CN118117937A - 一种电机转子位置检测方法及*** - Google Patents
一种电机转子位置检测方法及*** Download PDFInfo
- Publication number
- CN118117937A CN118117937A CN202410525028.0A CN202410525028A CN118117937A CN 118117937 A CN118117937 A CN 118117937A CN 202410525028 A CN202410525028 A CN 202410525028A CN 118117937 A CN118117937 A CN 118117937A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- rotation time
- interval
- sequence interval
- rotation
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 123
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000000737 periodic effect Effects 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机转子位置检测技术领域,具体涉及一种电机转子位置检测方法及***,本发明首先通过增量式光电编码器得到的电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号,得到每个旋转时序区间以及对应的所有相位状态码;根据旋转时序区间的时间长度变化、相位状态码数量、相位状态码周期分布情况以及时间长度,得到参考异常程度;从而结合旋转时序区间之间的参考异常程度差异、关联性和电机运行状态差异进行聚类分析,更加准确的筛选出需要修正的异常的旋转时序区间,从而提高修正后的电机脉冲信号的准确性,根据修正后的电机脉冲信号进行电机转子位置检测的准确性更高。
Description
技术领域
本发明涉及电机转子位置检测技术领域,具体涉及一种电机转子位置检测方法及***。
背景技术
电机转子是电机内部的旋转部件,通常为磁性材料,通过将电能转化为机械能来产生旋转运动。考虑到要使得电机以最大效率运行时,需要精确的确定电机转子的位置;因此需要进行电机转子位置检测。传统的电机转子位置检测方法通常是基于光电效应原理,借助增量式光电编码器输出的电机脉冲信号检测转子的位置。但是通过增量式光电编码器得到的电机脉冲信号,容易受到外界或检测器件老化等环境因素影响导致出现信号异常,从而导致检测得到的电机转子位置不准确。因此需要对异常的信号值进行替换或去除。
现有技术通常将脉冲信号的各个旋转时序区间的局部脉冲信号输入到训练好的深度学习模型中,输出存在异常的旋转时序区间,并通过局部插值方法对旋转时序区间的局部脉冲信号进行修正。但是单独的将每个旋转时序区间的局部脉冲信号输入到深度学习模型的方法,会忽视不同的旋转时序区间的信号之间的关联性以及电机运行过程中转子不同转向输出的相位数据不同的特点,使得现有技术采用深度学习模型筛选出异常的旋转时序区间的方法得到的异常的旋转时序区间的准确度较差,影响修正后的电机脉冲信号的准确性,使得根据修正后的电机脉冲信号进行电机转子位置检测的准确性较低。
发明内容
为了解决现有技术采用深度学习模型筛选出异常的旋转时序区间的方法得到的异常的旋转时序区间的准确度较差,影响修正后的电机脉冲信号的准确性,使得根据修正后的电机脉冲信号进行电机转子位置检测的准确性较低的技术问题,本发明的目的在于提供一种电机转子位置检测方法及***,所采用的技术方案具体如下:
本发明提出了一种电机转子位置检测方法,所述方法包括:
通过增量式光电编码器采集电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号;根据Z相方波脉冲信号中的电平变化,将所述电机工作时间段划分为至少两个旋转时序区间;根据所述A相方波脉冲信号与所述B相方波脉冲信号的电平状态,得到每个旋转时序区间的所有相位状态码;
根据相邻的旋转时序区间之间的时间长度变化,以及每个旋转时序区间的相位状态码数量,得到每个旋转时序区间的时序可信度因子;根据每个旋转时序区间的相位状态码周期分布情况、时序可信度因子以及时间长度,得到每个旋转时序区间的参考异常程度;
根据各个旋转时序区间之间的参考异常程度相似情况、相位状态码关联性以及时间长度相似情况进行聚类分析,得到至少两个旋转时序区间聚类簇;根据各个旋转时序区间聚类簇中的参考异常程度分布情况,筛选出异常旋转时序区间聚类簇;
对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测。
进一步地,所述旋转时序区间的获取方法包括:
将Z相方波脉冲信号中信号由低电平转换为高电平对应的时刻,作为间隔时刻;将相邻间隔时刻之间的时间区间作为一个旋转时序区间。
进一步地,所述相位状态码的获取方法包括:
获取每个时刻的参考状态码;所述参考状态码为两位二进制数,其中第一位二进制数为B相方波脉冲信号的电平状态码,第二位二进制数为A相方波脉冲信号的电平状态码;
在每个旋转时序区间中,将参考状态码发生变化的时刻,作为状态变化时刻;将每个状态变化时刻对应的前一个时刻的参考状态码,作为每个状态变化时刻的相位状态码。
进一步地,所述时序可信度因子的获取方法包括:
在时间顺序上,将每个旋转时序区间的时间长度与前一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第一时间长度变化值;将每个旋转时序区间的时间长度与后一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第二时间长度变化值;将所述第一时间长度变化值与所述第二时间长度变化值之间的差异,与每个旋转时序区间的时间长度之间的比值,作为每个旋转时序区间的旋转变化异常程度;
将所有旋转时序区间的相位状态码数量的众数与每个旋转时序区间的相位状态码数量之间的差异,作为每个旋转时序区间的状态码数量异常程度;
将所述旋转变化异常程度与所述状态码数量异常程度之间乘积的负相关映射值,作为每个旋转时序区间的时序可信度因子。
进一步地,所述参考异常程度的获取方法包括:
在时间顺序上,将每个相位状态码之后的第预设状态周期数量个相位状态码,作为每个相位状态码的周期状态码;将每个相位状态码与对应的周期状态码之间的异或运算值,作为每个相位状态码的周期状态差异;将每个旋转时序区间中所有周期状态差异的均值,作为每个旋转时序区间的周期异常值;
将所述时序可信度因子与所述每个旋转时序区间的时间长度的乘积,作为每个旋转时序区间的参考乘积;将所述周期异常值与所述参考乘积之间的比值的正相关映射值,作为每个旋转时序区间的参考异常程度。
进一步地,所述旋转时序区间聚类簇的获取方法包括:
在时间顺序上,将每个旋转时序区间的预设邻域窗口内的旋转时序区间,作为每个旋转时序区间的参考时序区间;将每个参考时序区间的参考异常程度的归一化值的负相关映射值,作为每个参考时序区间的异常程度权重;将每个参考时序区间的时间长度与所述异常程度权重的乘积,作为每个参考时序区间的加权时间长度;将每个旋转时序区间对应的所有参考时序区间的加权时间长度的累加值,作为每个旋转时序区间的电机运行特征参数;
将每个旋转时序区间中的所有相位状态码以时间顺序排列,得到每个旋转时序区间的相位状态码时序序列;
依次将每个旋转时序区间作为目标时序区间;将目标时序区间之外的其他旋转时序区间,作为目标时序区间的对比时序区间;根据目标时序区间与每个对比时序区间之间的相位状态码时序序列关联性、电机运行特征参数差异与参考异常程度差异,得到目标时序区间与每个对比时序区间之间的参考聚类距离;
根据每个旋转时序区间与其余各个旋转时序区间之间的参考聚类距离,通过K-means聚类算法进行聚类分析,得到至少两个旋转时序区间聚类簇。
进一步地,所述参考聚类距离的计算公式包括:
其中,为目标时序区间/>与对应的第/>个对比时序区间之间的参考聚类距离;/>为目标时序区间/>的参考异常程度;/>为目标时序区间/>对应的第/>个对比时序区间的参考异常程度;/>为目标时序区间/>的电机运行特征参数;/>为目标时序区间/>对应的第/>个对比时序区间的电机运行特征参数;/>为目标时序区间/>的相位状态码时序序列与对应的第/>个对比时序区间的相位状态码时序序列之间的皮尔逊相关系数。
进一步地,所述异常旋转时序区间聚类簇的获取方法包括:
将每个旋转时序区间聚类簇中所有旋转时序区间的参考异常程度的均值,作为每个旋转时序区间聚类簇的异常判定值;
将最大的异常判定值对应的旋转时序区间聚类簇,作为异常旋转时序区间聚类簇。
进一步地,所述对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测的方法包括:
将异常旋转时序区间聚类簇中的旋转时序区间,作为异常旋转时序区间;将异常旋转时序区间之外的其他旋转时序区间,作为正常旋转时序区间;将时序上与每个异常旋转时序区间相隔最近的正常旋转时序区间,作为每个异常旋转时序区间的匹配旋转时序区间;
依次将A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号作为目标方波脉冲信号;在目标方波脉冲信号上,将每个异常旋转时序区间用对应的匹配旋转时序区间进行替换,得到修正后的目标方波脉冲信号;
根据修正后的A相方波脉冲信号、修正后的B相方波脉冲信号和修正后的Z相方波脉冲信号通过增量式光电编码器的解码表进行解码处理,得到解码结果;根据解码结果得到电机转子位置。
本发明还提出了一种电机转子位置检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项一种电机转子位置检测方法的步骤。
本发明具有如下有益效果:
增量式光电编码器基于光电效应原理能够在电机工作过程中,采集到A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号,其中电机转子光栅盘每旋转一圈后Z相方波脉冲信号会出现短暂的电平变化,因此若根据Z相方波脉冲信号的电平变化进行旋转时序区间的划分,则旋转时序区间的时间长度能够表征电机转子光栅盘旋转速度。而A相方波脉冲信号与B相方波脉冲信号的相位差能够确定旋转方向;同一种旋转方向且正常的工作状态下,A相方波脉冲信号与B相方波脉冲信号对应的相位状态码会呈现规律性的变化,并且在正常运转情况下,随着电机转子旋转速度的增加,A相方波脉冲信号与B相方波脉冲信号的电平变化频率会提高,使得电机转子光栅盘旋转一周的情况下相位状态码的数量总是不变的;并且正常运转情况下电机转子的旋转速度在短时间内的变化通常是较为均匀的;因此本发明根据电机正常运转情况下的特点,根据相邻的旋转时序区间之间的时间长度变化,以及每个旋转时序区间的相位状态码数量,得到每个旋转时序区间的时序可信度因子,通过时序可信度因子初步表征每个旋转时序区间的异常。
旋转时序区间的时间长度能够表征电机转子的旋转速度,当旋转速度越大时,输出电流越强,相应的产生的电噪声也就越强,对应的旋转时序区间可能就越异常。并且在旋转时序区间中,相位状态码会呈现周期规律性的变化,因此相位状态码的周期性越差时,对应的旋转时序区间的异常程度越大。因此本发明结合根据每个旋转时序区间的相位状态码周期分布情况、时序可信度因子以及时间长度,得到每个旋转时序区间的参考异常程度,从而结合参考异常程度进一步地筛选出异常的旋转时序区间。
电机正常运行的旋转时序区间对应的异常程度通常较小,也即参考异常程度具有高度的相似性;并且由于电机正常运行的旋转时序区间中相位状态码的变化规律相同,因此电机正常运行的旋转时序区间之间的相位状态码具有高度的关联性;并且当电机运转出现异常时,对应的电机运行状态也会出现异常,而旋转时序区间的时间长度影响电机转子的旋转速度,也即能够通过时间长度间接表征电机运行状态;因此本发明根据各个旋转时序区间之间的参考异常程度相似情况、相位状态码关联性以及时间长度相似情况进行聚类分析,得到至少两个旋转时序区间聚类簇,从而将异常程度以及运行状态相似的旋转时序区间集中到一个聚类簇中,由于正常运行的旋转时序区间之间具有高度的相似性,且参考异常程度均较小,因此可进一步地根据各个旋转时序区间聚类簇中的参考异常程度分布情况,筛选出异常旋转时序区间聚类簇,也即得到本发明所需要的更加准确的异常旋转时序区间,从而提高修正后的电机脉冲信号的准确性,根据修正后的电机脉冲信号进行电机转子位置检测的准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例所提供的一种电机转子位置检测方法流程图;
图2为本发明一个实施例所提供的一种电机反转下的增量式光电编码器信号状态图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种电机转子位置检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种电机转子位置检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电机转子位置检测方法流程图,该方法包括:
步骤S1:通过增量式光电编码器采集电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号;根据Z相方波脉冲信号中的电平变化,将电机工作时间段划分为至少两个旋转时序区间;根据A相方波脉冲信号与B相方波脉冲信号的电平状态,得到每个旋转时序区间的所有相位状态码。
本发明实施例旨在提供一种电机转子位置检测方法,基于光电效应原理,借助增量式光电编码器输出的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号的电平相位变化进行分析,得到更加准确的异常旋转时序区间,从而提高修正后的电机脉冲信号的准确性,根据修正后的电机脉冲信号进行电机转子位置检测的准确性更高。
因此本发明实施例首先通过增量式光电编码器采集电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号,具体地:本发明实施例通过增量式光电编码器中的发光装置发出光线,在电机工作过程中,光栅盘随着电机旋转时对应的光线被分割为一系列光脉冲,通过光敏器件检测这些光脉冲后转化为本发明实施例所需要的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号。
电机转子光栅盘每旋转一圈后Z相方波脉冲信号会出现短暂的电平变化,因此若根据Z相方波脉冲信号的电平变化进行旋转时序区间的划分,则旋转时序区间的时间长度能够表征电机转子光栅盘旋转速度;因此本发明实施例根据Z相方波脉冲信号中的电平变化,将电机工作时间段划分为至少两个旋转时序区间。优选地,旋转时序区间的获取方法包括:
将Z相方波脉冲信号中信号由低电平转换为高电平对应的时刻,作为间隔时刻;将相邻间隔时刻之间的时间区间作为一个旋转时序区间。旋转时序区间的时间长度越长,说明对应的时间段中电机转子的转速越慢。
而A相方波脉冲信号与B相方波脉冲信号的相位差能够确定旋转方向;同一种旋转方向且正常的工作状态下,A相方波脉冲信号与B相方波脉冲信号对应的电平状态会发生规律性的变化,而异常的工作状态下该电平变化规律会受到影响,因此结合电机工作过程中的信号变化规律进行分析能够使得后续检测得到的异常旋转时序区间更加准确。本发明实施例将A相方波脉冲信号与B相方波脉冲信号对应的电平状态量化为相位状态码,从而使得后续的信号分析更加直观;因此本发明实施例根据A相方波脉冲信号与B相方波脉冲信号的电平状态,得到每个旋转时序区间的所有相位状态码。优选地,相位状态码的获取方法包括:
获取每个时刻的参考状态码;参考状态码为两位二进制数,其中第一位二进制数为B相方波脉冲信号的电平状态码,第二位二进制数为A相方波脉冲信号的电平状态码;在每个旋转时序区间中,将参考状态码发生变化的时刻,作为状态变化时刻;将每个状态变化时刻对应的前一个时刻的参考状态码,作为每个状态变化时刻的相位状态码;通过相位状态码的变化能够反映A相方波脉冲信号与B相方波脉冲信号的电平状态的变化。请参阅图2,其示出了一种电机反转下的增量式光电编码器信号状态图;在图2中,A为A相方波脉冲信号,B为B相方波脉冲信号,Z为Z相方波脉冲信号;每个方波脉冲信号处于低位为低电平,处于高位为高电平;A相方波脉冲信号与B相方波脉冲信号的相位差相差90度,用于确定旋转方向,在图2中,对应的相位状态码以01、00、10、11的顺序进行周期性变化。需要说明的是,本发明实施例中的增量式光电编码器为ABZ型编码器,以确保得到A相方波脉冲信号、B相方波脉冲信号以及Z相方波脉冲信号。
步骤S2:根据相邻的旋转时序区间之间的时间长度变化,以及每个旋转时序区间的相位状态码数量,得到每个旋转时序区间的时序可信度因子;根据每个旋转时序区间的相位状态码周期分布情况、时序可信度因子以及时间长度,得到每个旋转时序区间的参考异常程度。
考虑到在同一种旋转方向且正常的工作状态下,A相方波脉冲信号与B相方波脉冲信号对应的相位状态码会呈现规律性的变化,并且在正常运转情况下,随着电机转子旋转速度的增加,A相方波脉冲信号与B相方波脉冲信号的电平变化频率会提高,对应的电机转子光栅盘旋转一周的情况下相位状态码的数量总是不变的;并且正常运转情况下电机转子的旋转速度在短时间内的变化通常是较为均匀的;因此本发明实施例根据正常运转情况下的时间长度特征以及相位状态码数量特征,根据相邻的旋转时序区间之间的时间长度变化,以及每个旋转时序区间的相位状态码数量,得到每个旋转时序区间的时序可信度因子,通过时序可信度因子初步表征每个旋转时序区间的异常。
优选地,时序可信度因子的获取方法包括:
在时间顺序上,将每个旋转时序区间的时间长度与前一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第一时间长度变化值;将每个旋转时序区间的时间长度与后一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第二时间长度变化值;将第一时间长度变化值与第二时间长度变化值之间的差异,与每个旋转时序区间的时间长度之间的比值,作为每个旋转时序区间的旋转变化异常程度。首先旋转时序区间的时间长度能够表征电机转子的旋转速度,因此每个旋转时序区间与相邻旋转时序区间的之间的时间长度差异,能够表征电机转子旋转速度的变化,也即第一时间长度变化值和第二时间长度变化值表征电机转子旋转速度的变化;由于电机转子在正常的工作状态下,电机转子的旋转速度在短时间内的变化通常是较为均匀的,因此第一时间长度变化值与第二时间长度变化值之间的差异越大,则说明越可能不是正常运行,对应的旋转变化异常程度也就越大,对应的旋转时序区间越异常。
而正常运转情况下,电机转子光栅盘旋转一周的情况下相位状态码的数量总是不变,也即正常运转情况下所有旋转时序区间的相位状态码的数量是不变的,因此对应的旋转时序区间的相位状态码数量与所有旋转时序区间的相位状态码数量的众数之间的差异越大,则说明对应的旋转时序区间越异常,因此本发明实施例将所有旋转时序区间的相位状态码数量的众数与每个旋转时序区间的相位状态码数量之间的差异,作为每个旋转时序区间的状态码数量异常程度,状态码数量异常程度越大,则说明旋转时序区间越异常。
由于旋转变化异常程度越大,状态码数量异常程度越大时,对应的旋转时序区间越异常,对应的可信度也就越低,因此本发明实施例将旋转变化异常程度与状态码数量异常程度之间乘积的负相关映射值,作为每个旋转时序区间的时序可信度因子。需要说明的是,实施者也可通过其他方法根据旋转变化异常程度与状态码数量异常程度得到时序可信度因子,例如将旋转变化异常程度与状态码数量异常程度的和值的负相关映射值的归一化值,作为时序可信度因子,在此不做进一步赘述。
旋转时序区间的时间长度能够表征电机转子的旋转速度,当旋转速度越大时,输出电流越强,相应的产生的电噪声也就越强,对应的旋转时序区间可能就越异常。并且在旋转时序区间中,相位状态码会呈现周期规律性的变化,因此相位状态码的周期性越差时,对应的旋转时序区间的异常程度越大,因此本发明实施例进一步地根据每个旋转时序区间的相位状态码周期分布情况、时序可信度因子以及时间长度,得到每个旋转时序区间的参考异常程度,通过参考异常程度来进一步地表征旋转时序区间的异常程度,从而使得后续筛选出的异常旋转时序区间更加准确。
优选地,参考异常程度的获取方法包括:
在时间顺序上,将每个相位状态码之后的第预设状态周期数量个相位状态码,作为每个相位状态码的周期状态码;将每个相位状态码与对应的周期状态码之间的异或运算值,作为每个相位状态码的周期状态差异。在本发明实施例中,预设状态周期数量设置为4。由图2可知,在电机正常运转的情况下,相位状态码在时间顺序上呈周期性变化,每个相位状态码与其之后第4个相位状态码应该相同,如果不同,则说明该相位状态码异常。因此相位状态码的周期状态差异为1时,说明该相位状态码为异常的相位状态码,周期变化异常;反之,相位状态码的周期状态差异为0时,说明该相位状态码为正常的相位状态码,周期变化正常。进一步地在每个旋转时序区间整体的角度上,将每个旋转时序区间中所有周期状态差异的均值,作为每个旋转时序区间的周期异常值,对应的周期异常值越大,说明对应的旋转时序区间中异常的相位状态码数量越大,整体越异常。
进一步地由于时间长度越小,也即电机转子旋转速度越大时,对应的电噪声越强,旋转时序区间的异常程度越大;而时序可信度因子越大时,对应的旋转时序区间的异常程度越小;因此时序可信度因子和旋转时序区间的时间长度均与参考异常程度呈负相关,而周期异常值与参考异常程度呈正相关。本发明实施例将时序可信度因子与每个旋转时序区间的时间长度的乘积,作为每个旋转时序区间的参考乘积;将周期异常值与参考乘积之间的比值的正相关映射值,作为每个旋转时序区间的参考异常程度。需要说明的是,实施者也可通过其他方法得到参考异常程度;例如将时序可信度因子和旋转时序区间的时间长度之间的乘积的负相关映射值,与周期异常值的乘积,作为每个旋转时序区间的参考异常程度。
步骤S3:根据各个旋转时序区间之间的参考异常程度相似情况、相位状态码关联性以及时间长度相似情况进行聚类分析,得到至少两个旋转时序区间聚类簇;根据各个旋转时序区间聚类簇中的参考异常程度分布情况,筛选出异常旋转时序区间聚类簇。
电机正常运行的旋转时序区间对应的异常程度通常较小,也即参考异常程度具有高度的相似性;并且由于电机正常运行的旋转时序区间中相位状态码的变化规律相同,因此电机正常运行的旋转时序区间之间的相位状态码具有高度的关联性;并且当电机运转出现异常时,对应的电机运行状态也会出现异常,而旋转时序区间的时间长度影响电机转子的旋转速度,也即能够通过时间长度间接表征电机运行状态;因此本发明实施例根据各个旋转时序区间之间的参考异常程度相似情况、相位状态码关联性以及时间长度相似情况进行聚类分析,得到至少两个旋转时序区间聚类簇,从而将异常程度以及运行状态相似的旋转时序区间集中到一个聚类簇中,从而进一步地筛选出异常的旋转时序区间。
优选地,旋转时序区间聚类簇的获取方法包括:
在时间顺序上,将每个旋转时序区间的预设邻域窗口内的旋转时序区间,作为每个旋转时序区间的参考时序区间;将每个参考时序区间的参考异常程度的归一化值的负相关映射值,作为每个参考时序区间的异常程度权重。在本发明实施例中,将每个旋转时序区间的所有参考时序区间的参考异常程度的累加值,作为参考累加值;将每个参考时序区间的参考异常程度与对应的参考累加值的比值,作为每个参考时序区间的参考异常程度的归一化值,进一步地通过正数1减去该归一化值,得到每个参考时序区间的异常程度权重。需要说明的是,实施者也可通过其他方法进行归一化,例如线性归一化等。由于旋转时序区间是通过Z相方波脉冲信号的间隔时刻分割得到的,当某个旋转时序区间出现异常时,难以从其时序信息中得到电机的实际运行状态,因此若要分析某个旋转时序区间的电机运行状态,需要结合相邻时序区间进行分析;对应的参考时序区间的参考异常程度越大时,对应的异常程度权重,使得在结合异常程度进行后续电机运行特征参数的计算时,减小邻域内异常程度较大的旋转时序区间的权重,使得计算得到的电机运行特征参数更加准确。
在电机运行过程中,对应的电机转子是持续旋转的,因此可通过电机转子的旋转速度进行电机运行状态的表征;而电机转子的旋转速度可通过旋转时序区间的时间长度进行表征;进一步地结合每个旋转时序区间对应的各个参考时序区间的时间长度以及异常程度权重,本发明实施例进一步地将每个参考时序区间的时间长度与异常程度权重的乘积,作为每个参考时序区间的加权时间长度;将每个旋转时序区间对应的所有参考时序区间的加权时间长度的累加值,作为每个旋转时序区间的电机运行特征参数,从而达到结合每个旋转时序区间及其相邻时序区间,进行电机运行状态分析的目的。
进一步地将每个旋转时序区间中的所有相位状态码以时间顺序排列,得到每个旋转时序区间的相位状态码时序序列;依次将每个旋转时序区间作为目标时序区间;将目标时序区间之外的其他旋转时序区间,作为目标时序区间的对比时序区间;根据聚类分析的思想,两个旋转时序区间之间越相似或关联度越高,则对应的旋转时序区间越可能处于同一个聚类簇,也即聚类距离越短。因此本发明实施例在相似度的角度上结合两个旋转时序区间的电机运行状态和参考异常程度进行聚类距离的分析,并且结合对应的相位状态码序列之间的关联性从关联的角度上进行聚类距离的分析,本发明实施例根据目标时序区间与每个对比时序区间之间的相位状态码时序序列关联性、电机运行特征参数差异与参考异常程度差异,得到目标时序区间与每个对比时序区间之间的参考聚类距离。
优选地,参考聚类距离的计算公式包括:
其中,为目标时序区间/>与对应的第/>个对比时序区间之间的参考聚类距离;/>为目标时序区间/>的参考异常程度;/>为目标时序区间/>对应的第/>个对比时序区间的参考异常程度;/>为目标时序区间/>的电机运行特征参数;/>为目标时序区间/>对应的第/>个对比时序区间的电机运行特征参数;/>为目标时序区间/>的相位状态码时序序列与对应的第/>个对比时序区间的相位状态码时序序列之间的皮尔逊相关系数。首先在聚类分析过程中,两个数据之间的聚类距离越小,则说明两个数据的相似度越高,在各个维度上差异越小;因此目标时序区间/>与对应的第/>个对比时序区间之间在电机运行特征参数和参考异常程度两个维度上的差异越大,则对应的参考聚类距离也就越大。同理,聚类分析过程中两个数据之间的关联性越大时,则对应的聚类距离越小;因此通过目标时序区间/>与对应的第/>个对比时序区间对应的相位状态码时序序列计算出的皮尔逊相关系数的绝对值越大时,说明目标时序区间/>与对应的第/>个对比时序区间之间的关联性越大,则对应的聚类距离越小,因此需要进行负相关映射,而皮尔逊相关系数的绝对值的取值范围为0到1,因此通过正数1减去/>进行负相关映射。因此本发明实施例通过乘积的形式结合目标时序区间/>与对应的第/>个对比时序区间之间在电机运行特征参数和参考异常程度两个维度上的差异,并且通过乘积结合/>所表征的关联性特征,使得计算出的参考聚类距离更加准确。
进一步地根据目标时序区间与对应的第/>个对比时序区间之间的参考聚类距离,计算出所有的两两旋转时序区间之间的参考聚类距离,从而根据每个旋转时序区间与其余各个旋转时序区间之间的参考聚类距离,通过K-means聚类算法进行聚类分析,得到至少两个旋转时序区间聚类簇。在本发明实施例中,K-means聚类算法中的K值为2,也即得到两个旋转时序区间聚类簇,实施者也可根据具体实施环境对K值进行调整,并且K-means聚类算法为本领域技术人员所熟知的现有技术,在此不做进一步赘述。在得到两个旋转时序区间聚类簇后,由于电机正常运行的旋转时序区间之间具有高度的相似性,且参考异常程度整体较小,因此进一步地根据各个旋转时序区间聚类簇中的参考异常程度分布情况,筛选出异常旋转时序区间聚类簇,也即本发明实施例中对应的两个旋转时序区间聚类中,其中一个为异常旋转时序区间聚类簇,另一个为正常旋转时序区间聚类簇。优选地,异常旋转时序区间聚类簇的获取方法包括:
由于电机正常运行的旋转时序区间之间具有高度的相似性,且参考异常程度整体较小;因此可根据各个异常旋转时序区间聚类簇中的参考异常程度整体大小,得到异常的旋转时序区间聚类簇。本发明实施例将每个旋转时序区间聚类簇中所有旋转时序区间的参考异常程度的均值,作为每个旋转时序区间聚类簇的异常判定值;将最大的异常判定值对应的旋转时序区间聚类簇,作为异常旋转时序区间聚类簇;也即将本发明实施例对应的两个旋转时序区间聚类簇中较大的异常判定值对应的旋转时序区间聚类簇,作为异常旋转时序区间聚类簇。
步骤S4:对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测。
至此,得到了异常旋转时序区间聚类簇,也即得到异常的旋转时序区间;因此为了使得电机转子位置检测的准确度更高,本发明实施例进一步地需要对异常的旋转时序区间进行修正,本发明实施例对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测。优选地,对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测的方法包括:
将异常旋转时序区间聚类簇中的旋转时序区间,作为异常旋转时序区间;将异常旋转时序区间之外的其他旋转时序区间,作为正常旋转时序区间;将时序上与每个异常旋转时序区间相隔最近的正常旋转时序区间,作为每个异常旋转时序区间的匹配旋转时序区间。依次将A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号作为目标方波脉冲信号;在目标方波脉冲信号上,将每个异常旋转时序区间用对应的匹配旋转时序区间进行替换,得到修正后的目标方波脉冲信号。通过在时间顺序上相隔最近的正常旋转时序区间对每个异常旋转时序区间进行修正,能够在减少时间变化影响的同时,使得所有的旋转时序区间被替换为正常的旋转时序区间,从而达成异常旋转时序区间修正的目的。需要说明的是,当异常旋转时序区间同时存在两个时间相隔最近的正常旋转时序区间时,将两个时间相隔最近的正常旋转时序区间中,与异常旋转时序区间对应的时间长度差异最小的正常旋转时序区间作为匹配旋转时序区间。
此外需要说明的是,为了避免旋转时序区间替换后电平不衔接导致的异常波动,本发明实施例在异常旋转时序区间替换后,通过插值法对电平不衔接的相邻的旋转时序区间的目标方波脉冲信号进行调整,使得电平衔接;例如在A相方波脉冲信号上原本为abcd四个在时间顺序上依次分布的旋转时序区间,其中b为异常旋转时序区间,c为b对应的匹配旋转时序区间,进一步地将c替换到b位置处;如果此时c的起始位置电平与a的末尾位置电平不同,就会出现电平跳变的情况,因此在c前进行插值,使得电平平稳过渡。进一步地根据修正后的A相方波脉冲信号、修正后的B相方波脉冲信号和修正后的Z相方波脉冲信号通过增量式光电编码器的解码表进行解码处理,得到解码结果;根据解码结果得到更加准确的电机转子位置。需要说明的是,通过增量式光电编码器的解码表进行解码处理的过程为本领域技术人员所熟知的现有技术,在此不做进一步地限定和赘述。
综上所述,本发明首先通过增量式光电编码器得到的电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号,得到每个旋转时序区间以及对应的所有相位状态码;根据旋转时序区间的时间长度变化、相位状态码数量、相位状态码周期分布情况以及时间长度,得到参考异常程度;从而结合旋转时序区间之间的参考异常程度差异、关联性和电机运行状态差异进行聚类分析,更加准确的筛选出需要修正的异常的旋转时序区间,从而提高修正后的电机脉冲信号的准确性,根据修正后的电机脉冲信号进行电机转子位置检测的准确性更高。
本发明还提出了一种电机转子位置检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项一种电机转子位置检测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种电机转子位置检测方法,其特征在于,所述方法包括:
通过增量式光电编码器采集电机工作时间段上的A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号;根据Z相方波脉冲信号中的电平变化,将所述电机工作时间段划分为至少两个旋转时序区间;根据所述A相方波脉冲信号与所述B相方波脉冲信号的电平状态,得到每个旋转时序区间的所有相位状态码;
根据相邻的旋转时序区间之间的时间长度变化,以及每个旋转时序区间的相位状态码数量,得到每个旋转时序区间的时序可信度因子;根据每个旋转时序区间的相位状态码周期分布情况、时序可信度因子以及时间长度,得到每个旋转时序区间的参考异常程度;
根据各个旋转时序区间之间的参考异常程度相似情况、相位状态码关联性以及时间长度相似情况进行聚类分析,得到至少两个旋转时序区间聚类簇;根据各个旋转时序区间聚类簇中的参考异常程度分布情况,筛选出异常旋转时序区间聚类簇;
对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测。
2.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述旋转时序区间的获取方法包括:
将Z相方波脉冲信号中信号由低电平转换为高电平对应的时刻,作为间隔时刻;将相邻间隔时刻之间的时间区间作为一个旋转时序区间。
3.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述相位状态码的获取方法包括:
获取每个时刻的参考状态码;所述参考状态码为两位二进制数,其中第一位二进制数为B相方波脉冲信号的电平状态码,第二位二进制数为A相方波脉冲信号的电平状态码;
在每个旋转时序区间中,将参考状态码发生变化的时刻,作为状态变化时刻;将每个状态变化时刻对应的前一个时刻的参考状态码,作为每个状态变化时刻的相位状态码。
4.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述时序可信度因子的获取方法包括:
在时间顺序上,将每个旋转时序区间的时间长度与前一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第一时间长度变化值;将每个旋转时序区间的时间长度与后一个旋转时序区间的时间长度之间的差异,作为每个旋转时序区间的第二时间长度变化值;将所述第一时间长度变化值与所述第二时间长度变化值之间的差异,与每个旋转时序区间的时间长度之间的比值,作为每个旋转时序区间的旋转变化异常程度;
将所有旋转时序区间的相位状态码数量的众数与每个旋转时序区间的相位状态码数量之间的差异,作为每个旋转时序区间的状态码数量异常程度;
将所述旋转变化异常程度与所述状态码数量异常程度之间乘积的负相关映射值,作为每个旋转时序区间的时序可信度因子。
5.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述参考异常程度的获取方法包括:
在时间顺序上,将每个相位状态码之后的第预设状态周期数量个相位状态码,作为每个相位状态码的周期状态码;将每个相位状态码与对应的周期状态码之间的异或运算值,作为每个相位状态码的周期状态差异;将每个旋转时序区间中所有周期状态差异的均值,作为每个旋转时序区间的周期异常值;
将所述时序可信度因子与所述每个旋转时序区间的时间长度的乘积,作为每个旋转时序区间的参考乘积;将所述周期异常值与所述参考乘积之间的比值的正相关映射值,作为每个旋转时序区间的参考异常程度。
6.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述旋转时序区间聚类簇的获取方法包括:
在时间顺序上,将每个旋转时序区间的预设邻域窗口内的旋转时序区间,作为每个旋转时序区间的参考时序区间;将每个参考时序区间的参考异常程度的归一化值的负相关映射值,作为每个参考时序区间的异常程度权重;将每个参考时序区间的时间长度与所述异常程度权重的乘积,作为每个参考时序区间的加权时间长度;将每个旋转时序区间对应的所有参考时序区间的加权时间长度的累加值,作为每个旋转时序区间的电机运行特征参数;
将每个旋转时序区间中的所有相位状态码以时间顺序排列,得到每个旋转时序区间的相位状态码时序序列;
依次将每个旋转时序区间作为目标时序区间;将目标时序区间之外的其他旋转时序区间,作为目标时序区间的对比时序区间;根据目标时序区间与每个对比时序区间之间的相位状态码时序序列关联性、电机运行特征参数差异与参考异常程度差异,得到目标时序区间与每个对比时序区间之间的参考聚类距离;
根据每个旋转时序区间与其余各个旋转时序区间之间的参考聚类距离,通过K-means聚类算法进行聚类分析,得到至少两个旋转时序区间聚类簇。
7.根据权利要求6所述的一种电机转子位置检测方法,其特征在于,所述参考聚类距离的计算公式包括:
其中,为目标时序区间/>与对应的第/>个对比时序区间之间的参考聚类距离;/>为目标时序区间/>的参考异常程度;/>为目标时序区间/>对应的第/>个对比时序区间的参考异常程度;/>为目标时序区间/>的电机运行特征参数;/>为目标时序区间/>对应的第/>个对比时序区间的电机运行特征参数;/>为目标时序区间/>的相位状态码时序序列与对应的第/>个对比时序区间的相位状态码时序序列之间的皮尔逊相关系数。
8.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述异常旋转时序区间聚类簇的获取方法包括:
将每个旋转时序区间聚类簇中所有旋转时序区间的参考异常程度的均值,作为每个旋转时序区间聚类簇的异常判定值;
将最大的异常判定值对应的旋转时序区间聚类簇,作为异常旋转时序区间聚类簇。
9.根据权利要求1所述的一种电机转子位置检测方法,其特征在于,所述对异常旋转时序区间聚类簇中的旋转时序区间修正后进行电机转子位置检测的方法包括:
将异常旋转时序区间聚类簇中的旋转时序区间,作为异常旋转时序区间;将异常旋转时序区间之外的其他旋转时序区间,作为正常旋转时序区间;将时序上与每个异常旋转时序区间相隔最近的正常旋转时序区间,作为每个异常旋转时序区间的匹配旋转时序区间;
依次将A相方波脉冲信号、B相方波脉冲信号和Z相方波脉冲信号作为目标方波脉冲信号;在目标方波脉冲信号上,将每个异常旋转时序区间用对应的匹配旋转时序区间进行替换,得到修正后的目标方波脉冲信号;
根据修正后的A相方波脉冲信号、修正后的B相方波脉冲信号和修正后的Z相方波脉冲信号通过增量式光电编码器的解码表进行解码处理,得到解码结果;根据解码结果得到电机转子位置。
10.一种电机转子位置检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述一种电机转子位置检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410525028.0A CN118117937B (zh) | 2024-04-29 | 一种电机转子位置检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410525028.0A CN118117937B (zh) | 2024-04-29 | 一种电机转子位置检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118117937A true CN118117937A (zh) | 2024-05-31 |
CN118117937B CN118117937B (zh) | 2024-07-30 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130187581A1 (en) * | 2011-11-25 | 2013-07-25 | Dr. Fritz Faulhaber Gmbh & Co. Kg | Method and arrangement for determining the dynamic state of an electric motor |
CN103404022A (zh) * | 2010-10-05 | 2013-11-20 | 戴森技术有限公司 | 电机的控制 |
US20170111000A1 (en) * | 2015-10-19 | 2017-04-20 | Fanuc Corporation | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus |
CN108400733A (zh) * | 2018-04-27 | 2018-08-14 | 齐鲁工业大学 | 一种车用永磁同步电机的转子位置检测方法 |
CN109600092A (zh) * | 2018-12-17 | 2019-04-09 | 北京无线电测量研究所 | 一种永磁同步电机转子位置监测和修正方法、***及电机 |
CN117879438A (zh) * | 2024-01-24 | 2024-04-12 | 中国电信股份有限公司 | 永磁同步电机容错控制方法、装置、存储介质 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404022A (zh) * | 2010-10-05 | 2013-11-20 | 戴森技术有限公司 | 电机的控制 |
US20130187581A1 (en) * | 2011-11-25 | 2013-07-25 | Dr. Fritz Faulhaber Gmbh & Co. Kg | Method and arrangement for determining the dynamic state of an electric motor |
US20170111000A1 (en) * | 2015-10-19 | 2017-04-20 | Fanuc Corporation | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus |
CN108400733A (zh) * | 2018-04-27 | 2018-08-14 | 齐鲁工业大学 | 一种车用永磁同步电机的转子位置检测方法 |
CN109600092A (zh) * | 2018-12-17 | 2019-04-09 | 北京无线电测量研究所 | 一种永磁同步电机转子位置监测和修正方法、***及电机 |
CN117879438A (zh) * | 2024-01-24 | 2024-04-12 | 中国电信股份有限公司 | 永磁同步电机容错控制方法、装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
林瑶瑶: "永磁同步电机参数辨识方法与伺服控制技术研究", 中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑, no. 8, 31 August 2019 (2019-08-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275295A (zh) | 一种基于反距离权重插值的分布式光伏故障诊断方法 | |
CN111931872B (zh) | 一种趋势性征兆的异常确定方法及装置 | |
CN118117937B (zh) | 一种电机转子位置检测方法及*** | |
CN116361679A (zh) | 基于数据驱动的电缆寿命智能预测方法及*** | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN117668684B (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN116502164A (zh) | 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质 | |
CN118117937A (zh) | 一种电机转子位置检测方法及*** | |
CN117805542B (zh) | 一种矿用隔爆本质安全型变频器运行监控*** | |
de Sá et al. | Wind turbine fault detection: a semi-supervised learning approach with automatic evolutionary feature selection | |
CN117705164B (zh) | 一种光磁编码器误差补偿方法、***及装置 | |
CN114207538A (zh) | 异常诊断方法、异常诊断装置以及异常诊断程序 | |
CN117609869A (zh) | 减速机智能化故障诊断与自学习方法及*** | |
CN109959407B (zh) | 一种舵机位置传感器线性度快速检测方法及装置 | |
CN115114565B (zh) | 一种基于大数据分析的直线电机故障检测方法及*** | |
CN112880725A (zh) | 判断位置传感器总节距偏差的方法 | |
CN111327233A (zh) | 一种用于永磁电机位置检测的方法及*** | |
Pei et al. | Degradation state identification for hydraulic pumps based on multi-scale ternary dynamic analysis, NSGA-II and SVM | |
CN113339208B (zh) | 风电机组振动异常片段的选取方法 | |
CN117951456B (zh) | 一种基于数字孪生的设备状态智能监控*** | |
CN118070195B (zh) | 一种矿用交流变频器异常数据状态监测*** | |
CN116633705B (zh) | 基于复合自动编码器的工业控制***异常检测方法及*** | |
Yaqub et al. | Envelope-wavelet packet transform for machine condition monitoring | |
CN114611791B (zh) | 一种风电负荷功率速率区间测算方法及*** | |
CN118137921B (zh) | 一种永磁电机电流预测控制方法 |
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 |