法律状态公告日
法律状态信息
法律状态
2022-07-19
实质审查的生效 IPC(主分类):H02P21/16 专利申请号:2022103571201 申请日:20220401
实质审查的生效
2022-07-01
公开
发明专利申请公布
技术领域
本申请涉及异步电机技术领域，具体涉及一种异步电机转子电阻辨识方法及装置。
背景技术
电机系统能效评估工作，转子电阻参数是否准确直接影响到电机运行效率的评估精度，在矢量控制系统中，转子电阻参数的准确度会直接影响到磁链观测器及控制环节的精度。
然而，受温升、集肤效应等复杂因素的影响，异步电机转子电阻具有非线性、时变等特点，比如电机温度等会随着电机工作时间增长而增大，会使得转子电阻值发生变化。该类变化会引起电机转子时间常数等的改变，导致基于固定参数设定而计算出来的各种电机反馈信号失真。
目前，传统的异步电机转子电阻的在线辨识方法有最小二乘法、卡尔曼滤波法等，这些方法未能充分利用转子电阻的时序特性，不能很好辨别对转子电阻辨识起到关键作用的输入特征，存在精度低、容易陷入局部最优解和过拟合等问题。
因此，为满足实际使用需求，现提供一种异步电机转子电阻辨识方法及装置。
发明内容
本申请提供一种异步电机转子电阻辨识方法及装置，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上，建立转子电阻在线辨识模型，具有较好的精度以及辨识可靠性，以便对转子电阻进行辨识。
第一方面，本申请提供了一种异步电机转子电阻辨识方法，所述方法包括以下步骤：
获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列；
基于对照电机转子的所述电机数据序列以及所述第一输出序列，按照预设比例配置训练集、验证集以及测试集；
构建Attention-LSTM-RNN模型，并基于所述训练集、所述验证集以及所述测试集，对所述Attention-LSTM-RNN模型进行训练；
获得待测电机转子的电机数据，利用通过训练的所述Attention-LSTM-RNN模型，进行电机转子电阻辨识；其中，
所述Attention-LSTM-RNN模型包括输入层、LSTM隐藏层、Attention层、全连接层以及输出层；
所述输入层和所述输出层神经元数基于电机数据的变量个数和电机转子电阻的个数决定。
具体的，所述电机数据包括在预设坐标系下的转子d轴电流、转子q轴电流、经过PI变换得到的转子d轴电压、转子q轴电压、转矩、环境温度以及转子频率。
具体的，所述获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列，包括以下步骤：
获得对照电机转子的电机数据，按照顺序构建对照电机转子的电机数据序列；
将电机转子电阻作为所述Attention-LSTM-RNN模型的输出变量，按照与所述电机数据序列中电机数据对应的顺序构成所述第一输出序列。
具体的，获得对照电机转子的电机数据以及电机转子电阻之后，构建对照电机转子的电机数据序列以及第一输出序列之前，所述方法还包括以下步骤：
对所述电机数据进行归一化处理。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
根据电机数据序列中的电机数据的数据类型，在所述Attention-LSTM-RNN模型的输入层中配置不同的初始注意力权重。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
获得电机数据序列中的不同类型的电机数据的相对熵；
基于所述相对熵，获得电机数据序列中的不同类型的电机数据的剩余度；
基于电机数据序列中的不同类型的电机数据的剩余度，在所述Attention-LSTM-RNN模型的输入层中配置所述初始注意力权重。
具体的，基于所述训练集、所述验证集以及所述测试集，对所述Attention-LSTM-RNN模型进行训练中，所述方法包括以下步骤：
将所述电机数据序列中分属所述训练集的数据作为输入量，将所述第一输出序列中分属所述训练集的数据作为输出量，训练所述Attention-LSTM-RNN模型；
基于所述电机数据序列以及所述第一输出序列中分属所述测试集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得测试集损失值；
基于所述电机数据序列以及所述第一输出序列中分属所述验证集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得验证集损失值；
比较所述测试集损失值与所述验证集损失值，判断所述Attention-LSTM-RNN模型是否通过训练。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
根据电机数据序列中的电机数据的个数设定输入层的神经元个数；
基于第一输出序列的数据个数设定输出层的神经元个数。
具体的，获得待测电机转子的电机数据，利用通过训练的所述Attention-LSTM-RNN模型，进行电机转子电阻辨识中，所述方法包括以下步骤：
当待测电机达到热平衡状态，不将温度作为所述Attention-LSTM-RNN模型的输入参数。
第二方面，本申请提供了一种异步电机转子电阻辨识装置，所述装置包括：
数据获取模块，其用于获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列；
数据拆分模块，其用于基于对照电机转子的所述电机数据序列以及所述第一输出序列，按照预设比例配置训练集、验证集以及测试集；
模型构建模块，其用于构建Attention-LSTM-RNN模型，并基于所述训练集、所述验证集以及所述测试集，对所述Attention-LSTM-RNN模型进行训练；
电阻辨识模块，其用于获得待测电机转子的电机数据，利用通过训练的所述Attention-LSTM-RNN模型，进行电机转子电阻辨识；其中，
所述Attention-LSTM-RNN模型包括输入层、LSTM隐藏层、Attention层、全连接层以及输出层；
所述输入层和所述输出层神经元数基于电机数据的变量个数和电机转子电阻的个数决定。
具体的，所述电机数据包括在预设坐标系下的转子d轴电流、转子q轴电流、经过PI变换得到的转子d轴电压、转子q轴电压、转矩、环境温度以及转子频率。
具体的，所述数据获取模块还用于获得对照电机转子的电机数据，按照顺序构建对照电机转子的电机数据序列；
所述数据获取模块还用于将电机转子电阻作为所述Attention-LSTM-RNN模型的输出变量，按照与所述电机数据序列中电机数据对应的顺序构成所述第一输出序列。
具体的，所述装置包括还包括归一化模块，其用于对所述电机数据进行归一化处理。
具体的，模型构建模块包括权重分配子模块，其用于根据电机数据序列中的电机数据的数据类型，在所述Attention-LSTM-RNN模型的输入层中配置不同的初始注意力权重。
具体的，权重分配子模块还用于获得电机数据序列中的不同类型的电机数据的相对熵；
权重分配子模块还用于基于所述相对熵，获得电机数据序列中的不同类型的电机数据的剩余度；
权重分配子模块还用于基于电机数据序列中的不同类型的电机数据的剩余度，在所述Attention-LSTM-RNN模型的输入层中配置所述初始注意力权重。
具体的，模型构建模块包括模型训练子模块，其用于将所述电机数据序列中分属所述训练集的数据作为输入量，将所述第一输出序列中分属所述训练集的数据作为输出量，训练所述Attention-LSTM-RNN模型；
模型训练子模块还用于基于所述电机数据序列以及所述第一输出序列中分属所述测试集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得测试集损失值；
模型训练子模块还用于基于所述电机数据序列以及所述第一输出序列中分属所述验证集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得验证集损失值；
模型训练子模块还用于比较所述测试集损失值与所述验证集损失值，判断所述Attention-LSTM-RNN模型是否通过训练。
具体的，模型构建模块包括模型构建子模块，其用于根据电机数据序列中的电机数据的个数设定输入层的神经元个数；
模型构建子模块还用于基于第一输出序列的数据个数设定输出层的神经元个数。
具体的，所述装置还包括模型调配模块，其用于当待测电机达到热平衡状态，不将温度作为所述Attention-LSTM-RNN模型的输入参数。
本申请提供的技术方案带来的有益效果包括：
本申请充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上，建立转子电阻在线辨识模型，具有较好的精度以及辨识可靠性，以便对转子电阻进行辨识。
附图说明
术语解释：
LSTM：Long Short-Term Memory，长短期记忆网络；
RNN：Recurrent Neural Network，循环神经网络；
MAE：Mean Absolute Error，平均绝对误差；
RMSE：Root Mean Squared Error，均方根误差。
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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。
图1为本申请实施例中提供的异步电机转子电阻辨识方法的步骤流程图；
图2为本申请实施例中提供的异步电机转子电阻辨识方法的原理图；
图3为本申请实施例中提供的异步电机转子电阻辨识方法的Attention-LSTM-RNN神经网络结构图；
图4为本申请实施例中提供的异步电机转子电阻辨识方法的异步电机工作时转子电阻随温度变化曲线图；
图5为本申请实施例中提供的异步电机转子电阻辨识方法的转子电阻参数辨识结果与其真实值的比较示意图；
图6为本申请实施例中提供的异步电机转子电阻辨识装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图对本申请的实施例作进一步详细说明。
本申请实施例提供一种异步电机转子电阻辨识方法及装置，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上，建立转子电阻在线辨识模型，具有较好的精度以及辨识可靠性，以便对转子电阻进行辨识。
为达到上述技术效果，本申请的总体思路如下：
一种异步电机转子电阻辨识方法，该方法包括以下步骤：
S1、获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列；
S2、基于对照电机转子的电机数据序列以及第一输出序列，按照预设比例配置训练集、验证集以及测试集；
S3、构建Attention-LSTM-RNN模型，并基于训练集、验证集以及测试集，对Attention-LSTM-RNN模型进行训练；
S4、获得待测电机转子的电机数据，利用通过训练的Attention-LSTM-RNN模型，进行电机转子电阻辨识；其中，
Attention-LSTM-RNN模型包括输入层、LSTM隐藏层、Attention层、全连接层以及输出层；
输入层和输出层神经元数基于电机数据的变量个数和电机转子电阻的个数决定。
以下结合附图对本申请的实施例作进一步详细说明。
第一方面，参见图1～5所示，本申请实施例提供一种异步电机转子电阻辨识方法，该方法包括以下步骤：
S1、获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列；
S2、基于对照电机转子的电机数据序列以及第一输出序列，按照预设比例配置训练集、验证集以及测试集；
S3、构建Attention-LSTM-RNN模型，并基于训练集、验证集以及测试集，对Attention-LSTM-RNN模型进行训练；
S4、获得待测电机转子的电机数据，利用通过训练的Attention-LSTM-RNN模型，进行电机转子电阻辨识；其中，
Attention-LSTM-RNN模型包括输入层、LSTM隐藏层、Attention层、全连接层以及输出层；
输入层和输出层神经元数基于电机数据的变量个数和电机转子电阻的个数决定。
本申请实施例，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上，建立转子电阻在线辨识模型，具有较好的精度以及辨识可靠性，以便对转子电阻进行辨识；
LSTM-RNN模型能够处理长距离的依赖问题，充分利用历史信息，在时序数据分析中具有更强的适应性，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上引入Attention机制重点突出对转子电阻辨识结果具有关键影响的数据序列，建立多步长、多变量的转子电阻在线辨识模型。
具体的，所述电机数据包括在预设坐标系下的转子d轴电流、转子q轴电流、经过PI变换得到的转子d轴电压、转子q轴电压、转矩、环境温度以及转子频率；
该预设坐标系为dq0坐标系；
dq0坐标系的建立说明如下：
派克变换将定子的a，b，c三相电流投影到随着转子旋转的直轴(d轴)，交轴(q轴)与垂直于dq平面的零轴(0轴)上，从而实现了对定子电感矩阵的对角化，对同步电动机的运行分析起到简化作用。
其中，PI变换：电流指令值经过PI控制器输出电压指令值，PI控制器是一种比例积分器，PI控制器的英文全称为Proportional Integral Controller。
具体的，所述获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列，包括以下步骤：
获得对照电机转子的电机数据，按照顺序构建对照电机转子的电机数据序列；
将电机转子电阻作为所述Attention-LSTM-RNN模型的输出变量，按照与所述电机数据序列中电机数据对应的顺序构成所述第一输出序列。
具体的，获得对照电机转子的电机数据以及电机转子电阻之后，构建对照电机转子的电机数据序列以及第一输出序列之前，所述方法还包括以下步骤：
对所述电机数据进行归一化处理。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
根据电机数据序列中的电机数据的数据类型，在所述Attention-LSTM-RNN模型的输入层中配置不同的初始注意力权重。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
获得电机数据序列中的不同类型的电机数据的相对熵；
基于所述相对熵，获得电机数据序列中的不同类型的电机数据的剩余度；
基于电机数据序列中的不同类型的电机数据的剩余度，在所述Attention-LSTM-RNN模型的输入层中配置所述初始注意力权重。
具体的，基于所述训练集、所述验证集以及所述测试集，对所述Attention-LSTM-RNN模型进行训练中，所述方法包括以下步骤：
将所述电机数据序列中分属所述训练集的数据作为输入量，将所述第一输出序列中分属所述训练集的数据作为输出量，训练所述Attention-LSTM-RNN模型；
基于所述电机数据序列以及所述第一输出序列中分属所述测试集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得测试集损失值；
基于所述电机数据序列以及所述第一输出序列中分属所述验证集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得验证集损失值；
比较所述测试集损失值与所述验证集损失值，判断所述Attention-LSTM-RNN模型是否通过训练。
具体的，构建Attention-LSTM-RNN模型中，所述方法还包括以下步骤：
根据电机数据序列中的电机数据的个数设定输入层的神经元个数；
基于第一输出序列的数据个数设定输出层的神经元个数。
具体的，获得待测电机转子的电机数据，利用通过训练的所述Attention-LSTM-RNN模型，进行电机转子电阻辨识中，所述方法包括以下步骤：
当待测电机达到热平衡状态，不将温度作为所述Attention-LSTM-RNN模型的输入参数。
基于本申请实施例的技术方案，在具体实施时，操作流程如下：
第一步，采集能够反映出转子电阻的特征的数据信号，具体为对照电机转子的电机数据以及电机转子电阻。
其中，电机数据包括在dq0坐标系下的转子d轴电流i
将电机转子电阻R
对历史数据进行处理获得电机时间序列数据，x
y(t)＝f{x
f{}为Attention-LSTM-RNN神经网络模拟估计逼近函数，p为时间序列中相邻的p个时间段。
另外，考虑到电机数据量级之间区别较大，波动范围较广，所有数据需进行归一化处理，以减少噪声等影响：
x
第二步，确定Attention-LSTM-RNN网络结构；
图3为本申请实施例中的Attention-LSTM-RNN神经网络结构图，Attention-LSTM-RNN模型包括输入向量、m个LSTM隐藏层、Attention层、全连接层以及输出的转子电阻辨识值。
需要说明的是，神经网络中需要的值具体如下：
(1)当前时刻网络输入值；
(2)隐藏层层数；
(3)隐藏层神经元个数；
(4)每层激活函数；
(5)上一时刻网络隐藏层输出值；
(6)上一时刻网络单元状态输出值；
(7)学习率；
(8)损失函数。
具体的，输入向量从输入层开始，经过m层LSTM隐藏层，输出处理后的向量，作为Attention层的输入；
在Attention层中，首先会依据当前层输入向量计算出权重向量，然后将权重向量和当前层输入向量合并，得到新的向量，输入到全连接层中，最后计算出转子电阻辨识值；其中，
输入层和输出层神经元数由第一步中确定的电机输入变量个数和输出变量个数决定；
隐藏层层数、每层神经元个数和学习率通过调参找到最优值；
各类网络输入、输出值则是中间过程参数，通过实时计算获得；
可选择均方差函数或者电机数据集时间序列矩阵的信息熵作为损失函数。
具体的，LSTM的更新如下所示：
f
i
g
g
C
o
h
式中：f、i、g、C、o分别代表遗忘门、输入门、备选的用来更新的细胞状态、更新后的细胞状态和输出门；
W和b分别为对应的权重系数矩阵和偏置项；
σ和tanh分别表示Relu激活函数和双曲正切激活函数。
具体的，Attention机制的计算公式如下：
s
具体的，最后的特征向量h
h
x
h
α
h
本发明对输入的初始注意力权重进行改进，通过计算各输入变量之间的信息熵大小，初步判断其重要性。
定义第k个输入电机变量的剩余度为T
通过公式计算得到
其中，e
T
第k个输入变量的比例权重可更改为：
第三步，获取训练样本。
将第一步中采集的得到的电机数据集按照9：0.5：0.5的比例分为训练集、验证集与测试集；
将各类输入变量作为控制条件，采用适应性动量估计算法进行训练获得一批训练样本，如果测试集的损失值小于验证集，考虑到模型没有收敛，则返回训练模型步骤，增加迭代次数和样本数目继续训练；
如果测试集损失值略大于验证集，则模型的结果准确度基本通过检验；
如果测试集损失值显著大于验证集，则考虑可能出现过拟合的情况，此时在Attention层和LSTM层中加入Dropout layer层，按照一定比例断开网络中某些节点间的衔接关系，使得模型具有更好的泛化能力和鲁棒性。
需要说明的是，以电机数据作为参考初步确定模型逼近函数，用此模型的输出作为网络的目标向值，来进行误差反传和权值修正。
另外，在实际训练中，考虑到电机的转子电阻受温度影响较大，随着电机不断运行，转子电阻并不会无限增大，而是最终处于热平衡状态下，此时电机温度不在上升，温度成为影响转子电阻变化的一个常数，因此本发明在温度变量前乘上转子电阻热平衡系数ε来判断温度由变量向常数变化的过渡过程，当电机温度在一定时间段不在上升时，认为电机达到热平衡状态，电阻变化函数关系中的输入参数就能减少一个，简化运算量，增加收敛速度。
根据电机实际运行工况，转子电阻热平衡系数ε的计算公式如下所示：
式中，α为固定时间间隔，q为时间间隔数量；
当ε在一定时间间隔内在误差范围大小
第四步，对转子电阻进行辨识；
将第一步中采集到的够反映出转子电阻的特征的数据信号作为输入变量，用网络检测其效果，并对学习率、训练样本大小部分参数、训练精度进行调试，检验神经网络的辨识效果有没有提高，找到该输入变量下网络的最优参数。
进一步的，为了验证本申请实施例技术方案的正确性和先进性，通过20KW异步电机对拖实验平台，在满载到轻载之间，取5组随机负载工况，让负载电机运行在转矩模式，测试的电机运行在转速模式，调节其负载电机转矩的电流值进而改变测试电机的负载转矩，负载电机与测试电机的参数相同，如下表1所示。
表1实验电机参数
本申请实施例中，迭代的次数为200，训练集的个数800个，测试集为200个，dropout＝0.45，学习率＝0.01，在隐含层2到20层分别按步长为1增加隐含层的个数，确定隐藏层为16层时，训练效果最佳。
将本发明所提出的预测方法与其他经典转子电阻预测方法作比较，转子电阻参数辨识结果与其真实值的比较结果如图5所示；并用平均绝对误差(MAE)和均方根误差(RMSE)作为评估指标。
MAE揭示了实际值与预测值之间的偏差程度，当预测值与真实值完全相同时，等于0，这是理想模型；误差越大，其值越大。RMSE对原始数据比较敏感，非常擅长测量精度。预测结果对比如表2所示。
表2异步电机转子电阻预测方法对比表
BP全称为Back Propagation，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络；
由表2可知，采用本发明的异步电机转子电阻预测方法，能够有效提高转子电阻的辨识精度和准确率，更深入了解电机内部运行情况。
第二方面，参见图6所示，本申请实施例在第一方面提及的异步电机转子电阻辨识方法的技术基础上，提供一种异步电机转子电阻辨识装置，该装置包括：
数据获取模块，其用于获得对照电机转子的电机数据以及电机转子电阻，构建对照电机转子的电机数据序列以及第一输出序列；
数据拆分模块，其用于基于对照电机转子的所述电机数据序列以及所述第一输出序列，按照预设比例配置训练集、验证集以及测试集；
模型构建模块，其用于构建Attention-LSTM-RNN模型，并基于所述训练集、所述验证集以及所述测试集，对所述Attention-LSTM-RNN模型进行训练；
电阻辨识模块，其用于获得待测电机转子的电机数据，利用通过训练的所述Attention-LSTM-RNN模型，进行电机转子电阻辨识；其中，
所述Attention-LSTM-RNN模型包括输入层、LSTM隐藏层、Attention层、全连接层以及输出层；
所述输入层和所述输出层神经元数基于电机数据的变量个数和电机转子电阻的个数决定。
本申请实施例，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上，建立转子电阻在线辨识模型，具有较好的精度以及辨识可靠性，以便对转子电阻进行辨识；
LSTM-RNN模型能够处理长距离的依赖问题，充分利用历史信息，在时序数据分析中具有更强的适应性，充分利用转子电阻变化的时序特性，在LSTM-RNN模型的基础上引入Attention机制重点突出对转子电阻辨识结果具有关键影响的数据序列，建立多步长、多变量的转子电阻在线辨识模型。
具体的，所述电机数据包括在预设坐标系下的转子d轴电流、转子q轴电流、经过PI变换得到的转子d轴电压、转子q轴电压、转矩、环境温度以及转子频率；
该预设坐标系为dq0坐标系。
具体的，所述数据获取模块还用于获得对照电机转子的电机数据，按照顺序构建对照电机转子的电机数据序列；
所述数据获取模块还用于将电机转子电阻作为所述Attention-LSTM-RNN模型的输出变量，按照与所述电机数据序列中电机数据对应的顺序构成所述第一输出序列。
具体的，所述装置包括还包括归一化模块，其用于对所述电机数据进行归一化处理。
具体的，模型构建模块包括权重分配子模块，其用于根据电机数据序列中的电机数据的数据类型，在所述Attention-LSTM-RNN模型的输入层中配置不同的初始注意力权重。
具体的，权重分配子模块还用于获得电机数据序列中的不同类型的电机数据的相对熵；
权重分配子模块还用于基于所述相对熵，获得电机数据序列中的不同类型的电机数据的剩余度；
权重分配子模块还用于基于电机数据序列中的不同类型的电机数据的剩余度，在所述Attention-LSTM-RNN模型的输入层中配置所述初始注意力权重。
具体的，模型构建模块包括模型训练子模块，其用于将所述电机数据序列中分属所述训练集的数据作为输入量，将所述第一输出序列中分属所述训练集的数据作为输出量，训练所述Attention-LSTM-RNN模型；
模型训练子模块还用于基于所述电机数据序列以及所述第一输出序列中分属所述测试集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得测试集损失值；
模型训练子模块还用于基于所述电机数据序列以及所述第一输出序列中分属所述验证集的数据，利用所述Attention-LSTM-RNN模型进行模拟测试，获得验证集损失值；
模型训练子模块还用于比较所述测试集损失值与所述验证集损失值，判断所述Attention-LSTM-RNN模型是否通过训练。
具体的，模型构建模块包括模型构建子模块，其用于根据电机数据序列中的电机数据的个数设定输入层的神经元个数；
模型构建子模块还用于基于第一输出序列的数据个数设定输出层的神经元个数。
具体的，所述装置还包括模型调配模块，其用于当待测电机达到热平衡状态，不将温度作为所述Attention-LSTM-RNN模型的输入参数。
需要说明的是，在本申请中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
