CN116111885A - 一种无刷直流电机的转速控制方法及系统 - Google Patents

Abstract

本公开提供了一种无刷直流电机的转速控制方法及系统，涉及电机控制技术领域，该方法包括：采集目标无刷直流电机的历史运行记录；组建预设特征集，分别得到空载训练数据集和负载训练数据集；训练得到空载控制模型和负载控制模型；所述空载控制模型和所述负载控制模型组成智能控制模型；确定预设特征参数，并将其存储至智能识别模型；对实时特征参数进行分析识别，得到实时识别结果；所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，解决了现有的无刷直流电机控制系统中存在的由于对控制参数的把握不够准确，进而导致控制对无刷直流电机的控制性能、控制稳定性以及可靠性不足的技术问题。

Description

一种无刷直流电机的转速控制方法及系统

技术领域

本公开涉及电机控制技术领域，具体涉及一种无刷直流电机的转速控制方法及系统。

背景技术

无刷直流电机（Brush less DC Motor，简称BLDC或BLDCM）是一种新型机电一体化的直流电机，由转子、定子以及电机转子检测电路三个部分组成。转子一般用永磁材料制成，定子则是线圈按照一定顺序环绕的绕组组成，转子检测电路主要是位置传感器和集成电路组成。无刷直流电机被广泛应用各个领域，是21世纪最有发展前景的新型电机之一。

目前，现有的无刷直流电机控制系统中存在由于对控制参数的把握不够准确，进而导致控制对无刷直流电机的控制性能、控制稳定性以及可靠性不足的技术问题。

发明内容

本公开提供了一种无刷直流电机的转速控制方法及系统，用以解决现有的无刷直流电机控制系统中存在的由于对控制参数的把握不够准确，进而导致控制对无刷直流电机的控制性能、控制稳定性以及可靠性不足的技术问题。

根据本公开的第一方面，提供了一种无刷直流电机的转速控制方法，包括：采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；所述空载控制模型和所述负载控制模型组成智能控制模型；基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：提取所述空载试验记录或所述负载试验记录中的任意试验记录；其中，所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

根据本公开的第二方面，提供了一种无刷直流电机的转速控制系统，包括：历史运行记录采集模块，所述历史运行记录采集模块用于采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；训练数据集获取模块，所述训练数据集获取模块用于组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；控制模型获取模块，所述控制模型获取模块用于基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；智能控制模型生成模块，所述智能控制模型生成模块用于通过所述空载控制模型和所述负载控制模型组成智能控制模型；预设特征参数确定模块，所述预设特征参数确定模块用于基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；实时特征参数识别模块，所述实时特征参数识别模块用于采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；电机控制模块，所述电机控制模块用于通过所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：目标电机模型构建模块，所述目标电机模型构建模块用于基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；仿真试验方案获取模块，所述仿真试验方案获取模块用于获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；空载试验模块，所述空载试验记录模块用于根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；负载试验模块，所述负载试验模块用于根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；系统控制性能评价模块，所述系统控制性能评价模块用于分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：试验记录提取模块，所述试验记录提取模块用于提取所述空载试验记录或所述负载试验记录中的任意试验记录；试验记录分析模块，所述试验记录分析模块用于分析所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；加权计算模块，所述加权计算模块用于对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；控制性能评价模块，所述控制性能评价模块用于根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

根据本公开采用的一种无刷直流电机的转速控制方法，采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；所述空载控制模型和所述负载控制模型组成智能控制模型；基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：提取所述空载试验记录或所述负载试验记录中的任意试验记录；其中，所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。基于上述分析可知，本公开提供了一种无刷直流电机的转速控制方法，在本实施例中，通过采集目标无刷直流电机的历史运行记录构建空载训练数据集和负载训练数据集，基于空载训练数据集和负载训练数据集分别训练得到空载控制模型和负载控制模型，从而获得智能控制模型，通过智能控制模型对目标无刷直流电机进行控制，达到提高无刷直流电机控制系统的控制性能、控制稳定性以及可靠性的技术效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本公开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示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种无刷直流电机的转速控制方法的流程示意图；

图2为本发明实施例中得到空载控制模型的流程示意图；

图3为本发明实施例中进行系统控制性能评价的流程示意图；

图4为本发明实施例提供的一种无刷直流电机的转速控制系统的结构示意图。

附图标记说明：历史运行记录采集模块11，训练数据集获取模块12，控制模型获取模块13，智能控制模型生成模块14，预设特征参数确定模块15，实时特征参数识别模块16，电机控制模块17。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决现有的无刷直流电机控制系统中存在的由于对控制参数的把握不够准确，进而导致控制对无刷直流电机的控制性能、控制稳定性以及可靠性不足的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种无刷直流电机的转速控制方法及系统。

实施例1

图1为本申请实施例提供的一种无刷直流电机的转速控制方法图，如图1所示，所述方法包括：

步骤S100：采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；

具体而言，本申请实施例提供了一种无刷直流电机的转速控制方法，无刷直流电机是随着半导体电子技术快速的发展，在有刷直流电机基础上结合了一种低成本的永磁材料而产生的一种新型机电一体化电机，与传统有刷直流电机相比，无刷直流电机具有效率高、可靠性好、噪音低、寿命长等优点，无刷直流电机结构主要是由电机本体、转子位置检测机构和电子换相电路组成。具体地，目标无刷直流电机是指需要进行转速控制的无刷直流电机，历史运行记录是指在过去的一段时间内无刷直流电机在运行过程中产生的数据，历史运行记录包括电机空载记录和电机负载记录，电机空载记录是指电机在不带负荷的情况下运行产生的数据，电机负载记录是指电机在承担载荷的情况下运行产生的数据，比如电机需要吊动物体、拉动机台运行等情况下产生的数据即为电机负载记录，通过获取目标无刷直流电机的历史运行记录，达到了为后续的无刷直流电机的转速控制提供基础数据的效果。

步骤S200：组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；

其中，所述组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集，本申请实施例步骤S200包括：

步骤S210：依次提取所述电机空载记录和所述电机负载记录中的预设特征参数信息，分别得到空载特征参数集和负载特征参数集；

步骤S220：获得所述空载特征参数集中的第一空载特征参数，并匹配第一历史控制参数；

步骤S230：根据所述第一空载特征参数和所述第一历史控制参数及其对应关系，组建所述空载训练数据集；

步骤S240：获得所述负载特征参数集中的第一负载特征参数，并匹配第二历史控制参数；

步骤S250：根据所述第一负载特征参数和所述第二历史控制参数及其对应关系，组建所述负载训练数据集。

具体而言，预设特征集是指电机运行时的数据类型，包括额定电压、额定电流、额定转速、定子相电阻、定子相电感、电压常数、转矩常数、转动惯量、阻力因子极对数等，根据预设特征集对电机空载记录和电机负载记录依次进行筛选分析，简单来说，就是从电机空载记录中提取出预设特征集中所有数据类型对应的参数，得到空载训练数据集，从电机负载记录中提取出预设特征集中所有数据类型对应的参数，得到负载训练数据集。

具体地，分别从电机空载记录和电机负载记录提取出与预设特征集对应的参数信息，得到空载特征参数集和负载特征参数集，第一空载特征参数是指空载特征参数集中的任一参数，获得空载特征参数集中的第一空载特征参数，并匹配第一历史控制参数，第一历史控制参数是指与第一空载特征参数对应的用于对电机的运行进行控制的历史参数，进而根据第一空载特征参数和第一历史控制参数及其对应关系，组建空载训练数据集，简单来说，就是空载训练数据集包含两种类型的数据，分别是空载特征参数和历史控制参数，空载特征参数和历史控制参数具有对应关系，一个空载特征参数对应一个历史控制参数，所有的空载特征参数与其对应的历史控制参数共同组成空载训练数据集。进一步地，获得负载特征参数集中的第一负载特征参数，并匹配第二历史控制参数，第一负载特征参数是指负载特征参数集中的任一参数，第二历史控制参数是指与第一负载特征参数对应的用于对电机的运行进行控制的历史参数，与空载训练数据集的组建方法一样，根据第一负载特征参数和第二历史控制参数及其对应关系，组建负载训练数据集，通过组建空载训练数据集和负载训练数据集，达到为后续的空载控制模型和负载控制模型提供训练数据的效果。

步骤S300：基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；

其中，所述基于所述空载训练数据集训练得到空载控制模型，如图2所示，本申请实施例步骤S300还包括：

步骤S310：将所述空载训练数据集随机划分得到第一划分结果；

步骤S320：基于所述第一划分结果中的第一数据集，训练得到灰狼优化模型；

步骤S330：基于所述第一划分结果中的第二数据集，训练得到循环神经网络模型；

步骤S340：基于所述第一划分结果中的第三数据集，训练得到梯度提升决策树模型；

步骤S350：对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合，得到所述空载控制模型。

其中，在所述对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合之后，本申请实施例步骤S350还包括：

步骤S351：将所述空载训练数据集随机划分得到第二划分结果；

步骤S352：获取多个集成空载控制模型，并随机提取其中任意一个集成空载控制模型；

步骤S353：获取所述任意一个集成空载控制模型的初级学习器、元学习器；

步骤S354：提取所述第二划分结果中的第四数据集，并通过所述初级学习器对所述第四数据集进行控制分析，得到初级控制参数；

步骤S355：将所述初级控制参数输入所述元学习器，得到所述任意一个集成空载控制模型的智能控制参数；

步骤S356：评价所述智能控制参数的控制性能，并确定所述空载控制模型。

其中，在所述评价所述智能控制参数的控制性能，并确定所述空载控制模型之后还有步骤S357，本申请实施例步骤S357包括：

步骤S3571：提取所述第二划分结果中的第五数据集；

步骤S3572：基于所述第五数据集对所述任意一个集成空载控制模型进行控制检验，得到控制检验结果；

步骤S3573：根据所述控制检验结果对所述空载控制模型进行调整。

具体而言，根据空载训练数据集对空载控制模型进行训练，根据负载训练数据集对负载控制模型进行训练。

具体地，基于空载训练数据集训练得到空载控制模型，首先将空载训练数据集随机划分，获取第一划分结果，第一划分结果包含第一数据集、第二数据集、第三数据集，根据第一划分结果中的第一数据集，训练得到灰狼优化模型，灰狼优化模型是一种统计优化算法，其优点是算法操作简单、设置参数少、鲁棒性强、收敛速度更快、求解精度更高，通过第一数据集对灰狼优化模型进行训练，寻找最优的控制参数。根据第一划分结果中的第二数据集，训练得到循环神经网络模型，循环神经网络模型是根据第二数据集中的数据构建一个基于全连接网络的模型，来预测此时刻的隐藏状态（或隐藏变量），然后根据该隐藏状态预测出此时刻的控制参数（这是模型的输出层）。根据第一划分结果中的第三数据集，训练得到梯度提升决策树模型，梯度提升决策树模型是一种迭代的决策树算法，由多棵决策树组成，是进行多分类的算法模型。梯度提升采用连续的方式构造树，每棵树都试图纠正前一棵树的错误。默认情况下，梯度提升决策树中没有随机化，而是用到了强预剪枝。梯度提升树通常使用深度很小的数，这样模型占用内存更少，预测速度也更快。三种模型都是用于对电机进行控制的模型，对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合，简单来说，将所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型作为三个子模型，对三个子模型进行组合，组合方式有多种，比如灰狼优化模型→循环神经网络模型→梯度提升决策树模型、循环神经网络模型→灰狼优化模型→梯度提升决策树模型，进而得到多个集成空载控制模型，对多个集成空载控制模型进行控制性能分析，从而确定空载控制模型。同理，负载控制模型与空载控制模型采用相同的方法进行构建，通过模型的集成组合，达到提高控制参数的准确性和稳定性的技术效果。

具体地，将空载训练数据集随机划分得到第二划分结果，第二划分结果包括第四数据集、第五数据集，获取多个集成空载控制模型，多个集成空载控制模型是由灰狼优化模型、循环神经网络模型和梯度提升决策树模型进行融合得到的，随机提取其中任意一个集成空载控制模型，获取任意一个集成空载控制模型的初级学习器、元学习器，集成空载控制模型是由灰狼优化模型、循环神经网络模型和梯度提升决策树模型进行组合得到的，初级学习器和元学习器是对三种模型进行组合得到的，初级学习器的输出作为元学习器的输入，示例如，初级学习器可以是灰狼优化模型、循环神经网络模型，元学习器就是梯度提升决策树模型，进一步地，提取第二划分结果中的第四数据集，并通过初级学习器对第四数据集进行控制分析，输出初级控制参数，将初级控制参数输入元学习器，得到任意一个集成空载控制模型的智能控制参数，评价智能控制参数的控制性能，将控制性能最好的集成模型作为最终的控制模型，从而确定空载控制模型，达到通过对多个集成模型进行控制性能评价，从而选出最优控制性能的模型，提高控制准确性和可靠性的技术效果。

具体地，第二划分结果包含第四数据集和第五数据集，提取第二划分结果中的第五数据集，根据第五数据集对任意一个集成空载控制模型进行控制检验，简单来说，就是对任意一个集成空载控制模型再次进行控制分析，得到检验智能控制参数，对检验智能控制参数进行评价，评价检验智能控制参数的控制性能，从而得到控制检验结果，控制检验结果就是指对检验智能控制参数的控制性能的评价结果，根据控制检验结果对空载控制模型进行调整优化，达到提升空载控制模型对电机的控制性能以及控制稳定性的技术效果。

步骤S400：所述空载控制模型和所述负载控制模型组成智能控制模型；

具体而言，通过空载训练数据集和负载训练数据集分别训练得到了空载控制模型和负载控制模型，空载控制模型和负载控制模型共同组成智能控制模型，智能控制模型用于对目标无刷直流电机的运行进行控制。

步骤S500：基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；

具体而言，预设特征参数是指与预设特征集中包含的特征对应的特征参数，比如额定电压、额定电流、额定转速、定子相电阻、定子相电感、电压常数、转矩常数、转动惯量等，将预设特征参数存储至智能识别模型，用于识别无刷直流电机运行时的特征参数。

步骤S600：采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；

具体而言，实时特征参数是指目标无刷直流电机运行时的特征参数，包括额定电压、额定电流、额定转速、定子相电阻、定子相电感、电压常数、转矩常数、转动惯量、阻力因子极对数等，智能识别模型用于对实时特征参数进行识别，从实时特征参数中筛选出与预设特征参数对应的特征参数，因为智能控制模型包含空载运控制模型和负载控制模型，所以需要同时根据实时特征参数识别出电机处于空载运行还是负载运行，便于选择对应的控制模型进行电机运行控制，实时识别结果就包括电机处于空载运行状态或者负载运行状态，以及实时特征参数中与预设特征参数对应的特征参数，基于此，为后续的电机控制提供数据支持。

步骤S700：所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制。

具体而言，通过智能控制模型，根据实时识别结果对目标无刷直流电机进行控制，简单来说，将实时识别结果输入智能控制模型，获得控制参数，用于对目标无刷直流电机进行控制。

其中，如图3所示，在所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制之后，本申请实施例步骤S800还包括：

步骤S810：基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；

步骤S820：获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；

步骤S830：根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；

步骤S840：根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；

步骤S850：分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价。

其中，所述分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，本申请实施例步骤S850包括：

步骤S851：提取所述空载试验记录或所述负载试验记录中的任意试验记录；

步骤S852：其中，所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；

步骤S853：对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；

步骤S854：根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

具体而言，在建立无刷直流电机的数学模型之前先做一些准备工作，预设建模约束是指对电机运行环境的假设，在假设的理想环境下，对电机进行分析，比如，电机铁芯没有饱和现象，不受磁滞损耗和涡流损耗的影响；电枢导体表面连续且分布均匀，没有齿槽效应；不计电枢反应，例如认为平顶角都为120°电角度的梯形波；电子开关电路具有理想的开关特性等，根据无刷直流电机的结构，分析其工作机理，推导出数学模型，即为目标电机模型，示例如，无刷直流电机结构主要是由电机本体、转子位置检测机构和电子换相电路组成。数学模型，也就是目标电机模型是用于描述电机电枢绕组与磁极、电压、电流、磁势、磁链等电磁量与转矩和转速等机械量之间随时间和空间位置变化的相互关系的方程，进一步地，获取仿真试验方案，仿真试验方案是指对电机运行情况进行仿真模拟的方法，就是通过软件仿真平台对电机的结构、电路进行搭建，模拟电机的运行情况，软件仿真平台包括但不限于MATLAB/Simulink，本申请实施例对软件仿真平台不做限制，仿真试验方案包括空载仿真方案和负载仿真方案，空载仿真方案是指电机在没有负载的情况下的仿真方案，负载仿真方案是指电机在有负载的情况下规划出的仿真试验方案，分别按照空载仿真方案和负载仿真方案中的方法步骤对目标电机模型进行对照仿真试验，对试验结果进行记录，得到空载试验记录和负载试验记录，空载试验记录和负载试验记录就是指进行仿真试验是产生的数据结果，将空载试验记录和负载试验记录进行整合就可以得到仿真结果，对仿真结果进行系统控制性能评价，就是对控制性能进行量化评价，使得可以清楚地看出对电机的控制性能的高低，达到准确进行控制性能评价，便于根据控制性能优化控制模型的效果。

具体地，分析空载试验记录和负载试验记录得到仿真结果，并根据仿真结果进行系统控制性能评价，空载试验记录和负载试验记录中包含多个试验记录，首先提取空载试验记录或负载试验记录中的任意试验记录，其中，所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据，响应速度数据是指电机控制系统趋于平稳所需的时间，超调现象数据是指对电机控制的实际量（例如位置、速度）超过目标量的数据，稳态误差数据是自动控制系统在稳态下的对控制精度的度量，就是当系统从一个稳态过度到新的稳态，或系统受扰动作用又重新平衡后，系统可能会出现偏差，这种偏差称为稳态误差。进而对响应速度数据、超调现象数据和稳态误差数据进行加权计算，可以根据实际情况，对响应速度数据、超调现象数据和稳态误差数据设置不同的权重系数，然后进行加权计算，从而得到任意试验控制性能指数，任意试验控制性能指数即为加权计算结果，根据任意试验控制性能指数进行对应控制算法的控制性能评价，就是对控制系统的控制效果进行评价，使得可以清晰地获得系统控制性能的好坏，达到准确评价控制系统的控制性能的技术效果。

基于上述分析可知，本公开提供了一种无刷直流电机的转速控制方法，在本实施例中，通过采集目标无刷直流电机的历史运行记录构建空载训练数据集和负载训练数据集，基于空载训练数据集和负载训练数据集分别训练得到空载控制模型和负载控制模型，从而获得智能控制模型，通过智能控制模型对目标无刷直流电机进行控制，达到提高无刷直流电机控制系统的控制性能、控制稳定性以及可靠性的技术效果。

实施例2

基于与前述实施例中一种无刷直流电机的转速控制方法同样的发明构思，如图4所示，本申请还提供了一种无刷直流电机的转速控制系统，所述系统包括：

历史运行记录采集模块11，所述历史运行记录采集模块11用于采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；

训练数据集获取模块12，所述训练数据集获取模块12用于组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；

控制模型获取模块13，所述控制模型获取模块13用于基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；

智能控制模型生成模块14，所述智能控制模型生成模块14用于通过所述空载控制模型和所述负载控制模型组成智能控制模型；

预设特征参数确定模块15，所述预设特征参数确定模块15用于基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；

实时特征参数识别模块16，所述实时特征参数识别模块16用于采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；

电机控制模块17，所述电机控制模块17用于通过所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：

目标电机模型构建模块，所述目标电机模型构建模块用于基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；

仿真试验方案获取模块，所述仿真试验方案获取模块用于获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；

空载试验模块，所述空载试验记录模块用于根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；

负载试验模块，所述负载试验模块用于根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；

系统控制性能评价模块，所述系统控制性能评价模块用于分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：

试验记录提取模块，所述试验记录提取模块用于提取所述空载试验记录或所述负载试验记录中的任意试验记录；

试验记录分析模块，所述试验记录分析模块用于分析所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；

加权计算模块，所述加权计算模块用于对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；

控制性能评价模块，所述控制性能评价模块用于根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

进一步而言，所述系统还包括：

预设特征参数提取模块，所述预设特征参数提取模块用于依次提取所述电机空载记录和所述电机负载记录中的预设特征参数信息，分别得到空载特征参数集和负载特征参数集；

第一历史控制参数匹配模块，所述第一历史控制参数匹配模块用于获得所述空载特征参数集中的第一空载特征参数，并匹配第一历史控制参数；

空载训练数据集组建模块，所述空载训练数据集组建模块用于根据所述第一空载特征参数和所述第一历史控制参数及其对应关系，组建所述空载训练数据集；

第二历史控制参数匹配模块，所述第二历史控制参数匹配模块用于获得所述负载特征参数集中的第一负载特征参数，并匹配第二历史控制参数；

负载训练数据集组建模块，所述负载训练数据集组建模块用于根据所述第一负载特征参数和所述第二历史控制参数及其对应关系，组建所述负载训练数据集。

进一步而言，所述系统还包括：

第一划分结果获取模块，所述第一划分结果获取模块用于将所述空载训练数据集随机划分得到第一划分结果；

灰狼优化模型训练模块，所述灰狼优化模型训练模块用于基于所述第一划分结果中的第一数据集，训练得到灰狼优化模型；

循环神经网络模型训练模块，所述循环神经网络模型训练模块用于基于所述第一划分结果中的第二数据集，训练得到循环神经网络模型；

梯度提升决策树模型训练模块用于基于所述第一划分结果中的第三数据集，训练得到梯度提升决策树模型；

模型融合模块，所述模型融合模块用于对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合，得到所述空载控制模型。

进一步而言，所述系统还包括：

第二划分结果获取模块，所述第二划分结果获取模块用于将所述空载训练数据集随机划分得到第二划分结果；

集成空载控制模型提取模块，所述集成空载控制模型提取模块用于获取多个集成空载控制模型，并随机提取其中任意一个集成空载控制模型；

模型分析模块，所述模型分析模块用于获取所述任意一个集成空载控制模型的初级学习器、元学习器；

控制分析模块，所述控制分析模块用于提取所述第二划分结果中的第四数据集，并通过所述初级学习器对所述第四数据集进行控制分析，得到初级控制参数；

智能控制参数获取模块，所述智能控制参数获取模块用于将所述初级控制参数输入所述元学习器，得到所述任意一个集成空载控制模型的智能控制参数；

控制性能评价模块，所述控制性能评价模块用于评价所述智能控制参数的控制性能，并确定所述空载控制模型。

进一步而言，所述系统还包括：

第五数据集提取模块，所述第五数据集提取模块用于提取所述第二划分结果中的第五数据集；

控制检验模块，所述控制检验模块用于基于所述第五数据集对所述任意一个集成空载控制模型进行控制检验，得到控制检验结果；

模型调整模块，所述模型调整模块用于根据所述控制检验结果对所述空载控制模型进行调整。

前述实施例一中的一种无刷直流电机的转速控制方法具体实例同样适用于本实施例的一种无刷直流电机的转速控制系统，通过前述对一种无刷直流电机的转速控制方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种无刷直流电机的转速控制系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，

只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (6)

1.一种无刷直流电机的转速控制方法，其特征在于，包括：

采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；

组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；

基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；

所述空载控制模型和所述负载控制模型组成智能控制模型；

基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；

采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；

所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：

基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；

获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；

根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；

根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；

分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：

提取所述空载试验记录或所述负载试验记录中的任意试验记录；

其中，所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；

对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；

根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

2.根据权利要求1所述的转速控制方法，其特征在于，所述组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集，包括：

依次提取所述电机空载记录和所述电机负载记录中的预设特征参数信息，分别得到空载特征参数集和负载特征参数集；

获得所述空载特征参数集中的第一空载特征参数，并匹配第一历史控制参数；

根据所述第一空载特征参数和所述第一历史控制参数及其对应关系，组建所述空载训练数据集；

获得所述负载特征参数集中的第一负载特征参数，并匹配第二历史控制参数；

根据所述第一负载特征参数和所述第二历史控制参数及其对应关系，组建所述负载训练数据集。

3.根据权利要求2所述的转速控制方法，其特征在于，所述基于所述空载训练数据集训练得到空载控制模型，包括：

将所述空载训练数据集随机划分得到第一划分结果；

基于所述第一划分结果中的第一数据集，训练得到灰狼优化模型；

基于所述第一划分结果中的第二数据集，训练得到循环神经网络模型；

基于所述第一划分结果中的第三数据集，训练得到梯度提升决策树模型；

对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合，得到所述空载控制模型。

4.根据权利要求3所述的转速控制方法，其特征在于，在所述对所述灰狼优化模型、所述循环神经网络模型和所述梯度提升决策树模型进行融合之后，还包括：

将所述空载训练数据集随机划分得到第二划分结果；

获取多个集成空载控制模型，并随机提取其中任意一个集成空载控制模型；

获取所述任意一个集成空载控制模型的初级学习器、元学习器；

提取所述第二划分结果中的第四数据集，并通过所述初级学习器对所述第四数据集进行控制分析，得到初级控制参数；

将所述初级控制参数输入所述元学习器，得到所述任意一个集成空载控制模型的智能控制参数；

评价所述智能控制参数的控制性能，并确定所述空载控制模型。

5.根据权利要求4所述的转速控制方法，其特征在于，在所述评价所述智能控制参数的控制性能，并确定所述空载控制模型之后，还包括：

提取所述第二划分结果中的第五数据集；

基于所述第五数据集对所述任意一个集成空载控制模型进行控制检验，得到控制检验结果；

根据所述控制检验结果对所述空载控制模型进行调整。

6.一种无刷直流电机的转速控制系统，其特征在于，所述系统包括：

历史运行记录采集模块，所述历史运行记录采集模块用于采集目标无刷直流电机的历史运行记录，其中，所述历史运行记录包括电机空载记录和电机负载记录；

训练数据集获取模块，所述训练数据集获取模块用于组建预设特征集，并基于所述预设特征集对所述电机空载记录和所述电机负载记录依次进行筛选分析，分别得到空载训练数据集和负载训练数据集；

控制模型获取模块，所述控制模型获取模块用于基于所述空载训练数据集训练得到空载控制模型，基于所述负载训练数据集训练得到负载控制模型；

智能控制模型生成模块，所述智能控制模型生成模块用于通过所述空载控制模型和所述负载控制模型组成智能控制模型；

预设特征参数确定模块，所述预设特征参数确定模块用于基于所述预设特征集确定预设特征参数，并将其存储至智能识别模型；

实时特征参数识别模块，所述实时特征参数识别模块用于采集所述目标无刷直流电机的实时特征参数，并通过所述智能识别模型对所述实时特征参数进行分析识别，得到实时识别结果；

电机控制模块，所述电机控制模块用于通过所述智能控制模型基于所述实时识别结果对所述目标无刷直流电机进行控制，还包括：

目标电机模型构建模块，所述目标电机模型构建模块用于基于预设建模约束对所述目标无刷直流电机进行分析，并根据分析结果构建目标电机模型；

仿真试验方案获取模块，所述仿真试验方案获取模块用于获取仿真试验方案，其中包括空载仿真方案和负载仿真方案；

空载试验模块，所述空载试验记录模块用于根据所述空载仿真方案对所述目标电机模型进行对照仿真试验，得到空载试验记录；

负载试验模块，所述负载试验模块用于根据所述负载仿真方案对所述目标电机模型进行对照仿真试验，得到负载试验记录；

系统控制性能评价模块，所述系统控制性能评价模块用于分析所述空载试验记录和所述负载试验记录得到仿真结果，并根据所述仿真结果进行系统控制性能评价，包括：

试验记录提取模块，所述试验记录提取模块用于提取所述空载试验记录或所述负载试验记录中的任意试验记录；

试验记录分析模块，所述试验记录分析模块用于分析所述任意试验记录包括响应速度数据、超调现象数据、稳态误差数据；

加权计算模块，所述加权计算模块用于对所述响应速度数据、所述超调现象数据和所述稳态误差数据进行加权计算，得到任意试验控制性能指数；

控制性能评价模块，所述控制性能评价模块用于根据所述任意试验控制性能指数进行对应控制算法的控制性能评价。

Images