(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211302061.4 (22)申请日 2022.10.24 (65)同一申请的已公布的文献号 申请公布号 CN 115378344 A (43)申请公布日 2022.11.22 (73)专利权人 徐州康翔精密制造有限公司 地址 221362 江苏省徐州市邳州市碾庄镇 五金机械产业园 (72)发明人 李军　魏娜　吴文超　 (74)专利代理 机构 湖州锦汉专利代理事务所 (普通合伙) 33469 专利代理师 梁秀秀 (51)Int.Cl. H02P 29/60(2016.01) H02P 23/00(2016.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 106655937 A,2017.0 5.10 CN 215378043 U,2021.12.31 CN 114705417 A,202 2.07.05 岑岗等.基 于深度学习的永磁同步电机温度 预测模型. 《浙江科技学院学报》 .202 2,第34卷 (第3期), 审查员 张琪 (54)发明名称 电磁电机及其防潮控制方法 (57)摘要 本申请涉及智能电机技术领域， 其具体地公 开了一种电磁电机及其防潮控制方法， 其采用基 于深度学习的人工智能控制技术来提取出电磁 电机的工作特征和电磁电机的内部环 境特征， 接 着， 计算所述电磁电机的工作特征表 示相对于所 述电磁电机的内部环境特征之间的特征级数据 关联以得到分类特征矩阵， 并将所述分类特征矩 阵通过分类器以得到用于表示是否打开散热孔 的分类结果， 通过这样的方式， 综合电磁电机的 工作特性和 内部温湿度特性来自适应地对散热 孔的开闭进行控制， 以提高防潮控制的合理性和 响应性。 权利要求书3页 说明书12页 附图6页 CN 115378344 B 2022.12.20 CN 115378344 B 1.一种电磁电机， 其特征在于， 包括： 数据监控与采集单元， 用于获取电磁电机在被启 动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值， 以及， 所述 预定时间段内多个预定时间点的所述电磁电机的工作功率； 温湿度关联单元， 用于将所述 预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度 排列为温度输入向量和湿度输入向量后， 计算所述温度输入向量与所述湿度输入向量的转 置向量之 间的向量乘积以得到温度 ‑湿度关联矩阵； 温湿度关联特征提取单元， 用于将所述 温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度 ‑ 湿度特征矩阵； 工作功率时序特征提取单元， 用于将所述预定时间段内多个预定时间点的 所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷 积神经网络以得到工作特征向量； 特征增强单元， 用于基于高斯密度图对所述工作特征向 量进行特征级数据增强以得到工作特征矩阵； 响应单元， 用于计算所述工作特征矩阵相对 于所述温度 ‑湿度特征矩阵的转移矩阵作为分类特征矩阵； 以及防潮控制结果生成单元， 用 于将所述分类特征矩阵通过分类器以得到 分类结果， 所述分类结果用于表示是否打开散热 孔。 2.根据权利要求1所述的 电磁电机， 其特征在于， 所述温湿度关联特征提取单元， 进一 步用于： 所述相 邻层使用互为转置的卷积核的第一卷积神经网络的各层在层的正向传递中 分别对输入数据进行： 对所述输入数据进行基于第一二维卷积核的卷积处理、 池化处理和 非线性处理以得到第一激活特征图； 以及 对所述第一激活特征图进行基于第二二 维卷积核 的卷积处理、 池化处理和非线性激活处理以得到第二激活特征图， 其中， 所述第一二 维卷积 核和所述第二二维卷积核互为转置； 其中， 所述相邻层使用互为转置的卷积核的第一卷积 神经网络的最后一层的输出为所述温度 ‑湿度特征矩阵。 3.根据权利要求2所述的 电磁电机， 其特征在于， 所述工作功率时序特征提取单元， 进 一步用于： 所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行： 使用所 述第二卷积神经网络的各层的卷积单元对所述输入数据进行基于一维卷积核的卷积处理 以得到卷积特征图； 使用所述第二卷积神经网络的各层的池化单元对所述卷积特征图进 行 基于特征矩阵的池化处理以得到池化特征图； 以及使用所述第二卷积神经网络的各层的激 活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图； 其中， 所述第二卷积神经网络的最后一层的输出为所述工作特 征向量。 4.根据权利要求3所述的电磁电机， 其特征在于， 所述特征增强单元， 包括： 高斯密度图 构造子单元， 用于以如下公式来构造所述工作特征向量的高斯密度图； 其中， 所述公式为： ， 其中 是所述工作特征向量， 而 是所述工作特征向量中相应两个位置的特 征值之间的方差； 以及高斯离散子单元， 用于对所述高斯密度图中各个位置的高斯分布进 行高斯离 散化处理以得到所述工作特 征矩阵。 5.根据权利要求4所述的电磁电机， 其特征在于， 所述响应单元， 进一步用于： 以如下公 式计算所述工作特征矩阵相对于所述温度 ‑湿度特征矩阵的转移矩阵作为分类特征矩阵； 其中， 所述公式为：   = 其中 表示所述工作特征矩阵， 表示所述温度 ‑湿度特征矩阵， 表示矩阵乘法，权　利　要　求　书 1/3 页 2 CN 115378344 B 2表示所述分类特 征矩阵。 6.根据权利要求5所述的 电磁电机， 其特征在于， 所述防潮控制结果生成单元， 进一步 用于： 使用所述分类 器以如下公式对所述分类特 征矩阵进行处 理以获得分类结果； 其中， 所述公式为： ， 其中 表示 将所述分类特 征矩阵投影为向量， 为权重矩阵， 表示偏置向量。 7.根据权利要求6所述的电磁电机， 其特征在于， 还包括用于对所述相邻层使用互为转 置的卷积核的第一卷积神经网络、 所述使用一维卷积核的第二卷积神经网络和所述分类器 进行训练的训练模块。 8.根据权利要求7所述的电磁电机， 其特征在于， 所述训练模块， 包括： 训练数据采集单 元， 用于获取训练数据， 所述训练数据包括所述电磁电机在被启动后的预定时间段内多个 预定时间点的所述电磁电机内部的训练温度值和训练湿度值， 以及， 所述预定时间段内多 个预定时间点的所述电磁电机的训练工作功率； 训练温湿度关联单元， 用于将所述预定时 间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值分别按照时间维 度排列为训练温度输入向量和训练湿度输入向量后， 计算所述训练温度输入向量与所述训 练湿度输入向量的转置 向量之间的向量乘积以得到训练温度 ‑湿度关联矩阵； 训练温湿度 关联特征提取单元， 用于将所述训练温度 ‑湿度关联矩阵通过所述相邻层使用互为转置的 卷积核的第一卷积神经网络以得到训练温度 ‑湿度特征矩阵； 训练工作功率时序特征提取 单元， 用于将所述预定时间段内多个预定时间点的所述电磁电机的训练工作功 率按照时间 维度排列为训练输入向量后通过所述使用一维卷积核的第二卷积神经网络以得到训练工 作特征向量； 训练特征增强单元， 用于基于高斯密度图对所述训练工作特征向量进行特征 级数据增强以得到训练工作特征矩阵； 训练响应单元， 用于计算所述训练工作特征矩阵相 对于所述训练温度 ‑湿度特征矩阵的转移矩阵作为训练分类特征矩阵； 分类损失单元， 用于 将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值； 分类消 解损失单元， 用 于计算所述训练工作特征矩阵和所述训练温度 ‑湿度特征矩阵的特征提取模式消解的抑制 损失函数值， 所述的特征提取模式消解的抑制损失函数值与所述训练工作特征矩阵和所述 训练温度 ‑湿度特征矩阵之 间的差分特征向量的二范数有关； 以及训练单元， 用于以所述分 类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值， 对所 述相邻层使用互为转置的卷积核的第一卷积神经网络、 所述使用一 维卷积核的第二卷积神 经网络和所述分类 器进行训练。 9.根据权利要求8所述的电磁电机， 其特征在于， 所述分类消解损失单元， 进一步用于： 以如下公式计算所述训练工作特征矩阵和所述训练温度 ‑湿度特征矩阵的特征提取模式消 解的抑制 损失函数值； 其中， 所述公式为： 权　利　要　求　书 2/3 页 3 CN 115378344 B 3