[发明专利]基于模拟退火算法的电机堵转判别方法及装置

说明书

本发明公开一种基于模拟退火算法的电机堵转判别方法及装置。所述方法包括步骤：获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿所述数组X滑动的窗口Y截取所述数组X的部分为数组Z；初始化通过所述数组Z训练的学习模型；基于模拟退火算法获取所述窗口Y的全局最优配置；根据全局最优配置的所述窗口Y训练所述学习模型,以及通过训练后所述学习模型预测至少一电机运行的电流数据的堵转系数；根据所述堵转系数分析当前所述电机的堵转情况。本发明有根据电机运行的电流数据判别电机的堵转,以及避免因电机长期运行,造成电机处在非堵转部分的电流数据对电机堵转的判别造成干扰。

技术领域

本发明涉及电机与拖动领域,具体而言,涉及一种基于模拟退火算法的电机堵转判别方法及装置。

背景技术

电机堵转是电机在转速为0转时持续扭矩输出的情况。出现电机堵转的原因多样,多是因机械自身或人为干预造成的故障。

在电机发生堵转时功率因数低,堵转电流迅速升高,可达到额定电流数倍。那么电机长时间处在堵转状态会使电机烧坏。因此电机堵转试验是电机一般性试验的项目。

电机堵转发生时主要可测量的参量是电流,通过对堵转电流的判别,是现有技术中分析电机堵转发生的技术手段。但随着电机运行环境的复杂,电机因所处的部分工况会表现出近似堵转电流的电流特征。那么在复杂环境或工况下对电机堵转的判别需要研究更加可行的判别方法。

发明内容

基于此,本发明实施例第一方面公开一种基于模拟退火算法的电机堵转判别方法。所述方法包括步骤,S100,获取表征至少一电机历史堵转电流的数组X,并且根据至少一沿所述数组X滑动的窗口Y截取所述数组X的部分为数组Z；S200,初始化通过所述数组Z训练的学习模型；S300,基于模拟退火算法获取所述窗口Y的全局最优配置；S400,根据全局最优配置的所述窗口Y训练所述学习模型,以及通过训练后所述学习模型预测至少一电机运行的电流数据的堵转系数；S500,根据所述堵转系数分析当前所述电机的堵转情况。

在所述发明实施例的公开,所述方法包括步骤,S101,获取若干数组X,所述数组X＝{X1,X2,...,Xn；Q},n∈N且n＞2,Q为堵转系数；S102,配置一窗口Y,所述窗口Y(a,b)＝{Xa,Xa+1,...,Xb；Q}；a、b∈N且0＜a≤b＜n；S103,依据所述窗口Y(a,b)截取所述数组X的部分为数组Z。

在所述发明实施例的公开,所述方法包括步骤,S201,配置依据若干所述数组Z(a,b)训练的学习模型η(a,b)；S202,配置所述学习模型η(a,b)的预测偏差为θ(a,b)。

在所述发明实施例的公开,所述学习模型η(a,b)为BP神经网络模型；所述BP神经网络模型包括输入层、隐含层及输出层；所述输入层提供有与所述窗口Y的元素数目相同的输入节点；所述隐含层提供有m个隐含节点,m∈N且0＜m＜10；所述输出层提供有1个输出节点；所述隐含节点的激活函数为所述输出节点为恒等线性映射函数。

在所述发明实施例的公开,所述方法包括步骤,S301,配置模拟退火算法的收敛条件及初始温度T；S302,赋值a＝ai,b＝bi,获取预测偏差θ(ai,bi)；S303,获取随机自然数Δa及Δb,赋值aj＝ai+Δa,bj＝bi+Δb,获取预测偏差θ(aj,bj)；S304,若θ(aj,bj)-θ(ai,bi)＜0,使ai＝aj,bi＝bj；若θ(aj,bj)-θ(ai,bi)≥0,使T为当前温度,判断p≥ζ,ζ∈(0,1],使ai＝aj,bi＝bj；判断p＜ζ,保持a＝ai及b＝bi；S305,判断至少一收敛条件是否满足,若所述收敛条件满足则评价所述学习模型η(ai,bi)合格,并且建立窗口Y(ai,bi)；若所述收敛条件不满足则使T降低并返回S302。

在所述发明实施例的公开,S303配置有获取随机自然数Δa及Δb,并且Δa-Δb始终为零数、正数或负数的一种。