习的半导体电阻值预测方法及系统
CN116049638B (zh) 一种变压器震动检测方法、系统、设备及存储介质
CN119337160A (zh) 一种基于智能电表通信模块的用电负荷预测方法
CN119046693A (zh) 一种边坡位移预测模型的迁移方法
CN118937915A (zh) 一种故障电弧的检测方法
CN119872319A (zh) 一种充电桩状态预测方法、计算机可读介质及设备
CN117575347A (zh) 一种外来物种入侵风险性智能分析方法及系统
CN117782198A (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN112763780B (zh) 一种智能互感器
CN116546581A (zh) 一种基于网络信号分析的自动连云方法
CN114792046A (zh) 基于健康指数与粒子滤波的旋转机械故障预测方法及系统
CN117540283B (zh) 一种智能化电磁电器性能评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant