CN117189648A - 一种基于云边协同的磁悬浮离心压缩机远程控制系统 - Google Patents
一种基于云边协同的磁悬浮离心压缩机远程控制系统 Download PDFInfo
- Publication number
- CN117189648A CN117189648A CN202311453405.6A CN202311453405A CN117189648A CN 117189648 A CN117189648 A CN 117189648A CN 202311453405 A CN202311453405 A CN 202311453405A CN 117189648 A CN117189648 A CN 117189648A
- Authority
- CN
- China
- Prior art keywords
- control
- error
- centrifugal compressor
- magnetic suspension
- output
- 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.)
- Granted
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000007906 compression Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 230000006835 compression Effects 0.000 claims description 19
- 238000001816 cooling Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000005339 levitation Methods 0.000 claims description 8
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种基于云边协同的磁悬浮离心压缩机远程控制系统，属于物联网系统技术领域，包括：第一建立模块，用于建立磁悬浮离心压缩机的数学模型；确定模块，用于确定控制目标的输出误差；第二建立模块，用于基于PID控制算法建立设备的误差控制模型；第一优化模块，用于对误差控制模型进行参数优化；第二优化模块，用于利用遗传算法对误差控制模型进行自适应优化；部署模块，用于部署误差控制模型；设置模块，用于建立基于动态阈值的事件触发控制器，以设置输出设备的误差控制模型的指令发出频率；控制模块，用于利用边缘终端和云服务器的误差控制模型对磁悬浮离心压缩机进行控制。完成系统全时段控制，提升系统远程控制的实时性。
Description
技术领域
本发明属于物联网系统技术领域，具体涉及一种基于云边协同的磁悬浮离心压缩机远程控制系统。
背景技术
磁悬浮离心压缩机是一种用于将气体压缩成高密度状态的设备，使用磁悬浮技术来支撑和控制压缩机的旋转部分，取代了传统的机械轴承，以减少摩擦和磨损，提高效率、可靠性和寿命。磁悬浮离心压缩机通常包括吸气设备、压缩设备、冷却设备和输出设备，吸气设备用来吸入气体，压缩设备是磁悬浮离心压缩机的核心部分，它包括旋转的叶片或离心轮，用于将吸入的气体加压，将其压缩成高密度状态。压缩气体通常会升温，因此需要冷却设备来冷却气体，以防止过热，冷却设备可以是热交换器或其他冷却系统。输出设备用于将压缩后的气体传送到所需的位置或应用中，这可以包括管道、阀门和其他控制装置。
目前，对于磁悬浮离心压缩机，往往进行定期人工巡检，并利用人工调整设备参数，这种方式增加了工作人员的工作量，不能确保全时段的人工监测，存在安全风险，效率低。另外，由于远程调控存在网络延迟过长风险，导致远程控制磁悬浮离心压缩机难以实现，导致设备维护智能化程度低。
发明内容
为了解决现有技术存在的由于存在网络延迟导致磁悬浮离心压缩机远程控制难以实现，需要进行人工巡检，不能全时段监测，工作效率低，存在安全风险的技术问题，本发明提供一种基于云边协同的磁悬浮离心压缩机远程控制系统。
本发明提供了一种基于云边协同的磁悬浮离心压缩机远程控制系统，基于云边协同的磁悬浮离心压缩机远程控制系统包括云服务器、边缘终端多模态传感器和磁悬浮离心压缩机，云服务器分别通过边缘终端和多模态传感器与磁悬浮离心压缩机连接，其中，磁悬浮离心压缩机包括依次连接的吸气设备、压缩设备、冷却设备和输出设备；
基于云边协同的磁悬浮离心压缩机远程控制系统还包括：
第一建立模块，用于建立磁悬浮离心压缩机的数学模型；
确定模块，用于确定控制目标的输出误差，其中，控制目标包括吸气量、气体压缩比、冷却温度和气体输出量；
第二建立模块，用于根据数学模型，基于PID控制算法建立吸气设备、压缩设备、冷却设备和输出设备的误差控制模型；
第一优化模块，用于将误差控制模型上传至云服务器进行基于模糊算法的参数优化，其中，参数包括比例控制参数、积分控制参数和微分控制参数；
第二优化模块，用于以控制输出的误差最小为目标，将经过参数优化后对应的参数作为误差控制模型的参数，利用遗传算法对误差控制模型进行自适应优化，以搜索磁悬浮离心压缩机中各个设备的最佳执行量；
部署模块，用于将优化后的输出设备的误差控制模型部署至云服务器，剩余的误差控制模型部署至边缘终端；
设置模块，用于建立基于动态阈值的事件触发控制器，以设置输出设备的误差控制模型的指令发出频率；
控制模块，用于根据指令发出频率，利用边缘终端和云服务器的误差控制模型对磁悬浮离心压缩机进行控制。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，通过建立磁悬浮离心压缩机各个工作设备之间的数学模型，引入PID控制算法对各个设备的输出误差进行调节，利用模糊算法对PID的比例控制参数、积分控制参数和微分控制参数进行参数优化，之后利用遗传算法对误差控制模型进行基于实际运行情况的自适应优化，完成误差控制模型的微调，充分利用云服务器充足的计算资源，完成参数寻优和模型微调，降低模型调整时长，能够应对突发情况，以控制输出的误差最小为目标及时的完成误差控制模型的调整，充分确保系统的正常运行。将计算需求较低的误差控制模型部署至计算能力有限的边缘终端，完成数据的实时本地处理，避免数据传输导致的数据延迟，最大程度的避免机械故障，减少停机情况。通过建立基于动态阈值的事件触发控制器，在满足生产要求的前提下，降低部署至云服务器的误差控制模型的指令发出频率，减少因频繁调整产生的机械磨损，提升设备使用寿命，降低调整频率，降低云服务器负担，提升数据反馈实时性，降低系统远程控制的数据延迟。自动化程度高，能够减轻工作人员负担，降低工作人员巡检频率，完成全时段监控调整，生产安全性高，系统控制效率高。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于云边协同的磁悬浮离心压缩机远程控制系统的结构示意图；
图2是本发明提供的另一种基于云边协同的磁悬浮离心压缩机远程控制系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在一个实施例中，参照图1，示出了本发明提供的一种基于云边协同的磁悬浮离心压缩机远程控制系统的结构示意图。参照图2，示出了本发明提供的另一种基于云边协同的磁悬浮离心压缩机远程控制系统的结构示意图。
本发明提供的一种基于云边协同的磁悬浮离心压缩机远程控制系统，基于云边协同的磁悬浮离心压缩机远程控制系统包括基于云边协同的磁悬浮离心压缩机远程控制系统包括云服务器、边缘终端多模态传感器和磁悬浮离心压缩机，云服务器分别通过边缘终端和多模态传感器与磁悬浮离心压缩机连接，其中，磁悬浮离心压缩机包括依次连接的吸气设备、压缩设备、冷却设备和输出设备。
通过与云服务器和边缘终端的连接，系统可以实时监控磁悬浮离心压缩机的性能参数，对于系统中的设备采用临近的边缘终端计算资源处理包括吸气量、气体压缩比、冷却温度等，完成实时系统控制，提升控制智能化的同时，避免长距离传输导致的控制信号延迟的缺点，同时，云服务器能够进行高级数据分析，以提前检测问题，提高故障诊断的准确性。远程控制为磁悬浮离心压缩机带来了更高的可操作性、效率和可靠性，减少了人力成本，同时提供了更智能的运营方式。
基于云边协同的磁悬浮离心压缩机远程控制系统还包括：
第一建立模块1，用于建立磁悬浮离心压缩机的数学模型。
在一种可能的实施方式中，数学模型具体为：
,
其中，N表示压缩机转速，Q表示气体输出量，表示气体绝热指数，/>表示气体绝热指数校正项，A表示吸气量，D表示压缩机的离心轴直径，P表示所需差压，/>表示吸收气体温度，/>表示输出气体温度。
需要说明的是，数学模型将上述参数和变量结合起来，描述磁悬浮离心压缩机的运行特性，为控制系统提供必要的数学基础，以实现更精确和高效的控制，这有助于优化磁悬浮离心压缩机的性能，降低能源消耗，并确保稳定的运行。表示气体绝热指数校正项的引入使得数学模型更加接近真实的气体压缩情况，减1的操作是为了考虑绝热指数的影响，绝热过程是指在没有热量交换的情况下进行的气体压缩或膨胀过程。绝热指数通常大于1，因为它表示了气体在绝热过程中如何响应温度和压力的变化，为了在数学模型中更好地考虑这种绝热性质，减去1将绝热指数调整为更接近于1的值，以更好地反映实际情况。减1的操作不是为了简单地接近实际情况，而是为了更好地描述气体在压缩机中的复杂行为，考虑气体绝热性质对压缩过程的影响，这种调整有助于数学模型更准确地预测磁悬浮离心压缩机的性能。
确定模块2，用于确定控制目标的输出误差。
其中，控制目标包括吸气量、气体压缩比、冷却温度和气体输出量。
在一种可能的实施方式中，输出误差为控制目标的期望输出和实际输出的差值。
需要说明的是，在磁悬浮离心压缩机的控制过程中，需要明确定义控制目标，以便确保设备按照预期运行，这些控制目标通常包括吸气量、气体压缩比、冷却温度和气体输出量等，每个控制目标对应了不同方面的设备性能和运行要求。了确保系统性能与期望目标一致，需要将期望输出值与实际输出值进行比较，期望输出通常是系统运行时所需的理想数值，而实际输出是从传感器和测量中获得的实际值。通过计算期望输出和实际输出之间的差值，得到输出误差，输出误差是一个关键的性能衡量标准，它告诉系统操作者设备当前是否达到了控制目标，如果输出误差为零，则表示设备的性能完全符合期望，如果误差不为零，就需要采取控制措施来纠正性能差异。输出误差的存在使得系统可以实施反馈控制，通过监测输出误差，系统可以调整控制参数，例如调整控制器的输出，以使实际输出逐渐接近期望值。通过计算输出误差，使系统能够及时发现和纠正任何性能偏差，以确保磁悬浮离心压缩机在各种工况下都能够稳定高效地运行，这有助于提高设备的可靠性和性能，降低运营成本。
第二建立模块3，用于根据数学模型，基于PID控制算法建立吸气设备、压缩设备、冷却设备和输出设备的误差控制模型。
在一种可能的实施方式中，误差控制模型具体为：
,
其中，表示比例控制参数，/>表示积分控制参数，/>表示微分控制参数， e表示初始输出误差，其中，U 0表示t时刻期望输出，U 1表示t时刻实际输出，U表示控制输出，其中，控制输出为吸气量、气体压缩比、冷却温度或者气体输出量。
其中，ID控制算法是一种广泛用于工业控制的方法，它基于比例、积分和微分的参数来调整系统的响应，通过建立误差控制模型，可以设定PID控制器的参数，以满足特定的性能要求。使用PID（比例-积分-微分）控制算法来建立吸气设备、压缩设备、冷却设备和输出设备的误差控制模型，这个模型可以用来调整和优化设备的运行，以确保设备的性能与期望目标一致。建立误差控制模型并使用PID控制算法的作用是确保磁悬浮离心压缩机的稳定性和性能优化，对系统进行实时监测和调整，以满足控制目标，并提供一种有效的方式来应对不断变化的工作条件，确保设备可靠性和设备高效运行。
第一优化模块4，用于将误差控制模型上传至云服务器进行基于模糊算法的参数优化。
其中，参数包括比例控制参数、积分控制参数和微分控制参数。
在一种可能的实施方式中，第一优化模块具体用于：
S1041：以控制输出的输出误差小于预设输出误差为目标，引入输出误差的偏差率，对初始输出误差进行优化，建立包括修正因子的参数优化公式：
其中，α表示修正因子，e c 表示偏差率；
S1042：基于参数优化公式，利用模糊算法求解初始输出误差的最小值。
需要说明的是，本领域技术人员可以根据实际需要设置预设输出误差的大小，本发明在此不做限定。
其中，模糊算法是一种计算方法，用于处理模糊信息和不确定性数据，它允许在面对模糊、模糊边界和模糊关系的情况下做出决策和控制。模糊算法的主要优点是其能够处理模糊和不确定性信息，综合多个因素，易于解释，具有自适应性，并且适用于非线性建模，这使得它在参数优化和控制问题中非常有价值，尤其是在需要考虑多个变量和不确定性因素的复杂系统中，在磁悬浮离心压缩机控制系统中，模糊算法可以帮助优化控制参数，以满足不同工作条件下的性能要求。
可以理解的是，误差控制模型中的比例、积分和微分控制参数是控制系统性能的关键因素，通过对这些参数进行优化，可以改善系统的控制响应，确保设备运行在期望性能范围内。引入了修正因子（α）以考虑输出误差的偏差率（ec），使得系统更好地适应不同工作条件和变化，以提高系统的鲁棒性。使用模糊算法对误差控制模型的参数进行优化，以提高系统的性能和适应性，确保磁悬浮离心压缩机在不同工作条件下都能够以最佳方式运行，提高设备的效率和稳定性。
第二优化模块5，用于以控制输出的误差最小为目标，将经过参数优化后对应的参数作为误差控制模型的参数，利用遗传算法对误差控制模型进行自适应优化，以搜索磁悬浮离心压缩机中各个设备的最佳执行量。
其中，遗传算法是一种优化算法，受到生物进化理论的启发，用于搜索和优化问题的最佳解决方案。它模拟了自然界中的进化过程，包括选择、交叉和变异，以寻找问题空间中的最优解或接近最优解的解决方案。最佳执行指令是吸气设备、压缩设备和冷却设备的调整指令，以便使得每一个设备的输出均能够满足期望值。遗传算法用于寻找磁悬浮离心压缩机中各个设备（如吸气设备、压缩设备和冷却设备）的最佳执行量，以使它们的输出满足期望值，遗传算法通过不断优化参数，可以找到最佳的设备操作指令，以满足整个系统的性能要求，在多变量、多目标和复杂系统的优化过程中，利用强大的全局搜索和自适应性质不断提升各个设备的输出准确度。
在一种可能的实施方式中，第二优化模块具体用于：
S1051：生成控制目标的遗传序列；
S1052：建立适应度函数，并对适应度函数进行排序，得到适应度序列：
其中，表示随机实数，/>表示适应度；
S1053：设置控制目标的选择数量，对控制目标进行基于适应度的随机概率选择；
S1054：对选择的控制目标进行交叉计算；
S1055：对交叉计算后得到的控制目标进行变异操作：
其中，表示变异后的遗传序列，N表示变异种群数目，S表示变异系数；
S1056：迭代次数加1，重复S1051-S1055，直至达到终止条件，其中，终止条件包括适应度的值收敛至预设适应度值和迭代次数大于预设迭代次数；
S1057：将终止后得到的控制目标作为最优个体输出，其中，最优个体即磁悬浮离心压缩机中各个设备的最佳执行量。
需要说明的是，本领域技术人员可以根据实际需要设置预设适应度值和预设迭代次数的大小，本发明在此不做限定。
具体地，首先，生成一组控制目标的遗传序列，这表示可能的设备操作指令组合。适应度函数用于评估每个遗传序列的性能，根据适应度函数的值，对遗传序列进行排序，从高适应度到低适应度。选择一定数量的遗传序列作为父代，以进行后续的交叉和变异操作，选择的过程基于适应度，高适应度序列被选中的概率更高。在交叉计算这一步，选中的父代遗传序列会交叉组合，产生新的遗传序列，这样可以融合不同父代的特征，创造多样性。之后，对交叉后的遗传序列进行变异，引入一些随机性和多样性，这有助于跳出局部最优解，更全面地探索解空间。在达到终止条件后，选择具有最高适应度的遗传序列作为最优解，即最佳执行量的设备操作指令。
相对于其他技术，遗传算法能够在广泛的解空间中搜索，有助于找到全局最优解，而不仅仅是局部最优解。遗传算法适用于多目标优化问题，可以同时考虑多个控制目标，找到平衡的解决方案。遗传算法具有自适应性，可以根据问题空间的特性进行调整，适应不同问题的要求。对于多个设备和多个参数的优化问题，遗传算法是一种有效的方法，因为它可以同时调整多个参数。由于引入了交叉和变异操作，遗传算法有助于跳出局部最优解，找到更好的解决方案。遗传算法用于寻找最佳执行量，有助于解决多目标、多参数的参数优化问题，提高了系统性能，同时具有全局搜索和自适应性的能力。
部署模块6，用于将优化后的输出设备的误差控制模型部署至云服务器，剩余的误差控制模型部署至边缘终端。
在一种可能的实施方式中，部署模块具体用于：
S1061：将误差控制模型容器化，并将容器化后的误差控制模型部署至云服务器和边缘终端。
具体地，首先，优化后的误差控制模型被封装成容器，容器化是一种技术，它将应用程序和其依赖项打包在一个独立的运行环境中，以确保应用程序的一致性和可移植性，在这种情况下，误差控制模型被容器化，以便在不同系统组件之间进行轻松的部署和运行。容器化的误差控制模型随后被部署到不同位置。一部分被部署到云服务器，另一部分被部署到边缘终端，这是为了实现云边协同控制系统的目标，云服务器通常具有更强大的计算和存储能力，适合承担一些高级计算和数据处理任务，而边缘终端则更接近实际设备，能够实时监测和控制设备，将模型部署到云服务器和边缘终端可以充分利用各自的优势，实现更高效的系统性能。通过容器化和分布式部署方式，将优化后的误差控制模型有效地部署到云服务器和边缘终端，以确保系统能够在不同环境和层次中协同工作，实现更高效的远程控制，这有助于提高系统的可伸缩性和性能。
设置模块7，用于建立基于动态阈值的事件触发控制器，以设置输出设备的误差控制模型的指令发出频率。
其中，事件触发控制器是一种控制系统中的控制方式，用于确定何时触发某个事件或执行某个操作，事件触发控制器用于设置输出设备的误差控制模型的指令发出频率，这个控制器基于动态阈值，根据系统的状态和需求，决定何时发出新的控制指令。事件触发控制器在这里用于优化控制指令的发出频率，以根据动态系统需求降低系统的运行成本、提高效率，并确保适时的控制操作，有助于改善磁悬浮离心压缩机远程控制系统的性能。
在一种可能的实施方式中，设置模块具体用于：
S1071：结合径向基函数网络，通过反步法建立磁悬浮离心压缩机的控制率：
其中，M表示压缩机离心轴的附加质量惯性矩阵，表示增益对角矩阵，/>表示气体输出量的自适应估计值，/>表示径向基函数向量，tanh表示双曲正切函数，/>表示值为0或者1的中间变量参数，z 1表示转换误差，z 2表示动态面转换误差，v表示压缩机离心轴线速度，/>表示动态面控制辅助变量；
S1072：建立磁悬浮离心压缩机的更新函数：
其中，表示中间控制率，即两个触发时刻之间所使用的控制率，/>表示第k次触发时刻，/>表示径向基函数网络的中心节点基宽，/>表示大于0小于1的误差调节因子；
S1073：结合控制率和更新函数，确定更新触发时刻：
其中，符号“inf”表示下确界；
S1074：以更新触发时刻设置输出设备的误差控制模型的指令发出频率。
具体地，首先，采用径向基函数网络和反步法，建立磁悬浮离心压缩机的控制率。径向基函数网络是一种用于逼近未知函数的方法，反步法是一种控制方法，用于调整系统的控制输入，以满足特定的性能和稳定性要求。在这里，这两种方法被结合使用，建立适合磁悬浮离心压缩机的控制率。针对控制率，建立更新函数，这个函数根据系统的实时性能和需求进行调整，以确保控制率能够适应系统的变化，更新函数可以包括中间控制率、触发时刻、误差调节因子等参数，以影响控制率的行为。基于控制率和更新函数，确定何时触发控制操作，这个时刻可能会随着系统状态的变化而动态调整，以最大程度地提高系统的性能和效率。根据确定的更新触发时刻，设置输出设备的误差控制模型的指令发出频率，这意味着控制指令将会根据系统的实际需求和性能特征被发送，以最佳方式调整磁悬浮离心压缩机的运行。通过使用径向基函数网络、反步法和动态触发来优化控制率，从而实现更有效的磁悬浮离心压缩机控制，这种方法允许系统在实时性能和效率方面进行动态调整，以适应不断变化的工作条件和要求，降低指令发出频率，低频率的指令有助于降低云服务器的计算负担，相应地提升计算速度，提升传输的实时性。另外，对于磁悬浮离心压缩机各个可活动的机械结构，在满足预设性能的前提下降低指令发出频率也能够降低机械调整频率，降低机械磨损提升设备使用寿命。
控制模块8，用于根据指令发出频率，利用边缘终端和云服务器的误差控制模型对磁悬浮离心压缩机进行控制。
在一种可能的实施方式中，基于云边协同的磁悬浮离心压缩机远程控制系统，还包括：
监测模块9，用于获取云服务器的远程指令，通过边缘终端的误差控制模型对磁悬浮离心压缩机按最佳执行量进行实时矫正，通过云服务器的误差控制模型对气体输出量进行误差监测。
可以理解的是，监测模块9通过获取远程指令、实时矫正磁悬浮离心压缩机的操作，并监测气体输出量的误差，确保系统按照最佳执行量操作，同时实时响应任何变化，以保持系统性能的高效性和稳定性，这种实时监测和调整有助于优化磁悬浮离心压缩机的运行并确保其在变化的工作条件下表现稳定。
在一种可能的实施方式中，基于云边协同的磁悬浮离心压缩机远程控制系统，还包括：
矫正模块10，用于间隔预设时长，将边缘终端的误差控制模型上传至云服务器进行矫正。
需要说明的是，误差控制模型是系统中的关键组件，它包含了数学模型、PID控制算法参数、优化参数等信息，用于计算如何调整磁悬浮离心压缩机的各个部件以满足控制目标，然而，这些模型可能会因为设备的老化、环境变化或其他因素而产生漂移，导致模型不再准确，矫正模块的任务是定期检测这些漂移并进行修正，以确保模型的准确性。误差控制模型部署在边缘终端上，上传至云服务器充分发挥充足计算资源优势，维持模型修正的快速性和准确性。矫正模块负责将边缘终端上的误差控制模型上传至云服务器，以进行比对和矫正。矫正是一个定期执行的过程，其频率由系统的需求和性能特征来确定，矫正模块按照预设的时间间隔执行矫正操作，以确保误差控制模型的准确性保持在一个可接受的范围内。进而保持系统中的误差控制模型的高精度和准确性，以确保磁悬浮离心压缩机的运行在不同的工作条件下仍然能够满足性能要求，这种定期的矫正操作有助于维护系统的稳定性和可靠性。
需要说明的是，本领域技术人员可以根据实际需要设置预设时长的大小，本发明在此不做限定。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，通过建立磁悬浮离心压缩机各个工作设备之间的数学模型，引入PID控制算法对各个设备的输出误差进行调节，利用模糊算法对PID的比例控制参数、积分控制参数和微分控制参数进行参数优化，之后利用遗传算法对误差控制模型进行基于实际运行情况的自适应优化，完成误差控制模型的微调，充分利用云服务器充足的计算资源，完成参数寻优和模型微调，降低模型调整时长，能够应对突发情况，以控制输出的误差最小为目标及时的完成误差控制模型的调整，充分确保系统的正常运行。将计算需求较低的误差控制模型部署至计算能力有限的边缘终端，完成数据的实时本地处理，避免数据传输导致的数据延迟，最大程度的避免机械故障，减少停机情况。通过建立基于动态阈值的事件触发控制器，在满足生产要求的前提下，降低部署至云服务器的误差控制模型的指令发出频率，减少因频繁调整产生的机械磨损，提升设备使用寿命，降低调整频率，降低云服务器负担，提升数据反馈实时性，降低系统远程控制的数据延迟。自动化程度高，能够减轻工作人员负担，降低工作人员巡检频率，完成全时段监控调整，生产安全性高，系统控制效率高。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述基于云边协同的磁悬浮离心压缩机远程控制系统包括云服务器、边缘终端多模态传感器和磁悬浮离心压缩机，所述云服务器分别通过所述边缘终端和多模态传感器与所述磁悬浮离心压缩机连接，其中，所述磁悬浮离心压缩机包括依次连接的吸气设备、压缩设备、冷却设备和输出设备；所述基于云边协同的磁悬浮离心压缩机远程控制系统还包括：
第一建立模块，用于建立所述磁悬浮离心压缩机的数学模型；
确定模块，用于确定控制目标的输出误差，其中，所述控制目标包括吸气量、气体压缩比、冷却温度和气体输出量；
第二建立模块，用于根据所述数学模型，基于PID控制算法建立所述吸气设备、所述压缩设备、所述冷却设备和所述输出设备的误差控制模型；
第一优化模块，用于将所述误差控制模型上传至所述云服务器进行基于模糊算法的参数优化，其中，所述参数包括比例控制参数、积分控制参数和微分控制参数；
第二优化模块，用于以所述控制输出的误差最小为目标，将经过参数优化后对应的参数作为所述误差控制模型的参数，利用遗传算法对所述误差控制模型进行自适应优化，以搜索所述磁悬浮离心压缩机中各个设备的最佳执行量；
部署模块，用于将优化后的所述输出设备的误差控制模型部署至所述云服务器，剩余的误差控制模型部署至所述边缘终端；
设置模块，用于建立基于动态阈值的事件触发控制器，以设置所述输出设备的误差控制模型的指令发出频率；
控制模块，用于根据所述指令发出频率，利用所述边缘终端和所述云服务器的误差控制模型对所述磁悬浮离心压缩机进行控制。
2.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述数学模型具体为：
；
；
其中，N表示压缩机转速，Q表示气体输出量，表示气体绝热指数，/>表示气体绝热指数校正项，A表示吸气量，D表示压缩机的离心轴直径，P表示所需差压，/>表示吸收气体温度，/>表示输出气体温度。
3.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述输出误差为所述控制目标的期望输出和实际输出的差值。
4.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述误差控制模型具体为：
；
；
其中，表示比例控制参数，/>表示积分控制参数，/>表示微分控制参数，e表示初始输出误差，其中，U 0表示t时刻期望输出，U 1表示t时刻实际输出，U表示控制输出，其中，所述控制输出为吸气量、气体压缩比、冷却温度或者气体输出量。
5.根据权利要求4所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述第一优化模块具体用于：
S1041：以所述控制输出的输出误差小于预设输出误差为目标，引入所述输出误差的偏差率，对所述初始输出误差进行优化，建立包括修正因子的参数优化公式：
；
其中，α表示所述修正因子，e c 表示所述偏差率；
S1042：基于所述参数优化公式，利用所述模糊算法求解所述初始输出误差的最小值。
6.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述第二优化模块具体用于：
S1051：生成所述控制目标的遗传序列；
S1052：建立适应度函数，并对所述适应度函数进行排序，得到适应度序列：
；
其中，表示随机实数，/>表示适应度；
S1053：设置所述控制目标的选择数量，对所述控制目标进行基于适应度的随机概率选择；
S1054：对选择的控制目标进行交叉计算；
S1055：对交叉计算后得到的控制目标进行变异操作：
；
其中，表示变异后的遗传序列，N表示变异种群数目，S表示变异系数；
S1056：迭代次数加1，重复S1051-S1055，直至达到终止条件，其中，所述终止条件包括所述适应度的值收敛至预设适应度值和所述迭代次数大于预设迭代次数；
S1057：将终止后得到的控制目标作为最优个体输出，其中，所述最优个体即所述磁悬浮离心压缩机中各个设备的最佳执行量。
7.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述部署模块具体用于：
S1061：将所述误差控制模型容器化，并将容器化后的误差控制模型部署至所述云服务器和所述边缘终端。
8.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，所述设置模块具体用于：
S1071：结合径向基函数网络，通过反步法建立所述磁悬浮离心压缩机的控制率：
；
其中，M表示压缩机离心轴的附加质量惯性矩阵，表示增益对角矩阵，/>表示所述气体输出量的自适应估计值，/>表示径向基函数向量，tanh表示双曲正切函数，/>表示值为0或者1的中间变量参数，z 1表示转换误差，z 2表示动态面转换误差，v表示压缩机离心轴线速度，/>表示动态面控制辅助变量；
S1072：建立所述磁悬浮离心压缩机的更新函数：
；
其中，表示中间控制率，即两个触发时刻之间所使用的控制率，/>表示第k次触发时刻，/>表示径向基函数网络的中心节点基宽，/>表示大于0小于1的误差调节因子；
S1073：结合所述控制率和所述更新函数，确定更新触发时刻：
；
其中，符号“inf”表示下确界；
S1074：以所述更新触发时刻设置所述输出设备的误差控制模型的指令发出频率。
9.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，还包括：
监测模块，用于获取所述云服务器的远程指令，通过所述边缘终端的误差控制模型对所述磁悬浮离心压缩机按所述最佳执行量进行实时矫正，通过所述云服务器的误差控制模型对所述气体输出量进行误差监测。
10.根据权利要求1所述的基于云边协同的磁悬浮离心压缩机远程控制系统，其特征在于，还包括：
矫正模块，用于间隔预设时长，将所述边缘终端的误差控制模型上传至所述云服务器进行矫正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453405.6A CN117189648B (zh) | 2023-11-03 | 2023-11-03 | 一种基于云边协同的磁悬浮离心压缩机远程控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453405.6A CN117189648B (zh) | 2023-11-03 | 2023-11-03 | 一种基于云边协同的磁悬浮离心压缩机远程控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117189648A true CN117189648A (zh) | 2023-12-08 |
| CN117189648B CN117189648B (zh) | 2024-03-08 |
Family
ID=88994536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453405.6A Active CN117189648B (zh) | 2023-11-03 | 2023-11-03 | 一种基于云边协同的磁悬浮离心压缩机远程控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117189648B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486381A (zh) * | 2019-07-22 | 2019-11-22 | 苏州百狮腾电气有限公司 | 一种磁悬浮轴承的远程控制系统 |
| CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
| CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
| CN115236987A (zh) * | 2022-07-27 | 2022-10-25 | 武汉大学 | 一种基于误差跟踪的磁悬浮工作台迭代学习鲁棒控制方法 |
| CN116608151A (zh) * | 2023-07-20 | 2023-08-18 | 江苏海拓宾未来工业科技集团有限公司 | 一种空气悬浮离心压缩机故障诊断方法及系统 |
-
2023
- 2023-11-03 CN CN202311453405.6A patent/CN117189648B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486381A (zh) * | 2019-07-22 | 2019-11-22 | 苏州百狮腾电气有限公司 | 一种磁悬浮轴承的远程控制系统 |
| CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
| CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
| CN115236987A (zh) * | 2022-07-27 | 2022-10-25 | 武汉大学 | 一种基于误差跟踪的磁悬浮工作台迭代学习鲁棒控制方法 |
| CN116608151A (zh) * | 2023-07-20 | 2023-08-18 | 江苏海拓宾未来工业科技集团有限公司 | 一种空气悬浮离心压缩机故障诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117189648B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018111368A1 (en) | Configuration and parameterization of energy control system | |
| CN112100916B (zh) | 用于构建强化学习模型的方法、装置、电子设备及介质 | |
| US20060025961A1 (en) | Method and device for monitoring a technical installation comprising several systems, in particular an electric power station | |
| CN112101767A (zh) | 一种设备运行状态边云融合诊断方法及系统 | |
| WO2023160110A1 (zh) | 一种集群温控负荷系统调频方法、系统、电子设备及存储介质 | |
| US20220154960A1 (en) | Air-conditioning control device, air-conditioning system, air-conditioning control method, and non-transitory computer readable recording medium | |
| CN105937823B (zh) | 一种地源热泵控制方法及系统 | |
| CN112855513A (zh) | 基于遗传算法的空压机集群控制系统能耗优化方法及系统和装置 | |
| CN117189648B (zh) | 一种基于云边协同的磁悬浮离心压缩机远程控制系统 | |
| JP2016537729A (ja) | プラントにおける生成プロセスおよび／またはプロセスエンジニアリングプロセスおよび／またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品 | |
| JP2011242981A (ja) | 関数生成装置、及び関数生成方法 | |
| Deng et al. | Optimal control of chilled water system with ensemble learning and cloud edge terminal implementation | |
| CN116860027A (zh) | 一种数字能源鼓风站的压力控制系统及其方法 | |
| CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
| JP2022151563A (ja) | 確率的勾配推定による極値シーク制御 | |
| CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
| Li et al. | Application of Improved Artificial Bee Colony Algorithm in constant pressure water supply system | |
| CN117146382B (zh) | 一种智能化调适系统优化方法 | |
| CN117519054B (zh) | 一种高效冷站控制系统 | |
| WO2022257267A1 (zh) | 环境参数控制设备集群控制方法、装置、设备及存储介质 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| Zhao et al. | Maintenance scheduling of semiconductor production equipment based on particle swarm optimization | |
| CN117519054A (zh) | 一种高效冷站控制系统 | |
| Mu et al. | Integrating Mechanism and Data: Reinforcement Learning Based on Multi-Fidelity Model for Data Center Cooling Control | |
| CN117767446A (zh) | 基于大数据的多源电力调度方法及系统 |
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 |