CN117687307A - 一种多摇杆控制方法、装置、设备及存储介质 - Google Patents
一种多摇杆控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117687307A CN117687307A CN202410145154.3A CN202410145154A CN117687307A CN 117687307 A CN117687307 A CN 117687307A CN 202410145154 A CN202410145154 A CN 202410145154A CN 117687307 A CN117687307 A CN 117687307A
- Authority
- CN
- China
- Prior art keywords
- rocker
- control
- data
- target
- power consumption
- 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 75
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 106
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011217 control strategy Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 36
- 230000004044 response Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function 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
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Abstract
本申请涉及摇杆控制技术领域，公开了一种多摇杆控制方法、装置、设备及存储介质。所述方法包括：对多摇杆系统进行有限元分析和多摇杆仿真协同控制，生成目标摇杆控制信号集合；进行动态空间关联性和时序依赖性捕捉，生成摇杆操控意图特征数据；进行优先级排序和冲突处理，得到目标控制指令；进行热‑结构耦合分析和功耗分析，得到温度结构变形预测数据以及功耗预测数据；进行特征提取和向量编码，得到温度结构变形特征向量以及功耗特征向量；通过多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据多摇杆故障预测结果创建多摇杆系统的目标多摇杆控制策略，本申请提高了多摇杆控制的准确率。
Description
技术领域
本申请涉及摇杆控制领域，尤其涉及一种多摇杆控制方法、装置、设备及存储介质。
背景技术
在当今的工业自动化和精密机械领域，多摇杆控制系统的应用日益广泛。这些系统通常用于复杂的机械装置中，如机器人臂、飞行模拟器和高级制造设备，它们的主要功能是实现精确的动作控制和高效的力量分配。这些系统的效率和精确度直接影响到整个装置的性能，因此对其控制策略的研究具有重要意义。特别是在高风险或高价值的应用场景中，如航天器、精密医疗设备或复杂的自动化生产线，系统的可靠性和稳定性尤为重要。
然而，传统的多摇杆控制方法面临着多方面的挑战。传统方法往往依赖于固定的控制模式，缺乏灵活性和适应性，难以应对复杂或变化的操作环境。其次，对于多摇杆系统的动态特性和潜在的故障模式，传统方法往往无法进行有效的预测和实时监控，这限制了系统的预见性和自我修复能力。此外，由于多摇杆系统中各部件之间存在复杂的相互作用和依赖关系，系统的优化调整和故障排除变得尤为复杂和耗时。
发明内容
本申请提供了一种多摇杆控制方法、装置、设备及存储介质，本申请提高了多摇杆控制的准确率。
第一方面，本申请提供了一种多摇杆控制方法，所述多摇杆控制方法包括：
对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略。
第二方面，本申请提供了一种多摇杆控制装置，所述多摇杆控制装置包括：
控制模块，用于对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
处理模块，用于通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
排序模块，用于根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
分析模块，用于分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
编码模块，用于分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
预测模块，用于将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略。
本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的多摇杆控制方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的多摇杆控制方法。
本申请提供的技术方案中，通过使用有限元分析和仿真协同控制，能够提前预测和模拟多摇杆系统的动态响应，从而优化摇杆的控制信号，提高系统的响应精度和控制效率。时空注意力自编码器对摇杆控制信号的处理不仅能够捕捉动态空间关联性和时序依赖性，而且能够根据实时数据自动调整，增强系统对变化环境的适应能力。通过对控制指令进行优先级排序和冲突处理，确保了在多摇杆协作时，各摇杆的指令能够高效、有序执行，减少指令冲突，提高系统整体性能。热-结构耦合分析和功耗分析能够预测每个摇杆出现的问题，如过热或结构变形，从而提前进行维护或调整，减少系统故障和停机时间，提高了系统的可靠性和安全性。特征提取和向量编码能够有效地从大量数据中提取关键信息，为系统故障预测和控制策略的优化提供数据支持，提高决策的准确性和效率。通过将故障预测结果反馈到控制策略中，并利用遗传算法进行优化，能够实现控制策略的动态自我优化，随着时间的推移不断提高系统性能，进而提高了多摇杆控制的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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，还可以基于这些附图获得其他的附图。
图1为本申请实施例中多摇杆控制方法的一个实施例示意图；
图2为本申请实施例中多摇杆控制装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种多摇杆控制方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中多摇杆控制方法的一个实施例包括：
步骤101、对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
可以理解的是，本申请的执行主体可以为多摇杆控制装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过ANSYS软件对预置的多摇杆系统进行多摇杆结构、材料特性和边界条件分析，获得多摇杆系统的初始有限元模型，该模型反映出系统的实际物理特性和工作环境。对初始有限元模型进行摇杆部位的分区。基于分区结果，对初始有限元模型中的每个摇杆进行网格划分，网格划分的准确性直接影响到模型仿真的精度和可靠性。根据预置的初始多摇杆控制策略对该模型进行多摇杆仿真协同控制。这一过程不仅需要考虑每个摇杆的独立运动，还要考虑它们之间的协同作用，确保整个系统在复杂的操作环境中能够稳定可靠地运行。通过仿真协同控制，分别对模型中的每个摇杆进行信号获取，从而得到每个摇杆的初始摇杆控制信号集合。这些信号集合包含了每个摇杆在特定工作条件下的运动信息和控制需求。为了提高控制信号的准确性和稳定性，对每个摇杆的初始摇杆控制信号集合进行信号滤波处理，生成每个摇杆的目标摇杆控制信号集合。通过去除信号中的噪声和不必要的频率成分，确保生成的目标摇杆控制信号集合具有更高的信号质量和可靠性。
步骤102、通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
具体的，对每个摇杆的目标摇杆控制信号集合进行标准化处理，确保信号数据在接下来的处理过程中具有一致性和可比性。将每个摇杆的标准摇杆控制信号集合输入预置的时空注意力自编码器中。在自编码器内部，对标准化摇杆控制信号集合进行注意力权重的计算，识别和强调信号中最重要的部分，这有助于提高信号处理的准确性和有效性。通过自编码器对每个摇杆的注意力控制信号集合进行信号特征的动态空间关联性编码，编码器会捕捉到不同控制信号之间的空间关系，这有助于理解和模拟摇杆在复杂环境下的表现。通过自编码器对每个摇杆的编码控制特征集合进行信号特征的时序依赖性解码，恢复和重构信号特征中的时间信息，生成每个摇杆的摇杆操控意图特征数据，这些数据不仅包含了摇杆控制信号的关键信息，而且还融合了空间关系和时间演进的深层特性。
步骤103、根据摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
具体的，通过预置的决策算法对摇杆操控意图特征数据进行分析和处理。将复杂的摇杆操控意图特征数据转换为可执行的初始控制指令，这些初始控制指令是多摇杆系统响应特定情况和需求的直接表现。为了确保这些初始控制指令能够有效执行且不产生冲突，对每个摇杆的初始控制指令进行紧急性评分，对每个控制指令的紧迫程度进行量化，紧急性评分数据反映了每个指令在整个控制系统中的紧迫级别。对每个摇杆的初始控制指令进行重要性评分，考虑每个控制指令对于整个系统稳定运行和任务完成的重要性，重要性评分数据提供了另一个维度的信息，帮助系统更好地理解和处理这些控制指令。同时，对每个摇杆的初始控制指令进行复杂性评分，得到每个指令执行的难易程度和涉及的风险，这有助于避免执行过程中的错误和冲突。根据紧急性评分数据、重要性评分数据以及复杂性评分数据分别对每个摇杆的初始控制指令进行优先级排序，优先级序列标识反映了在多摇杆控制系统中，哪些指令应当优先执行，哪些指令可以稍后处理，这确保了多摇杆系统在复杂多变的工作环境中能够高效且安全地运行。基于优先级序列标识，对每个摇杆的初始控制指令进行冲突处理。不同摇杆的控制指令会相互冲突或互有干扰，通过冲突处理，确保每个摇杆的目标控制指令既不会相互冲突，又能够协同工作，从而最终形成一个高效、协调、稳定的多摇杆控制系统。
步骤104、分别执行每个摇杆的目标控制指令并对多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
具体的，通过多摇杆系统分别执行每个摇杆的目标控制指令。对多摇杆有限元模型进行热-结构耦合分析，预测每个摇杆在实际工作过程中发生的变形情况。热-结构耦合分析不仅考虑了摇杆的结构特性，还同时考虑了操作过程中产生的热效应。分别对每个摇杆的初始变形预测数据进行数据清洗和野值处理。确保预测数据的准确性和可靠性。在实际的数据分析过程中，存在一些不规则或异常的数据点，通过数据清洗和野值处理，能够去除这些不准确的数据，从而获得更为精确和可信的温度结构变形预测数据。对多摇杆有限元模型进行功耗分析，预测每个摇杆在操作过程中的能耗情况，功耗分析关系到整个多摇杆系统的能效和经济性。对初始功耗数据进行数据清洗和数据尺度处理，确保功耗预测数据的准确性和一致性，通过去除不相关或错误的数据点，获得更加精确的功耗预测数据。
步骤105、分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
具体的，分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行曲线拟合，得到每个摇杆的温度结构变形预测曲线和功耗预测曲线。曲线拟合通过对实际数据点的最佳逼近，生成连续的曲线，从而更好地展现出数据的趋势和模式。对每个摇杆的温度结构变形预测曲线进行曲线特征点识别，包括识别曲线上的关键点，如拐点、极大值点或极小值点等，这些特征点能够反映出曲线的主要特征和变化趋势。同样对每个摇杆的功耗预测曲线进行曲线特征点识别，得到多个第二曲线特征点。对这些特征点进行主成分分析。主成分分析是一种常用的数据降维技术，能够提取出数据中最重要的特征，同时去除冗余和不重要的信息。在对温度结构变形预测曲线的特征点进行主成分分析后，得到多个第一目标特征点，这些特征点集中反映了温度结构变形的主要特性。同理，对功耗预测曲线的特征点进行主成分分析，以得到多个第二目标特征点，这些特征点则集中反映了功耗的主要特性。对目标特征点进行向量编码，得到每个摇杆的功耗特征向量，将这些特征点转换为数学上便于处理的向量形式。
步骤106、将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据多摇杆故障预测结果创建多摇杆系统的目标多摇杆控制策略。
具体的，对每个摇杆的温度结构变形特征向量和功耗特征向量进行向量拼接，整合和融合每个摇杆在不同方面的特征信息。将每个摇杆的目标拼接特征向量输入预置的多摇杆故障预测模型中，该模型是多摇杆系统故障预测的核心，包括多个第一门限循环网络、多个第二门限循环网络以及第一全连接层和第二全连接层。在多摇杆故障预测模型内部，通过多个第一门限循环网络对每个摇杆的目标拼接特征向量进行低维隐藏特征提取，从输入的特征向量中提取出最关键的信息，而忽略那些不重要或冗余的部分，得到第一隐藏特征向量。通过多个第二门限循环网络对每个第一门限循环网络输出的第一隐藏特征向量进行高维隐藏特征提取，进一步加深和扩展特征的维度，使得提取出的特征能够更加全面和深入地反映摇杆的运行状态，得到第二隐藏特征向量。通过第一全连接层对这些向量进行融合，将不同摇杆的特征信息整合在一起，形成一个统一的融合隐藏特征向量，融合有助于模型更好地理解和分析多摇杆系统的整体运行状态。然后，通过第二全连接层对融合隐藏特征向量进行多摇杆故障预测，这一过程将生成多摇杆故障预测概率，这个概率反映了系统中出现故障的性大小。根据多摇杆故障预测概率，生成相应的多摇杆故障预测结果。通过预置的遗传算法根据多摇杆故障预测结果定义对应的优化目标。遗传算法是一种高效的优化算法，通过模拟自然选择和遗传机制来不断迭代和改进解决方案。遗传算法根据故障预测结果来调整初始多摇杆控制策略，以达到更优的控制效果。通过优化过程，最终得到多摇杆系统的目标多摇杆控制策略，这个策略不仅考虑了系统当前的运行状态和潜在的故障风险，还考虑了系统的整体性能和效率，从而确保多摇杆系统能够在各种条件下都保持最佳的运行状态。
本申请实施例中，通过使用有限元分析和仿真协同控制，能够提前预测和模拟多摇杆系统的动态响应，从而优化摇杆的控制信号，提高系统的响应精度和控制效率。时空注意力自编码器对摇杆控制信号的处理不仅能够捕捉动态空间关联性和时序依赖性，而且能够根据实时数据自动调整，增强系统对变化环境的适应能力。通过对控制指令进行优先级排序和冲突处理，确保了在多摇杆协作时，各摇杆的指令能够高效、有序执行，减少指令冲突，提高系统整体性能。热-结构耦合分析和功耗分析能够预测每个摇杆出现的问题，如过热或结构变形，从而提前进行维护或调整，减少系统故障和停机时间，提高了系统的可靠性和安全性。特征提取和向量编码能够有效地从大量数据中提取关键信息，为系统故障预测和控制策略的优化提供数据支持，提高决策的准确性和效率。通过将故障预测结果反馈到控制策略中，并利用遗传算法进行优化，能够实现控制策略的动态自我优化，随着时间的推移不断提高系统性能，进而提高了多摇杆控制的准确率。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）通过ANSYS软件对预置的多摇杆系统进行多摇杆结构、材料特性和边界条件分析，得到多摇杆系统的初始有限元模型；
（2）对初始有限元模型进行摇杆部位分区，得到初始有限元模型中每个摇杆的摇杆部位分区结果；
（3）根据摇杆部位分区结果分别对初始有限元模型中每个摇杆进行网格划分，得到多摇杆有限元模型；
（4）基于预置的初始多摇杆控制策略对多摇杆有限元模型进行多摇杆仿真协同控制，并分别对多摇杆有限元模型中的每个摇杆进行信号获取，得到每个摇杆的初始摇杆控制信号集合；
（5）分别对每个摇杆的初始摇杆控制信号集合进行信号滤波处理，生成每个摇杆的目标摇杆控制信号集合。
具体的，通过ANSYS软件对预置的多摇杆系统进行结构、材料特性和边界条件分析，得到多摇杆系统的初始有限元模型。在ANSYS中，通过输入各种物理参数如材料弹性模量、密度、热膨胀系数等，以及设定边界条件和载荷情况，模拟多摇杆系统在实际工作环境下的行为。这一过程中，不仅需要关注每个摇杆的材料属性，还要考虑其在特定工作环境下的响应，如温度变化、力的作用等。对初始有限元模型进行摇杆部位分区，更精确地模拟和控制每个摇杆。在ANSYS中，通过划分不同的区域来表示不同的摇杆部位，这有助于后续的网格划分和仿真分析。每个摇杆部位的分区需要根据摇杆的结构特点和预期的工作方式来进行，例如，如果某个摇杆在使用过程中需要承受较大的扭矩，那么其连接部位需要进行更密集的网格划分以捕捉应力集中区域的详细信息。在完成摇杆部位分区后，根据分区结果对初始有限元模型中的每个摇杆进行网格划分。网格划分决定了模型解析度和计算的精确度。在ANSYS中进行网格划分时，需要综合考虑每个摇杆的几何形状、尺寸以及预期的应力和变形情况，以确保在关键区域获得足够的分辨率。基于预置的初始多摇杆控制策略，对多摇杆有限元模型进行仿真协同控制。通过控制算法，使得多个摇杆能够根据预定策略协同工作。在ANSYS中进行仿真时，通过施加不同的控制信号来模拟每个摇杆的实际运动情况，这些信号包括转速、转向、加速度等。对每个摇杆的初始摇杆控制信号集合进行信号滤波处理，生成每个摇杆的目标摇杆控制信号集合。信号滤波通过去除噪声和不必要的频率成分来提高信号的质量。在ANSYS中，使用各种滤波技术如低通滤波、高通滤波或带通滤波等，根据摇杆控制信号的特点选择合适的滤波器。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）分别对每个摇杆的目标摇杆控制信号集合进行标准化处理，得到每个摇杆的标准摇杆控制信号集合；
（2）分别将每个摇杆的标准摇杆控制信号集合输入预置的时空注意力自编码器，并通过时空注意力自编码器对标准摇杆控制信号集合进行注意力权重计算，得到每个摇杆的注意力控制信号集合；
（3）通过时空注意力自编码器分别对每个摇杆的注意力控制信号集合进行信号特征动态空间关联性编码，得到每个摇杆的编码控制特征集合；
（4）通过时空注意力自编码器分别对每个摇杆的编码控制特征集合进行信号特征时序依赖性解码，生成每个摇杆的摇杆操控意图特征数据。
具体的，对每个摇杆的控制信号进行标准化处理。标准化是一种常用的数据预处理技术，通过调整数据的范围和分布，使得不同的控制信号集合具有可比性和一致性，从而为后续的分析提供了一个共同的基准。在标准化处理过程中，通常会将信号的值转换为一个标准的范围，如0到1或-1到1，或者将信号转换为均值为0、标准差为1的分布。这样的处理不仅有助于消除不同信号之间的尺度差异，还能够减少极端值对整体分析的影响。将每个摇杆的标准化控制信号集合输入预置的时空注意力自编码器中。时空注意力自编码器是一种深度学习模型，能够同时处理时间序列数据的时序特性和空间数据的空间关联性。在这个模型中，注意力机制能够帮助模型聚焦于信号中最重要的部分，同时忽略那些不重要或冗余的信息。通过对标准化的摇杆控制信号集合进行注意力权重计算，模型能够生成每个摇杆的注意力控制信号集合，这些集合包含了信号中最关键的信息。通过时空注意力自编码器对每个摇杆的注意力控制信号集合进行信号特征动态空间关联性编码。将控制信号转换为包含丰富空间关系信息的编码控制特征集合，编码过程中考虑动态空间关联性，因为它能够反映出不同控制信号之间的空间上的联系和影响。例如，一个部件的移动会限制或促进另一个部件的运动。通过动态空间关联性编码，模型可以捕捉到这些复杂的空间关系，从而更准确地理解和模拟摇杆的实际行为。编码后的控制特征集合进一步经过时序依赖性的解码处理，恢复和重构信号特征中的时序信息。例如，在一个自动化装配线中，不同机械臂的运动需要精确的时序协调，以确保装配过程的顺利进行。解码过程确保了信号特征能够准确地反映出摇杆随时间变化的动态特性。通过结合了动态空间关联性编码和时序依赖性解码的处理过程，生成每个摇杆的摇杆操控意图特征数据。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）通过预置的决策算法对摇杆操控意图特征数据进行控制指令转换，生成每个摇杆的初始控制指令；
（2）分别对每个摇杆的初始控制指令进行紧急性评分，得到每个摇杆的紧急性评分数据，并分别对每个摇杆的初始控制指令进行重要性评分，得到每个摇杆的重要性评分数据，以及分别对每个摇杆的初始控制指令进行复杂性评分，得到每个摇杆的复杂性评分数据；
（3）根据紧急性评分数据、重要性评分数据以及复杂性评分数据分别对每个摇杆的初始控制指令进行优先级排序，得到每个初始控制指令的优先级序列标识；
（4）基于优先级序列标识对每个摇杆的初始控制指令进行冲突处理，得到每个摇杆的目标控制指令。
具体的，通过预置的决策算法对摇杆操控意图特征数据进行控制指令转换。决策算法可以基于一系列规则或机器学习模型，将从时空注意力自编码器中提取的摇杆操控意图特征数据转换成具体的控制指令。这些控制指令不仅需要精确地反映摇杆的操控意图，还要考虑到摇杆在实际工作环境中的约束和限制。对初始控制指令进行多维度的评分，包括紧急性评分、重要性评分和复杂性评分。紧急性评分主要是评估每个控制指令执行的紧迫程度，这通常基于任务的时间敏感性或潜在风险进行评定。例如，在一个自动化生产线中，如果某个摇杆控制的操作关乎到生产线的连续运行，那么该控制指令的紧急性评分将会很高。重要性评分则是评估控制指令对整个系统运行的重要程度，这取决于控制指令的作用范围和对系统性能的影响。例如，对于那些直接影响产品质量的控制指令，其重要性评分应该相对较高。复杂性评分则考虑了执行每个控制指令的难易程度和所需资源，这可以基于控制指令的复杂性、所涉及的系统部件数量及其互动复杂度来评估。根据紧急性评分数据、重要性评分数据以及复杂性评分数据进行优先级排序，确定哪些控制指令应该优先执行，哪些可以稍后处理或需要重新调整。优先级排序不仅考虑到每个控制指令的紧急性、重要性和复杂性，还需要考虑整个多摇杆系统的协调和效率。优先级序列标识是对这一排序结果的量化表达，帮助系统决定在不同情况下应该采取哪些行动。基于优先级序列标识，对每个摇杆的初始控制指令进行冲突处理。在多摇杆系统中，不同摇杆的控制指令会相互冲突，例如两个机械臂被指令同时移动到同一个位置。冲突处理的目的是解决这些潜在的冲突，确保系统的整体运行是协调和高效的。这涉及到重新调整某些控制指令的执行顺序、修改指令参数或者在必要时暂停某些操作。通过冲突处理，确保最终得到的每个摇杆的目标控制指令既能实现预定的操控目标，又能保持系统的稳定和安全。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）通过多摇杆系统分别执行每个摇杆的目标控制指令，并对多摇杆有限元模型进行热-结构耦合分析，得到每个摇杆的初始变形预测数据；
（2）分别对每个摇杆的初始变形预测数据进行数据清洗和野值处理，得到每个摇杆的温度结构变形预测数据；
（3）分别对多摇杆有限元模型进行功耗分析，得到每个摇杆的初始功耗数据；
（4）分别对每个摇杆的初始功耗数据进行数据清洗和数据尺度处理，得到每个摇杆的功耗预测数据。
具体的，多摇杆系统根据既定的目标控制指令执行相应的操作，这些操作包括摇杆的转动、移动或其他机械动作。执行这些控制指令的过程中，记录每个摇杆的响应情况，包括其运动轨迹、速度、加速度等关键参数。这些实时数据提供了摇杆实际工作状态的直接反馈。为了预测每个摇杆在实际工作中遇到的结构问题，如变形或损伤，对多摇杆系统进行热-结构耦合分析。通过模拟摇杆在受热和受力情况下的响应，来预测其的结构变形。例如，如果一个摇杆在持续高负载或高速运转的情况下工作，它会因为热膨胀而发生变形。热-结构耦合分析通过将热力学和结构力学的原理结合起来，可以准确地预测这些变形。这些分析得到的初始变形预测数据是对每个摇杆未来状态的一个估计，但这些数据包含一些不准确或异常的信息，因此需要进行数据清洗和野值处理。数据清洗涉及到去除那些非代表性或错误的数据，而野值处理则专注于识别和校正那些异常的数据点，确保得到的温度结构变形预测数据既准确又可靠。同时，为了评估每个摇杆在工作过程中的能源效率，对多摇杆有限元模型进行功耗分析。功耗分析旨在预测摇杆在不同操作条件下的能耗情况。例如，一个重负载的摇杆消耗更多的能量，而一个高效率的摇杆设计则能够减少能源消耗。功耗分析通过计算每个摇杆在操作过程中的电力、热能或其他形式的能量消耗，为评估和优化系统的能效提供了基础。得到的初始功耗数据提供了每个摇杆能耗的初步估计，但与变形预测数据类似，这些功耗数据也需要经过数据清洗和数据尺度处理。这包括标准化数据的范围，以便于不同摇杆之间的比较，以及清除那些非典型或错误的数据记录。这样处理后得到的功耗预测数据不仅更加准确，也更适合于后续的分析和决策过程。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行曲线拟合，得到每个摇杆的温度结构变形预测曲线以及功耗预测曲线；
（2）对每个摇杆的温度结构变形预测曲线进行曲线特征点识别，得到多个第一曲线特征点，并对每个摇杆的功耗预测曲线进行曲线特征点识别，得到多个第二曲线特征点；
（3）对多个第一曲线特征点进行主成分分析，得到多个第一目标特征点，并对多个第一目标特征点进行向量编码，得到每个摇杆的温度结构变形特征向量；
（4）对多个第二曲线特征点进行主成分分析，得到多个第二目标特征点，并对多个第二目标特征点进行向量编码，得到每个摇杆的功耗特征向量。
具体的，对每个摇杆的温度结构变形预测数据及功耗预测数据进行曲线拟合，可视化这些数据随时间的变化趋势。曲线拟合是一种将散乱数据点通过数学函数模型连接起来的方法，可以帮助识别数据的整体趋势和模式。例如，在一个复杂的机械系统中，摇杆在长时间运行或在高负载下工作时，其温度和结构会发生变化，而功耗也随之增加。通过曲线拟合，得到每个摇杆的温度结构变形预测曲线和功耗预测曲线，这些曲线提供了一种直观的方式来观察和分析这些变化。对预测曲线进行特征点的识别。特征点识别是一种从曲线中提取关键信息的技术，侧重于找到曲线上具有代表性的点，如极大值点、极小值点或拐点。这些特征点可以揭示曲线的重要特性，例如温度结构变形预测曲线上的某个极大值点表明在特定条件下摇杆出现过度变形的风险。同样，功耗预测曲线上的特征点也可以揭示在何种操作条件下摇杆的能耗最高。通过识别这些第一和第二曲线特征点，更深入地理解摇杆在不同工作条件下的性能。对曲线特征点进行主成分分析（PCA）。PCA是一种常用的数据降维技术，通过找到数据中的主要变化方向来减少数据的复杂性，同时尽保留最重要的信息。对第一和第二曲线特征点进行PCA，从大量的数据点中提取出最关键的信息，得到第一和第二目标特征点。对目标特征点进行向量编码，将提取的特征转换为适合计算和分析的形式的过程。向量编码涉及到将特征点转换为数值向量，这些向量可以被用于各种算法和模型中，以进行进一步的分析和预测。例如，摇杆的温度结构变形特征向量可以用于预测在未来某个时间点摇杆是否出现结构故障，而功耗特征向量则可以用于评估在不同操作条件下摇杆的能效表现。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）对每个摇杆的温度结构变形特征向量以及功耗特征向量进行向量拼接，得到每个摇杆的目标拼接特征向量；
（2）分别将每个摇杆的目标拼接特征向量输入预置的多摇杆故障预测模型，多摇杆故障预测模型包括多个第一门限循环网络、多个第二门限循环网络、第一全连接层和第二全连接层；
（3）通过多个第一门限循环网络分别对每个摇杆的目标拼接特征向量进行低维隐藏特征提取，得到每个第一门限循环网络输出的第一隐藏特征向量；
（4）通过多个第二门限循环网络分别对每个第一门限循环网络输出的第一隐藏特征向量进行高维隐藏特征提取，得到每个第二门限循环网络输出的第二隐藏特征向量；
（5）通过第一全连接层对每个第二门限循环网络输出的第二隐藏特征向量进行向量融合，得到融合隐藏特征向量；
（6）通过第二全连接层对融合隐藏特征向量进行多摇杆故障预测，得到多摇杆故障预测概率，并根据多摇杆故障预测概率生成对应的多摇杆故障预测结果；
（7）通过预置的遗传算法根据多摇杆故障预测结果定义对应的优化目标，并根据优化目标对初始多摇杆控制策略进行策略优化，得到多摇杆系统的目标多摇杆控制策略。
具体的，对每个摇杆的温度结构变形特征向量和功耗特征向量进行向量拼接，以形成一个综合的特征表示，确保在后续的故障预测分析中，每个摇杆的所有关键特性都被充分考虑。将目标拼接特征向量输入预置的多摇杆故障预测模型中，该模型是一个复杂的深度神经网络，包括多个第一门限循环网络（Threshold Recurrent Networks, TRN），多个第二门限循环网络，以及第一和第二全连接层。这些网络层级的设置是为了在不同层次上提取和处理特征数据，从而更准确地进行故障预测。第一门限循环网络主要负责对每个摇杆的目标拼接特征向量进行低维隐藏特征提取，从原始的高维度数据中提炼出最关键的信息，而第一隐藏特征向量则是这些信息的紧凑表示。然后，将第一隐藏特征向量输入第二门限循环网络中，进行更深层次的高维隐藏特征提取，进一步加深和细化特征的表示，使得提取出的特征能够更全面和深入地反映摇杆的运行状态。通过第一全连接层对这些第二隐藏特征向量进行向量融合，将不同摇杆的特征信息整合在一起，形成一个统一的融合隐藏特征向量。这种融合有助于模型更好地理解和分析整个多摇杆系统的整体运行状态。通过第二全连接层对这些融合隐藏特征向量进行多摇杆故障预测。基于融合的特征数据来预测系统中出现的故障，并生成相应的故障预测概率。这个概率反映了系统中某个部分或某个摇杆出现故障的性大小。根据这些故障预测概率，生成具体的多摇杆故障预测结果，为后续的决策提供了重要依据。根据故障预测结果优化控制策略采用预置的遗传算法来定义相应的优化目标。遗传算法是一种受自然选择启发的优化算法，通过模拟生物进化中的选择、交叉和变异等过程来迭代地改进解决方案。遗传算法根据故障预测结果来调整初始多摇杆控制策略，以期达到更优的控制效果。这种优化过程涉及到改变摇杆的运动序列、调整速度或力度，或者引入新的控制参数，以提高系统的可靠性和效率。通过优化过程，最终得到了一个更为精确和有效的多摇杆系统控制策略，这个策略不仅考虑了系统当前的运行状态和潜在的故障风险，还优化了系统的整体性能和效率。
上面对本申请实施例中多摇杆控制方法进行了描述，下面对本申请实施例中多摇杆控制装置进行描述，请参阅图2，本申请实施例中多摇杆控制装置一个实施例包括：
控制模块201，用于对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
处理模块202，用于通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
排序模块203，用于根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
分析模块204，用于分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
编码模块205，用于分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
预测模块206，用于将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略。
通过上述各个组成部分的协同合作，通过使用有限元分析和仿真协同控制，能够提前预测和模拟多摇杆系统的动态响应，从而优化摇杆的控制信号，提高系统的响应精度和控制效率。时空注意力自编码器对摇杆控制信号的处理不仅能够捕捉动态空间关联性和时序依赖性，而且能够根据实时数据自动调整，增强系统对变化环境的适应能力。通过对控制指令进行优先级排序和冲突处理，确保了在多摇杆协作时，各摇杆的指令能够高效、有序执行，减少指令冲突，提高系统整体性能。热-结构耦合分析和功耗分析能够预测每个摇杆出现的问题，如过热或结构变形，从而提前进行维护或调整，减少系统故障和停机时间，提高了系统的可靠性和安全性。特征提取和向量编码能够有效地从大量数据中提取关键信息，为系统故障预测和控制策略的优化提供数据支持，提高决策的准确性和效率。通过将故障预测结果反馈到控制策略中，并利用遗传算法进行优化，能够实现控制策略的动态自我优化，随着时间的推移不断提高系统性能，进而提高了多摇杆控制的准确率。
本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述多摇杆控制方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述多摇杆控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种多摇杆控制方法，其特征在于，所述多摇杆控制方法包括：
对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略。
2.根据权利要求1所述的多摇杆控制方法，其特征在于，所述对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合，包括：
通过ANSYS软件对预置的多摇杆系统进行多摇杆结构、材料特性和边界条件分析，得到所述多摇杆系统的初始有限元模型；
对所述初始有限元模型进行摇杆部位分区，得到所述初始有限元模型中每个摇杆的摇杆部位分区结果；
根据所述摇杆部位分区结果分别对所述初始有限元模型中每个摇杆进行网格划分，得到多摇杆有限元模型；
基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，并分别对所述多摇杆有限元模型中的每个摇杆进行信号获取，得到每个摇杆的初始摇杆控制信号集合；
分别对每个摇杆的初始摇杆控制信号集合进行信号滤波处理，生成每个摇杆的目标摇杆控制信号集合。
3.根据权利要求1所述的多摇杆控制方法，其特征在于，所述通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据，包括：
分别对每个摇杆的目标摇杆控制信号集合进行标准化处理，得到每个摇杆的标准摇杆控制信号集合；
分别将每个摇杆的标准摇杆控制信号集合输入预置的时空注意力自编码器，并通过所述时空注意力自编码器对所述标准摇杆控制信号集合进行注意力权重计算，得到每个摇杆的注意力控制信号集合；
通过所述时空注意力自编码器分别对每个摇杆的注意力控制信号集合进行信号特征动态空间关联性编码，得到每个摇杆的编码控制特征集合；
通过所述时空注意力自编码器分别对每个摇杆的编码控制特征集合进行信号特征时序依赖性解码，生成每个摇杆的摇杆操控意图特征数据。
4.根据权利要求1所述的多摇杆控制方法，其特征在于，所述根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令，包括：
通过预置的决策算法对所述摇杆操控意图特征数据进行控制指令转换，生成每个摇杆的初始控制指令；
分别对每个摇杆的初始控制指令进行紧急性评分，得到每个摇杆的紧急性评分数据，并分别对每个摇杆的初始控制指令进行重要性评分，得到每个摇杆的重要性评分数据，以及分别对每个摇杆的初始控制指令进行复杂性评分，得到每个摇杆的复杂性评分数据；
根据所述紧急性评分数据、所述重要性评分数据以及所述复杂性评分数据分别对每个摇杆的初始控制指令进行优先级排序，得到每个初始控制指令的优先级序列标识；
基于所述优先级序列标识对每个摇杆的初始控制指令进行冲突处理，得到每个摇杆的目标控制指令。
5.根据权利要求1所述的多摇杆控制方法，其特征在于，所述分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据，包括：
通过所述多摇杆系统分别执行每个摇杆的目标控制指令，并对所述多摇杆有限元模型进行热-结构耦合分析，得到每个摇杆的初始变形预测数据；
分别对每个摇杆的初始变形预测数据进行数据清洗和野值处理，得到每个摇杆的温度结构变形预测数据；
分别对所述多摇杆有限元模型进行功耗分析，得到每个摇杆的初始功耗数据；
分别对每个摇杆的初始功耗数据进行数据清洗和数据尺度处理，得到每个摇杆的功耗预测数据。
6.根据权利要求1所述的多摇杆控制方法，其特征在于，所述分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量，包括：
分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行曲线拟合，得到每个摇杆的温度结构变形预测曲线以及功耗预测曲线；
对每个摇杆的温度结构变形预测曲线进行曲线特征点识别，得到多个第一曲线特征点，并对每个摇杆的功耗预测曲线进行曲线特征点识别，得到多个第二曲线特征点；
对所述多个第一曲线特征点进行主成分分析，得到多个第一目标特征点，并对所述多个第一目标特征点进行向量编码，得到每个摇杆的温度结构变形特征向量；
对所述多个第二曲线特征点进行主成分分析，得到多个第二目标特征点，并对所述多个第二目标特征点进行向量编码，得到每个摇杆的功耗特征向量。
7.根据权利要求1所述的多摇杆控制方法，其特征在于，所述将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略，包括：
对每个摇杆的温度结构变形特征向量以及功耗特征向量进行向量拼接，得到每个摇杆的目标拼接特征向量；
分别将每个摇杆的目标拼接特征向量输入预置的多摇杆故障预测模型，所述多摇杆故障预测模型包括多个第一门限循环网络、多个第二门限循环网络、第一全连接层和第二全连接层；
通过所述多个第一门限循环网络分别对每个摇杆的目标拼接特征向量进行低维隐藏特征提取，得到每个第一门限循环网络输出的第一隐藏特征向量；
通过所述多个第二门限循环网络分别对每个第一门限循环网络输出的第一隐藏特征向量进行高维隐藏特征提取，得到每个第二门限循环网络输出的第二隐藏特征向量；
通过所述第一全连接层对每个第二门限循环网络输出的第二隐藏特征向量进行向量融合，得到融合隐藏特征向量；
通过所述第二全连接层对所述融合隐藏特征向量进行多摇杆故障预测，得到多摇杆故障预测概率，并根据所述多摇杆故障预测概率生成对应的多摇杆故障预测结果；
通过预置的遗传算法根据所述多摇杆故障预测结果定义对应的优化目标，并根据所述优化目标对所述初始多摇杆控制策略进行策略优化，得到所述多摇杆系统的目标多摇杆控制策略。
8.一种多摇杆控制装置，其特征在于，所述多摇杆控制装置包括：
控制模块，用于对预置的多摇杆系统进行有限元分析，得到多摇杆有限元模型，并基于预置的初始多摇杆控制策略对所述多摇杆有限元模型进行多摇杆仿真协同控制，生成每个摇杆的目标摇杆控制信号集合；
处理模块，用于通过预置的时空注意力自编码器分别对每个摇杆的目标摇杆控制信号集合进行动态空间关联性和时序依赖性捕捉，生成每个摇杆的摇杆操控意图特征数据；
排序模块，用于根据所述摇杆操控意图特征数据生成每个摇杆的初始控制指令，并对每个摇杆的初始控制指令进行优先级排序和冲突处理，得到每个摇杆的目标控制指令；
分析模块，用于分别执行每个摇杆的目标控制指令并对所述多摇杆有限元模型进行热-结构耦合分析和功耗分析，得到每个摇杆的温度结构变形预测数据以及功耗预测数据；
编码模块，用于分别对每个摇杆的温度结构变形预测数据以及功耗预测数据进行特征提取和向量编码，得到每个摇杆的温度结构变形特征向量以及功耗特征向量；
预测模块，用于将每个摇杆的温度结构变形特征向量以及功耗特征向量输入预置的多摇杆故障预测模型进行多摇杆故障预测，得到多摇杆故障预测结果，并根据所述多摇杆故障预测结果创建所述多摇杆系统的目标多摇杆控制策略。
9.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-7中任一项所述的多摇杆控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的多摇杆控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145154.3A CN117687307B (zh) | 2024-02-02 | 2024-02-02 | 一种多摇杆控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145154.3A CN117687307B (zh) | 2024-02-02 | 2024-02-02 | 一种多摇杆控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117687307A true CN117687307A (zh) | 2024-03-12 |
| CN117687307B CN117687307B (zh) | 2024-04-26 |
Family
ID=90132355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410145154.3A Active CN117687307B (zh) | 2024-02-02 | 2024-02-02 | 一种多摇杆控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117687307B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130312681A1 (en) * | 2010-03-19 | 2013-11-28 | Eaton Corporation | Rocker assembly having improved durability |
| CN103792956A (zh) * | 2014-01-26 | 2014-05-14 | 三一汽车制造有限公司 | 智能臂空间运动控制方法及装置 |
| US20170016644A1 (en) * | 2015-07-13 | 2017-01-19 | Tata Consultancy Services Limited | Method and system to optimize energy consumption in a zone with a multi-air handling unit (ahu) setup |
| CN110383199A (zh) * | 2018-03-21 | 2019-10-25 | 深圳市大疆创新科技有限公司 | 一种多摇杆控制方法、云台及系统 |
| CN111609851A (zh) * | 2020-05-28 | 2020-09-01 | 北京理工大学 | 一种移动型导盲机器人系统及导盲方法 |
| WO2021056359A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 摇杆校准方法、遥控终端及计算机可读存储介质 |
| US20210365635A1 (en) * | 2020-05-22 | 2021-11-25 | Capital One Services, Llc | Joint intent and entity recognition using transformer models |
| CN114118149A (zh) * | 2021-11-24 | 2022-03-01 | 上海交通大学 | 基于有限元仿真和对称特征迁移的感应电机故障诊断系统 |
| WO2022204445A1 (en) * | 2021-03-24 | 2022-09-29 | Icarus Medical, LLC | Unloading knee brace apparatus with conforming and distracting hinge |
| CN115293022A (zh) * | 2022-04-24 | 2022-11-04 | 北京航空航天大学 | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 |
| CN115892465A (zh) * | 2022-11-16 | 2023-04-04 | 西北工业大学 | 一种分布柔度式扑翼驱动机构及其设计方法 |
-
2024
- 2024-02-02 CN CN202410145154.3A patent/CN117687307B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130312681A1 (en) * | 2010-03-19 | 2013-11-28 | Eaton Corporation | Rocker assembly having improved durability |
| CN103792956A (zh) * | 2014-01-26 | 2014-05-14 | 三一汽车制造有限公司 | 智能臂空间运动控制方法及装置 |
| US20170016644A1 (en) * | 2015-07-13 | 2017-01-19 | Tata Consultancy Services Limited | Method and system to optimize energy consumption in a zone with a multi-air handling unit (ahu) setup |
| CN110383199A (zh) * | 2018-03-21 | 2019-10-25 | 深圳市大疆创新科技有限公司 | 一种多摇杆控制方法、云台及系统 |
| WO2021056359A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 摇杆校准方法、遥控终端及计算机可读存储介质 |
| US20210365635A1 (en) * | 2020-05-22 | 2021-11-25 | Capital One Services, Llc | Joint intent and entity recognition using transformer models |
| CN111609851A (zh) * | 2020-05-28 | 2020-09-01 | 北京理工大学 | 一种移动型导盲机器人系统及导盲方法 |
| WO2022204445A1 (en) * | 2021-03-24 | 2022-09-29 | Icarus Medical, LLC | Unloading knee brace apparatus with conforming and distracting hinge |
| CN114118149A (zh) * | 2021-11-24 | 2022-03-01 | 上海交通大学 | 基于有限元仿真和对称特征迁移的感应电机故障诊断系统 |
| CN115293022A (zh) * | 2022-04-24 | 2022-11-04 | 北京航空航天大学 | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 |
| CN115892465A (zh) * | 2022-11-16 | 2023-04-04 | 西北工业大学 | 一种分布柔度式扑翼驱动机构及其设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117687307B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
| Paolanti et al. | Machine learning approach for predictive maintenance in industry 4.0 | |
| Jia et al. | Wind turbine performance degradation assessment based on a novel similarity metric for machine performance curves | |
| Kuehn | Digital twins for decision making in complex production and logistic enterprises | |
| CN111160687B (zh) | 主动资产监控 | |
| US20170372224A1 (en) | Deep learning for imputation of industrial multivariate time-series | |
| Louen et al. | A new framework for remaining useful life estimation using support vector machine classifier | |
| Jin et al. | CPS-enabled worry-free industrial applications | |
| Maged et al. | Uncertainty utilization in fault detection using Bayesian deep learning | |
| Baek | An intelligent condition‐based maintenance scheduling model | |
| CN117687307B (zh) | 一种多摇杆控制方法、装置、设备及存储介质 | |
| Garcia et al. | Integrated state awareness through secure embedded intelligence in nuclear systems: Opportunities and implications | |
| Ferraro et al. | A novel approach for predictive maintenance combining GAF encoding strategies and deep networks | |
| CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| CN117312208A (zh) | Io模块多适配器控制方法、装置、设备及存储介质 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Cohen et al. | Machine learning for diagnosis of event synchronization faults in discrete manufacturing systems | |
| Khalid et al. | Early cost estimation of software reworks using fuzzy requirement-based model | |
| CN115936303A (zh) | 基于机器学习模型进行暂态电压安全分析方法 | |
| EP4075219A1 (en) | System and method of monitoring an industrial environment | |
| Wan et al. | A hybrid CNN-BiLSTM and Wiener process-based prediction approach of remaining useful life for rolling bearings | |
| CN111650898B (zh) | 具备高容错性能的集散控制系统及方法 | |
| Sharanya | A cyber physical system framework for industrial predictive maintenance using machine learning | |
| JP2022113534A (ja) | 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム | |
| CN117556753B (zh) | 存储芯片的能耗分析方法、装置、设备及存储介质 |
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 |