CN113777921A - 目标设备的控制方法、系统、存储介质及计算机设备 - Google Patents
目标设备的控制方法、系统、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN113777921A CN113777921A CN202110997891.2A CN202110997891A CN113777921A CN 113777921 A CN113777921 A CN 113777921A CN 202110997891 A CN202110997891 A CN 202110997891A CN 113777921 A CN113777921 A CN 113777921A
- Authority
- CN
- China
- Prior art keywords
- data
- fuzzy
- output
- disturbance
- input
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例公开了一种目标设备的控制方法、系统、存储介质及计算机设备,方法包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,主输出数据为采集运行参数时,控制目标设备的运行参数运行至目标运行值的数据;将前馈数据及主输出数据叠加,得到当前输出数据;利用当前输出数据控制目标设备的运行状态。能够针对扰动源,对目标设备做出前馈控制,从而提升对目标设备的用户体验。
Description
技术领域
本发明涉及设备控制技术领域,尤其涉及一种目标设备的控制方法、系统、存储介质及计算机设备。
背景技术
随着科技的发展,出现的一些目标设备越来越自动化,但是,在自动化控制的时候,会有一些扰动源,使得目标设备不能被及时地自动化控制,导致用户体验较差。以场景内空调的温度控制为例,若场景为车厢,当地铁到站后,车厢内人数在几秒钟之内快速变化,对车厢内热负载造成剧烈扰动。然而此时的自动控制系统并未感应到热负载发生了变化,或者变化有多大,只有在空调的回风口处的温度达到了变化阈值,控制系统才会控制空调降温进行调节,由于温度变化的滞后性,空调回风口处的温度变化往往要滞后于负载变化,这就会导致空调反应不够及时,最终形成车厢内温度波动,乘客体验变差。
因此,如何降低多个扰动源对目标设备自动化控制的影响,对提升目标设备的用户体验具有重要意义。
发明内容
基于此,有必要针对上述问题,提出了一种目标设备的控制方法、系统、存储介质及计算机设备。
本发明第一方面提供一种目标设备的控制方法,包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至所述目标运行值所需要的数据;将所述前馈数据及所述主输出数据叠加,得到当前输出数据;利用所述当前输出数据控制所述目标设备的运行状态。
其中,所述模糊算法至少包括:第一隶属度函数、模糊规则表及第二隶属度函数,所述第一隶属度函数的数量不小于所述扰动源的数量,每个所述扰动参数至少有一个对应的第一隶属度函数;所述利用预先生成的模糊算法对扰动参数进行计算,生成前馈数据,包括:获取扰动源的扰动参数;利用所述第一隶属度函数分别对所有的所述扰动参数进行模糊化处理,生成每个所述扰动参数对应的输入模糊子集,一个所述输入模糊子集表示一个输入模糊数据;在所述模糊规则表内筛选一个输出子集,一个所述输出子集表示一个输出模糊数据,所述输出模糊数据映射有所述输入模糊数据;利用所述第二隶属度函数对筛选出的所述输出子集进行解模糊处理,生成所述前馈数据。
其中,所述利用所述第一隶属度函数分别对所有的所述扰动参数进行模糊化处理,生成每个所述扰动参数对应的输入模糊子集,包括:利用所述第一隶属度函数分别计算所有所述扰动参数的隶属度;在预设的第一数量的输入子集内,分别选择隶属度与各个扰动参数的隶属度最大值相同的、且参数数据与扰动参数相同的输入子集,得到每个所述扰动参数对应的输入模糊数据,所述输入子集包含隶属度、输入模糊数据及参数数据;将选择的各个输入子集分别设置为每个扰动参数对应的所述输入模糊子集。
其中,所述在所述模糊规则表内筛选一个输出子集,包括:获取模糊规则表,并获取所述模糊规则表内,每个输出子集表示的输出模糊数据与每个扰动参数的输入模糊子集表示的输入模糊数据的映射关系;根据所述映射关系,对照每个扰动参数对应的所述输入模糊子集内的输入模糊数据与所述模糊规则表内输出子集的输出模糊数据;在所述模糊规则表内筛选出一个映射了各个所述输入模糊子集表示的输入模糊数据的输出模糊数据,并筛选所述输出模糊数据对应的所述输出子集。
其中,所述利用所述第二隶属度函数对筛选出的所述输出子集进行解模糊处理,生成所述前馈数据,包括:利用所述第二隶属度函数计算所有所述输出子集的隶属度;在预设的第三数量的输出模糊子集内,分别筛选与所述输出子集的隶属度相同、输出模糊数据相同的输出模糊子集,所述输出模糊子集包含隶属度、输出模糊数据、用于控制目标设备的前馈数据;选择所有筛选出的所述输出模糊子集中,隶属度最小的输出模糊子集中的所述前馈数据进行输出。
其中,所述扰动参数的获取方法包括:获取至少两种直接或间接反映所述目标设备运行状态发生扰动的因素传感器信号;将不同种类的所述因素传感器信号转化为反映所述目标设备在不同维度产生扰动的扰动数值,生成扰动参数。
其中,所述扰动参数及所述运行参数的获取,为间隔预设时间的周期性获取。
本发明第二方面提供一种目标设备的控制系统,所述系统包括:数据生成模块,用于利用预先构建的模糊算法对每一个所述扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至所述目标运行值所需要的数据;数据叠加模块,用于将所述前馈数据及所述主输出数据叠加,得到当前输出数据;数据输出模块,用于利用所述当前输出数据控制所述目标设备的运行状态。
本发明第三方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
本发明第一方面提供一种目标设备的控制方法,包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至所述目标运行值所需要的数据;将所述前馈数据及所述主输出数据叠加,得到当前输出数据;利用所述当前输出数据控制所述目标设备的运行状态。
本发明第四方面提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
本发明第一方面提供一种目标设备的控制方法,包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至所述目标运行值所需要的数据;将所述前馈数据及所述主输出数据叠加,得到当前输出数据;利用所述当前输出数据控制所述目标设备的运行状态。
采用本发明实施例,具有如下有益效果:
通过使用模糊算法对扰动源的扰动参数进行计算,生成前馈数据,使得最终计算出的当前输出数据,能够针对扰动源,对目标设备做出前馈控制,从而降低扰动源的对目标设备自动化控制的影响,提升目标设备的用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中目标设备的控制方法的流程图;
图2为一个实施例中第一隶属度函数在二维坐标系内的示意图;
图3为一个实施例中第二隶属度函数在二维坐标系内的示意图;
图4为一个实施例中地铁车厢空调温度控制的流程图;
图5为一个实施例中地铁车厢空调温度控制使用的三维模糊规则表的示意图;
图6为一个实施例中地铁车厢空调温度控制使用的第二隶属度函数在二维坐标系内的示意图;
图7为一个实施例中目标设备的控制系统的结构框图;
图8为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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作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。
如图1所示,在一个实施例中,提供了一种目标设备的控制方法,包括如下步骤:
S101、利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据;
S102、将前馈数据及主输出数据叠加,得到当前输出数据;
S103、利用当前输出数据控制目标设备的运行状态。
在步骤S101中,可以使用不同维度的扰动参数,这代表了不同维度的扰动源,这些扰动源的扰动参数的采集,可以是目标设备采集的参数,也可以是目标设备之外的设备采集的参数,以场景内空调的温度控制为例,若场景为地铁车厢,目标设备为地铁车厢内的空调,则对地铁车厢的热负载造成变化的原因,均可以成为扰动源,每一个原因即表示一个维度的扰动源,例如车厢外温度、车站温度、车厢重量变化,都可以成为扰动源,而采集的这些扰动源造成的扰动参数,分别具有不同的维度,且需要使用目标设备之外的设备采集干扰参数。
在步骤S101中,目标设备的运行参数,为在执行步骤S101时,目标设备运行状态的实际运行数据;目标运行值,为预先设定的目标设备需要达到的目标运行数据;具体采集运行参数及扰动参数时,采用间隔预设时间的周期性获取的方法,在本实施例中,预设时间可以是1毫秒、2毫秒、3毫秒等较短的时间,在较短的时间周期内,获取运行参数及扰动参数,可以近似看做实时获取,从而及时地将运行参数及扰动参数进行计算,并对目标设备的运行状态做出前馈控制。
在步骤S101中,模糊算法至少包括:第一隶属度函数、模糊规则表及第二隶属度函数,用于对所有维度的扰动参数进行计算,计算的过程主要包括使用第一隶属度函数、模糊规则表及第二隶属度函数分别对扰动参数进行模糊化、模糊推理及清晰化三部分;其中,第一隶属度函数的数量不小于扰动源的数量,每个扰动参数至少有一个对应的第一隶属度函数;在本实施例中,第一隶属度函数的数量与扰动源的数量相同,第一隶属度函数与扰动参数一一对应。
其中,第一隶属度函数有多个,具体数量可等于扰动源的数量,一个第一隶属度函数对应一个扰动参数,用于计算对应扰动参数的隶属度,可以知道的是,由于扰动参数的扰动源不同,因此每个扰动参数对应的第一隶属度函数也可不相同。
在步骤S101中,生成的前馈数据,用于扰动源对目标设备造成的影响进行前馈控制。主输出数据,则是在采集运行参数时,控制目标设备从运行参数运行至目标运行值所需要的数据,例如此时由于非扰动源的原因,目标设备自带传感器检测到异常,需要进行控制以调整目标设备的运行参数,则主输出数据能够根据目标设备自带传感器检测到的运行参数与目标运行值之间的差值进行调整。
在步骤S102中,将前馈数据与主输出数据叠加,则能够得到具有前馈控制的当前输出数据,步骤S103使用当前输出数据,则能够基于多个扰动源,对目标设备进行前馈控制,从而降低多个扰动源对目标设备的影响。
本实施例提供的目标设备的控制方法,通过使用模糊算法对扰动源的扰动参数进行计算,生成前馈数据,使得最终计算出的当前输出数据,能够针对扰动源,对目标设备做出前馈控制,从而降低扰动源的对目标设备自动化控制的影响,提升目标设备的用户体验。
在一个实施例中,扰动源至少有两个,且具有不同的维度,而当扰动源至少有两个,且为不同维度时,通过使用模糊算法对至少两个扰动源的扰动参数进行计算,生成前馈数据使得最终计算出的当前输出数据,能够针对至少两个扰动源,对目标设备做出前馈控制,从而降低至少两个扰动源的对目标设备自动化控制的影响,提升目标设备的用户体验,降低了对目标设备寿命的影响、减少了耗能、降低了目标设备故障的几率。
在一个实施例中,步骤S101中,利用预先生成的模糊算法对每一个扰动参数进行计算,生成前馈数据,包括:
S1011、获取扰动源的扰动参数;
S1012、利用第一隶属度函数分别对所有的扰动参数进行模糊化处理,生成每个扰动参数对应的输入模糊子集,一个输入模糊子集表示一个输入模糊数据;
S1013、在模糊规则表内筛选一个输出子集;
S1014、利用第二隶属度函数对筛选出的输出子集进行解模糊处理,生成前馈数据。
在本实施例中,模糊算法的构建方法至少包括:构建计算不同维度的扰动参数的第一隶属度函数;构建模糊规则表;构建第二隶属度函数;第一隶属度函数用于对扰动参数进行模糊化处理,得到输入模糊子集;模糊规则表由专家经验制定和生成,其内包含第二数量的输出子集,每个输出子集均表示一个输出模糊数据;筛选出的一个输出子集表示的输出模糊数据映射有各个扰动参数对应的输入模糊子集表示的输入模糊数据,因此在步骤S1013中,筛选出的一个输出子集,表示一个输出模糊数据,输出模糊数据映射有输入模糊数据。
其中,第一隶属度函数及第二隶属度函数在二维坐标系内的形状可以是三角形、钟型等。
在一个实施例中,步骤S1012中,利用第一隶属度函数分别对所有的扰动参数进行模糊化处理,生成每个扰动参数对应的输入模糊子集,包括:
S10121、利用第一隶属度函数分别计算所有扰动参数的隶属度;
S10122、在预设的第一数量的输入子集内,分别选择隶属度与各个扰动参数的隶属度最大值相同的、且参数数据与扰动参数相同的输入子集,得到每个扰动参数对应的输入模糊数据,输入子集包含隶属度、输入模糊数据及参数数据;
S10123、将选择的各个输入子集分别设置为每个扰动参数对应的输入模糊子集。
在本实施例中,如图2所示,图2表示了一个第一隶属度函数,横坐标为扰动参数的具体数值,纵坐标为隶属度,输入模糊子集包括图2中的字母和数字,P表示“正向”,N表示“负向”,例如,P1代表的模糊数据表示扰动参数略大,P2代表的模糊数据表示扰动参数很大,Z代表的模糊数据表示扰动参数不大不小,N1代表的模糊数据表示扰动参数略小,N2代表的模糊数据表示扰动参数很小。再以扰动参数为8的A点为例,根据图2可知,其既属于P1,又属于P2,对应的隶属度分别为0.75和0.25。
在通过步骤S10121计算出扰动参数的隶属度之后,如上述,一个扰动参数可能会对应存在第三数量的子集,在本实施例中,第三数量为两个,此时筛选出一个隶属度最大的输入子集。
由于每个扰动参数对应的输入子集不一样,因此需要使用S10123,将筛选出的输入子集作为输入模糊子集,完成模糊化处理。
在一个实施例中,步骤S1013中,在模糊规则表内筛选一个输出子集,包括:
S10131、获取模糊规则表,并获取模糊规则表内,每个输出子集表示的输出模糊数据与每个扰动参数的输入模糊子集表示的输入模糊数据的映射关系;
S10132、根据映射关系,对照每个扰动参数对应的输入模糊子集内的输入模糊数据与模糊规则表内输出子集的输出模糊数据;
S10133、在模糊规则表内筛选出一个映射了各个输入模糊子集表示的输入模糊数据的输出模糊数据,并筛选输出模糊数据对应的输出子集。
在本实施例中,模糊规则表由专家经验指定和生成,例如,如表1所示的模糊规则表,是二维模糊规则表,其对应的干扰参数也是处于不同维度的两个,分别为第一干扰参数及第二干扰参数,若经过上述实施例,分别对第一干扰参数、第二干扰参数进行模糊化处理后,得到了第一干扰参数对应的输入模糊子集P1,第二干扰参数对应的输入模糊子集P2,则在步骤S10132中,经过两个参数以及对应的输入模糊子集P1、P2对照模糊规则表可进行步骤S10133,筛选出输出子集为N3。
表1二维模糊规则表
经过模糊推理之后,得到一个输出值所对应的输出子集N3。而N3代表了一个输出模糊数据,其并非一个确切数值,无法直接输出参与控制,需要进行最后一步“清晰化”(也称为“解模糊”)过程,即将模输出糊子集转化为具体数值,这一步需要根据输出量的隶属度函数来实现。
在一个实施例中,步骤S1014中,所利用第二隶属度函数对筛选出的输出子集进行解模糊处理,生成前馈数据,包括:
S10141、利用第二隶属度函数计算所有输出子集的隶属度;
S10142、在预设的第三数量的输出模糊子集内,分别筛选与输出子集的隶属度相同、输出模糊数据相同的输出模糊子集,输出模糊子集包含隶属度、输出模糊数据、用于控制目标设备的前馈数据;
S10143、选择所有筛选出的输出模糊子集中,隶属度最小的输出模糊子集中的前馈数据进行输出。
在步骤S10142中,第三数量可以是13,也可以是其他数量,例如5-12,14-21中的任意一个数字。
在本实施例中,以输出子集为图3所示中的N3,经过S10141计算后,其隶属度为0.8为例,图3表示了第二隶属度函数,有13个子集,分别为N6-N1、Z、P1-P6,则根据图3可知,隶属度为0.8的N3输出子集,对应的横坐标-输出参数即为-16,假设输出量单位为%,那么该结果就可以表示为:目标设备的输出量“减小16%”,或者“负向增加16%”,具体说法要结合目标设备的具体情况而定,例如,目标设备为空调,则该上述结果可以表示为温度负向增加16%。
在一个实施例中,扰动参数的获取方法可以使用传感器处获取,也可以获取人工采集的扰动参数。
在本实施例中,扰动参数的获取方法可以使用传感器处获取,具体地,扰动参数的获取方法包括:获取至少两种能够直接或间接反映目标设备运行状态发生扰动的因素传感器信号;将不同种类的因素传感器信号转化为反映目标设备在不同维度产生扰动的扰动数值,生成扰动参数。
在其他实施例中,扰动参数的获取方法包括:接收人工采集的扰动参数。
在本实施例中,通过采集至少两种因素传感器信号,可以将这些因素传感器信号转化为不同维度的扰动参数,从而进行采集。仍以场景内空调的温度控制为例,若场景为地铁车厢,目标设备为地铁内的空调,则因素传感器可以是重量传感器,用于采集车厢的重量变化信号,因素传感器还可以是不同的温度传感器,分别采集车厢外的温度变化信号,车站温度的变化信号;这些变化信号经过转换,生成不同维度的扰动参数。
在一个实施例中,方法还包括:判断目标设备是否结束运行;若是,则结束对目标设备运行状态的控制;若否,则采集目标设备的运行参数及扰动参数,以利用运行参数及扰动参数生成当前输出数据,并利用当前输出数据控制目标设备的运行状态。
在本实施例中,会对目标设备的运行状态进行判断,且在目标设备关闭时,则无需采集运行参数及扰动参数,也不控制目标设备的运行状态,从而减少能耗。
在一个实施例中,以场景内空调的温度控制为例,若场景为地铁车厢,目标设备为地铁内的空调,由于地铁中装有测量车厢重量的传感器,车厢重量的变化能够间接反映人员变化,而人体携带的热量,会对车厢温度产生影响,因此该信号可作为扰动信号。
另外,由于人体的体表、衣物、行李等都有一定的蓄热效应,室外温度越高,刚上车的人携带的热量也往往较多。此外,车厢开门会导致车站热负荷流入,这也是一个不可忽视的扰动因素。因此,本实施例从车厢重量变化、室外温差(室外温度-车厢温度)、车站温差(车站温度-车厢温度)三个维度进行模糊推理,把模糊算法的输出作为前馈,使空调提前动作。
在本实施例中,需要在目标设备控制的基础上增加前馈控制,前馈控制仅在系统出现突发性强扰动时提前对执行器件输出进行弥补,达到削弱系统波动的目的,因此输入参数是所有与扰动强相关的参数。
由于模糊推理过程对模糊规则表的维度数量依赖性并不强,可很容易在不改变现有的模糊推理规则的基础上加入新的维度,且保持整体算法框架不变,在本实施例中,模糊规则表是三维表格,如表2所示:
表2三维模糊规则表
模糊算法主要分为模糊化、模糊推理、解模糊三部分。模糊化过程是基于每个输入参数的隶属度函数进行的,常见的隶属度函数有三角形和钟形等。模糊推理过程是基于模糊规则表进行的,专家经验也主要是体现在此环节,因为模糊规则表是根据专家经验定制的,模糊规则表的质量很大程度上决定着整个模糊控制算法的质量。借模糊过程是基于输出参数的隶属度函数进行的,相当于模糊化的反向过程。隶属度函数的形状及模糊子集数量可根据专家经验制定。本案例采取三角形函数,输入参数均定义5个输入模糊子集,输出参数定义13个输出模糊子集,则模糊化的过程如图4所示,进行模糊推理时,使用的模糊规则表如图5所示,进行清晰化时,使用的第二隶属度函数如图6所示。
在图4和图6中,输入模糊子集和输出模糊子集P表示正向,N表示负向,Z表示没变化,数字表示程度。例如,对于车厢重量变化程度而言,P2表示“车厢重了很多”,N1表示“车厢轻了一点”,Z表示“车厢重量基本没变”。
请参阅图7,在一个实施例中,本发明还提供一种目标设备的控制系统,包括:数据生成模块1、数据叠加模块2及数据输出模块3;数据生成模块1用于利用预先构建的模糊算法对每一个扰动参数进行计算,生成前馈数据;并利用预先构建的目标设备控制算法对运行参数进行计算,生成主输出数据,主输出数据为控制目标设备从运行参数运行至目标运行值所需要的数据;数据叠加模块2用于将前馈数据及主输出数据叠加,得到当前输出数据;数据输出模块3用于利用当前输出数据控制目标设备的运行状态。
本实施例的目标设备的控制系统,通过使用模糊算法对扰动源的扰动参数进行计算,生成的前馈数据,使得最终计算出的当前输出数据,能够针对扰动源,对目标设备做出前馈控制,从而降低扰动源的对目标设备自动化控制的影响,提升目标设备的用户体验。
在一个实施例中,模糊算法至少包括:第一隶属度函数、模糊规则表及第二隶属度函数。
数据生成模块1包括:数据采集单元、模糊处理单元、模糊推理单元及解模糊单元;数据采集单元用于获取扰动源的扰动参数;模糊处理单元用于利用第一隶属度函数分别对所有的扰动参数进行模糊化处理,生成每个扰动参数对应的输入模糊子集,一个输入模糊子集表示一个输入模糊数据;模糊推理单元用于在模糊规则表内筛选一个输出子集,上述的一个输出子集表示一个输出模糊数据,上述的输出模糊数据映射有输入模糊数据;解模糊单元用于利用第二隶属度函数对筛选出的输出子集进行解模糊处理,生成前馈数据。
在一个实施例中,模糊处理单元包括:第一隶属度计算子单元、第一筛选子单元及输入模糊子集设置子单元;第一隶属度计算子单元用于利用第一隶属度函数分别计算所有扰动参数的隶属度;第一筛选子单元用于在预设的第一数量的输入子集内,分别选择隶属度与各个扰动参数的隶属度最大值相同的、且参数数据与扰动参数相同的输入子集,得到每个扰动参数对应的输入模糊数据,输入子集包含隶属度、输入模糊数据及参数数据;输入模糊子集设置子单元用于将选择的各个输入子集分别设置为每个扰动参数对应的输入模糊子集。
在一个实施例中,模糊推理单元包括:获取子单元、对照子单元及第二筛选子单元;获取子单元用于获取模糊规则表,并获取模糊规则表内,每个输出子集表示的输出模糊数据与每个扰动参数的输入模糊子集表示的输入模糊数据的映射关系;对照子单元用于根据映射关系,对照每个扰动参数对应的输入模糊子集内的输入模糊数据与模糊规则表内输出子集的输出模糊数据;第二筛选子单元用于在模糊规则表内筛选出一个映射了各个输入模糊子集表示的输入模糊数据的输出模糊数据,并筛选输出模糊数据对应的输出子集。
在一个实施例中,解模糊单元包括:第二隶属度计算子单元、第三筛选子单元及前馈数据选择子单元;第二隶属度计算子单元用于利用第二隶属度函数计算所有输出子集的隶属度;第三筛选子单元用于在预设的第三数量的输出模糊子集内,分别筛选与输出子集的隶属度相同、输出模糊数据相同的输出模糊子集,输出模糊子集包含隶属度、输出模糊数据、用于控制目标设备的前馈数据;前馈数据选择子单元用于选择所有筛选出的输出模糊子集中,隶属度最小的输出模糊子集中的前馈数据进行输出。
在一个实施例中,数据采集单元包括:信号获取子单元、参数生成子单元;信号获取子单元用于获取至少两种直接或间接反映目标设备运行状态发生扰动的因素传感器信号;参数生成子单元用于将不同种类的因素传感器信号转化为反映目标设备在不同维度产生扰动的扰动数值,生成扰动参数。
在一个实施例中,目标设备的控制系统还包括:判断模块及执行模块,判断模块用于判断目标设备是否结束运行;执行模块用于若判断模块的判断为是,则结束对目标设备运行状态的控制;若判断模块的判断为否,则采集目标设备的运行参数及扰动参数,以利用运行参数及扰动参数生成当前输出数据,并利用当前输出数据控制目标设备的运行状态。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现目标设备的控制方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行目标设备的控制方法。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
本发明第一方面提供一种目标设备的控制方法,包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,主输出数据为控制目标设备从运行参数运行至目标运行值所需要的数据;将前馈数据及主输出数据叠加,得到当前输出数据;利用当前输出数据控制目标设备的运行状态。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
本发明第一方面提供一种目标设备的控制方法,包括:利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,主输出数据为控制目标设备从运行参数运行至目标运行值所需要的数据;将前馈数据及主输出数据叠加,得到当前输出数据;利用当前输出数据控制目标设备的运行状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标设备的控制方法,其特征在于,所述方法包括:
利用预先构建的模糊算法对扰动源的扰动参数进行计算,生成前馈数据;
利用预先构建的目标设备控制算法对目标设备的运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至目标运行值所需要的数据;
将所述前馈数据及所述主输出数据叠加,得到当前输出数据;
利用所述当前输出数据控制所述目标设备的运行状态。
2.根据权利要求1所述的目标设备的控制方法,其特征在于,
所述模糊算法至少包括:第一隶属度函数、模糊规则表及第二隶属度函数,所述第一隶属度函数的数量不小于所述扰动源的数量,每个所述扰动参数至少有一个对应的第一隶属度函数;
所述利用预先生成的模糊算法对扰动参数进行计算,生成前馈数据,包括:
获取扰动源的扰动参数;
利用所述第一隶属度函数分别对所有的所述扰动参数进行模糊化处理,生成每个所述扰动参数对应的输入模糊子集,一个所述输入模糊子集表示一个输入模糊数据;
在所述模糊规则表内筛选一个输出子集,一个所述输出子集表示一个输出模糊数据,所述输出模糊数据映射有所述输入模糊数据;
利用所述第二隶属度函数对筛选出的所述输出子集进行解模糊处理,生成所述前馈数据。
3.根据权利要求2所述的目标设备的控制方法,其特征在于,
所述利用所述第一隶属度函数分别对所有的所述扰动参数进行模糊化处理,生成每个所述扰动参数对应的输入模糊子集,包括:
利用所述第一隶属度函数分别计算所有所述扰动参数的隶属度;
在预设的第一数量的输入子集内,分别选择隶属度与各个扰动参数的隶属度最大值相同的、且参数数据与扰动参数相同的输入子集,所述输入子集包含隶属度、输入模糊数据及参数数据;将选择的各个输入子集分别设置为每个扰动参数对应的所述输入模糊子集。
4.根据权利要求2所述的目标设备的控制方法,其特征在于,
所述在所述模糊规则表内筛选一个输出子集,包括:
获取模糊规则表,并获取所述模糊规则表内,每个输出子集表示的输出模糊数据与每个扰动参数的输入模糊子集表示的输入模糊数据的映射关系;
根据所述映射关系,对照每个扰动参数对应的所述输入模糊子集内的输入模糊数据与所述模糊规则表内输出子集的输出模糊数据;
在所述模糊规则表内筛选出一个映射了各个所述输入模糊子集表示的输入模糊数据的输出模糊数据,并筛选所述输出模糊数据对应的所述输出子集。
5.根据权利要求2所述的目标设备的控制方法,其特征在于,
所述利用所述第二隶属度函数对筛选出的所述输出子集进行解模糊处理,生成所述前馈数据,包括:
利用所述第二隶属度函数计算所有所述输出子集的隶属度;
在预设的第三数量的输出模糊子集内,分别筛选与所述输出子集的隶属度相同、输出模糊数据相同的输出模糊子集,所述输出模糊子集包含隶属度、输出模糊数据、用于控制目标设备的前馈数据;
选择所有筛选出的所述输出模糊子集中,隶属度最小的输出模糊子集中的所述前馈数据进行输出。
6.根据权利要求2所述的目标设备的控制方法,其特征在于,
所述扰动参数的获取方法包括:
获取至少两种直接或间接反映所述目标设备运行状态发生扰动的因素传感器信号;
将不同种类的所述因素传感器信号转化为反映所述目标设备在不同维度产生扰动的扰动数值,生成扰动参数。
7.根据权利要求1所述的目标设备的控制方法,其特征在于,
所述扰动参数及所述运行参数的获取,为间隔预设时间的周期性获取。
8.一种目标设备的控制系统,其特征在于,所述系统包括:
数据生成模块,用于利用预先构建的模糊算法对扰动参数进行计算,生成前馈数据;利用预先构建的目标设备控制算法对运行参数进行计算,生成主输出数据,所述主输出数据为控制所述目标设备从所述运行参数运行至所述目标运行值所需要的数据;
数据叠加模块,用于将所述前馈数据及所述主输出数据叠加,得到当前输出数据;
数据输出模块,用于利用所述当前输出数据控制所述目标设备的运行状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述目标设备的控制方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述目标设备的控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997891.2A CN113777921A (zh) | 2021-08-27 | 2021-08-27 | 目标设备的控制方法、系统、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997891.2A CN113777921A (zh) | 2021-08-27 | 2021-08-27 | 目标设备的控制方法、系统、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113777921A true CN113777921A (zh) | 2021-12-10 |
Family
ID=78839645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997891.2A Pending CN113777921A (zh) | 2021-08-27 | 2021-08-27 | 目标设备的控制方法、系统、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777921A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0633743A (ja) * | 1992-07-13 | 1994-02-08 | Toshiba Corp | 脱硝制御装置 |
CN102631828A (zh) * | 2012-03-19 | 2012-08-15 | 杭州电子科技大学 | 一种煤泥流化床锅炉干法脱硫模糊控制方法 |
CN103095204A (zh) * | 2013-01-09 | 2013-05-08 | 重庆交通大学 | 伺服电机抗干扰补偿控制系统及控制方法 |
CN104836248A (zh) * | 2015-05-20 | 2015-08-12 | 沈阳工业大学 | 适用于风电机组的混合储能系统及控制方法 |
CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制系统 |
CN111459022A (zh) * | 2020-04-21 | 2020-07-28 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
CN112118602A (zh) * | 2020-08-27 | 2020-12-22 | 重庆邮电大学 | 基于区间二型模糊神经网络的垂直切换算法 |
CN112206645A (zh) * | 2019-07-10 | 2021-01-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种火电厂脱硫效率控制方法及系统 |
-
2021
- 2021-08-27 CN CN202110997891.2A patent/CN113777921A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0633743A (ja) * | 1992-07-13 | 1994-02-08 | Toshiba Corp | 脱硝制御装置 |
CN102631828A (zh) * | 2012-03-19 | 2012-08-15 | 杭州电子科技大学 | 一种煤泥流化床锅炉干法脱硫模糊控制方法 |
CN103095204A (zh) * | 2013-01-09 | 2013-05-08 | 重庆交通大学 | 伺服电机抗干扰补偿控制系统及控制方法 |
CN104836248A (zh) * | 2015-05-20 | 2015-08-12 | 沈阳工业大学 | 适用于风电机组的混合储能系统及控制方法 |
CN112206645A (zh) * | 2019-07-10 | 2021-01-12 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种火电厂脱硫效率控制方法及系统 |
CN111306572A (zh) * | 2020-04-13 | 2020-06-19 | 辽宁汇德电气有限公司 | 一种锅炉智能优化燃烧节能控制系统 |
CN111459022A (zh) * | 2020-04-21 | 2020-07-28 | 深圳市英维克信息技术有限公司 | 设备参数调整方法、设备控制装置和计算机可读存储介质 |
CN112118602A (zh) * | 2020-08-27 | 2020-12-22 | 重庆邮电大学 | 基于区间二型模糊神经网络的垂直切换算法 |
Non-Patent Citations (1)
Title |
---|
包芳;潘永惠;须文波;: "基于神经-模糊控制系统的移动机器人动态路径规划", 计算机工程与应用, no. 10, pages 221 - 225 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quan et al. | A survey of computational intelligence techniques for wind power uncertainty quantification in smart grids | |
Blej et al. | Comparison of Mamdani-type and Sugeno-type fuzzy inference systems for fuzzy real time scheduling | |
Kenné et al. | Simultaneous control of production, preventive and corrective maintenance rates of a failure-prone manufacturing system | |
CN101288089B (zh) | 基于负荷预测的神经网络的在线和离线训练 | |
CN107230977A (zh) | 基于误差修正和提升小波组合预测模型的风电功率预测方法 | |
CN111325416A (zh) | 预测叫车平台的用户流失的方法和装置 | |
Levent et al. | Energy management for microgrids: a reinforcement learning approach | |
CN115409649A (zh) | 风电场能量管理系统及其方法 | |
Junior et al. | Optimized hybrid ensemble learning approaches applied to very short-term load forecasting | |
Cetinkaya | Long-term electrical load forecasting based on economic and demographic data for Turkey | |
CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
CN110852522B (zh) | 一种短期电力负荷预测方法及系统 | |
Rodríguez et al. | Ensemble forecaster based on the combination of time-frequency analysis and machine learning strategies for very short-term wind speed prediction | |
Yu et al. | Six sigma robust optimization method based on a pseudo single-loop strategy and RFR-DBN with insufficient samples | |
CN113777921A (zh) | 目标设备的控制方法、系统、存储介质及计算机设备 | |
Lee et al. | Novel architecture of energy management systems based on deep reinforcement learning in microgrid | |
CN115236978B (zh) | 基于预测车速的等效因子调整系统及方法 | |
EP4331069A1 (en) | Predicting grid frequency | |
Fang et al. | Human–machine shared control for path following considering driver fatigue characteristics | |
Jozi et al. | Day ahead electricity consumption forecasting with MOGUL learning model | |
Kveton et al. | An MCMC approach to solving hybrid factored MDPs | |
Molin et al. | Order reduction in optimal event-triggered control design for linear stochastic systems | |
Anh | Fuzzy load forecast with optimized parametric adjustment using jaya optimization algorithm | |
Kondalu et al. | Vehicle suspension system control by using adaptive fuzzy controller | |
Farrell et al. | Self-organizing approximation based control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |