CN117171590A - 一种电机智能驱动优化方法及系统 - Google Patents

Abstract

本发明公开了一种电机智能驱动优化方法及系统，通过传感器组实时采集电机运行数据，将所述电机数据发送至优化系统；优化系统训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；优化系统通过控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；本发明通过根据预先设置的控制算法计算反馈调节数据，用来进行电机驱动的优化调节，在节约能耗的同时控制电机的性能，保证电机的正常运行，大提高了电机驱动的智能化和灵活性。

Description

一种电机智能驱动优化方法及系统

技术领域

本发明涉及电机智能驱动优化领域，更具体地说，涉及所述一种电机智能驱动优化方法及系统。

背景技术

随着工业自动化的快速发展，电机的智能化驱动需求不断增加。现有技术中，电机的驱动智能化低，无法根据电机数据和电机预测的状态对电机驱动进行智能化调节，自动化调节效率低，无法对电机的性能、寿命和故障进行针对性的驱动调节设置；为提高电机系统的性能、效率和可靠性，工业发展急需一种根据电机数据实时调节驱动级别的方法。

发明内容

本发明提供了一种电机智能驱动优化方法及系统，用以解决现有技术中，电机的驱动智能化低，无法根据电机数据和电机预测的状态对电机驱动进行智能化调节，自动化调节效率低，无法对电机的性能、寿命和故障进行针对性的驱动优化调节的问题。

本申请提出一种电机智能驱动优化方法及系统，所述方法包括：

S1.通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

S2.优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

S3.计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

S4.优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

S5.对电机数据和能源进行记录管理。

进一步地，所述S2包括：

优化系统收集电机数据作为原始数据，

对所述原始数据进行清洗和预处理，包括去除异常值、填补缺失数据，进行数据归一化和标准化；

对所述原始数据进行特征提取，获得特征提取数据；

将所述特征提取数据作为训练集，训练性能预测模型，通过所述性能预测模型预测电机性能数据；

将所述特征提取数据作为训练集，训练寿命预测模型，通过所述寿命预测模型预测电机寿命数据；

将所述特征提取数据作为训练集，训练故障预测模型，通过所述故障预测模型预测电机故障数据；

根据三个预测模型获得三种不同类别的预测数据。

进一步地，所述S3包括:

优化系统为电机设置预设数据，分别计算三种预测数据与预设数据之间的差值，设置差值阈值，当所述差值大于所述差值阈值时，控制器向优化系统发送反馈数据，当所述差值小于等于所述差值阈值时，控制器停止向优化系统发送反馈数据。

进一步地，所述差值阈值包括:

所述差值阈值的计算公式为：其中，为差值阈 值，为预测数据中同一类型数据的历史数据最大值，为预测数据中所述同 一类型的历史数据最小值，为调节系数。

进一步地，所述S4包括:

优化系统的控制器根据电机历史数据，设置控制算法；

当控制器接收到反馈数据时，通过控制算法利用所述反馈数据进行计算，获得反馈调节数据，控制器通过所述反馈调节数据对电机驱动进行优化调节；

优化系统定期对所述控制算法进行调试和优化，根据实际反馈数据进行调整。

进一步地，所述控制算法包括:

所述反馈调节数据的计算公式为：其中，为反馈调 节数据，为第二调节系数，为预测数据，为预设数据，为差值与差值阈值的差 值。

进一步地，所述控制器通过所述反馈调节数据对电机驱动进行优化调节包括：

分别对每种类型的预测数据和预设数据进行比较，当所述预测数据大于所述预设数据的1.25倍时，优化系统将当前同类型预设数据降低K值，将此种调节设置为一级驱动；

当所述预测数据小于预设数据的2/3时，优化系统将当前同类型预设数据升高K值，将此种调节设置为二级驱动；

当所述预测数据小于等于所述预设数据的1.25倍，且大于等于所述预设数据的2/3时，不进行调节，将此阶段设置为三级驱动。

进一步地，所述S5包括:

通过区块链记录电机各种信息，记录电机能源来源、使用情况和效率，利用智能合同，根据预先设定的规则自动调整能源的分配，并进行记录。

进一步地，所述系统包括数据采集模块，用于通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

数据预测模块，用于使优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

判断模块，用于计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

计算模块，用于使优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

记录模块，用于对电机数据和能源进行记录管理。

本发明有益效果：

本发明提出了一种电力数据中异常值的处理方法及系统，通过传感器组实时监测电机的运行状态和性能参数，可以及时获取电机的运行数据。将采集到的电机数据通过数据传输方式发送到优化系统中，方便对数据进行处理和分析。优化系统对电机数据进行预处理，然后通过收集电机各类数据训练三种预测模型，为后续的数据预测提供支持。通过预处理后的数据，利用训练好的预测模型对电机进行三种类型数据的预测，并计算预测数据与预设数据的差值，判断差值是否超过正常范围，以判断电机的运行状态。如果差值超过正常范围，优化系统会发送反馈数据，根据预先设置的控制算法计算反馈调节数据，用来进行电机驱动的优化调节，在节约能耗的同时控制电机的性能，保证电机的正常运行。对电机数据和能源进行记录管理，方便后续的数据分析和故障排除。可以实时监测电机运行状态，及时发现和解决潜在问题，确保电机的性能和稳定性。

附图说明

图1为本发明的一种电机智能驱动优化方法的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明的一个实施例，本申请提出一种电机智能驱动优化方法及系统，所述方法包括：

S1.通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

S2.优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

S3.计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

S4.优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

S5.对电机数据和能源进行记录管理。

上述技术方案的工作原理为：通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；对电机数据和能源进行记录管理。所述电机数据包括电机运行数据,电机性能数据、电机寿命数据和电机故障数据.所述优化系统包括数据采集模块、数据预测模块、判断模块、计算模块和记录模块。

上述技术方案的技术效果为：通过传感器组实时监测电机的运行状态和性能参数，可以及时获取电机的运行数据。将采集到的电机数据通过数据传输方式发送到优化系统中，方便对数据进行处理和分析。优化系统对电机数据进行预处理，然后通过收集电机各类数据训练三种预测模型，为后续的数据预测提供支持。通过预处理后的数据，利用训练好的预测模型对电机进行三种类型数据的预测，并计算预测数据与预设数据的差值，判断差值是否超过正常范围，以判断电机的运行状态。如果差值超过正常范围，优化系统会发送反馈数据，根据预先设置的控制算法计算反馈调节数据，用来进行电机驱动的优化调节，在节约能耗的同时控制电机的性能，保证电机的正常运行。对电机数据和能源进行记录管理，方便后续的数据分析和故障排除。可以实时监测电机运行状态，及时发现和解决潜在问题，确保电机的性能和稳定性。

本发明的一个实施例，所述S2包括：

优化系统收集电机数据作为原始数据，

对所述原始数据进行清洗和预处理，包括去除异常值、填补缺失数据，进行数据归一化和标准化；

对所述原始数据进行特征提取，获得特征提取数据；

将所述特征提取数据作为训练集，训练性能预测模型，通过所述性能预测模型预测电机性能数据；

将所述特征提取数据作为训练集，训练寿命预测模型，通过所述寿命预测模型预测电机寿命数据；

将所述特征提取数据作为训练集，训练故障预测模型，通过所述故障预测模型预测电机故障数据；

根据三个预测模型获得三种不同类别的预测数据。

上述技术方案的工作原理为：优化系统收集电机数据作为原始数据，对所述原始数据进行清洗和预处理，包括去除异常值、填补缺失数据，进行数据归一化和标准化；对所述原始数据进行特征提取，获得特征提取数据；将所述特征提取数据作为训练集，训练性能预测模型，通过所述性能预测模型预测电机性能数据；将所述特征提取数据作为训练集，训练寿命预测模型，通过所述寿命预测模型预测电机寿命数据；所述寿命预测模型需要考虑所述电机的负荷、温度和振动；将所述特征提取数据作为训练集，训练故障预测模型，通过所述故障预测模型预测电机故障数据；根据三个预测模型获得三种不同类别的预测数据，生成不同类型警报，所述优化系统根据所述不同类型警报，对电机进行针对性监控和维护，并对电机的警报数据和监控维护数据进行记录，获得记录数据。

上述技术方案的技术效果为：优化系统收集电机历史运行过程的历史运行数据、性能数据和故障数据，将这些原始数据进行集成，建立一个丰富的电机性能和故障数据集。通过清洗和预处理步骤，优化系统对原始数据进行预处理，确保数据的一致性和准确性，使得数据分析更加准确。优化系统从原始数据中提取出有意义的特征，生成特征提取数据。这一步将原始数据转化为更易于分析和理解的形式，为后续的模型训练和预测提供支持。优化系统将特征提取数据作为训练集，训练性能预测模型、寿命预测模型和故障预测模型。这三个模型能够根据电机的历史运行数据预测其未来的性能、故障和寿命。通过训练这些模型，优化系统能够了解电机的性能和寿命趋势，并为预测提供依据。基于三个预测模型的预测结果，优化系统可以生成三种不同类别的预测数据。这些预测数据可以用来生成不同类型的警报，例如性能警报、寿命警报和故障警报。根据不同类型警报，优化系统能够对电机进行针对性监控和维护。这种个性化的维护策略能够提高效率，降低不必要的维护成本。优化系统会对电机的警报数据和监控维护数据进行记录，获得记录数据。这些记录数据可以用来评估和维护电机运行过程的效率和效果，为进一步的优化提供依据。本优化系统的效果是通过对电机历史运行数据的分析和预测，实现对电机性能、寿命和故障的精准监控和维护，从而提高电机的运行效率，降低故障率，节省维护成本。

本发明的一个实施例，所述S3包括:

优化系统为电机设置预设数据，分别计算三种预测数据与预设数据之间的差值，设置差值阈值，当所述差值大于所述差值阈值时，控制器向优化系统发送反馈数据，当所述差值小于等于所述差值阈值时，控制器停止向优化系统发送反馈数据。

上述技术方案的工作原理为：优化系统为电机设置预设数据，分别计算三种预测数据与预设数据之间的差值，设置差值阈值，当所述差值大于所述差值阈值时，控制器向优化系统发送反馈数据，当所述差值小于等于所述差值阈值时，控制器停止向优化系统发送反馈数据。

上述技术方案的技术效果为：优化系统为电机设置了预设数据。预设数据是一些关键的性能、寿命和故障指标。优化系统计算三种预测数据（性能预测数据、寿命预测数据和故障预测数据）与预设数据之间的差值。这些差值反映了电机实际可能运行状态与预设标准之间的差异。当差值大于这个阈值时，意味着电机的实际运行状态已经偏离了预设的标准，需要采取相应的措施。当差值大于差值阈值时，控制器会向优化系统发送反馈数据。这些反馈数据可能包括电机的实际运行数据、性能数据、寿命数据或故障数据等。当差值小于等于差值阈值时，控制器会停止向优化系统发送反馈数据。这意味着电机的运行状态已经回归到预设标准之内，无需再发送额外的反馈数据。通过本技术方案，优化系统可以实时监控电机的运行状态，及时发现并处理可能出现的问题。这有助于确保电机的稳定、高效运行，降低故障风险，提高运行效率。本技术方案通过预设数据和差值阈值的设置，实现了对电机运行状态的实时监控。当电机运行状态发生异常，偏离预设标准时，系统能够及时发现并采取相应的反馈措施，确保电机的正常运行。

本发明的一个实施例，所述差值阈值包括:

所述差值阈值的计算公式为：其中，为差值阈 值，为预测数据中同一类型数据的历史数据最大值，为预测数据中所述同 一类型的历史数据最小值，为调节系数。

上述技术方案的工作原理为：通过预测数据中同一类型数据的历史数据最大值、 预测数据中所述同一类型的历史数据最小值和调节系数计算插值阈值，的取值范围为1 至40。不等于0。

上述技术方案的技术效果为：通过本公式的预测数据中同一类型数据的历史数据 最大值和预测数据中所述同一类型的历史数据最小值进行计算，当计算结果越大时，差值 阈值就越大，同时的加入增加了差值阈值设置的灵活性和适应性，通过差值阈值的计算 大大减小了预测数据是否正常的判断和计算的复杂性，减小了计算量和人工判断的成本， 使判断更加自动化。

本发明的一个实施例，所述S4包括:

优化系统的控制器根据电机历史数据，设置控制算法；

当控制器接收到反馈数据时，通过控制算法利用所述反馈数据进行计算，获得反馈调节数据，控制器通过所述反馈调节数据对电机驱动进行优化调节；

优化系统定期对所述控制算法进行调试和优化，根据实际反馈数据进行调整。

上述技术方案的工作原理为：优化系统的控制器根据电机历史数据，设置控制算法；所述历史数据包括不同类型的历史预测数据和历史差值阈值；当控制器接收到反馈数据时，通过控制算法利用所述反馈数据进行计算，获得反馈调节数据，控制器通过所述反馈调节数据对电机驱动进行优化调节；优化系统定期对所述控制算法进行调试和优化，根据实际反馈数据进行调整。

上述技术方案的技术效果为：优化系统的控制器根据电机历史数据设置控制算法。这些历史数据包括不同类型的预测数据和差值阈值，为控制算法提供了参考和依据。当控制器接收到反馈数据时，它会通过控制算法利用这些反馈数据进行计算，获得反馈调节数据。这些反馈调节数据为电机的优化调节提供基础。控制器通过反馈调节数据对电机驱动进行优化调节。这种优化调节包括改变电机的运行参数、调整控制策略等，以改善电机的性能、寿命或降低故障率。优化系统定期对控制算法进行调试和优化。这种调试和优化可能基于实际反馈数据进行调整，以提高控制算法的准确性和效率。通过本技术方案，优化系统能够实时监控电机的运行状态，并根据实际反馈数据进行调整，确保电机的稳定、高效运行。总体而言，本技术方案通过控制算法的设定和定期优化，实现了对电机驱动的实时监控和优化调节，提高了电机的性能、寿命和稳定性，降低了维护成本。同时，定期的调试和优化也保证了控制算法始终适应电机不断变化的需求，为电机的长期高效运行提供了有力支持。

本发明的一个实施例，所述控制算法包括:

所述反馈调节数据的计算公式为：其中，为反馈调 节数据，为第二调节系数，取值范围为1至10，为预测数据，为预设数据，为差 值与差值阈值的差值，F为正数。

上述技术方案的工作原理为：通过控制算法计算获得反馈调节数据；通过第二调 节系数、预测数据、预设数据、差值与差值阈值的差值计算反馈调节数据，为正数。

上述技术方案的技术效果为：当其它数据不变时，通过预测数据和预设数据的比 值的计算，可以保证当预测数据相对于预设数据越大时，预测数据越偏离初始目标，需要调 节的反馈调节数据也就越大，公式中添加，减小数据的计算量和复杂性，同时保障了反 馈调节数据设置的灵活性和适用性，公式还加入了的设置，使得反馈调节的数据更加精 确，防止过渡调节。通过计算反馈调节数据使得电机驱动的优化调节更加精确和标准化，使 得驱动的改变更加自动化。

本发明的一个实施例，所述控制器通过所述反馈调节数据对电机驱动进行优化调节包括：

分别对每种类型的预测数据和预设数据进行比较，当所述预测数据大于所述预设 数据的1.25倍时，优化系统将当前同类型预设数据降低值，将此种调节设置为一级驱 动；

当所述预测数据小于预设数据的2/3时，优化系统将当前同类型预设数据升高 值，将此种调节设置为二级驱动；

当所述预测数据小于等于所述预设数据的1.25倍，且大于等于所述预设数据的2/3时，不进行调节，将此阶段设置为三级驱动。

通过区块链记录电机各种信息，记录电机能源来源、使用情况和效率，利用智能合同，根据预先设定的规则自动调整能源的分配，并进行记录。

上述技术方案的工作原理为：分别对每种类型的预测数据和预设数据进行比较， 当所述预测数据大于所述预设数据的1.25倍时，优化系统将当前同类型预设数据降低 值（将预设数据降低至预设数据与的差值），将此种调节设置为一级驱动；当所述预测数 据小于预设数据的2/3时，优化系统将当前同类型预设数据升高值（将预设数据升高至 预设数据与的和），将此种调节设置为二级驱动；当所述预测数据小于等于所述预设数 据的1.25倍，且大于等于所述预设数据的2/3时，不进行调节，将此阶段设置为三级驱动。通 过区块链记录电机各种信息，记录电机能源来源、使用情况和效率，利用智能合同，根据预 先设定的规则自动调整能源的分配，并进行记录。通过区块链记录电机各种信息，记录电机 能源来源、使用情况和效率，利用智能合同，根据预先设定的规则自动调整能源的分配，并 进行记录。

上述技术方案的技术效果为：优化系统对每一种类型的预测数据和预设数据进行 比较。当预测数据大于预设数据的1.25倍时，优化系统会调整当前同类型预设数据，将其降 低值。这种调节方式被设置为一级驱动。这种调节策略是为了避免电机在高负荷状态下 运行或高故障率状态下，降低电机的能耗和减少可能的过度使用。当预测数据小于预设数 据的2/3时，优化系统会调整当前同类型预设数据，将其升高值。这种调节方式被设置为 二级驱动。这种调节策略可能是为了确保电机在性能状态下也能正常运行，避免电机在轻 载或空载状态下运行过长，影响电机的效率和使用寿命。当预测数据小于等于预设数据的 1.25倍，且大于等于预设数据的2/3时，优化系统不进行调节，将此阶段设置为三级驱动。这 可能是因为在这种状态下，电机的运行状态已经相对合理，无需再进行调节。较少过度调节 和能耗的浪费。通过区块链方法，优化系统可以安全、透明地记录电机各种信息，包括能源 来源、使用情况和效率。区块链技术的去中心化、数据不可篡改和透明性的特点，可以确保 这些数据的真实性和可靠性。利用智能合同，优化系统可以根据预先设定的规则自动调整 能源的分配。这种智能合约可以自动化执行预设的任务和决策，无需人工干预，大大提高了 效率和准确性。同时，这些决策和调整也可以被区块链记录下来，确保所有操作的合法性和 透明性。总体而言，本技术方案通过比较预测数据和预设数据，实现了对电机运行状态的自 适应调节。同时，利用区块链技术记录电机信息并自动调整能源分配，提供了更高效、准确 和透明的方法，有助于提高电机性能、延长电机寿命并降低故障率。

本发明的一个实施例，数据采集模块，用于通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

数据预测模块，用于使优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

判断模块，用于计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

计算模块，用于使优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

记录模块，用于对电机数据和能源进行记录管理。

上述技术方案的工作原理为：数据采集模块用于通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；数据预测模块用于使优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；判断模块用于计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；计算模块，用于使优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；记录模块，用于对电机数据和能源进行记录管理。

上述技术方案的技术效果为：数据采集模块通过传感器组实时监测电机的运行状态和性能参数，可以及时获取电机的运行数据。将采集到的电机数据通过数据传输方式发送到优化系统中，方便对数据进行处理和分析。优化系统的判断模块对电机数据进行预处理，然后通过收集电机各类数据训练三种预测模型，为后续的数据预测提供支持。判断模块通过预处理后的数据，利用训练好的预测模型对电机进行三种类型数据的预测，并计算预测数据与预设数据的差值，判断差值是否超过正常范围，以判断电机的运行状态。计算模块判断如果差值超过正常范围，优化系统会发送反馈数据，根据预先设置的控制算法计算反馈调节数据，用来进行电机驱动的优化调节，在节约能耗的同时控制电机的性能，保证电机的正常运行。记录模块对电机数据和能源进行记录管理，方便后续的数据分析和故障排除。可以实时监测电机运行状态，及时发现和解决潜在问题，确保电机的性能和稳定性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种电机智能驱动优化方法，其特征在于，所述方法包括：

S1.通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

S2.优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

S3.计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

S4.优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

S5.对电机数据和能源进行记录管理。

2.根据权利要求1所述一种电机智能驱动优化方法，其特征在于，所述S2包括：

优化系统收集电机数据作为原始数据；

对所述原始数据进行清洗和预处理，包括去除异常值、填补缺失数据，进行数据归一化和标准化；

对所述原始数据进行特征提取，获得特征提取数据；

将所述特征提取数据作为训练集，训练性能预测模型，通过所述性能预测模型预测电机性能数据；

将所述特征提取数据作为训练集，训练寿命预测模型，通过所述寿命预测模型预测电机寿命数据；

将所述特征提取数据作为训练集，训练故障预测模型，通过所述故障预测模型预测电机故障数据；

根据三个预测模型获得三种不同类别的预测数据。

3.根据权利要求1所述一种电机智能驱动优化方法，其特征在于，所述S3包括:

优化系统为电机设置预设数据，分别计算三种预测数据与预设数据之间的差值，设置差值阈值，当所述差值大于所述差值阈值时，控制器向优化系统发送反馈数据，当所述差值小于等于所述差值阈值时，控制器停止向优化系统发送反馈数据。

4.根据权利要求3所述一种电机智能驱动优化方法，其特征在于，所述差值阈值包括:

所述差值阈值的计算公式为：其中，为差值阈值，为预测数据中同一类型数据的历史数据最大值，为预测数据中所述同一类 型的历史数据最小值，为调节系数。

5.根据权利要求1所述一种电机智能驱动优化方法，其特征在于，所述S4包括:

优化系统的控制器根据电机历史数据，设置控制算法；

当控制器接收到反馈数据时，通过控制算法利用所述反馈数据进行计算，获得反馈调节数据，控制器通过所述反馈调节数据对电机驱动进行优化调节；

优化系统定期对所述控制算法进行调试和优化，根据实际反馈数据进行调整。

6.根据权利要求5所述一种电机智能驱动优化方法，其特征在于，所述控制算法包括:

所述反馈调节数据的计算公式为：其中，为反馈调节数 据，为第二调节系数，为预测数据，为预设数据，为差值与差值阈值的差值。

7.根据权利要求5所述一种电机智能驱动优化方法，其特征在于，所述控制器通过所述反馈调节数据对电机驱动进行优化调节包括：

分别对每种类型的预测数据和预设数据进行比较，当所述预测数据大于所述预设数据的1.25倍时，优化系统将当前同类型预设数据降低K值，将此种调节设置为一级驱动；

当所述预测数据小于预设数据的2/3时，优化系统将当前同类型预设数据升高K值，将此种调节设置为二级驱动；

当所述预测数据小于等于所述预设数据的1.25倍，且大于等于所述预设数据的2/3时，不进行调节，将此阶段设置为三级驱动。

8.根据权利要求1所述一种电机智能驱动优化方法，其特征在于，所述S5包括:

通过区块链记录电机各种信息，记录电机能源来源、使用情况和效率，利用智能合同，根据预先设定的规则自动调整能源的分配，并进行记录。

9.一种电机智能驱动优化系统，其特征在于,所述系统包括：

数据采集模块，用于通过传感器组实时采集电机运行数据，获得电机数据，将所述电机数据发送至优化系统；

数据预测模块，用于使优化系统通过收集电机各类数据训练三种预测模型；优化系统对所述电机数据进行预处理，获得预处理数据，通过预处理数据，分别对电机进行三种类型数据的预测，获得预测数据；

判断模块，用于计算预测数据与预设数据的差值，判断所述差值是否超过正常范围，根据判断结果决定是否发送反馈数据；

计算模块，用于使优化系统通过预先设置的控制算法，根据反馈数据计算反馈调节数据，根据所述反馈调节数据进行电机驱动的优化调节；

记录模块，用于对电机数据和能源进行记录管理。