·1078· 工程科学学报，第41卷，第8期 轴解耦得到(k+2)时刻定子电流在d轴和g轴的分 电流合理区间，”为(k+2)时刻的定子电流g轴分 量4(k+2)和in(k+2),两个分量的大小为i4(k+2) 量预测值，，(k+2)±△i,是基于q轴预测值的电流 和i,(k+2).同时，量化当前电压裕度下的电机 合理区间，i“(k)和(k)为Clak变换后的k时刻 d-q轴允许变化范围△i4、△i,将i4(k+2)±△i4、 定子电流预测值，ω：为码盘返回的转子角速度修正 ,(k+2)±△i,的值作为感应电机模型参数仿真计 值，业：为系统中转子磁链的反馈值.电流允许变化 算阀值，在有限时域内将多电机参数、多控制指令、 范围△i、△i。的计算方法为： 多约束条件下的感应电机矢量控制模型参数进行迭 代更新，用于实时监控告警，如图4，Clark22为两相 △id= SL,R,wAV+(1-L:@2 AVa (3) R:+LR.@ 旋转坐标的电流(d-g轴)分量通过Clark变换成两 △in= R,△Vn-Lω.△V (4) 相静止坐标轴下的电流（α-B轴）分量的转换器， R2+6L2w2 Clark32,为三相静止坐标的电流(a-b-c)分量通过 其中：△Va=Vm-Va(k),△Ve=Vmm-V(k): Clak变换成两相静止坐标轴下的电流(a-B轴)分 V.(k)、V(k)分别为第k个采样点的d-g坐标系电 量的转换器，图中，”为(k+2)时刻的定子电流d 压；VmVma为d轴、g轴电流调节器的输出饱和 轴分量预测值，ia(k+2)±△i4是基于d轴预测值的 值：L.为定子电感：R为定子电阻：ω为同步角速度 ik+2)±△i, +2±△ 转速 价值 状态 控制器 函数 (k+1) SVPWM 最优 更新 开 逆变器 控制 序列 o+2) w.k+1)- 延时补偿 4k+10i=0,1,…,7) iek+1)中k+1) Clark. 预测 i 模型 公式 磁链 观测 码盘 图4感应电机仿真计算结构图 Fig.4 Structure of the induction motor simulation calculation 2.3入侵检测分类算法 二次损失函数将原算法中的二次寻找最优转换为求 入侵检测分类器的实现主要通过机器学习训练 解线性方程，使得分类运算速度显著提高，使LSS- 特征样本后进行特征匹配[]，当前在入侵检测分类 VM算法满足EtherCAT工业控制总线网络入侵检 器算法中，检测效果较好的包括遗传算法、神经网 测实时性要求. 络、支持向量机等：遗传算法与神经网络适用于实时 而针对LSSVM分类器的惩罚参数以及核函数 性要求不高，异常数据种类多，主机运算处理能力好 参数的选择与优化也存在各种不同的算法，其中混 的高性能计算机：而针对训练样本集合较少、简单数 沌粒子群优化算法以其流程简单、参数少、易于实现 据无法映射到更高维度、分类陷入局部最优问题的 的群体智能随机优化参数能力成为网络状态特征提 情况下，支持向量机拥有很大优势.针对工业控制 取与分类器参数优化的主要选择.所以本文采用由 系统对实时性与准确性的要求，其总线数据的入侵 混沌粒子群优化算法选择网络状态特征和最小二乘 检测属于对“正常数据”和“异常数据”进行区分的 支持向量机]分类器参数的网络入侵检测模 典型二分类问题]，需要入侵检测算法拥有优异的 型CPSO-LSSVM. 泛化能力并压缩样本训练时间，其中，最小二乘支持 如图5，通过将网络状态进行预处理得到对应 向量机作为传统支持向量机的特殊算法，通过构造 的网络特征，然后采用混沌粒子群优化算法，根据电工程科学学报,第 41 卷,第 8 期 轴解耦得到(k + 2)时刻定子电流在 d 轴和 q 轴的分 量 i d (k +2)和 i q(k +2),两个分量的大小为 i d (k + 2) 和 i q( k + 2). 同时,量化当前电压裕度下的电机 d鄄鄄 q 轴允许变化范围 驻i d 、驻i q,将 i d ( k + 2) 依 驻i d 、 i q(k + 2) 依 驻i q 的值作为感应电机模型参数仿真计 算阀值,在有限时域内将多电机参数、多控制指令、 多约束条件下的感应电机矢量控制模型参数进行迭 代更新,用于实时监控告警,如图 4,Clark2r/ 2s为两相 旋转坐标的电流(d鄄鄄 q 轴)分量通过 Clark 变换成两 相静止坐标轴下的电流(琢鄄鄄 茁 轴) 分量的转换器, Clark3s/ 2s为三相静止坐标的电流(a鄄鄄 b鄄鄄 c)分量通过 Clark 变换成两相静止坐标轴下的电流(琢鄄鄄 茁 轴)分 量的转换器,图中,i * sd 为( k + 2) 时刻的定子电流 d 轴分量预测值,i d (k + 2) 依 驻i d 是基于 d 轴预测值的 电流合理区间,i * sq 为(k + 2)时刻的定子电流 q 轴分 量预测值,i q(k + 2) 依 驻i q 是基于 q 轴预测值的电流 合理区间,i * s琢 (k)和 i * s茁 (k)为 Clark 变换后的 k 时刻 定子电流预测值,棕 * rd 为码盘返回的转子角速度修正 值,鬃 * rd 为系统中转子磁链的反馈值. 电流允许变化 范围 驻i d 、驻i q 的计算方法为: 驻i d = 啄LsRs棕e驻Vqs + (1 - 啄L 2 s 棕 2 e )驻Vds R 3 s + 啄L 2 s Rs棕 2 e (3) 驻i q = Rs驻Vqs - Ls棕e驻Vds R 2 s + 啄L 2 s 棕 2 e (4) 其中:驻Vds = Vds_max - Vds ( k),驻Vqs = Vqs_max - Vqs ( k); Vds(k)、Vqs(k)分别为第 k 个采样点的 d鄄鄄q 坐标系电 压;Vds_max、Vqs_max为 d 轴、q 轴电流调节器的输出饱和 值;Ls 为定子电感;Rs 为定子电阻;棕e 为同步角速度. 图 4 感应电机仿真计算结构图 Fig. 4 Structure of the induction motor simulation calculation 2郾 3 入侵检测分类算法 入侵检测分类器的实现主要通过机器学习训练 特征样本后进行特征匹配[13] ,当前在入侵检测分类 器算法中,检测效果较好的包括遗传算法、神经网 络、支持向量机等;遗传算法与神经网络适用于实时 性要求不高,异常数据种类多,主机运算处理能力好 的高性能计算机;而针对训练样本集合较少、简单数 据无法映射到更高维度、分类陷入局部最优问题的 情况下,支持向量机拥有很大优势. 针对工业控制 系统对实时性与准确性的要求,其总线数据的入侵 检测属于对“正常数据冶和“异常数据冶进行区分的 典型二分类问题[14] ,需要入侵检测算法拥有优异的 泛化能力并压缩样本训练时间,其中,最小二乘支持 向量机作为传统支持向量机的特殊算法,通过构造 二次损失函数将原算法中的二次寻找最优转换为求 解线性方程,使得分类运算速度显著提高,使 LSS鄄 VM 算法满足 EtherCAT 工业控制总线网络入侵检 测实时性要求. 而针对 LSSVM 分类器的惩罚参数以及核函数 参数的选择与优化也存在各种不同的算法,其中混 沌粒子群优化算法以其流程简单、参数少、易于实现 的群体智能随机优化参数能力成为网络状态特征提 取与分类器参数优化的主要选择. 所以本文采用由 混沌粒子群优化算法选择网络状态特征和最小二乘 支持向 量 机[15] 分 类 器 参 数 的 网 络 入 侵 检 测 模 型———CPSO鄄鄄LSSVM. 如图 5,通过将网络状态进行预处理得到对应 的网络特征,然后采用混沌粒子群优化算法,根据电 ·1078·