CN113298256B - 自适应曲线学习方法、装置、计算机设备及存储介质 - Google Patents
自适应曲线学习方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113298256B CN113298256B CN202110695785.9A CN202110695785A CN113298256B CN 113298256 B CN113298256 B CN 113298256B CN 202110695785 A CN202110695785 A CN 202110695785A CN 113298256 B CN113298256 B CN 113298256B
- Authority
- CN
- China
- Prior art keywords
- learning
- self
- point
- condition
- value
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种自适应曲线学习方法、装置、计算机设备及存储介质,该方法包括:根据被控对象的历史运行参数建立自学习规则,自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,初始边界条件包括被控对象的最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习,得到多个自学习点;根据多个自学习点建立积分值的自适应曲线。本发明通过建立自学习规则,对变工况下被控对象的积分值进行累积学习,优化自学习工况点,建立自适应曲线,有利于改善变工况下的自适应比例积分控制效果。
Description
技术领域
本发明涉及车辆控制技术领域,尤其涉及一种自适应曲线学习方法、装置、计算机设备及存储介质。
背景技术
在车辆自动控制过程中,可采用自适应PID(proportional integralderivative,比例-积分-微分)控制技术,利用自适应控制与PID控制相互融合的控制方法对车辆运行参数进行闭环调节,改善发动机的运行效率。
在现有的自适应PID控制技术中,实际的控制过程通常以单点的自学习过程进行控制,自适应过程需要在当前车辆的运行工况稳定后,保证积分值稳定后再对当前的自学习点进行更新,其存在的问题在于,现有的自适应PID控制技术无法记录已经发生过的工况点或者重复执行的工况点,导致在不同工况的控制过程中,需要重复进行累计学习,数据处理量大,瞬态响应性能差,影响变工况下的控制响应效果,削弱了自适应控制的优势。
发明内容
本发明提供一种自适应曲线学习方法,解决了现有的自适应控制对单个工况点重复学习影响变工况控制效果的问题,通过优化自学习工况点,改善变工况下的自适应控制效果。
第一方面,本发明实施例提供了一种自适应曲线学习方法,所述自适应曲线用于对被控对象进行自适应控制系统,所述方法包括以下步骤:根据被控对象的历史运行参数建立自学习规则,所述自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,其中,所述初始边界条件包括最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,得到多个自学习点;根据所述多个自学习点建立积分值的自适应曲线。
可选地,所述自适应曲线学习方法还包括以下步骤:对自学习点的数量进行累积计数,得到自学习点计数值;判断所述自学习点计数值是否超过所述初始边界条件限定的最大维度值;若所述自学习点计数值超过所述最大维度值,则对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正;根据修正后的自学习点对所述自适应曲线进行更新。
可选地,所述对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正,包括以下步骤:将任一自学习点确定为被评估点;获取与所述被评估点前后相邻的两个自学习点所在的基准直线的基准斜率;根据所述基准斜率确定所述被评估点落入所述基准直线的基准点;根据所述被评估点及所述基准点的坐标值计算所述被评估点的影响因子;获取所有影响因子中的影响因子最小值;删除所述影响因子最小值对应的被评估点;根据所述影响因子最小值对与所述被评估点相邻的自学习点的纵坐标值进行加权修正。
可选地,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:获取新增待插入点的坐标值;根据所述坐标值、所述最大边界点坐标及所述最小边界点坐标确定所述待插入点是否满足所述初始边界条件;若所述待插入点不满足所述初始边界条件,则删除当前的新增待插入点。
可选地,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:获取预设纵坐标梯度因子;根据新增待插入点的横坐标值确定两个被插值点;根据所述新增待插入点与所述被插值点之间的横坐标差值及所述预设纵坐标梯度因子确定所述新增待插入点的纵坐标最小阈值及纵坐标最大阈值;根据所述新增待插入点的纵坐标值、所述纵坐标最小阈值及所述纵坐标最大阈值确定新增待插入点的纵坐标调整值;将所述横坐标值及所述纵坐标调整值对应的点确定为自学习点。
可选地,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:根据新增待插入点的横坐标值确定相邻的两个被插值点;对新增待插入点与所述两个被插值点之间的横坐标差值及所述预设限定间隔阈值进行比较,根据比较结果对所述新增待插入点的坐标值进行加权修正;将加权修正后的坐标值对应的点确定为自学习点。
可选地,所述两个被插值点包括第一被插值点和第二被插值点,所述根据比较结果对所述新增待插入点的坐标值进行加权修正,包括以下步骤:获取预设宽度融合因子;若新增待插入点与所述第一被插值点之间的第一横坐标差值小于所述预设限定间隔阈值,则根据所述预设宽度融合因子及所述预设限定间隔阈值对所述第一被插值点的初始坐标值进行修正;若新增待插入点与所述第二被插值点之间的第二横坐标差值小于所述预设限定间隔阈值,则根据所述预设宽度融合因子及所述预设限定间隔阈值对所述第二被插值点的初始坐标值进行修正。
第二方面,本发明实施例还提供了一种自适应曲线学习装置,所述自适应曲线用于自适应控制系统,所述装置包括:自学习规则设置模块,用于根据被控对象的历史运行参数建立自学习规则,所述自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,其中,所述初始边界条件包括最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;自学习点获取模块,用于根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习;曲线修正模块,用于根据得到的多个自学习点建立积分值的自适应曲线。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述自适应曲线学习方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述自适应曲线学习方法。
本发明实施例提供的自适应曲线学习装置、计算机设备及计算机可读存储介质,执行自适应曲线学习方法,该方法基于被控对象的历史运行参数建立自学习规则,并根据自学习规则对变工况下被控对象的积分值进行学习,通过优化筛选得到多个自学习,根据多个自学习点建立积分值的自适应曲线,解决了现有的自适应控制对单个工况点重复学习影响变工况控制效果的问题,通过优化自学习工况点,提高自动控制的瞬态响应性能和控制效率,改善变工况下的自适应控制效果。
附图说明
图1是本发明实施例一提供的一种自适应曲线学习方法的流程图;
图2是本发明实施例一提供的另一种自适应曲线学习方法的流程图;
图3是本发明实施例一提供的又一种自适应曲线学习方法的流程图;
图4是图3中自适应曲线学习方法的坐标示意图;
图5是本发明实施例一提供的一种自适应曲线学习方法的流程图;
图6是图5中自适应曲线学习方法的坐标示意图;
图7是本发明实施例一提供的另一种自适应曲线学习方法的流程图;
图8是图7中自适应曲线学习方法的坐标示意图;
图9是本发明实施例一提供的又一种自适应曲线学习方法的流程图;
图10是本发明实施例二提供的一种自适应曲线学习装置的结构示意图;
图11是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种自适应曲线学习方法的流程图,本实施例可适用于车辆自适应控制系统的应用场景,其中,自适应控制系统可为自适应比例积分控制系统或者自适应比例微积分控制系统,在变工况场景下,积分值变动较大,该方法可以由配置特定程序的功能模块来执行,具体包括如下步骤:
步骤S1:根据被控对象的历史运行参数建立自学习规则,自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件。
其中,在将自适应曲线应用于车辆控制领域时,被控对象包括发动机转速、发动机喷油量等需要进行闭环控制的参量,历史运行参数可为被控对象稳定运行时标定记录的参量的具体数值,每组运行参数对应的工况点即为一个自学习点。
可选地,初始边界条件包括最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值D,其中,最大维度值是指历史运行参数中存在的数值组数,最大边界点坐标是指横坐标最大的运行参数对应的自学习点的坐标值,最小边界点坐标是指横坐标最小的运行参数对应的自学习点的坐标值,预设限定间隔阈值D是指的两个自学习点之间的最小间隔参数。
示例性地,若定义被控对象为发动机转速,发动机转速的历史运行参数包括最小转速600rpm,最大转速2500rpm,通过对发动机转速的历史运行参数进行大数据分析可知,在最小转速600rpm与最大转速2500rpm之间共存在8个转速值(包含最小转速600rpm和最大转速2500rpm),且两个转速值之间的最小间隔参数为100rpm,在对发动机转速的自适应曲线进行学习时,可设置最大维度值为8,最大边界点坐标为2500rpm及其对应的工况点的积分值,最小边界点坐标为600rpm及其对应的工况点的积分值,预设限定间隔阈值D为100。
本实施例中,纵坐标梯度限制条件是指用于限制新插入的自学习点的纵坐标范围的条件,可选地,纵坐标梯度限制条件包括预设纵坐标梯度因子θ,通过纵坐标梯度限制条件可剔除异常工况点。
本实施例中,自学习点插值融合条件是指用于限制新插入的自学习点与现有自学习点之间的数据间隔的条件,可选地,自学习点插值融合条件包括预设宽度融合因子λ,通过自学习点插值融合条件可调整自学习点的分布状态。
步骤S2:根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习,得到多个自学习点。
步骤S3:根据多个自学习点建立积分值的自适应曲线。
其中,自适应曲线的横坐标为自学习点输入值,纵坐标为自学习点输入值对应的积分值。
该自适应曲线学习方法的工作原理在于,利用初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对新增待插入点进行筛选和优化。
具体地,在进行自适应曲线学习之前,先确定被控对象,基于被控对象的历史运行参数设置初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件。在变工况条件下,对自适应曲线进行学习的过程中,持续获得变工况下的新增待插入工况点,先判断新增待插入点的坐标值(包括横坐标值及纵坐标值)是否超过初始边界条件,若新增待插入点未超过初始边界条件,则根据纵坐标梯度限制条件对新增待插入点的纵坐标值进行调整。
进一步地,在对新增待插入点进行梯度限制之后,根据自学习点插值融合条件对梯度限制之后的新增待插入点进行坐标调整,以使新增待插入点与现有自学习点之间的数据间隔大于预设限定间隔阈值D,将调整后的新增待插入点添加到现有的自适应曲线中,对自适应曲线进行优化。
需要说明的是,在依据自适应曲线进行自适应比例积分控制或者自适应比例微积分控制时,将实时采集到的工况点与自适应曲线进行比对查表,根据查表结果输出对应的积分值,根据查表获得的积分值对被控对象进行闭环控制。
本实施例的技术方案,基于被控对象的历史运行参数建立自学习规则,并根据自学习规则对变工况下被控对象的积分值进行学习,利用初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对新增待插入点进行筛选和优化,通过优化筛选得到多个自学习,根据多个自学习点建立积分值的自适应曲线,通过初始边界条件限定自学习插值的边界,有利于提高插值修正的准确性及自学习点分布的有效性;通过纵坐标梯度限制条件对自学习点进行梯度限制,剔除异常点,提高自适应曲线的有效性;通过自学习点插值融合条件对自学习点进行插值新增与融合,保证自学习点的实时更新和优化,解决了现有的自适应控制对单个工况点重复学习影响变工况控制效果的问题,通过优化自学习工况点,提高自适应控制的稳定性和有效性,提高自动控制的瞬态响应性能和控制效率,改善变工况下的自适应控制效果。
图2是本发明实施例一提供的另一种自适应曲线学习方法的流程图。
可选地,如图2所示,该自适应曲线学习方法还包括以下步骤:
步骤S201:对自学习点的数量进行累积计数,得到自学习点计数值。
步骤S202:判断自学习点计数值是否超过初始边界条件限定的最大维度值。
若自学习点计数值超过最大维度值,则执行步骤S203;否则,返回执行步骤S201。
步骤S203:对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正;
步骤S204:根据修正后的自学习点对自适应曲线进行更新。
在上述实施例的基础上,步骤S203可优选如下所示的实施例,对所有的自学习点进行删除和修正。
图3是本发明实施例一提供的又一种自适应曲线学习方法的流程图,图4是图3中自适应曲线学习方法的坐标示意图。
参考图3和图4所示,上述步骤S203,包括以下步骤:
步骤S301:将任一自学习点确定为被评估点;
步骤S302:获取与被评估点前后相邻的两个自学习点所在的基准直线及该基准直线的基准斜率α。
步骤S303:根据基准斜率α确定被评估点落入基准直线的基准点PL。
步骤S304:根据被评估点及基准点PL的坐标值计算被评估点的影响因子。
步骤S305:获取所有影响因子β中的影响因子最小值βmin,并删除影响因子最小值βmin对应的被评估点。
步骤S306:根据影响因子最小值βmin对被评估点相邻的自学习点的纵坐标值进行加权修正。
可选地,根据影响因子最小值βmin对被评估点相邻的自学习点的纵坐标值进行加权修正,包括:对被评估点相邻的前一自学习点的坐标值进行加权修正。
结合图4所示,以将第n自学习点Pn(xn,yn)作为被评估点为例对上述实施例进行说明,其中,第n自学习点Pn(xn,yn)前后相邻的两个自学习点为第(n-1)自学习点Pn-1(xn-1,yn-1)和第(n+1)自学习点Pn+1(xn+1,yn+1)。
结合参考图4所示,基准斜率α满足如下所示的公式一:
其中,yn+1为第(n+1)自学习点Pn+1的纵坐标值,yn-1为第(n-1)自学习点Pn-1的纵坐标值,xn+1为第(n+1)自学习点Pn+1的横坐标值,xn-1为第(n-1)自学习点Pn-1的横坐标值。
结合参考图4所示,基准点PL的坐标值满足如下所示的公式二:
其中,xL为基准点PL的横坐标值,yL为基准点PL的纵坐标值。
继续参考图4所示,影响因子β满足如下所示的公式三:
其中,影响因子β与被评估点与基准直线之间的垂直距离呈正比,即言,被评估点距离基准直线越远,影响因子β越大。
具体地,若自学习点的个数超过最大维度值,则对新插入的学习点值和已学习值进行评估与优化删除,保证自适应曲线实时更新。在对被评估点Pn进行影响因子评估时,以其相邻的两点Pn-1和Pn+1作为评判基准,当被评估点Pn落在相邻两点所在的直线上时,被评估点Pn的影响因子β的取值最小,影响因子最小值βmin的自学习点将被删除,且删除自学习点时需对相邻的前一自学习点坐标值进行加权修正,保证自适应曲线保留已删除点的部分特性。
由此,本发明实施例通过引入影响因子的概念,评估各自学习点对自适应曲线特性的贡献度,以被评估点的前后相邻两点坐标作为评判基准,根据距离斜率直线的接近程度确定影响因子大小,删除影响因子最小值对应的自学习点,有利于在有限维度内实时更新自学习点,提高自动控制的瞬态响应性能和控制效率,改善变工况下的自适应控制效果。
可选地,根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:获取新增待插入点的坐标值;根据坐标值、最大边界点坐标及最小边界点坐标确定待插入点是否满足初始边界条件;若待插入点不满足初始边界条件,则删除当前的新增待插入点。
在上述实施例的基础上,若待插入点满足初始边界条件,则进一步执行下述方法步骤,对变工况下被控对象的积分值进行学习。
可选地,根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括:根据纵坐标梯度限制条件对新增待插入点的纵坐标值进行梯度限制,梯度限制的方法可采用如下所示的优选实施例。
图5是本发明实施例一提供的一种自适应曲线学习方法的流程图,图6是图5中自适应曲线学习方法的坐标示意图。
可选地,参考图5和图6所示,根据纵坐标梯度限制条件对新增待插入点的纵坐标值进行梯度限制包括以下步骤:
步骤S501:获取预设纵坐标梯度因子θ。
步骤S502:根据新增待插入点P(x,y)的横坐标值确定两个被插值点。
步骤S503:根据新增待插入点P(x,y)与被插值点之间的横坐标差值及预设纵坐标梯度因子θ确定新增待插入点的纵坐标最小阈值Pmin2及纵坐标最大阈值Pmax1。
步骤S504:根据新增待插入点的纵坐标值、纵坐标最小阈值及纵坐标最大阈值确定新增待插入点的纵坐标调整值。
步骤S505:将横坐标值及纵坐标调整值对应的点确定为自学习点。
结合参考图5和图6所示,对于落在两个被插值点Pn(xn,yn)和Pn+1(xn+1,yn+1)之间的新增待插入点P(x,y),计算新增待插入点P(x,y)与两个被插值点Pn(xn,yn)和Pn+1(xn+1,yn+1)之间横坐标差值(Δx1和Δx2),结合梯度因子θ计算得出纵坐标所允许的纵坐标最大阈值Pmax1和纵坐标最小阈值Pmin2,并将新增待插入点P(x,y)限制在此范围内,确保自学习曲线的有效性。
可选地,将新增待插入点P(x,y)限制在纵坐标最大阈值Pmax1和纵坐标最小阈值Pmin2之间包括:
若新增待插入点P(x,y)的纵坐标y大于纵坐标最大阈值Pmax1,则将纵坐标y替换为纵坐标最大阈值Pmax1的纵坐标值;若新增待插入点P(x,y)的纵坐标y小于纵坐标最小阈值Pmin2,则将纵坐标y替换为纵坐标最小阈值Pmin2的纵坐标值。
可选地,根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习,还包括:根据自学习点插值融合条件对自学习点进行插值新增与融合,插值新增与融合的方法可采用如下所示的优选实施例。
图7是本发明实施例一提供的另一种自适应曲线学习方法的流程图,图8是图7中自适应曲线学习方法的坐标示意图。
可选地,参考图7和图8所示,根据自学习点插值融合条件对自学习点进行插值新增与融合包括以下步骤:
步骤S701:根据新增待插入点P(x,y)的横坐标值确定相邻的两个被插值点,其中,两个被插值点为现有的自学习点中任意两个相邻的自学习点。
可选地,两个被插值点包括第一被插值点Pn(xn,yn)和第二被插值点Pn+1(xn+1,yn+1)。
步骤S702:对新增待插入点P(x,y)与两个被插值点之间的横坐标差值及预设限定间隔阈值进行比较,根据比较结果对新增待插入点的坐标值进行加权修正。
步骤S703:将加权修正后的坐标值对应的点确定为自学习点。
在上述实施例的基础上,根据比较结果对新增待插入点的坐标值进行加权修正,可采用如下所示的实施例。
图9是本发明实施例一提供的又一种自适应曲线学习方法的流程图。
可选地,如图9所示,根据比较结果对新增待插入点的坐标值进行加权修正,包括以下步骤:
步骤S901:获取预设宽度融合因子λ和梯度限制之后的新增待插入点P(x,y)。
步骤S902:判断新增待插入点P(x,y)与第一被插值点Pn(xn,yn)之间的第一横坐标差值Δx1是否小于预设限定间隔阈值D。
若新增待插入点P(x,y)与第一被插值点Pn(xn,yn)之间的第一横坐标差值Δx1小于预设限定间隔阈值D,则执行步骤S903;否则,执行步骤S904。
步骤S903:根据预设宽度融合因子及预设限定间隔阈值对第一被插值点的初始坐标值进行修正。
步骤S904:判断新增待插入点P(x,y)与第二被插值点Pn+1(xn+1,yn+1)之间的第二横坐标差值Δx2是否小于预设限定间隔阈值D。
若新增待插入点P(x,y)与第二被插值点Pn+1(xn+1,yn+1)之间的第二横坐标差值Δx2小于预设限定间隔阈值D,则执行步骤S905;否则,执行步骤S906。
步骤S905:根据预设宽度融合因子及预设限定间隔阈值对第二被插值点的初始坐标值进行修正。
步骤S906:将新增待插入点P(x,y)插入现有的自适应曲线中。
具体地,当新增待插入点P(x,y)的横坐标与相邻前一被插值点的横坐标的距离大于预设限定间隔阈值D且与后一被插值点的横坐标的距离大于预设限定间隔阈值D,且增加新增待插入点P(x,y)后自学习点的数量未达到最大维度值,则直接将新增待插入点P(x,y)更新到自适应曲线中;当新增待插入点P(x,y)的横坐标与前一被插值点的横坐标的距离小于预设限定间隔阈值D或与后一被插值点的横坐标的距离小于预设限定间隔阈值D时,通过宽度融合因子λ对不符合要求的被插值点的横坐标进行调整,得到调整后的插值点P',以使新增待插入点P(x,y)与原自适应曲线中的坐标相融合来优化原始坐标值。
进一步地,优化后的坐标值需再次与未优化的相邻坐标进行比较,若两点之间横坐标的距离小于预设限定间隔阈值D,则按照预设限定间隔阈值D限定优化后的坐标值,得到插值点P",保证多次学习后自适应曲线的各自学习点分布在合理范围内。
由此,本发明实施例通过引入宽度融合因子λ与预设限定间隔阈值D的概念,以预设限定间隔阈值D限制自适应曲线中各自学习点之间所允许的最小距离,防止自学习点过密而导致整个自适应曲线失真。自适应曲线中坐标点的融合方法,以宽度融合因子λ作为加权系数,按照加权计算的方式,用新增自学习点优化自适应曲线中相邻坐标值,通过优化自学习工况点,提高自适应控制的稳定性和有效性,提高自动控制的瞬态响应性能和控制效率,改善变工况下的自适应控制效果。
实施例二
本发明实施例二提供了一种自适应曲线学习装置,该自适应曲线用于自适应控制系统,本发明实施例所提供的自适应曲线学习装置可执行本发明任意实施例所提供的自适应曲线学习方法,具备执行方法相应的功能模块和有益效果。
图10是本发明实施例二提供的一种自适应曲线学习装置的结构示意图。
如图10所示,该自适应曲线学习装置00包括:自学习规则设置模块100、自学习点获取模块200及曲线修正模块300,其中,自学习规则设置模块100,用于根据被控对象的历史运行参数建立自学习规则,自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,其中,初始边界条件包括最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;自学习点获取模块200,用于根据初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对变工况下被控对象的积分值进行学习;曲线修正模块300,用于根据得到的多个自学习点建立积分值的自适应曲线。
可选地,曲线修正模块300还用于对自学习点的数量进行累积计数,得到自学习点计数值,判断自学习点计数值是否超过初始边界条件限定的最大维度值;若自学习点计数值超过最大维度值,则对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正;以及根据修正后的自学习点对自适应曲线进行更新。
可选地,对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正,包括:将任一自学习点确定为被评估点;获取与被评估点前后相邻的两个自学习点所在的基准直线的基准斜率;根据基准斜率确定被评估点落入基准直线的基准点;根据被评估点及基准点的坐标值计算被评估点的影响因子;获取所有影响因子中的影响因子最小值;删除影响因子最小值对应的被评估点;根据影响因子最小值对与被评估点相邻的自学习点的纵坐标值进行加权修正。
可选地,自学习点获取模块200用于获取新增待插入点的坐标值,并根据坐标值、最大边界点坐标及最小边界点坐标确定待插入点是否满足初始边界条件,若待插入点不满足初始边界条件,则删除当前的新增待插入点。
可选地,自学习点获取模块200用于在待插入点满足初始边界条件之后,获取预设纵坐标梯度因子;根据新增待插入点的横坐标值确定两个被插值点;根据新增待插入点与被插值点之间的横坐标差值及预设纵坐标梯度因子确定新增待插入点的纵坐标最小阈值及纵坐标最大阈值;根据新增待插入点的纵坐标值、纵坐标最小阈值及纵坐标最大阈值确定新增待插入点的纵坐标调整值;以及将横坐标值及纵坐标调整值对应的点确定为自学习点。
可选地,自学习点获取模块200用于在对待插入点进行梯度限制之后,根据新增待插入点的横坐标值确定相邻的两个被插值点;对新增待插入点与两个被插值点之间的横坐标差值及预设限定间隔阈值进行比较,根据比较结果对新增待插入点的坐标值进行加权修正;将加权修正后的坐标值对应的点确定为自学习点。
可选地,两个被插值点包括第一被插值点和第二被插值点,根据比较结果对新增待插入点的坐标值进行加权修正,包括:获取预设宽度融合因子;若新增待插入点与第一被插值点之间的第一横坐标差值小于预设限定间隔阈值,则根据预设宽度融合因子及预设限定间隔阈值对第一被插值点的初始坐标值进行修正;若新增待插入点与第二被插值点之间的第二横坐标差值小于预设限定间隔阈值,则根据预设宽度融合因子及预设限定间隔阈值对第二被插值点的初始坐标值进行修正。
本发明实施例提供的自适应曲线学习装置,执行上述自适应曲线学习方法,基于被控对象的历史运行参数建立自学习规则,并根据自学习规则对变工况下被控对象的积分值进行学习,利用初始边界条件、纵坐标梯度限制条件及自学习点插值融合条件对新增待插入点进行筛选和优化,通过优化筛选得到多个自学习,根据多个自学习点建立积分值的自适应曲线,通过初始边界条件限定自学习插值的边界,有利于提高插值修正的准确性及自学习点分布的有效性;通过纵坐标梯度限制条件对自学习点进行梯度限制,剔除异常点,提高自适应曲线的有效性;通过自学习点插值融合条件对自学习点进行插值新增与融合,保证自学习点的实时更新和优化,解决了现有的自适应控制对单个工况点重复学习影响变工况控制效果的问题,通过优化自学习工况点,提高自适应控制的稳定性和有效性,提高自动控制的瞬态响应性能和控制效率,改善变工况下的自适应控制效果。
实施例三
本发明实施例三提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述自适应曲线学习方法。
图11是本发明实施例三提供的一种计算机设备的结构示意图。图11示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图11显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器16,系统存储器28,连接不同系统组件(包括系统存储器28和处理器16)的总线18,网络适配器20,I/O接口22,显示器24。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图11未显示,通常称为“硬盘驱动器”)。尽管图11中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
处理器16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的自适应曲线学习方法。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述自适应曲线学习方法,具备执行方法相应的有益效果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种自适应曲线学习方法,所述自适应曲线用于自适应控制系统,其特征在于,所述方法包括以下步骤:
根据被控对象的历史运行参数建立自学习规则,所述自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,其中,所述初始边界条件包括被控对象的最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;
根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,得到多个自学习点;
根据所述多个自学习点建立积分值的自适应曲线;
所述自学习点为每组运行参数对应的工况点;
所述最大维度值是历史运行参数中存在的数值组数;
所述预设限定间隔阈值是两个所述自学习点之间的最小间隔参数;
所述纵坐标梯度限制条件是用于限制新插入的所述自学习点的纵坐标范围的条件;
所述自学习点插值融合条件是用于限制新插入的所述自学习点与现有所述自学习点之间的数据间隔的条件。
2.根据权利要求1所述的自适应曲线学习方法,其特征在于,还包括以下步骤:
对自学习点的数量进行累积计数,得到自学习点计数值;
判断所述自学习点计数值是否超过所述初始边界条件限定的最大维度值;
若所述自学习点计数值超过所述最大维度值,则对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正;
根据修正后的自学习点对所述自适应曲线进行更新。
3.根据权利要求2所述的自适应曲线学习方法,其特征在于,所述对所有自学习点进行影响因子评估,并根据影响因子评估结果对自学习点进行删除和修正,包括以下步骤:
将任一自学习点确定为被评估点;
获取与所述被评估点前后相邻的两个自学习点所在的基准直线的基准斜率;
根据所述基准斜率确定所述被评估点落入所述基准直线的基准点;
根据所述被评估点及所述基准点的坐标值计算所述被评估点的影响因子;
获取所有影响因子中的影响因子最小值;
删除所述影响因子最小值对应的被评估点;
根据所述影响因子最小值对与所述被评估点相邻的自学习点的纵坐标值进行加权修正。
4.根据权利要求1所述的自适应曲线学习方法,其特征在于,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:
获取新增待插入点的坐标值;
根据所述坐标值、所述最大边界点坐标及所述最小边界点坐标确定所述待插入点是否满足所述初始边界条件;
若所述待插入点不满足所述初始边界条件,则删除当前的新增待插入点。
5.根据权利要求1所述的自适应曲线学习方法,其特征在于,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:
获取预设纵坐标梯度因子;
根据新增待插入点的横坐标值确定两个被插值点;
根据所述新增待插入点与所述被插值点之间的横坐标差值及所述预设纵坐标梯度因子确定所述新增待插入点的纵坐标最小阈值及纵坐标最大阈值;
根据所述新增待插入点的纵坐标值、所述纵坐标最小阈值及所述纵坐标最大阈值确定新增待插入点的纵坐标调整值;
将所述横坐标值及所述纵坐标调整值对应的点确定为自学习点。
6.根据权利要求1所述的自适应曲线学习方法,其特征在于,根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习,包括以下步骤:
根据新增待插入点的横坐标值确定相邻的两个被插值点;
对新增待插入点与所述两个被插值点之间的横坐标差值及所述预设限定间隔阈值进行比较,根据比较结果对所述新增待插入点的坐标值进行加权修正;
将加权修正后的坐标值对应的点确定为自学习点。
7.根据权利要求6所述的自适应曲线学习方法,其特征在于,所述两个被插值点包括第一被插值点和第二被插值点,所述根据比较结果对所述新增待插入点的坐标值进行加权修正,包括以下步骤:
获取预设宽度融合因子;
若新增待插入点与所述第一被插值点之间的第一横坐标差值小于所述预设限定间隔阈值,则根据所述预设宽度融合因子及所述预设限定间隔阈值对所述第一被插值点的初始坐标值进行修正;
若新增待插入点与所述第二被插值点之间的第二横坐标差值小于所述预设限定间隔阈值,则根据所述预设宽度融合因子及所述预设限定间隔阈值对所述第二被插值点的初始坐标值进行修正。
8.一种自适应曲线学习装置,所述自适应曲线用于自适应控制系统,其特征在于,所述装置包括:
自学习规则设置模块,用于根据被控对象的历史运行参数建立自学习规则,所述自学习规则包括被控对象的初始边界条件、纵坐标梯度限制条件和自学习点插值融合条件,其中,所述初始边界条件包括最大维度值、最大边界点坐标、最小边界点坐标及预设限定间隔阈值;
自学习点获取模块,用于根据所述初始边界条件、所述纵坐标梯度限制条件及所述自学习点插值融合条件对变工况下被控对象的积分值进行学习;
曲线修正模块,用于根据得到的多个自学习点建立积分值的自适应曲线;
所述自学习点为每组运行参数对应的工况点;
所述最大维度值是历史运行参数中存在的数值组数;
所述预设限定间隔阈值是两个所述自学习点之间的最小间隔参数;
所述纵坐标梯度限制条件是用于限制新插入的所述自学习点的纵坐标范围的条件;
所述自学习点插值融合条件是用于限制新插入的所述自学习点与现有所述自学习点之间的数据间隔的条件。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的自适应曲线学习方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的自适应曲线学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695785.9A CN113298256B (zh) | 2021-06-23 | 2021-06-23 | 自适应曲线学习方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695785.9A CN113298256B (zh) | 2021-06-23 | 2021-06-23 | 自适应曲线学习方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298256A CN113298256A (zh) | 2021-08-24 |
CN113298256B true CN113298256B (zh) | 2023-01-24 |
Family
ID=77329192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695785.9A Active CN113298256B (zh) | 2021-06-23 | 2021-06-23 | 自适应曲线学习方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298256B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105667514A (zh) * | 2016-04-14 | 2016-06-15 | 安徽江淮汽车股份有限公司 | 一种用于蠕动工况半结合点自适应控制方法及系统 |
CN106777594A (zh) * | 2016-12-01 | 2017-05-31 | 武汉科技大学 | 一种基于连续曲面的轧制过程数学模型的自学习方法 |
CN107061551A (zh) * | 2017-03-28 | 2017-08-18 | 中国第汽车股份有限公司 | 一种湿式双离合器半接合点自适应方法 |
CN111749801A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 一种基于插值计算的电喷系统闭环自学习控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8836163B2 (en) * | 2012-02-14 | 2014-09-16 | University Of Tennessee Research Foundation | Adaptive controller for STATCOM to enhance voltage stability |
CN111255585B (zh) * | 2018-11-30 | 2022-08-09 | 联合汽车电子有限公司 | 混合气多点自学习方法 |
-
2021
- 2021-06-23 CN CN202110695785.9A patent/CN113298256B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105667514A (zh) * | 2016-04-14 | 2016-06-15 | 安徽江淮汽车股份有限公司 | 一种用于蠕动工况半结合点自适应控制方法及系统 |
CN106777594A (zh) * | 2016-12-01 | 2017-05-31 | 武汉科技大学 | 一种基于连续曲面的轧制过程数学模型的自学习方法 |
CN107061551A (zh) * | 2017-03-28 | 2017-08-18 | 中国第汽车股份有限公司 | 一种湿式双离合器半接合点自适应方法 |
CN111749801A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 一种基于插值计算的电喷系统闭环自学习控制方法 |
Non-Patent Citations (2)
Title |
---|
Chaos synchronization of nonlinear gyros using self-learning PID control approach;Chun-Fei Hsu et al.;《Applied Soft Computing》;20110830;第430-439页 * |
基于dSPACE的自学习算法在汽油/CNG两用燃料发动机空燃比控制中的应用研究;刘一鸣 等;《小型内燃机与车辆技术》;20160630;第45卷(第3期);第46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298256A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107864071B (zh) | 一种面向主动安全的数据动态采集方法、装置及系统 | |
CN116109012B (zh) | 一种基于精炼炉控制参数的特种钢材性能预测方法及系统 | |
TWI796286B (zh) | 一種機器學習系統的訓練方法和訓練系統 | |
CN110297810B (zh) | 一种流数据处理方法、装置及电子设备 | |
CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
CN113298256B (zh) | 自适应曲线学习方法、装置、计算机设备及存储介质 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN113761390B (zh) | 一种用于属性亲密度的分析方法和系统 | |
CN109344643B (zh) | 一种面向图中三角形数据发布的隐私保护方法及系统 | |
CN111275250B (zh) | 一种基于各向异性的强流区海表面温度预报方法 | |
US20200272901A1 (en) | Optimization apparatus, optimization method, and non-transitory computer readable medium | |
JP2016018230A (ja) | 制御パラメータ適合方法及び制御パラメータ適合支援装置 | |
JP5749041B2 (ja) | アクティブフィードバック制御装置及びプログラム | |
CN109492086A (zh) | 一种答案输出方法、装置、电子设备及存储介质 | |
CN113779722B (zh) | 一种压气机稳定性预测方法、装置和存储介质 | |
CN115408858A (zh) | 脉谱参数分区方法、装置、电子设备以及存储介质 | |
CN111680720B (zh) | 基于改进cs-svr模型的高炉铁水硅含量预测方法 | |
CN108599976B (zh) | 网络质量评估模型构建方法、装置及计算机设备 | |
CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
Aguila-Camacho et al. | Error-Based Switched Fractional Order Model Reference Adaptive Control for MIMO Linear Time Invariant Systems | |
CN111190800A (zh) | 预测主机的批量运行时长的方法、系统、装置及存储介质 | |
CN112182771A (zh) | 基于数值模拟的数据处理方法、存储介质、电子装置 | |
CN113326584B (zh) | 一种兼顾鲁棒性和可靠性的电工装备优化设计方法 | |
CN111199595B (zh) | 数值显示控制方法 | |
CN117195761B (zh) | 一种基于流场离散度自适应的计算加速方法 |
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 |