基于时频空分析的永磁同步电机状态智能预测方法及系统

1.本发明属于永磁同步电机状态预测领域，具体涉及一种基于时频空分析的永磁同步电机状态智能预测方法及系统。


背景技术：

2.永磁同步电机以永磁体提供励磁，使电动机结构比较简单；降低了加工和装配费用，且省去了容易出问题的集电环和电刷，提高了电动机运行的可靠性；又因无需励磁电流，没有励磁损耗，提高了电动机的效率和功率密度。相比其他电机，永磁同步电机具有使用寿命长、使用安全性高等特点，其在航空航天、汽车制造、家用电器和智能机器人等领域有众多应用，所以永磁同步电机的状态对于保障行业内正常工作有重要意义。
3.随着相关智能行业的发展，对永磁同步电机的状态预测提出了更高的要求。目前针对永磁同步电机的状态预测方法主要是根据已有的电机物理量间关系式通过传统机器学习模型来进行状态预测，传统的机器学习模型提取电机物理量的大量特征进行建模，但这些模型仍难以解决以下问题：(1)永磁同步电机物理量间关系都是非线性的，虽有确定的公式来描述电机物理量间关系，但在实际的运行工况中，温度、电阻等参数会不断变化，而公式中这些参数都是恒定值，所以描述的电机物理量间关系与真实关系有较大偏差；(2)永磁同步电机生成的物理量数据都是离散的时间序列，传统的机器学习模型太过于依赖短期的历史信息，而忽略了长期历史信息的影响；部分深度学习模型使用如lstm等方法学习序列中的长期历史信息，而忽略了短期历史信息的影响，以及对数据处理的不当，都将导致预测的电机物理量存在不同程度的时间滞后问题；(3)永磁同步电机生成的物理量数据都是高频的、具有混合周期性的，传统的机器学习模型只能捕获数据中低频的或单一周期性的信息。
4.深度学习由于其强大的建模能力和函数拟合能力，通常被用来处理各种各样的时间序列建模问题。目前也有少量方法使用深度学习模型进行永磁同步电机的状态预测，但这些方法通常只解决了上述难题中的某一个，还没有能同时解决上述三种难题的方法。


技术实现要素：

5.鉴于上述问题，本发明实施例提供了一种基于时频空分析的永磁同步电机状态智能预测方法及系统。
6.本发明实施例采用的技术方案如下：
7.第一方面，本发明实施例提供了一种基于时频空分析的永磁同步电机状态智能预测方法，包括如下步骤：
8.步骤s1，设定永磁同步电机m元输入物理量和n元输出物理量；
9.步骤s2，基于输入物理量采用长短期记忆神经网络构建全局时域信息表示模型，以得到输入物理量在时域上的全局时域信息；
10.步骤s3，基于全局时域信息采用时空卷积神经网络stconv构建局部时域和空间信
息表示模型，以得到输入物理量的局部时域和空间信息；
11.步骤s4，基于全局时域信息采用频谱分析网络sfd构建频域信息表示模型，以得到输入物理量的频域信息；
12.步骤s5，对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，得到永磁同步电机状态智能预测模型；
13.步骤s6，采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集；
14.步骤s7，采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试；
15.步骤s8，采集永磁同步电机当前时刻的m元输入物理量，并将输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，判断永磁同步电机的状态。
16.作为本发明的一个优选实施例，输入物理量包括d、q、a、b四轴电压，输出物理量包括转速、转矩、d轴电流和q轴电流，m＝4，n＝4。
17.作为本发明的一个优选实施例，步骤s2中，所述全局时域信息表示模型如式(1)所示：
18.h
t
＝g(h
t-1
，x
t
)
ꢀꢀꢀꢀ
(1)
19.式(1)中，x
t
∈r
m*1
表示的是t时刻的输入物理量，h
t-1
、h
t
∈r
m*1
分别表示的是t-1、t时刻的全局时域信息，所有时刻的全局时域信息构成一个时间序列，g是lstm网络的内置函数。
20.作为本发明的一个优选实施例，步骤s3中，所述stconv网络能够同步对时域和空间域进行卷积，所构建的局部时域和空间信息表示模型如式(2)所示：
[0021][0022]
式(2)中，表示t时刻获取的局部时域和空间信息，h
t-w+1：t
表示从t-w+1时刻到t时刻的全局时域信息，w为进行信息提取的全局时域信息时间序列的窗口长度；k为stconv网络的卷积核数量，α
si
∈r
m*1
，α
fi
∈r
w*1
表示两个新引入的沿着卷积核wi的空间维度、时间维度计算的注意力。
[0023]
作为本发明的一个优选实施例，步骤s3中，所述sfd网络包括傅立叶变换fft层、空间线性层、逆傅立叶变换层ifft。
[0024]
作为本发明的一个优选实施例，所述频域信息表示模型如式(3)所示：
[0025][0026]
式(3)中，分别表示傅立叶变换函数和傅立叶逆变换函数，a∈r
f*m*m
，b∈r
f*m
是空间线性层中的参数，表示将全局时域信息通过傅立叶变换转换为可学习的频域信息，表示通过傅立叶逆变换后将学习到的频域信息转换为时域表示；
[0027]
取中的作为学习到的t时刻的频域信息。
[0028]
作为本发明的一个优选实施例，步骤s5中所述融合，包括如下步骤：
[0029]
步骤s51，将经过stconv得到的局部时域和空间信息和经过sfd得到的频域信息进行拼接，公式为：
[0030][0031]
式(4)中，分别是得到的t时刻的局部时域信息和空间信息表示、频域信息表示，z
t
是得到的t时刻的融合信息。
[0032]
步骤s52，将所述融合信息输入到转换线性层中，，与当前时刻的输出物理量进行对应，得到最终的模型架构；所述融合信息与输出物理量的对应模型如公式(5)所示：
[0033][0034]
式(5)中，表示t时刻的输出物理量，w
′
、bias是线性层的权重参数和偏置参数。
[0035]
作为本发明的一个优选实施例，步骤s6中，数据预处理包括标准化和滑窗；其中，
[0036]
对训练用数据进行标准化计算公式为：
[0037]
p’＝p
min
+(p-p
min
)/(p
max-p
min
)
ꢀꢀꢀ
(6)
[0038]
公式(6)中，p
min
、p
max
分别表示序列p中的最小值与最大值，p表示原始序列，p’表示标准化后的序列；
[0039]
在对测试用数据进行标准化时，仍然采用公式(6)，其中的p
min
、p
max
来自训练集；
[0040]
所述滑窗是对标准化后的数据以窗口大小w作为基本结构单元长度来截取输入数据，从而将输入数据重塑为指定长度的样本。
[0041]
作为本发明的一个优选实施例，步骤s7中，所述测试，具体步骤包括：将经过数据预处理的测试集中的输入物理量，输入所述成熟的永磁同步电机状态预测智能模型中，输出预测输出物理量，并计算输出物理量的预测数据与真实数据的均方误差mse对模型进行评估；
[0042]
采用mse对模型进行评估的计算公式为：
[0043][0044]
式(7)中，yi表示输出物理量中的第i元，分别表示t时刻第i元输出物理量的真实值和预测值。
[0045]
第二方面，本发明实施例还提供了一种基于时频空分析的永磁同步电机状态智能预测系统，所述系统包括：数据采集模块、数据预处理模块、全局时域信息表示模块、局部时域和空间信息表示模块、频域信息表示模块、智能预测模型构建模块和结果输出模块；其中，
[0046]
所述数据采集模块用于设定永磁同步电机m元输入物理量和n元输出物理量，并采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，以及采集待预测的当前时刻的m元输入物理量；
[0047]
所述数据预处理模块用于将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集；
[0048]
所述全局时域信息表示模块用于基于输入物理量采用长短期记忆神经网络构建
全局时域信息表示模型，并将得到的输入物理量在时域上的全局时域信息发送给局部时域和空间信息表示模块和频域信息表示模块；
[0049]
所述局部时域和空间信息表示模块用于基于全局时域信息采用时空卷积神经网络构建局部时域和空间信息表示模型，并输出局部时域和空间信息；
[0050]
所述频域信息表示模块用于基于全局时域信息采用频谱分析网络sfd构建频域信息表示模型，并输出输入物理量的频域信息；
[0051]
所述智能预测模型构建模块用于对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，构建永磁同步电机状态预测智能模型；还用于采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试；还用于将采集的当前时刻的m元输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，并将预测结果发送给所述结果输出模块；
[0052]
所述结果输出模块用于输出所预测的n元输出物理量，判断永磁同步电机的状态。
[0053]
本发明具有如下有益效果：
[0054]
本发明实施例所提供的基于时频空分析的永磁同步电机状态智能预测方法及系统，通过学习电机物理量时域上的全局信息以解决电机状态预测时间滞后的问题；在此基础上，同时学习电机物理量的频域信息以及电机物理量间的空间信息和局部时域信息；学习电机物理量的频域信息可以捕获电机物理量本身的高频特性和混合周期性，以提高电机状态预测精度；学习电机物理量间的空间信息可以动态的捕获电机物理量间的非线性耦合关系，使电机预测更符合实际情况，提高预测结果的准确性；学习电机物理量的局部时域信息可以更好的学习电机物理量短期的状态变化，进一步提高了电机状态预测的精度；通过从时频空三个方向分析电机物理量，可以充分的捕获到数据中各种各样的特征，提高了电机状态预测的精度、准确性及实时性。
附图说明
[0055]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0056]
图1为本发明实施例提出的基于时频空分析的永磁同步电机状态智能预测方法流程图；
[0057]
图2为本发明实施例提出的基于时频空分析的永磁同步电机状态智能预测模型的网络结构图。
具体实施方式
[0058]
下面通过参考示范性实施例，并结合附图，对本发明技术问题、技术方案和优点进行详细阐明。以下所述示范性实施例仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术
语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非在这里进行定义，否则不会用理想化或过于正式的含义来解释。
[0059]
本技术发明人经过详细研究发现，目前还没有从时频空三个角度专门针对永磁同步电机状态预测设计的深度学习模型，传统机器学习模型和一般的深度学习模型不能学习到电机物理量本身以及电力物理量间的信息。基于此，本技术实施例提出了一种基于时频空分析的永磁同步电机状态智能预测方法及系统，能够学习电机物理量的全局、局部时域信息与频域信息，解决永磁同步电机状态预测出现的时间滞后问题，并能提取到数据本身具有的高频性、混合周期性特征，大大提高了电机状态预测的精度；电机物理量间关系有明确的公式定义，但实际情况中温度、电阻等参数是时刻变化的，所以固定的公式不能准确描述电机物理量间关系，目前有少量工作使用卷机神经网络(cnn)去动态的学习电机物理量间关系，但这些工作使用的cnn网络只有一个卷积核，其感受野有限，不能充分学习到电机物理量间关系，本发明使用具有多个卷积核的cnn网络，扩大了网络的感受野，并大大提高了电机状态预测的实时性和精度。
[0060]
参见图1和图2，本发明实施例提供的基于时频空分析的永磁同步电机状态智能预测方法，所述智能预测方法包括如下步骤：
[0061]
步骤s1，设定永磁同步电机m元输入物理量和n元输出物理量。
[0062]
本步骤中，根据永磁同步电机的实际工作状态进行输入和输出物理量的设定。例如，输入物理量包括d、q、a、b四轴电压，输出物理量包括转速、转矩、d轴电流和q轴电流，m＝4，n＝4。
[0063]
步骤s2，分析输入物理量的全局时域信息。基于输入物理量采用长短期记忆神经网络(long and short time memory，lstm)构建全局时域信息表示模型，以得到输入物理量在时域上的全局时域信息。
[0064]
本步骤中，所构建的全局时域信息表示模型如式(1)所示：
[0065]ht
＝g(h
t-1
，x
t
)
ꢀꢀꢀꢀ
(1)
[0066]
式(1)中，x
t
∈r
m*1
表示的是t时刻的输入物理量，h
t-1
、h
t
∈r
m*1
分别表示的是t-1、t时刻的全局时域信息，所有时刻的全局时域信息构成一个时间序列，g是lstm网络的内置函数。
[0067]
将所设定的输入物理量输入所述全局时域信息表示模型中，得到每一个输入物理量在时域上每一时刻的全局时域信息。
[0068]
步骤s3，分析输入物理量的局部时域和空间信息。基于全局时域信息采用时空卷积神经网络(stconv)构建局部时域和空间信息表示模型，以得到输入物理量的局部时域和空间信息。
[0069]
本步骤中，所述stconv网络可以同步对时域和空间域进行卷积，所构建的局部时域和空间信息表示模型如式(2)所示：
[0070][0071]
式(2)中，表示t时刻获取的局部时域和空间信息，h
t-w+1：t
表示从t-w+1时刻到t时刻的全局时域信息，w为进行信息提取的全局时域信息时间序列的窗口长度；k为stconv
网络的卷积核数量，α
si
∈r
m*1
，α
fi
∈r
w*1
表示两个新引入的沿着卷积核wi的空间维度、时间维度计算的注意力，这里的i表示任意一个卷积核。
[0072]
将从t-w+1时刻到t时刻的全局时域信息输入局部时域和空间信息表示模型中，得到t时刻的局部时域和空间信息。
[0073]
通过在全局时域信息构成的时间序列上进行多核卷积学习局部时域信息，解决了电机物理量预测滞后的问题；在空间维度上进行多核卷积，扩大了网络的感受野，使网络学习到的信息更多，并将不同卷积核学习到的信息通过注意力结合起来，大大提高了动态学习电机物理量间关系的准确性，也提高了电机物理量预测的精度和准确性。
[0074]
步骤s4，分析输入物理量的频域信息。基于全局时域信息采用频谱分析网络(sfd)构建频域信息表示模型，以得到输入物理量的频域信息。
[0075]
本步骤中，所述sfd网络包括傅立叶变换(fft)层、空间线性层、逆傅立叶变换层(ifft)。首先将w长度的全局时域信息时间序列通过傅立叶变换转换为长度为的频域序列，然后将频域序列输入到空间线性层中学习频域信息，最后将空间线性层的输出输入到逆傅立叶变换层中，将频域序列转换为时域上的时间序列，再从时间序列中取到t时刻的用时域表示的频域信息。其模型公式如式(3)所示：
[0076][0077]
式(3)中，分别表示傅立叶变换函数和傅立叶逆变换函数，a∈r
f*m*m
，b∈r
f*m
是空间线性层中的参数，表示将全局时域信息通过傅立叶变换转换为可学习的频域信息，表示通过傅立叶逆变换后将学习到的频域信息转换为时域表示，则学习到的t时刻的频域信息为
[0078]
将从t-w+1时刻到t时刻的全局时域信息输入频域信息表示模型中，得到从t-w+1时刻到t时刻的频域信息。通过在全局时域信息构成的时间序列上进行频谱分析，可以从频域信息中捕获电机物理量本身具有的高频、混合周期性特征。
[0079]
步骤s5，对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，得到永磁同步电机状态智能预测模型，所述模型以m元输入物理量和n元输出物理量作为输入和输出，包括全局时域信息表示模型、局部时域和空间信息表示模型、频域信息表示模型、融合模型和融合信息与输出物理量的对应模型。
[0080]
本步骤中，永磁同步电机状态预测的stconv和sfd输出的特征表示进行融合，然后将融合信息输入一个转换线性层，将转换线性层的输出与当前特征表示对应的输出物理量进行对应，，得到基于时频空分析的永磁同步电机状态智能预测模型。
[0081]
本步骤中，所述融合，包括如下步骤：
[0082]
步骤s51，将经过stconv得到的局部时域和空间信息和经过sfd得到的频域信息进行拼接，其公式为：
[0083][0084]
式(4)中，分别是得到的t时刻的局部时域和空间信息表示、频域信息表示，z
t
是得到的t时刻的融合信息。
[0085]
步骤s52，将步骤s51得到的融合信息输入到转换线性层中，与当前时刻的输出物
理量进行对应，得到最终的模型架构。
[0086]
本步骤中，所述融合信息与输出物理量的对应模型如公式(5)所示：
[0087][0088]
式(5)中，表示t时刻的输出物理量，w
′
、bias是线性层的权重参数和偏置参数。
[0089]
步骤s6，采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集。
[0090]
本步骤中，对历史数据进行预处理，包括标准化和滑窗。
[0091]
其中，对训练用数据进行标准化计算公式为：
[0092]
p’＝p
min
+(p-p
min
)/(p
max-p
min
)
ꢀꢀꢀ
(6)
[0093]
公式(6)中，p
min
、p
max
分别表示序列p中的最小值与最大值，p表示原始序列，p’表示标准化后的序列。在对测试用数据进行标准化时，仍然采用公式(6)，不同的是，其中的p
min
、p
max
来自训练集。
[0094]
所述滑窗是对标准化后的数据以窗口大小w作为基本结构单元长度来截取输入数据，从而将输入数据重塑为指定长度的样本，以便模型的训练和测试。
[0095]
优选地，按照5∶5的比例将历史数据划分为训练用数据和测试用数据。也可以根据实际需要进行其他比例的数据分配。
[0096]
步骤s7，采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试。
[0097]
本步骤中，所述测试部分具体步骤包括：将经过数据预处理的测试集中的输入物理量，输入所述成熟的永磁同步电机状态预测智能模型中，输出预测输出物理量，并计算输出物理量的预测数据与真实数据的均方误差mse，对模型进行评估。
[0098]
采用mse对模型进行评估，计算公式为：
[0099][0100]
式(7)中，yi表示输出物理量中的第i元，分别表示t时刻第i元输出物理量的真实值和预测值。
[0101]
步骤s8，采集永磁同步电机当前时刻的m元输入物理量，并将输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，并判断永磁同步电机的状态，完成对永磁同步电机的状态预测。
[0102]
由以上技术方案可以看出，本发明实施例所述的一种基于时频空分析的永磁同步电机状态智能预测方法，通过学习电机物理量时域上的全局信息以解决电机状态预测时间滞后的问题。在此基础上，同时学习电机物理量的频域信息以及电机物理量间的空间信息和局部时域信息。学习电机物理量的频域信息可以捕获电机物理量本身的高频特性和混合周期性，以提高电机状态预测精度；学习电机物理量间的空间信息可以动态的捕获电机物理量间的非线性耦合关系，使电机预测更符合实际情况；学习电机物理量的局部时域信息可以更好的学习电机物理量短期的状态变化，进一步提高了电机状态预测的精度。总之，通过从时频空三个方向分析电机物理量，可以充分的捕获到数据中各种各样的特征，以大大
提高电机状态预测的精度。
[0103]
基于同样的思想，本发明实施例还提供了一种基于时频空分析的永磁同步电机状态智能预测系统，所述系统包括：数据采集模块、数据预处理模块、全局时域信息表示模块、局部时域和空间信息表示模块、频域信息表示模块、智能预测模型构建模块和结果输出模块。
[0104]
其中，所述数据采集模块用于设定永磁同步电机m元输入物理量和n元输出物理量，并采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，以及采集待预测的当前时刻的m元输入物理量；
[0105]
所述数据预处理模块用于将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集；
[0106]
所述全局时域信息表示模块用于基于输入物理量采用长短期记忆神经网络构建全局时域信息表示模型，并将得到的输入物理量在时域上的全局时域信息发送给局部时域和空间信息表示模块和频域信息表示模块；
[0107]
所述局部时域和空间信息表示模块用于基于全局时域信息采用时空卷积神经网络构建局部时域和空间信息表示模型，并输出局部时域和空间信息；
[0108]
所述频域信息表示模块用于基于全局时域信息采用频谱分析网络sfd构建频域信息表示模型，并输出输入物理量的频域信息；
[0109]
所述智能预测模型构建模块用于对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，构建永磁同步电机状态预测智能模型；还用于采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试；还用于将采集的当前时刻的m元输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，并将预测结果发送给所述结果输出模块；
[0110]
所述结果输出模块用于输出所预测的n元输出物理量，判断永磁同步电机的状态。
[0111]
本实施例中各模块通过处理器实现，当需要存储时适当增加存储器。其中，所述处理器可以是但不限于微处理器mpu、中央处理器(central processing unit，cpu)、网络处理器(network processor，np)、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件等。所述存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0112]
另外需要说明的是，本实施例所述于时频空分析的永磁同步电机状态智能预测系统与所述于时频空分析的永磁同步电机状态智能预测方法是对应的，对所述方法的描述与限定，同样适用于所述系统，在此不再赘述。
[0113]
以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护
范围之内。

技术特征：
1.一种基于时频空分析的永磁同步电机状态智能预测方法，其特征在于，包括如下步骤：步骤s1，设定永磁同步电机m元输入物理量和n元输出物理量；步骤s2，基于输入物理量采用长短期记忆神经网络构建全局时域信息表示模型，以得到输入物理量在时域上的全局时域信息；步骤s3，基于全局时域信息采用时空卷积神经网络stconv构建局部时域和空间信息表示模型，以得到输入物理量的局部时域和空间信息；步骤s4，基于全局时域信息采用频谱分析网络sfd构建频域信息表示模型，以得到输入物理量的频域信息；步骤s5，对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，得到永磁同步电机状态智能预测模型；步骤s6，采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集；步骤s7，采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试；步骤s8，采集永磁同步电机当前时刻的m元输入物理量，并将输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，判断永磁同步电机的状态。2.根据权利要求1所述的永磁同步电机状态智能预测方法，其特征在于，输入物理量包括d、q、a、b四轴电压，输出物理量包括转速、转矩、d轴电流和q轴电流，m＝4，n＝4。3.根据权利要求1所述的永磁同步电机状态智能预测方法，其特征在于，步骤s2中，所述全局时域信息表示模型如式(1)所示：h
t
＝g(h
t-1
，x
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，x
t
∈r
m*1
表示的是t时刻的输入物理量，h
t-1
、h
t
∈r
m*1
分别表示的是t-1、t时刻的全局时域信息，所有时刻的全局时域信息构成一个时间序列，g是lstm网络的内置函数。4.根据权利要求3所述的永磁同步电机状态智能预测方法，其特征在于，步骤s3中，所述stconv网络能够同步对时域和空间域进行卷积，所构建的局部时域和空间信息表示模型如式(2)所示：式(2)中，表示t时刻获取的局部时域和空间信息，h
t-w+1：t
表示从t-w+1时刻到t时刻的全局时域信息，w为进行信息提取的全局时域信息时间序列的窗口长度；k为stconv网络的卷积核数量，α
si
∈r
m*1
，α
fi
∈r
w*1
表示两个新引入的沿着卷积核w
i
的空间维度、时间维度计算的注意力。5.根据权利要求4所述的永磁同步电机状态智能预测方法，其特征在于，步骤s3中，所述sfd网络包括傅立叶变换fft层、空间线性层、逆傅立叶变换层ifft。6.根据权利要求5所述的永磁同步电机状态智能预测方法，其特征在于，所述频域信息表示模型如式(3)所示：
式(3)中，分别表示傅立叶变换函数和傅立叶逆变换函数，a∈r
f*m*m
，b∈r
f*m
是空间线性层中的参数，表示将全局时域信息通过傅立叶变换转换为可学习的频域信息，表示通过傅立叶逆变换后将学习到的频域信息转换为时域表示；取中的作为学习到的t时刻的频域信息。7.根据权利要求6所述的永磁同步电机状态智能预测方法，其特征在于，步骤s5中所述融合，包括如下步骤：步骤s51，将经过stconv得到的局部时域和空间信息和经过sfd得到的频域信息进行拼接，公式为：式(4)中，分别是得到的t时刻的局部时域信息和空间信息表示、频域信息表示，z
t
是得到的t时刻的融合信息。步骤s52，将所述融合信息输入到转换线性层中，，与当前时刻的输出物理量进行对应，得到最终的模型架构；所述融合信息与输出物理量的对应模型如公式(5)所示：式(5)中，表示t时刻的输出物理量，w
′
、bias是线性层的权重参数和偏置参数。8.根据权利要求1所述的永磁同步电机状态智能预测方法，其特征在于，步骤s6中，数据预处理包括标准化和滑窗；其中，对训练用数据进行标准化计算公式为：p’＝p
min
+(p-p
min
)/(p
max-p
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)公式(6)中，p
min
、p
max
分别表示序列p中的最小值与最大值，p表示原始序列，p’表示标准化后的序列；在对测试用数据进行标准化时，仍然采用公式(6)，其中的p
min
、p
max
来自训练集；所述滑窗是对标准化后的数据以窗口大小w作为基本结构单元长度来截取输入数据，从而将输入数据重塑为指定长度的样本。9.根据权利要求1所述的永磁同步电机状态智能预测方法，其特征在于，步骤s7中，所述测试，具体步骤包括：将经过数据预处理的测试集中的输入物理量，输入所述成熟的永磁同步电机状态预测智能模型中，输出预测输出物理量，并计算输出物理量的预测数据与真实数据的均方误差mse对模型进行评估；采用mse对模型进行评估的计算公式为：式(7)中，y
i
表示输出物理量中的第i元，分别表示t时刻第i元输出物理量的真实值和预测值。10.一种基于时频空分析的永磁同步电机状态智能预测系统，其特征在于，所述系统包括：数据采集模块、数据预处理模块、全局时域信息表示模块、局部时域和空间信息表示模
块、频域信息表示模块、智能预测模型构建模块和结果输出模块；其中，所述数据采集模块用于设定永磁同步电机m元输入物理量和n元输出物理量，并采集当前电机运行时产生的m元输入物理量和n元输出物理量的历史数据，以及采集待预测的当前时刻的m元输入物理量；所述数据预处理模块用于将历史数据划分为训练用数据和测试用数据，并分别进行数据预处理后得到训练集和测试集；所述全局时域信息表示模块用于基于输入物理量采用长短期记忆神经网络构建全局时域信息表示模型，并将得到的输入物理量在时域上的全局时域信息发送给局部时域和空间信息表示模块和频域信息表示模块；所述局部时域和空间信息表示模块用于基于全局时域信息采用时空卷积神经网络构建局部时域和空间信息表示模型，并输出局部时域和空间信息；所述频域信息表示模块用于基于全局时域信息采用频谱分析网络sfd构建频域信息表示模型，并输出输入物理量的频域信息；所述智能预测模型构建模块用于对所述局部时域和空间信息、频域信息进行融合，将融合后的融合信息与输出物理量进行对应，构建永磁同步电机状态预测智能模型；还用于采用训练集对永磁同步电机状态智能预测模型进行训练，训练完成后得到各模型对应的参数，从而得到成熟的永磁同步电机状态智能预测模型；再采用测试集对永磁同步电机状态智能预测模型进行测试；还用于将采集的当前时刻的m元输入物理量输入成熟的永磁同步电机状态智能预测模型，得到预测的n元输出物理量，并将预测结果发送给所述结果输出模块；所述结果输出模块用于输出所预测的n元输出物理量，判断永磁同步电机的状态。

技术总结
本发明提供了一种基于时频空分析的永磁同步电机状态智能预测方法和系统，属于永磁同步电机状态预测领域。所述方法首先提取电机物理量的全局时域信息，再提取局部时域和空间信息及频域信息，将所获得的信息进行融合后与输出物理量进行对应，构建永磁同步电机状态智能预测模型；基于历史数据对模型进行训练和测试后，得到成熟的永磁同步电机状态智能预测模型；再将待测试的输入物理量输入到成熟的永磁同步电机状态智能预测模型中，输出预测的输出物理量，进行电机状态的预测。本发明捕获了电机物理量本身的高频特性和混合周期性，动态捕获电机物理量间的非线性耦合关系，提高了状态预测精度、准确度，同时提高了对永磁同步电机状态预测的实时性。状态预测的实时性。状态预测的实时性。


技术研发人员：王晶 白云飞 林友芳 张宏钧 韩升 万怀宇 陈逸飞
受保护的技术使用者：北京交通大学
技术研发日：2022.07.09
技术公布日：2022/11/1