CN117111446B - 一种磁悬浮飞轮电机模糊pid控制优化方法 - Google Patents
一种磁悬浮飞轮电机模糊pid控制优化方法 Download PDFInfo
- Publication number
- CN117111446B CN117111446B CN202311389073.XA CN202311389073A CN117111446B CN 117111446 B CN117111446 B CN 117111446B CN 202311389073 A CN202311389073 A CN 202311389073A CN 117111446 B CN117111446 B CN 117111446B
- Authority
- CN
- China
- Prior art keywords
- data
- pid
- fuzzy
- controller
- pid control
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000000725 suspension Substances 0.000 title claims abstract description 6
- 230000036541 health Effects 0.000 claims abstract description 108
- 238000011156 evaluation Methods 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 230000010355 oscillation Effects 0.000 claims description 72
- 238000004458 analytical method Methods 0.000 claims description 52
- 238000005070 sampling Methods 0.000 claims description 35
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005339 levitation Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013211 curve analysis Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000003044 adaptive effect Effects 0.000 description 13
- 230000009471 action Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000011217 control strategy Methods 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及控制数据优化技术领域,尤其涉及一种磁悬浮飞轮电机模糊PID控制优化方法。所述方法包括以下步骤:获取电机系统状态监测数据;根据预设的标签列表对电机系统状态监测数据进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;对模糊PID模型选择数据进行电机效能评估,得到电机效能评估系数;将电机效能评估系数和预设的标准效能评估阈值进行对比,生成控制器切换规则事件数据;根据控制器切换规则事件数据对PID控制器进行能源数据采集,得到PID控制电能数据;本发明通过对模糊PID控制器的自适应性、能源管理、温度监测和健康状况评估等创新方法,提高了PID控制的性能和稳定性。
Description
技术领域
本发明涉及控制数据优化技术领域,尤其涉及一种磁悬浮飞轮电机模糊PID控制优化方法。
背景技术
飞轮电机的概念首次出现,并开始应用于空间技术领域。这些早期的系统通常采用机械轴承,受限于摩擦损耗和寿命问题,为了维持飞轮电机的稳定运行,PID(比例-积分-微分)控制器被引入。PID控制通过不断地调整控制参数,使系统的输出与期望值保持一致。然而,PID控制在应对非线性、不确定性和外部扰动方面存在一定的局限性,为了改善PID控制器对复杂系统的适应能力,模糊控制技术被引入到Maglev飞轮电机中。模糊PID控制允许系统根据不同操作条件下的模糊规则来调整控制参数,从而提高了系统的稳定性和鲁棒性,随着计算能力的不断提高,越来越多的优化算法被应用于Maglev飞轮电机的模糊PID控制中。这些算法包括遗传算法、模拟退火算法和粒子群优化算法,它们能够自动搜索最佳控制参数,以进一步提高系统的性能。然而目前的PID控制器通常使用固定的参数,不适应电机系统工作状态的变化法,并且无法根据外界环境对模糊化进行干扰排除,从而导致PID控制的精准性和稳定性较低。
发明内容
基于此,有必要提供一种磁悬浮飞轮电机模糊PID控制优化方法,以解决至少一个上述技术问题。
为实现上述目的,一种磁悬浮飞轮电机模糊PID控制优化方法,所述方法包括以下步骤:
步骤S1:获取电机系统状态监测数据;根据预设的标签列表对电机系统状态监测数据进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;对模糊PID模型选择数据进行电机效能评估,得到电机效能评估系数;将电机效能评估系数和预设的标准效能评估阈值进行对比,生成控制器切换规则事件数据;
步骤S2:根据控制器切换规则事件数据对PID控制器进行能源数据采集,得到PID控制电能数据;利用PID控制电能数据对控制器切换规则事件数据进行能源供应状态监测,生成可用能源状态数据;基于可用能源状态数据对模糊PID控制器进行参数调整,生成PID控制调整参数数据;
步骤S3:获取运行环境温度数据;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据;对温度映射频谱数据进行时滞周期性特征提取,生成信号周期时滞特征数据;对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据;
步骤S4:根据PID控制震荡数据和运行环境温度数据对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;将PID控制器健康状况指标和预设的健康指标阈值进行对比,生成正常PID控制流程;
步骤S5:获取控制指令数据;根据正常PID控制流程将控制指令数据导入至PID控制器中进行反模糊处理,生成推理结果数据;将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统抽样时间;根据PID控制系统抽样时间对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据;
步骤S6:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行模型训练,生成PID控制调整预测模型;将PID控制优化数据导入至PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据。
本发明通过监测和评估电机的运行状态,并根据预设的标准和阈值,系统可以自动调整控制器的参数和模式,以确保电机始终以高效率、低能耗的方式运行,从而提高电机系统的整体效能和可靠性;根据之前生成的控制器切换规则事件数据,系统进行PID控制器的能源数据采集。这可能包括记录控制器在不同时间段或操作状态下的电能消耗情况,以便评估其电能效率和能源消耗情况,通过分析PID控制器的电能数据,可以监测控制器的能源供应状态。这可能包括检查控制器是否从可靠的电源供应中获取电能,以及是否存在电能波动或不稳定的情况。这些数据将有助于确定可用能源的状态,根据可用能源状态数据,系统可以决定是否需要调整模糊PID控制器的参数,以适应不同的能源供应状态。这可能包括调整PID控制器的增益、积分时间和微分时间等参数,以确保在不同的电源条件下,控制器可以维持稳定的性能;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据 在这一步,使用运行环境温度数据,并根据预设的时间间隔,执行频谱转换操作。这可能包括将温度数据从时间域转换到频域,以获得温度的频谱表示。这种频谱分析可以帮助理解温度变化的频率成分,从温度数据提取的时滞和周期性特征进行进一步分析,以确定是否存在控制器震荡的问题。PID控制器震荡通常指的是控制系统出现过度振荡或不稳定的情况,根据PID控制震荡数据,系统可能会调整模糊PID控制器的增益参数,以尝试解决控制系统的震荡问题。增益参数的调整可以帮助提高系统的稳定性和性能;系统可能会将之前获取的PID控制震荡数据和运行环境温度数据结合起来,以评估PID控制器的健康状况。这个评估可以包括确定控制器是否正常运行、是否存在振荡或其他问题,以及环境温度是否对控制器性能产生了影响。这些评估结果可能被表示为一个健康状况指标,系统将生成的PID控制器健康状况指标与预先设定的健康指标阈值进行比较。如果健康状况指标在预设的阈值范围内,说明PID控制器的健康状态良好,可以继续正常的控制操作。如果健康状况指标超出了阈值范围,系统可能会采取相应的措施,如暂停控制器或触发警报,以应对潜在的问题;可能会根据PID控制系统的仿真步长对抽样时间进行模糊等级划分。这可以帮助系统适应不同的控制条件,从而实现PID控制的自适应性。生成的模糊等级数据可能会在控制过程中用于调整控制器的行为,PID控制优化数据将被输入到之前训练的模型中。这个模型可以根据输入的数据进行预测和分析,然后生成自适应模糊控制数据。这些数据可能包括控制参数的调整建议,以实现更好的控制性能,可以根据系统的状态和性能自适应地调整PID控制器的参数和增益,提高控制系统的鲁棒性和性能。因此,本发明通过对模糊PID控制器的自适应性、能源管理、温度监测和健康状况评估等创新方法,提高了PID控制的性能和稳定性。
本发明的有益效果在于通过从传感器等设备中获取电机运行状态的各种数据,根据预设的标签列表,选择合适的模糊PID控制器模型,以适应当前电机状态,评估选择的模糊PID模型的效能,得到一个评估系数,将电机效能评估系数与预设的效能评估阈值进行对比,生成控制器切换规则事件数据,用于决定是否需要切换控制器,对当前PID控制器进行能源数据采集,获取PID控制电能数据,利用PID控制电能数据和控制器切换规则事件数据,监测当前能源供应状态,生成可用能源状态数据,基于可用能源状态数据,调整模糊PID控制器的参数,生成PID控制调整参数数据,获取电机运行环境的温度数据,利用运行环境温度数据进行频谱转换,提取信号的周期时滞特征数据,然后进行控制器震荡频域分析,生成PID控制震荡数据,根据PID控制震荡数据,对模糊PID控制器进行增益调整,生成PID控制增益调整数据,结合PID控制震荡数据和运行环境温度数据,对PID控制状态进行健康状况评估,生成PID控制器健康状况指标,将健康状况指标与预设的健康指标阈值进行对比,判断当前PID控制器是否在正常工作状态,获取控制指令数据,通过正常PID控制流程进行处理,生成推理结果数据,将推理结果数据整合,生成模糊规则库,利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统的抽样时间,根据抽样时间,对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据,将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行合并,形成PID控制优化数据,对PID控制优化数据进行模型训练,生成PID控制调整预测模型,将实时数据导入训练好的PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据,用于实时控制电机系统,通过多维度数据的监测和分析,系统可以更精准地选择和调整控制器,提高电机系统的稳定性和性能,根据能源数据和环境温度等因素进行实时调整,提高能源利用率,降低系统能耗,通过健康状况评估,系统可以及时发现并应对可能出现的问题,提高系统的可靠性和耐久性,引入自适应模糊控制,使系统能够根据实时数据动态调整控制策略,适应不同工况和环境变化,基于模糊控制和数据分析,系统可以做出更加智能化的决策,提高电机系统的自主性和智能性。因此,本发明通过对模糊PID控制器的自适应性、能源管理、温度监测和健康状况评估等创新方法,提高了PID控制的性能和稳定性。
附图说明
图1为一种磁悬浮飞轮电机模糊PID控制优化方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图3中步骤S24的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种磁悬浮飞轮电机模糊PID控制优化方法,所述方法包括以下步骤:
步骤S1:获取电机系统状态监测数据;根据预设的标签列表对电机系统状态监测数据进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;对模糊PID模型选择数据进行电机效能评估,得到电机效能评估系数;将电机效能评估系数和预设的标准效能评估阈值进行对比,生成控制器切换规则事件数据;
步骤S2:根据控制器切换规则事件数据对PID控制器进行能源数据采集,得到PID控制电能数据;利用PID控制电能数据对控制器切换规则事件数据进行能源供应状态监测,生成可用能源状态数据;基于可用能源状态数据对模糊PID控制器进行参数调整,生成PID控制调整参数数据;
步骤S3:获取运行环境温度数据;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据;对温度映射频谱数据进行时滞周期性特征提取,生成信号周期时滞特征数据;对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据;
步骤S4:根据PID控制震荡数据和运行环境温度数据对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;将PID控制器健康状况指标和预设的健康指标阈值进行对比,生成正常PID控制流程;
步骤S5:获取控制指令数据;根据正常PID控制流程将控制指令数据导入至PID控制器中进行反模糊处理,生成推理结果数据;将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统抽样时间;根据PID控制系统抽样时间对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据;
步骤S6:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行模型训练,生成PID控制调整预测模型;将PID控制优化数据导入至PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据。
本发明通过监测和评估电机的运行状态,并根据预设的标准和阈值,系统可以自动调整控制器的参数和模式,以确保电机始终以高效率、低能耗的方式运行,从而提高电机系统的整体效能和可靠性;根据之前生成的控制器切换规则事件数据,系统进行PID控制器的能源数据采集。这可能包括记录控制器在不同时间段或操作状态下的电能消耗情况,以便评估其电能效率和能源消耗情况,通过分析PID控制器的电能数据,可以监测控制器的能源供应状态。这可能包括检查控制器是否从可靠的电源供应中获取电能,以及是否存在电能波动或不稳定的情况。这些数据将有助于确定可用能源的状态,根据可用能源状态数据,系统可以决定是否需要调整模糊PID控制器的参数,以适应不同的能源供应状态。这可能包括调整PID控制器的增益、积分时间和微分时间等参数,以确保在不同的电源条件下,控制器可以维持稳定的性能;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据 在这一步,使用运行环境温度数据,并根据预设的时间间隔,执行频谱转换操作。这可能包括将温度数据从时间域转换到频域,以获得温度的频谱表示。这种频谱分析可以帮助理解温度变化的频率成分,从温度数据提取的时滞和周期性特征进行进一步分析,以确定是否存在控制器震荡的问题。PID控制器震荡通常指的是控制系统出现过度振荡或不稳定的情况,根据PID控制震荡数据,系统可能会调整模糊PID控制器的增益参数,以尝试解决控制系统的震荡问题。增益参数的调整可以帮助提高系统的稳定性和性能;系统可能会将之前获取的PID控制震荡数据和运行环境温度数据结合起来,以评估PID控制器的健康状况。这个评估可以包括确定控制器是否正常运行、是否存在振荡或其他问题,以及环境温度是否对控制器性能产生了影响。这些评估结果可能被表示为一个健康状况指标,系统将生成的PID控制器健康状况指标与预先设定的健康指标阈值进行比较。如果健康状况指标在预设的阈值范围内,说明PID控制器的健康状态良好,可以继续正常的控制操作。如果健康状况指标超出了阈值范围,系统可能会采取相应的措施,如暂停控制器或触发警报,以应对潜在的问题;可能会根据PID控制系统的仿真步长对抽样时间进行模糊等级划分。这可以帮助系统适应不同的控制条件,从而实现PID控制的自适应性。生成的模糊等级数据可能会在控制过程中用于调整控制器的行为,PID控制优化数据将被输入到之前训练的模型中。这个模型可以根据输入的数据进行预测和分析,然后生成自适应模糊控制数据。这些数据可能包括控制参数的调整建议,以实现更好的控制性能,可以根据系统的状态和性能自适应地调整PID控制器的参数和增益,提高控制系统的鲁棒性和性能。因此,本发明通过对模糊PID控制器的自适应性、能源管理、温度监测和健康状况评估等创新方法,提高了PID控制的性能和稳定性。
本发明实施例中,参考图1所述,为本发明一种磁悬浮飞轮电机模糊PID控制优化方法的步骤流程示意图,在本实例中,所述一种磁悬浮飞轮电机模糊PID控制优化方法包括以下步骤:
步骤S1:获取电机系统状态监测数据;根据预设的标签列表对电机系统状态监测数据进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;对模糊PID模型选择数据进行电机效能评估,得到电机效能评估系数;将电机效能评估系数和预设的标准效能评估阈值进行对比,生成控制器切换规则事件数据;
本发明实施例中,通过使用传感器或监测设备获取电机系统的各种状态数据,例如转速、电流、温度等,根据预设的标签列表和当前监测到的电机系统状态数据,根据一定的逻辑或算法选择最适合当前状态的模糊PID控制器模型,使用选定的模糊PID模型对电机的效能进行评估。这可能包括对电机的控制精度、响应速度、能耗等方面进行评估,得到一个电机效能评估系数,将得到的电机效能评估系数与预设的标准效能评估阈值进行对比。如果电机效能评估系数超过或低于预设阈值,则生成相应的控制器切换规则事件数据,以便决定是否需要切换控制器。
步骤S2:根据控制器切换规则事件数据对PID控制器进行能源数据采集,得到PID控制电能数据;利用PID控制电能数据对控制器切换规则事件数据进行能源供应状态监测,生成可用能源状态数据;基于可用能源状态数据对模糊PID控制器进行参数调整,生成PID控制调整参数数据;
本发明实施例中,通过针对当前使用的PID控制器,收集电能数据。这可以包括电机的功率消耗、电流、电压等数据,可以使用电能仪表或传感器来实时监测电能数据,基于采集到的PID控制电能数据,对控制器切换规则事件数据中的能源供应状态进行监测,判断电能数据是否满足能源供应状态规则,例如电能质量是否稳定、能源供应是否足够,根据电能数据的分析,生成可用能源状态数据,以指示当前能源供应的状态。这可以是二进制标志,表示能源是否满足要求,或者一个定量的指标,反映能源质量和可用性,基于可用能源状态数据,决定是否需要对模糊PID控制器的参数进行调整,如果可用能源状态不满足要求,可以采取以下步骤进行参数调整:调整PID控制器的增益参数,以提高稳定性或响应速度,调整PID控制器的积分时间常数,以减少静态误差,调整PID控制器的微分时间常数,以改善控制系统的抗干扰性,基于参数调整的结果,生成新的PID控制器参数数据,以便应用于电机系统的实际控制。
步骤S3:获取运行环境温度数据;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据;对温度映射频谱数据进行时滞周期性特征提取,生成信号周期时滞特征数据;对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据;
本发明实施例中,通过使用温度传感器或数据采集设备,定期获取运行环境的温度数据,温度数据应该包括时间戳,以便进行后续的时序分析,基于获取的温度数据,进行频谱转换,将时间域的温度信号转换为频域,常见的频谱转换方法包括傅里叶变换或快速傅里叶变换(FFT),针对频谱数据,生成温度映射频谱数据,这可以是频谱图或频谱数据的相关特征,从温度映射频谱数据中提取时滞周期性特征。这可能涉及到检测频谱中的周期性峰值或其他时滞相关特征,时滞周期性特征可以用于分析系统的周期性行为,对提取的时滞周期性特征数据进行频域分析,以检测控制器的震荡情况,这可以包括查找频谱中的峰值或特定频率成分,根据频域分析的结果,生成PID控制震荡数据,该数据描述了控制系统中的震荡情况,基于PID控制震荡数据,决定是否需要对模糊PID控制器的增益进行调整,根据震荡的性质,可以选择增加或减小PID控制器的增益,以抑制或减轻震荡,基于增益调整的结果,生成新的PID控制器增益参数数据,以应用于实际控制。
步骤S4:根据PID控制震荡数据和运行环境温度数据对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;将PID控制器健康状况指标和预设的健康指标阈值进行对比,生成正常PID控制流程;
本发明实施例中,通过使用之前步骤中生成的PID控制震荡数据,这些数据描述了控制系统中的震荡情况,同样,使用之前步骤中获取的运行环境温度数据。这些数据用于考虑环境因素对PID控制性能的影响,这是PID控制器的当前状态数据,包括当前的控制输出、反馈信号等,使用PID控制震荡数据、运行环境温度数据和PID控制状态数据来评估PID控制器的健康状况,这可以涉及到各种分析技术,如时域分析、频域分析、统计方法等,以检测控制系统的稳定性和性能,基于健康状况评估的结果,生成一个或多个指标来表示PID控制器的健康状况,这些指标可以是数值,如震荡幅度、相位延迟,或者是定性的,如“正常”、“不正常”, 事先定义健康指标的阈值范围。这些阈值将根据实际系统的需求和性能标准来确定,将生成的PID控制器健康状况指标与预设的健康指标阈值进行对比,如果健康指标在正常范围内,则继续使用正常的PID控制流程,如果健康指标超出阈值,表示PID控制器的性能可能受到影响,需要采取相应的措施,如果PID控制器的健康指标超出阈值,可以采取不同的控制策略,如暂停控制、降低增益、切换到备用控制器等,这取决于实际情况和系统要求,在控制策略采取后,应生成报警以通知操作人员,并记录控制器健康状况的历史数据,以便后续分析和改进。
步骤S5:获取控制指令数据;根据正常PID控制流程将控制指令数据导入至PID控制器中进行反模糊处理,生成推理结果数据;将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统抽样时间;根据PID控制系统抽样时间对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据;
本发明实施例中,通过这是PID控制系统中外部输入的控制指令,可以是用户输入的设定值或其他控制命令,将控制指令数据导入到PID控制器中,执行正常的PID控制流程,得到反模糊处理后的输出。这是为了获得在传统PID控制下的控制效果,在模糊控制中,将控制指令数据进行模糊化,应用模糊规则,得到推理结果数据。这些数据表示了模糊控制器的输出,将推理结果数据进行整合,形成模糊规则库。这个库包含了在不同输入条件下系统的控制行为,利用生成的模糊规则库对PID控制器进行仿真。在仿真过程中,可以通过模糊规则库来调整控制器的参数,包括增益、积分时间和微分时间等,以获得最佳的控制效果。仿真的目的是确定在不同输入条件下最优的PID参数设置,通过仿真步长设置,确定最优的PID参数配置后,得到PID控制系统的抽样时间。抽样时间是控制系统在离散时间下进行计算和控制的时间间隔,将确定的PID控制系统抽样时间进行模糊等级划分。这可以是基于经验的、基于性能指标的或者基于系统需求的划分方法。模糊等级的划分可以帮助系统在不同的工作条件下选择合适的抽样时间,将PID控制系统抽样时间与模糊等级进行关联,形成PID自适应模糊等级数据。这个数据用于在不同工作条件下自动调整PID控制器的抽样时间,以保持系统的稳定性和性能。
步骤S6:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行模型训练,生成PID控制调整预测模型;将PID控制优化数据导入至PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据。
本发明实施例中,通过将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行整合和合并,生成PID控制优化数据集。确保数据之间的一致性和可比性,基于生成的PID控制优化数据集,设计合适的训练算法和模型架构,对PID控制优化数据进行模型训练。这可能包括机器学习方法,如神经网络、决策树或其他回归方法,在模型训练阶段,模型将学习PID控制系统的优化数据集的模式和特征。生成的模型可以用于预测在给定输入条件下的PID控制参数的最优设置,将PID控制优化数据导入到训练好的PID控制调整预测模型中。模型将基于当前的输入数据和先前的学习,提供关于如何调整PID控制器参数以实现最佳控制性能的指导,结合模型的预测结果和实时控制数据,生成自适应模糊控制数据。这些数据可能包括根据模型推荐的新的PID参数配置、抽样时间调整建议等。
优选地,步骤S1包括以下步骤:
步骤S11:利用数据库获取电机系统状态监测数据;
步骤S12:对电机系统状态监测数据进行数据去噪,生成系统状态监测去噪数据;对系统状态监测去噪数据进行单变量重要性数据提取,生成系统状态监测规约数据;对系统状态监测规约数据进行数据稀疏化处理,从而生成标准系统状态监测数据;
步骤S13:通过聚类算法对标准系统状态监测数据进行数据聚类,生成系统状态监测聚类数据;根据预设的标签列表对系统状态监测聚类数据进行数据标签分类,生成系统状态类别标签数据;
步骤S14:根据系统状态类别标签数据对进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;基于模糊PID模型选择数据进行控制器参数设置,从而得到控制器模型参数,其中控制器模型参数包括模糊规则数据和隶属度函数数据;
步骤S15:通过模糊规则数据和隶属度函数数据对悬浮飞轮电机进行模拟模糊控制,并采集获得电流波动数据和电机速度数据;利用电机效能指标分析公式对电流波动数据和电机速度数据进行电机效能评估,得到电机效能评估系数;
步骤S16:将电机效能评估系数和预设的标准效能评估阈值进行对比,当电机效能评估系数大于或等于标准效能评估阈值时,则生成第一PID控制器切换事件;当电机效能评估系数小于标准效能评估阈值时,则生成第二PID控制器切换事件;
步骤S17:将第一PID控制器切换事件和第二PID控制器切换事件进行数据合并,生成控制器切换规则事件数据。
本发明通过从数据库获取电机系统状态监测数据,并对其进行去噪和规约,可以提高数据质量和减少不必要的噪声,从而提高后续分析的准确性。使用聚类算法对标准系统状态监测数据进行分组,可以帮助理解系统的行为模式,识别不同的操作状态。将这些数据标签化有助于更好地管理和分析系统的性能。根据系统状态类别标签数据,选择适当的模糊PID控制器模型,可以实现对不同系统状态的有效控制。设置控制器参数基于模糊规则和隶属度函数数据,允许更灵活的控制策略。通过模拟模糊控制并采集电流波动和电机速度数据,对电机的性能进行实时评估。这有助于检测潜在问题和改进控制策略。基于电机效能评估系数和设定的效能评估阈值,自动选择不同的PID控制器以适应电机性能的变化。这样可以实现自适应控制,提高系统鲁棒性。将控制器切换事件数据合并,可以生成控制器切换规则,提供对系统性能和控制策略的详细洞察。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S1包括:
步骤S11:利用数据库获取电机系统状态监测数据;
本发明实施例中,通过建立与电机系统状态监测数据库的连接。通常,数据库可以是一个关系型数据库(如MySQL、PostgreSQL、SQL Server)或非关系型数据库(如MongoDB),根据所需的数据,构建适当的数据库查询。这通常涉及指定要检索的数据表、列和筛选条件。查询可以使用SQL语句(对于关系型数据库)或其他查询语言(对于非关系型数据库)来构建,执行构建的查询以从数据库中提取数据。这将导致获取与电机系统状态监测相关的数据记录,一旦查询执行成功,数据库将返回包含所需数据的结果集。这些数据通常以表格或文件的形式返回,得到电机系统状态监测数据。
步骤S12:对电机系统状态监测数据进行数据去噪,生成系统状态监测去噪数据;对系统状态监测去噪数据进行单变量重要性数据提取,生成系统状态监测规约数据;对系统状态监测规约数据进行数据稀疏化处理,从而生成标准系统状态监测数据;
本发明实施例中,通过读取原始电机系统状态监测数据,检测和处理缺失数据,例如使用插值方法来填补缺失值,处理异常数据点,可以使用统计方法(如3σ法则)来检测和剔除异常值,使用平均值滤波、中值滤波或指数平滑等技术来减少噪音,使用时域或频域分析方法,如傅里叶变换、小波变换等,来去除周期性或频域噪音,使用机器学习算法,如自动编码器或孤立森林,来学习并去除数据中的噪音,对去噪后的数据进行特征选择,以识别最相关的单变量特征。可以使用统计分析、相关性分析或特征重要性评估方法如随机森林特征重要性来进行选择,提取经过特征选择的单变量特征以生成系统状态监测规约数据。这些特征应该捕捉到关键的系统状态信息,使用降维技术,如主成分分析(PCA)或线性判别分析(LDA),来减少特征维度,使用特征工程方法来创建更紧凑的特征表示,例如将多个相关特征合并成一个,或者通过特征组合来生成新特征,将从数据稀疏化处理中获得的特征组合成标准系统状态监测数据集。
步骤S13:通过聚类算法对标准系统状态监测数据进行数据聚类,生成系统状态监测聚类数据;根据预设的标签列表对系统状态监测聚类数据进行数据标签分类,生成系统状态类别标签数据;
本发明实施例中,通过选择适合数据的聚类算法。常见的算法包括K均值聚类、层次聚类、DBSCAN、谱聚类等。选择算法时要考虑数据的性质和聚类的需求,在进行聚类之前,对标准系统状态监测数据进行标准化或归一化,以确保不同特征具有相似的重要性,如果不确定聚类数目,可以使用肘部法则、轮廓系数、DB指数等方法来帮助确定最佳的聚类数目,使用选定的聚类算法对标准系统状态监测数据进行聚类,创建一个标签列表,其中包含每个聚类的标签。这些标签可以是用户定义的,也可以根据领域专家的知识来制定,对每个聚类的数据点,根据其所属的聚类簇,将相应的标签从预设的标签列表中分配给它们,将每个数据点与其分配的标签关联,以生成系统状态类别标签数据。这将为每个数据点提供一个系统状态类别的标识,使用内部评估指标(如轮廓系数)或外部评估指标(如兰德指数)来评估聚类的质量。
步骤S14:根据系统状态类别标签数据对进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;基于模糊PID模型选择数据进行控制器参数设置,从而得到控制器模型参数,其中控制器模型参数包括模糊规则数据和隶属度函数数据;
本发明实施例中,通过针对不同的系统状态类别,选择适当的模糊PID控制器模型。这可以基于经验或领域知识,或者可以考虑使用机器学习方法来自动选择模型,为每个系统状态类别选择相应的模型参数。这可能包括不同的模糊规则、隶属度函数的形状等,对于每个系统状态类别,定义模糊规则。模糊规则描述了系统状态与控制动作之间的关系。这些规则通常采用"如果-那么"的形式。例如,如果系统处于某个状态类别A,那么采取某个控制动作X,为每个输入和输出变量定义隶属度函数。隶属度函数确定了输入变量值与隶属度的关系。通常,这包括三种类型的隶属度函数:三角形、梯形和高斯函数。需要确定每个隶属度函数的参数,例如峰值、中心和宽度。
步骤S15:通过模糊规则数据和隶属度函数数据对悬浮飞轮电机进行模拟模糊控制,并采集获得电流波动数据和电机速度数据;利用电机效能指标分析公式对电流波动数据和电机速度数据进行电机效能评估,得到电机效能评估系数;
本发明实施例中,通过使用在步骤S14中生成的模糊PID控制器模型参数,将其导入模拟环境,设置悬浮飞轮电机的初始条件,包括初始速度、初始位置等,利用模型参数,对悬浮飞轮电机进行模糊控制的仿真。这涉及到在每个时间步应用模糊规则,计算控制输出,并更新系统状态,在仿真过程中,实时采集电流波动数据和电机速度数据。这些数据将用于后续的电机效能评估,根据悬浮飞轮电机的设计和应用,确定电机效能评估的指标,例如能耗、效率、响应时间等,使用定义的效能指标,建立相应的电机效能指标分析公式。例如,电机效率可以用输出功率与输入功率的比率来表示,使用采集的电流波动数据和电机速度数据,将其代入电机效能指标分析公式中,得到电机效能评估系数。
步骤S16:将电机效能评估系数和预设的标准效能评估阈值进行对比,当电机效能评估系数大于或等于标准效能评估阈值时,则生成第一PID控制器切换事件;当电机效能评估系数小于标准效能评估阈值时,则生成第二PID控制器切换事件;
本发明实施例中,通过定义两个标准效能评估阈值,一个用于第一PID控制器,另一个用于第二PID控制器。这些阈值可以根据具体应用和性能需求来确定,将电机的效能评估系数与第一PID控制器的标准效能评估阈值进行比较。如果电机效能评估系数大于或等于第一PID控制器的标准效能评估阈值,执行以下操作:生成第一PID控制器切换事件。这可以是一个标志或信号,告诉系统切换到第一PID控制器,如果电机效能评估系数小于第一PID控制器的标准效能评估阈值,执行以下操作:生成第二PID控制器切换事件。同样,这可以是一个标志或信号,通知系统切换到第二PID控制器。在检测到第一或第二PID控制器切换事件后,系统应根据生成的事件实施相应的PID控制器切换。这可能涉及更新控制器参数、切换控制模式或执行其他必要的操作,实施PID控制器切换后,系统应持续监控电机性能和效能评估系数。如果电机的运行状况变化,需要根据需要进行进一步的切换或调整,记录控制器切换事件、实施细节以及效能评估系数的变化。生成报告以跟踪系统性能和控制策略的效果。
步骤S17:将第一PID控制器切换事件和第二PID控制器切换事件进行数据合并,生成控制器切换规则事件数据。
本发明实施例中,通过确保第一PID控制器切换事件和第二PID控制器切换事件都已经记录下来,通常以标志或事件的形式存储在系统的日志文件或数据库中,创建一个数据结构或数据表格,其中包括以下字段:事件时间戳:事件发生的时间,事件类型:是第一PID控制器切换事件还是第二PID控制器切换事件,控制器标识:指示事件所对应的控制器(例如,第一PID或第二PID)。遍历记录的第一PID控制器切换事件和第二PID控制器切换事件,将它们的时间戳、事件类型和控制器标识提取出来,将提取的数据添加到上述创建的数据结构或表格中,制定规则来根据合并的数据生成控制器切换规则事件。规则可以基于以下条件进行生成:连续使用第一PID控制器或第二PID控制器的时间,切换频率或模式,特定性能指标的变化。根据这些规则,为每个控制器切换事件分配相应的规则事件数据。例如,如果在连续使用第一PID控制器超过一定时间阈值后切换到第二PID控制器,规则事件可以被生成以记录这种切换。将规则事件数据存储为一个新的记录,其中包括以下字段:事件时间戳:规则事件发生的时间,事件类型:规则事件的类型,用于标识控制器切换规则,控制器标识:指示规则事件所关联的控制器,规则描述:描述触发规则事件的条件和原因。记录生成的控制器切换规则事件数据,并生成报告以追踪和分析系统的控制器切换规则。这有助于优化控制策略并改进系统性能。
优选地,步骤S15中的电机效能指标分析公式具体如下:
;
式中,η表示为电机效能评估系数,I(t)表示为电机在时间t时刻的电流值,V(t)表示为电机在时间t时刻的速度值,α表示为积分项的效能影响权重系数,t1表示为电机效能开始时间,t2表示为电机效能终止时间,t表示为时间变量,μ表示为电机效能指标分析异常调整值。
本发明构建了一种电机效能指标分析公式,公式中的电机效能评估系数η,表示电机的效能水平。该系数的值在0到1之间,越接近1表示电机效能越高,电流波动数据I(t),表示电机在时间t时刻的电流值。电流是电机运行的重要指标之一,电机速度数据V(t),表示电机在时间t时刻的速度值。速度是电机运行状态的关键参数之一,根据电机在时间t时刻的电流值与以上各参数之间的相互关系构成了一种函数关系:
;
公式的分子部分表示电流和速度乘积减去积分项的乘积。这个部分可以理解为电机在时间段内的功率损耗。通过积分项的引入,可以考虑电流的历史信息对功率损耗的影响,从而更全面地评估电机的效能,公式的分母部分表示电流和速度乘积的积分,即电机在时间段内的总功率。这个部分用于归一化功率损耗,确保效能评估系数在合理的范围内,通过将分子部分除以分母部分,得到的结果即为电机效能评估系数。这个系数综合考虑了电流、速度以及积分项对电机效能的影响,提供了一个综合的评估指标,通过电机效能指标分析异常调整值μ,表示对电机效能指标进行异常调整的修正项。这个调整值可以用于纠正评估中的异常情况或不确定性。该值可以用于校正或调整检测结果,以适应特定应用场景的需求,更加准确的生成电机效能评估系数η。在使用本领域常规的电机效能分析公式时,可以得到电机效能评估系数,通过应用本发明提供的电机效能指标分析公式,可以更加精确的计算出电机效能评估系数。该公式通过综合考虑电流、速度和积分项,以及调整参数α和μ,提供了一个综合的电机效能评估指标。通过该指标,可以客观地评估电机的效能水平,并进行必要的调整和优化。
优选地,步骤S2包括以下步骤:
步骤S21:根据控制器切换规则事件数据对PID控制器进行传感器部署,生成PID能源采集传感器;通过PID能源采集传感器对飞轮电机进行能源数据采集,得到PID控制电能数据;
步骤S22:利用PID控制电能数据对第一PID控制器切换事件和第二PID控制器切换事件进行波形图转换,生成第一PID控制电能波形图和第二PID控制电能波形图;根据第一PID控制电能波形图和第二PID控制电能波形图进行电能控制时间窗口确认,生成第一PID控制时间窗口数据和第二PID控制时间窗口数据;
步骤S23:对第一PID控制时间窗口数据和第二PID控制时间窗口数据进行实际能源利用情况分析,从而生成实际能源利用评估数据;通过传感器对实际能源利用评估数据进行能源供应状态监测,生成可用能源状态数据;
步骤S24:基于可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;基于模糊PID控制能源切换策略对模糊PID控制器进行参数调整,生成PID控制调整参数数据。
本发明通过PID能源采集传感器,实时监测飞轮电机的能源消耗情况,获取PID控制电能数据,这允许系统实时了解电能的使用情况,有助于更好地控制和管理能源消耗,减少浪费,将PID控制电能数据转换为波形图,有助于可视化控制器切换事件的能源消耗特征,通过波形图,可以确定控制器切换的时间窗口,即何时从一个PID控制器切换到另一个PID控制器,这有助于更精确地了解控制器切换的时间点,为后续优化提供了关键数据。对第一PID控制时间窗口数据和第二PID控制时间窗口数据进行分析,以了解实际的能源利用情况,这有助于识别潜在的能源浪费或优化机会,提高能源利用效率。通过传感器监测实际能源利用评估数据,以了解系统的能源供应状态,这有助于及时发现能源供应问题,使系统能够更好地应对变化的能源供应情况。基于可用能源状态数据,生成模糊PID控制能源切换策略,允许根据能源供应情况自动调整PID控制器的参数,这增加了系统的自适应性,可以更好地应对不同的能源供应情况,从而提高系统的性能和能源利用效率。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S2包括:
步骤S21:根据控制器切换规则事件数据对PID控制器进行传感器部署,生成PID能源采集传感器;通过PID能源采集传感器对飞轮电机进行能源数据采集,得到PID控制电能数据;
本发明实施例中,通过选择适用于能源采集的传感器,这可能是一种能够测量电能消耗的设备,例如电流传感器、电压传感器等,将选定的传感器安装在飞轮电机或其电源线路上,以便能够准确地测量电能的消耗,将传感器与系统的数据采集部分连接,以确保传感器的读数能够被采集并用于后续的数据分析,通过相应的软件或编程工具,为该传感器生成一个对应的PID能源采集传感器标识或配置文件。这个配置文件包含了传感器的特性和参数,以便系统能够识别和使用该传感器,通过PID能源采集传感器对飞轮电机进行能源数据采集,传感器会测量电流、电压等信息,然后将这些数据传输给系统进行处理,这些数据将用于后续的PID控制电能数据的计算和分析,利用从传感器获得的电流、电压等数据,使用相应的算法计算得到PID控制电能数据,这些数据将用于后续的控制器切换事件分析以及能源利用情况的评估,采集到的PID控制电能数据应该被记录和存储,以便后续的分析和使用。
步骤S22:利用PID控制电能数据对第一PID控制器切换事件和第二PID控制器切换事件进行波形图转换,生成第一PID控制电能波形图和第二PID控制电能波形图;根据第一PID控制电能波形图和第二PID控制电能波形图进行电能控制时间窗口确认,生成第一PID控制时间窗口数据和第二PID控制时间窗口数据;
本发明实施例中,通过收集PID控制电能数据。这些数据可能包括电流、电压、功率因数等与电能相关的参数。确保数据采集设备正常运行并记录数据,利用收集到的PID控制电能数据,通过以下步骤生成第一PID控制电能波形图和第二PID控制电能波形图:数据处理:对原始数据进行滤波、去噪和采样,以减少噪声和获得平滑的数据。数据可视化:使用合适的工具,例如MATLAB、Python的matplotlib等,绘制电能参数随时间变化的波形图。识别切换事件:分析波形图以确定第一PID控制器和第二PID控制器的切换事件。这些事件可能表现为波形的不连续或变化。一旦识别了切换事件,接下来是生成电能控制时间窗口数据。这些时间窗口通常用于评估和改进PID控制的性能。具体实施方式包括:选择时间窗口起始点:根据波形图中切换事件的位置,确定时间窗口的起始点。确定时间窗口长度:时间窗口的长度通常是固定的,也可以根据具体需求来确定。提取时间窗口内的数据:从原始数据中提取时间窗口内的电能数据。统计分析:对时间窗口内的数据进行统计分析,例如计算均值、方差、最大值、最小值等。生成第一PID控制时间窗口数据和第二PID控制时间窗口数据:根据分析结果生成第一和第二PID控制时间窗口的数据。
步骤S23:对第一PID控制时间窗口数据和第二PID控制时间窗口数据进行实际能源利用情况分析,从而生成实际能源利用评估数据;通过传感器对实际能源利用评估数据进行能源供应状态监测,生成可用能源状态数据;
本发明实施例中,通过获取第一PID控制时间窗口数据和第二PID控制时间窗口数据,确保数据是准确和完整的,对时间窗口数据进行分析,这可能包括以下步骤:统计分析:计算时间窗口数据的统计指标,如均值、方差、峰值、谷值等,以了解能源利用的基本特征,趋势分析:检查数据随时间的变化趋势,以确定能源利用的周期性或趋势,异常检测:识别时间窗口内的异常事件或突发事件,可能需要使用异常检测算法,基于分析结果,生成实际能源利用评估数据,这些数据可以包括能源效率、质量指标、能源成本等。安装传感器来监测能源供应状态。这些传感器可以包括电流传感器、电压传感器、能源计量仪表等,具体取决于要监测的能源类型和范围,传感器定期采集能源供应相关数据,如电流、电压、频率等,对传感器数据进行处理,可能包括滤波、去噪和数据校正,以确保数据的准确性和可靠性通过监测传感器数据,可以实时或定期评估能源供应状态。这可以包括以下内容:能源稳定性:检查电压和频率的稳定性,以确保供电质量,能源质量:分析电流和电压波形以检测谐波和失真,能源效率:计算能源利用的效率,并识别潜在的节能机会,异常检测:检测任何与能源供应相关的异常事件,如断电或电压波动。根据传感器数据的分析,生成可用能源状态数据,这些数据可以包括电能质量评估、能源供应状态报告、异常事件记录等,这些数据可用于实时监测能源供应,预测可能的问题,并采取适当的措施,以确保可用能源的可靠性和质量。
步骤S24:基于可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;基于模糊PID控制能源切换策略对模糊PID控制器进行参数调整,生成PID控制调整参数数据。
本发明实施例中,通过使用可用能源状态数据,包括电能质量、供电状态、异常事件记录等,为制定能源切换策略提供输入,使用模糊逻辑控制(FLC)来制定能源切换策略。FLC是一种控制方法,可以根据输入的模糊信息制定决策,适应于具有模糊性质的问题,确定模糊PID控制器需要的模糊变量。这可能包括电能质量、能源供应状态、能源效率等,根据可用数据和专业知识,定义一组模糊规则,将输入模糊变量映射到输出控制动作。例如,如果电能质量差,则采取相应的控制动作,使用制定的模糊规则进行模糊推理,以确定应采取的能源切换策略。这将生成一组输出,表示控制器的建议行动,将模糊推理的结果转化为具体的控制行动,例如,切换到备用电源或减少负载,使用模糊PID控制器的输出,即建议的控制行动,以及系统的性能数据,为参数调整提供输入,将模糊PID控制器的输出与实际系统的性能进行比较。这可能包括能源利用效率、电压稳定性、频率稳定性等指标,使用参数调整算法,如遗传算法、梯度下降等,来优化PID控制器的参数。这些参数包括比例增益、积分时间、微分时间等,反复进行参数调整和性能评估,直到达到期望的性能水平。这可能需要多次尝试不同参数组合,记录最终确定的PID控制参数,以便后续的控制操作,根据参数调整的结果,生成最终的PID控制参数数据,这些参数将应用于PID控制器以实现所需的能源切换策略,确保文档化参数设置,以备将来参考和维护。
优选地,步骤S24包括以下步骤:
步骤S241:根据电机效能评估系数和可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;
步骤S242:将模糊PID控制能源切换策略和模糊PID控制器进行规则设置,生成控制器选择规则;
步骤S243:基于控制器选择规则对模糊PID控制器进行参数调整策略制定,生成控制器参数调整策略;
步骤S244:通过控制器参数调整策略对模糊PID控制器进行PID控制器参数计算分析,生成PID控制器参数,其中PID控制器参数包括比例增益数据、积分时间数据和微分时间数据;根据比例增益数据、积分时间数据和微分时间数据对对模糊PID控制器进行隶属度调整,生成PID控制调整参数数据。
本发明通过系统会生成模糊PID控制能源切换策略,并将其与控制器选择规则相结合。这有助于确保在不同能源状态下,系统能够自动选择适当的控制策略,以最大程度地提高电机效能;模糊PID控制器的使用以及能源切换策略的规则设置,使系统变得更加自适应。这意味着它可以根据实时数据和系统需求来调整其行为,而无需人工干预;通过S243和S244的参数调整和PID控制器参数计算,系统能够不断优化其PID控制器的参数。这有助于提高系统的性能,包括响应速度、稳定性和抗干扰能力;通过更好的控制策略和参数调整,系统可以更有效地管理能源使用。这可能导致能源成本的降低和电机效率的提高,从而减少能源浪费;隶属度调整可以确保PID控制器的输出更好地匹配系统的需求,从而提高控制的准确性,系统在这些步骤中变得更加自动化,减少了人工干预的需求。这有助于降低操作和维护的成本,同时提高了系统的可靠性。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S24包括:
步骤S241:根据电机效能评估系数和可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;
本发明实施例中,通过获取电机效能评估系数和可用能源状态数据,电机效能评估系数可能是对电机性能的定量评估,可以包括效率、功率因数等方面的指标,可用能源状态数据可能涉及到电池电量、燃料水平、充电状态等信息,定义一系列模糊规则,将电机效能评估系数和可用能源状态数据映射到能源切换决策。这些规则可能基于专家知识或者通过数据驱动的方法得出,对电机效能评估系数和能源状态数据划分成模糊集,并定义隶属函数。这有助于将具体的数值映射到模糊逻辑中。使用模糊逻辑系统,根据输入的电机效能评估系数和能源状态数据,进行推理以得出模糊PID控制能源切换策略。这可能包括对不同输入条件下的能源切换权重的调整,将模糊逻辑的输出结果反模糊化,得到具体的能源切换策略。这可能涉及到使用质心法或其他反模糊化方法。结合模糊PID控制的要素,如前述的模糊PID控制曲线图和自适应模糊等级数据,将能源切换策略融入整体的控制系统中,建立机制,实时监测电机效能和可用能源状态,根据实时数据动态更新模糊PID控制能源切换策略。这有助于系统在不同工作条件下保持高效性能。定期评估能源切换策略的性能,根据实际运行数据进行优化。这可以通过收集反馈信息,比较实际性能与预期性能来实现。
步骤S242:将模糊PID控制能源切换策略和模糊PID控制器进行规则设置,生成控制器选择规则;
本发明实施例中,通过需要明确控制系统所需的具体功能和性能要求。了解要控制的过程或系统的特点,以便为模糊PID控制器设置合适的规则,确保了解模糊PID控制器的工作原理和参数。这包括模糊控制器的输入、输出以及模糊集合(fuzzy sets)的定义,为输入变量和输出变量定义模糊集合。这些模糊集合将用于模糊控制器的规则设置。例如,如果正在控制温度,可以定义模糊集合如“冷”、“适中”和“热”, 为不同的输入组合定义模糊规则。这些规则指定了在特定输入条件下应采取的控制动作。例如,如果温度“冷”且误差“正大”(表示目标温度以上),则可以定义一个规则来增加加热元件的输出,每个模糊规则可以分配一个权重,以表示其在决策过程中的重要性。这些权重可以根据应用需求进行调整,使用定义的模糊集合、规则和权重来建立模糊推理系统。这个系统将接受输入并生成输出,这个输出将用于决定控制器的选择,在模糊推理系统中,可以定义规则,以确定应该选择哪个控制器或能源切换策略。这些规则将根据输入条件选择适当的控制器或策略,生成控制器选择规则。
步骤S243:基于控制器选择规则对模糊PID控制器进行参数调整策略制定,生成控制器参数调整策略;
本发明实施例中,通过控制器选择规则制定参数调整策略。这意味着需要明确规定在何种情况下以及如何调整PID控制器的参数。例如,如果规则指定在高负载条件下应使用不同的PID参数,需要明确这些参数的具体变化,在制定策略时,需要确定每个参数的变化范围。这可以是绝对值的范围,也可以是相对于基本参数的百分比变化,选择适当的算法来进行参数调整。常见的方法包括试错法(trial and error)、自适应控制、模型参考自适应控制等。选择的方法应与应用和系统相匹配,根据规则和策略,制定参数调整计划。这包括确定何时进行参数调整,以及如何监测系统性能以触发参数变化,根据计划,实施参数调整。这可能需要编程控制系统以自动进行调整,或者手动干预来修改PID控制器的参数,生成控制器参数调整策略。
步骤S244:通过控制器参数调整策略对模糊PID控制器进行PID控制器参数计算分析,生成PID控制器参数,其中PID控制器参数包括比例增益数据、积分时间数据和微分时间数据;根据比例增益数据、积分时间数据和微分时间数据对对模糊PID控制器进行隶属度调整,生成PID控制调整参数数据。
本发明实施例中,通过明确了解在步骤S243中制定的控制器参数调整策略。这个策略包括了何时和如何进行PID参数的调整,根据策略,开始计算PID控制器的参数。通常,PID参数包括以下三个部分:比例增益(Proportional Gain):这是PID控制器中的比例系数,它控制了误差的线性关系。具体的计算方式可能涉及到根据系统动态特性和性能需求来选择适当的数值。积分时间(Integral Time):这是PID控制器中的积分系数,它用来处理系统的积分误差,通常以时间单位表示。计算积分时间通常需要考虑系统的积分时间常数以及控制性能的目标。微分时间(Derivative Time):这是PID控制器中的微分系数,它用来处理系统的微分误差,也通常以时间单位表示。计算微分时间需要考虑系统的微分时间常数以及控制性能的目标。根据计算得到的PID参数,生成比例增益、积分时间和微分时间的数值。这些数值将用于配置模糊PID,生成PID控制调整参数数据。
优选地,步骤S3包括以下步骤:
步骤S31:通过环境传感器获得运行环境温度数据;
步骤S32:根据预设的时间间隔通过运行环境数据对模糊PID控制器进行信号监测,生成第一监测信号数据和第二监测信号数据;将第一监测信号数据和第二监测信号数据进行频谱转换,生成信号频谱图;将环境温度数据和信号频谱图进行数据对齐,生成温度映射频谱数据;
步骤S33:基于交叉相关函数对温度映射频谱数据进行时滞关系分析,生成信号时滞数据;对信号时滞数据进行周期性特征提取,生成信号周期时滞特征数据;
步骤S34:利用伯德图函数对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据。
本发明通过环境传感器获得运行环境的温度数据。这些数据可能在控制过程中扮演重要的角色,因为温度变化可能会影响系统的性能,通过对运行环境数据进行监测,生成第一和第二监测信号数据。这些信号可能包括与系统性能相关的参数,如输出温度、压力或速度等,将第一和第二监测信号数据进行频谱转换,生成信号频谱图。这有助于将信号的频域特征可视化,以进一步分析信号的特性,将环境温度数据与信号频谱图进行数据对齐,生成温度映射频谱数据。这一步将温度数据与信号数据相关联,以分析它们之间的关系,基于交叉相关函数,对温度映射频谱数据进行时滞关系分析。这有助于确定温度变化与信号变化之间的时间延迟关系,从信号时滞数据中提取周期性特征。这可以帮助确定是否存在重复性的模式,如振荡,以及这些模式的周期性,利用伯德图函数对信号周期时滞特征数据进行控制器震荡频域分析。这可以帮助确定PID控制器是否存在震荡或不稳定的情况,通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据。这些调整可能包括比例增益、积分时间和微分时间的调整,以消除或减小系统中的震荡。
本发明实施例中,通过系统首先收集PID控制器的震荡数据和运行环境温度数据。这些数据可能包括控制器输出的波动情况以及环境温度的变化。然后,系统执行PID控制状态分析,这可能包括:分析震荡数据以确定控制器的稳定性,考虑温度数据以评估环境条件对控制器性能的影响。使用一种特定的健康指标计算公式,基于步骤S41中生成的PID控制状态数据,来评估PID控制器的健康状况。这个公式可能考虑控制器的稳定性、性能和其他因素,以确定健康指标,在步骤S42中计算出的PID控制器健康状况指标与预设的健康指标阈值进行比较。如果PID控制器的健康状况指标大于或等于健康指标阈值,系统将标记该控制流程为正常。如果健康状况指标小于阈值,系统将标记该流程为异常,如果在步骤S43中标记了异常的PID控制流程,系统将执行异常检测。这可能包括详细的分析和诊断,以确定问题的根本原因。一旦问题被识别,系统将采取维护措施,例如调整控制器参数、清除故障或替换受损部件,以恢复正常PID控制流程。这些维护措施旨在确保控制系统恢复到正常状态。
优选地,步骤S4包括以下步骤:
步骤S41:根据PID控制震荡数据和运行环境温度数据进行PID控制器状态分析,生成PID控制状态数据;
步骤S42:基于控制器健康指标计算公式对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;
步骤S43:将PID控制器健康状况指标和预设的健康指标阈值进行对比,当PID控制器健康状况指标大于或等于健康指标阈值时,则标记为正常PID控制流程;当PID控制器健康状况指标小于健康指标阈值时,则标记为异常PID控制流程;
步骤S44:对异常PID控制流程进行异常检测,生成异常检测数据;根据异常检测数据对PID控制器进行维护,从而生成正常PID控制流程。
本发明通过分析PID控制器的震荡数据和环境温度数据,可以更好地了解控制器的运行状态。这可以帮助及时发现潜在的问题或异常,以便采取适当的措施,通过使用控制器健康指标计算公式,可以将PID控制状态数据转化为一个健康状况指标。这有助于量化控制器的性能,并提供了一个依据来评估其工作状况,将PID控制器的健康状况指标与预设的阈值进行比较,能够实现自动化的异常检测。当控制器的健康状况指标低于阈值时,系统可以自动标记为异常,并采取相应的措施,而不需要人工干预。这可以减少停机时间和提高系统的可靠性,一旦异常被检测到,S44中描述的维护步骤可以帮助修复PID控制器的问题,从而使其重新变得正常工作。这有助于确保生产过程的连续性和性能稳定性,自动化的健康状况评估和异常检测能够减少人工干预的需要。这可以节省时间和成本,尤其是在大规模或远程系统中。通过自动检测和维护异常,可以减少系统故障的影响,提高生产效率,减少废品率,以及提高产品质量。
本发明实施例中,通过收集PID控制器的震荡数据和运行环境温度数据。这可以通过传感器或数据记录系统来完成,对数据进行预处理,包括数据清洗、去噪和平滑,以确保准确性,利用分析工具或算法对数据进行PID控制器状态分析,以生成PID控制状态数据。这可能涉及到频谱分析、时间序列分析等技术,设计或选择适当的控制器健康指标计算公式。这可以是基于PID控制器的输出、误差、震荡频率等参数的函数,使用所选的公式,对步骤S41中生成的PID控制状态数据进行健康状况评估,从而生成PID控制器健康状况指标,定义健康指标阈值,这是一个关键的决策标准,用于判断PID控制器的健康状态,比较生成的PID控制器健康状况指标与预设的健康指标阈值。如果健康状况指标大于或等于阈值,标记为正常PID控制流程。如果健康状况指标小于阈值,标记为异常PID控制流程,在异常PID控制流程的情况下,启动异常检测流程,对异常PID控制流程进行详细的异常检测。这可能涉及到根本原因分析、故障诊断、自动校正等操作,根据异常检测的结果,采取适当的维护措施,以将PID控制器恢复到正常工作状态,监测和记录维护过程的数据,以便未来的分析和改进。
优选地,步骤S42中的控制器健康指标计算公式具体如下:
;
式中,H(r)表示为PID控制器在时间r的健康状况指标,Kp表示为PID控制器的比例增益参数,Ki表示为PID控制器的积分增益参数,Kd表示为PID控制器的微分增益参数,e(r)表示为期望值与实际值之间的差异,r表示为当前时刻,b表示为控制器震荡频率,ε表示为控制器健康指标异常修正量。
本发明构建了一种控制器健康指标计算公式,公式中的H(r)表示在时间r的PID控制器的健康状况指标。该指标用于评估PID控制器在当前时刻的性能和健康状态,比例增益参数Kp使得控制器能够更快地响应误差,提高控制器的动态响应速度,积分增益参数Ki通过积分误差信号来消除稳态误差,使得控制器能够更好地实现期望值与实际值的精确匹配,微分增益参数Kd使得控制器能够更好地对误差变化率进行响应,减小控制器的过冲和震荡,控制器震荡频率参数b考虑了控制器的震荡行为对健康指标的影响,可以帮助评估控制器的稳定性和抗干扰能力,根据PID控制器的比例增益参数与以上各参数之间的相互关系构成了一种函数关系:
;
通过调整公式的期望值与实际值之间的差异,表示控制器的输入信号。通过比较期望值和实际值,控制器可以计算出误差信号,并根据该误差信号来调整输出,通过控制器健康指标异常修正量ε,表示对控制器健康指标进行异常调整的修正项。这个调整值可以用于纠正评估中的异常情况或不确定性。该值可以用于校正或调整检测结果,以适应特定应用场景的需求,更加准确的生成PID控制器在时间r的健康状况指标H(r)。在使用本领域常规的控制器健康计算公式时,可以得到PID控制器在时间r的健康状况指标,通过应用本发明提供的控制器健康指标计算公式,可以更加精确的计算出PID控制器在时间r的健康状况指标。该公式通过调整PID控制器的比例增益、积分增益和微分增益参数,结合考虑控制器的震荡频率和异常修正量,可以评估控制器的健康状况并提高其性能和稳定性。
优选地,步骤S5包括以下步骤:
步骤S51:获取控制指令数据;
步骤S52:根据正常PID控制流程将控制指令数据导入至PID控制器中进行模糊子集转换,生成控制指令模糊子集数据;通过质心法对控制指令模糊子集数据进行反模糊处理,生成推理结果数据;
步骤S53:将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行控制曲线分析,生成模糊PID控制曲线图;根据模糊PID控制曲线图进行仿真步长设置,得到PID控制系统抽样时间;
步骤S54:根据自适应模糊范围数据对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据。
本发明通过获取控制指令数据,这些数据可能包括需要被PID控制器执行的控制任务或指令。这可以是温度、流量、速度或其他需要精确控制的过程变量,使用模糊控制技术,将控制指令数据转换为模糊子集数据,这有助于处理模糊和不确定性。模糊子集数据描述了控制指令的语言变量,例如“高”、“中”、“低”, 通过质心法对模糊子集数据进行反模糊处理,系统可以生成推理结果数据。这些结果描述了如何应用PID控制来满足给定的控制指令。模糊控制可以处理非线性、不确定性和复杂系统,使控制更具鲁棒性,整合推理结果数据以生成模糊规则库。这个规则库包含了根据不同的模糊输入变量和其组合来执行控制的规则集,使用模糊规则库来进行PID控制曲线分析,生成模糊PID控制曲线图。这个曲线图可能显示了PID参数随时间的变化,以适应不同操作条件和控制需求。根据这个曲线图,系统可以设置仿真步长,以确定PID控制系统的抽样时间。这有助于优化系统的性能,自适应模糊等级可以确保PID控制器在不同的操作条件下都能提供最佳的响应,系统使用自适应模糊范围数据对PID控制系统的抽样时间进行模糊等级划分。这意味着系统可以根据不同的运行条件自动调整控制器的模糊等级,以确保最佳性能。不同的运行条件可能需要不同的响应速度和控制精度,而自适应模糊等级可以帮助系统在这些条件下做出适当的调整。
本发明实施例中,通过从控制系统或传感器中获取实时或历史的控制指令数据。这些数据通常包括期望的控制输出或目标设定值,将控制指令数据导入到PID控制器中。这包括将实际控制指令数据映射到PID控制器的输入,进行模糊子集转换,将输入数据模糊化为模糊子集数据,以便进行模糊推理,使用模糊推理,通常通过模糊逻辑的方法,生成推理结果数据,该结果可能包括模糊集的输出,整合推理结果数据,以创建一个模糊规则库。这个规则库通常包含了不同输入条件下的推理规则,以指导控制操作,利用模糊规则库对PID控制器进行控制曲线分析,以生成模糊PID控制曲线图。这个曲线图可能显示了PID控制器输出随时间的变化,根据模糊PID控制曲线图中的性能需求,设置仿真步长,从而确定PID控制系统的抽样时间。这有助于确保控制系统的响应满足所需的性能指标,根据自适应模糊范围数据,对PID控制系统的抽样时间进行模糊等级划分。这可以包括定义不同的抽样时间范围或级别,以适应不同的操作条件或系统需求。这个过程生成PID自适应模糊等级数据,以指导PID控制器在不同操作条件下自动调整其抽样时间,以提高控制性能。
优选地,步骤S6包括以下步骤:
步骤S61:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行历史数据收集,从而得到历史PID控制优化数据;
步骤S62:将历史PID控制优化数据进行数据集划分,生成控制优化训练集和控制优化测试集;根据长短期记忆算法对控制优化训练集进行模型训练,生成PID控制调整预模型;通过控制优化测试集对PID控制调整预模型进行模型测试,生成PID控制调整预测模型;
步骤S63:将PID控制优化数据导入至PID控制调整预测模型中进行模糊范围预测,生成模糊预测范围数据;根据模糊预测范围数据对PID控制器进行自适应调整,生成自适应模糊控制数据。
本发明通过将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据合并,生成PID控制优化数据。这些数据可以包括有关PID控制器参数和操作条件的信息,可以根据当前操作条件自动调整PID参数,以获得更好的控制性能,历史PID控制优化数据被分成控制优化训练集和控制优化测试集。控制优化训练集用于模型训练,而控制优化测试集用于模型测试,使用长短期记忆算法(LSTM)或其他适当的模型进行训练,以生成PID控制调整预模型。这个模型可以用来预测PID参数的最佳值,以实现控制性能的优化,PID控制优化数据被导入PID控制调整预测模型中,用于进行模糊范围预测。这意味着模型会根据当前操作条件和历史数据预测PID参数的模糊范围,即参数值可能的范围,根据模糊预测范围数据,系统对PID控制器进行自适应调整,生成自适应模糊控制数据。这种自适应性允许PID控制器在不同操作条件下自动调整其参数,以获得最佳的性能,自适应性降低了对PID参数手动调整的需求,从而降低了操作人员的工作量,通过模型预测和自适应调整,系统可以更好地维持所需的控制性能,即使在变化的操作条件下也能够保持系统的稳定性。
本发明实施例中,通过收集PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据,将这些数据合并,生成PID控制优化数据,这些数据可能包括不同的控制参数配置和操作条件,进行历史数据收集,从以前的运行记录中获取历史PID控制优化数据,将历史PID控制优化数据分成两部分,一部分用于训练,另一部分用于测试。这生成了一个控制优化训练集和一个控制优化测试集,使用长短期记忆算法(LSTM)或其他适当的机器学习方法对控制优化训练集进行模型训练,以生成PID控制调整预模型。LSTM是适用于序列数据的深度学习算法,可以处理时间序列数据,使用控制优化测试集对已经训练好的模型进行测试,以评估模型的性能,最终生成PID控制调整预测模型,将当前的PID控制优化数据导入PID控制调整预测模型中,模型用于进行模糊范围预测,即预测当前操作条件下的PID参数可能的范围,根据模糊预测范围数据,自动调整PID控制器的参数。这可以涉及自动微调比例、积分和微分参数,以使系统在不同操作条件下获得最佳性能。
本发明的有益效果在于通过从传感器等设备中获取电机运行状态的各种数据,根据预设的标签列表,选择合适的模糊PID控制器模型,以适应当前电机状态,评估选择的模糊PID模型的效能,得到一个评估系数,将电机效能评估系数与预设的效能评估阈值进行对比,生成控制器切换规则事件数据,用于决定是否需要切换控制器,对当前PID控制器进行能源数据采集,获取PID控制电能数据,利用PID控制电能数据和控制器切换规则事件数据,监测当前能源供应状态,生成可用能源状态数据,基于可用能源状态数据,调整模糊PID控制器的参数,生成PID控制调整参数数据,获取电机运行环境的温度数据,利用运行环境温度数据进行频谱转换,提取信号的周期时滞特征数据,然后进行控制器震荡频域分析,生成PID控制震荡数据,根据PID控制震荡数据,对模糊PID控制器进行增益调整,生成PID控制增益调整数据,结合PID控制震荡数据和运行环境温度数据,对PID控制状态进行健康状况评估,生成PID控制器健康状况指标,将健康状况指标与预设的健康指标阈值进行对比,判断当前PID控制器是否在正常工作状态,获取控制指令数据,通过正常PID控制流程进行处理,生成推理结果数据,将推理结果数据整合,生成模糊规则库,利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统的抽样时间,根据抽样时间,对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据,将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行合并,形成PID控制优化数据,对PID控制优化数据进行模型训练,生成PID控制调整预测模型,将实时数据导入训练好的PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据,用于实时控制电机系统,通过多维度数据的监测和分析,系统可以更精准地选择和调整控制器,提高电机系统的稳定性和性能,根据能源数据和环境温度等因素进行实时调整,提高能源利用率,降低系统能耗,通过健康状况评估,系统可以及时发现并应对可能出现的问题,提高系统的可靠性和耐久性,引入自适应模糊控制,使系统能够根据实时数据动态调整控制策略,适应不同工况和环境变化,基于模糊控制和数据分析,系统可以做出更加智能化的决策,提高电机系统的自主性和智能性。因此,本发明通过对模糊PID控制器的自适应性、能源管理、温度监测和健康状况评估等创新方法,提高了PID控制的性能和稳定性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,包括以下步骤:
步骤S1:获取电机系统状态监测数据;根据预设的标签列表对电机系统状态监测数据进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;对模糊PID模型选择数据进行电机效能评估,得到电机效能评估系数;将电机效能评估系数和预设的标准效能评估阈值进行对比,生成控制器切换规则事件数据;
其中,用于电机效能评估的电机效能指标分析公式如下所示:
;
式中,η表示为电机效能评估系数,I(t)表示为电机在时间t时刻的电流值,V(t)表示为电机在时间t时刻的速度值,α表示为积分项的效能影响权重系数,t1表示为电机效能开始时间,t2表示为电机效能终止时间,t表示为时间变量,μ表示为电机效能指标分析异常调整值;
步骤S2:根据控制器切换规则事件数据对PID控制器进行能源数据采集,得到PID控制电能数据;利用PID控制电能数据对控制器切换规则事件数据进行能源供应状态监测,生成可用能源状态数据;基于可用能源状态数据对模糊PID控制器进行参数调整,生成PID控制调整参数数据;
步骤S3:获取运行环境温度数据;根据预设的时间间隔通过运行环境数据对模糊PID控制器进行频谱转换,生成温度映射频谱数据;对温度映射频谱数据进行时滞周期性特征提取,生成信号周期时滞特征数据;对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据;
步骤S4:根据PID控制震荡数据和运行环境温度数据对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;将PID控制器健康状况指标和预设的健康指标阈值进行对比,生成正常PID控制流程;
其中,用于健康状况评估的控制器健康指标计算公式如下所示:
;
式中,H(r)表示为PID控制器在时间r的健康状况指标,Kp表示为PID控制器的比例增益参数,Ki表示为PID控制器的积分增益参数,Kd表示为PID控制器的微分增益参数,e(r)表示为期望值与实际值之间的差异,r表示为当前时刻,b表示为控制器震荡频率,ε表示为控制器健康指标异常修正量;
步骤S5:获取控制指令数据;根据正常PID控制流程将控制指令数据导入至PID控制器中进行反模糊处理,生成推理结果数据;将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行仿真步长设置,得到PID控制系统抽样时间;根据PID控制系统抽样时间对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据;
步骤S6:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行模型训练,生成PID控制调整预测模型;将PID控制优化数据导入至PID控制调整预测模型中进行模糊控制自适应调整,生成自适应模糊控制数据。
2.根据权利要求1所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用数据库获取电机系统状态监测数据;
步骤S12:对电机系统状态监测数据进行数据去噪,生成系统状态监测去噪数据;对系统状态监测去噪数据进行单变量重要性数据提取,生成系统状态监测规约数据;对系统状态监测规约数据进行数据稀疏化处理,从而生成标准系统状态监测数据;
步骤S13:通过聚类算法对标准系统状态监测数据进行数据聚类,生成系统状态监测聚类数据;根据预设的标签列表对系统状态监测聚类数据进行数据标签分类,生成系统状态类别标签数据;
步骤S14:根据系统状态类别标签数据对进行模糊PID控制器模型相应选择,生成模糊PID模型选择数据;基于模糊PID模型选择数据进行控制器参数设置,从而得到控制器模型参数,其中控制器模型参数包括模糊规则数据和隶属度函数数据;
步骤S15:通过模糊规则数据和隶属度函数数据对悬浮飞轮电机进行模拟模糊控制,并采集获得电流波动数据和电机速度数据;利用电机效能指标分析公式对电流波动数据和电机速度数据进行电机效能评估,得到电机效能评估系数;
步骤S16:将电机效能评估系数和预设的标准效能评估阈值进行对比,当电机效能评估系数大于或等于标准效能评估阈值时,则生成第一PID控制器切换事件;当电机效能评估系数小于标准效能评估阈值时,则生成第二PID控制器切换事件;
步骤S17:将第一PID控制器切换事件和第二PID控制器切换事件进行数据合并,生成控制器切换规则事件数据。
3.根据权利要求2所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据控制器切换规则事件数据对PID控制器进行传感器部署,生成PID能源采集传感器;通过PID能源采集传感器对飞轮电机进行能源数据采集,得到PID控制电能数据;
步骤S22:利用PID控制电能数据对第一PID控制器切换事件和第二PID控制器切换事件进行波形图转换,生成第一PID控制电能波形图和第二PID控制电能波形图;根据第一PID控制电能波形图和第二PID控制电能波形图进行电能控制时间窗口确认,生成第一PID控制时间窗口数据和第二PID控制时间窗口数据;
步骤S23:对第一PID控制时间窗口数据和第二PID控制时间窗口数据进行实际能源利用情况分析,从而生成实际能源利用评估数据;通过传感器对实际能源利用评估数据进行能源供应状态监测,生成可用能源状态数据;
步骤S24:基于可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;基于模糊PID控制能源切换策略对模糊PID控制器进行参数调整,生成PID控制调整参数数据。
4.根据权利要求3所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S24包括以下步骤:
步骤S241:根据电机效能评估系数和可用能源状态数据进行能源切换策略制定,生成模糊PID控制能源切换策略;
步骤S242:将模糊PID控制能源切换策略和模糊PID控制器进行规则设置,生成控制器选择规则;
步骤S243:基于控制器选择规则对模糊PID控制器进行参数调整策略制定,生成控制器参数调整策略;
步骤S244:通过控制器参数调整策略对模糊PID控制器进行PID控制器参数计算分析,生成PID控制器参数,其中PID控制器参数包括比例增益数据、积分时间数据和微分时间数据;根据比例增益数据、积分时间数据和微分时间数据对对模糊PID控制器进行隶属度调整,生成PID控制调整参数数据。
5.根据权利要求3所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S3包括以下步骤:
步骤S31:通过环境传感器获得运行环境温度数据;
步骤S32:根据预设的时间间隔通过运行环境数据对模糊PID控制器进行信号监测,生成第一监测信号数据和第二监测信号数据;将第一监测信号数据和第二监测信号数据进行频谱转换,生成信号频谱图;将环境温度数据和信号频谱图进行数据对齐,生成温度映射频谱数据;
步骤S33:基于交叉相关函数对温度映射频谱数据进行时滞关系分析,生成信号时滞数据;对信号时滞数据进行周期性特征提取,生成信号周期时滞特征数据;
步骤S34:利用伯德图函数对信号周期时滞特征数据进行控制器震荡频域分析,生成PID控制震荡数据;通过PID控制震荡数据对模糊PID控制器进行增益调整,生成PID控制增益调整数据。
6.根据权利要求5所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据PID控制震荡数据和运行环境温度数据进行PID控制器状态分析,生成PID控制状态数据;
步骤S42:基于控制器健康指标计算公式对PID控制状态数据进行健康状况评估,生成PID控制器健康状况指标;
步骤S43:将PID控制器健康状况指标和预设的健康指标阈值进行对比,当PID控制器健康状况指标大于或等于健康指标阈值时,则标记为正常PID控制流程;当PID控制器健康状况指标小于健康指标阈值时,则标记为异常PID控制流程;
步骤S44:对异常PID控制流程进行异常检测,生成异常检测数据;根据异常检测数据对PID控制器进行维护,从而生成正常PID控制流程。
7.根据权利要求6所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S5包括以下步骤:
步骤S51:获取控制指令数据;
步骤S52:根据正常PID控制流程将控制指令数据导入至PID控制器中进行模糊子集转换,生成控制指令模糊子集数据;通过质心法对控制指令模糊子集数据进行反模糊处理,生成推理结果数据;
步骤S53:将推理结果数据进行数据整合,从而生成模糊规则库;利用模糊规则库对PID控制器进行控制曲线分析,生成模糊PID控制曲线图;根据模糊PID控制曲线图进行仿真步长设置,得到PID控制系统抽样时间;
步骤S54:根据自适应模糊范围数据对PID控制系统抽样时间进行模糊等级划分,生成PID自适应模糊等级数据。
8.根据权利要求7所述的磁悬浮飞轮电机模糊PID控制优化方法,其特征在于,步骤S6包括以下步骤:
步骤S61:将PID自适应模糊等级数据、PID控制增益调整数据和PID控制调整参数数据进行数据合并,生成PID控制优化数据;对PID控制优化数据进行历史数据收集,从而得到历史PID控制优化数据;
步骤S62:将历史PID控制优化数据进行数据集划分,生成控制优化训练集和控制优化测试集;根据长短期记忆算法对控制优化训练集进行模型训练,生成PID控制调整预模型;通过控制优化测试集对PID控制调整预模型进行模型测试,生成PID控制调整预测模型;
步骤S63:将PID控制优化数据导入至PID控制调整预测模型中进行模糊范围预测,生成模糊预测范围数据;根据模糊预测范围数据对PID控制器进行自适应调整,生成自适应模糊控制数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389073.XA CN117111446B (zh) | 2023-10-25 | 2023-10-25 | 一种磁悬浮飞轮电机模糊pid控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389073.XA CN117111446B (zh) | 2023-10-25 | 2023-10-25 | 一种磁悬浮飞轮电机模糊pid控制优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111446A CN117111446A (zh) | 2023-11-24 |
CN117111446B true CN117111446B (zh) | 2024-01-02 |
Family
ID=88809668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389073.XA Active CN117111446B (zh) | 2023-10-25 | 2023-10-25 | 一种磁悬浮飞轮电机模糊pid控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111446B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014145A (zh) * | 2021-03-17 | 2021-06-22 | 苏州保邦电气有限公司 | 一种磁悬浮电机的控制系统、方法及存储介质 |
CN113009834A (zh) * | 2021-04-21 | 2021-06-22 | 南京工程学院 | 一种磁悬浮飞轮电机模糊pid控制优化方法 |
CN114063445A (zh) * | 2020-08-10 | 2022-02-18 | 大连中和聚能自动控制系统有限公司 | 一种模糊控制器的设计方法 |
CN116595319A (zh) * | 2023-05-22 | 2023-08-15 | 北京理工大学 | 应用于轨道交通电机健康状态评估的预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10112491B2 (en) * | 2015-04-23 | 2018-10-30 | The Regents Of The University Of California | Flywheel/battery hybrid energy storage and power management system |
-
2023
- 2023-10-25 CN CN202311389073.XA patent/CN117111446B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063445A (zh) * | 2020-08-10 | 2022-02-18 | 大连中和聚能自动控制系统有限公司 | 一种模糊控制器的设计方法 |
CN113014145A (zh) * | 2021-03-17 | 2021-06-22 | 苏州保邦电气有限公司 | 一种磁悬浮电机的控制系统、方法及存储介质 |
CN113009834A (zh) * | 2021-04-21 | 2021-06-22 | 南京工程学院 | 一种磁悬浮飞轮电机模糊pid控制优化方法 |
CN116595319A (zh) * | 2023-05-22 | 2023-08-15 | 北京理工大学 | 应用于轨道交通电机健康状态评估的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117111446A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
KR20010086121A (ko) | 기술적 프로세스에 있어서 센서 예측을 위한 케이스베이스 추론 시스템의 방법 및 장치 | |
CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN115526375A (zh) | 一种航天装备预测性维护系统 | |
Zhang et al. | Self-organising neural networks for automated machinery monitoring systems | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
Sanayha et al. | Fault detection for circulating water pump using time series forecasting and outlier detection | |
CN117111446B (zh) | 一种磁悬浮飞轮电机模糊pid控制优化方法 | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
Pandit et al. | A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights | |
CN117630758B (zh) | 发电站变压器健康状态监测方法及系统 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
Wang et al. | On-line modeling and monitoring for multi-operation batch processes with infinite data types | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
Luo et al. | Real-time Faults Prediction by Deep Learning with Multi-sensor Measurements over IoT Networks | |
CN118154137A (zh) | 一种基于数据分析的悬挂链输送线智能控制系统 | |
Huang | Anomaly Detection for Condition Monitoring in Robot Systems | |
Gong | Research on Data-Driven Device Health Assessment and Fault Diagnosis Strategies | |
CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 |
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 |