CN117478017A - 一种伺服电机的控制方法 - Google Patents
一种伺服电机的控制方法 Download PDFInfo
- Publication number
- CN117478017A CN117478017A CN202311819272.XA CN202311819272A CN117478017A CN 117478017 A CN117478017 A CN 117478017A CN 202311819272 A CN202311819272 A CN 202311819272A CN 117478017 A CN117478017 A CN 117478017A
- Authority
- CN
- China
- Prior art keywords
- motor
- key
- model
- stage
- working condition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims description 28
- 238000012512 characterization method Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 20
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/60—Controlling or determining the temperature of the motor or of the drive
Abstract
本申请涉及电动机控制技术领域,尤其涉及一种伺服电机的控制方法。一种伺服电机的控制方法,所述伺服电机的控制方法包括:获取所有电机的第一运行数据,根据所述第一运行数据从所有电机中确定得到重点电机;获取重点电机的重点阶段模型;获取重点电机的第二运行数据,将所述重点电机的第二运行数据输入重点阶段模型获取得到重点电机的运行状态;根据重点电机的运行状态调整重点电机的运行。本申请提供的一种伺服电机的控制方法能够更准确的调整伺服电机的运行。
Description
技术领域
本申请涉及电动机控制技术领域,尤其涉及一种伺服电机的控制方法。
背景技术
伺服电机在生产线上被广泛的应用。
为了提高伺服电机的使用寿命,现有技术通常会监控伺服电机的运行情况,从而根据伺服电机的运行情况调整伺服电机的运行,来提高伺服电机的使用寿命。
现有技术仍然存在一些问题,导致无法准确的获取得到伺服电机的运行情况,从而无法准确的调整伺服电机的运行。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种伺服电机的控制方法,能够更准确的调整伺服电机的运行。
本申请提供了一种伺服电机的控制方法,所述伺服电机的控制方法包括:
获取所有电机的第一运行数据,根据所述第一运行数据从所有电机中确定得到重点电机;
获取重点电机的重点阶段模型;
获取重点电机的第二运行数据,将所述重点电机的第二运行数据输入重点阶段模型获取得到重点电机的运行状态;
根据重点电机的运行状态调整重点电机的运行。
可选的,所述从所有电机中确定得到重点电机包括:
在预设的第一观察窗口内分别获取所有电机的第一运行数据,所述第一运行数据包括电机转速、电机负载电流和电机温度;
将所述第一运行数据导入预设的重点电机确定函数,分别获取得到所有电机的电机重要性评价值,当电机的电机重要性评价值大于第一阈值时,确定该电机为重点电机。
可选的,所述预设的重点电机确定函数为:
其中,函数h为:
其中,K为电机重要性评价值,T1为第一观察窗口总时长,ω(t)为时刻t时的电机转速,θ(t)为时刻t时的电机温度,I(t)为时刻t时的电机负载电流,Ithreshold为区分电机在低负载还是高负载状态下运行的电流阈值,α和β是权重系数,γ和ε为调整系数。
可选的,所述获取重点电机的重点阶段模型包括:
获取重点电机所处的工况状态,从数据库中查找得到该重点电机对应工况状态的重点阶段模型;
所述获取重点电机所处的工况状态,包括:
所述工况状态分为标准工况和压力工况,将第二观察窗口内的重点电机的环境温度和环境震动数据输入工况评估函数以得到重点电机的工况评估指数,当所述工况评估指数大于第二阈值时,判定重点电机所处的工况状态为压力工况;
所述工况评估函数为:
其中,T2为第二观察窗口总时长,θenv(t)为时刻t时的环境温度,Venv(t)为时刻t时的环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到。
可选的,标准工况和压力工况的重点阶段模型通过以下步骤训练得到:
分别获取标准工况和压力工况下的重点电机的非重点阶段模型,包括以下步骤:
在重点电机处于非重点阶段时,分别在标准工况和压力工况下采集多组电机表征数据元组,根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引;
所述电机表征数据元组通过在预设时间段内每间隔预设时间采集电机表征数据得到,所述电机表征数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度;
以卷积神经网络为网络框架,分别对标准工况和压力工况下得到的电机表征数据元组作为输入,第一时间后电机是否能正常运行作为输出,分别得到标准工况下的非重点阶段模型和压力工况下的非重点阶段模型;
使用与非重点阶段模型相同的网络架构作为重点阶段的网络框架,并对重点阶段的网络框架的各层权重参数初始化为空值;
获取多组标准工况下电机处于重点阶段时的电机表征数据元组,并根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引;
对标准工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第一重点阶段预训练模型;
使用标准工况下处于重点阶段时的电机表征数据对第一重点阶段预训练模型进行训练,以得到第一重点阶段针对模型;
对压力工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第二重点阶段预训练模型;
使用压力工况下处于重点阶段时的电机表征数据对第二重点阶段预训练模型进行训练,以得到第二重点阶段针对模型;
标准工况下的重点阶段模型通过以下步骤得到:
按第一加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到标准工况的重点阶段模型;
其中,第一加权比例的构成使得第一重点阶段针对模型对标准工况的重点阶段模型的影响,大于第二重点阶段针对模型对标准工况的重点阶段模型的影响;
压力工况下的重点阶段模型通过以下步骤得到:
按第二加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到压力工况的重点阶段模型;
其中,第二加权比例的构成使得第一重点阶段针对模型对压力工况的重点阶段模型的影响,小于第二重点阶段针对模型对压力工况的重点阶段模型的影响。
可选的,将所述重点电机的第二运行数据输入重点阶段获取得到重点电机的运行状态包括:
所述第二运行数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到;
所述重点电机的运行状态为第一时间后电机是否能正常运行。
可选的,根据重点电机的运行状态调整重点电机的运行包括:
事先在数据库中配置并存储重点电机的运行状态以及对应的处理策略;
在检测到重点电机的运行状态后,根据重点电机的运行状态,执行数据库中预先配置好的处理策略。
本申请提供的技术方案与现有技术相比具有如下优点:
现有技术的伺服电机的控制方法,一般是从运行在同一环境下的多个电机,收集大量的电机数据和电机状态的对应关系作为训练集,训练得到能够预测电机数据对应于电机何种状态的人工智能模型。然后利用这个人工智能模型根据电机的实时运行数据预测电机的运行状态,最后根据电机的运行状态执行数据库中对应的操作策略,从而使得电机能够保持较长的寿命。但是现有技术的这种人工智能模型,即便收集了大量的数据作为训练集,其准确率总是不高。
在本申请中,重点电机指的是位于重点阶段的电机,也就是那些运行在高负载状态下的电机,这种电机本身会发出大量的热和震动。相较于非重点阶段的电机而言,重点电机难以仅凭外部观察就确定其性能下降的原因,究竟是由电机本身已经过载引起的,还是由温度变化等外部因素导致的。这是因为在电机位于高负载的情况下,检测到的电机数据很大程度上由电机自己工作而带来的,例如发热和震动。
但是外部环境仍然会对电机产生直接的影响,例如在温度更高的环境下维持长时间的高负载状态运行,相较于在温度更低的环境下维持长时间的高负载运行,电机损坏的更快或者电机损坏的概率会更高,因为电机系统本身的鲁棒性降低了。
因此重点电机可能引起的问题和行为模式与在更温和的条件下运行的非重点电机并不相同。因此在电机位于重点阶段和非重点阶段中具有不同的数据特性差异,这种差异导致一个统一模型难以同时有效处理两种情况下的数据,导致无法准确捕捉和预测重点电机在特定条件下的性能和故障模式。
本申请提供了一种伺服电机的控制方法,能够从运行在同一环境下的多个电机中确定得到重点电机,并利用重点电机专门针对重点阶段的重点阶段模型去预测重点电机的运行状态,能够更精确的反应电机的实际运行状态。
本申请能够更精确的获得重点电机的运行状态,因此能够更准确的调整伺服电机的运行。
附图说明
图1为本申请实施例提供的流程示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但本申请还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本申请的一部分实施例,而不是全部的实施例。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
如图1所示,本申请提供了一种伺服电机的控制方法,所述伺服电机的控制方法包括:
S101:获取所有电机的第一运行数据,根据所述第一运行数据从所有电机中确定得到重点电机。
具体的,所述从所有电机中确定得到重点电机包括:
在预设的第一观察窗口内分别获取所有电机的第一运行数据,所述第一运行数据包括电机转速、电机负载电流和电机温度;
将所述第一运行数据导入预设的重点电机确定函数,分别获取得到所有电机的电机重要性评价值,当电机的电机重要性评价值大于第一阈值时,确定该电机为重点电机。
具体的,所述预设的重点电机确定函数为:
其中,函数h为:
其中,K为电机重要性评价值,T1为第一观察窗口总时长,ω(t)为时刻t时的电机转速,θ(t)为时刻t时的电机温度,I(t)为时刻t时的电机负载电流,Ithreshold为区分电机在低负载还是高负载状态下运行的电流阈值,α和β是权重系数,γ和ε为调整系数。
具体的,第一阈值需要根据实际运行的情况进行确定,可以人为设置一个固定的阈值,也可以利用聚类算法获取一个能够划分重点电机和非重点电机的阈值。
具体的,第一观察窗口总时长T1需要人为进行设定。
具体的,Ithreshold区分电机在低负载还是高负载状态下运行的电流阈值需要根据实际运行情况进行划分,一般来说,一般为电机额定电流的85%。
具体的,α、β、γ和ε是经验参数,需要人为进行设定。
具体的,电机温度通过检测伺服电机外壳温度的温度传感器获取,电机负载电流通过检测输入电流的电流传感器获取,电机转速通过转速传感器获取。
其有益效果在于,对于电机的排热系统而言,在电机达到高负载的状态时,电机的排热系统已经达到最大的热交换功率,此时在高负载的情况下,电机的温度维持在一个仍能使得电机正常运行的较高温度上,此时温度高但电机的温度变化率却是低的,这是确定重点电机的一个很重要的特征。本申请实施例提供的重点电机确定函数,能够利用这一特征,从多个电机中精确的确定出来重点电机。
并且因此本申请能够动态的适应确定得到多个电机中的重点电机,从而可以针对性地分配资源和注意力。能更有效地管理关键设备,减少资源浪费,提高整体系统的可靠性和性能。
S102:获取重点电机的重点阶段模型;
具体的,所述获取重点电机的重点阶段模型包括:
获取重点电机所处的工况状态,从数据库中查找得到该重点电机对应工况状态的重点阶段模型;
所述获取重点电机所处的工况状态,包括:
所述工况状态分为标准工况和压力工况,将第二观察窗口内的重点电机的环境温度和环境震动数据输入工况评估函数以得到重点电机的工况评估指数,当所述工况评估指数大于第二阈值时,判定重点电机所处的工况状态为压力工况;
所述工况评估函数为:
其中,T2为第二观察窗口总时长,θenv(t)为时刻t时的环境温度,Venv(t)为时刻t时的环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到。
具体的,第二阈值需要根据实际的数据进行确定,可以人为设置一个固定的阈值,也可以利用聚类算法获取一个能够划分标准工况和压力工况的阈值。
第二观察窗口总时长需要人为进行设定。
环境温度通过安装在伺服电机基座上的温度传感器获取,环境震动强度通过安装在伺服电机基座上的震动传感器获取得到震动幅度和震动强度后,将他们直接相乘得到。
实际上的操作,就是事先对每个电机分别在不同工况下收集在非重点阶段时的数据,以此训练得到每个电机在不同工况下的非重点阶段模型,然后利用每个电机的非重点阶段模型迁移学习的得到每个电机在不同工况下的重点阶段模型。在确定到重点电机后,直接从数据库中进行调用。
具体的,针对已经确定为重点电机这个电机而言,标准工况和压力工况的重点阶段模型通过以下步骤训练得到:
具体的,分别获取标准工况和压力工况下的重点电机的非重点阶段模型,包括以下步骤:
在重点电机处于非重点阶段时,分别在标准工况和压力工况下采集多组电机表征数据元组,根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引。
所述电机表征数据元组通过在预设时间段内每间隔预设时间采集电机表征数据得到,所述电机表征数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度;
具体的,在本实施例中,所述电机表征数据元组由5分钟内每间隔20秒采集一次的电机表征数据组成的一个一维矩阵。
以卷积神经网络为网络框架,分别对标准工况和压力工况下得到的电机表征数据元组作为输入,第一时间后电机是否能正常运行作为输出,分别得到标准工况下的非重点阶段模型和压力工况下的非重点阶段模型。
具体的,这一训练过程可以利用TensorFlow或Pytroch人工智能框架实现,训练人工智能模型为本领域技术人员的常用手段,对卷积神经网络的结构也没做出调整,因此在此不再详述。
使用与非重点阶段模型相同的网络架构作为重点阶段的网络框架,并对重点阶段的网络框架的各层权重参数初始化为空值。
获取多组标准工况下电机处于重点阶段时的电机表征数据元组,并根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引;
对标准工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第一重点阶段预训练模型;
使用标准工况下处于重点阶段时的电机表征数据对第一重点阶段预训练模型进行训练,以得到第一重点阶段针对模型。
对压力工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第二重点阶段预训练模型;
使用压力工况下处于重点阶段时的电机表征数据对第二重点阶段预训练模型进行训练,以得到第二重点阶段针对模型。
标准工况下的重点阶段模型通过以下步骤得到:
按第一加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到标准工况的重点阶段模型;
其中,第一加权比例的构成使得第一重点阶段针对模型对标准工况的重点阶段模型的影响,大于第二重点阶段针对模型对标准工况的重点阶段模型的影响;
压力工况下的重点阶段模型通过以下步骤得到:
按第二加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到压力工况的重点阶段模型;
其中,第二加权比例的构成使得第一重点阶段针对模型对压力工况的重点阶段模型的影响,小于第二重点阶段针对模型对压力工况的重点阶段模型的影响。
具体的,所述第一加权比例或第二加权比例都需要人为进行设定,一般来说压力工况和标准工况之间相差的越大,第一加权比例的比值就越不均衡。在本申请实施例中,所述第一加权比例和第二加权比例对应于其权重大的部分和权重小的部分都是8:2。
其解决的一个技术问题在于,在重点阶段,电机的数据主要反映了其自身的运行状态,而对外部环境的影响较为不敏感。因此,为了训练出一个能够准确预测电机在重点阶段状态的模型,需要大量的重点阶段的数据,来学习在这个特定阶段电机数据和环境数据之间的关系。这是因为在重点阶段,电机自身的运行情况对数据有着显著的影响,使得从这些数据中提取出环境因素对电机性能影响的规律变得更加困难。
而重点电机的数据量有限,如人为进行收集,由于重点电机是运行时高负载的电机,那么在大量的数据收集行为下,需要报废掉大量的电机才能收集到足够的数据用于单独训练重点电机的重点阶段模型。
其有益效果在于,本申请实施例利用非重点阶段对环境变化的高度敏感性,该方法构建出一个精确的基础模型,随后通过迁移学习使其适应重点阶段的特定环境和性能需求。这种方法能够显著提升对重点阶段性能影响的预测准确度,并在节省时间与资源方面发挥显著作用。
并因为所需要的重点阶段的数据的减少,本申请实施例才能够针对不同的工况提供单独的重点阶段模型,以更精细化的对电机状态进行预测。应当注意的是,工况本身是多变的,为了提高泛化能力,本申请实施例结合了两个预训练模型的优势,通过调整加权比例来确保模型在面对多变的实际工况时具有出色的适应性和稳定性。
S103:获取重点电机的第二运行数据,将所述重点电机的第二运行数据输入重点阶段模型获取得到重点电机的运行状态。
具体的,将所述重点电机的第二运行数据输入重点阶段获取得到重点电机的运行状态包括:
所述第二运行数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到;
所述重点电机的运行状态为第一时间后电机是否能正常运行。
在本申请实施例中,所述第一时间为8-15小时。
S104:根据重点电机的运行状态调整重点电机的运行。
具体的,根据重点电机的运行状态调整重点电机的运行包括:
事先在数据库中配置并存储重点电机的运行状态以及对应的处理策略;
在检测到重点电机的运行状态后,根据重点电机的运行状态,执行数据库中预先配置好的处理策略。
例如:若检测到第一小时后电机不能够正常运行,则发出检修信号,通知工程师对产线进行调整,从而使得目前的重点电机退出重点阶段。又或者能让工程师在产线出问题时,优先排查发出检修信号时对应的电机。
综上所述,本申请实施例提供的一种伺服电机的控制方法的有益效果在于:
本申请实施例提供了一种伺服电机的控制方法,能够从运行在同一环境下的多个电机中确定得到重点电机,并利用重点电机专门针对重点阶段的重点阶段模型去预测重点电机的运行状态,能够更精确的反应电机的实际运行状态。
本申请实施例能够更精确的获得重点电机的运行状态,因此能够更准确的调整伺服电机的运行。
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。另外,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……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。而且,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。并且,在本申请实施例的描述中,“多个”是指两个或多于两个。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种伺服电机的控制方法,其特征在于,所述伺服电机的控制方法包括:
获取所有电机的第一运行数据,根据所述第一运行数据从所有电机中确定得到重点电机;
获取重点电机的重点阶段模型;
获取重点电机的第二运行数据,将所述重点电机的第二运行数据输入重点阶段模型获取得到重点电机的运行状态;
根据重点电机的运行状态调整重点电机的运行;
所述从所有电机中确定得到重点电机包括:
在预设的第一观察窗口内分别获取所有电机的第一运行数据,所述第一运行数据包括电机转速、电机负载电流和电机温度;
将所述第一运行数据导入预设的重点电机确定函数,分别获取得到所有电机的电机重要性评价值,当电机的电机重要性评价值大于第一阈值时,确定该电机为重点电机。
2.根据权利要求1所述的一种伺服电机的控制方法,其特征在于,所述预设的重点电机确定函数为:
,其中,函数h为:
,其中,K为电机重要性评价值,T1为第一观察窗口总时长,ω(t)为时刻t时的电机转速,θ(t)为时刻t时的电机温度,I(t)为时刻t时的电机负载电流,Ithreshold为区分电机在低负载还是高负载状态下运行的电流阈值,α和β是权重系数,γ和ε为调整系数。
3.根据权利要求1所述的一种伺服电机的控制方法,其特征在于,所述获取重点电机的重点阶段模型包括:
获取重点电机所处的工况状态,从数据库中查找得到该重点电机对应工况状态的重点阶段模型;
所述获取重点电机所处的工况状态,包括:
所述工况状态分为标准工况和压力工况,将第二观察窗口内的重点电机的环境温度和环境震动数据输入工况评估函数以得到重点电机的工况评估指数,当所述工况评估指数大于第二阈值时,判定重点电机所处的工况状态为压力工况;
所述工况评估函数为:
,其中,T2为第二观察窗口总时长,θenv(t)为时刻t时的环境温度,Venv(t)为时刻t时的环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到。
4.根据权利要求3所述的一种伺服电机的控制方法,其特征在于,标准工况和压力工况的重点阶段模型通过以下步骤训练得到:
分别获取标准工况和压力工况下的重点电机的非重点阶段模型,包括以下步骤:
在重点电机处于非重点阶段时,分别在标准工况和压力工况下采集多组电机表征数据元组,根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引;
所述电机表征数据元组通过在预设时间段内每间隔预设时间采集电机表征数据得到,所述电机表征数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度;
以卷积神经网络为网络框架,分别对标准工况和压力工况下得到的电机表征数据元组作为输入,第一时间后电机是否能正常运行作为输出,分别得到标准工况下的非重点阶段模型和压力工况下的非重点阶段模型;
使用与非重点阶段模型相同的网络架构作为重点阶段的网络框架,并对重点阶段的网络框架的各层权重参数初始化为空值;
获取多组标准工况下电机处于重点阶段时的电机表征数据元组,并根据电机在第一时间后是否能正常运行对电机表征数据元组进行标引;
对标准工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第一重点阶段预训练模型;
使用标准工况下处于重点阶段时的电机表征数据对第一重点阶段预训练模型进行训练,以得到第一重点阶段针对模型;
对压力工况下的非重点阶段模型除最后预设层数的之外的网络层进行冻结,以得到第二重点阶段预训练模型;
使用压力工况下处于重点阶段时的电机表征数据对第二重点阶段预训练模型进行训练,以得到第二重点阶段针对模型;
标准工况下的重点阶段模型通过以下步骤得到:
按第一加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到标准工况的重点阶段模型;
其中,第一加权比例的构成使得第一重点阶段针对模型对标准工况的重点阶段模型的影响,大于第二重点阶段针对模型对标准工况的重点阶段模型的影响;
压力工况下的重点阶段模型通过以下步骤得到:
按第二加权比例将第一重点阶段针对模型和第二重点阶段针对模型的网络权重参数融合至重点阶段的网络框架中,以得到压力工况的重点阶段模型;
其中,第二加权比例的构成使得第一重点阶段针对模型对压力工况的重点阶段模型的影响,小于第二重点阶段针对模型对压力工况的重点阶段模型的影响。
5.根据权利要求1所述的一种伺服电机的控制方法,其特征在于,将所述重点电机的第二运行数据输入重点阶段获取得到重点电机的运行状态包括:
所述第二运行数据包括电机转速、电机温度、电机负载电流、环境温度和环境震动强度,所述环境震动强度根据环境震动频率和震动幅度直接相乘得到;
所述重点电机的运行状态为第一时间后电机是否能正常运行。
6.根据权利要求1所述的一种伺服电机的控制方法,其特征在于,根据重点电机的运行状态调整重点电机的运行包括:
事先在数据库中配置并存储重点电机的运行状态以及对应的处理策略;
在检测到重点电机的运行状态后,根据重点电机的运行状态,执行数据库中预先配置好的处理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311819272.XA CN117478017B (zh) | 2023-12-27 | 2023-12-27 | 一种伺服电机的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311819272.XA CN117478017B (zh) | 2023-12-27 | 2023-12-27 | 一种伺服电机的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117478017A true CN117478017A (zh) | 2024-01-30 |
CN117478017B CN117478017B (zh) | 2024-04-09 |
Family
ID=89640000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311819272.XA Active CN117478017B (zh) | 2023-12-27 | 2023-12-27 | 一种伺服电机的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117478017B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600519A (zh) * | 2020-05-26 | 2020-08-28 | 佛山金华信智能科技有限公司 | 伺服电机控制方法、装置、电子设备及存储介质 |
CN115149873A (zh) * | 2022-09-05 | 2022-10-04 | 中科航迈数控软件(深圳)有限公司 | 基于神经网络模型的伺服电机组控制方法及相关设备 |
WO2023004618A1 (zh) * | 2021-07-28 | 2023-02-02 | 褚启平 | 一种自适应交流伺服电机电流控制方法及系统 |
CN116991068A (zh) * | 2023-08-04 | 2023-11-03 | 深圳信息职业技术学院 | 基于分布式预设时间梯度下降法的电机控制方法及系统 |
CN117134675A (zh) * | 2023-08-28 | 2023-11-28 | 苏州金钥匙自动化设备有限公司 | 一种基于机器视觉的伺服电机控制系统 |
-
2023
- 2023-12-27 CN CN202311819272.XA patent/CN117478017B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600519A (zh) * | 2020-05-26 | 2020-08-28 | 佛山金华信智能科技有限公司 | 伺服电机控制方法、装置、电子设备及存储介质 |
WO2023004618A1 (zh) * | 2021-07-28 | 2023-02-02 | 褚启平 | 一种自适应交流伺服电机电流控制方法及系统 |
CN115149873A (zh) * | 2022-09-05 | 2022-10-04 | 中科航迈数控软件(深圳)有限公司 | 基于神经网络模型的伺服电机组控制方法及相关设备 |
CN116991068A (zh) * | 2023-08-04 | 2023-11-03 | 深圳信息职业技术学院 | 基于分布式预设时间梯度下降法的电机控制方法及系统 |
CN117134675A (zh) * | 2023-08-28 | 2023-11-28 | 苏州金钥匙自动化设备有限公司 | 一种基于机器视觉的伺服电机控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117478017B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795488B (zh) | 一种分布式机房温度的智能调控系统及方法 | |
CN111639921B (zh) | 一种基于专家系统的设备故障智判与辅助处置方法 | |
CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN111080039B (zh) | 一种风机集群故障预测方法及系统 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN115036922B (zh) | 一种分布式光伏发电电量预测方法及系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN115712735A (zh) | 一种基于大数据的风电机组故障监测预警方法及系统 | |
CN117478017B (zh) | 一种伺服电机的控制方法 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
CN111030299A (zh) | 一种基于边信道的电网嵌入式终端安全监测方法及系统 | |
CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
CN117329112B (zh) | 一种水泵的远程控制系统 | |
CN115829166B (zh) | 基于高效机房的设备选型优化系统 | |
CN116582450B (zh) | 低压配电网业务接入感知方法及系统 | |
CN117526336A (zh) | 基于关联规则分析的设备级负荷控制策略选择系统及方法 | |
CN111400284B (zh) | 一种基于性能数据建立动态异常探测模型的方法 | |
CN117869181A (zh) | 一种转速及转矩的优化控制方法及系统 | |
CN116842716A (zh) | 一种服役大型风电机组健康状态预测方法 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
CN114298083A (zh) | 一种基于vae的逆变器三相电流不平衡识别方法及系统 |
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 |