CN114675547B - 具有深度学习自动诊断机制的mimo主动降振控制方法及系统 - Google Patents
具有深度学习自动诊断机制的mimo主动降振控制方法及系统 Download PDFInfo
- Publication number
- CN114675547B CN114675547B CN202210599497.8A CN202210599497A CN114675547B CN 114675547 B CN114675547 B CN 114675547B CN 202210599497 A CN202210599497 A CN 202210599497A CN 114675547 B CN114675547 B CN 114675547B
- Authority
- CN
- China
- Prior art keywords
- control
- vibration
- vibration reduction
- automatic diagnosis
- divergence
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种具有深度学习自动诊断机制的MIMO主动降振控制方法及系统,所述方法包括:通过传感器分别采集测点的振动加速度信号以及激励源振动信号;将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;若为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的调节控制系数直至收敛;若为控制收敛则解除警报。本发明能实现多个耦合通道的自适应减振,还利用深度学习技术实现算法稳定性的自动诊断,保障控制系统的稳健性。
Description
技术领域
本发明属于降振控制技术领域,具体涉及一种具有深度学习自动诊断机制的MIMO(Multiple Input Multiple Output,多输入多输出)主动降振控制方法及系统。
背景技术
由于实际工程中,比如建筑、舰船、铁路等系统的振动环境复杂,需要主动控制算法能同时具备抑制含多根线谱的周期振动和对外部环境变化鲁棒的能力。因此,可靠性高的多通道自适应主动降振控制算法是保障主动减振效果的基础。然而,目前的主动减振算法缺乏稳定性自动诊断机制,不能有效防止外界环境变化而引起的控制发散问题,导致控制系统的可靠性低,严重制约多通道主动降振的实际应用。
发明内容
有鉴于此,本发明提出了一种具有深度学习自动诊断机制的MIMO主动降振控制方法及系统,用于解决主动减振算法缺乏稳定性自动诊断机制的问题。
本发明提出一种具有深度学习自动诊断机制的MIMO主动降振控制方法,所述方法包括:
通过传感器分别采集测点的振动加速度信号以及激励源振动信号;
将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;
根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;
根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;若为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至收敛;若为控制收敛则解除警报。
在上述技术方案的基础上,优选的,所述将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号具体包括:
在待控的低频范围内,将激励源振动信号采用带通线谱抽离方法放大周期振动的各频率分量,重构出参考信号;
参考信号与多通道耦合型Fxlms自适应算法的各个通道权系数卷积得到对应通道的控制信号并输出至对应通道的作动器。
在上述技术方案的基础上,优选的,所述根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制具体包括:
通过多通道耦合型Fxlms自适应算法的数值模拟,收集发散情况下对应的振动加速度信号和收敛情况下对应的振动加速度信号,并制作训练集,标签分别为控制发散和控制收敛;
通过训练集训练卷积神经网络模型,得到对应的网络参数;
将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制。
在上述技术方案的基础上,优选的,所述卷积神经网络模型的结构包括顺次连接的输入层、卷积层、池化层、卷积层和池化层、全连接层、输出层。
在上述技术方案的基础上,优选的,所述根据稳定性自动诊断机制判断当前的多通道耦合型Fxlms自适应算法是控制发散还是控制收敛具体包括:
采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;
通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;
再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;
数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,否则为控制收敛。
在上述技术方案的基础上,优选的,若为控制发散,则主动降振控制不稳定,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数;
多通道耦合型Fxlms自适应算法基于LMS算法自动更新各个通道的控制系数;
更新多通道耦合型Fxlms自适应算法的控制系数后,重新采集测点一段时间内的振动加速度信号,根据稳定性自动诊断机制判断主动降振控制是否收敛;
重复以上步骤直至主动降振控制收敛,达到稳定状态。
本发明第二方面,公开一种具有深度学习自动诊断机制的MIMO主动降振控制系统,所述系统包括:
数据采集模块:用于通过传感器分别采集测点的振动加速度信号以及激励源振动信号;
降振控制模块:用于将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;
自动诊断模块:用于根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;
系数更新模块:用于当控制发散时,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至收敛。
在上述技术方案的基础上,优选的,所述自动诊断模块具体包括:
诊断建模单元:用于通过多通道耦合型Fxlms自适应算法的数值模拟,收集发散情况下对应的振动加速度信号和收敛情况下对应的振动加速度信号,并制作训练集,标签分别为控制发散和控制收敛;通过训练集训练卷积神经网络模型,得到对应的网络参数;将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制;
自动诊断单元:用于采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,否则为控制收敛。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制,可以快速判断当前的主动降振控制是控制发散还是控制收敛;若为控制发散,则自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新多个通道的控制系数直至收敛,相较于其他稳定性分析或诊断方式,本发明可以实现实时诊断和自适应诊断,从而有效防止外界环境变化而导致的控制发散问题,保障主动降振控制的稳定性和持续性,更符合实际需求。
2)本发明提出的具有深度学习自动诊断机制的MIMO主动降振控制方法,能同时实现对被控系统多个耦合传递通道的自适应主动降振,从而实现多输入多输出的主动降振控制;还利用深度学习技术,基于一段时间内的加速度数据即可实现算法稳定性的自动诊断,保障控制系统的稳健性,同时也降低了采样频率和控制器硬件要求,适用范围广、通用性强。
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。
图1为本发明的具有深度学习自动诊断机制的MIMO主动降振控制方法流程图;
图2为本发明的多通道耦合型Fxlms自适应算法原理示意图;
图3为本发明的具有深度学习自动诊断机制的多通道耦合型Fxlms自适应算法的第i个通道控制算法示意图;
图4为本发明的基于卷积神经网络的稳定性自动诊断机制示意图;
图5为本发明实施例提供的舰船旋转机械系统的主动减振示意图;
图6为本发明实施例提供的建筑结构主动阻尼系统的主动减振示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种具有深度学习自动诊断机制的MIMO主动降振控制方法,所述方法包括:
S1、通过传感器分别采集测点的振动加速度信号以及激励源振动信号。
具体的,在被控对象上按需布置传感器和作动器,采用加速度传感器采集测点的振动加速度信号;从振动源附近获取振动激励相关信号作为激励源振动信号,比如发动机转速。
S2、将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号。
请参阅图2,为多通道耦合型Fxlms自适应算法原理示意图,本发明采用多通道耦合型Fxlms自适应算法作为主动降振控制的核心模块。设共有N个通道,i=1,2,…,N。将激励源振动信号输入多通道耦合型Fxlms自适应算法的各个通道,第i个通道基于加速度传感器采集的振动加速度信号进行稳定性诊断,并根据诊断结果自适应的更新第i个通道的控制系数,输出第i个通道的控制信号Fi至第i个作动器。
请参阅图3,为第i个通道控制算法示意图,步骤S2具体的控制步骤为:
S21、在待控的低频范围内,将激励源振动信号采用带通线谱抽离方法放大周期振动的各频率分量,重构出参考信号,用于驱动自适应算法跟踪对应的周期振动频率。
S22、设第i个通道共有M个控制系数,包括权系数w1,w2,…,wi,…,wm,以及收敛系数等,参考信号与多通道耦合型Fxlms自适应算法的第i个通道的权系数卷积得到对应通道的控制信号Fi。
S23、基于控制信号产生控制电流输出至对应通道的作动器,驱动作动器产生相应的控制力,抵消被控对象自身周期振动的影响,实现多输入多输出的主动降振控制。
本发明基于最小均方滤波算法,利用经多通道耦合滤波器滤波后的参考信号与传感器反馈的测点振动加速度信号,自适应迭代求解和更新权系数。当参考信号与系统的振动激励高度相关时,该算法则能实现对周期振动的自适应跟踪,从而实时计算出抵消振动激励作用的控制信号,实现自适应减振。
S3、根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制。
请参阅图4,本发明建立了基于卷积神经网络的稳定性自动诊断机制,得到具有深度学习自动诊断机制的多通道耦合型Fxlms自适应算法。所述卷积神经网络模型的结构包括顺次连接的输入层、卷积层、池化层、卷积层和池化层、全连接层、输出层。
本发明采用离线训练卷积神经网络,步骤S3具体包括如下分步骤:
S31、通过多通道耦合型Fxlms自适应算法的进行数值模拟,收集控制发散情况下对应的振动加速度信号和控制收敛情况下对应的振动加速度信号,并基于这两类数据制作训练集,标签分别为控制发散和控制收敛。
S32、通过训练集训练卷积神经网络模型,即以训练集中各个样本的振动加速度信号为输入、以控制发散或控制收敛为输出,采用Adam算法训练网络,得到卷积神经网络的参数。
S33、将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制。
S34、通过整个主动降振算法的数值仿真验证主动降振效果和稳定性自动诊断效果。
S4、根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;若为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的调节控制系数直至收敛;若为控制收敛则解除警报。
步骤S4具体包括如下分步骤:
S41、根据稳定性自动诊断机制判断步骤S2当前的主动降振控制的稳定性。
具体的,采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;
通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;
再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;
数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,说明当前的主动降振控制的稳定性不佳,否则为控制收敛。
S42、若当前的主动降振控制为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至收敛。
具体的,若为控制发散,则主动降振控制不稳定,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数;多通道耦合型Fxlms自适应算法基于LMS算法自动更新各个通道的控制系数;更新多通道耦合型Fxlms自适应算法的控制系数后,重新采集测点一段时间内的振动加速度信号,根据稳定性自动诊断机制判断主动降振控制是否收敛;重复以上步骤直至主动降振控制收敛,再次达到稳定状态,解除警报。
相较于其他稳定性分析或诊断方式,本发明采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络,通过深度学习学习一段时间内的振动加速度信号在时间维度上的特征,进行稳定性自动诊断,可以在时域上实现实时诊断和自适应诊断,从而有效防止外界环境变化而导致的控制发散问题,保障主动降振控制的稳定性和持续性,同时可降低采样频率,降低对控制器的硬件要求,更符合实际降振需求。
与上述方法实施例相对应,本发明还提出一种具有深度学习自动诊断机制的MIMO主动降振控制系统,所述系统包括:
数据采集模块:用于通过传感器分别采集测点的振动加速度信号以及激励源振动信号;
降振控制模块:用于将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;
自动诊断模块:用于根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;所述自动诊断模块具体包括:
诊断建模单元:用于通过多通道耦合型Fxlms自适应算法的数值模拟,收集发散情况下对应的振动加速度信号和收敛情况下对应的振动加速度信号,并制作训练集,标签分别为控制发散和控制收敛;通过训练集训练卷积神经网络模型,得到对应的网络参数;将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制;
自动诊断单元:用于采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,否则为控制收敛。
系数更新模块:用于当控制发散时,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至收敛。
以上系统实施例是和方法实施例一一对应的,系统实施例简述之处请参阅方法实施例即可。
本发明提出的具有深度学习自动诊断机制的MIMO主动降振控制方法包含稳定性自动诊断机制,除了能实现对被控系统多个耦合传递通道的自适应主动降振,还利用深度学习技术,基于一段时间内的加速度数据即可实现算法稳定性的自动诊断,降低了采样频率和控制器硬件要求,保障控制系统的稳健性,适用范围广、通用性强。本发明的主动减振控制方式可大范围应用于建筑、舰船、高铁等有主动降振需求的领域。
下面结合具体应用实例对本发明的技术方案做出说明。
应用1:舰船旋转机械系统的主动减振
建立如图5所示的试验台架,开展舰船旋转机械系统主动降振实验验证。实验台架的被控对象为典型的旋转机械系统:采用旋转式振动电机和电动水泵模拟旋转机械设备(振动源),旋转机械设备通过橡胶减振器与筏架(中间质量块)连接,筏架又通过另一组橡胶隔振器与基座连接。整个系统构成一个双层隔振系统,从而实现对高频振动的有效隔离。在被控对象上按照主动降振控制策略布置传感器和电磁作动器,其中,在基座附近安装加速度传感器1和加速度传感器2,在筏架的两端上侧安装作动器1和作动器2。
传感器分别采集基座关键位置的振动加速度信号以及激励源振动信号,传递给本发明的具有深度学习自动诊断机制的MIMO主动降振控制系统运行主动降振控制程序产生控制电流,驱动电磁作动器产生相应的控制力,抵消旋转机械自身周期振动的影响,实现主动降振。其中,振动加速度信号实时被传递给深度卷积神经网络构造的稳定性诊断机制,判断系统是否稳定,当系统不稳定时,自适应调整主动减振算法中的LMS更新系数(学习效率),直到系统再次稳定为止。
应用2:建筑结构主动阻尼系统的主动减振
将前面应用1的被控对象换成建筑结构即可,如图6所示。建筑结构夹层安装惯性式主动吸振器,通过传感器采集地震的振动信号和振动加速度信号,本发明的具有深度学习自动诊断机制的MIMO主动降振控制系统用于控制主动吸振器产生主动控制作用力,抵消地震等振动对结构的影响。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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保护范围之内。
Claims (10)
1.一种具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述方法包括:
通过传感器分别采集测点的振动加速度信号以及激励源振动信号;
将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;
根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;
根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;若为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的调节控制系数直至控制收敛;若为控制收敛则解除警报。
2.根据权利要求1所述的具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号具体包括:
在待控制的频率范围内,将激励源振动信号采用带通线谱抽离方法放大周期振动的各频率分量,重构出参考信号;
参考信号与多通道耦合型Fxlms自适应算法的各个通道权系数卷积得到对应通道的控制信号并输出至对应通道的作动器。
3.根据权利要求1所述的具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制具体包括:
通过多通道耦合型Fxlms自适应算法的数值模拟,收集发散情况下对应的振动加速度信号和收敛情况下对应的振动加速度信号,并制作训练集,标签分别为控制发散和控制收敛;
通过训练集训练卷积神经网络模型,得到对应的网络参数;
将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制。
4.根据权利要求3所述的具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述卷积神经网络模型的结构包括顺次连接的输入层、卷积层、池化层、卷积层和池化层、全连接层、输出层。
5.根据权利要求4所述的具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述根据稳定性自动诊断机制判断当前的多通道耦合型Fxlms自适应算法是控制发散还是控制收敛具体包括:
采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;
通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;
再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;
数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,否则为控制收敛。
6.根据权利要求3所述的具有深度学习自动诊断机制的MIMO主动降振控制方法,其特征在于,所述若为控制发散,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至收敛具体包括:
若为控制发散,则主动降振控制不稳定,发出警报,自动重置多通道耦合型Fxlms自适应算法的控制系数;
多通道耦合型Fxlms自适应算法基于LMS算法自动更新各个通道的控制系数;
更新多通道耦合型Fxlms自适应算法的控制系数后,重新采集测点一段时间内的振动加速度信号,根据稳定性自动诊断机制判断主动降振控制是否收敛;
重复以上步骤直至主动降振控制收敛,达到稳定状态。
7.一种具有深度学习自动诊断机制的MIMO主动降振控制系统,其特征在于,所述系统包括:
数据采集模块:用于通过传感器分别采集测点的振动加速度信号以及激励源振动信号;
降振控制模块:用于将激励源振动信号输入多通道耦合型Fxlms自适应算法进行主动降振控制计算,得到各个通道抵消振动激励作用的控制信号;
自动诊断模块:用于根据振动加速度信号建立基于卷积神经网络的稳定性自动诊断机制;根据稳定性自动诊断机制判断当前的主动降振控制是控制发散还是控制收敛;
系数更新模块:用于当控制发散时,自动重置多通道耦合型Fxlms自适应算法的控制系数并自适应的更新控制系数直至控制收敛。
8.根据权利要求7所述的具有深度学习自动诊断机制的MIMO主动降振控制系统,其特征在于,所述自动诊断模块具体包括:
诊断建模单元:用于通过多通道耦合型Fxlms自适应算法的数值模拟,收集发散情况下对应的振动加速度信号和收敛情况下对应的振动加速度信号,并制作训练集,标签分别为控制发散和控制收敛;通过训练集训练卷积神经网络模型,得到对应的网络参数;将训练好的卷积神经网络写入稳定性自动诊断程序,形成稳定性自动诊断机制;
自动诊断单元:用于采集各个通道一段时间内的振动加速度信号并组成一维加速度信号输入卷积神经网络的输入层;通过与可学习的卷积层进行卷积运算,得到过滤的振动加速度信号片段,学习并提取振动加速度信号片段中蕴含的高维非线性特征表达;通过池化层降低高维非线性特征的大小;再次通过卷积操作从上一次池化层得到的信号片段获得数据中的特征信息,再次通过池化层保留主要特征,得到振动加速度信号的矩阵形式数据;数据通过平坦化操作,将得到的矩阵形式数据转变成向量数据;将向量数据送入全连接层的前馈神经网络,计算主动降振控制发散的概率,若概率大于预设阈值,则为控制发散,否则为控制收敛。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现权利要求1~6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599497.8A CN114675547B (zh) | 2022-05-30 | 2022-05-30 | 具有深度学习自动诊断机制的mimo主动降振控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210599497.8A CN114675547B (zh) | 2022-05-30 | 2022-05-30 | 具有深度学习自动诊断机制的mimo主动降振控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114675547A CN114675547A (zh) | 2022-06-28 |
CN114675547B true CN114675547B (zh) | 2022-09-23 |
Family
ID=82081210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210599497.8A Active CN114675547B (zh) | 2022-05-30 | 2022-05-30 | 具有深度学习自动诊断机制的mimo主动降振控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114675547B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6493689B2 (en) * | 2000-12-29 | 2002-12-10 | General Dynamics Advanced Technology Systems, Inc. | Neural net controller for noise and vibration reduction |
CN101609305B (zh) * | 2008-06-18 | 2011-11-30 | 中国科学院自动化研究所 | 一种基于音圈电机的主动隔振控制方法 |
CN101552939B (zh) * | 2009-05-13 | 2012-09-05 | 吉林大学 | 车内声品质自适应主动控制系统和方法 |
CN102394593B (zh) * | 2011-09-19 | 2014-06-25 | 北京东方联星科技有限公司 | 一种整型化的最小均方lms自适应滤波器和方法 |
CN105425586B (zh) * | 2015-11-11 | 2018-05-15 | 西安交通大学 | 一种铣削加工振动的在线主动抑制方法 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN107315892A (zh) * | 2017-08-10 | 2017-11-03 | 北京交通大学 | 一种基于极限学习机的轴承故障诊断方法 |
CN108594660B (zh) * | 2018-05-07 | 2021-04-30 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
CN110405537B (zh) * | 2019-07-17 | 2022-02-08 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
CN111126255A (zh) * | 2019-12-23 | 2020-05-08 | 华中科技大学 | 基于深度学习回归算法的数控机床刀具磨损值预测方法 |
CN111079690B (zh) * | 2019-12-27 | 2022-05-20 | 华中科技大学 | 基于堆栈稀疏自动编码网络的主轴和工件振动预测方法 |
US10972139B1 (en) * | 2020-04-15 | 2021-04-06 | Micron Technology, Inc. | Wireless devices and systems including examples of compensating power amplifier noise with neural networks or recurrent neural networks |
CN114489167B (zh) * | 2021-12-17 | 2023-04-18 | 中国船舶重工集团公司第七一九研究所 | 一种基于监督学习的舰船旋转机械设备前馈振动控制系统 |
-
2022
- 2022-05-30 CN CN202210599497.8A patent/CN114675547B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114675547A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ardekani et al. | Effects of imperfect secondary path modeling on adaptive active noise control systems | |
CN107564539B (zh) | 面向麦克风阵列的声学回声消除方法及装置 | |
Rout et al. | Particle swarm optimization based active noise control algorithm without secondary path identification | |
CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
WO2022012206A1 (zh) | 音频信号处理方法、装置、设备及存储介质 | |
CN110162739B (zh) | 基于变遗忘因子的rffklms算法权值更新优化方法 | |
CN110687781B (zh) | 一种二阶非线性系统的精确不确定性和控制增益估计方法 | |
CN111191769B (zh) | 自适应的神经网络训练与推理装置 | |
CN109379652B (zh) | 一种耳机有源噪声控制的次级通道离线辨识方法 | |
US20230197096A1 (en) | Audio signal processing method, training method, apparatus and storage medium | |
CN112634923A (zh) | 基于指挥调度系统的音频回声消除方法、设备、存储介质 | |
CN114677997A (zh) | 一种基于加速工况的实车主动降噪方法及系统 | |
CN114675547B (zh) | 具有深度学习自动诊断机制的mimo主动降振控制方法及系统 | |
CN110493054B (zh) | 一种基于频域特征的电力通信网设备故障预测方法 | |
CN115755835A (zh) | 一种机电作动器在线健康因子优化方法 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
Yu et al. | Zonotope-based asynchronous fault detection for Markov jump systems subject to deception attacks via dynamic event-triggered communication | |
Chen et al. | The stability and convergence characteristics of the delayed-x LMS algorithm in ANC systems | |
De Fonseca et al. | Robust design and robust stability analysis of active noise control systems | |
CN112947359A (zh) | 针对集群协同系统的大通讯时延补偿和传感器故障诊断方法 | |
CN113096630A (zh) | 一种无线有源噪声控制系统 | |
Schiller et al. | Decentralized control of sound radiation using iterative loop recovery | |
CN116543789B (zh) | 设备异常识别方法、装置、设备及介质 | |
CN117806172B (zh) | 一种基于云边协同与自适应知识传递的故障诊断方法 | |
Wang et al. | Fault diagnosis for nonlinear systems via neural networks and parameter estimation |
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 |