CN111367174B - 基于卷积神经网络振动识别的线性二次型控制改进方法 - Google Patents
基于卷积神经网络振动识别的线性二次型控制改进方法 Download PDFInfo
- Publication number
- CN111367174B CN111367174B CN202010169860.3A CN202010169860A CN111367174B CN 111367174 B CN111367174 B CN 111367174B CN 202010169860 A CN202010169860 A CN 202010169860A CN 111367174 B CN111367174 B CN 111367174B
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- neural network
- convolutional neural
- linear quadratic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于卷积神经网络振动识别的线性二次型控制改进方法,该方法包括:采集振动数据与被控装置数据;根据被控装置数据建立力学模型,输入振动数据并采用线性二次型控制算法控制振动,以优化算法求解每种类型振动作用下的线性二次型控制算法对应的最优控制参数;对振动数据做小波变换得到小波系数矩阵及对应的小波图像,并与振动类型构建成数据‑标签数据组,输入卷积神经网络中做分类训练;选取最佳卷积神经网络分类器对振动输入进行分类,根据振动类型识别结果选择线性二次型控制对应的最优控制参数。该方法能准确识别出不同类型的振动输入,并根据识别结果选取对应的最优控制参数,从而实现不同振动输入下的最优控制。
Description
技术领域
本发明涉及土木结构工程与机械制造工程技术领域,特别涉及一种基于卷积神经网络振动识别的线性二次型控制改进方法。
背景技术
有效的振动控制可降低环境中微振动带来的不利影响,提升精密仪器的使用效果以及工业制造的成品质量。但引发振动的振动源往往复杂多变,例如地铁、重型车辆、建筑施工等过程均会产生相应的振动干扰。而应用广泛的经典LQR(Linear QuadraticRegulator,线性二次型控制)控制方法难以实现复杂环境下对不同振动的优化控制,主要原因在于:1)既有LQR控制参数的优化方法,是当控制算法在控制某一类型振动作用时,对控制算法进行优化,该方法的优化结果难以满足于对其他类型振动的最优控制要求;2)LQR控制中其控制参数固定不变,难以适应不同振动的最优控制需求。
因此,亟需开发一种可针对不同振动,进行LQR优化控制参数选取与控制的方法和装置。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于卷积神经网络振动识别的线性二次型控制改进方法,该方法能实时地准确识别出不同类型的振动输入,并根据识别结果选取对应最优的控制参数,从而实现不同振动输入下的最优控制的目标。
为达到上述目的,本发明实施例提出了基于卷积神经网络振动识别的线性二次型控制改进方法,包括以下步骤:步骤S1,采集振动数据与被控装置数据;步骤S2,根据所述被控装置数据建立被控系统的力学模型,将所述振动数据输入所述力学模型,采用LQR算法控制被控系统的振动,并采用优化算法求解每种类型振动作用下的LQR算法对应最优的控制参数;步骤S3,采用小波变换对所述振动数据进行初步特征提取,得到小波系数矩阵及小波图像,将生成的所述小波系数矩阵或所述小波图像作为数据采样,将振动类型作为数据标签,构建数据-标签数据组,并将所述数据-标签数据组作为输入对卷积神经网络分类器进行分类训练;步骤S4,选取并利用最优卷积神经网络分类器对振动输入进行实时分类,判断振动类型,根据所述振动类型识别结果选择步骤S2中所述LQR算法对应最优的控制参数。
本发明实施例的基于卷积神经网络振动识别的线性二次型控制改进方法,根据识别结果选择对应最优的控制算法参数,使得LQR的控制参数在不同振动下都调整至对应的最优值,实现改进后的LQR方法对不同振动的控制均达到最优效果;以小波变换对振动信号进行处理,可以有效的初步提取振动信号的时频域特征,并将该特征以矩阵和图像的方式表达,输入卷积神经网络分类器中,有利于卷积神经网络进行识别和处理;以遗传算法作为控制算法参数的优化方法,可有效的在数字空间中展开全局搜索并优化。
另外,根据本发明上述实施例的基于卷积神经网络振动识别的线性二次型控制改进方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,根据被控系统的动力特性和周围振动源的频谱特性选取振动数据采集仪器。
进一步地,在本发明的一个实施例中,所述步骤S1中采集完所述振动数据后,采用振动源类型作为所述振动数据的数据标签,并对被控系统开展参数测定,保证所述力学模型的参数准确,其中,所述参数包括系统的质量、阻尼与刚度特性等。
进一步地,在本发明的一个实施例中,在所述步骤S2中,采用优化算法求解时,优化目标函数与被控系统的控制效果存在直接关联,其中,所述控制效果的衡量指标包括最大位移、速度和加速度等动力响应。
进一步地,在本发明的一个实施例中,所述步骤S3还包括:确定用于识别振动类型的最短信号时长,其中,所述最短信号时长为通过参数分析确定的对振动控制效果影响较小的最大允许延时时长,以避免由振动识别时间过长导致控制延时、效果下降。
进一步地,在本发明的一个实施例中,选取所述最优卷积神经网络分类器的衡量指标为训练集分类准确率、测试集分类准确率、训练集损失和测试集损失。
进一步地,在本发明的一个实施例中,根据所述衡量指标选取当前最优卷积神经网络分类器后,还将未用于训练的振动信号作为输入,进行分类器分类效果的验证,确定所述当前最优卷积神经网络分类器是否为所述最优卷积神经网络分类器。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于卷积神经网络振动识别的线性二次型控制改进方法流程图;
图2为根据本发明实施例的改进LQR控制方法的详细流程图;
图3为根据本发明实施例的改进LQR控制方法的装置示意图;
图4为根据本发明具体示例中采集的典型振动时序序列图;
图5为根据本发明具体示例中不同类型振动作用下的LQR参数优化流程图;
图6为根据本发明具体示例中四类典型振动所对应的最优LQR参数示意图;
图7为根据本发明具体示例中采集的典型振动小波变换后的时频域序列图;
图8为根据本发明具体示例中典型振动的控制效果与时间延迟的关系示意图;
图9为根据本发明具体示例中CNN模型对特征提取与分类的典型架构示意图;
图10为根据本发明具体示例中小波系数矩阵输入的不同CNN模型分类训练结果图;
图11为根据本发明具体示例中小波图输入的不同CNN模型分类训练结果图;
图12为根据本发明具体示例中典型振动输入示意图;
图13为根据本发明具体示例中改进控制算法与传统控制算法的效果对比图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于卷积神经网络振动识别的线性二次型控制改进方法。
图1是本发明一个实施例的基于卷积神经网络振动识别的线性二次型控制改进方法流程图。
如图1所示,该基于卷积神经网络振动识别的线性二次型控制改进方法包括以下步骤:
在步骤S1中,采集振动数据与被控装置数据。
进一步地,在本发明的一个实施例中,根据被控系统的动力特性和周围振动源的频谱特性选取振动数据采集仪器,若振动干扰的频域范围普遍在0~100Hz左右,则所配置的数据采集仪器测量范围应接近该范围。
进一步地,步骤S1中采集完振动数据后,采用振动源类型作为振动数据的数据标签,并对被控系统开展参数测定,建议开展原位测定,保证力学模型的参数准确,其中,参数包括系统的质量、阻尼与刚度特性等。
也就是说,对结构或设备工作现场的振动数据进行采集并完成数据标记,其中振动数据主要为加速度时程,可采用振动源类型作为数据标签,并对被控系统开展参数测定,使步骤S2能够建立参数准确的力学模型;
在步骤S2中,根据被控装置数据建立被控系统的力学模型,将振动数据输入力学模型,采用LQR算法控制被控系统的振动,并采用优化算法求解每种类型振动作用下的LQR算法对应的最优控制参数。
进一步地,在本发明的一个实施例中,在步骤S2中,采用优化算法求解时,优化目标函数与被控系统的控制效果存在直接关联,其中,所述控制效果的衡量指标包括最大位移、速度和加速度等动力响应,并且,考虑到控制器出力过大会导致作动器损伤等不利后果,在优化目标函数中引入折减系数,当控制力大于0.9倍的作动器出力上限时,优化目标函数值降低。因此,本发明实施例基于该优化目标函数,采用优化算法对不同类型振动作用下的最优控制参数值进行求解。
在步骤S3中,采用小波变换对振动数据进行初步特征提取,得到的小波系数矩阵及小波图像,将生成的小波系数矩阵或小波图像作为数据采样,将振动类型作为数据标签,构建数据-标签数据组,并将数据-标签数据组作为输入对卷积神经网络分类器进行分类训练。
其中,卷积神经网络分类器具有不同的模型架构。
进一步地,在本发明的一个实施例中,步骤S3还包括:确定用于识别振动类型的最短信号时长,其中,最短信号时长为通过参数分析确定对振动控制效果影响较小的最大允许延时时长,以避免由于振动识别导致控制延时。
需要说明的是,本发明实施例中步骤S3还包括:小波变换的计算参数选取过程,振动时程数据小波变换后得到小波系数的矩阵,再通过矩阵像素化处理得到小波系数图。振动时程数据小波变换后得到小波系数的矩阵,再通过矩阵像素化处理得到小波系数图。其中,小波图像的水平轴代表时间,竖直轴代表频率,颜色深浅代表小波能量的强弱(小波系数模的大小)。小波系数矩阵与图像能有效的反映振动本身的时频域特性。
本发明实施例中步骤S3还包括:选取卷积神经网络模型架构、超参数与训练的过程。具体地,通过修改卷积神经网络模型中的卷积层和池化层的数量改变模型架构,适当调整Dropout ratio等超参数的取值,得到不同的卷积神经网络模型。以训练集分类准确率、测试集分类准确率、训练集损失、测试集损失作为卷积神经网络模型分类效果的衡量指标,判断卷积神经网络分类器的性能。选取综合训练结果最优的卷积神经网络,将未用于训练的振动信号进行小波变换后的系数矩阵与小波图分别作为输入,进行识别分类的验证,当验证结果与训练结果均表现优异且接近,则表明该卷积神经网络模型效果良好。
在步骤S4中,选取并利用最优卷积神经网络分类器对振动输入进行实时分类,判断振动类型,根据振动类型识别结果选择步骤S2中线性二次型控制对应最优的控制参数。
也就是说,从训练完成的多个不同架构的卷积神经网络分类器中,选取性能最为优异的卷积神经网络分类器应用于线性二次型的在线振动控制,通过卷积神经网络分类器对振动输入的实时分类识别,判断振动类型,进而根据识别结果选取步骤S2中求解得到的相应最优控制参数,从而实现不同振动下均能最优控制的目标。
如图2-3所示,下面结合具体示例对本发明的基于卷积神经网络振动识别的线性二次型控制改进方法做进一步描述。
步骤1,获取被控装置所在工作空间的振动数据,以及被控装置的参数数据。首先采用加速度传感仪对工作环境中的典型振动进行采集,其中,主要采用的加速度传感器精度约为10-4g,频率范围为0.17Hz~100Hz,满足振动干扰采集的精度与频率需求。采样频率为100Hz,引起振动的主要振动源包括基坑开挖施工引发的地面振动,建筑在风等荷载作用下的振动,地铁经过引发的地面振动,以及普通车流引发的地面振动。各类型振动数据总共采集约1200条,后续将这几种振动分别称为:施工振动、风致振动、地铁振动、汽车流振动,其数据数量比值约为2.5:5:1:3.5,形成工作环境空间中系列振动的数据集。对振动信号进行预处理,统一信号长度为10s,典型的振动时程信号如图4所示。采集的被控装置的参数数据如表1所示。
表1控制系统参数
步骤2,基于遗传算法对LQR算法在不同振动输入下的最优控制参数求解。
步骤2.1,求解经典LQR算法控制力。
LQR算法的控制力为:
F(t)=-GX(t) (1)
式中,G为增益矩阵,增益矩阵G直接采用MATLAB中所提供的lqr(sys,Q,R)函数求解,其中,sys为系统参数矩阵由系统本身参数确定,Q、R矩阵则为权重系数矩阵,该参数决定了控制算法性能;X(t)为系统状态变量,主要为被控装置的位移、速度和加速度等动力响应。
步骤2.2,基于遗传算法对LQR算法中的Q、R矩阵进行优化。通过式(2)-(3)对Q、R矩阵进行降维表达,即Q、R分别由q、r确定。
R=rI (3)
式中,q,r是待定系数;I是单位矩阵;k,m是系统刚度与质量参数。
开展参数分析结果表明,控制效果与q、r的相对值(即q/r)直接相关。对于q/r参数的优化确定,采用具备全局最优搜索能力的遗传算法。采用MATLAB中的goat遗传算法包。对于不同类型的振动优化采用如图5所示的优化流程。
其中,在遗传算法优化时,为避免算法过早陷入局部优化,可扩大初始化q/r值的搜索范围和种群数量。算法中一个关键指标为适应度函数值,该目标函数需根据实际情况以及输出结果的可观测性确定。本发明实施例中采用位移和速度作为控制目标。同时考虑到作动器的工作性能,在作动器出力接近最大值时,其控制效果会由于作动频率的降低导致控制效果显著降低,故当最大控制力超过0.9F0max(作动器最大控制力)时,在适应度函数中引入相应控制效果折减系数。具体的性能指标函数为:
采用图5所示的优化算法流程,对工作环境中采集的4类典型振动进行相应最优q/r值的求解,其求解结果如图6所示。地铁、施工、汽车、建筑振动对应的最优q/r值(q/ropt)分别为1.83×102、3.79×105、6.81×104和3.0×106。
步骤3,对振动数据采用小波变换进行初步特征提取,确定可用于识别振动类型的最短信号时长,将最短时长的振动信号时频域特征作为输入对CNN(卷积神经网络)分类器进行训练。
步骤3.1,对信号进行小波变换,对比不同类型振动在时频域的差异。小波变换中,小波函数选择为4阶复高斯小波(cgau4),频率范围根据被控目标的特征频率确定为0~20Hz。振动时程数据小波变换后得到小波系数的矩阵,再通过矩阵像素化处理得到小波系数图。生成的小波图像如图7所示,其中,小波图像的水平轴代表时间,竖直轴代表频率,颜色深浅代表小波能量的强弱(小波系数模的大小)。小波系数矩阵与图像能有效的反映振动本身的时频域特性。
步骤3.2,为实现较好的振动控制效果,需在尽可能短的时间内识别振动,但过短的振动信号会降低分类系统的识别精度,因此需要开展参数分析确定用于分类的信号长度。
对所有收集到的地铁振动进行计算,设置不同的时间延迟,以0.5s时间为间隔。振动控制效果则采用步骤2中遗传算法的性能目标函数(式(4))进行评价,取所有振动计算所得的适应度函数的平均值。该式综合反映了速度与位移的被控指标的控制效果,适应度函数值越高,意味着综合控制效果越好。计算结果如图8所示,当控制延迟时间从1.5s增加至2s时,控制效果会显著降低。同时,振动信号的小波变换和CNN模型在实际识别应用中会有产生额外的时间延迟,因此信号长度应小于1.5s,分别取值为0.5s和1.0s。
步骤3.3,CNN模型的架构、参数选取与训练。CNN能有效的提取图像中的纹理、颜色等信息。如图9所示为本发明实施例使用的一种典型CNN架构,包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层。在本发明实施例中为了简化输入,采用两种输入进行对比,其中一种输入为小波系数矩阵,另一种则为小波图。
进而对CNN的网络结构以及参数开展相应分析计算。针对CNN网络结构的改变主要为卷积层和池化层数量,并配合适当调整Dropout ratio、卷积特征图的尺寸和数量等参数。振动信号的特征时长分别取0.5s和1s,输入分别为小波系数矩阵与小波图像。网络的训练效果的衡量标准则为训练稳定后的训练集、测试集的分类准确率和损失值。
图10和图11为CNN分类器的训练结果,其中,图10中的输入为小波系数矩阵,图11中的输入小波图。通过对比结果可以确定:1)振动信号时长无论选取0.5s,还是1s都能获得较好的分类效果,对于合适的神经网络,训练集与测试集的平均准确率能达到98%及以上;2)以小波系数作为输入,对应的CNN分类器训练结果的准确率和稳定性均高于以小波图作为输入的分类器;3)卷积层2层加上池化层2层的CNN网络结构性能最稳定,准确率最高。
因此,本发明实施例选用0.5s作为用于振动识别的信号长度,以小波系数矩阵作为CNN分类器输入,以卷积层2层加上池化层2层的CNN网络结构作为最优模型。
步骤4,将性能最优的CNN分类器应用于LQR的在线振动控制,优化传统LQR控制方法。以图12所示振动作为输入,通过步骤3.3中选取的最优性能CNN分类器对振动输入的实时分类识别,判断振动类型,进而根据识别结果选取步骤2.2中求解的相应最优控制参数,从而实现不同振动下均能最优控制的目标。
图13为本发明提出的改进振动控制方法的控制效果实例,其中,点划线代表无控制的振动位移响应,实线代表改进LQR控制方法的控制结果,虚线代表传统LQR方法1(其q/r参数取值为1.83×102)的控制结果,圆点代表传统LQR方法2(其q/r参数取值为3×106)的控制结果。结果表明改进LQR方法在不同振动下均表现良好,q/r固定为1.83×102时仅地铁振动控制良好,q/r固定为3×106时同样振动控制效果良好,但其作动器的控制力一直处于峰值,长时间处于峰值出力状态不仅会严重损害控制器,并且作动频率与作动力成负相关,过高的出力会降低出力速度,反而导致控制滞后引发控制失稳。综合表现而言,改进后的LQR控制效果最好。
综上,本发明实施例提出的基于CNN振动识别的线性二次型控制改进方法,基于CNN分类器的振动识别能力,通过对振动信号时频域特征准确的识别判断振动类型,进而根据识别结果选择对应最优的控制算法参数,使得LQR的控制参数在不同振动下都调整至对应的最优值,实现改进后的LQR方法对不同振动的控制均达到最优效果;以小波变换对信号进行处理,可以有效的初步提取振动信号的时频域特征,并将该特征以矩阵和图像的方式表达,输入CNN分类器中,有利于CNN进行识别和处理。CNN通过对图像或矩阵中包含的高级语义进行深度提取,例如图像中的颜色与纹理信息等,通过高级语义信息的差异对其进行分类;以遗传算法作为控制算法参数的优化方法,可有效的在数字空间中展开全局搜索并优化。通过扩大算法的初始化种群数量与交叉变异概率,避免过早陷入局部最优中,同时提升遗传代数,保证最终数值计算的稳定收敛。该遗传算法可有效求解出在不同类型振动作用下,LQR控制器的最优参数。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,包括以下步骤:
步骤S1,采集振动数据与被控装置数据;
步骤S2,根据所述被控装置数据建立被控系统的力学模型,将所述振动数据输入所述力学模型,采用线性二次型控制LQR算法控制被控系统的振动,并采用优化算法求解每种类型振动作用下的线性二次型控制LQR算法对应最优的控制参数;
步骤S3,采用小波变换对所述振动数据进行初步特征提取,得到小波系数矩阵及小波图像,将生成的所述小波系数矩阵或所述小波图像作为数据采样,将振动类型作为数据标签,构建数据-标签数据组,并将所述数据-标签数据组作为输入对卷积神经网络分类器进行分类训练;以及
步骤S4,选取并利用最优卷积神经网络分类器对振动输入进行实时分类,判断振动类型,根据所述振动类型识别结果选择步骤S2中所述线性二次型控制LQR算法对应最优的控制参数。
2.根据权利要求1所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,根据所述被控系统的动力特性和周围振动源的频谱特性选取振动数据采集仪器。
3.根据权利要求1所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,所述步骤S1中采集完所述振动数据后,采用振动源类型作为所述振动数据的数据标记,并对被控系统开展参数测定,保证所述力学模型的参数准确,其中,所述参数包括系统的质量、阻尼与刚度特性。
4.根据权利要求1所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,在所述步骤S2中,采用优化算法求解时,优化目标函数与被控系统的控制效果存在直接关联,其中,所述控制效果的衡量指标包括最大位移、速度和加速度以及相关的动力响应。
5.根据权利要求1所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,所述步骤S3还包括:
确定用于识别振动类型的最短信号时长,其中,所述最短信号时长为通过参数分析确定的对振动控制效果影响较小的最大允许延时时长,以避免由于振动识别时间过长导致控制延时。
6.根据权利要求1所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,选取所述最优卷积神经网络分类器的衡量指标为训练集分类准确率、测试集分类准确率、训练集损失和测试集损失。
7.根据权利要求6所述的基于卷积神经网络振动识别的线性二次型控制改进方法,其特征在于,根据所述衡量指标选取当前最优卷积神经网络分类器后,并将未用于训练的振动信号作为输入,进行分类器效果的验证,确定所述当前最优卷积神经网络分类器是否为所述最优卷积神经网络分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169860.3A CN111367174B (zh) | 2020-03-12 | 2020-03-12 | 基于卷积神经网络振动识别的线性二次型控制改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010169860.3A CN111367174B (zh) | 2020-03-12 | 2020-03-12 | 基于卷积神经网络振动识别的线性二次型控制改进方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111367174A CN111367174A (zh) | 2020-07-03 |
CN111367174B true CN111367174B (zh) | 2021-03-23 |
Family
ID=71208899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010169860.3A Active CN111367174B (zh) | 2020-03-12 | 2020-03-12 | 基于卷积神经网络振动识别的线性二次型控制改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367174B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
CN116277040B (zh) * | 2023-05-23 | 2023-07-18 | 佛山隆深机器人有限公司 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
CN117031964B (zh) * | 2023-09-18 | 2024-05-24 | 北京化工大学 | 转子不平衡振动控制方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6505085B1 (en) * | 1999-03-04 | 2003-01-07 | Massachusetts Institute Of Technology | Method and apparatus for creating time-optimal commands for linear systems |
CN102546511A (zh) * | 2012-01-12 | 2012-07-04 | 浙江大学 | 一种基于时反和ofdm联合处理的水声通信装置及方法 |
CN105589448A (zh) * | 2009-02-02 | 2016-05-18 | 费希尔-罗斯蒙特系统公司 | 具有用以补偿模型失配的可调节积分分量的模型预测控制器 |
CN107979315A (zh) * | 2016-12-30 | 2018-05-01 | 徐州中矿大传动与自动化有限公司 | 基于NNs-MRAS无速度传感器双馈电机LQR控制方法 |
CN108051999A (zh) * | 2017-10-31 | 2018-05-18 | 中国科学技术大学 | 基于深度强化学习的加速器束流轨道控制方法及系统 |
CN109379379A (zh) * | 2018-12-06 | 2019-02-22 | 中国民航大学 | 基于改进卷积神经网络的网络入侵检测方法 |
CN110488600A (zh) * | 2019-09-01 | 2019-11-22 | 长春工业大学 | Lqr优化型无刷直流电机调速神经网络pid控制器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9477214B2 (en) * | 2013-03-07 | 2016-10-25 | General Electric Company | Plant control systems and methods |
-
2020
- 2020-03-12 CN CN202010169860.3A patent/CN111367174B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6505085B1 (en) * | 1999-03-04 | 2003-01-07 | Massachusetts Institute Of Technology | Method and apparatus for creating time-optimal commands for linear systems |
CN105589448A (zh) * | 2009-02-02 | 2016-05-18 | 费希尔-罗斯蒙特系统公司 | 具有用以补偿模型失配的可调节积分分量的模型预测控制器 |
CN102546511A (zh) * | 2012-01-12 | 2012-07-04 | 浙江大学 | 一种基于时反和ofdm联合处理的水声通信装置及方法 |
CN107979315A (zh) * | 2016-12-30 | 2018-05-01 | 徐州中矿大传动与自动化有限公司 | 基于NNs-MRAS无速度传感器双馈电机LQR控制方法 |
CN108051999A (zh) * | 2017-10-31 | 2018-05-18 | 中国科学技术大学 | 基于深度强化学习的加速器束流轨道控制方法及系统 |
CN109379379A (zh) * | 2018-12-06 | 2019-02-22 | 中国民航大学 | 基于改进卷积神经网络的网络入侵检测方法 |
CN110488600A (zh) * | 2019-09-01 | 2019-11-22 | 长春工业大学 | Lqr优化型无刷直流电机调速神经网络pid控制器 |
Non-Patent Citations (2)
Title |
---|
Compound Fault Diagnosis of Gearboxes via Multi-label Convolutional Neural Network and Wavelet Transform;Pengfei Liang;《Computers in Industry》;20191002;1-10 * |
基于LQR的粘弹性阻尼器参数优化方法;张琴;《振动与冲击》;20050228;第24卷(第2期);62-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN111367174A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111367174B (zh) | 基于卷积神经网络振动识别的线性二次型控制改进方法 | |
CN108922560B (zh) | 一种基于混合深度神经网络模型的城市噪声识别方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN112629851B (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN115435892A (zh) | 一种复杂机电装备的智能故障诊断方法 | |
CN115859837A (zh) | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
CN111539842A (zh) | 基于气象和地理环境的架空输电线路覆冰预测方法 | |
CN116486834A (zh) | 基于特征融合和改进卷积神经网络的轧制声音分类方法 | |
CN118332521B (zh) | 一种基于粒子群优化随机森林的地壳形变时序模拟方法 | |
CN113744530B (zh) | 一种车辆工况的构建方法 | |
CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
CN111582433B (zh) | 一种硬件友好的神经网络结构自动搜索方法及装置 | |
CN113419948A (zh) | 一种基于gan网络的深度学习跨项目软件缺陷的预测方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN116778963A (zh) | 一种基于自注意力机制的汽车鸣笛识别方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN114942480A (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
CN112686366A (zh) | 一种基于随机搜索和卷积神经网络的轴承故障诊断方法 |
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 |