CN110486381B - 一种磁悬浮轴承的远程控制系统 - Google Patents

一种磁悬浮轴承的远程控制系统 Download PDF

Info

Publication number
CN110486381B
CN110486381B CN201910663287.9A CN201910663287A CN110486381B CN 110486381 B CN110486381 B CN 110486381B CN 201910663287 A CN201910663287 A CN 201910663287A CN 110486381 B CN110486381 B CN 110486381B
Authority
CN
China
Prior art keywords
data
magnetic suspension
remote control
control system
observer
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.)
Active
Application number
CN201910663287.9A
Other languages
English (en)
Other versions
CN110486381A (zh
Inventor
金鸣镝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Baishiteng Electric Co ltd
Original Assignee
Suzhou Baishiteng Electric Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Baishiteng Electric Co ltd filed Critical Suzhou Baishiteng Electric Co ltd
Priority to CN201910663287.9A priority Critical patent/CN110486381B/zh
Publication of CN110486381A publication Critical patent/CN110486381A/zh
Application granted granted Critical
Publication of CN110486381B publication Critical patent/CN110486381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C32/00—Bearings not otherwise provided for
    • F16C32/04—Bearings not otherwise provided for using magnetic or electric supporting means
    • F16C32/0406—Magnetic bearings
    • F16C32/044—Active magnetic bearings
    • F16C32/0444—Details of devices to control the actuation of the electromagnets
    • F16C32/0451—Details of controllers, i.e. the units determining the power to be supplied, e.g. comparing elements, feedback arrangements with P.I.D. control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2233/00—Monitoring condition, e.g. temperature, load, vibration
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2300/00—Application independent of particular apparatuses
    • F16C2300/20—Application independent of particular apparatuses related to type of movement
    • F16C2300/22—High-speed rotation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2360/00—Engines or pumps
    • F16C2360/44—Centrifugal pumps
    • F16C2360/45—Turbo-molecular pumps

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Magnetic Bearings And Hydrostatic Bearings (AREA)

Abstract

本发明公开了一种磁悬浮轴承的远程控制系统，包括：磁悬浮控制模块，所述磁悬浮控制模块包括磁悬浮观测器和磁悬浮控制器，所述磁悬浮观测器用于采集现场数据，同时通过现场以太网上传采集的现场数据，所述磁悬浮控制器通过所述磁悬浮观测器采集的现场数据，通过自抗扰系统对干扰进行实时调控；数据处理模块，所述数据处理模块存储数据并进行数据分析；用户监控模块，所述用户监控模块基于浏览器/服务器结构。本发明提供的磁悬浮轴承的远程控制系统，直接采用数字控制器以实现开发的高级控制算法和自适应不平衡振动抑制算法以降低人工配平和模拟控制器参数调整的工作量和提高控制性能。

Description

一种磁悬浮轴承的远程控制系统
技术领域
本发明涉及磁悬浮技术领域，尤其是一种磁悬浮轴承的远程控制系统。
背景技术
在科学技术和现代工业的许多特殊领域，需要对精密器件进行非接触操作，以避免摩擦损耗和表面污染，于是一项新技术—磁悬浮技术就应运而生，这是一种利用电磁吸引力来克服重力，将物体稳定悬浮在空中的技术，目前主要应用于两大方面：一是利用磁气浮上在交通运输等方面的应用(如：磁悬浮列车、搬运装置、防震装置等)，二是磁悬浮轴承的运用(如：涡轮真空分子泵、超高速机械加工设备、流体机械和电力储藏用飞轮等)。在这些应用中尤以磁悬浮涡轮真空分子泵最具规模。
在轴磁浮及其精密控制方面，现有技术采用的仍然是模拟控制器，基本上都是PID控制算法，这限制了控制性能。
针对上述技术问题，本发明拟直接采用数字控制器以实现开发的高级控制算法和自适应不平衡振动抑制算法以降低人工配平和模拟控制器参数调整的工作量和提高控制性能。
发明内容
本发明的目的在于提供一种磁悬浮轴承的远程控制系统，直接采用数字控制器以实现开发的高级控制算法和自适应不平衡振动抑制算法以降低人工配平和模拟控制器参数调整的工作量和提高控制性能。
基于上述目的，本发明提供一种磁悬浮轴承的远程控制系统，包括：
磁悬浮控制模块，磁悬浮控制模块包括磁悬浮观测器和磁悬浮控制器，磁悬浮观测器用于采集现场数据，同时通过现场以太网上传采集的现场数据，磁悬浮控制器通过磁悬浮观测器采集的现场数据，通过自抗扰系统对干扰进行实时调控；
数据处理模块，数据处理模块包括数据中心和数据库服务器，数据中心通过现场以太网接收磁悬浮观测器采集的现场数据，读取并进行数据分析，数据库服务器用于存储数据中心读取的数据，供磁悬浮控制模块调用；
用户监控模块，用户监控模块基于浏览器/服务器结构，包括Web服务器和Web客户端，用户监控模块调用数据库服务器的数据呈现给Web客户端，同时将本地信息存储在数据库服务器中。
进一步地，磁悬浮控制模块采用一阶惯性环节作为参考输入，基于线性自抗扰控制ADRC算法，将未知扰动视为一个状态变量，并通过扩张状态观测器得到其估计量。
进一步地，扩张状态观测器多一个估计的状态，表示未建模动态与所述未知扰动的组合。
进一步地，数据处理模块用于执行故障预测算法和传感器优化。
进一步地，数据处理模块还包括卷积神经网络CNN和门控递归单元GRU，卷积神经网络CNN由卷积层、激活层和池化层按照线性顺序连接得到，门控递归单元GRU包括更新门和复位门。
进一步地，故障预测算法包括以下步骤：
将采集的数据直接输入到卷积神经网络CNN中；
低层卷积神经网络CNN自动提取时序数据的各种潜在特征；
高层卷积神经网络CNN组合低层特征并获取高层特征；
通过门控递归单元GRU对当前信息和历史信息的数据进行训练；
全连接网络FNN综合利用单次实验的特征与不同实验之间的时序信息完成剩余使用寿命RUL回归与退化类型的判断。
进一步地，传感器优化基于iSIGHT算法，从输入文件中读取磁悬浮轴承的参数，在COMSOL中进行模型的调用和仿真，输出文件储存优化的轴承模型参数。
进一步地，Web服务器基于MVC编程模型，采用Django Web框架建站，读取数据处理模块的数据信息，通过前端技术将数据通过浏览器呈献给Web客户端的用户。Web客户端的用户通过TCP/IP协议，登录浏览器访问系统进行监控。
本发明具有以下有益技术效果：本发明提供的磁悬浮轴承的远程控制系统，直接采用数字控制器以实现开发的高级控制算法和自适应不平衡振动抑制算法以降低人工配平和模拟控制器参数调整的工作量和提高控制性能。
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，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地介绍，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他的实施例。
图1为本发明实施例一种磁悬浮轴承的远程控制系统的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
本发明提供一种磁悬浮轴承的远程控制系统，图1为本发明实施例一种磁悬浮轴承的远程控制系统的系统框图。
一种磁悬浮轴承的远程控制系统，包括：
磁悬浮控制模块，磁悬浮控制模块包括磁悬浮观测器和磁悬浮控制器，磁悬浮观测器用于采集现场数据，同时通过现场以太网上传采集的现场数据，磁悬浮控制器通过磁悬浮观测器采集的现场数据，通过自抗扰系统对干扰进行实时调控；
数据处理模块，数据处理模块包括数据中心和数据库服务器，数据中心通过现场以太网接收磁悬浮观测器采集的现场数据，读取并进行数据分析，数据库服务器用于存储数据中心读取的数据，供磁悬浮控制模块调用；
用户监控模块，用户监控模块基于浏览器/服务器结构，包括Web服务器和Web客户端，用户监控模块调用数据库服务器的数据呈现给Web客户端，同时将本地信息存储在数据库服务器中。
用户监控模块以TCP/IP协议为基础，以Web为核心应用，构成统一和方便的信息交换平台，具有很大的灵活性。用户不需要安装专门的客户端软件，只需要使用计算机浏览器就可以访问系统，不需要承担额外工作量；这种模式降低了用户的总体成本，也免除了客户端维护工作，减轻了系统维护与升级的成本和工作量。
进一步地，Web服务器基于MVC编程模型，采用Django Web框架建站，读取数据处理模块的数据信息，通过Html5、Css3等前端技术将丰富的数据简洁、形象、直观地呈现给Web客户端的用户。Web客户端的用户通过浏览器就可以访问Web服务器中的文本、数据、图表等信息，Web服务器与数据库服务器连接，所有数据储存在数据库服务器中。
数据处理模块用于执行故障预测算法和传感器优化。
针对基于数据驱动的传统故障预测算法具有的人工提取特征与无记忆性这两个缺点，本发明采用基于卷积神经网络CNN和门控递归单元GRU的磁悬浮涡轮分子泵故障预测算法。
为了克服人工提取特征的缺点，本发明引入多层卷积神经网络，自动提取更全面、准确和抽象的特征；为了克服传统故障预测算法的无记忆性，本文引入不同结构的反馈神经网络，充分利用时序数据的上下文信息，为模型提供长短期记忆能力。
进一步地，卷积神经网络CNN由卷积层、激活层和池化层按照线性顺序连接得到。
在CNN的卷积层中，假设输入矩阵为I(x,y)，卷积核为K(x,y)，去除数学上卷积操作的可交换性，CNN中的卷积操作可表示为：
Figure GDA0002618462160000051
在CNN的激活层中，激活函数将输入范围[-∞,+∞]映射到特定输出范围[a,b]，同时引入非线性，增强网络的潜在表达能力。常见的激活函数f(x)有：sigmod，tanh，ReLU。使用反向传播算法训练网络参数时，如果sigmod和tanh神经元的输入x取值非常大或者非常小，斜率趋向于0，即梯度趋向于0，则无法训练到浅层网络的参数，最终训练失败。因此选择ReLU激活函数，而一些常见的控制门(Control Gate)则使用sigmod或tanh，用于控制数据流的流通比例。
在CNN的池化层中，对激活函数的输出进行统计处理，池化层提高了网络输出对于输入微小变化的转换不变性，提高了神经网络模型表达能力的鲁棒性。
CNN模拟动物的视觉系统，单个神经元只感知局部的输入，同时同层神经元之间共享权值。在空间或时间数据处理中，相比于全连接的神经网络，CNN这两个特点大大减少了模型参数，加快了模型训练的速度，同时也增加了模型的精度。顺序叠加CNN的多层CNNs，可对输入提取不同抽象级别的特征。低层CNN自动提取输入的低层特征，高层CNN组合低层特征，得到更加抽象、精简和稳定的高层特征。虽然CNN具有局部感知的特点，但是不同层神经元的感知区域是不同的。局部感知与分层组合使得不同的CNN层可以感知不同范围的输入，实现宏观意义上的分层抽象。
将CNN用于自动提取磁悬浮涡轮分子泵故障数据的各种特征，充分利用CNN的局部感知和权值共享的特点，降低模型的复杂度；通过多层CNN获取较高抽象度和稳定性的特征，便于后续GRU及其变种高效地提取时序信息。
进一步地，门控递归单元GRU，通过门来控制网络梯度的传播，避免梯度消失问题，从而解决长期依赖问题。控制门的激活函数一般选择sigmod函数，该函数的输出为[0,1]，可以控制相应数据流不通、部分通和全部通过。门控递归单元GRU包括更新门和复位门。在t时刻，复位门根据当前输入xt和上一时刻输出ht-1决定过去信息被遗忘的比例，其中σ为sigmod函数，将输入值非线性映射到[0,1]区间：rt＝σ(Wr·[xt,ht-1]+br)。复位门与历史信息ht-1进行点乘，决定上一时刻ht-1信息的传播比例。融合当前输入xt与历史信息ht-1后获得中间状态ht：ht＝tanh(Wxt+U(rt⊙ht-1))。ht是记忆单元。GRU令rt＝0来忘记历史信息，同时令W≠0来记住当前信息，这样复位门便实现了长短期记忆能力。另外只要rt为1或接近1，则很久的历史信息也会被牢牢记住，不会出现梯度消失问题。GRU的参数数量少，训练速度快，资源使用效率更高。
在一些实施例中，门控递归单元GRU可以为改进的门控递归单元IGRU，增加一个非线性映射tanh，同时增加了历史信息ht-1参与候选输入计算的比例与灵活性。
进一步地，故障预测模块算法具体包括以下步骤：
将采集的数据xt直接输入到卷积神经网络CNN中；低层卷积神经网络CNN自动提取时序数据的各种潜在特征；高层卷积神经网络CNN组合低层特征并获取更加抽象、稳定的实验内时序信息，此时特征维度非常低，特征密度很高；通过门控递归单元GRU实现关于实验之间时序信息的长短期记忆，对当前信息和历史信息的数据进行训练，GRU引入了3层非线性，非线性粒度更低，能够实现的潜在非线性范围与粒度更高，网络配置的灵活性也更高；全连接网络FNN综合利用单次实验的特征与不同实验之间的时序信息完成剩余使用寿命RUL回归与退化类型的判断。
进一步地，传感器优化基于iSIGHT算法，从输入文件中读取磁悬浮轴承的参数，在COMSOL中进行模型的调用和仿真，输出文件储存优化的轴承模型参数，降低电磁铁的功耗。
iSIGHT通过插入simcode模块来集成各类分析设计软件，COMSOL Multiphysics通过编程集成到iSIGHT中，采用批处理的方式运行，格式为comsolbatch.exe MyText。其运行结果在每次优化过程中被iSIGHT调用，然后再将处理后的值传递给COMSOL来进行下一次计算。
在iSIGHT优化过程中，每次调用COMSOL时都会按当前参数自动生成一个磁悬浮轴承/电涡流微位移传感器模型，得到当前的磁场分布、电磁力等变量值。
CallComsol.bat调用一个用COMSOL Script和MATLAB语言编写的m文件，用于从输入文件中读取磁悬浮轴承的参数，然后在COMSOL中进行模型的调用和仿真；同时，将COMSOL的计算结果写入到输出文件SensorOut.txt中，供iSIGHT进行优化分析；
SensorIn.txt、SensorOut.txt为系统输入输出文件，储存每次仿真的轴承模型参数。
进一步地，磁悬浮控制模块采用一阶惯性环节作为参考输入，采用一阶惯性环节，设计简单方便，运算量小，在实时工业控制系统中优势明显。基于线性自抗扰控制ADRC算法，将未知扰动视为一个状态变量，并通过扩张状态观测器得到其估计量从而对其进行消除，达到主动抑制干扰的目的。线性自抗扰控制ADRC的框架图主要由两部分组成，控制器以及观测器，其中w(t)是外部干扰，yd是系统的参考信号，b是控制量u(t)的系数。很显然最重要的部分是观测器。观测器扩展了一个状态变量以估计f(·)，而且不需要被控对象的数学模型，这与其他基于模型的扰动观测器不同，如IMC，DoB，UIO以及PoB。需要调节的参数为wc、w0，实际上只需调节wc即可，因为一般来说是将w0设为比wc大几倍的值即可。被控对象唯一需要提供的参数是b的近似值。一般来说b具有明确的物理意义，所以假设其值是已知的。一旦调节好一个子系统的控制器参数，可直接复制至其他子系统控制器，降低了分散式控制参数调节难度。
进一步地，扩张状态观测器多一个估计的状态，表示未建模动态与所述未知扰动的组合。定义
Figure GDA0002618462160000071
被控对象可重写为：
Figure GDA0002618462160000081
其中η是f(·)的微分，为未知量。增加被控对象阶数是为了将f(·)作为一个状态，以便之后估计它。如下形式为非线性观测器：
Figure GDA0002618462160000082
其中zi是对yi-1的估计，zn+1是对扩展状态η的估计。gi(·)，i＝1,…,(n+1)是一系列非线性函数。直观来看这是一个非线性增益函数，较小的误差便可能会引起较大的增益。
扩展状态观测器参数较多，难以调节，将其线性化之后得到：
Figure GDA0002618462160000083
其中li是线性增益变量。提出的这个线性化观测器被称为线性扩张状态观测器。观测器的增益向量l＝[l1,…,ln+1]T可由已知的一些方法如极点配置法获得。

Claims (9)

1.一种磁悬浮轴承的远程控制系统，其特征在于，包括：
磁悬浮控制模块，所述磁悬浮控制模块包括磁悬浮观测器和磁悬浮控制器，所述磁悬浮观测器用于采集现场数据，同时通过现场以太网上传采集的现场数据，所述磁悬浮控制器通过所述磁悬浮观测器采集的现场数据，通过自抗扰系统对干扰进行实时调控；
数据处理模块，所述数据处理模块包括数据中心和数据库服务器，所述数据中心通过现场以太网接收所述磁悬浮观测器采集的现场数据，读取并进行数据分析，所述数据库服务器用于存储数据中心读取的数据，供所述磁悬浮控制模块调用；
用户监控模块，所述用户监控模块基于浏览器/服务器结构，包括Web服务器和Web客户端，所述用户监控模块调用所述数据库服务器的数据呈现给所述Web客户端，同时将本地信息存储在所述数据库服务器中。
2.根据权利要求1所述的远程控制系统，其特征在于，所述磁悬浮控制模块采用一阶惯性环节作为参考输入，基于线性自抗扰控制ADRC算法，将未知扰动视为一个状态变量，并通过扩张状态观测器得到其估计量。
3.根据权利要求2所述的远程控制系统，其特征在于，所述扩张状态观测器多一个估计的状态，表示未建模动态与所述未知扰动的组合。
4.根据权利要求1所述的远程控制系统，其特征在于，所述数据处理模块用于执行故障预测算法和传感器优化。
5.根据权利要求4所述的远程控制系统，其特征在于，所述数据处理模块还包括卷积神经网络CNN和门控递归单元GRU，所述卷积神经网络CNN由卷积层、激活层和池化层按照线性顺序连接得到，所述门控递归单元GRU包括更新门和复位门。
6.根据权利要求5所述的远程控制系统，其特征在于，所述故障预测算法包括以下步骤：
将采集的数据直接输入到所述卷积神经网络CNN中；
低层卷积神经网络CNN自动提取时序数据的各种潜在特征；
高层卷积神经网络CNN组合低层特征并获取高层特征；
通过门控递归单元GRU对当前信息和历史信息的数据进行训练；
全连接网络FNN综合利用单次实验的特征与不同实验之间的时序信息完成剩余使用寿命RUL回归与退化类型的判断。
7.根据权利要求4所述的远程控制系统，其特征在于，所述传感器优化基于iSIGHT算法，从输入文件中读取磁悬浮轴承的参数，在COMSOL中进行模型的调用和仿真，输出文件储存优化的轴承模型参数。
8.根据权利要求1所述的远程控制系统，其特征在于，所述Web服务器基于MVC编程模型，采用Django Web框架建站，读取所述数据处理模块的数据信息，通过前端技术将数据通过浏览器呈献给所述Web客户端的用户。
9.根据权利要求1所述的远程控制系统，其特征在于，所述Web客户端的用户通过TCP/IP协议，登录浏览器访问系统进行监控。
CN201910663287.9A 2019-07-22 2019-07-22 一种磁悬浮轴承的远程控制系统 Active CN110486381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910663287.9A CN110486381B (zh) 2019-07-22 2019-07-22 一种磁悬浮轴承的远程控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910663287.9A CN110486381B (zh) 2019-07-22 2019-07-22 一种磁悬浮轴承的远程控制系统

Publications (2)

Publication Number Publication Date
CN110486381A CN110486381A (zh) 2019-11-22
CN110486381B true CN110486381B (zh) 2020-11-27

Family

ID=68547906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910663287.9A Active CN110486381B (zh) 2019-07-22 2019-07-22 一种磁悬浮轴承的远程控制系统

Country Status (1)

Country Link
CN (1) CN110486381B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241133B (zh) * 2020-10-13 2022-07-29 江苏亚楠电子科技有限公司 一种远程控制方法、装置及设备工具箱
CN113864335A (zh) * 2021-09-26 2021-12-31 赛特勒斯磁悬浮科技承德有限公司 一种磁悬浮轴承控制器参数调试装置及方法
CN116146517B (zh) * 2022-12-21 2024-04-02 北京中科科仪股份有限公司 一种磁悬浮分子泵智能监控系统及方法
CN117189648B (zh) * 2023-11-03 2024-03-08 江苏海拓宾未来工业科技集团有限公司 一种基于云边协同的磁悬浮离心压缩机远程控制系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63285321A (ja) * 1987-05-18 1988-11-22 Ebara Corp 不釣り合い振動及び同期妨害振動の防止制御方式
JPH01116318A (ja) * 1987-10-28 1989-05-09 Natl Aerospace Lab 能動形磁気軸受
US5144549A (en) * 1990-06-29 1992-09-01 Massachusetts Institute Of Technology Time delay controlled processes
CN100538564C (zh) * 2007-11-01 2009-09-09 北京航空航天大学 一种磁悬浮飞轮高精度主动振动控制系统
CN101908850B (zh) * 2010-08-06 2014-07-23 中国人民解放军国防科学技术大学 磁悬浮轴承通用控制器
CN104503238B (zh) * 2014-12-15 2017-03-22 北京航空航天大学 一种基于自适应重复控制器的磁悬浮转子系统电流谐波抑制方法
US9648446B2 (en) * 2015-09-22 2017-05-09 Veniam, Inc. Systems and methods for shipping management in a network of moving things
CN106773673A (zh) * 2016-11-23 2017-05-31 北京航空航天大学 一种基于频率自适应的分数补偿重复控制器的磁悬浮转子谐波电流抑制方法
CN107332889B (zh) * 2017-06-20 2020-02-14 湖南工学院 一种基于云计算的云端信息管理控制系统及控制方法
CN108087423B (zh) * 2017-11-08 2019-07-30 珠海格力电器股份有限公司 一种磁悬浮轴承的控制装置、磁悬浮轴承及其控制方法
CN108663940B (zh) * 2018-08-20 2019-09-24 西北工业大学 基于集总复合估计的飞行器神经网络学习控制方法
CN109139691B (zh) * 2018-09-13 2020-10-02 哈尔滨电气股份有限公司 一种适用于立式电磁轴承转子跌落恢复的控制方法
CN110018638B (zh) * 2019-04-03 2023-10-10 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法

Also Published As

Publication number Publication date
CN110486381A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110486381B (zh) 一种磁悬浮轴承的远程控制系统
Su et al. Credit assigned CMAC and its application to online learning robust controllers
CN105550323B (zh) 一种分布式数据库负载均衡预测方法和预测分析器
CN109885916B (zh) 一种基于lssvm的混合试验在线模型更新方法
CN109816144B (zh) 分布式内存并行计算优化深度信念网络的短期负荷预测方法
Fritzsche et al. Multidisciplinary design optimisation of a recurve bow based on applications of the autogenetic design theory and distributed computing
CN111190429A (zh) 一种基于强化学习的无人机主动容错控制方法
Aslam et al. Using artificial neural network for VM consolidation approach to enhance energy efficiency in green cloud
Dib et al. Comparative Study of Optimal Tuning PID Controller for Manipulator Robot
CN113609762A (zh) 一种基于gru-mtl的电冷热负荷联合预测方法及系统
Wu et al. A study on PID intelligent optimization based on radial basis function neural networks
Chiu et al. Robust intelligent backstepping tracking control for wheeled inverted pendulum
CN115392113A (zh) 一种跨工况条件复杂机电系统剩余寿命预测系统及方法
Yang et al. Energy saving strategy of cloud data computing based on convolutional neural network and policy gradient algorithm
Wu et al. Difference brain storm optimization for combined heat and power economic dispatch
Li et al. The research on electric load forecasting based on nonlinear gray bernoulli model optimized by cosine operator and particle swarm optimization
Sirichotiyakul et al. Data-driven design of energy-shaping controllers for swing-up control of underactuated robots
Ide et al. A framework of an rl-based task offloading mechanism for multi-users in edge computing
Zhao et al. Improving Approximate Logic Neuron Model by Means of a Novel Learning Algorithm
Rong et al. Research on Prediction of the Cash Usage in Banks Based on LSTM of Improved Grey Wolf Optimizer
Zou et al. Broad learning system with proportional-integral-differential gradient descent
Liu et al. Application of LabVIEW and MATLAB hybrid programming in unmanned helicopter system simulation
Kahraman et al. Comparison of the Effect of Regularization Techniques and Lookback Window Length on Deep Learning Models in Short Term Load Forecasting
CN110751342B (zh) 基于mbg优化的电力负荷时间序列预测方法
Zhang et al. A General Technique to Combine Off-Policy Reinforcement Learning Algorithms with Satellite Attitude Control

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
GR01 Patent grant