CN114109793B - 往复电磁泵输出功率稳定控制方法、系统和电子设备 - Google Patents

往复电磁泵输出功率稳定控制方法、系统和电子设备 Download PDF

Info

Publication number
CN114109793B
CN114109793B CN202111415147.3A CN202111415147A CN114109793B CN 114109793 B CN114109793 B CN 114109793B CN 202111415147 A CN202111415147 A CN 202111415147A CN 114109793 B CN114109793 B CN 114109793B
Authority
CN
China
Prior art keywords
vector
power
frequency
correlation
feature
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
CN202111415147.3A
Other languages
English (en)
Other versions
CN114109793A (zh
Inventor
贺锡魁
殷敏
许集兴
柳瑞尧
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.)
Shenzhen Zhuoli Intelligent Manufacturing Co ltd
Original Assignee
Shenzhen Zhuoli Intelligent Manufacturing Co ltd
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 Shenzhen Zhuoli Intelligent Manufacturing Co ltd filed Critical Shenzhen Zhuoli Intelligent Manufacturing Co ltd
Priority to CN202111415147.3A priority Critical patent/CN114109793B/zh
Publication of CN114109793A publication Critical patent/CN114109793A/zh
Application granted granted Critical
Publication of CN114109793B publication Critical patent/CN114109793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F04B49/065—Control using electricity and making use of computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B17/00—Pumps characterised by combination with, or adaptation to, specific driving engines or motors
    • F04B17/03—Pumps characterised by combination with, or adaptation to, specific driving engines or motors driven by electric motors
    • F04B17/04—Pumps characterised by combination with, or adaptation to, specific driving engines or motors driven by electric motors using solenoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Electromagnetic Pumps, Or The Like (AREA)

Abstract

本申请公开了一种往复电磁泵输出功率稳定控制方法、系统和电子设备，其通过使用训练功率和频率向量之间的关联信息得到关联特征图，进而将历史功率和频率向量映射到关联特征空间中，以基于功率与频率之间的关联关系来实现从历史数据对当前值的预测，从而避免了仅考虑功率或者频率的单一维度特征，提高了预测准确性。并且通过在预测向量中表达磁滞损耗的信息，进一步基于所述转移矩阵来对所述功率和所述频率的预测向量进行修正，从而提高了用于回归的所述功率向量和所述频率向量之间基于磁滞损耗的信息的修正的一致性，进一步提高了预测的准确性，实现了往复电磁泵输出功率的稳定控制。

Description

往复电磁泵输出功率稳定控制方法、系统和电子设备
技术领域
本发明涉及电磁泵智能控制的领域，且更为具体地，涉及一种往复电磁泵输出功率稳定控制方法、系统和电子设备。
背景技术
电磁驱动的往复泵是由电磁驱动机构和往复泵组成的一种复合式泵。电磁驱动是利用电磁转换装置，将电能转化为磁能，并通过带有磁性的运动部件形成闭合磁路，将磁能转化为机械能，以传递力和转矩。
电磁力作为电磁式往复泵的驱动力，在驱动柱塞运动时，电源的电能转化为柱塞的动能。在此过程中，电能转化为磁能时会发生磁滞损耗，磁滞损耗是铁磁体在反复磁化过程中因磁滞现象而消耗的能量。而磁滞现象是指铁磁性物理材料在磁化和去磁化过程中，铁磁质的磁化强度不仅依赖于外磁场强度，还依赖于原先磁化强度的现象。
因此，为了减小往复电磁泵的铁磁体的磁滞损耗，以实现输出功率的稳定，期望一种往复电磁泵输出功率稳定控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种往复电磁泵输出功率稳定控制方法、系统和电子设备，其通过使用训练功率和频率向量之间的关联信息得到关联特征图，进而将历史功率和频率向量映射到关联特征空间中，以基于功率与频率之间的关联关系来实现从历史数据对当前值的预测，从而避免了仅考虑功率或者频率的单一维度特征，提高了预测准确性。并且通过在预测向量中表达磁滞损耗的信息，进一步基于所述转移矩阵来对所述功率和所述频率的预测向量进行修正，从而提高了用于回归的所述功率向量和所述频率向量之间基于磁滞损耗的信息的修正的一致性，进一步提高了预测的准确性，实现了往复电磁泵输出功率的稳定控制。
根据本申请的一个方面，提供了一种往复电磁泵输出功率稳定控制方法，其包括：
获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；
将所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；
将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；
将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；
获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；
使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量；
将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；
基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；
计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；
计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量；以及
将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。
根据本申请的另一方面，提供了一种往复电磁泵输出功率稳定控制系统，其包括：
训练数据获取单元，用于获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；
向量构造单元，用于将所述训练数据获取单元获得的所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；
训练输入矩阵生成单元，用于将所述向量构造单元获得的所述训练功率向量与所述向量构造单元获得的所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；
卷积神经网络处理单元，用于将所述训练输入矩阵生成单元获得的所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；
当前数据向量构造单元，用于获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；
编码器处理单元，用于使用编码器将所述当前数据向量构造单元获得的所述历史功率向量编码为功率特征向量和将所述当前数据向量构造单元获得的所述历史频率向量编码为频率特征向量；
映射单元，用于将所述编码器处理单元获得的所述功率特征向量和所述编码器处理单元获得的所述频率特征向量映射到所述卷积神经网络处理单元获得的所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；
损失向量计算单元，用于基于磁滞损耗的计算表达式，计算所述映射单元获得的所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；
差分计算单元，用于计算所述映射单元获得的所述功率关联向量与所述损失向量计算单元获得的所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；
频率回归向量生成单元，用于计算所述频率关联向量与所述映射单元获得的所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述差分计算单元获得的所述功率回归向量进行矩阵相乘以获得频率回归向量；以及
解码单元，用于将所述差分计算单元获得的所述功率回归向量与所述频率回归向量生成单元获得的所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的往复电磁泵输出功率稳定控制方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的往复电磁泵输出功率稳定控制方法。
与现有技术相比，本申请提供的往复电磁泵输出功率稳定控制方法、系统和电子设备，其通过使用训练功率和频率向量之间的关联信息得到关联特征图，进而将历史功率和频率向量映射到关联特征空间中，以基于功率与频率之间的关联关系来实现从历史数据对当前值的预测，从而避免了仅考虑功率或者频率的单一维度特征，提高了预测准确性。并且通过在预测向量中表达磁滞损耗的信息，进一步基于所述转移矩阵来对所述功率和所述频率的预测向量进行修正，从而提高了用于回归的所述功率向量和所述频率向量之间基于磁滞损耗的信息的修正的一致性，进一步提高了预测的准确性，实现了往复电磁泵输出功率的稳定控制。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的往复电磁泵输出功率稳定控制方法中应用于西门子电动液压调节阀中的微型电磁式往复泵的剖面图。
图2为根据本申请实施例的往复电磁泵输出功率稳定控制方法的流程图；
图3为根据本申请实施例的往复电磁泵输出功率稳定控制方法的系统架构示意图；
图4为根据本申请实施例的往复电磁泵输出功率稳定控制系统的框图；
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，电磁驱动的往复泵是由电磁驱动机构和往复泵组成的一种复合式泵。电磁驱动是利用电磁转换装置，将电能转化为磁能，并通过带有磁性的运动部件形成闭合磁路，将磁能转化为机械能，以传递力和转矩。
如图1所示为一种应用于西门子电动液压调节阀中的微型电磁式往复泵，其包括：泵体部分由泵壳1和泵盖4组成，其他部分储存于其内，由密封元件保证其密封性能。电磁驱动部分包括电磁线圈2、缸套6-1、6-2和永磁体结构3，线圈与电源导线连接实现电磁转换，缸套和永磁体由特殊材料制成，使磁力线呈规律分布，并提高磁力性能。中间柱塞部分为带有截面积差的动柱塞，两侧为定刚度弹簧8，在电磁力的驱动下做一定规律的往复运动，柱塞内部含有一个微小中间单向阀10，阀座和弹簧固定端会随柱塞同步运动，阀芯在柱塞运动和油液流动下启闭，实现配流作用。进油单向阀在实现配流的同时，保证电磁泵在未工作时实现密封。出油单向阀5在实现配流和密封的同时，防止油液倒灌，进出口单向阀同时作用使电磁阀在处于非工作状态时实现整体封闭。
其工作原理为：交流电源经二极管整流后串通入电磁线圈，线圈通电后，线圈磁场与柱塞永磁体相互作用，产生电磁推力。由于线圈绕组固定，柱塞动作。柱塞向右运动时，中间单向阀与进油单向阀组成的密闭容腔容积逐渐增大，进油单向阀打开，开始吸油。同时，中间单向阀与出油单向阀组成的密封腔逐渐减小，出油单向阀打开，进行排油。当柱塞到达右极限位置时，柱塞所受电磁力反向，左侧密封腔体积逐渐减小，进油单向阀关闭，中间单向阀打开，左侧密闭容腔的油液通过中间单向阀到达右侧，柱塞的内径差造成面积差，油液补偿右侧密封容腔增大体积的同时，多出油液使出油单向阀开启并排油，由于动柱塞内截面应用了差动泵的差动原理，柱塞往复一次。泵完成一次吸油和两次排油，流量平稳。
电磁力作为电磁式往复泵的驱动力，在驱动柱塞运动时，电源的电能转化为柱塞的动能。在此过程中，电能转化为磁能时会发生磁滞损耗，磁滞损耗是铁磁体在反复磁化过程中因磁滞现象而消耗的能量。而磁滞现象是指铁磁性物理材料在磁化和去磁化过程中，铁磁质的磁化强度不仅依赖于外磁场强度，还依赖于原先磁化强度的现象。因此，为了减小往复电磁泵的铁磁体的磁滞损耗，以实现输出功率的稳定，期望一种往复电磁泵输出功率稳定控制方案。
具体地，由于往复电磁泵的铁磁体的磁滞损耗，为了实现输出功率的稳定，需要对往复电磁泵的输入-输出关系进行建模，从而使得上述模型包含关于铁磁体的磁滞损耗信息，且能够基于当前的输入功率和交变频率预测用于维持稳定输出功率的输入值。
基于此，在本申请的技术方案中，首先获取训练数据，即使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值并组成训练功率向量和训练频率向量。并且，为了挖掘出其间的高维关联特征，将训练功率向量乘以训练频率向量的转置以得到训练输入矩阵，之后输入卷积神经网络以得到关联特征图。
然后，获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并组成历史功率向量和历史频率向量，并通过编码器映射到高维特征空间以得到功率特征向量和频率特征向量。之后，分别将关联特征图与功率特征向量和频率特征向量相乘，以将功率信息和频率信息映射到关联特征的特征空间中，以获得功率关联向量和频率关联向量。
进一步地，基于磁滞损耗的表达公式，计算频率关联向量的各个位置的特征值计算其对应的功率损失量，以得到功率损失向量，再计算功率关联向量与功率损失向量的差分向量，以得到功率回归向量。而为了获得对应于功率回归向量的频率回归向量，首先计算频率关联向量与功率关联向量之间的转移矩阵，例如表示为A＝M*B，其中A是频率关联向量，M是转移矩阵，B是功率关联向量。再以转移矩阵乘以功率回归向量，从而得到频率回归向量。
最后，将功率回归向量和频率回归向量输入用于回归的解码器，以得到当前的输入功率值和交变频率值。
基于此，本申请提出了一种往复电磁泵输出功率稳定控制方法，其包括：获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；将所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量；将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量；以及，将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了往复电磁泵输出功率稳定控制方法的流程图。如图2所示，根据本申请实施例的往复电磁泵输出功率稳定控制方法，包括：S110，获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；S120，将所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；S130，将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；S140，将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；S150，获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；S160，使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量；S170，将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；S180，基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；S190，计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；S200，计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量；以及，S210，将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。
图3图示了根据本申请实施例的往复电磁泵输出功率稳定控制方法的架构示意图。如图3所示，在所述往复电磁泵输出功率稳定控制方法的网络架构中，首先，将获得的所述训练数据中的一系列输入功率值(例如，如图3中所示意的P1)和一系列交变频率值(例如，如图3中所示意的P2)分别构成训练功率向量(例如，如图3中所示意的V1)和训练频率向量(例如，如图3中所示意的V2)；S130，将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵(例如，如图3中所示意的M1)；S140，将所述训练输入矩阵输入作为特征提取器的卷积神经网络(例如，如图3中所示意的CNN)以获得关联特征图(例如，如图3中所示意的F1)；S150，将获得的所述当前时间之前的一系列预定间隔的时间点的输入功率值(例如，如图3中所示意的Q1)和交变频率值(例如，如图3中所示意的Q2)组成历史功率向量(例如，如图3中所示意的V3)和历史频率向量(例如，如图3中所示意的V4)；S160，使用编码器(例如，如图3中所示意的E)将所述历史功率向量编码为功率特征向量(例如，如图3中所示意的VF1)和将所述历史频率向量编码为频率特征向量(例如，如图3中所示意的VF2)；S170，将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量(例如，如图3中所示意的VF3)和频率关联向量(例如，如图3中所示意的VF4)；S180，基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量(例如，如图3中所示意的VL)；S190，计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量(例如，如图3中所示意的VR)；S200，计算所述频率关联向量与所述功率关联向量之间的转移矩阵(例如，如图3中所示意的M2)再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量(例如，如图3中所示意的V)；以及，S210，将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器(例如，如图3中所示意的D)以获得当前的输入功率值(例如，如图3中所示意的H)和交变频率值(例如，如图3中所示意的A)。
在步骤S110和步骤S120中，获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值，并将所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量。如上所述，由于往复电磁泵的铁磁体的磁滞损耗，为了实现输出功率的稳定，需要对往复电磁泵的输入-输出关系进行建模，从而使得所述模型包含关于所述铁磁体的磁滞损耗信息，且能够基于当前的所述输入功率和所述交变频率预测用于维持稳定输出功率的输入值。具体地，在本申请的技术方案中，首先，需要获取训练数据，在一个具体示例中，可以通过部署于往复电磁泵输入端的功率检测器和频率检测器分别获得使得往复电磁泵输出功率稳定的一系列输入功率值和一系列交变频率值。然后，再将获得的所述一系列输入功率值构造成训练功率向量，将所述一系列交变频率值构造为训练频率向量，以便于后续对所述训练功率信息和所述训练频率信息之间的高维关联特征进行提取。
在步骤S130和步骤S140中，将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联，并将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征。应可以理解，为了挖掘出所述输入功率值和所述交变频率值之间的关联的高维关联特征，需要将所述训练功率向量与所述训练频率向量之间的信息进行融合，也就是，将所述训练功率向量乘以所述训练频率向量的转置以得到训练输入矩阵，再将其输入卷积神经网络以得到关联特征图。
在一个具体示例中，首先，将所述训练功率向量与所述训练频率向量的转置进行向量相乘，以将所述训练功率信息与所述训练频率信息进行融合，从而得到训练输入矩阵，值得一提的是，这里，所述训练输入矩阵中各个位置的特征值用于表示所述输入功率值与所述交变频率值之间的关联。然后，再将所述训练输入矩阵输入作为特征提取器的卷积神经网络中进行处理，以挖掘出所述输入功率值和所述交变频率值之间的关联的高维关联特征，从而得到所述关联特征图。
具体地，在本申请实施例中，将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图的过程，包括：所述卷积神经网络以如下公式对所述训练输入矩阵进行处理以获得所述关联特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
在步骤S150和步骤S160中，获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量，并使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量。也就是，首先，通过部署于待控制的往复电磁泵输入端的功率检测器和频率检测器获取在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值。然后，将得到的所述输入功率值和所述交变频率值分别构造为历史功率向量和历史频率向量。最后，再将所述历史功率向量和所述历史频率向量输入编码器中进行处理，以将其映射到高维特征空间中，从而得到功率特征向量和频率特征向量。
具体地，在本申请实施例中，使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量的过程，包括：首先，使用所述编码器的至少一个全连接层对所述历史功率向量中各个位置的特征值进行全连接编码以提取出所述历史功率向量中各个位置的特征值的高维隐含特征；接着，使用所述编码器的一维卷积层对所述历史功率向量进行一维卷积处理以提取出所述历史功率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述功率特征向量；然后，使用所述编码器的至少一个全连接层对所述历史频率向量中各个位置的特征值进行全连接编码以提取出所述历史频率向量中各个位置的特征值的高维隐含特征；最后，使用所述编码器的一维卷积层对所述历史频率向量进行一维卷积处理以提取出所述历史频率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述频率特征向量。
在步骤S170中，将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量。也就是，将所述关联特征图分别与所述功率特征向量和所述频率特征向量相乘，以将功率信息和频率信息映射到关联特征的特征空间中，从而获得功率关联向量和频率关联向量。应可以理解，通过使用所述训练功率向量和所述训练频率向量之间的关联信息得到所述关联特征图，进而基于所述历史功率向量和所述历史频率向量得到映射到关联特征空间中的所述功率关联向量和所述频率关联向量，可以基于功率与频率之间的关联关系来实现从历史数据对当前值的预测，从而避免了仅考虑功率或者频率的单一维度特征，提高了预测准确性。
具体地，在本申请实施例中，将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量的过程，包括：首先，将所述关联特征图与所述功率特征向量进行矩阵相乘以获得所述功率关联向量；然后，将所述关联特征图与所述频率特征向量进行矩阵相乘以获得所述频率关联向量。
在步骤S180和步骤S190中，基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关，并计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量。应可以理解，所述磁滞损耗是铁磁体在反复磁化过程中因磁滞现象而消耗的能量。而磁滞现象是指铁磁性物理材料在磁化和去磁化过程中，铁磁质的磁化强度不仅依赖于外磁场强度，还依赖于原先磁化强度的现象。当外加磁场施加于铁磁质时，其原子的偶极子按照外加磁场自行排列，即使当外加磁场被撤离，部分排列仍保持，此时，该所述材料被磁化，并且所述材料一旦被磁化，其磁性会继续保留，只有施加相反方向的磁场才能消除，而消除这部分磁性所需要的磁能即为磁滞损耗。
因此，在本申请的技术方案中，首先，基于磁滞损耗的表达公式，f，计算所述频率关联向量的各个位置的特征值计算其对应的功率损失量，以得到功率损失向量。然后，再计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量，从而得到功率回归向量。
具体地，在本申请实施例中，基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量的过程，包括：基于磁滞损耗的计算表达式，以如下公式计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量；
所述公式为：
其中，K为永磁材料的材料性质常数、Bm表示磁感应强度幅值、η表示施泰因梅茨系数且f表示所述频率关联向量中各个位置的频率值。
在步骤S200中，计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量。应可以理解，为了获得对应于所述功率回归向量的频率回归向量，因此，在本申请的技术方案中，首先，计算所述频率关联向量与功率关联向量之间的转移矩阵，在一个具体示例中，计算所述转移矩阵的公式表示为A＝M*B，其中A是频率关联向量，M是转移矩阵，B是功率关联向量。然后，再将所述转移矩阵乘以所述功率回归向量，从而得到频率回归向量。
具体地，在本申请实施例中，计算所述频率关联矩阵与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量的过程，包括：以如下公式计算所述频率关联矩阵与所述功率关联向量之间的转移矩阵，其中，所述公式为：A＝M*B，其中A是频率关联向量，M是转移矩阵，B是功率关联向量。
在步骤S210中，将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。也就是，分别对所述功率回归向量与所述频率回归向量进行解码，以获得回归的当前的输入功率值和交变频率值。应可以理解，通过在所述预测向量中表达磁滞损耗的信息，进一步基于所述转移矩阵来对所述功率和所述频率的预测向量进行修正，从而提高了用于回归的所述功率向量和所述频率向量之间基于磁滞损耗的信息的修正的一致性，进一步提高了预测的准确性，实现了所述往复电磁泵输出功率的稳定控制。
综上，本申请实施例的往复电磁泵输出功率稳定控制方法被阐明，其通过使用训练功率和频率向量之间的关联信息得到关联特征图，进而将历史功率和频率向量映射到关联特征空间中，以基于功率与频率之间的关联关系来实现从历史数据对当前值的预测，从而避免了仅考虑功率或者频率的单一维度特征，提高了预测准确性。并且通过在预测向量中表达磁滞损耗的信息，进一步基于所述转移矩阵来对所述功率和所述频率的预测向量进行修正，从而提高了用于回归的所述功率向量和所述频率向量之间基于磁滞损耗的信息的修正的一致性，进一步提高了预测的准确性，实现了往复电磁泵输出功率的稳定控制。
示例性系统
图4图示了根据本申请实施例的往复电磁泵输出功率稳定控制系统的框图。如图4所示，根据本申请实施例的往复电磁泵输出功率稳定控制系统400，包括：训练数据获取单元410，用于获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；
向量构造单元420，用于将所述训练数据获取单元410获得的所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；训练输入矩阵生成单元430，用于将所述向量构造单元420获得的所述训练功率向量与所述向量构造单元420获得的所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；卷积神经网络处理单元440，用于将所述训练输入矩阵生成单元430获得的所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；当前数据向量构造单元450，用于获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；编码器处理单元460，用于使用编码器将所述当前数据向量构造单元450获得的所述历史功率向量编码为功率特征向量和将所述当前数据向量构造单元450获得的所述历史频率向量编码为频率特征向量；映射单元470，用于将所述编码器处理单元460获得的所述功率特征向量和所述编码器处理单元460获得的所述频率特征向量映射到所述卷积神经网络处理单元440获得的所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；损失向量计算单元480，用于基于磁滞损耗的计算表达式，计算所述映射单元470获得的所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；差分计算单元490，用于计算所述映射单元470获得的所述功率关联向量与所述损失向量计算单元480获得的所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；频率回归向量生成单元500，用于计算所述频率关联向量与所述映射单元470获得的所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述差分计算单元490获得的所述功率回归向量进行矩阵相乘以获得频率回归向量；以及，解码单元510，用于将所述差分计算单元490获得的所述功率回归向量与所述频率回归向量生成单元500获得的所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值。
在一个示例中，在上述往复电磁泵输出功率稳定控制系统400中，所述卷积神经网络处理单元440，进一步用于：所述卷积神经网络以如下公式对所述训练输入矩阵进行处理以获得所述关联特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
在一个示例中，在上述往复电磁泵输出功率稳定控制系统400中，所述编码器处理单元460，包括：第一全连接层处理子单元，用于使用所述编码器的至少一个全连接层对所述历史功率向量中各个位置的特征值进行全连接编码以提取出所述历史功率向量中各个位置的特征值的高维隐含特征；第一一维卷积层处理子单元，用于使用所述编码器的一维卷积层对所述历史功率向量进行一维卷积处理以提取出所述历史功率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述功率特征向量；第二全连接层处理子单元，用于使用所述编码器的至少一个全连接层对所述历史频率向量中各个位置的特征值进行全连接编码以提取出所述历史频率向量中各个位置的特征值的高维隐含特征；以及，第二一维卷积层处理子单元，用于使用所述编码器的一维卷积层对所述历史频率向量进行一维卷积处理以提取出所述历史频率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述频率特征向量。
在一个示例中，在上述往复电磁泵输出功率稳定控制系统400中，所述映射单元470，进一步用于：将所述关联特征图与所述功率特征向量进行矩阵相乘以获得所述功率关联向量；以及，将所述关联特征图与所述频率特征向量进行矩阵相乘以获得所述频率关联向量。
在一个示例中，在上述往复电磁泵输出功率稳定控制系统400中，所述损失向量计算单元480，进一步用于：基于磁滞损耗的计算表达式，以如下公式计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量；所述公式为：其中，K为永磁材料的材料性质常数、Bm表示磁感应强度幅值、η表示施泰因梅茨系数且f表示所述频率关联向量中各个位置的频率值。
在一个示例中，在上述往复电磁泵输出功率稳定控制系统400中，所述频率回归向量生成单元500，包括：以如下公式计算所述频率关联矩阵与所述功率关联向量之间的转移矩阵，其中，所述公式为：A＝M*B，其中A是频率关联向量，M是转移矩阵，B是功率关联向量。
这里，本领域技术人员可以理解，上述往复电磁泵输出功率稳定控制系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的往复电磁泵输出功率稳定控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的往复电磁泵输出功率稳定控制系统400可以实现在各种终端设备中，例如往复电磁泵输出功率稳定控制算法的服务器等。在一个示例中，根据本申请实施例的往复电磁泵输出功率稳定控制系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该往复电磁泵输出功率稳定控制系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该往复电磁泵输出功率稳定控制系统400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该往复电磁泵输出功率稳定控制系统400与该终端设备也可以是分立的设备，并且该往复电磁泵输出功率稳定控制系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的往复电磁泵输出功率稳定控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如频率关联向量、功率回归向量等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括当前的输入功率值和交变频率值等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的往复电磁泵输出功率稳定控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的往复电磁泵输出功率稳定控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种往复电磁泵输出功率稳定控制方法，其特征在于，包括：
获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；
将所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；
将所述训练功率向量与所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；
将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；
获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；
使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量；
将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；
基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；
计算所述功率关联向量与所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；
计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量；以及
将所述功率回归向量与所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值；
使用编码器将所述历史功率向量编码为功率特征向量和将所述历史频率向量编码为频率特征向量，包括：
使用所述编码器的至少一个全连接层对所述历史功率向量中各个位置的特征值进行全连接编码以提取出所述历史功率向量中各个位置的特征值的高维隐含特征；
使用所述编码器的一维卷积层对所述历史功率向量进行一维卷积处理以提取出所述历史功率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述功率特征向量；
使用所述编码器的至少一个全连接层对所述历史频率向量中各个位置的特征值进行全连接编码以提取出所述历史频率向量中各个位置的特征值的高维隐含特征；以及
使用所述编码器的一维卷积层对所述历史频率向量进行一维卷积处理以提取出所述历史频率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述频率特征向量；
其中，将所述功率特征向量和所述频率特征向量映射到所述关联特征图的特征空间中以获得功率关联向量和频率关联向量，包括：
将所述关联特征图与所述功率特征向量进行矩阵相乘以获得所述功率关联向量；以及
将所述关联特征图与所述频率特征向量进行矩阵相乘以获得所述频率关联向量。
2.根据权利要求1所述的往复电磁泵输出功率稳定控制方法，其中，将所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，包括：
所述卷积神经网络以如下公式对所述训练输入矩阵进行处理以获得所述关联特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
3.根据权利要求1所述的往复电磁泵输出功率稳定控制方法，其中，基于磁滞损耗的计算表达式，计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，包括：
基于磁滞损耗的计算表达式，以如下公式计算所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量；
所述公式为：
其中，K为永磁材料的材料性质常数、Bm表示磁感应强度幅值、η表示施泰因梅茨系数且f表示所述频率关联向量中各个位置的频率值。
4.根据权利要求1所述的往复电磁泵输出功率稳定控制方法，其中，计算所述频率关联向量与所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述功率回归向量进行矩阵相乘以获得频率回归向量，包括：
以如下公式计算所述频率关联向量与所述功率关联向量之间的转移矩阵，其中，所述公式为：A＝M*B，其中A是频率关联向量，M是转移矩阵，B是功率关联向量。
5.一种往复电磁泵输出功率稳定控制系统，其特征在于，包括：
训练数据获取单元，用于获取训练数据，所述训练数据为使得往复电磁泵的输出功率稳定的一系列输入功率值和一系列交变频率值；
向量构造单元，用于将所述训练数据获取单元获得的所述训练数据中的一系列输入功率值和一系列交变频率值分别构成训练功率向量和训练频率向量；
训练输入矩阵生成单元，用于将所述向量构造单元获得的所述训练功率向量与所述向量构造单元获得的所述训练频率向量的转置进行向量相乘以获得训练输入矩阵，所述训练输入矩阵中各个位置的特征值用于表示输入功率值与交变频率值之间的关联；
卷积神经网络处理单元，用于将所述训练输入矩阵生成单元获得的所述训练输入矩阵输入作为特征提取器的卷积神经网络以获得关联特征图，所述关联特征图用于表示输入功率值和交变频率值之间的关联的高维关联特征；
当前数据向量构造单元，用于获取待控制的往复电磁泵在当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值并将所述当前时间之前的一系列预定间隔的时间点的输入功率值和交变频率值组成历史功率向量和历史频率向量；
编码器处理单元，用于使用编码器将所述当前数据向量构造单元获得的所述历史功率向量编码为功率特征向量和将所述当前数据向量构造单元获得的所述历史频率向量编码为频率特征向量；
映射单元，用于将所述编码器处理单元获得的所述功率特征向量和所述编码器处理单元获得的所述频率特征向量映射到所述卷积神经网络处理单元获得的所述关联特征图的特征空间中以获得功率关联向量和频率关联向量；
损失向量计算单元，用于基于磁滞损耗的计算表达式，计算所述映射单元获得的所述频率关联向量中各个位置的特征值对应的功率损失量以获得功率损失向量，其中，所述磁滞损耗的计算表达式与永磁材料的材料性质常数、施泰因梅茨系数和磁感应强度幅值有关；
差分计算单元，用于计算所述映射单元获得的所述功率关联向量与所述损失向量计算单元获得的所述功率损失向量之间的按位置差分以获得差分向量作为功率回归向量；
频率回归向量生成单元，用于计算所述频率关联向量与所述映射单元获得的所述功率关联向量之间的转移矩阵再将所述转移矩阵与所述差分计算单元获得的所述功率回归向量进行矩阵相乘以获得频率回归向量；以及
解码单元，用于将所述差分计算单元获得的所述功率回归向量与所述频率回归向量生成单元获得的所述频率回归向量分别输入用于回归的解码器以获得当前的输入功率值和交变频率值；
其中，所述编码器处理单元，包括：
第一全连接层处理子单元，用于使用所述编码器的至少一个全连接层对所述历史功率向量中各个位置的特征值进行全连接编码以提取出所述历史功率向量中各个位置的特征值的高维隐含特征；
第一一维卷积层处理子单元，用于使用所述编码器的一维卷积层对所述历史功率向量进行一维卷积处理以提取出所述历史功率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述功率特征向量；
第二全连接层处理子单元，用于使用所述编码器的至少一个全连接层对所述历史频率向量中各个位置的特征值进行全连接编码以提取出所述历史频率向量中各个位置的特征值的高维隐含特征；以及
第二一维卷积层处理子单元，用于使用所述编码器的一维卷积层对所述历史频率向量进行一维卷积处理以提取出所述历史频率向量中相邻位置的特征值之间的关联的高维关联特征以获得所述频率特征向量；
其中，所述映射单元，用于：
将所述关联特征图与所述功率特征向量进行矩阵相乘以获得所述功率关联向量；以及
将所述关联特征图与所述频率特征向量进行矩阵相乘以获得所述频率关联向量。
6.根据权利要求5所述的往复电磁泵输出功率稳定控制系统，其中，所述卷积神经网络处理单元，进一步用于：
所述卷积神经网络以如下公式对所述训练输入矩阵进行处理以获得所述关联特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
7.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-4中任一项所述的往复电磁泵输出功率稳定控制方法。
CN202111415147.3A 2021-11-25 2021-11-25 往复电磁泵输出功率稳定控制方法、系统和电子设备 Active CN114109793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111415147.3A CN114109793B (zh) 2021-11-25 2021-11-25 往复电磁泵输出功率稳定控制方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111415147.3A CN114109793B (zh) 2021-11-25 2021-11-25 往复电磁泵输出功率稳定控制方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN114109793A CN114109793A (zh) 2022-03-01
CN114109793B true CN114109793B (zh) 2023-09-01

Family

ID=80373325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111415147.3A Active CN114109793B (zh) 2021-11-25 2021-11-25 往复电磁泵输出功率稳定控制方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN114109793B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514343B (zh) * 2022-05-13 2023-08-11 浙江腾腾电气有限公司 电网波形滤波系统及其滤波方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228303A (zh) * 2010-09-24 2013-07-31 佩佛罗有限责任公司 输液泵
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
WO2019155214A1 (en) * 2018-02-07 2019-08-15 Green Running Limited Method and apparatus for power signal disaggragation using a convolutional neural network
CN111237181A (zh) * 2020-01-10 2020-06-05 常州英集动力科技有限公司 水泵系统的运行特性在线辨识及优化调控方法及调控系统
CN113536681A (zh) * 2021-07-21 2021-10-22 北京航空航天大学 一种基于时序外推预测的电动舵机健康评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7711385B2 (en) * 2003-10-07 2010-05-04 Telefonaktiebolaget L M Ericsson (Publ) Method and system of transmission power control

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228303A (zh) * 2010-09-24 2013-07-31 佩佛罗有限责任公司 输液泵
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
WO2019155214A1 (en) * 2018-02-07 2019-08-15 Green Running Limited Method and apparatus for power signal disaggragation using a convolutional neural network
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN111237181A (zh) * 2020-01-10 2020-06-05 常州英集动力科技有限公司 水泵系统的运行特性在线辨识及优化调控方法及调控系统
CN113536681A (zh) * 2021-07-21 2021-10-22 北京航空航天大学 一种基于时序外推预测的电动舵机健康评估方法

Also Published As

Publication number Publication date
CN114109793A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN114109793B (zh) 往复电磁泵输出功率稳定控制方法、系统和电子设备
Mizher et al. Phase diagram of hot QCD in an external magnetic field: Possible splitting<? format?> of deconfinement and chiral transitions
Bergshoeff et al. Dirac-Born-Infeld-Volkov-Akulov and deformation of supersymmetry
WO2009084378A1 (ja) 磁気力によるアクチュエータ及びそれを用いた駆動装置、並びにセンサ
RU2406222C1 (ru) Способ кодирования и способ декодирования сигнала изображения, способ кодирования и декодирования источника информации, устройства для них и носители информации, на которых сохранены программы для них
Lequesne Finite-element analysis of a constant-force solenoid for fluid flow control
CN110555521A (zh) 神经网络稀疏激活映射的无损压缩
Adam et al. Baryon chemical potential and in-medium properties of BPS skyrmions
US20230353766A1 (en) Method and apparatus for encoding a picture and decoding a bitstream using a neural network
CN114529085A (zh) 基于大数据的居民收入预测系统及其预测方法
CN114065608B (zh) 往复电磁泵输出功率稳定控制方法、系统和电子设备
Baskin et al. CAT: Compression-Aware Training for bandwidth reduction
CN116362503B (zh) 基于人工智能的电力调节方法及系统
CN109196861A (zh) 解码数字图像的方法、编码方法、设备和相关计算机程序
Cangemi et al. Geometric gravitational force on particles moving in a line
CN113535902A (zh) 一种融合对抗训练的生成式对话系统
Bars Traversing cosmological singularities, complete journeys through spacetime including antigravity
Hoare et al. Tree-level S-matrix of Pohlmeyer reduced form of AdS 5× S 5 superstring theory
Garousi S-matrix elements and off-shell tachyon action with non-abelian gauge symmetry
Johnson et al. Is string theory a theory of strings?
US20140052440A1 (en) Coding through combination of code vectors
Ahlberg et al. Representing and compressing facial animation parameters using facial action basis functions
JP5580295B2 (ja) 規則的点ネットワークにおけるベクトルをカウントする方法
Brugues et al. Nonperturbative states in type II superstring theory from classical spinning membranes
Girardello et al. Spontaneously broken N= 2 supergravity without light mirror fermions

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