[发明专利]一种用于控制的电机转子温度预测方法及系统

权利要求书

1.一种用于控制的电机转子温度预测方法，其特征在于，包括以下步骤：

电机试验步骤：在不同工况下对电机进行转子温度测量试验，所述不同工况包括电机工作在不同的状态、不同的转速与输出扭矩、不同的直流母线电压、不同冷却液体流量、不同的冷却液体温度和不同的环境温度；

数据获取步骤：在所述电机试验步骤的过程中，同步采集被试电机的电气、机械、温度时间序列数据，建立样本数据集；

数据建模步骤：根据所述样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；

模型应用步骤：实时采集电机参数，然后载入所述电机转子温度预测模型中，获取电子转子温度预测结果，根据该电子转子温度预测结果进行电机控制。

2.根据权利要求1所述的一种用于控制的电机转子温度预测方法，其特征在于，所述电机包括永磁电机、感应电机、磁阻电机和直流电机。

3.根据权利要求1所述的一种用于控制的电机转子温度预测方法，其特征在于，数据获取步骤中，所述同步采集被试电机的电气、机械、温度时间序列数据具体为：设定数据采集的频率，按一定时间间隔采集电机在不同工况下的电气、机械、温度等参数，并时间序列数据的形式保存，且时序数据的时间基准同步。

4.根据权利要求1所述的一种用于控制的电机转子温度预测方法，其特征在于，所述数据建模步骤具体包括以下子步骤：

数据预处理步骤：对所述样本数据集进行缺失值的填充、异常值的剔除、数据的平滑、数据的标准化、以及将数据整理成适应机器学习模型输入的形式；

数据划分步骤：将经过数据预处理步骤处理后的样本数据集划分为训练集、验证集和测试集；

模型训练步骤：将所述训练集载入预先建立的深度学习模型进行训练，模型训练的流程包括前向误差计算和误差反向传播两个过程，在误差反向传播的过程中对模型参数值进行更新，并通过验证集进行模型验证，判断是否满足预设的模型训练的终止条件，从而确定模型参数；

模型验证步骤：将所述测试集载入训练好的深度学习模型中，采用预设的模型性能评估指标进行模型性能的评估，验证所述深度学习模型的泛化能力。

5.根据权利要求4所述的一种用于控制的电机转子温度预测方法，其特征在于，模型训练步骤中，采用用于模型训练的优化算法对所述深度学习模型以损失函数为目标的优化问题进行求解，找到使得目标函数值最小的一组模型参数值，实现模型参数值的更新，所述优化算法包括SGD算法、Adagrad算法、RMSProp算法或Adam算法。

6.根据权利要求4所述的一种用于控制的电机转子温度预测方法，其特征在于，所述模型性能评估指标包括平均绝对误差MAE、均方根误差RMSE、标准化均方根误差SRMSE、标准差STDDEV、均方误差MSE、平均绝对百分比误差MAPE或最大绝对误差MAX。

7.根据权利要求4所述的一种用于控制的电机转子温度预测方法，其特征在于，所述深度学习模型为LSTM网络，该LSTM网络包括全连接层和多个LSTM记忆单元组合，每个所述LSTM记忆单元组合分别用于处理样本数据集中的一种时间序列数据，各个LSTM记忆单元组合的输出均连接所述全连接层后输出电机转子温度预测值；

所述LSTM记忆单元组合包括第一LSTM记忆单元和第二LSTM记忆单元，所述第一LSTM记忆单元的输入为当前时刻的时间序列数据和前一时刻第一LSTM记忆单元隐藏层的输出、输出为当前时刻第一LSTM记忆单元隐藏层的输出；

所述第二LSTM记忆单元的输入为当前时刻的第一LSTM记忆单元隐藏层的输出和前一时刻第二LSTM记忆单元隐藏层的输出、输出为当前时刻第二LSTM记忆单元隐藏层的输出。