基于hadoop平台的潜油电机温度辨识数据流研究
其中，Ts与Tr分别为定子侧、转子侧温度；Tm为Ts与Tr在定、转子气隙间达到的平衡温度；热电容Cs和Cr [J/℃]分别为定子、转子升高单位℃所需能量；热电阻Rs和Rr [℃/W]分别为定、转子在热传导与热对流联合作用的散热能力；耦合电阻Rm [℃/W]与Rsm [℃/W]分别表示转子通过气隙向定子及定子通过气隙向转子的热传递能力。Ls、Lr和Lm分别为定、转子自感及二者间互感；s为转差率；ωe：为同步角速度，Ps_copper、Pr_copper、α1、α2、α3及α4表示如下
在对潜油电机温度实时辨识的过程中，快速求解数字功放电感微分方程组（2）成为了关键，这里采用了机械化数学求解方法——高阶龙格库塔算法，在增加精度的同时也加大了计算量和复杂度。由于数据量非常大和机械数学求解方法比较复杂，导致了温度辨识的延时，而采用hadoop可以减少计算时间，避免延时，其处理的过程如图5所示。
图5 在hadoop中求解热力学模型过程
三、实验环境和结果
本文Hadoop云环境配置如表1所示。在hadoop云中，硬件由两台计算机构成，有一个主结点和一个从结点，两个节点的软件环境工作在linux系统上，hadoop框架工作在java运行环境上。
表1 hadoop云的配置
Hadoop的多数配置文件保持默认值，一般只是修改map任务数量、块的大小和复制因子，这里复制因子设为3，所有的分片在HDFS系统中都有三份备份，避免了数据的网络传输带来的网络阻塞。
基于hadoop云的硬件平台如图6所示，三相交流电源经断路器与变频器相连接，变频器控制潜油电机以一定转速旋转带动直流发电机产生电能，电能供应电阻箱负载。为了使潜油电机始终工作在正常状态，避免因为温度过高对电机造成损害同时节约电能，提高效率，这里通过采样母线电压和母线电流，进而应用热力学模型，通过hadoop集群来快速实时预测电机温度。以额定功率为12kW、额定转速为2900r/min、磁极对数为2的某型号潜油电机为背景进行研究。其热力学参数：Cs=4578J/℃，Cr=2289J/℃，Rm=0.816℃/W，Rs1=0.6℃/W， Rs2=3.0℃/W，Rsm=0.5Rrm=0.125℃/W，Rs=0.435Ω。负载为功率http://www.dadianliu.cn/绕线电感为15kW的直流电机，额定电压为220V，额定转速为3000rpm。
图6 潜油电机实验平台
首先启动两台计算机的hadoop云计算平台，包括jobtracker、tasktracker、namenode、datanode、secondarynamenode组成的5个结点。其中，在主节点处运行namenode和jobtracker，从节点处运行datanode和tasktracker，主节点完成对从节点的监视和管理任务。热力学模型算法由MapReduce编程模型执行，这里的MapReduce程序代码利用Eclipse编译软件编写；由于hadoop处理数据的高效性，通过编写脚本文件，使MapReduce程序每隔5分钟执行一次，主节点通过hadoop底层的调度机制将采集卡采集的数据文件按照指定的分解规则将其分割处理，然后再交由数据结点进行map阶段和reduce阶段处理，将结果存储在HDFS文件系统上，从而实现温度的预测和电机的节能。
在热力学模型中，初始数据量的增加，可以提高温度预测的精确度。这里通过调整数据采集卡的采样频率来调整初始数据量。启动硬件平台，将采集卡的采样频率设为5kHz~100kHz； 如图7所示是传统的串行算法和hadoop云集群并行算法所耗时间的比较。
图