CN111752144B - 循环涟漪纹波预测方法与智能控制系统 - Google Patents

循环涟漪纹波预测方法与智能控制系统 Download PDF

Info

Publication number
CN111752144B
CN111752144B CN202010416503.2A CN202010416503A CN111752144B CN 111752144 B CN111752144 B CN 111752144B CN 202010416503 A CN202010416503 A CN 202010416503A CN 111752144 B CN111752144 B CN 111752144B
Authority
CN
China
Prior art keywords
prediction
train
output
rrw
std
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
CN202010416503.2A
Other languages
English (en)
Other versions
CN111752144A (zh
Inventor
刘经纬
谢方圆
张哲宇
李冠辰
马雪扬
李天悦
赵梦璇
陶欣雨
陈佳明
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.)
CAPITAL UNIVERSITY OF ECONOMICS AND BUSINESS
Original Assignee
CAPITAL UNIVERSITY OF ECONOMICS AND BUSINESS
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 CAPITAL UNIVERSITY OF ECONOMICS AND BUSINESS filed Critical CAPITAL UNIVERSITY OF ECONOMICS AND BUSINESS
Priority to CN202010416503.2A priority Critical patent/CN111752144B/zh
Publication of CN111752144A publication Critical patent/CN111752144A/zh
Application granted granted Critical
Publication of CN111752144B publication Critical patent/CN111752144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00Automatic controllers
    • G05B11/01Automatic controllers electric
    • G05B11/36Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/029Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0295Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic and expert systems
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/048Adaptive 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 using a predictor
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

循环涟漪纹波预测方法与智能控制系统,可以应用到预测、智能控制、电机转速控制等领域。本发明通过构造循环涟漪纹波矩阵,将控制系统输入、输出、状态的时间序列历史数据转化为带有时间序列数据信息的图像,进而基于深度神经网络方法,实现能够根据多维时间序列数据去预测其中一维时间序列的未来值。将上述方法应用于智能控制系统和电机转速控制系统,预测系统输出的未来值替代当前值,实现控制性能的提升。本发明提出的方法实现了多维时间序列的更精准预测,本发明提出的系统实现了智能控制系统性能的提升。

Description

循环涟漪纹波预测方法与智能控制系统
技术领域
本发明提出了一种循环涟漪纹波预测方法与基于上述方法的智能系统,可以应用到预测、智能控制、电机转速控制等领域。
背景技术
近几年来,随着国内科技水平的快速发展,人工智能技术被广泛地应用在工业生产的控制和仿真领域,以至于出现了许多基于人工智能技术的交叉学科。仅在预测估计这一单独领域来看,传统的机器学习算法如贝叶斯模型、支持向量机模型已经被广泛地应用在小样本数据分类问题,AR、MA、ARIMA和VARIMA模型也可以完成时间序列预测任务。人工神经网络作为目前人工智能领域最重要和最热门的技术之一,已经成功解决了许多领域中的部分预测问题。
将基于人工神经网络技术的时间序列预测方法、PID控制理论相互结合运用到工业生产当中,可以很大程度上提高预测结果的准确性和合理性,为提升工业生产的效率和自动化水平奠定了坚实的基础。本专利尤其针对当前尚有诸多发展空间的多维数据预测领域,紧贴工业生产中的实际要求,通过多种技术的融合实现了系统的智能化与自动化。
当前需要拟合预测和预测控制的工业生产领域存在的问题是:(1)缺少针对多维时间序列准确预测未来结果的方法,不能完全符合工业领域的实际需求,但基于多维时间序列的预测需求非常多;(2)当前的时间序列预测方法仍有提升空间,例如对于时间序列的预测,精度有待进一步提升,预测步长有待进一步增长(3)对多维数据自动采集、预测的智能系统应用较少,例如在智能控制中,预测与经典人工智能结合改进智能控制系统的应用较少。
发明内容
本发明的目的在于:(1)提出了一种新型基于深度学习的多维时间序列预测方法。(2)相比传统预测方法提升了预测结果的准确性。(3)基于多维预测方法,结合PID控制算法实现了集自动读取数据、处理数据及进行预测的多维高精度预测的智能系统。
本发明通过构造循环涟漪纹波矩阵,将时间序列历史数据转化为带有时间序列数据信息的图像,进而基于深度神经网络方法,实现能够根据多维时间序列数据去预测其中一维时间序列的未来值。将上述方法应用于智能控制系统,预测未来系统输出进而参与当前控制,实现控制性能的进一步提升。
为了实现上述目的,本发明采取了如下技术方案,包括两部分:一是循环涟漪纹波预测方法5000参见图1,二是基于循环涟漪纹波预测方法的智能控制系统1000参见图2;
1.循环涟漪纹波预测方法5000,包括预测配置流程5100和预测流程5200;
用于电机转速控制时,输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值,输出是电机转速在未来时刻的预测值;
1.1循环涟漪纹波预测方法5000,其特征在于:
循环涟漪纹波预测方法5000的关键步骤是:将时间序列历史数据转化为带有时间序列数据信息的图像,这些图像作为深度学习方法训练样本的特征值,从而实现基于深度学习的时间序列预测;
该方法包括两个流程:预测配置流程5100和预测流程5200;
1.1.1、预测配置流程5100,其特征在于:由以下步骤构成:
步骤5101:配置预测器参数:
初始化预测步长为L_predict,L_predict为正整数;
初始化神经网络,用XNN表示,神经网络采用领域公知的前馈型神经网络、反馈型神经网络或者深度神经网络,网络参数的配置方法与上述领域公知的神经网络配置方法一致;如果XNN是卷积神经网络CNN,网络的配置方法采用领域公知的卷积神经网络配置方法——神经网络的总层数大于4层不超过10层,卷积层与池化层分别大于1层不超过3层,采用Adam算法迭代更新神经网络的权重,神经网络学习率在0.001到0.007之间;
配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P,0<P<N-1,是正整数的平方;步骤5102:配置涟漪纹波图像矩阵模板:
构造和初始化涟漪纹波图像矩阵模板,用Model_RRW表示,其中涟漪纹波图像矩阵的维度用D_RRW表示,D_RRW是正奇数;
步骤5102的输入是:D_RRW行D_RRW列的二维全零矩阵;
步骤5102的输出是:涟漪纹波图像矩阵模板Model_RRW;
步骤5102的计算方法是:
对于矩阵Model_RRW,矩阵中每一个位置的坐标是(r,c),其中r表示行号,c表示列号,该位置的值为Model_RRW(r,c);
矩阵正中央的位置是:r_center=c_center=(D_RRW+1)/2;
Model_RRW矩阵中任何一个元素Model_RRW(r,c)距离矩阵中心点Model_RRW(r_center,c_center)的距离可以表示为:
Figure BDA0002495297220000031
将所有的距离Distance(r,c)进行排序,将(r_center,c_center)最近的矩阵元素(r_center,c_center)的值Model_RRW(r_center,c_center)设置为1;将距离(r_center,c_center)第二近的位置(r,c)上的元素Model_RRW(r,c)设置为2,将距离(r_center,c_center)第三近的位置(r,c)上的元素Model_RRW(r,c)设置为3,并以此类推。将距离(r_center,c_cennter)最远的位置(r,c)上的元素Model_RRW(r,c)设置为M,则可以构成Model_RRW所有位置元素,参见公式(1);
Figure BDA0002495297220000032
通常情况下设法M=L_predict或者M>L_predict,M=L_predict时正好与预测参与计算的数据量一致;
预测配置流程5100结束;
1.1.2、预测流程5200,由步骤5201至步骤5206共6个步骤构成:
步骤5201:构造向量时间序列:
步骤5201的输入是:外部时间序列In(n,t),其中n表示不同时间序列的编号,n=1,2,...,N,即一共有N个时间序列,t=0,1,2,...,T,即每个时间序列包含T个时刻;用于电机转速控制时,外部时间序列In(n,t)是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的,其中In(1,t)是PID控制器的比例参数,In(2,t)是PID控制器的积分参数时间序列,In(3,t)是PID控制器的微分参数时间序列,In(4,t)是PID控制器的目标转速时间序列,In(5,t)是PID控制器的实际转速时间序列,In(6,t)是PID控制器输出给电机的驱动电压时间序列;
步骤5201的输出是:多个时间序列,分为两部分:一是用于训练算法的训练样本的特征值Train_x(n,t),其中n=1,2,...,N-1,t=1,2,...,T;二是用于训练算法的训练样本的标签值Train_y(t),其中t=M+L_predict,2,...,T;
步骤5201的计算方法是:上述Train_x(n,t)的计算方法是:接收算法的输入In(n,t)中的n=1,2,...,N-1;t=1,2,...,T部分,参见公式(2);
Train_x(n,t)=In(n,t),n=1,2,...,N-1,t=1,2,…,T; (2)
上述Train_y(t)的计算方法是:接收算法的输入In(n,t)中的n=N,t=1+L_predict,2,...,T部分,参见公式(3);
Train_y(t)=In(N,t),t=1,2,...,T (3)
上述计算的特征是:将1,2,...,T时刻的特征值作为训练样本的特征值,将1,2,...,T的标签值作为训练样本的标签值,从而进行训练;
步骤5202:标准化计算:
为了消除由于量纲相差较大所引起的计算误差,对多个时间序列6201中的Train_x(n,t)、Train_y(t)进行标准化计算;
步骤5202的输入是:多个时间序列;
步骤5202的输出是:标准化结果,均值和标准差;
步骤5202的计算方法是:Train_x(n,t)的均值为Mean_x(n),n=1,2,...,N-1,Train_y(t)的均值为Mean_y,均值的计算方法见公式(4)和公式(5),Train_x(n,t)的标准差为Std_x(n),n=1,2,...,N,Train_y(t)的标准差为Std_y,标准差的计算方法见公式(6)和公式(7),根据均值和标准差计算出标准化的训练样本特征值向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,…,T,标准化的训练样本标签值向量Train_y_std(t),t=1,2,...,T,标准化的计算方法见公式(8)和公式(9);
Figure BDA0002495297220000041
Figure BDA0002495297220000051
Figure BDA0002495297220000052
Figure BDA0002495297220000053
Figure BDA0002495297220000054
Figure BDA0002495297220000055
步骤5203:向量降维计算:
由于拼接计算5205步骤的输入需要P个向量,期中P在步骤配置预测器参数5101步骤中已经配置为正整数的平方,因此要将N-1个时间序列向量在尽可能保留信息量的情况下降维为P个向量,即P是小于N-1的正整数的平方;
步骤5203的输入是:步骤5202标准化后的结果Train_x_std(n,t),n=1,2,...,N-1,是N-1维向量,t=1,2,...,T;
步骤5203的输出是:正整数的平方P个时间序列,Train_x_std_lowdim(p,t),p=1,2,...,P,t=1,2,...,T;当本方法用于电机转速控制时,降维后得到的P个时间序列每个时刻的值都是标准化后的结果的每个时刻值的线性组合;
步骤5203的计算方法是:使用降维算法DECtoLowDim,将步骤5202标准化后的N-1维向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,...,T降维为P维向量Train_x_std_lowdim(p,t),p=1,2,...,P,t=1,2,...,T,降维方法见公式(10);
Figure BDA0002495297220000056
步骤5204:循环置入计算:
将正整数的平方P个时间序列按照涟漪纹波图像矩阵模板置入,得到P个涟漪纹波图像矩阵;
步骤5204的输入是:正整数的平方P个时间序列,即Train_x_std_lowdim(p,t),其中p=1,2,...,P,t=1,2,...,T和涟漪纹波图像矩阵模板,即Model_RRW,Model_RRW的定义见公式(1);
步骤5204的输出是:P个D_RRW行D_RRW列的涟漪纹波图像矩阵,第p个时间序列在t=M,M+1,...,T每个时刻均生成一个图像,即
Train_x_std_lowdim_rrw(p,t),p=1,2,...,P,t=M,M+1,...,T,对于第p个序列,在每个时刻t,共有M个历史时刻数据参与构成图像,该图像为上述涟漪纹波图像矩阵6204,即Train_x_std_lowdim_rrw(p,t),其中Train_x_std_lowdim_rrw(p,t)的值是一个r行c列的矩阵,即Train_x_std_lowdim_rrw(p,t)=IMG(p,t,r,c),r=1,2,...,D_RRW,c=1,2,...,D_RRW;
步骤5204的计算方法见公式(11):
Figure BDA0002495297220000061
步骤5204的计算结果展开式见公式(12),临时使用T_l表示Train_x_std_lowdim:
Figure BDA0002495297220000062
其中p=1,2,...,P,t=1,2,...,T,M是历史时刻数据的个数;
步骤5205:拼接计算:将P个涟漪纹波图像矩阵拼接为1个一维涟漪纹波图像矩阵;
步骤5205的输入是:涟漪纹波图像矩阵Train_x_std_lowdim_rrw(p,t),其中p=1,2,...,P,t=M,M+1,...,T;
步骤5205的输出是:
Figure BDA0002495297220000063
Figure BDA0002495297220000064
列的涟漪纹波图像矩阵,记为Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T,其中行列数为
Figure BDA0002495297220000065
步骤5205的计算方法是:将P个涟漪纹波图像矩阵按照从上至下,从左至右的顺序拼接,Train_x_std_lowdim_rrw_P(t)在第r行c列的元素Train_x_std_lowdim_rrw_P(r,c,t)的计算方法见公式(13);
Figure BDA0002495297220000071
步骤(5205)的计算结果展开式见公式(14),临时使用T_r表示Train_x_std_lowdim_rrw:
Figure BDA0002495297220000072
其中p=1,2,...,P,t=M,M+1,...,T;
步骤5206:预测计算;
步骤5206的输入是:第一个输入是训练样本的特征值:“P合1”涟漪纹波矩阵,即Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T-L_predict,第二个输入是训练样本的标签值:标准化结果、均值和标准差中的训练样本标签值向量Train_y_std(t+M+L_predict-1),t=1,2,...,T-M-L_predict+1,第三个输入是测试样本的特征值:Train_x_std_lowdim_rrw_P(T);
步骤5206的输出是:预测计算结果6206,用y_std_predict(T+L_predict)表示;
步骤5206的计算方法是:将“P合1”涟漪纹波矩阵即Train_x_std_lowdim_rrw_P(t),t1=M,M+1,...,T-L_predict 做为神经网络算法XNN训练样本的特征,标准化的训练样本标签值向量Train_y_std(t+M+L_predict-1),t2=1,2,...,T-M-L_predict+1,作为神经网络算法XNN训练样本的标签,对神经网络算法XNN的神经元参数进行训练,见公式(15);
Figure BDA0002495297220000073
训练完成后,将Train_x_std_lowdim_rrw_P(T)作为神经网络算法XNN测试样本的特征值,此时计算神经网络的输出值为y_std-predict,计算方法见公式(16);
y_std_predict=Fit(XNN,Train_x_std_lowdim_rrw_P(T)) (16)
步骤5207:反标准化计算:将神经网络算法得到的预测计算结果进行反标准化,得到系统输出预测结果;
步骤5207的输入是:神经网络算法XNN的预测结果y_std_predict,均值Mean_y和标准差Std_y;
步骤5207的输出是:系统输出预测结果,yout_predict;
步骤5207的计算方法参见公式(17):
yout_predict=y_std_predict×Std_y+Mean_y (17)
步骤5208:返回预测结果:将系统输出预测结果输出到外部,用yout_predict表示;
当本方法用于电机转速控制时,系统输出预测结果是电机调速系统未来时刻的转速值,即T+L_predict时刻的转速值;
预测流程5200结束;
1.2基于权利要求1所述的一种循环涟漪纹波预测方法5000的智能控制系统1000,其特征在于:系统由5个装置组成:控制参数整定器100、控制器200、被控对象300、时间序列数据采集器400、循环涟漪纹波预测器500;
当本方法用于电机转速控制时,本权利要求书中系统输入rin是电机转速目标值,控制器输出u是驱动电机的电压,系统输出yout_real是电机的实际转速;Kp,Ki,Kd是PID控制器的比例参数、积分参数、微分参数,e是电机转速目标值与实际转速预测值的差值、In(n,t)是t=1,2,...,T时刻n=6个时间序列Kp,Ki,Kd,rin,u,yout_real组成的6维向量时间序列;
1.2.1控制参数整定器100:
控制参数整定器100是调整和优化控制参数的装置,可以是计算机或者是可编程控制器;
控制参数整定器100的输入是:通过自身的键盘或者触摸屏,或者通过自身的内部数据总线,或者通过自身的通讯接口采用数据线与外部其他控制设备的通讯接口相连,接收当前t时刻的控制系统的输入rin和循环涟漪纹波预测器500预测出的t+S时刻控制系统的输出yout_predict,其中S表示预测步长,并且计算误差e=yout_predict-rin;yout_predict是循环涟漪纹波预测器500的输出,也是循环涟漪纹波预测方法5000的输出;
控制参数整定器100的输出是:调整后的控制参数Kp、Ki、Kd;通过自身的内部数据总线,或者自身的通讯接口采用数据线与控制器200和时间序列数据采集器400的通讯接口相连;
控制参数整定器100根据输入计算输出的方法是:可以采用领域公知的专家PID或模糊PID或神经网络PID或遗传算法PID或根据误差调整PID参数的方法;
1.2.2控制器200:
控制器200是控制系统的控制量u的装置,控制量作用于被控对象300产生控制系统的输出yout_real,控制器200可以是带有驱动输出的PLC或者是带有编程功能变频器或者是可以根据PID控制参数产生控制量去驱动被控对象的装置;
控制器200通过工业数据线或者数据线与控制参数整定器100与循环涟漪纹波预测器500的通讯接口相连,接收当前t时刻的控制系统的输入rin和循环涟漪纹波预测器500预测出的t+L_predict时刻控制系统的输出yout-predict的误差e。
控制器200通过电路或者机械结构或者驱动传输介质与被控对象300连接,实现输出控制量u,对被控对象300产生驱动;通过工业总线、数据线与时间序列数据采集器400连接,输出控制量u;
1.2.3被控对象300:
被控对象300是电机及拖动对象或者压力控制设备及对象或者是受控制器产生的控制量影响的对象;
被控对象300的输入是:上述控制器200的输出;
被控对象300输出是:控制系统的真实输出值yout_real,通过工业总线、数据线与时间序列数据采集器400连接;
1.2.4时间序列数据采集器400:
时间序列数据采集器400功能是将控制系统输入的时间序列行向量rin、控制参数整定器100输出的时间序列行向量Kp、Ki、Kd、控制器200输出的时间序列行向量u和被控对象300输出的时间序列行向量yout_real拼接成为一个向量时间序列的装置,即yout_real=[rin;Kp;Ki;Kd;u;yout_real],作为循环涟漪纹波预测器500的输入;
时间序列数据采集器400的输入是:通过工业总线、数据线与控制系统的输入、控制参数整定器100的通讯接口相连接;时间序列数据采集器400的输入通过模拟信号采集器和模拟数字转换器与控制器200和被控对象300的输出相连接;
时间序列数据采集器400输出是:一个N维时间序列矩阵In(n,t),通过工业总线、数据线与循环涟漪纹波预测器500的通讯接口相连接,In(n,t)将作为循环涟漪纹波预测方法5000的输入;
1.2.5循环涟漪纹波预测器500:
循环涟漪纹波预测器500是采用了权利要求1中描述的循环涟漪纹波预测方法5000的预测装置,功能是对系统的输出进行预测;循环涟漪纹波预测器500可以是计算机或者是可编程控制器或者是嵌入式装置;
循环涟漪纹波预测器500的输入是:时间序列数据采集器400输出的一个N维时间序列矩阵In(n,t);循环涟漪纹波预测器500通过工业总线、数据线与时间序列数据采集器400的通讯接口相连,接收一个N维时间序列矩阵In(n,t);
循环涟漪纹波预测器500输出是:t+L_predict时刻的控制系统的输出yout_predict;循环涟漪纹波预测器500的输出通过工业总线、数据线与控制参数整定器100和控制器200的通讯接口连接;
循环涟漪纹波预测器500根据输入计算输出的方法是:循环涟漪纹波预测方法5000;
上述方法的系统和该方法的结合关系和实现过程如下:
预测是由循环涟漪纹波预测器500实现的;其中循环涟漪纹波预测器500的输入,即为权利要求书1中步骤5201中的In(n,t),循环涟漪纹波预测器500的输出,即为权利要求书1中步骤5206中的yout_predict。
本发明与现有技术相比的优势:
1)发明的预测方法和系统针对输入的多维时间序列数据,填补了传统方法中往往针对多维数据预测的缺失。
2)发明的预测方法比现有预测方法具有更快的训练速度以及更高的准确性;
3)发明的循环涟漪纹波预测方法与系统实现了:人工智能技术对大数据信息的采集和处理、基于人工神经网络时间对样本数据的学习与预测,以及PID智能控制理论针对预测结果的控制修正。实现了智能系统更加自动化、更加精准地监视、控制与预测。
本发明的有益效果:本发明提出的方法实现了多维时间序列的更精准预测,本发明提出的系统实现了智能控制系统性能的提升。
附图说明
图1循环涟漪纹波预测方法5000方法流程图。
图2基于循环涟漪纹波预测方法的智能控制控制系统连接关系图1000。
具体实施方式
1.基于循环涟漪纹波预测方法的智能控制系统1000参见图2,包括:控制参数整定器100、控制器200、被控对象300、时间序列数据采集器400、循环涟漪纹波预测器500;
当本方法用于电机转速控制时,本权利要求书中系统输入rin是电机转速目标值,控制器输出u是驱动电机的电压,系统输出yout_real是电机的实际转速;Kp,Ki,Kd是PID控制器的比例参数、积分参数、微分参数,e是电机转速目标值与实际转速预测值的差值、In(n,t)是t=1,2,...,T时刻n=6个时间序列Kp,Ki,Kd,rin,u,yout_real组成的6维向量时间序列;
1.1控制参数整定器100:控制参数整定器100是调整和优化控制参数的装置,可以是计算机或者是可编程控制器;在本实施例中,控制参数整定器100采用dell precisiont7920台式工作站;
控制参数整定器100的输入是:通过自身的键盘或者触摸屏,或者通过自身的内部数据总线,或者通过自身的通讯接口采用数据线与外部其他控制设备的通讯接口相连,接收当前t时刻的控制系统的输入rin和循环涟漪纹波预测器500预测出的t+S时刻控制系统的输出yout_predict,其中S表示预测步长,并且计算误差e=yout_predict-rin;yout_predict是循环涟漪纹波预测器500的输出,也是循环涟漪纹波预测方法5000的输出;在本实施例中,预测步长S设置为10;
控制参数整定器100的输出是:调整后的控制参数Kp、Ki、Kd;通过自身的内部数据总线,或者自身的通讯接口采用数据线与控制器200和时间序列数据采集器400的通讯接口相连;在本实施例中,控制参数整定器100与控制器200和时间序列数据采集器400的通讯接口的连接方式采用超六类太网线连接华为AR550C-2C6GE工业交换机;
控制参数整定器100根据输入计算输出的方法是:可以采用领域公知的专家PID或模糊PID或神经网络PID或遗传算法PID或根据误差调整PID参数的方法;
本实施例中,专家PID(E-PID)控制参数在线整定器采用的专家经验规则表的形式参见表1。在线整定器的输入是系统误差和系统误差的变化率,在线整定器的输出是Kp(t)、Ki(t)、Kd(t)。其中Elow=0.2、Ehigh=0.5、EClow=-0.001、EChigh=0.001分别表示误差e(t)和误差变化率ec(t)的边界值。H,L,M
分别表示E-PID算法中e,ec所在的区域范围;
表1 E-PID专家经验规则表
Kp专家经验规则表
Figure BDA0002495297220000121
Ki专家经验规则表
Figure BDA0002495297220000122
Kd专家经验规则表
Figure BDA0002495297220000123
E-PID方法基于规则表的在线整定器,直接根据输入k时刻的误差e(k)和误差变化率ec(t),查表得到当前时刻的
Figure BDA0002495297220000124
即为当前时刻的控制参数值。E-PID方法在线整定器输出Kp(t)、Ki(t)、Kd(t)的计算公式为:
Figure BDA0002495297220000131
Figure BDA0002495297220000132
Figure BDA0002495297220000133
1.2控制器200:控制器200是控制系统的输出是控制量u,控制量作用于被控对象产生控制系统的输出yout_real,控制器200可以是带有驱动输出的PLC或者是带有编程功能变频器或者是可以根据PID控制参数产生控制量去驱动被控对象的装置;
控制器200通过工业数据线或者数据线与控制参数整定器100与循环涟漪纹波预测器500的通讯接口相连,接收当前t时刻的控制系统的输入rin(t)和循环涟漪纹波预测器500预测出的t+L-predict时刻控制系统的输出yout_predict的误差e。
控制器200通过电路或者机械结构或者驱动传输介质与被控对象300连接,实现输出控制量u,对被控对象300产生驱动;通过工业总线、数据线与时间序列数据采集器400连接,输出控制量u;在本实施例中,控制器200采用西门子6SE6420-2UC23-0CA1电机调速变频器及电机调速配套模块,被控对象300为西门子37kwB35 1LE00012BB033JA4变频电机;
1.3被控对象300:被控对象300是电机及拖动对象或者压力控制设备及对象或者是受控制器产生的控制量影响的对象;
被控对象300的输入即为上述控制器200的输出;在本实施例中,连接方法描述见上文被控对象300;
被控对象300输出是:控制系统的真实输出值yout_real,通过工业总线、数据线与时间序列数据采集器400连接;在本实施例中,被控对象300与数据采集器400的连接方式采用西门子连接通讯线;配合旋转编码器,编码器通过弹性联轴器与三相异步电动机的轴连接,随电机一起转动,输出的脉冲信号与PLC的数字量输入端连接。PLC的程序实时计算出电机转速。
1.4时间序列数据采集器400:时间序列数据采集器400功能是将控制系统输入的时间序列行向量rin、控制参数整定器100输出的时间序列行向量Kp、Ki、Kd、控制器200输出的时间序列行向量u和被控对象300输出的时间序列行向量yout_real拼接成为一个向量时间序列的装置,即yout_real=[rin;Kp;Ki;Kd;u;yout_real],作为循环涟漪纹波预测器500的输入;
时间序列数据采集器400的输入是:通过工业总线、数据线与控制系统的输入、控制参数整定器100的通讯接口相连接;时间序列数据采集器400的输入通过模拟信号采集器和模拟数字转换器与控制器200和被控对象300的输出相连接;
时间序列数据采集器400输出是:一个N维时间序列In(n,t),通过工业总线、数据线与循环涟漪纹波预测器500的通讯接口相连接,In(n,t)将作为循环涟漪纹波预测方法5000的输入;在本实施例中,数据采集器400选用西门子LPD3806-400BM-G5-24C编码器;
1.5、循环涟漪纹波预测器500:循环涟漪纹波预测器500是采用了权利要求1中描述的循环涟漪纹波预测方法5000的预测装置,功能是对系统的输出进行预测;循环涟漪纹波预测器500可以是计算机或者是可编程控制器或者是嵌入式装置;
循环涟漪纹波预测器500的输入是:时间序列数据采集器400输出的一个N维时间序列矩阵In(n,t);循环涟漪纹波预测器500通过工业总线、数据线与时间序列数据采集器400的通讯接口相连,接收一个N维时间序列矩阵In(n,t);
循环涟漪纹波预测器500输出是:t+L_predict时刻的控制系统的输出yout_predict;循环涟漪纹波预测器500的输出通过工业总线、数据线与控制参数整定器100和控制器200的通讯接口连接;
循环涟漪纹波预测器500根据输入计算输出的方法是:循环涟漪纹波预测方法5000;
在本实施例中,循环涟漪纹波预测方法5000包括两个流程:预测配置流程5100和预测流程5200;
用于电机转速控制时,输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值,输出是电机转速在未来时刻的预测值;
(1)预测器配置流程5100由步骤5101至步骤5102共2个步骤构成:
步骤5101:配置预测器参数:
初始化预测步长为L_predict,L_predict为正整数;在本实施例中,预测步长为L_predict采用10;
初始化神经网络,用XNN表示,神经网络采用领域公知的前馈型神经网络、反馈型神经网络或者深度神经网络,网络参数的配置方法与上述领域公知的神经网络配置方法一致;如果XNN是卷积神经网络CNN,网络的配置方法采用领域公知的卷积神经网络配置方法——神经网络的总层数大于5层不超过10层,卷积层与池化层分别大于1层不超过3层,神经网络的优化方法采用Adam算法,神经网络学习率在0.001到0.007之间;在本实施例中,神经网络共5层,分别是:输入层,卷积层1,池化层1,卷积层2,池化层2,其中卷积层1的输出维数为6,卷积核尺寸为3×3,卷积层2的输出维数为12,卷积核尺寸为5×5,池化层1的池化核尺寸为2×2,池化层2的池化核尺寸为2×2,激活函数为sigmoid函数,神经网络的学习率为0.005,优化方法选择Adam算法;
配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P,0<P<N-1,是正整数的平方;在本实施例中,向量个数P采用4;
步骤5102:配置涟漪纹波图像矩阵模板:
构造和初始化涟漪纹波图像矩阵模板,用Model_RRW表示,其中涟漪纹波图像矩阵的维度用D_RRW表示,D_RRW是正奇数;在本实施例中,涟漪纹波图像矩阵的维度D_RRW采用7;
步骤5102的输入是:D_RRW行D_RRW列的二维全零矩阵;在本实施例中,输入对象为7行7列的全零矩阵;
步骤5102的输出是:涟漪纹波图像矩阵模板Model_RRW;在本实施例中,输出对象为7行7列的涟漪纹波矩阵;
步骤5102的计算方法是:
对于矩阵Model_RRW,矩阵中每一个位置的坐标是(r,c),其中r表示行号,c表示列号,该位置的值Model_RRW(r,c);
矩阵正中央的位置是:r_center=c_center=D_RRW+1)/2;
Model_RRW矩阵中任何一个元素Model_RRW(r,c)距离矩阵中心点Model_RRW(r_center,c_center)的距离可以表示为:
Figure BDA0002495297220000151
将所有的距离Distance(r,c)进行排序,将距离(r_center,c_center)最近的矩阵元素Model_RRW(r_center,c_center)设置为1;将距离(r_center,c_center)第二近的元素Model_RRW(r,c)设置为2,将距离(r_center,c_center)第三近的元素Model_RRW(r,c)设置为3,并以此类推。将距离(r_center,c_center)最远的元素Model_RRW(r,c)设置为M,则可以构成Model_RRW所有位置元素,参见公式(21);
Figure BDA0002495297220000161
设M=L_predict或者M>L_predict,M=L_predict时与预测参与计算的数据量一致;
在本实施例中,M同之前预测步长为L_predict的值一致,采用10;
预测配置流程5100结束;
(2)预测流程5200,由步骤5201至步骤5206共6个步骤构成:
步骤5201:构造向量时间序列:
步骤5201的输入是:外部时间序列In(n,t),期中n表示不同时间序列的编号,n=1,2,...,N,即一共有N个时间序列,t=0,1,2,...,T,即每个时间序列包含T个时刻;用于电机转速控制时,外部时间序列In(n,t)是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的,其中In(1,t)是PID控制器的比例参数,In(2,t)是PID控制器的积分参数时间序列,In(3,t)是PID控制器的微分参数时间序列,In(4,t)是PID控制器的目标转速时间序列,In(5,t)是PID控制器的实际转速时间序列,In(6,t)是PID控制器输出给电机的驱动电压时间序列;在本实施例中,时刻个数T采用3000,时间序列个数N采用7;
步骤5201的输出是:多个时间序列,分为两部分:一是用于训练算法的训练样本的特征值Train_x(n,t),其中n=1,2,...,N-1,t=1,2,...,T;二是用于训练算法的训练样本的标签值Train_y(t),其中t=M+L_predict,2,...,T;在本实施例中,Train_x是6维时间序列,每一维时间序列的长度维3000;Train_y是一维时间序列,每一维时间序列的长度为3000;
步骤5201的计算方法是:
上述Train_x(n,t)的计算方法是:接收算法的输入In(n,t)中的n=1,2,...,N-1;t=1,2,…,T部分,参见公式(22);
Train_x(n,t)=In(n,t),n=1,2,...,N-1,t=1,2,...,T; (22)
上述Train_y(t)的计算方法是:接收算法的输入In(n,t)中的n=N,t=1+L_predict,2,...,T部分,参见公式(23);
Train_y(t)=In(N,t),t=1,2,...,T (23)
上述计算的特征是:将1,2,...,T时刻的特征值作为训练样本的特征值,将1,2,...,T的标签值作为训练样本的标签值,从而进行训练;
步骤5202:标准化计算:
为了消除由于量纲相差较大所引起的计算误差,对多个时间序列中的Train_x(n,t)、Train_y(t)进行标准化计算;
步骤5202的输入是:多个时间序列;
步骤5202的输出是:标准化结果,均值和标准差;
步骤5202的计算方法是:Train_x(n,t)的均值为Mean_x(n),n=1,2,...,N-1,Train_y(t)的均值为Mean_y,均值的计算方法见公式(24)和公式(25),Train_x(n,t)的标准差为Std_x(n),n=1,2,...,N,Train_y(t)的标准差为Std_y,标准差的计算方法见公式(26)和公式(27),根据均值和标准差计算出标准化的训练样本特征值向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,...,T,标准化的训练样本标签值向量Train_y_std(t),t=1,2,...,T,标准化的计算方法见公式(28)和公式(29);
Figure BDA0002495297220000171
Figure BDA0002495297220000172
Figure BDA0002495297220000173
Figure BDA0002495297220000174
Figure BDA0002495297220000181
Figure BDA0002495297220000182
步骤5203:向量降维计算:
由于拼接计算5205步骤的输入需要P个向量,期中P在步骤配置预测器参数5101步骤中已经配置为正整数的平方,因此要将N-1个时间序列向量在尽可能保留信息量的情况下降维为P个向量,即P是小于N-1的正整数的平方;在本实施例中,正整数的平方P采用4,即2的平方;
步骤5203的输入是:步骤5202标准化后的结果Train_x_std(n,t),n=1,2,...,N-1,是N-1维向量,t=1,2,...,T;
当本方法用于电机转速控制时,降维后得到的P个时间序列每个时刻的值都是本方法输入时间序列每个时刻的值的线性组合;当本方法用于电机转速控制时,降维后得到的P个时间序列每个时刻的值都是标准化后的结果的每个时刻值的线性组合;
步骤5203的输出是:正整数的平方P个时间序列,Train_x_std_lowdim(p,t),p=1,2,...,P,t=1,2,...,T;
步骤5203的计算方法是:使用降维算法DECtoLowDim,将步骤5202标准化后的N-1维向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,...,T降维为P维向量Train_x_std_lowdim(p,t),p=1,2,3,...,P,t=1,2,...,T,降维方法见公式(30);在本实施例中,降维方法采用领域公知的主成分分析;
Figure BDA0002495297220000183
步骤5204:循环置入计算:将正整数的平方P个时间序列6203按照涟漪纹波图像矩阵模板6102置入,得到P个涟漪纹波图像矩阵;
步骤5204的输入是:正整数的平方P个时间序列,即Train_x_std_lowdim(p,t),其中p=1,2,...,P,t=1,2,...,T和涟漪纹波图像矩阵模板6102,即Model_RRW,Model_RRW的定义见公式(21);
步骤5204的输出是:P个D_RRW行D_RRW列的涟漪纹波图像矩阵,第p个时间序列在t=M,M+1,...,T每个时刻均生成一个图像,即
Train_x_std_lowdim_rrw(p,t),p=1,2,...,P,t=M,M+1,...,T,对于第p个序列,在每个时刻t,共有M个历史时刻数据参与构成图像,该图像为上述涟漪纹波图像矩阵6204,即Train_x_std_lowdim_rrw(p,t),其中Train_x_std_lowdim_rrw(p,t)的值是一个r行c列的矩阵,即Train_x_std_lowdim_rrw(p,t)=IMG(p,t,r,c),r=1,2,...,D_RRW,c=1,2,...,D_RRW;
步骤5204的计算方法见公式(31):
Figure BDA0002495297220000191
步骤5204的计算结果展开式见公式(32),临时使用T_l表示Train_x_std_lowdim:
Figure BDA0002495297220000192
其中p=1,2,...,P,t=1,2,...,T,M是历史时刻数据的个数;
步骤5205:拼接计算:将P个涟漪纹波图像矩阵6204拼接为1个一维涟漪纹波图像矩阵;
步骤5205:拼接计算:将P个涟漪纹波图像矩阵拼接为1个一维涟漪纹波图像矩阵;
步骤5205的输入是:涟漪纹波图像矩阵Train_x_std_lowdim_rrw(p,t),其中p=1,2,...,P,t=M,M+1,...,T;
步骤5205的输出是:
Figure BDA0002495297220000193
Figure BDA0002495297220000194
列的涟漪纹波图像矩阵,记为Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T,其中行列数为
Figure BDA0002495297220000201
在本实施例中,
Figure BDA0002495297220000202
的值为2;
步骤5205的计算方法是:将P个涟漪纹波图像矩阵按照从上至下,从左至右的顺序拼接,Train_x_std_lowdim_rrw_P(t)在第r行c列的元素Train_x_std_lowdim_rrw_P(r,c,t)的计算方法见公式(33);
Figure BDA0002495297220000203
步骤5205的计算结果展开式见公式(34),临时使用T_r表示Train_x_std_lowdim_rrw:
Figure BDA0002495297220000204
其中p=1,2,...,P,t=M,M+1,…,T;
步骤5206:预测计算:
步骤5206的输入是:第一个输入是训练样本的特征值:“P合1”涟漪纹波矩阵6205,即Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T-L_predict,第二个输入是训练样本的标签值:标准化结果、均值和标准差6202中的训练样本标签值向量Train_y_std(t+M+L_predict-1),t=1,2,...,T-M-L_predict+1,第三个输入是测试样本的特征值:Train_x_std_lowdim_rrw_P(T);
步骤5206的输出是:预测计算结果6206,用y_std_predict(T+L_predict)表示;
步骤5206的计算方法是:将“P合1”涟漪纹波矩阵6205即Train_x_std_lowdim_rrw_P(t),t1=M,M+1,…,T-L_predict作为神经网络算法XNN训练样本的特征,标准化的训练样本标签值向量Train_y_std(t+M+L_predict-1),t2=1,2,...,T-M-L_predict+1,作为神经网络算法XNN训练样本的标签,对神经网络算法XNN的神经元参数进行训练,见公式(35);
Figure BDA0002495297220000205
训练完成后,将Train_x_std_lowdim_rrw_P(T)作为神经网络算法XNN测试样本的特征值,此时计算神经网络的输出值为y_std_predict,计算方法见公式36;
y_std_predict=Fit(XNN,Train_x_std_lowdim_rrw_P(T)) (36)
步骤5207:反标准化计算:将神经网络算法得到的预测计算结果6206进行反标准化,得到系统输出预测结果;
步骤5207的输入是:神经网络算法XNM的预测结果y_std_predict,均值Mean_y和标准差Std_y;
步骤5207的输出是:系统输出预测结果,yout_predict;
步骤5207的计算方法参见公式(37):
yout_predict=y-std_predict×Std_y+Mean_y (37)
步骤5208:返回预测结果:将系统输出预测结果6206输出到外部,用yout_predict表示;
当本方法用于电机转速控制时,系统输出预测结果是电机调速系统未来时刻的转速值,即T+L_predict时刻的转速值;
预测流程5200结束。

Claims (2)

1.一种循环涟漪纹波预测方法,其特征在于,包括两个流程:预测配置流程(5100)和预测流程(5200);
用于电机转速控制时,输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值,输出是电机转速在未来时刻的预测值;
(1)预测配置流程(5100)由步骤(5101)至步骤(5102)共2个步骤构成:
步骤(5101):配置预测器参数:
初始化预测步长为L_predict,L_predict为正整数;
初始化神经网络,用XNN表示,神经网络采用前馈型神经网络、反馈型神经网络或者深度神经网络;如果XNN是卷积神经网络CNN,网络的配置方法是:神经网络的总层数大于4层不超过10层,卷积层与池化层分别大于1层不超过3层,采用Adam算法迭代更新神经网络的权重,神经网络学习率在0.001到0.007之间;
配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P,0<P<N-1,是正整数的平方;
步骤(5102):配置涟漪纹波图像矩阵模板:
构造和初始化涟漪纹波图像矩阵模板,用Model_RRW表示,其中涟漪纹波图像矩阵的维度用D_RRW表示,D_RRW是正奇数;
步骤(5102)的输入是:D_RRW行D_RRW列的二维全零矩阵;
步骤(5102)的输出是:涟漪纹波图像矩阵模板Model_RRW;
步骤(5102)的计算方法是:
对于矩阵Model_RRW,矩阵中每一个位置的坐标是(r,c),其中r表示行号,c表示列号,该位置的值为Model_RRW(r,c);
矩阵正中央的位置是:r_center=c_center=(D_RRW+1)/2;
Model_RRW矩阵中任何一个元素Model_RRW(r,c)距离矩阵中心点Model_RRW(r_center,c_center)的距离表示为:
Figure FDA0004174949400000021
将所有的距离Distance(r,c)进行排序,将(r_center,c_center)最近的矩阵元素(r_center,c_center)的值Model_RRW(r_center,c_center)设置为1;将距离(r_center,c_center)第二近的位置(r,c)上的元素Model_RRW(r,c)设置为2,将距离(r_center,c_center)第三近的位置(r,c)上的元素Model_RRW(r,c)设置为3,并以此类推;将距离(r_center,c_center)最远的位置(r,c)上的元素Model_RRW(r,c)设置为M,则构成Model_RRW所有位置元素,参见公式(1);
Figure FDA0004174949400000022
设M=L_predict或者M>L_predict,M=L_predict时与预测参与计算的数据量一致;
预测配置流程(5100)结束;
(2)预测流程(5200),由步骤(5201)至步骤(5206)共6个步骤构成:
步骤(5201):构造向量时间序列:
步骤(5201)的输入是:外部时间序列In(n,t),期中n表示不同时间序列的编号,n=1,2,...,N,即一共有N个时间序列,t=0,1,2,...,T,即每个时间序列包含T个时刻;用于电机转速控制时,外部时间序列In(n,t)是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的,其中In(1,t)是PID控制器的比例参数,In(2,t)是PID控制器的积分参数时间序列,In(3,t)是PID控制器的微分参数时间序列,In(4,t)是PID控制器的目标转速时间序列,In(5,t)是PID控制器的实际转速时间序列,In(6,t)是PID控制器输出给电机的驱动电压时间序列;
步骤(5201)的输出是:多个时间序列,分为两部分:一是用于训练算法的训练样本的特征值Train_x(n,t),其中n=1,2,...,N-1,t=1,2,...,T;二是用于训练算法的训练样本的标签值Train_y(t),其中t=M+L_predict,2,...,T;
步骤(5201)的计算方法是:
上述Train_x(n,t)的计算方法是:接收算法的输入In(n,t)中的n=1,2,...,N-1;t=1,2,...,T部分,参见公式(2);
Train_x(n,t)=In(n,t),n=1,2,...,N-1,t=1,2,...,T; (2)
上述Train_y(t)的计算方法是:接收算法的输入In(n,t)中的n=N,t=1+L_predict,2,...,T部分,参见公式(3);
Train_y(t)=In(N,t),t=1,2,...,T (3)
上述计算的特征是:将1,2,...,T时刻的特征值作为训练样本的特征值,将1,2,...,T的标签值作为训练样本的标签值,从而进行训练;
步骤(5202):标准化计算:
为了消除由于量纲相差较大所引起的计算误差,对多个时间序列中的Train_x(n,t)、Train_y(t)进行标准化计算;
步骤(5202)的输入是:多个时间序列;
步骤(5202)的输出是:标准化结果,均值和标准差;
步骤(5202)的计算方法是:Train_x(n,t)的均值为Mean_x(n),n=1,2,...,N-1,Train_y(t)的均值为Mean_y,均值的计算方法见公式(4)和公式(5),Train_x(n,t)的标准差为Std_x(n),n=1,2,...,N,Train_y(t)的标准差为Std_y,标准差的计算方法见公式(5)和公式(6),根据均值和标准差计算出标准化的训练样本特征值向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,...,T,标准化的训练样本标签值向量Train_y_std(t),t=1,2,...,T,标准化的计算方法见公式(8)和公式(9);
Figure FDA0004174949400000041
Figure FDA0004174949400000042
Figure FDA0004174949400000043
Figure FDA0004174949400000044
Figure FDA0004174949400000045
Figure FDA0004174949400000046
步骤(5203):向量降维计算:
由于拼接计算(5205)步骤的输入需要P个向量,期中P在步骤配置预测器参数(5101)步骤中已经配置为正整数的平方,因此要将N-1个时间序列向量在尽可能保留信息量的情况下降维为P个向量,即P是小于N-1的正整数的平方;
步骤(5203)的输入是:步骤(5202)标准化后的结果Train_x_std(n,t),n=1,2,...,N-1,是N-1维向量,t=1,2,...,T;
步骤(5203)的输出是:正整数的平方P个时间序列,Train_x_std_lowdim(p,t),p=1,2,...,P,t=1,2,...,T;
当本方法用于电机转速控制时,降维后得到的P个时间序列每个时刻的值都是标准化后的结果的每个时刻值的线性组合;
步骤(5203)的计算方法是:使用降维算法DECtoLowDim,将步骤(5202)标准化后的N-1维向量Train_x_std(n,t),n=1,2,...,N-1,t=1,2,...,T降维为P维向量Train_x_std_lowdim(p,t),p=1,2,...,P,t=1,2,...,T,降维方法见公式(10);
Train_x_std_lowdim(p,t)=DECtoLowDim(Train_x_std(n,t))
p=1,2,...,P,n=1,2,...,N-1,t=1,2,...,T (10)
步骤(5204):循环置入计算:将正整数的平方P个时间序列按照涟漪纹波图像矩阵模板置入,得到P个涟漪纹波图像矩阵;
步骤(5204)的输入是:正整数的平方P个时间序列,即Train_x_std_lowdim(p,t),其中p=1,2,...,P,t=1,2,...,T和涟漪纹波图像矩阵模板,即Model_RRW,Model_RRW的定义见公式(1);
步骤(5204)的输出是:P个D_RRW行D_RRW列的涟漪纹波图像矩阵,第p个时间序列在t=M,M+1,...,T每个时刻均生成一个图像,即
Train_x_std_lowdim_rrw(p,t),p=1,2,...,P,t=M,M+1,...,T,对于第p个序列,在每个时刻t,共有M个历史时刻数据参与构成图像,该图像为上述涟漪纹波图像矩阵,即Train_x_std_lowdim_rrw(p,t),其中Train_x_std_lowdim_rrw(p,t)是一个r行c列的矩阵,即Train_x_std_lowdim_rrw(p,t)=IMG(p,t,r,c),r=1,2,...,D_RRW,c=1,2,...,D_RRW;
步骤(5204)的计算方法见公式(11):
Figure FDA0004174949400000051
步骤(5204)的计算结果展开式见公式(12),临时使用T_l表示Train_x_std_lowdim:
Figure FDA0004174949400000052
Figure FDA0004174949400000061
其中p=1,2,...,P,t=1,2,...,T,M是历史时刻数据的个数;
步骤(5205):拼接计算:将P个涟漪纹波图像矩阵拼接为1个一维涟漪纹波图像矩阵;
步骤(5205)的输入是:涟漪纹波图像矩阵Train_x_std_lowdim_rrw(p,t),其中p=1,2,...,P,t=M,M+1,...,T;
步骤(5205)的输出是:
Figure FDA0004174949400000062
Figure FDA0004174949400000063
列的涟漪纹波图像矩阵,记为Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T,其中行列数为
Figure FDA0004174949400000064
步骤(5205)的计算方法是:将P个涟漪纹波图像矩阵按照从上至下,从左至右的顺序拼接,Train_x_std_lowdim_rrw_P(t)在第r行c列的元素Train_x_std_lowdim_rrw_P(r,c,t)的计算方法见公式(13);
Figure FDA0004174949400000065
步骤(5205)的计算结果展开式见公式(14),临时使用T_r表示Train_x_std_lowdim_rrw:
Figure FDA0004174949400000066
其中p=1,2,...,P,t=M,M+1,...,T;
步骤(5206):预测计算:
步骤(5206)的输入是:第一个输入是训练样本的特征值:“P合1”涟漪纹波矩阵,即Train_x_std_lowdim_rrw_P(t),t=M,M+1,...,T-L_predict,第二个输入是训练样本的标签值:标准化结果、均值和标准差中的训练样本标签值向量Train_y_std(t+M+L_predict-1),t=1,2,...,T-M_L_predict+1,第三个输入是测试样本的特征值:Train_x_std_lowdim_rrw_P(T);
步骤(5206)的输出是:预测计算结果,用y_std_predict(T+L_predict)表示;
步骤(5206)的计算方法是:将“P合1”涟漪纹波矩阵即Train_x_std_lowdim_rrw_P(t),t1=M,M+1,...,T-L_predict作为神经网络算法XNN训练样本的特征,标准化的训练样本标签值向量Train_y_std(t+M+L_predict-1),t2=1,2,...,T-M-L_predict+1,作为神经网络算法XNN训练样本的标签,使用Train方法对神经网络算法XNN的神经元参数进行训练,见公式(15);
Figure FDA0004174949400000071
训练完成后,将Train_x_std_lowdim_rrw_P(T)作为神经网络算法XNN测试样本的特征值,使用Fit方法进行预测,此时计算神经网络的输出值为y_std_predict,计算方法见公式(16);
y_std_predict=Fit(XNN,Train_x_std_lowdim_rrw_P(T)) (16)
步骤(5207):反标准化计算:将神经网络算法得到的预测计算结果进行反标准化,得到系统输出预测结果;
步骤(5207)的输入是:神经网络算法XNN的预测结果y_std_predict,均值Mean_y和标准差Std_y;
步骤(5207)的输出是:系统输出预测结果,yout_predict;
步骤(5207)的计算方法参见公式(17):
yout_predict=y_std_predict×Std_y+Mean_y (17)
步骤(5208):返回预测结果:将系统输出预测结果输出到外部,用yout_predict表示;
当本方法用于电机转速控制时,系统输出预测结果是电机调速系统未来时刻的转速值,即T+L_predict时刻的转速值;
预测流程(5200)结束。
2.基于权利要求1所述的一种循环涟漪纹波预测方法的智能控制系统,其特征在于:系统由5个装置组成:控制参数整定器(100)、控制器(200)、被控对象(300)、时间序列数据采集器(400)、循环涟漪纹波预测器(500);
用于电机转速控制时,系统输入rin是电机转速目标值,控制器输出u是驱动电机的电压,系统输出yout_real是电机的实际转速;Kp,Ki,Kd是PID控制器的比例参数、积分参数、微分参数,e是电机转速目标值与实际转速预测值的差值、In(n,t)是t=1,2,...,T时刻n=6个时间序列Kp,Ki,Kd,rin,u,yout_real组成的6维向量时间序列;
(1)控制参数整定器(100):
控制参数整定器(100)是调整和优化控制参数的装置,是计算机或者是可编程控制器;
控制参数整定器(100)的输入是:通过自身的键盘或者触摸屏,或者通过自身的内部数据总线,或者通过自身的通讯接口采用数据线与外部其他控制设备的通讯接口相连,接收当前t时刻的控制系统的输入tin和循环涟漪纹波预测器(500)预测出的t+S时刻控制系统的输出yout_predict,其中S表示预测步长,并且计算误差e=yout_predict-rin;yout_predict是循环涟漪纹波预测器(500)的输出,也是循环涟漪纹波预测方法(5000)的输出;
控制参数整定器(100)的输出是:调整后的控制参数Kp、Ki、Kd;通过自身的内部数据总线,或者自身的通讯接口采用数据线与控制器(200)和时间序列数据采集器(400)的通讯接口相连;
控制参数整定器(100)根据输入计算输出的方法是:采用专家PID或模糊PID或神经网络PID或遗传算法PID或根据误差调整PID参数的方法;
(2)控制器(200):
控制器(200)是控制系统的控制量u的装置,控制量作用于被控对象(300)产生控制系统的输出yout_real,控制器(200)是带有驱动输出的PLC或者是带有编程功能变频器或者是根据PID控制参数产生控制量去驱动被控对象的装置;
控制器(200)通过工业数据线或者数据线与控制参数整定器(100)与循环涟漪纹波预测器(500)的通讯接口相连,接收当前t时刻的控制系统的输入rin和循环涟漪纹波预测器(500)预测出的t+L_predict时刻控制系统的输出yout_predict的误差e;
控制器(200)通过电路或者机械结构或者驱动传输介质与被控对象(300)连接,实现输出控制量u,对被控对象(300)产生驱动;通过工业总线、数据线与时间序列数据采集器(400)连接,输出控制量u;
(3)被控对象(300):
被控对象(300)是电机及拖动对象或者压力控制设备及对象或者是受控制器产生的控制量影响的对象;
被控对象(300)的输入是:上述控制器(200)的输出;
被控对象(300)输出是:控制系统的真实输出值yout_real,通过工业总线、数据线与时间序列数据采集器(400)连接;
(4)时间序列数据采集器(400):
时间序列数据采集器(400)功能是将控制系统输入的时间序列行向量rin、控制参数整定器(100)输出的时间序列行向量Kp、Ki、Kd、控制器(200)输出的时间序列行向量u和被控对象(300)输出的时间序列行向量yout_real拼接成为一个向量时间序列的装置,即yout_real=[rin;Kp;Ki;Kd;u;yout_real],作为循环涟漪纹波预测器(500)的输入;
时间序列数据采集器(400)的输入是:通过工业总线、数据线与控制系统的输入、控制参数整定器(100)的通讯接口相连接;时间序列数据采集器(400)的输入通过模拟信号采集器和模拟数字转换器与控制器(200)和被控对象(300)的输出相连接;
时间序列数据采集器(400)输出是:一个N维时间序列矩阵In(n,t),通过工业总线、数据线与循环涟漪纹波预测器(500)的通讯接口相连接,In(n,t)将作为循环涟漪纹波预测方法(5000)的输入;
(5)循环涟漪纹波预测器(500):
循环涟漪纹波预测器(500)是计算机或者是可编程控制器或者是嵌入式装置;
循环涟漪纹波预测器(500)的输入是:时间序列数据采集器(400)输出的一个N维时间序列矩阵In(n,t);循环涟漪纹波预测器(500)通过工业总线、数据线与时间序列数据采集器(400)的通讯接口相连,接收一个N维时间序列矩阵In(n,t);
循环涟漪纹波预测器(500)输出是:t+L_predict时刻的控制系统的输出yout_predict;循环涟漪纹波预测器(500)的输出通过工业总线、数据线与控制参数整定器(100)和控制器(200)的通讯接口连接。
CN202010416503.2A 2020-05-18 2020-05-18 循环涟漪纹波预测方法与智能控制系统 Active CN111752144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010416503.2A CN111752144B (zh) 2020-05-18 2020-05-18 循环涟漪纹波预测方法与智能控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010416503.2A CN111752144B (zh) 2020-05-18 2020-05-18 循环涟漪纹波预测方法与智能控制系统

Publications (2)

Publication Number Publication Date
CN111752144A CN111752144A (zh) 2020-10-09
CN111752144B true CN111752144B (zh) 2023-06-06

Family

ID=72673397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010416503.2A Active CN111752144B (zh) 2020-05-18 2020-05-18 循环涟漪纹波预测方法与智能控制系统

Country Status (1)

Country Link
CN (1) CN111752144B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102902203A (zh) * 2012-09-26 2013-01-30 北京工业大学 时间序列预测与智能控制结合的参数在线整定方法与系统
CN104836498A (zh) * 2015-04-21 2015-08-12 苏州德锐朗智能科技有限公司 一种基于人工神经网络的自整定pid发电机控制系统
CN110399970A (zh) * 2019-05-05 2019-11-01 首都经济贸易大学 小波卷积小波神经网络及情报分析方法与系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10416619B2 (en) * 2016-07-25 2019-09-17 General Electric Company System modeling, control and optimization
US10540590B2 (en) * 2016-12-29 2020-01-21 Zhejiang Gongshang University Method for generating spatial-temporally consistent depth map sequences based on convolution neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096373A (zh) * 2010-12-07 2011-06-15 昆明理工大学 基于增量改进bp神经网络的微波干燥pid控制方法
CN102902203A (zh) * 2012-09-26 2013-01-30 北京工业大学 时间序列预测与智能控制结合的参数在线整定方法与系统
CN104836498A (zh) * 2015-04-21 2015-08-12 苏州德锐朗智能科技有限公司 一种基于人工神经网络的自整定pid发电机控制系统
CN110399970A (zh) * 2019-05-05 2019-11-01 首都经济贸易大学 小波卷积小波神经网络及情报分析方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Bing Yan.Prediction of sand ripple geometry under waves using an artificial neural network.《Computers &amp Geosciences》.2008,全文. *
Prediction of wave ripple characteristics using genetic programming;Evan B. Goldstein;《Continental Shelf Research》;全文 *
预测小波神经网络智能控制系统仿真研究;刘经纬;《系统仿真学报》;全文 *

Also Published As

Publication number Publication date
CN111752144A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN105955206B (zh) 一种基于数据驱动和参数混合优化的多轴运动控制方法
CN110815225B (zh) 电机驱动单机械臂系统的点对点迭代学习优化控制方法
CN106933105B (zh) 受限条件下的轨迹更新综合预测迭代学习控制算法
CN111722628B (zh) 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法
CN110202768B (zh) 一种注塑机料筒温度控制方法
CN110809505A (zh) 用于执行机器人手臂的移动控制的方法和装置
CN113910218B (zh) 一种基于运动学与深度神经网络融合的机器人标定方法和装置
Wang et al. Design of robotic visual servo control based on neural network and genetic algorithm
CN113988449A (zh) 基于Transformer模型的风电功率预测方法
CN108959787B (zh) 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
WO2019086760A1 (en) Generation of a control system for a target system
CN111103846A (zh) 一种基于时间序列的数控机床状态预测方法
CN114297795B (zh) 一种基于PR-Trans的机械设备剩余寿命预测方法
CN115963752A (zh) 一种基于深度学习的音圈电机位置伺服控制系统及数学模型的训练方法
CN111752144B (zh) 循环涟漪纹波预测方法与智能控制系统
CN101285816A (zh) 铜锍吹炼的过程参数软测量仪表及其软测量方法
EP3428746B1 (en) A method and apparatus for providing an adaptive self-learning control program for deployment on a target field device
CN116400582A (zh) 一种基于强化学习算法的比例控制器参数自整定方法
CN115016286A (zh) 非线性工业系统数据驱动强化学习鲁棒控制方法
CN110045616B (zh) 一种搅拌反应罐的鲁棒预测控制方法
CN106651006A (zh) 基于复数神经网络的土壤墒情预测方法及装置
van der Smagt et al. The locally linear nested network for robot manipulation
Rivera et al. Embedded system for model characterization developing intelligent controllers in industry 4.0
JP5246751B2 (ja) 情報処理装置、情報処理方法、およびプログラム
Parati Electric Motor Speed Control System Using Artificial Neural Network Based Controlling System for Electric Motor

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