CN116241526B - 一种智能化的伺服阀模式调节方法及系统 - Google Patents
一种智能化的伺服阀模式调节方法及系统 Download PDFInfo
- Publication number
- CN116241526B CN116241526B CN202310535264.6A CN202310535264A CN116241526B CN 116241526 B CN116241526 B CN 116241526B CN 202310535264 A CN202310535264 A CN 202310535264A CN 116241526 B CN116241526 B CN 116241526B
- Authority
- CN
- China
- Prior art keywords
- control
- displacement
- servo valve
- index
- clustering
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B13/00—Details of servomotor systems ; Valves for servomotor systems
- F15B13/02—Fluid distribution or supply devices characterised by their adaptation to the control of servomotors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B21/00—Common features of fluid actuator systems; Fluid-pressure actuator systems or details thereof, not covered by any other group of this subclass
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B21/00—Common features of fluid actuator systems; Fluid-pressure actuator systems or details thereof, not covered by any other group of this subclass
- F15B21/08—Servomotor systems incorporating electrically operated control means
- F15B21/087—Control strategy, e.g. with block diagram
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明提供了一种智能化的伺服阀模式调节方法及系统,涉及数据处理技术领域,获取伺服阀性能指标约束区间,根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换,解决了现有技术中进行伺服阀模式调节控制时,由于与工作场景的适应度较低,且对于伺服控制参数的配置准确度不足,导致控制能效欠缺,较之理论控制效果存在一定的偏差的技术问题,结合伺服场景匹配适配伺服驱动流程,获取伺服阀性能指标约束区间作为限制条件,基于预设优化规则进行驱动控制参数优化,实现场景契合性精准驱动执行控制,保障控制能效最优化。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种智能化的伺服阀模式调节方法及系统。
背景技术
伺服阀作为进行阀门开度控制的配置,基于控制信号与反馈信号进行调差转换,以进行阀门开度调控,由于数字化伺服阀的控制精度较高且较为敏感,为针对上传的伺服阀状态信息最大化保障控制能效,当前进行伺服阀执行控制时,基于预先设定的控制参数进行控制执行,无法结合具体控制场景需求得到有效适配调整,导致最终的伺服控制能效受限。
现有技术中,进行伺服阀模式调节控制时,由于与工作场景的适应度较低,且对于伺服控制参数的配置准确度不足,导致控制能效欠缺,较之理论控制效果存在一定的偏差。
发明内容
本申请提供了一种智能化的伺服阀模式调节方法及系统,用于针对解决现有技术中存在的进行伺服阀模式调节控制时,由于与工作场景的适应度较低,且对于伺服控制参数的配置准确度不足,导致控制能效欠缺,较之理论控制效果存在一定的偏差的技术问题。
鉴于上述问题,本申请提供了一种智能化的伺服阀模式调节方法及系统。
第一方面,本申请提供了一种智能化的伺服阀模式调节方法,所述方法包括:
获取伺服阀性能指标约束区间;
根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,所述预设优化规则基于入侵杂草优化改进算法确定。
第二方面,本申请提供了一种智能化的伺服阀模式调节系统,所述系统包括:
约束区间获取模块,所述约束区间获取模块用于获取伺服阀性能指标约束区间;
控制模式优化模块,所述控制模式优化模块用于根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,所述预设优化规则基于入侵杂草优化改进算法确定。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种智能化的伺服阀模式调节方法,获取伺服阀性能指标约束区间,根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换,其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,所述预设优化规则基于入侵杂草优化改进算法确定,解决了现有技术中存在的进行伺服阀模式调节控制时,由于与工作场景的适应度较低,且对于伺服控制参数的配置准确度不足,导致控制能效欠缺,较之理论控制效果存在一定的偏差的技术问题,结合伺服场景匹配适配伺服驱动流程,获取伺服阀性能指标约束区间作为限制条件,基于预设优化规则进行驱动控制参数优化,实现场景契合性精准驱动执行控制,保障控制能效最优化。
附图说明
图1为本申请提供了一种智能化的伺服阀模式调节方法流程示意图;
图2为本申请提供了一种智能化的伺服阀模式调节方法中伺服阀性能指标约束区间获取流程示意图;
图3为本申请提供了一种智能化的伺服阀模式调节方法中控制模式优化与切换流程示意图;
图4为本申请提供了一种智能化的伺服阀模式调节系统结构示意图。
附图标记说明:约束区间获取模块11,控制模式优化模块12。
具体实施方式
本申请通过提供一种智能化的伺服阀模式调节方法及系统,获取伺服阀性能指标约束区间,根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换,用于解决现有技术中存在的进行伺服阀模式调节控制时,由于与工作场景的适应度较低,且对于伺服控制参数的配置准确度不足,导致控制能效欠缺,较之理论控制效果存在一定的偏差的技术问题。
实施例一
如图1所示,本申请提供了一种智能化的伺服阀模式调节方法,应用于数字化伺服阀,所述方法包括:
步骤S100:获取伺服阀性能指标约束区间;
步骤S200:根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,所述预设优化规则基于入侵杂草优化改进算法确定。
具体而言,伺服阀作为进行阀门开度控制的配置,基于控制信号与反馈信号进行调差转换,以进行阀门开度调控,由于数字化伺服阀的控制精度较高且较为敏感,为针对上传的伺服阀状态信息最大化保障控制能效,本申请提供的一种智能化的伺服阀模式调节方法应用于数字化伺服阀,基于数字控制方法进行场景契合性驱动控制。
具体的,结合接收的伺服场景信息进行伺服驱动流程匹配,针对匹配的归类流程节点,对多维的伺服阀性能指标类型分别进行约束分析,包括操作位移、位移速度、振动幅度、位移偏差与响应时长,集成各指标约束区间,作为所述伺服阀性能指标约束区间。激活满足执行需求的算力模块,将模块执行模式作为推荐控制模式,进一步基于所述预设优化规则,即基于入侵杂草优化改进算法进行驱动控制参数扩充筛选的执行规则,确定具有场景契合度的高适应度的优化驱动控制参数,添加进推荐控制模式中,以针对具体伺服场景切换适配控制模式,基于确定的优化驱动控制参数进行伺服阀执行控制,最大化保障控制能效。
进一步而言,如图2所示,所述获取伺服阀性能指标约束区间,本申请步骤S100还包括:
步骤S110:接收用户端上传的所述伺服场景信息,其中,所述伺服场景信息包括驱动物类型、操作对象类型和操作对象状态信息;
步骤S120:根据所述驱动物类型和所述操作对象类型从所述用户端调取伺服驱动流程信息;
步骤S130:根据所述操作对象状态信息对所述伺服驱动流程信息进行归类,获取归类流程节点;
步骤S140:根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析,获取所述伺服阀性能指标约束区间;
其中,所述伺服阀性能指标类型至少包括以下任意一项:控制精度指标、响应速度指标、控制稳定性指标和设备稳定性指标。
进一步而言,根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析,获取所述伺服阀性能指标约束区间,本申请步骤S140还包括:
步骤S141:根据所述归类流程节点采集操作记录数据,所述操作记录数据包括操作位移记录量、位移速度记录量、驱动设备振动幅度、位移偏差记录量和响应时长记录量;
步骤S142:遍历所述操作位移记录量、所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量和所述响应时长记录量进行层次聚类分析,获取操作位移记录量聚类结果、位移速度记录量聚类结果、振动幅度记录量聚类结果、位移偏差记录量聚类结果和响应时长记录量聚类结果;
步骤S143:遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果进行高频记录量筛选,生成所述伺服阀性能指标约束区间。
进一步而言,遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果进行高频记录量筛选,生成所述伺服阀性能指标约束区间,本申请步骤S143还包括:
步骤S1431:筛选所述操作位移记录量聚类结果中大于或等于第一聚类数量阈值的多个聚类结果的最小位移量,设为控制精度第一指标约束区间;
步骤S1432:筛选所述位移速度记录量聚类结果中大于或等于第二聚类数量阈值的多个聚类结果的最大位移速度,设为控制精度第二指标约束区间;
步骤S1433:筛选所述振动幅度记录量聚类结果中大于或等于第三聚类数量阈值的多个聚类结果的最大振动幅度,设为设备稳定性指标约束区间;
步骤S1434:筛选所述位移偏差记录量聚类结果中大于或等于第四聚类数量阈值的多个聚类结果的最大位移偏差,设为控制稳定性指标约束区间;
步骤S1435:筛选所述响应时长记录量聚类结果中大于或等于第五聚类数量阈值的多个聚类结果的最大响应时长,设为响应速度指标约束区间。
具体而言,对所述伺服阀待驱动控制目标进行类型鉴别,例如机械设备,作为所述驱动物类型;确定驱动物的操作对象,例如,基于伺服阀驱动机械手进行产品加工,待加工产品为操作对象,确定所述操作对象类型;对待加工产品的实时状态进行采集,包括产品材料、形状、摆放位置等参数,作为所述操作对象状态信息,集成所述驱动物类型、所述操作对象类型与所述操作对象状态信息,作为所述伺服场景信息,对用户端上传的所述伺服场景信息进行接收。所述驱动物类型与所述操作对象类型的差异,对应的具体伺服驱动流程不同,结合所述驱动物类型与所述操作对象类型,从所述用户端调取执行伺服驱动的完整流程,包括多个流程节点,作为所述伺服驱动流程信息,所述伺服驱动流程信息为用户端提前设定的伺服阀需要执行驱动操作的流程数据,不同流程节点与所述操作对象状态信息一一关联,整合表征为列表形式进行存储。遍历所述伺服驱动流程信息,对所述操作对象状态信息进行匹配,将匹配结果对应的伺服驱动流程节点作为所述归类流程节点,即与所述操作对象状态信息相适配的流程节点。进一步根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析。
具体的,对所述归类流程节点处于的驱动正常状态对应的历史操作数据进行采集,针对各条历史操作数据,分别进行操作执行参数提取,包括所述操作位移记录量、所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量与所述响应时长记录量,对提取的上述操作执行参数进行同归属记录关联与时序节点标识,生成多个操作序列,集成获取所述操作记录数据。进一步的,遍历所述操作位移记录量,对其进行层次聚类分析,示例性的,基于自底向上策略执行层次聚类,具体的,将所述操作位移记录量中各个数据作为一聚类簇,两两进行聚类簇间相似度分析,针对相似度满足预设相似度标准的聚类簇进行合并,所述预设相似度为自定义设定的判定是否进行聚类簇合并的临界相似度,逐层进行聚类簇相似度分析与合并,直至满足终止要求,例如所有对象满足簇数目等,将确定的多个聚类簇作为所述操作位移记录量聚类结果。针对所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量和所述响应时长记录量,基于相同层次聚类步骤进行聚类处理,生成所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果。
进一步遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果,针对所述控制精度指标、所述响应速度指标、所述控制稳定性指标和所述设备稳定性指标分别进行高频记录量筛选与指标约束区间限定。
具体的,设定所述第一聚类数量阈值,即自定义设定的用于进行所述操作位移记录量聚类结果筛选限定的临界聚类簇数量,遍历所述操作位移记录量聚类结果,筛选大于等于所述第一聚类数量阈值的具有代表性的多个聚类结果,对小于所述第一聚类数量阈值的具有偶然性的聚类结果进行忽略,以保障确定的约束区间的准确度,进行数据识别校对确定最小位移量,即具有控制可执行性的最佳位移量,设为所述控制精度第一指标约束区间;设定所述第二聚类数量阈值,即自定义设定的用于进行所述位移速度记录量聚类结果筛选限定的临界聚类簇数量,遍历所述位移速度记录量聚类结果,筛选大于或等于所述第二聚类数量阈值的多个具有代表性的多个聚类结果,进行数据校对确定最大位移速度,设为所述控制精度第二指标约束区间。
同理,设定所述第三聚类数量阈值、所述第四聚类数量阈值与所述第五聚类数量阈值,具体阈值设定方式同上,遍历所述振动幅度记录量聚类结果,筛选大于等于所述第三聚类数量阈值的多个聚类结果,进行数据校对确定最大振动幅度,作为所述设备稳定性指标约束区间;遍历所述位移偏差记录量聚类结果,筛选大于等于所述第四聚类数量阈值的多个聚类结果,校对确定最大位移偏差,作为控制稳定性指标约束区间;遍历所述响应时长记录量聚类结果,筛选其中大于或等于所述第五聚类数量阈值的多个聚类结果,校对确定最大响应时长,作为所述响应速度指标约束区间,优选的,上述聚类数量阈值可依据待分析聚类结果中各聚类簇的包含数据量及不同区间数据占比状况进行参考确定。
进一步的,集成所述控制精度第一指标约束区间、所述控制精度第二指标约束区间、所述设备稳定性指标约束区间、所述控制稳定性指标约束区间与所述响应速度指标约束区间并进行指标映射对应,作为所述伺服阀性能指标约束区间。
进一步而言,如图3所示,根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换,本申请步骤S200还包括:
步骤S210:当所述响应速度指标约束区间的最大响应时长小于或等于响应时长阈值时,或/和所述控制精度第一指标约束区间的最小位移量小于或等于位移量阈值时,激活所述数字化伺服阀的高频算力模块,所述高频算力模块包括多个算力中心,用于执行高速度或/和高精度的控制模式;
步骤S220:否则,激活所述数字化伺服阀的低频算力模块,所述低频算力模块包括一个算力中心,用于执行低速度或/和低精度的控制模式;
步骤S230:根据所述高频算力模块或所述低频算力模块,基于所述预设优化规则进行控制模式优化,获取所述推荐控制模式进行伺服阀模式切换。
进一步而言,所述预设优化规则包括:
步骤S231:获取内嵌于所述数字化伺服阀的控制状态多目标映射模型,所述控制状态多目标映射模型用于响应所述数字化伺服阀的驱动控制参数,输出控制状态映射结果,其中,所述控制状态映射结果至少包括可控最小位移量、可控最大位移速度、可控最小振动幅度和可控最小位移偏差;
步骤S232:遍历所述控制精度指标的控制精度第一指标和控制精度第二指标、所述控制稳定性指标和所述设备稳定性指标进行权重分布,获取指标权重分布结果,任意一个权重大于等于0,小于或等于1;
步骤S233:根据所述指标权重分布结果构建优化适应度函数:
其中,表征第/>组控制参数的适应度,/>表征第/>组控制参数的第k个指标的映射量,/>表征第k个指标的约束边界,/>表征第k个指标的指标权重分布结果,表征第i组控制参数;
步骤S234:根据所述控制状态多目标映射模型,获取M个初始控制粒子,所述M个初始控制粒子的所述可控最小位移量、所述可控最大位移速度、所述可控最小振动幅度和所述可控最小位移偏差均符合所述伺服阀性能指标约束区间,M≥20,且M为整数;
步骤S235:根据所述优化适应度函数对所述M个初始控制粒子进行处理,获取适应度最大值粒子,设定所述推荐控制模式。
进一步而言,根据所述优化适应度函数对所述M个初始控制粒子进行处理,获取适应度最大值粒子,设定所述推荐控制模式,本申请步骤S235还包括:
步骤S2351:遍历所述M个初始控制粒子的M个适应度进行标准化处理,获取M个标准化适应度;
步骤S2352:获取扩充解数量约束区间长度和扩充解数量约束最小值;
步骤S2353:根据所述扩充解数量约束区间长度遍历所述M个标准化适应度分别做乘积运算,生成扩充解乘积因子;
步骤S2354:对所述扩充解乘积因子和所述扩充解数量约束最小值的求和结果向下取整,获取M个扩充解数量约束值;
步骤S2355:基于所述控制精度第一指标约束区间、所述控制精度第二指标约束区间、所述设备稳定性指标约束区间和所述控制稳定性指标约束区间,构建四维分布空间;
步骤S2356:构建扩充步长区间,所述扩充步长区间表征子控制粒子在所述四维分布空间中与母粒子的距离约束区间;
步骤S2357:根据所述扩充步长区间和所述M个扩充解数量约束值,遍历所述M个初始控制粒子进行扩充,获取一代扩充控制粒子;
步骤S2358:基于所述一代扩充控制粒子重复扩充s代,获取第一待筛选控制粒子集合,s≥1,s为整数;
步骤S2359:获取所述伺服阀的控制参数额定值对所述待筛选控制粒子集合进行清洗,获取满足所述控制参数额定值的第二待筛选控制粒子集合的适应度自大到小的L个控制粒子,添加进所述推荐控制模式,15≥L≥1,L为整数。
具体而言,设定所述响应时长阈值与所述位移量阈值,即进行算力模块应用配置的临界响应时长与临界位移量阈值,可结合算力模块执行能力进行自定义配置。存在所述高频算力模块与所述低频算力模块,即具备不同数据处理效率与伺服控制能力的执行模块,其中,所述低频算力模块包括一个算力中心,所述算力中心为进行数据处理与伺服控制的中控区域,因而所述低频算力模块的执行能力较弱,用于执行低速度或/和低精度的控制模式;所述高频算力模块包括多个算力中心,其执行能力较强,用于执行高速度或/和高精度的控制模式。
进一步的,当所述响应速度指标约束区间的最大响应时长小于或等于响应时长阈值时,或/和所述控制精度第一指标约束区间的最小位移量小于或等于位移量阈值时,表明对于伺服阀执行速度与精度要求较高,激活所述数字化伺服阀的所述高频算力模块进行执行控制;否则,针对伺服阀执行速度与精度要求较低时,激活所述数字化伺服阀的低频算力模块进行执行控制。
进一步的,获取所述预设优化规则,具体的,所述数字化伺服阀内嵌有所述控制状态多目标映射模型,所述控制状态多目标映射模型为多层全连接的神经网络模型,为自建的用于进行驱动控制状态分析的辅助分析工具。如下为一种可实施性建模方式,调用历史控制记录,提取多组样本驱动控制参数与多组样本控制状态映射结果,所述多组样本控制状态映射结果存在多个控制状态维度,包括可控最小位移量、可控最大位移速度、可控最小振动幅度和可控最小位移偏差,上述样本数据为曾运行数据,可直接进行获取,对所述多组样本驱动控制参数与所述多组样本控制状态映射结果进行对应连接,将其作为训练数据进行神经网络训练,生成所述控制状态多目标映射模型,包括多个层级匹配节点与多个层级决策节点,内置于模型的参数识别层与映射决策层,用于进行输入参数匹配分析,进而转至整合输出层进行数据输出。
进一步的,基于伺服阀控制需求进行指标重要度确定,结合所述指标重要度对所述控制精度第一指标和控制精度第二指标、所述控制稳定性指标和所述设备稳定性指标进行权重分布,其中,所述指标重要度与权重分布值成正比,获取所述指标权重分布结果,任意一个权重大于等于0,小于等于1,所述权重分布结果之和为1。进而结合所述权重分布结果构建所述优化适应度函数:
,其中,表征第/>组控制参数的适应度,/>表征第/>组控制参数的第k个指标的映射量,表征第k个指标的约束边界,/>表征第k个指标的指标权重分布结果,/>表征第i组控制参数,带入参数皆可通过上述预先分析与数据采集统计进行获取。
进一步的,随机确定多组驱动控制参数,作为多个初始控制粒子,依次输入所述控制状态多目标映射模型中进行控制状态分析,将所述伺服阀性能指标约束区间作为筛选标准,对输出的各驱动控制参数对应的所述可控最小位移量、所述可控最大位移速度、所述可控最小振动幅度和所述可控最小位移偏差进行指标约束区间映射校对,提取均满足所述伺服阀性能指标约束区间的M个初始控制粒子,M≥20,且M为整数。
进一步基于所述优化适应度函数,对所述M个初始控制粒子进行适应度计算,确定所述M个初始控制粒子的适应度,进行适应度比对确定最大适应度值与最小适应度值,其中,适应度与子代衍生粒子数量成正比。结合适应度标准化计算公式:,对所述M个初始控制粒子的M个适应度进行标准化处理,其中,/>和/> 为该代进化中最大、最小适应度值,/>为第i个初始控制粒子的适应度值,为第i个初始控制粒子的适应度值标准化处理结果,上述参数皆为已知参数,计算获取所述M个初始控制粒子对应的M个标准化适应度。自定义设定单个初始控制粒子可产生的最大种子数与最小种子数,将两者的数量差值作为所述扩充解约束区间长度,将最小种子数作为所述扩充解数量约束最小值。
遍历所述M个标准化适应度,分别与所述扩充数量约束区间进行乘积运算,生成所述扩充解乘积因子,所述扩充解乘积因子与所述M个标准化适应度一一对应。对所述扩充解乘积因子与所述扩充解数量约束最小值求和并对求和结果向下取整,确定所述M个扩充解数量约束值,即该初始控制粒子可产生的扩充粒子数。
进一步的,将所述控制精度第一指标约束区间、所述控制精度第二指标约束区间、所述设备稳定性指标约束区间和所述控制稳定性指标约束区间作为坐标轴向搭建四维坐标系,将其覆盖的布设空间作为所述四维分布空间。所述母粒子为待扩充粒子源,所述子控制粒子为可扩充粒子,自定义设定所述子控制粒子与所述母粒子于所述四维分布空间中的距离约束区间,作为所述扩充步长区间。于所述四维分布空间中,对所述M个初始控制粒子进行定位分布,作为母粒子,随机确定满足所述扩充步长区间与对应的所述M个扩充解数量约束值的分布式散点,集成确定所述一代扩充粒子,所述一代扩充粒子与所述M个初始控制粒子映射关联。
将所述一代扩充粒子作为初始控制粒子,结合上述扩充分析步骤,进行适应度分析与空间扩充,重复扩充s代,集成确定的s代扩充控制粒子,作为所述第一待筛选粒子集合,其中,s≥1,s为整数。由于所述第一待筛选粒子集合中的各粒子适应度达标,但仍存在部分无法现实满足,获取所述伺服阀的控制参数额定值,即进行伺服阀执行控制的参数限定数据,将其作为清洗条件,对所述第一待筛选控制粒子集合进行清洗筛选,提取满足所述控制参数额定值的所述第二待筛选控制粒子集合。基于适应度自大到小对所述第二待筛选控制粒子集合进行排序,基于控制粒子数量需求自首序截取L个控制粒子,将其作为优化控制粒子添加进所述推荐控制模式,以进行控制模式优化,将所述推荐控制模式作为伺服阀模式切换的执行控制模式,以最大化保障场景契合度与执行控制效果。
实施例二
基于与前述实施例中一种智能化的伺服阀模式调节方法相同的发明构思,如图4所示,本申请提供了一种智能化的伺服阀模式调节系统,所述系统包括:
约束区间获取模块11,所述约束区间获取模块11用于获取伺服阀性能指标约束区间;
控制模式优化模块12,所述控制模式优化模块12用于根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,所述预设优化规则基于入侵杂草优化改进算法确定。
进一步而言,所述系统还包括:
信息接收模块,所述信息接收模块用于接收用户端上传的所述伺服场景信息,其中,所述伺服场景信息包括驱动物类型、操作对象类型和操作对象状态信息;
信息调取模块,所述信息调取模块用于根据所述驱动物类型和所述操作对象类型从所述用户端调取伺服驱动流程信息;
信息归类模块,所述信息归类模块用于根据所述操作对象状态信息对所述伺服驱动流程信息进行归类,获取归类流程节点;
关联性分析模块,所述关联性分析模块用于根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析,获取所述伺服阀性能指标约束区间;
其中,所述伺服阀性能指标类型至少包括以下任意一项:控制精度指标、响应速度指标、控制稳定性指标和设备稳定性指标。
进一步而言,所述系统还包括:
记录采集模块,所述记录采集模块用于根据所述归类流程节点采集操作记录数据,所述操作记录数据包括操作位移记录量、位移速度记录量、驱动设备振动幅度、位移偏差记录量和响应时长记录量;
聚类分析模块,所述聚类分析模块用于遍历所述操作位移记录量、所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量和所述响应时长记录量进行层次聚类分析,获取操作位移记录量聚类结果、位移速度记录量聚类结果、振动幅度记录量聚类结果、位移偏差记录量聚类结果和响应时长记录量聚类结果;
记录量筛选模块,所述记录量删选模块用于遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果进行高频记录量筛选,生成所述伺服阀性能指标约束区间。
进一步而言,所述系统还包括:
最小位移量筛选模块,所述最小位移量筛选模块用于筛选所述操作位移记录量聚类结果中大于或等于第一聚类数量阈值的多个聚类结果的最小位移量,设为控制精度第一指标约束区间;
最大位移速度筛选模块,所述最大位移速度筛选模块用于筛选所述位移速度记录量聚类结果中大于或等于第二聚类数量阈值的多个聚类结果的最大位移速度,设为控制精度第二指标约束区间;
最大振动幅度筛选模块,所述最大振动幅度筛选模块用于筛选所述振动幅度记录量聚类结果中大于或等于第三聚类数量阈值的多个聚类结果的最大振动幅度,设为设备稳定性指标约束区间;
最大位移偏差筛选模块,所述最大位移偏差筛选模块用于筛选所述位移偏差记录量聚类结果中大于或等于第四聚类数量阈值的多个聚类结果的最大位移偏差,设为控制稳定性指标约束区间;
最大响应时长筛选模块,所述最大响应时长筛选模块用于筛选所述响应时长记录量聚类结果中大于或等于第五聚类数量阈值的多个聚类结果的最大响应时长,设为响应速度指标约束区间。
进一步而言,所述系统还包括:
高频算力模块激活模块,所述高频算力模块激活模块用于当所述响应速度指标约束区间的最大响应时长小于或等于响应时长阈值时,或/和所述控制精度第一指标约束区间的最小位移量小于或等于位移量阈值时,激活所述数字化伺服阀的高频算力模块,所述高频算力模块包括多个算力中心,用于执行高速度或/和高精度的控制模式;
低频算力模块激活模块,所述低频算力模块激活模块用于否则,激活所述数字化伺服阀的低频算力模块,所述低频算力模块包括一个算力中心,用于执行低速度或/和低精度的控制模式;
优化模块,所述优化模块用于根据所述高频算力模块或所述低频算力模块,基于所述预设优化规则进行控制模式优化,获取所述推荐控制模式进行伺服阀模式切换。
进一步而言,所述系统还包括:
模型获取模块,所述模型获取模块用于获取内嵌于所述数字化伺服阀的控制状态多目标映射模型,所述控制状态多目标映射模型用于响应所述数字化伺服阀的驱动控制参数,输出控制状态映射结果,其中,所述控制状态映射结果至少包括可控最小位移量、可控最大位移速度、可控最小振动幅度和可控最小位移偏差;
权重分布模块,所述权重分布模块用于遍历所述控制精度指标的控制精度第一指标和控制精度第二指标、所述控制稳定性指标和所述设备稳定性指标进行权重分布,获取指标权重分布结果,任意一个权重大于等于0,小于或等于1;
函数构建模块,所述函数构建模块用于根据所述指标权重分布结果构建优化适应度函数:
其中,表征第/>组控制参数的适应度,/>表征第/>组控制参数的第k个指标的映射量,/>表征第k个指标的约束边界,/>表征第k个指标的指标权重分布结果,表征第i组控制参数;
初始控制粒子获取模块,所述初始控制粒子获取模块用于根据所述控制状态多目标映射模型,获取M个初始控制粒子,所述M个初始控制粒子的所述可控最小位移量、所述可控最大位移速度、所述可控最小振动幅度和所述可控最小位移偏差均符合所述伺服阀性能指标约束区间,M≥20,且M为整数;
适应度筛选模块,所述适应度筛选模块用于根据所述优化适应度函数对所述M个初始控制粒子进行处理,获取适应度最大值粒子,设定所述推荐控制模式。
进一步而言,所述系统还包括:
标准化处理模块,所述标准化处理模块用于遍历所述M个初始控制粒子的M个适应度进行标准化处理,获取M个标准化适应度;
约束参数获取模块,所述约束参数获取模块用于获取扩充解数量约束区间长度和扩充解数量约束最小值;
乘积因子获取模块,所述乘积因子获取模块用于根据所述扩充解数量约束区间长度遍历所述M个标准化适应度分别做乘积运算,生成扩充解乘积因子;
约束值获取模块,所述约束值获取模块用于对所述扩充解乘积因子和所述扩充解数量约束最小值的求和结果向下取整,获取M个扩充解数量约束值;
四维分布空间构建模块,所述四维分布空间构建模块用于基于所述控制精度第一指标约束区间、所述控制精度第二指标约束区间、所述设备稳定性指标约束区间和所述控制稳定性指标约束区间,构建四维分布空间;
扩充步长区间构建模块,所述扩充步长区间构建模块用于构建扩充步长区间,所述扩充步长区间表征子控制粒子在所述四维分布空间中与母粒子的距离约束区间;
控制粒子扩充模块,所述控制粒子扩充模块用于根据所述扩充步长区间和所述M个扩充解数量约束值,遍历所述M个初始控制粒子进行扩充,获取一代扩充控制粒子;
重复扩充模块,所述重复扩充模块用于基于所述一代扩充控制粒子重复扩充s代,获取第一待筛选控制粒子集合,s≥1,s为整数;
控制粒子清洗添加模块,所述控制粒子清洗添加模块用于获取所述伺服阀的控制参数额定值对所述待筛选控制粒子集合进行清洗,获取满足所述控制参数额定值的第二待筛选控制粒子集合的适应度自大到小的L个控制粒子,添加进所述推荐控制模式,15≥L≥1,L为整数。
本说明书通过前述对一种智能化的伺服阀模式调节方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种智能化的伺服阀模式调节方法及系统,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种智能化的伺服阀模式调节方法,其特征在于,应用于数字化伺服阀,包括:
获取伺服阀性能指标约束区间,其中包括:接收用户端上传的伺服场景信息,其中,所述伺服场景信息包括驱动物类型、操作对象类型和操作对象状态信息;根据所述驱动物类型和所述操作对象类型从所述用户端调取伺服驱动流程信息;根据所述操作对象状态信息对所述伺服驱动流程信息进行归类,获取归类流程节点;根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析,获取所述伺服阀性能指标约束区间,其中包括:根据所述归类流程节点采集操作记录数据,所述操作记录数据包括操作位移记录量、位移速度记录量、驱动设备振动幅度、位移偏差记录量和响应时长记录量;遍历所述操作位移记录量、所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量和所述响应时长记录量进行层次聚类分析,获取操作位移记录量聚类结果、位移速度记录量聚类结果、振动幅度记录量聚类结果、位移偏差记录量聚类结果和响应时长记录量聚类结果;遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果进行高频记录量筛选,生成所述伺服阀性能指标约束区间,其中包括:筛选所述操作位移记录量聚类结果中大于或等于第一聚类数量阈值的多个聚类结果的最小位移量,设为控制精度第一指标约束区间;筛选所述位移速度记录量聚类结果中大于或等于第二聚类数量阈值的多个聚类结果的最大位移速度,设为控制精度第二指标约束区间;筛选所述振动幅度记录量聚类结果中大于或等于第三聚类数量阈值的多个聚类结果的最大振动幅度,设为设备稳定性指标约束区间;筛选所述位移偏差记录量聚类结果中大于或等于第四聚类数量阈值的多个聚类结果的最大位移偏差,设为控制稳定性指标约束区间;筛选所述响应时长记录量聚类结果中大于或等于第五聚类数量阈值的多个聚类结果的最大响应时长,设为响应速度指标约束区间;其中,所述伺服阀性能指标类型至少包括以下任意一项:控制精度指标、响应速度指标、控制稳定性指标和设备稳定性指标;
根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换,其中包括:当所述响应速度指标约束区间的最大响应时长小于或等于响应时长阈值时,或/和所述控制精度第一指标约束区间的最小位移量小于或等于位移量阈值时,激活所述伺服阀的高频算力模块,所述高频算力模块包括多个算力中心,用于执行高速度或/和高精度的控制模式;否则,激活所述伺服阀的低频算力模块,所述低频算力模块包括一个算力中心,用于执行低速度或/和低精度的控制模式;根据所述高频算力模块或所述低频算力模块,基于所述预设优化规则进行控制模式优化,获取所述推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,具体包括:结合接收的伺服场景信息进行伺服驱动流程匹配,针对匹配的归类流程节点,对多维的伺服阀性能指标类型分别进行约束分析,包括操作位移、位移速度、振动幅度、位移偏差与响应时长,集成各指标约束区间,作为所述伺服阀性能指标约束区间,所述预设优化规则基于入侵杂草优化改进算法确定。
2.如权利要求1所述的方法,其特征在于,所述预设优化规则包括:
获取内嵌于所述伺服阀的控制状态多目标映射模型,所述控制状态多目标映射模型用于响应所述伺服阀的驱动控制参数,输出控制状态映射结果,其中,所述控制状态映射结果至少包括可控最小位移量、可控最大位移速度、可控最小振动幅度和可控最小位移偏差;
遍历所述控制精度指标的控制精度第一指标和控制精度第二指标、所述控制稳定性指标和所述设备稳定性指标进行权重分布,获取指标权重分布结果,任意一个权重大于等于0,小于或等于1;
根据所述指标权重分布结果构建优化适应度函数:
,
其中,表征第/>组控制参数的适应度,/>表征第/>组控制参数的第k个指标的映射量,/>表征第k个指标的约束边界,/>表征第k个指标的指标权重分布结果,/>表征第组控制参数;
根据所述控制状态多目标映射模型,获取M个初始控制粒子,所述M个初始控制粒子的所述可控最小位移量、所述可控最大位移速度、所述可控最小振动幅度和所述可控最小位移偏差均符合所述伺服阀性能指标约束区间,M≥20,且M为整数;
根据所述优化适应度函数对所述M个初始控制粒子进行处理,获取适应度最大值粒子,设定所述推荐控制模式。
3.如权利要求2所述的方法,其特征在于,根据所述优化适应度函数对所述M个初始控制粒子进行处理,获取适应度最大值粒子,设定所述推荐控制模式,包括:
遍历所述M个初始控制粒子的M个适应度进行标准化处理,获取M个标准化适应度;
获取扩充解数量约束区间长度和扩充解数量约束最小值;
根据所述扩充解数量约束区间长度遍历所述M个标准化适应度分别做乘积运算,生成扩充解乘积因子;
对所述扩充解乘积因子和所述扩充解数量约束最小值的求和结果向下取整,获取M个扩充解数量约束值;
基于所述控制精度第一指标约束区间、所述控制精度第二指标约束区间、所述设备稳定性指标约束区间和所述控制稳定性指标约束区间,构建四维分布空间;
构建扩充步长区间,所述扩充步长区间表征子控制粒子在所述四维分布空间中与母粒子的距离约束区间;
根据所述扩充步长区间和所述M个扩充解数量约束值,遍历所述M个初始控制粒子进行扩充,获取一代扩充控制粒子;
基于所述一代扩充控制粒子重复扩充s代,获取第一待筛选控制粒子集合,s≥1,s为整数;
获取所述伺服阀的控制参数额定值对所述待筛选控制粒子集合进行清洗,获取满足所述控制参数额定值的第二待筛选控制粒子集合的适应度自大到小的L个控制粒子,添加进所述推荐控制模式,15≥L≥1,L为整数。
4.一种智能化的伺服阀模式调节系统,其特征在于,包括:
约束区间获取模块,所述约束区间获取模块用于获取伺服阀性能指标约束区间;
信息接收模块,所述信息接收模块用于接收用户端上传的伺服场景信息,其中,所述伺服场景信息包括驱动物类型、操作对象类型和操作对象状态信息;
信息调取模块,所述信息调取模块用于根据所述驱动物类型和所述操作对象类型从所述用户端调取伺服驱动流程信息;
信息归类模块,所述信息归类模块用于根据所述操作对象状态信息对所述伺服驱动流程信息进行归类,获取归类流程节点;
关联性分析模块,所述关联性分析模块用于根据所述归类流程节点对所述伺服阀性能指标类型进行关联性分析,获取所述伺服阀性能指标约束区间;
记录采集模块,所述记录采集模块用于根据所述归类流程节点采集操作记录数据,所述操作记录数据包括操作位移记录量、位移速度记录量、驱动设备振动幅度、位移偏差记录量和响应时长记录量;
聚类分析模块,所述聚类分析模块用于遍历所述操作位移记录量、所述位移速度记录量、所述驱动设备振动幅度、所述位移偏差记录量和所述响应时长记录量进行层次聚类分析,获取操作位移记录量聚类结果、位移速度记录量聚类结果、振动幅度记录量聚类结果、位移偏差记录量聚类结果和响应时长记录量聚类结果;
记录量筛选模块,所述记录量删选模块用于遍历所述操作位移记录量聚类结果、所述位移速度记录量聚类结果、所述振动幅度记录量聚类结果、所述位移偏差记录量聚类结果和所述响应时长记录量聚类结果进行高频记录量筛选,生成所述伺服阀性能指标约束区间;
最小位移量筛选模块,所述最小位移量筛选模块用于筛选所述操作位移记录量聚类结果中大于或等于第一聚类数量阈值的多个聚类结果的最小位移量,设为控制精度第一指标约束区间;
最大位移速度筛选模块,所述最大位移速度筛选模块用于筛选所述位移速度记录量聚类结果中大于或等于第二聚类数量阈值的多个聚类结果的最大位移速度,设为控制精度第二指标约束区间;
最大振动幅度筛选模块,所述最大振动幅度筛选模块用于筛选所述振动幅度记录量聚类结果中大于或等于第三聚类数量阈值的多个聚类结果的最大振动幅度,设为设备稳定性指标约束区间;
最大位移偏差筛选模块,所述最大位移偏差筛选模块用于筛选所述位移偏差记录量聚类结果中大于或等于第四聚类数量阈值的多个聚类结果的最大位移偏差,设为控制稳定性指标约束区间;
最大响应时长筛选模块,所述最大响应时长筛选模块用于筛选所述响应时长记录量聚类结果中大于或等于第五聚类数量阈值的多个聚类结果的最大响应时长,设为响应速度指标约束区间;
其中,所述伺服阀性能指标类型至少包括以下任意一项:控制精度指标、响应速度指标、控制稳定性指标和设备稳定性指标;
控制模式优化模块,所述控制模式优化模块用于根据所述伺服阀性能指标约束区间,基于预设优化规则进行控制模式优化,获取推荐控制模式进行伺服阀模式切换;
高频算力模块激活模块,所述高频算力模块激活模块用于当所述响应速度指标约束区间的最大响应时长小于或等于响应时长阈值时,或/和所述控制精度第一指标约束区间的最小位移量小于或等于位移量阈值时,激活所述伺服阀的高频算力模块,所述高频算力模块包括多个算力中心,用于执行高速度或/和高精度的控制模式;
低频算力模块激活模块,激活所述伺服阀的低频算力模块,所述低频算力模块包括一个算力中心,用于执行低速度或/和低精度的控制模式;
优化模块,所述优化模块用于根据所述高频算力模块或所述低频算力模块,基于所述预设优化规则进行控制模式优化,获取所述推荐控制模式进行伺服阀模式切换;
其中,所述伺服阀性能指标约束区间为根据伺服场景信息对伺服阀性能指标类型进行关联性分析确定,具体包括:结合接收的伺服场景信息进行伺服驱动流程匹配,针对匹配的归类流程节点,对多维的伺服阀性能指标类型分别进行约束分析,包括操作位移、位移速度、振动幅度、位移偏差与响应时长,集成各指标约束区间,作为所述伺服阀性能指标约束区间,所述预设优化规则基于入侵杂草优化改进算法确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535264.6A CN116241526B (zh) | 2023-05-12 | 2023-05-12 | 一种智能化的伺服阀模式调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535264.6A CN116241526B (zh) | 2023-05-12 | 2023-05-12 | 一种智能化的伺服阀模式调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116241526A CN116241526A (zh) | 2023-06-09 |
CN116241526B true CN116241526B (zh) | 2023-07-28 |
Family
ID=86635297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535264.6A Active CN116241526B (zh) | 2023-05-12 | 2023-05-12 | 一种智能化的伺服阀模式调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116241526B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757546B (zh) * | 2023-07-05 | 2023-12-12 | 安徽如柒信息科技有限公司 | 一种基于工业互联网的生产监测预警系统 |
CN116809388B (zh) * | 2023-08-30 | 2023-11-07 | 山东浏园生态农业股份有限公司 | 一种茶叶智能筛分方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5794438A (en) * | 1981-11-05 | 1998-08-18 | Lisniansky; Robert Moshe | Adaptive fluid motor feedback control |
CN102521461B (zh) * | 2011-12-20 | 2014-02-19 | 李明 | 基于Modelica语言的电液伺服阀仿真建模方法 |
GB201313804D0 (en) * | 2013-08-01 | 2013-09-18 | Moog Controls Ltd | Improvements in hydraulic servovalves |
CN104317198B (zh) * | 2014-10-21 | 2017-06-27 | 南京理工大学 | 具有时变输出约束的电液伺服系统非线性鲁棒位置控制方法 |
CN107967552A (zh) * | 2017-10-31 | 2018-04-27 | 北京精密机电控制设备研究所 | 伺服阀研制全流程防差错系统 |
CN108869420B (zh) * | 2018-08-17 | 2020-05-22 | 南京理工大学 | 一种基于指令滤波的电液伺服系统自适应反步控制方法 |
CN114893474A (zh) * | 2022-05-07 | 2022-08-12 | 哈尔滨工业大学 | 一种抑制双喷嘴挡板伺服阀自激振荡的方法 |
CN116027665A (zh) * | 2022-12-30 | 2023-04-28 | 中国重汽集团济南动力有限公司 | 一种伺服阀控液压缸控制优化方法、装置及系统 |
-
2023
- 2023-05-12 CN CN202310535264.6A patent/CN116241526B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116241526A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116241526B (zh) | 一种智能化的伺服阀模式调节方法及系统 | |
CN111038485B (zh) | 基于驾驶风格识别的混合动力汽车控制方法及系统 | |
CN106371610A (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN102831474A (zh) | 基于量子粒子群优化改进的模糊c-均值聚类方法 | |
CN113484837B (zh) | 一种面向电磁大数据的未知雷达辐射源智能识别方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN115438714A (zh) | 分簇式联邦学习驱动的机械故障诊断方法、装置及介质 | |
CN108985455A (zh) | 一种计算机应用神经网络预测方法及系统 | |
CN113484875A (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
CN110852344A (zh) | 一种基于智能变电站网络故障分类的方法 | |
KR20110037184A (ko) | 뉴로-퍼지 시스템과 병렬처리 프로세서가 결합된, 파이프라이닝 컴퓨터 시스템, 이를 이용하여 영상에서 물체를 인식하는 방법 및 장치 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN112801127A (zh) | 基于振荡波的电缆局部放电缺陷识别方法 | |
Zhang et al. | A Density-Center-Based Automatic Clustering Algorithm for IoT Data Analysis | |
Ilham et al. | Tackling Initial Centroid of K-means with Distance Part (dp-kmeans) | |
Vardhan et al. | Density based clustering technique on crop yield prediction | |
CN114639238A (zh) | 基于归一化谱聚类算法的城市快速路交通状态估计方法 | |
Guo et al. | Clustering algorithm based on density function and nichePSO | |
CN114881429B (zh) | 基于数据驱动的台区线损量化方法及系统 | |
CN108399369B (zh) | 基于分布式计算和深度学习的心电节拍分类方法 | |
CN114548197A (zh) | 一种基于自律学习sdl模型的聚类方法 | |
CN112884027A (zh) | 一种基于模式识别的切削过程实时状态监测方法及装置 | |
Shi et al. | A study of support vector regression-based fuzzy c-means algorithm on incomplete data clustering | |
Mouchaweh et al. | Influence of the choice of histogram parameters at Fuzzy Pattern Matching performance |
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 |