CN113467230B - 一种磁轴承系统及其控制方法、装置、存储介质及处理器 - Google Patents
一种磁轴承系统及其控制方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN113467230B CN113467230B CN202110826493.4A CN202110826493A CN113467230B CN 113467230 B CN113467230 B CN 113467230B CN 202110826493 A CN202110826493 A CN 202110826493A CN 113467230 B CN113467230 B CN 113467230B
- Authority
- CN
- China
- Prior art keywords
- magnetic bearing
- bearing system
- disturbance
- random forest
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000006073 displacement reaction Methods 0.000 claims abstract description 47
- 238000005339 levitation Methods 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims description 123
- 238000012549 training Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 239000000725 suspension Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic 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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本发明公开了一种磁轴承系统及其控制方法、装置、存储介质及处理器，该方法包括：利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动；以及，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动；根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移；其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量。该方案，通过基于磁轴承系统观测的总扰动与预测扰动，对磁轴承系统的控制量进行补偿，以满足磁轴承系统的位移精度要求。
Description
技术领域
本发明属于磁悬浮技术领域，具体涉及一种磁轴承系统及其控制方法、装置、存储介质及处理器，尤其涉及一种随机森林优化的电磁轴承控制方法、装置、磁轴承系统、存储介质及处理器。
背景技术
在磁轴承系统的控制过程中，控制器的选择是至关重要的，选择合理的控制器，可以使得轴承转子稳定悬浮，转子悬浮位移的控制精度高。
相关方案中，磁轴承系统的控制器，选用PID(即比例-积分-微分)控制器时，但是，PID控制器的抗干扰能力弱，不能满足磁轴承系统的位移精度要求。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于，提供一种磁轴承系统及其控制方法、装置、存储介质及处理器，以解决在磁轴承系统中，PID控制器不能满足磁轴承系统的位移精度要求的问题，达到通过基于磁轴承系统观测的总扰动与预测扰动，对磁轴承系统的控制量进行补偿，以满足磁轴承系统的位移精度要求的效果。
本发明提供一种磁轴承系统的控制方法中，所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数；针对n个自由度中的任一个自由度，所述磁轴承系统的控制方法，包括：利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动；以及，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动；根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移；其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量。
在一些实施方式中，所述观测设备，包括：扩张状态观测器；利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：利用扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
在一些实施方式中，所述预测模型，包括：随机森林回归模型；利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
在一些实施方式中，构建随机森林回归模型，包括：按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集；并将所述m组数据中的另一部分数据，作为验证样本；m为自然数；利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。
在一些实施方式中，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
与上述方法相匹配，本发明另一方面提供一种磁轴承系统的控制装置中，所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数；针对n个自由度中的任一个自由度，所述磁轴承系统的控制装置，包括：获取单元，被配置为利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动；以及，所述获取单元，还被配置为利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动；控制单元，被配置为根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移；其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量。
在一些实施方式中，所述观测设备，包括：扩张状态观测器；所述获取单元，利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：利用扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
在一些实施方式中，所述预测模型，包括：随机森林回归模型；所述获取单元，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
在一些实施方式中，所述获取单元，构建随机森林回归模型，包括：按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集；并将所述m组数据中的另一部分数据，作为验证样本；m为自然数；利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。
在一些实施方式中，所述获取单元，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
与上述装置相匹配，本发明再一方面提供一种磁轴承系统，包括：以上所述的磁轴承系统的控制装置。
与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的磁轴承系统的控制方法。
与上述方法相匹配，本发明再一方面提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上所述的磁轴承系统的控制方法。
由此，本发明的方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)；并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿；从而，通过基于磁轴承系统观测的总扰动与预测扰动，对磁轴承系统的控制量进行补偿，以满足磁轴承系统的位移精度要求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的磁轴承系统的控制方法的一实施例的流程示意图；
图2为本发明的方法中构建随机森林回归模型的一实施例的流程示意图；
图3为磁悬浮轴承的径向控制系统的一实施例的结构示意图；
图4为二阶线性自抗扰控制器的一实施例的结构示意图；
图5为随机森林回归(RFR)模型的一实施例的求解过程示意图；
图6为二阶线性随机森林自抗扰控制磁轴承的单自由度系统的一实施例的结构示意图；
图7为本发明的磁轴承系统的控制装置的一实施例的结构示意图。
结合附图，本发明实施例中附图标记如下：
102-获取单元；104-控制单元。
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，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
相关方案中，PID控制器的参数调节简单。但是，磁轴承转子(即磁悬浮系统的轴承转子)，由于陀螺效应的作用、以及转子轴本身的刚体模态的影响，干扰较大。重力对高速旋转中的陀螺产生的对支撑点的力矩不会使其发生倾倒，而发生小角度的进动，此即陀螺效应。在欠约束的情况下，结构的刚体运动可以看成是三个平动方向和三个转动方向的刚体运动的合成，这些刚体运动称为结构的刚体模态。所以，PID控制器对于受干扰影响极为敏感的磁轴承系统，相关方案中的PID控制器有时很难满足磁轴承系统的控制要求，考虑使用自抗扰控制器。然而，在五自由度的磁轴承系统中，应用自抗扰控制器的自抗扰控制算法时，其扩张状态观测器的观测负载大、观测精度不高，控制效果不明显。其中，扩张状态观测器，是根据磁轴承系统的外部变量(输入变量和输出变量)的实测值，得出状态变量估计值的一类动态系统，也称为状态重构器。
也就是说，相关方案中，PID控制器较能满足位移精度要求，又由于磁轴承转子运动的复杂性，自抗扰控制器的自抗扰控制，并不能十分有效的满足位移精度要求。另外，自抗扰控制器中的扩张状态观测器，存在观测负载大、观测精度不高等问题。
根据本发明的实施例，提供了一种磁轴承系统的控制方法，如图1所示本发明的方法的一实施例的流程示意图。所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数。针对n个自由度中的任一个自由度，所述磁轴承系统的控制方法，包括：步骤S110至步骤S130。
在步骤S110处，利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动。
在一些实施方式中，所述观测设备，包括：扩张状态观测器。
步骤S110中，利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：利用扩张状态观测器，即自抗扰控制器的扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
图3为磁悬浮轴承的径向控制系统的一实施例的结构示意图。如图3所示，磁轴承(即磁悬浮轴承)的径向控制系统，包括：位移传感器、电流传感器、位移传感器信号转换电路、控制器和功率放大器。位移传感器的数量，优选是一对位移传感器。在磁轴承系统中，通过位移传感器，检测轴承转子的悬浮位置信息。通过位移传感器信号转换电路，实时将位移传感器检测到的轴承转子的位移(即轴承转子的悬浮位置信息)，反馈至控制器，通过控制器对调节，得到轴承线圈的控制电流。设置在控制器与轴承线圈之间的功率放大器，通过电流传感器对轴承线圈的电流实时检测，得到反馈电流值，通过与控制器输出的控制电流比较，进行电流调节，改变轴承线圈的电流进而实现轴承转子的位置控制，使转子稳定悬浮于给定的参考位置。
在图3所示的例子中，磁轴承(即磁悬浮轴承)的径向控制系统，采用电流差动控制，径向前X方向(FX)的两路电流差动，径向前Y方向(FY)的两路电流差动，径向后X方向(RX)的两路电流差动，径向后Y方向(RY)的两路电流差动，一共有8路闭合电流控制通道。其中，每一路的位移控制算法都一致，以下仅以其中一路控制通道进行说明。
图4为二阶线性自抗扰控制器的一实施例的结构示意图。如图4所示，二阶线性自抗扰控制系统(LADRC)，主要包括：线性状态误差反馈(LSEF)模块、线性扩张状态观测器(LESO)和被控对象(电磁轴承转子)。
在图4所示的例子中，r为设定位移值，y为被控对象的输出值，u为控制量，z1为线性扩张状态观测器(LESO)对被控对象的输出值y的估计值，z2为控制量u的微分信号，z3为磁轴承系统观测的“总扰动”，b0为磁悬浮系统的输出量u0系数的估计值。u0为线性状态误差反馈(LSEF)模块的输出值，1/b0为1除以b0。
在图4所示的例子中，设定位移值r输入至第一比较器的同相输入端，线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1输入至第一比较器的反相输入端。第一比较器的输出端，连接至线性状态误差反馈(LSEF)模块的第一输入端。输出值y的微分信号z2，输入至线性状态误差反馈(LSEF)模块的第二输入端。线性状态误差反馈(LSEF)模块的输出值u0，输入至第二比较器的同相输入端。磁轴承系统观测的“总扰动”z3，输出至第二比较器的反相输入端。第二比较器的输出端，经1/b0计算模块后，输出控制量u至被控对象。控制量u，还b0模块后，输入至线性扩张状态观测器(LESO)的第一输入端。被控对象的输出值y，输入至线性扩张状态观测器(LESO)的第二输入端。线性扩张状态观测器(LESO)的第一输出端，输出对被控对象的输出值y的估计值z1。线性扩张状态观测器(LESO)的第二输出端，输出输出值y的微分信号z2。线性扩张状态观测器(LESO)的第三输出端，磁轴承系统观测的“总扰动”z3。
线性扩张状态观测器(LESO)的动态方程为：
公式(1)中，e为被控对象的输出值y与其估计值z1的偏差。β1，β2，β3为偏差系数。
线性状态误差反馈(LSEF)模块的动态方程为：
u0＝kp(r-z1)-kdz2 (2)。
公式(2)中，kp和kd为控制器的比例参数和微分参数。
在步骤S120处，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动。
在一些实施方式中，所述预测模型，包括：随机森林回归模型。
步骤S120中利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
在本发明的方案中，该随机森林优化的电磁轴承控制方案所构造的控制系统，利用随机森林良好的预测能力，对磁轴承系统的部分扰动进行预测，并与扩张状态观测器观测到的扰动之和作为总扰动，一同进行补偿。这样，扩张状态观测器就不需要观测磁轴承系统的全部扰动，以减轻自抗扰控制器的扩张状态观测器的观测负担，提高自抗扰控制器的扩张观测器的观测精度，从而提升磁轴承系统的控制器的控制性能。并且，本发明的方案提供的随机森林优化的电磁轴承控制方案，不需要精确的数学模型，具有超调小、响应快、抗干扰能力强等特点，在很大程度上提高了磁轴承系统的稳定性。
在一些实施方式中，结合图2所示本发明的方法中构建随机森林回归模型的一实施例流程示意图，进一步说明中构建随机森林回归模型的具体过程，包括：步骤S210和步骤S220。
步骤S210，按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集。并将所述m组数据中的另一部分数据，作为验证样本。m为自然数。
步骤S220，利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。
图5为随机森林回归(RFR)模型的一实施例的求解过程示意图。如图5所示，随机森林回归模型的实现步骤如下：
步骤1、随机森林中有ntree棵树，每一棵回归树都对应一个训练集，要构建ntree棵回归树，那就需要产生对应数量的训练集。其中，ntree，指定随机森林所包含的决策树数目。
随机森林算法在生成的过程中，主要采用bagging(引导聚集算法)抽样技术从原始训练集中产生ntree个训练子集，每次抽样均为随机且放回抽样。
步骤2、然后依次对每个新数据集依据随机属性选择的方式训练出一个决策树基学习器。假定原始样本中的自变量个数为p，则从每棵决策树的自变量集合中随机抽选一个包含mtry个自变量子集，然后再选取一个最优的自变量作为划分属性，在随机森林回归算法中，一般mtry＝log2p。mtry，指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根(分类模型)或三分之一(预测模型)。
步骤3、由此得到了ntree棵回归决策树，每棵树均开始从上至下的递归生成子节点，通过设定叶节点中包含的样本数量达到的最小阈值(回归树可以取5)来决定决策树何时终止分裂。
步骤4、从ntree棵决策树可以得到ntree个预测值，利用集成学习思想取ntree棵树预测值的均值作为回归预测结果，将作为算法最终的输出结果。
回归树数学模型为：
公式(4)中，M为回归树模型中子集中样本的数量。cm为每个子集中数据样本的响应均值。Rm为所划分的各个子集。I(x∈Rm)为示性函数，当x∈Rm时取值为1，否则取值为0。
其中，在构建ntree棵回归树之前，需要进行数据预处理，即：设置采样间隔0.1ms，采样时间2s，从图4所示的二阶线性自抗扰控制器中选取20000组数据，对数据预处理(人为剔除一些异常数据，传输原因导致或者记录错误的数据)，余下10000组数据集，随机划分8000组作为随机森林(random forest，RF)的原始训练样本集，2000组作为验证样本。
从8000组RF的原始训练样本集中进行8000次有放回地随机抽取训练样本，得到1个子样本集，记做M＝8000，一个样本构建一个回归树。重复进行300次实验，获得300个子样本集(300个子样本集之间相互独立，样本可以重复)，构建300课回归决策树，记做ntree＝300。
由于本发明中的选取自变量为p＝4，依据随机选取特征数的方式训练一个回归树学习器，一般地，随机特征数mtry＝log2p，所以本发明的方案中取mtry＝2。训练300个回归决策树，最终取300个回归子树的加权求和求取均值作为回归预测结果。
通过使用余下的2000组验证样本，验证建立的随机森林回归模型准确性，验证成功便可以随机森林回归(RFR)模型嵌入到自抗扰控制器中，即如图6所示。
在一些实施方式中，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
图6为二阶线性随机森林自抗扰控制磁轴承的单自由度系统的一实施例的结构示意图。如图6所示，二阶线性随机森林自抗扰控制磁轴承的单自由度系统，包括：线性状态误差反馈(LSEF)模块、线性扩张状态观测器(LESO)、随机森林回归(RFR)模型和被控对象(电磁轴承转子)。
在图6所示的例子中，设定位移值r输入至第一比较器的同相输入端。线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1，输入至第一比较器的反相输入端，还输入至随机森林回归(RFR)模型的第一输入端。第一比较器的输出端，连接至线性状态误差反馈(LSEF)模块的第一输入端。输出值y的微分信号z2，输入至线性状态误差反馈(LSEF)模块的第二输入端，还输入至随机森林回归(RFR)模型的第二输入端。
线性状态误差反馈(LSEF)模块的输出值u0，输入至第二比较器的同相输入端，还输入至随机森林回归(RFR)模型的第三输入端。第三比较器的输出值u3，输出至第二比较器的反相输入端。第二比较器的输出值u1，经1/b0计算模块后，输出控制量u至被控对象。控制量u，还b0模块后，输入至线性扩张状态观测器(LESO)的第一输入端。控制量u，还输入至随机森林回归(RFR)模型的第四输入端。被控对象的输出值y，输入至线性扩张状态观测器(LESO)的第二输入端。线性扩张状态观测器(LESO)的第一输出端，输出对被控对象的输出值y的估计值z1。线性扩张状态观测器(LESO)的第二输出端，输出输出值y的微分信号z2。线性扩张状态观测器(LESO)的第三输出端，磁轴承系统观测的“总扰动”z3。
随机森林回归(RFR)模型，基于线性状态误差反馈(LSEF)模块的输出值u0、控制量u、线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1和输出值y的微分信号z2，能够输出预测扰动z4。随机森林回归(RFR)模型的输出值，作为预测扰动z4，输入至第三比较器的一同相输入端。磁轴承系统观测的“总扰动”z3，输出至第三比较器的另一同相输入端，第三比较器的输出端输出Z3+Z4。
参见图6所示的例子，以单自由度磁轴承进行说明二阶线性随机森林自抗扰控制系统结构设计，剩余自由度与之相同。在磁轴承控制系统中，u0、u、z1和z2作为随机森林训练样本的输入，预测扰动z4作为训练输出，最终预测扰动z4与观测扰动z3相加作为补偿u3与线性状态误差反馈(LSEF)模块的输出值u0相减得到输出值u1，再经过系统输入量系数b0相除，得到补偿后的控制量u作为被控对象的控制电流输入值。
图4所示的z3单路反馈回到主回路，可能存在偏差，补偿的不是足够，或者存在一个不知道的扰动导致z3补偿不准确。而图6所示的z3加上z4一起补偿，避免了图4所示的例子中补偿不足或补偿不准确的情况，能够提高扩张观测器观测精度及控制性能。Z3+Z4＝u3，u3会进入系统。
在步骤S130处，根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移l具体地，可以是根据所述磁轴承系统的控制量，控制所述磁轴承系统中一个自由度的轴承线圈的工作电流，以通过对该一个自由度的轴承线圈的工作电流的控制，实现对所述轴承转子的悬浮位移的控制。当然，实际上，控制所述轴承转子的悬浮位移，需要对一个以上自由度的轴承线圈的工作电流进行控制。
其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量。
这样，本发明的方案，提供一种优化的电磁轴承控制方案，如一种随机森林(是利用多棵树对样本进行训练并预测的一种分类器)优化的电磁轴承控制方案，通过在观测设备如自抗扰控制器的线性自抗扰控制算法中，使用观测模型如随机森林回归模型，帮助减轻自抗扰控制器的扩张状态观测器的观测压力，提高观测准确性，进而改善控制器控制效果，使得磁轴承转子稳定，且实现以高位移精度的悬浮。
需要说明的是，本发明的方案中的随机森林自抗扰控制方法，不仅可以用在磁悬浮轴承系统中，同样适用于其他需要抗干扰的控制场合。
采用本实施例的技术方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)。并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿。从而，通过基于磁轴承系统观测的总扰动与预测扰动，对磁轴承系统的控制量进行补偿，以满足磁轴承系统的位移精度要求。
根据本发明的实施例，还提供了对应于磁轴承系统的控制方法的一种磁轴承系统的控制装置。参见图7所示本发明的装置的一实施例的结构示意图。所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数。针对n个自由度中的任一个自由度，所述磁轴承系统的控制装置，包括：获取单元102和控制单元104。
其中，获取单元102，被配置为利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动。该获取单元102的具体功能及处理参见步骤S110。
在一些实施方式中，所述观测设备，包括：扩张状态观测器。
所述获取单元102，利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：所述获取单元102，具体还被配置为利用扩张状态观测器，即自抗扰控制器的扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
图3为磁悬浮轴承的径向控制系统的一实施例的结构示意图。如图3所示，磁轴承(即磁悬浮轴承)的径向控制系统，包括：位移传感器、电流传感器、位移传感器信号转换电路、控制器和功率放大器。位移传感器的数量，优选是一对位移传感器。在磁轴承系统中，通过位移传感器，检测轴承转子的悬浮位置信息。通过位移传感器信号转换电路，实时将位移传感器检测到的轴承转子的位移(即轴承转子的悬浮位置信息)，反馈至控制器，通过控制器对调节，得到轴承线圈的控制电流。设置在控制器与轴承线圈之间的功率放大器，通过电流传感器对轴承线圈的电流实时检测，得到反馈电流值，通过与控制器输出的控制电流比较，进行电流调节，改变轴承线圈的电流进而实现轴承转子的位置控制，使转子稳定悬浮于给定的参考位置。
在图3所示的例子中，磁轴承(即磁悬浮轴承)的径向控制系统，采用电流差动控制，径向前X方向(FX)的两路电流差动，径向前Y方向(FY)的两路电流差动，径向后X方向(RX)的两路电流差动，径向后Y方向(RY)的两路电流差动，一共有8路闭合电流控制通道。其中，每一路的位移控制算法都一致，以下仅以其中一路控制通道进行说明。
图4为二阶线性自抗扰控制器的一实施例的结构示意图。如图4所示，二阶线性自抗扰控制系统(LADRC)，主要包括：线性状态误差反馈(LSEF)模块、线性扩张状态观测器(LESO)和被控对象(电磁轴承转子)。
在图4所示的例子中，r为设定位移值，y为被控对象的输出值，u为控制量，z1为线性扩张状态观测器(LESO)对被控对象的输出值y的估计值，z2为输出值y的微分信号，z3为磁轴承系统观测的“总扰动”，b0为磁悬浮系统的输入量系数的估计值。u0为线性状态误差反馈(LSEF)模块的输出值，1/b0为1除以b0。
在图4所示的例子中，设定位移值r输入至第一比较器的同相输入端，线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1输入至第一比较器的反相输入端。第一比较器的输出端，连接至线性状态误差反馈(LSEF)模块的第一输入端。输出值y的微分信号z2，输入至线性状态误差反馈(LSEF)模块的第二输入端。线性状态误差反馈(LSEF)模块的输出值u0，输入至第二比较器的同相输入端。磁轴承系统观测的“总扰动”z3，输出至第二比较器的反相输入端。第二比较器的输出端，经1/b0计算模块后，输出控制量u至被控对象。控制量u，还b0模块后，输入至线性扩张状态观测器(LESO)的第一输入端。被控对象的输出值y，输入至线性扩张状态观测器(LESO)的第二输入端。线性扩张状态观测器(LESO)的第一输出端，输出对被控对象的输出值y的估计值z1。线性扩张状态观测器(LESO)的第二输出端，输出输出值y的微分信号z2。线性扩张状态观测器(LESO)的第三输出端，磁轴承系统观测的“总扰动”z3。
线性扩张状态观测器(LESO)的动态方程为：
公式(1)中，e为被控对象的输出值y与其估计值z1的偏差。β1，β2，β3为偏差系数。
线性状态误差反馈(LSEF)模块的动态方程为：
u0＝kp(r-z1)-kdz2 (2)。
公式(2)中，kp和kd为控制器的比例参数和微分参数。
所述获取单元102，还被配置为利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动。该获取单元102的具体功能及处理还参见步骤S120。
在一些实施方式中，所述预测模型，包括：随机森林回归模型。
所述获取单元102，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：所述获取单元102，具体还被配置为构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
在本发明的方案中，该随机森林优化的电磁轴承控制方案所构造的控制系统，利用随机森林良好的预测能力，对磁轴承系统的部分扰动进行预测，并与扩张状态观测器观测到的扰动之和作为总扰动，一同进行补偿。这样，扩张状态观测器就不需要观测磁轴承系统的全部扰动，以减轻自抗扰控制器的扩张状态观测器的观测负担，提高自抗扰控制器的扩张观测器的观测精度，从而提升磁轴承系统的控制器的控制性能。并且，本发明的方案提供的随机森林优化的电磁轴承控制方案，不需要精确的数学模型，具有超调小、响应快、抗干扰能力强等特点，在很大程度上提高了磁轴承系统的稳定性。
在一些实施方式中，所述获取单元102，构建随机森林回归模型，包括：所述获取单元102，具体还被配置为按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集。并将所述m组数据中的另一部分数据，作为验证样本。m为自然数。该获取单元102的具体功能及处理还参见步骤S210。
所述获取单元102，具体还被配置为利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。该获取单元102的具体功能及处理还参见步骤S220。
图5为随机森林回归(RFR)模型的一实施例的求解过程示意图。如图5所示，随机森林回归模型的实现步骤如下：
步骤1、随机森林中有ntree棵树，每一棵回归树都对应一个训练集，要构建ntree棵回归树，那就需要产生对应数量的训练集。其中，ntree，指定随机森林所包含的决策树数目。
随机森林算法在生成的过程中，主要采用bagging(引导聚集算法)抽样技术从原始训练集中产生ntree个训练子集，每次抽样均为随机且放回抽样。
步骤2、然后依次对每个新数据集依据随机属性选择的方式训练出一个决策树基学习器。假定原始样本中的自变量个数为p，则从每棵决策树的自变量集合中随机抽选一个包含mtry个自变量子集，然后再选取一个最优的自变量作为划分属性，在随机森林回归算法中，一般mtry＝log2p。mtry，指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根(分类模型)或三分之一(预测模型)。
步骤3、由此得到了ntree棵回归决策树，每棵树均开始从上至下的递归生成子节点，通过设定叶节点中包含的样本数量达到的最小阈值(回归树可以取5)来决定决策树何时终止分裂。
步骤4、从ntree棵决策树可以得到ntree个预测值，利用集成学习思想取ntree棵树预测值的均值作为回归预测结果，将作为算法最终的输出结果。
回归树数学模型为：
公式(4)中，M为回归树模型中子集中样本的数量。cm为每个子集中数据样本的响应均值。Rm为所划分的各个子集。I(x∈Rm)为示性函数，当x∈Rm时取值为1，否则取值为0。
其中，在构建ntree棵回归树之前，需要进行数据预处理，即：设置采样间隔0.1ms，采样时间2s，从图4所示的二阶线性自抗扰控制器中选取20000组数据，对数据预处理(人为剔除一些异常数据，传输原因导致或者记录错误的数据)，余下10000组数据集，随机划分8000组作为RF的原始训练样本集，2000组作为验证样本。
从8000组RF的原始训练样本集中进行8000次有放回地随机抽取训练样本，得到1个子样本集，记做M＝8000，一个样本构建一个回归树。重复进行300次实验，获得300个子样本集(300个子样本集之间相互独立，样本可以重复)，构建300课回归决策树，记做ntree＝300。
由于本发明中的选取自变量为p＝4，依据随机选取特征数的方式训练一个回归树学习器，一般地，随机特征数mtry＝log2p，所以本发明的方案中取mtry＝2。训练300个回归决策树，最终取300个回归子树的加权求和求取均值作为回归预测结果。
通过使用余下的2000组验证样本，验证建立的随机森林回归模型准确性，验证成功便可以随机森林回归(RFR)模型嵌入到自抗扰控制器中，即如图6所示。
在一些实施方式中，所述获取单元102，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：所述获取单元102，具体还被配置为利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
图6为二阶线性随机森林自抗扰控制磁轴承的单自由度系统的一实施例的结构示意图。如图6所示，二阶线性随机森林自抗扰控制磁轴承的单自由度系统，包括：线性状态误差反馈(LSEF)模块、线性扩张状态观测器(LESO)、随机森林回归(RFR)模型和被控对象(电磁轴承转子)。
在图6所示的例子中，设定位移值r输入至第一比较器的同相输入端。线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1，输入至第一比较器的反相输入端，还输入至随机森林回归(RFR)模型的第一输入端。第一比较器的输出端，连接至线性状态误差反馈(LSEF)模块的第一输入端。输出值y的微分信号z2，输入至线性状态误差反馈(LSEF)模块的第二输入端，还输入至随机森林回归(RFR)模型的第二输入端。
线性状态误差反馈(LSEF)模块的输出值u0，输入至第二比较器的同相输入端，还输入至随机森林回归(RFR)模型的第三输入端。第三比较器的输出值u3，输出至第二比较器的反相输入端。第二比较器的输出值u1，经1/b0计算模块后，输出控制量u至被控对象。控制量u，还b0模块后，输入至线性扩张状态观测器(LESO)的第一输入端。控制量u，还输入至随机森林回归(RFR)模型的第四输入端。被控对象的输出值y，输入至线性扩张状态观测器(LESO)的第二输入端。线性扩张状态观测器(LESO)的第一输出端，输出对被控对象的输出值y的估计值z1。线性扩张状态观测器(LESO)的第二输出端，输出输出值y的微分信号z2。线性扩张状态观测器(LESO)的第三输出端，磁轴承系统观测的“总扰动”z3。
随机森林回归(RFR)模型，基于线性状态误差反馈(LSEF)模块的输出值u0、控制量u、线性扩张状态观测器(LESO)对被控对象的输出值y的估计值z1和输出值y的微分信号z2，能够输出预测扰动z4。随机森林回归(RFR)模型的输出值，作为预测扰动z4，输入至第三比较器的反相输入端。磁轴承系统观测的“总扰动”z3，输出至第三比较器的同相输入端。
参见图6所示的例子，以单自由度磁轴承进行说明二阶线性随机森林自抗扰控制系统结构设计，剩余自由度与之相同。在磁轴承控制系统中，u0、u、z1和z2作为随机森林训练样本的输入，预测扰动z4作为训练输出，最终预测扰动z4与观测扰动z3相加作为补偿u3与线性状态误差反馈(LSEF)模块的输出值u0相减得到输出值u1，再经过系统输入量系数b0相除，得到补偿后的控制量u作为被控对象的控制电流输入值。
图4所示的z3单路反馈回到主回路，可能存在偏差，补偿的不是足够，或者存在一个不知道的扰动导致z3补偿不准确。而图6所示的z3加上z4一起补偿，避免了图4所示的例子中补偿不足或补偿不准确的情况，能够提高扩张观测器观测精度及控制性能。
控制单元104，被配置为根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移。该控制单元104的具体功能及处理参见步骤S130。具体地，可以是根据所述磁轴承系统的控制量，控制所述磁轴承系统中一个自由度的轴承线圈的工作电流，以通过对该一个自由度的轴承线圈的工作电流的控制，实现对所述轴承转子的悬浮位移的控制。当然，实际上，控制所述轴承转子的悬浮位移，需要对一个以上自由度的轴承线圈的工作电流进行控制。
其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量。
这样，本发明的方案，提供一种优化的电磁轴承控制方案，如一种随机森林(是利用多棵树对样本进行训练并预测的一种分类器)优化的电磁轴承控制方案，通过在观测设备如自抗扰控制器的线性自抗扰控制算法中，使用观测模型如随机森林回归模型，帮助减轻自抗扰控制器的扩张状态观测器的观测压力，提高观测准确性，进而改善控制器控制效果，使得磁轴承转子稳定，且实现以高位移精度的悬浮。
需要说明的是，本发明的方案中的随机森林自抗扰控制装置，不仅可以用在磁悬浮轴承系统中，同样适用于其他需要抗干扰的控制场合。
由于本实施例的装置所实现的处理及功能基本相应于前述方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
采用本发明的技术方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)；并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿，能够帮助减轻自抗扰控制器的扩张观测器的观测压力，提高观测准确性，进而改善控制器控制效果。
根据本发明的实施例，还提供了对应于磁轴承系统的控制装置的一种磁轴承系统。该磁轴承系统可以包括：以上所述的磁轴承系统的控制装置。
由于本实施例的磁轴承系统所实现的处理及功能基本相应于前述装置的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
采用本发明的技术方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)；并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿，使得磁轴承转子稳定，且实现以高位移精度的悬浮。
根据本发明的实施例，还提供了对应于磁轴承系统的控制方法的一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的磁轴承系统的控制方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
采用本发明的技术方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)；并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿，以减轻自抗扰控制器的扩张状态观测器的观测负担，提高自抗扰控制器的扩张观测器的观测精度。
根据本发明的实施例，还提供了对应于磁轴承系统的控制方法的一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行以上所述的磁轴承系统的控制方法。
由于本实施例的处理器所实现的处理及功能基本相应于前述方法的实施例、原理和实例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
采用本发明的技术方案，通过利用线性扩张状态观测器(LESO)，确定磁轴承系统的观测扰动(即总扰动)；并构建随机森林回归(RFR)模型，利用随机森林回归(RFR)模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿，提升磁轴承系统的控制器的控制性能。
综上，本领域技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (13)
1.一种磁轴承系统的控制方法，其特征在于，所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数；针对n个自由度中的任一个自由度，所述磁轴承系统的控制方法，包括：
利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动；以及，
利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动；
根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移；
其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量；
利用线性扩张状态观测器，确定磁轴承系统的观测扰动即总扰动；并构建随机森林回归模型，利用随机森林回归模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿。
2.根据权利要求1所述的磁轴承系统的控制方法，其特征在于，所述观测设备，包括：扩张状态观测器；
利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：
利用扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
3.根据权利要求1或2所述的磁轴承系统的控制方法，其特征在于，所述预测模型，包括：随机森林回归模型；
利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：
构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
4.根据权利要求3所述的磁轴承系统的控制方法，其特征在于，构建随机森林回归模型，包括：
按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集；并将所述m组数据中的另一部分数据，作为验证样本；m为自然数；
利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。
5.根据权利要求3所述的磁轴承系统的控制方法，其特征在于，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：
利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
6.一种磁轴承系统的控制装置，其特征在于，所述磁轴承系统，包括：轴承转子，以及n个自由度的轴承线圈，n为正整数；针对n个自由度中的任一个自由度，所述磁轴承系统的控制装置，包括：
获取单元，被配置为利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动；以及，
所述获取单元，还被配置为利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动；
控制单元，被配置为根据所述观测扰动和所述预测扰动，确定所述磁轴承系统的控制量，以根据所述磁轴承系统的控制量，控制所述轴承转子的悬浮位移；
其中，所述磁轴承系统的控制量，是通过控制该一个自由度的轴承线圈，控制所述轴承转子的控制量；
利用线性扩张状态观测器，确定磁轴承系统的观测扰动即总扰动；并构建随机森林回归模型，利用随机森林回归模型确定磁轴承系统的预测扰动，进而，利用磁轴承系统的观测扰动与磁轴承系统的预测扰动，对磁轴承系统的控制量进行补偿。
7.根据权利要求6所述的磁轴承系统的控制装置，其特征在于，所述观测设备，包括：扩张状态观测器；
所述获取单元，利用观测设备，观测所述磁轴承系统的总扰动，得到所述磁轴承系统的观测扰动，包括：
利用扩张状态观测器，观测所述磁轴承系统的总扰动，以得到所述磁轴承系统的观测扰动。
8.根据权利要求6或7所述的磁轴承系统的控制装置，其特征在于，所述预测模型，包括：随机森林回归模型；
所述获取单元，利用预测模型，预测所述磁轴承系统的至少部分扰动，得到所述磁轴承系统的预测扰动，包括：
构建随机森林回归模型，并利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动。
9.根据权利要求8所述的磁轴承系统的控制装置，其特征在于，所述获取单元，构建随机森林回归模型，包括：
按设定的采样间隔、以及每次采样的采样时间，从自抗扰控制器选取m组数据，对所述m组数据中的一部分数据进行数据预处理后，作为原始训练样本集；并将所述m组数据中的另一部分数据，作为验证样本；m为自然数；
利用随机森林算法，对所述原始训练样本集和所述验证样本集进行训练和验证，得到的模型，作为随机森林回归模型。
10.根据权利要求8所述的磁轴承系统的控制装置，其特征在于，所述获取单元，利用所述随机森林回归模型，预测所述磁轴承系统的至少部分扰动，以得到所述磁轴承系统的预测扰动，包括：
利用所述随机森林回归模型，基于自抗扰控制器的线性状态误差反馈模块的输出值u0、所述磁轴承系统的控制量、所述自抗扰控制器中扩张状态观测器对所述轴承转子的输出值的估计值、以及所述轴承转子的输出值的微分信号，输出所述磁轴承系统的预测扰动。
11.一种磁轴承系统，其特征在于，包括：如权利要求6至10中任一项所述的磁轴承系统的控制装置。
12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任一项所述的磁轴承系统的控制方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任一项所述的磁轴承系统的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826493.4A CN113467230B (zh) | 2021-07-21 | 2021-07-21 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826493.4A CN113467230B (zh) | 2021-07-21 | 2021-07-21 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113467230A CN113467230A (zh) | 2021-10-01 |
| CN113467230B true CN113467230B (zh) | 2022-07-15 |
Family
ID=77881709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110826493.4A Active CN113467230B (zh) | 2021-07-21 | 2021-07-21 | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113467230B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114735240B (zh) * | 2022-05-10 | 2023-02-03 | 北京航空航天大学 | 磁轴承可量测基础运动扰动补偿方法和装置 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103746627B (zh) * | 2013-12-31 | 2014-11-26 | 华北电力大学（保定） | 一种永磁同步电机直接转矩控制方法 |
| US9369073B1 (en) * | 2015-03-20 | 2016-06-14 | Linestream Technologies | Load-adaptive smooth startup method for sensorless field-oriented control of permanent magnet synchronous motors |
| CN108255060B (zh) * | 2018-01-22 | 2020-08-21 | 集美大学 | 基于极限学习机的船舶动力定位自抗扰控制方法 |
| CN108491564B (zh) * | 2018-01-30 | 2022-08-02 | 广东工业大学 | 基于预测模型和扰动快速消除的机械控制一体化设计方法 |
| CN109856976A (zh) * | 2019-03-12 | 2019-06-07 | 哈尔滨工程大学 | 一种基于自适应交叉粒子群优化的气垫船航迹跟踪自抗扰控制方法 |
| 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 |
| CN209842353U (zh) * | 2019-04-03 | 2019-12-24 | 江苏大学 | 交流径向磁轴承用神经网络自抗扰控制器 |
| CN110425220B (zh) * | 2019-07-26 | 2020-08-28 | 江苏大学 | 一种径向磁轴承改进抗扰动控制器的构造方法 |
| CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
| CN111580498A (zh) * | 2020-05-08 | 2020-08-25 | 北京航空航天大学 | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 |
| CN112532134A (zh) * | 2020-11-26 | 2021-03-19 | 江苏大学 | 五自由度磁悬浮电主轴最小二乘支持向量机优化控制系统 |
| CN112422007A (zh) * | 2020-11-26 | 2021-02-26 | 江苏大学 | 混合磁轴承最小二乘支持向量机优化控制系统的构造方法 |
| CN113110333A (zh) * | 2021-04-16 | 2021-07-13 | 上海电机学院 | 一种风电机组变桨距控制的改进自抗扰控制器和系统 |
-
2021
- 2021-07-21 CN CN202110826493.4A patent/CN113467230B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113467230A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Precise control of a four degree-of-freedom permanent magnet biased active magnetic bearing system in a magnetically suspended direct-driven spindle using neural network inverse scheme | |
| Cai et al. | Control synthesis of hidden semi-Markov uncertain fuzzy systems via observations of hidden modes | |
| US5144549A (en) | Time delay controlled processes | |
| CN113467230B (zh) | 一种磁轴承系统及其控制方法、装置、存储介质及处理器 | |
| Eissa et al. | Observer-based fault detection with fuzzy variable gains and its application to industrial servo system | |
| Kralev et al. | Design and experimental evaluation of robust controllers for a two-wheeled robot | |
| Li et al. | Rotating machinery monitoring and fault diagnosis with neural network enhanced fuzzy logic expert system | |
| Puccetti et al. | Actor-critic reinforcement learning for linear longitudinal output control of a road vehicle | |
| Simani et al. | Fault tolerant control of an offshore wind turbine model via identified fuzzy prototypes | |
| Patelski et al. | Extended state observer based parameter identification of the hovercraft system | |
| Götte et al. | Composed physics-and data-driven system identification for non-autonomous systems in control engineering | |
| Toha et al. | Parametric modelling of a TRMS using dynamic spread factor particle swarm optimisation | |
| Chen et al. | Particle swarm optimized command filtered backstepping control for an active magnetic bearing system | |
| Bao et al. | Model-free control design using policy gradient reinforcement learning in lpv framework | |
| Wang et al. | Reinforcement learning-based dynamic position control of mobile node for ocean sensor networks | |
| Zheng et al. | Disturbance rejection in MEMS gyroscope: Problems and solutions | |
| Awan et al. | Thrust estimation of quadrotor UAV using adaptive observer | |
| CN110531623A (zh) | 一种基于h∞原理的扰动观测器的吊舱系统的扰动补偿方法 | |
| Wang et al. | Active disturbance rejection attitude control for hypersonic vehicle based on intelligent stochastic robust optimization method | |
| Dhaliwal | State estimation and parameter identification of continuous-time nonlinear systems | |
| Hubatka et al. | Tuning guidelines for generalized notch filters used for unbalance compensation for magnetic bearings | |
| Chang et al. | Reinforcement learning-based two-wheel robot control | |
| Cho et al. | Modelling and system identification of active magnetic bearing systems | |
| CN118011788A (zh) | 一种磁轴承控制方法、装置、介质、电子设备及系统 | |
| CN111301178B (zh) | 一种基于状态观测器的磁浮列车pid控制方法 |
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 |