CN116484974B - 基于磁流变技术的喷冲阀流量控制系统 - Google Patents

基于磁流变技术的喷冲阀流量控制系统 Download PDF

Info

Publication number
CN116484974B
CN116484974B CN202310459443.6A CN202310459443A CN116484974B CN 116484974 B CN116484974 B CN 116484974B CN 202310459443 A CN202310459443 A CN 202310459443A CN 116484974 B CN116484974 B CN 116484974B
Authority
CN
China
Prior art keywords
data
learning
control
control system
spray valve
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
CN202310459443.6A
Other languages
English (en)
Other versions
CN116484974A (zh
Inventor
姜国祥
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.)
Dalian Xiangrui Valve Manufacture Co ltd
Original Assignee
Dalian Xiangrui Valve Manufacture 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 Dalian Xiangrui Valve Manufacture Co ltd filed Critical Dalian Xiangrui Valve Manufacture Co ltd
Priority to CN202310459443.6A priority Critical patent/CN116484974B/zh
Publication of CN116484974A publication Critical patent/CN116484974A/zh
Application granted granted Critical
Publication of CN116484974B publication Critical patent/CN116484974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K31/00—Actuating devices; Operating means; Releasing devices
    • F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
    • F16K31/06—Actuating devices; Operating means; Releasing devices electric; magnetic using a magnet, e.g. diaphragm valves, cutting off by means of a liquid
    • F16K31/0675—Electromagnet aspects, e.g. electric supply therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0499—Feedforward networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供基于磁流变技术的喷冲阀流量控制系统，涉及喷冲阀控制系统领域，包括以下系统：数据读取系统、学习系统、数据处理系统、矫正系统：矫正系统包括数据存储、数据回流、二次验证和矫正数据，且矫正系统内嵌AI学习芯片、复学习系统、反馈系统、终端分配控制系统，终端分配控制系统和喷冲阀的控制电路板之间相互电性连接，采用复学习系统和学习系统交互式学习的形式，实现了喷冲阀控制系统中的控制逻辑可以实时进行优化处理，从而可以实现喷冲阀流量控制中，可以根据前置数据变化，优化流量控制阶段中的控制时效和控制精度，通过前置学习的方式，实现了喷冲阀流量控制更加的精确，流量控制更加稳定。

Description

基于磁流变技术的喷冲阀流量控制系统
技术领域
本发明涉及喷冲阀控制系统领域，具体为基于磁流变技术的喷冲阀流量控制系统。
背景技术
磁流变技术是一种利用磁流变液体特性来实现机械力控制的技术。磁流变液体的黏度可以通过改变液体中的磁场来进行控制，从而实现机械力的调节。基于磁流变技术的喷冲阀流量控制系统，是一种可以实现精确控制流量的系统,这种系统一般由喷嘴、磁流变液体、电磁铁和控制电路组成。通过改变控制电路中的电流来改变电磁铁的磁场强度，从而控制磁流变液体的黏度，进而控制喷嘴的流量,该系统的优点包括：精度高、响应速度快、可靠性高、可远程控制等。它可以广泛应用于流量控制领域，例如喷嘴、油管、液压系统、自动喷涂等领域。
现有的喷冲阀流量控制系统大多数采用PID控制系统，由于PID控制系统PID控制器的参数需要根据实际场景不断调整，调整难度较大，容易出现过调和欠调等问题、在控制非线性系统时，由于PID控制器本身是线性的，其控制效果会受到限制、对于复杂系统，PID控制器可能无法实现良好的控制效果，需要采用更为复杂的控制算法，其控制的学习能力较弱，不能进行前置调整，对于喷冲阀的流量控制精度提升较难实现。
发明内容
解决的技术问题
针对现有技术的不足，本发明提供了基于磁流变技术的喷冲阀流量控制系统，解决了喷冲阀流量控制精度提升较难的问题。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于磁流变技术的喷冲阀流量控制系统，包括以下系统：
数据读取系统：所述数据读取系统用于读取喷冲阀传感器数据；
学习系统：所述学习系统采用三复合学习算法组合学习，所述三复合学习算法包括机器学习、前馈学习和模型学习；
数据处理系统：所述数据处理系统采用神经算法处理，且数据处理系统包括工控机和后台数据库；
矫正系统：所述矫正系统包括数据存储、数据回流、二次验证和矫正数据，且矫正系统内嵌AI学习芯片；
复学习系统：所述复学习系统和学习系统之间数据相互联通，且复学习系统和学习系统均和数据处理系统的后台电性连接；
反馈系统：所述反馈系统内置数据缓存硬件，且反馈系统和学习系统、数据处理系统、矫正系统、复学习系统均电性连接；
终端分配控制系统：所述终端分配控制系统用于控制喷冲阀的电控元件，且终端分配控制系统和喷冲阀的控制电路板之间相互电性连接，且终端分配控制系统和喷冲阀的独立控制元件之间相互电性连接。
优选的，所述数据读取系统采用双逻辑连接，且数据读取系统的双逻辑系统包括有线连接和无线连接，且数据读取系统的无线连接优先采用5G连接，有线连接优先采用4pin接口连接。
优选的，所述学习系统的三复合学习算法之间相互独立计算，且三复合学习算法之间的计算数据保存在同一个数据库中，且计算数据相互验证。
优选的，所述数据处理系统的硬件包括服务器数据库、工控机和信号收发模块，且数据处理系统的神经算法采用卷积神经网络算法，且数据处理系统和学习系统之间数据相互联通。
优选的，所述复学习系统和学习系统的硬件通用，且复学习系统单项数据传输至学习系统，并且复学习系统的数据另行保存于数据处理系统的服务器数据库之中。
优选的，所述反馈系统采用光纤进行连接，且反馈系统的数据传输延迟不超过15ms，并且反馈系统之间的光纤网络物理隔离互联网。
优选的，所述终端分配控制系统和喷冲阀之间相互连接，终端分配控制系统采用学习优化选择系统。
优选的，所述终端分配控制系统中的控制硬件采用磁流变阀，且磁流变阀的控制主板和终端分配控制系统的控制主板之间电性连接。
优选的，其工作流程如下，
Sp1、读取数据；
Sp2、分配数据至三组独立运行的数据学习系统之中进行处理并进行学习；
Sp3、分配指令，将Sp2中的数据下发至控制系统中；
Sp3.1、初期分配：将三组算法的控制数据按照循环分配的形式下发至喷冲阀；
Sp3.2、中期分配：经过定量分配的三组算法的控制数据控制喷冲阀之后的测量传感器数据进行回流备案登记；
Sp3.3、将Sp3.2读取的数据进行二次处理并分析，得到三组算法的分析数据库A、B、C，并和理论数据D进行拟合，得到数据曲线；
Sp3.4、将Sp3.3得到的数据曲线，根据卷积神经网络进行预测分析并校准数据曲线后，确认当前状态下最合适的喷冲阀控制系统；
Sp3.5、成熟分配：截断上述三组算法中的非合适控制算法，选择经过Sp3.4中的合适算法，在成熟运行阶段只接受该算法的控制程序；
Sp4、将Sp3中的处理后的数据进行机器学习，并经过反馈系统和原始数据库进行对比矫正，得到合适的矫正参数并重复至少3次Sp3的步骤，得到成熟控制系统；
Sp5、正式运转采用Sp4中得到的成熟控制系统；
Sp6、更换喷冲阀之后，重复该流程，重新进行学习。
有益效果
本发明提供了基于磁流变技术的喷冲阀流量控制系统。具备以下有益效果：
本发明采用复学习系统和学习系统交互式学习的形式，实现了喷冲阀控制系统中的控制逻辑可以实时进行优化处理，从而可以实现喷冲阀流量控制中，可以根据前置数据变化，优化流量控制阶段中的控制时效和控制精度，通过前置学习的方式，实现了喷冲阀流量控制更加的精确，提升喷冲阀的流量控制精度，流量控制更加稳定。
本发明采用反馈系统，将反馈系统连接至每一个子系统之中，通过神经算法，可以实现全部系统及子系统有一个良好的二次学习作用，即使不额外增加双重系统，可以通过反馈系统配合数据拟合算法，实现不同子系统的数据矫正，提高系统控制数据的稳定性，避免产生异常数据影响控制系统，进一步保证喷冲阀流量控制的稳定性。
附图说明
图1为本发明的流程控制图。
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做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。
具体实施例一：
如图1所示，基于磁流变技术的喷冲阀流量控制系统，包括以下系统：
数据读取系统：数据读取系统用于读取喷冲阀传感器数据，数据读取系统采用双逻辑连接，且数据读取系统的双逻辑系统包括有线连接和无线连接，且数据读取系统的无线连接优先采用5G连接，有线连接优先采用4pin接口连接；
学习系统：学习系统采用三复合学习算法组合学习，三复合学习算法包括机器学习、前馈学习和模型学习，学习系统的三复合学习算法之间相互独立计算，且三复合学习算法之间的计算数据保存在同一个数据库中，且计算数据相互验证；
数据处理系统：数据处理系统采用神经算法处理，且数据处理系统包括工控机和后台数据库，数据处理系统的硬件包括服务器数据库、工控机和信号收发模块，且数据处理系统的神经算法采用卷积神经网络算法，且数据处理系统和学习系统之间数据相互联通；
矫正系统：矫正系统包括数据存储、数据回流、二次验证和矫正数据，且矫正系统内嵌AI学习芯片；
复学习系统：复学习系统和学习系统之间数据相互联通，且复学习系统和学习系统均和数据处理系统的后台电性连接，复学习系统和学习系统的硬件通用，且复学习系统单项数据传输至学习系统，并且复学习系统的数据另行保存于数据处理系统的服务器数据库之中；
反馈系统：反馈系统内置数据缓存硬件，且反馈系统和学习系统、数据处理系统、矫正系统、复学习系统均电性连接，反馈系统采用光纤进行连接，且反馈系统的数据传输延迟不超过15ms，并且反馈系统之间的光纤网络物理隔离互联网；
终端分配控制系统：终端分配控制系统用于控制喷冲阀的电控元件，且终端分配控制系统和喷冲阀的控制电路板之间相互电性连接，且终端分配控制系统和喷冲阀的独立控制元件之间相互电性连接，终端分配控制系统和喷冲阀之间相互连接，终端分配控制系统采用学习优化选择系统，终端分配控制系统中的控制硬件采用磁流变阀，且磁流变阀的控制主板和终端分配控制系统的控制主板之间电性连接。
基于上述步骤的具体工作的核心代码为：
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
from keras.models import Sequential
from keras.layers import Dense
import skfuzzy as fuzz
import skfuzzy.control as ctrl
# 步骤1：数据读取
data = np.loadtxt('data.txt')
# 步骤2：数据预处理
# import numpy as np
from tensorflow.keras.utils import to_categorical
# 将输入数据进行reshape，使之变为二维矩阵
def reshape_input(X):
X = np.reshape(X, (X.shape[0], X.shape[1], 1))
return X
# 对标签进行one-hot编码
def one_hot(y, num_classes):
y_one_hot = to_categorical(y, num_classes=num_classes)
return y_one_hot
# 步骤3：数据分组
train_data = data[:100, :]
test_data = data[100:, :]
# 步骤4：机器学习算法
# 随机森林算法
rf_model = RandomForestRegressor(n_estimators=100)
rf_model.fit(train_data[:, :-1], train_data[:, -1])
# 支持向量机算法
svm_model = SVR()
svm_model.fit(train_data[:, :-1], train_data[:, -1])
# 神经网络算法
nn_model = Sequential()
nn_model.add(Dense(64, input_dim=5, activation='relu'))
nn_model.add(Dense(1, activation='linear'))
nn_model.compile(loss='mse', optimizer='adam')
nn_model.fit(train_data[:, :-1], train_data[:, -1], epochs=100)
# 步骤5：模型预测
rf_pred = rf_model.predict(test_data[:, :-1])
svm_pred = svm_model.predict(test_data[:, :-1])
nn_pred = nn_model.predict(test_data[:, :-1])
# 步骤6：自适应控制
# import numpy as np
import skfuzzy as fuzz
from skfuzzy import control as ctrl
# 定义模糊变量及其宇宙
error = ctrl.Antecedent(np.arange(-100, 101, 1), 'error')
change_error = ctrl.Antecedent(np.arange(-50, 51, 1), 'change_error')
output = ctrl.Consequent(np.arange(-100, 101, 1), 'output')
# 定义模糊集合
error['negative'] = fuzz.trimf(error.universe, [-100, -100, 0])
error['zero'] = fuzz.trimf(error.universe, [-1, 0, 1])
error['positive'] = fuzz.trimf(error.universe, [0, 100, 100])
change_error['negative'] = fuzz.trimf(change_error.universe, [-50, -50, 0])
change_error['zero'] = fuzz.trimf(change_error.universe, [-1, 0, 1])
change_error['positive'] = fuzz.trimf(change_error.universe, [0, 50,50])
output['negative'] = fuzz.trimf(output.universe, [-100, -100, 0])
output['zero'] = fuzz.trimf(output.universe, [-1, 0, 1])
output['positive'] = fuzz.trimf(output.universe, [0, 100, 100])
# 定义规则
rule1 = ctrl.Rule(error['negative'] & change_error['negative'],output['positive'])
rule2 = ctrl.Rule(error['negative'] & change_error['zero'], output['positive'])
rule3 = ctrl.Rule(error['negative'] & change_error['positive'],output['zero'])
rule4 = ctrl.Rule(error['zero'] & change_error['negative'], output['positive'])
rule5 = ctrl.Rule(error['zero'] & change_error['zero'], output['zero'])
rule6 = ctrl.Rule(error['zero'] & change_error['positive'], output['negative'])
rule7 = ctrl.Rule(error['positive'] & change_error['negative'],output['zero'])
rule8 = ctrl.Rule(error['positive'] & change_error['zero'], output['negative'])
rule9 = ctrl.Rule(error['positive'] & change_error['positive'],output['negative'])
# 定义控制器并添加规则
adap_ctrl = ctrl.ControlSystem([rule1, rule2, rule3, rule4, rule5,rule6, rule7, rule8, rule9])
adap = ctrl.ControlSystemSimulation(adap_ctrl)
# 模拟运行控制器
for i in range(100):
error_val = np.random.randint(-100, 101)
change_error_val = np.random.randint(-50, 51)
adap.input['error'] = error_val
adap.input['change_error'] = change_error_val
adap.compute()
output_val = adap.output['output']
print('error: {}, change_error: {}, output: {}'.format(error_val,change_error_val, output_val))
步骤6中使用了scikit-fuzzy库来实现模糊控制。在该代码中，我们首先定义了三个模糊变量error、change_error和output。
具体实施例二：
根据上述实施例的基于磁流变技术的喷冲阀流量控制系统，其工作流程如下，
Sp1、读取数据；
Sp2、分配数据至三组独立运行的数据学习系统之中进行处理并进行学习；
Sp3、分配指令，将Sp2中的数据下发至控制系统中；
Sp3.1、初期分配：将三组算法的控制数据按照循环分配的形式下发至喷冲阀；
Sp3.2、中期分配：经过定量分配的三组算法的控制数据控制喷冲阀之后的测量传感器数据进行回流备案登记；
Sp3.3、将Sp3.2读取的数据进行二次处理并分析，得到三组算法的分析数据库A、B、C，并和理论数据D进行拟合，得到数据曲线；
Sp3.4、将Sp3.3得到的数据曲线，根据卷积神经网络进行预测分析并校准数据曲线后，确认当前状态下最合适的喷冲阀控制系统；
Sp3.5、成熟分配：截断上述三组算法中的非合适控制算法，选择经过Sp3.4中的合适算法，在成熟运行阶段只接受该算法的控制程序；
Sp4、将Sp3中的处理后的数据进行机器学习，并经过反馈系统和原始数据库进行对比矫正，得到合适的矫正参数并重复至少3次Sp3的步骤，得到成熟控制系统；
Sp5、正式运转采用Sp4中得到的成熟控制系统；
Sp6、更换喷冲阀之后，重复该流程，重新进行学习。
进一步的给出了将机器学习算法、神经网络控制、支持向量机模型和学习算法融合在一起，用于磁流变控制的核心代码：
import numpy as np
import pyfirmata
import tensorflow as tf
from sklearn.svm import SVR
board = pyfirmata.Arduino('COM3')
pin = board.get_pin('d:3:p')
#定义神经网络模型
nn_model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, input_shape=(1,), activation='relu'),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])
nn_model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), loss='mse')
#定义支持向量机模型
svm_model = SVR(kernel='rbf')
#使用神经网络训练模型
def train_nn_model():
for i in range(1000):
sensor_value = read_sensor()
input_data = np.array([sensor_value])
target = np.array([0.5])
nn_model.train_on_batch(input_data, target)
#使用支持向量机训练模型
def train_svm_model():
x_train = []
y_train = []
for i in range(1000):
sensor_value = read_sensor()
x_train.append(sensor_value)
y_train.append(0.5)
svm_model.fit(np.array(x_train).reshape(-1,1), np.array(y_train))
def ml_control():
while True:
sensor_value = read_sensor()
input_data = np.array([sensor_value])
#使用神经网络控制
nn_output = nn_model.predict(input_data)
nn_output = max(min(nn_output, 1), 0)
#使用支持向量机控制
svm_output = svm_model.predict(input_data.reshape(-1, 1))
svm_output = max(min(svm_output, 1), 0)
#使用学习算法融合控制
ml_output = nn_output * 0.5 + svm_output * 0.5
pin.write(ml_output)
time.sleep(0.01)
def read_sensor():
return np.random.rand() #这里用随机数代替实际传感器读取值
train_nn_model()
train_svm_model()
ml_control()。
具体实施例三：
基于磁流变技术的喷冲阀流量控制系统，进一步公开了如下其他控制算法的控制代码：
基于PID控制器的磁流变控制代码：
import time
import numpy as np
import pyfirmata #pyfirmata是一种Arduino控制库，用于与电脑交互
board = pyfirmata.Arduino('COM3') #根据实际连接的端口号来选择
pin = board.get_pin('d:3:p') #根据实际连接的引脚号来选择，设置PWM输出
def pid_control(target, kp, ki, kd):
error = target - read_sensor() #读取传感器值
last_error = 0
integral = 0
derivative = 0
while True:
output = kp * error + ki * integral + kd * derivative
output = max(min(output, 1), 0) #输出值限幅
pin.write(output) #写入PWM输出
time.sleep(0.01)
last_error = error
error = target - read_sensor()
integral += error
derivative = error - last_error
def read_sensor():
#读取传感器的值
return np.random.rand() #这里用随机数代替实际传感器读取值
pid_control(0.5, 1, 0.1, 0.01) #设置目标值和PID参数
采用PID控制器的磁流变控制采用PID控制器的磁流变控制具备以下优缺点：
优点：
算法简单易懂，容易实现。
控制效果稳定可靠，能够适用于大多数磁流变控制场景。
控制响应速度快，能够快速适应系统变化。
缺点：
PID控制器的参数需要根据实际场景不断调整，调整难度较大，容易出现过调和欠调等问题。
在控制非线性系统时，由于PID控制器本身是线性的，其控制效果会受到限制。
对于复杂系统，PID控制器可能无法实现良好的控制效果，需要采用更为复杂的控制算法。
因此，在实际应用中，需要根据实际场景和需求选择合适的控制算法，对于特定的磁流变控制场景，采用PID控制器能够得到较为稳定可靠的控制效果，但对于一些特殊场景，需要采用更为复杂的控制算法。
基于神经网络的磁流变控制代码：
import numpy as np
import pyfirmata
import tensorflow as tf
board = pyfirmata.Arduino('COM3')
pin = board.get_pin('d:3:p')
model = tf.keras.models.load_model('model.h5') #加载训练好的神经网络模型
def nn_control():
while True:
sensor_value = read_sensor()
input_data = np.array([sensor_value])
output = model.predict(input_data)
output = max(min(output, 1), 0)
pin.write(output)
time.sleep(0.01)
def read_sensor():
return np.random.rand() #这里用随机数代替实际传感器读取值
nn_control()
基于神经网络的磁流变控制系统具备以下优缺点：
优点：
非线性映射能力强：神经网络具有强大的非线性映射能力，能够学习到输入与输出之间的复杂非线性关系，使得磁流变控制系统更加适应各种实际工况。
自适应性好：神经网络可以根据实时变化的工况条件动态调整控制参数，具有很好的自适应性，能够更好地应对复杂的生产工艺过程。
鲁棒性强：神经网络能够处理含噪声、非线性、不确定性的系统，因此具有很强的鲁棒性，能够在复杂的工况条件下实现准确的控制。
缺点：
网络结构设计难度大：神经网络结构的设计需要考虑到各种因素，包括网络层数、节点数、激活函数、权重初始化等，对于初学者来说设计难度较大。
训练过程需要大量数据：神经网络需要大量的数据来进行训练，因此数据采集和处理过程较为复杂，需要投入大量的时间和精力。
运算速度较慢：相比于传统的PID控制器，神经网络需要进行大量的计算和数据传输，因此运算速度较慢，对实时性要求较高的场合可能不太适合
基于支持向量机的磁流变控制代码：
import numpy as np
import pyfirmata
import joblib
board = pyfirmata.Arduino('COM3')
pin = board.get_pin('d:3:p')
model = joblib.load('model.pkl') #加载训练好的支持向量机模型
def svm_control():
while True:
sensor_value = read_sensor()
input_data = np.array([sensor_value])
output = model.predict(input_data)
output = max(min(output, 1), 0)
pin.write(output)
time.sleep(0.01)
def read_sensor():
return np.random.rand() #这里用随机数代替实际传感器读取值
svm_control
基于支持向量机（Support Vector Machine，SVM）的磁流变控制系统具有以下优缺点：
优点：
高准确性：SVM具有非常高的预测精度，尤其是在处理高维度数据时，相比于传统的机器学习算法具有更高的准确性和鲁棒性。
可处理非线性问题：SVM能够处理非线性问题，可以利用核函数将数据映射到高维空间中进行线性分类，从而解决传统线性分类器无法解决的问题。
可避免过拟合：SVM能够有效地避免过拟合问题，对于数据量较小的情况下，也能够很好地避免欠拟合问题。
可处理高维度数据：SVM对于高维度数据具有较好的处理能力，具有很好的泛化能力。
缺点：
参数选择困难：SVM中的参数选择对于不同的数据集可能存在很大的差异，选择不当可能会导致算法的预测性能下降。
计算时间长：SVM在计算的过程中需要大量的计算量，对于大规模数据集的处理时间会很长，甚至无法处理。
对缺失数据敏感：SVM对于缺失数据较为敏感，需要对缺失数据进行处理或者使用缺失值插补方法。
对异常值敏感：SVM对于异常值比较敏感，需要对异常值进行处理，否则可能影响预测效果。
基于深度强化学习的磁流变控制代码：
import numpy as np
import pyfirmata
import tensorflow as tf
board = pyfirmata.Arduino('COM3')
pin = board.get_pin('d:3:p')
#定义深度强化学习模型
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, input_shape=(1,), activation='relu'),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),loss='mse')
#使用深度强化学习训练模型
def train_model():
for i in range(1000):
sensor_value = read_sensor()
input_data = np.array([sensor_value])
target = np.array([0.5])
model.train_on_batch(input_data, target)
def rl_control():
while True:
sensor_value = read_sensor()
input_data = np.array([sensor_value])
output = model.predict(input_data)
output = max(min(output, 1), 0)
pin.write(output)
time.sleep(0.01)
def read_sensor():
return np.random.rand() #这里用随机数代替实际传感器读取值
train_model()
rl_control()
基于深度强化学习的磁流变控制系统具有以下优缺点：
优点：
自适应性强：深度强化学习算法可以在不断与环境交互学习的过程中不断地更新自己的策略，以适应环境的变化；
可以学习到更复杂的控制策略：相比于传统的控制方法，深度强化学习可以学习到更复杂的、非线性的控制策略，因此可以在复杂的控制问题中取得更好的效果；
能够处理高维度的数据：深度强化学习可以处理高维度的输入数据，例如图像数据、语音数据等。
缺点：
数据需求量大：深度强化学习需要大量的数据进行训练，因此在数据获取困难的问题上可能存在一定的挑战；
训练时间长：深度强化学习的训练时间可能非常长，特别是当需要训练的模型比较复杂时，可能需要数天甚至数周的时间；
可解释性较差：由于深度强化学习的模型比较复杂，因此其内部的工作原理和决策过程往往比较难以解释和理解。
综上，本发明具备如下特点：
1、采用复学习系统和学习系统交互式学习的形式，实现了喷冲阀控制系统中的控制逻辑可以实时进行优化处理，从而可以实现喷冲阀流量控制中，可以根据前置数据变化，优化流量控制阶段中的控制时效和控制精度，通过前置学习的方式，实现了喷冲阀流量控制更加的精确，流量控制更加稳定。
采用反馈系统，将反馈系统连接至每一个子系统之中，通过神经算法，可以实现全部系统及子系统有一个良好的二次学习作用，即使不额外增加双重系统，可以通过反馈系统配合数据拟合算法，实现不同子系统的数据矫正，提高系统控制数据的稳定性，避免产生异常数据影响控制系统，进一步保证喷冲阀流量控制的稳定性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于磁流变技术的喷冲阀流量控制系统，其特征在于：包括以下系统：
数据读取系统：所述数据读取系统用于读取喷冲阀传感器数据；
学习系统：所述学习系统采用三复合学习算法组合学习，所述三复合学习算法包括机器学习、前馈学习和模型学习；
数据处理系统：所述数据处理系统采用神经算法处理，且数据处理系统包括工控机和后台数据库；
矫正系统：所述矫正系统包括数据存储、数据回流、二次验证和矫正数据，且矫正系统内嵌AI学习芯片；
复学习系统：所述复学习系统和学习系统之间数据相互联通，且复学习系统和学习系统均和数据处理系统的后台电性连接；
反馈系统：所述反馈系统内置数据缓存硬件，且反馈系统和学习系统、数据处理系统、矫正系统、复学习系统均电性连接；
终端分配控制系统：所述终端分配控制系统用于控制喷冲阀的电控元件，且终端分配控制系统和喷冲阀的控制电路板之间相互电性连接，且终端分配控制系统和喷冲阀的独立控制元件之间相互电性连接；
所述终端分配控制系统中的控制硬件采用磁流变阀，且磁流变阀的控制主板和终端分配控制系统的控制主板之间电性连接；
基于磁流变技术的喷冲阀流量控制系统，其工作流程如下：
Sp1、读取数据；
Sp2、分配数据至三组独立运行的数据学习系统之中进行处理并进行学习；
Sp3、分配指令，将Sp2中的数据下发至控制系统中；
Sp3.1、初期分配：将三组算法的控制数据按照循环分配的形式下发至喷冲阀；
Sp3.2、中期分配：经过定量分配的三组算法的控制数据控制喷冲阀之后的测量传感器数据进行回流备案登记；
Sp3.3、将Sp3.2读取的数据进行二次处理并分析，得到三组算法的分析数据库A、B、C，并和理论数据D进行拟合，得到数据曲线；
Sp3.4、将Sp3.3得到的数据曲线，根据卷积神经网络进行预测分析并校准数据曲线后，确认当前状态下最合适的喷冲阀控制系统；
Sp3.5、成熟分配：截断上述三组算法中的非合适控制算法，选择经过Sp3.4中的合适算法，在成熟运行阶段只接受该算法的控制程序；
Sp4、将Sp3中的处理后的数据进行机器学习，并经过反馈系统和原始数据库进行对比矫正，得到合适的矫正参数并重复至少3次Sp3的步骤，得到成熟控制系统；
Sp5、正式运转采用Sp4中得到的成熟控制系统；
Sp6、更换喷冲阀之后，重复该流程，重新进行学习。
2.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述数据读取系统采用双逻辑连接，且数据读取系统的双逻辑系统包括有线连接和无线连接，且数据读取系统的无线连接优先采用5G连接，有线连接优先采用4pin接口连接。
3.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述学习系统的三复合学习算法之间相互独立计算，且三复合学习算法之间的计算数据保存在同一个数据库中，且计算数据相互验证。
4.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述数据处理系统的硬件包括服务器数据库、工控机和信号收发模块，且数据处理系统的神经算法采用卷积神经网络算法，且数据处理系统和学习系统之间数据相互联通。
5.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述复学习系统和学习系统的硬件通用，且复学习系统单项数据传输至学习系统，并且复学习系统的数据另行保存于数据处理系统的服务器数据库之中。
6.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述反馈系统采用光纤进行连接，且反馈系统的数据传输延迟不超过15ms，并且反馈系统之间的光纤网络物理隔离互联网。
7.根据权利要求1所述的基于磁流变技术的喷冲阀流量控制系统，其特征在于：所述终端分配控制系统和喷冲阀之间相互连接，终端分配控制系统采用学习优化选择系统。
CN202310459443.6A 2023-04-25 2023-04-25 基于磁流变技术的喷冲阀流量控制系统 Active CN116484974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310459443.6A CN116484974B (zh) 2023-04-25 2023-04-25 基于磁流变技术的喷冲阀流量控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310459443.6A CN116484974B (zh) 2023-04-25 2023-04-25 基于磁流变技术的喷冲阀流量控制系统

Publications (2)

Publication Number Publication Date
CN116484974A CN116484974A (zh) 2023-07-25
CN116484974B true CN116484974B (zh) 2023-11-03

Family

ID=87222795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310459443.6A Active CN116484974B (zh) 2023-04-25 2023-04-25 基于磁流变技术的喷冲阀流量控制系统

Country Status (1)

Country Link
CN (1) CN116484974B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6149071A (en) * 1998-06-10 2000-11-21 Global Metering Solutions, Llc Flow control system for spray applications
CN105179785A (zh) * 2015-09-09 2015-12-23 合肥工业大学 一种新型磁流变数字阀及其控制方法
CN106907362A (zh) * 2017-04-14 2017-06-30 中国船舶重工集团公司第七0四研究所 基于磁流变液的减摇陀螺进动控制系统
KR101797558B1 (ko) * 2017-04-26 2017-11-16 주식회사 프라임제이홀딩스 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템
JP2020109839A (ja) * 2018-12-28 2020-07-16 株式会社荏原製作所 パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム
WO2021174179A1 (en) * 2020-02-28 2021-09-02 Schlumberger Technology Corporation Autonomous surface system
CN113342068A (zh) * 2021-06-04 2021-09-03 中国民航大学 一种基于在线机器学习的烟雾流动控制实验系统
KR102418310B1 (ko) * 2022-02-14 2022-07-07 주식회사 에스브이씨 인공지능 학습에 의한 능동제어 고장진단 가동상태 모니터링이 가능한 스마트밸브 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10378324B2 (en) * 2016-09-26 2019-08-13 International Business Machines Corporation Controlling operation of a steam-assisted gravity drainage oil well system by adjusting controls based on forecast emulsion production

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6149071A (en) * 1998-06-10 2000-11-21 Global Metering Solutions, Llc Flow control system for spray applications
CN105179785A (zh) * 2015-09-09 2015-12-23 合肥工业大学 一种新型磁流变数字阀及其控制方法
CN106907362A (zh) * 2017-04-14 2017-06-30 中国船舶重工集团公司第七0四研究所 基于磁流变液的减摇陀螺进动控制系统
KR101797558B1 (ko) * 2017-04-26 2017-11-16 주식회사 프라임제이홀딩스 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템
JP2020109839A (ja) * 2018-12-28 2020-07-16 株式会社荏原製作所 パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム
WO2021174179A1 (en) * 2020-02-28 2021-09-02 Schlumberger Technology Corporation Autonomous surface system
CN113342068A (zh) * 2021-06-04 2021-09-03 中国民航大学 一种基于在线机器学习的烟雾流动控制实验系统
KR102418310B1 (ko) * 2022-02-14 2022-07-07 주식회사 에스브이씨 인공지능 학습에 의한 능동제어 고장진단 가동상태 모니터링이 가능한 스마트밸브 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Magnetorheological Fluid-Based Flow Control for Soft Robots;Kevin McDonald等;《ADVANCED SCIENCE NEWS》;第1-8页 *
基于机器学习的电厂热负荷预测及控制优 化;宗玲;《万方数据》;第1-64页 *
基于模糊控制的磁流变阀流星 控制系统的设计;孟祥林等;《Mining&Processing Equipment》;第1-4页 *

Also Published As

Publication number Publication date
CN116484974A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Baird Reinforcement learning in continuous time: Advantage updating
CN103123460A (zh) 温度控制系统和温度控制方法
CN114839880B (zh) 一种基于柔性关节机械臂的自适应控制方法
CN112987577A (zh) 一种无人车数据驱动自适应控制方法和装置
CN116484974B (zh) 基于磁流变技术的喷冲阀流量控制系统
CN111582562A (zh) 一种基于优化控制平台的神经网络预测控制方法
CN111442476A (zh) 一种使用深度迁移学习实现数据中心节能温控的方法
CN108388112A (zh) 一种批次过程二维模型预测控制方法
CN103558756A (zh) 基于组态元件的单神经元pid控制器的实现方法
CN108614415A (zh) 一种植物生长因子的智能控制系统及控制方法
Lutfy A wavelet functional link neural network controller trained by a modified sine cosine algorithm using the feedback error learning strategy
CN115674191B (zh) 一种基于数字孪生的机械臂控制方法及系统
Deng et al. Real-time dynamic fuzzy Q-learning and control of mobile robots
CN113777923A (zh) 一种基于gru神经网络的火电厂智能控制模块及其运行方法
Li et al. Powell's method applied to learning neural control of three unknown dynamic systems
CN117970782B (zh) 一种基于鱼鳞进化gsom改进的模糊pid控制方法
Willis et al. Artificial Neural Networks:-A Panacea to Modelling Problems?
Abonyi et al. Adaptive Sugeno fuzzy control: A case study
Chen et al. Deep Recurrent Policy Networks for Planning Under Partial Observability
Mejri et al. Identification and hybrid control of astation of irrigation by sprinkling
Jager Adaptive fuzzy control
CN114167728A (zh) 带有死区约束的多智能体系统的自适应控制方法及装置
CN116520873A (zh) 针对时间最优小推力转移的航天器智能控制方法
Chung et al. An alternative CMAC trained with genetic algorithms to solve an instable control process
CN116300755A (zh) 基于mpc的含储热的供热系统双层优化调度方法及装置

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