CN117792190A - 一种高精度电机驱动方法 - Google Patents
一种高精度电机驱动方法 Download PDFInfo
- Publication number
- CN117792190A CN117792190A CN202311819792.0A CN202311819792A CN117792190A CN 117792190 A CN117792190 A CN 117792190A CN 202311819792 A CN202311819792 A CN 202311819792A CN 117792190 A CN117792190 A CN 117792190A
- Authority
- CN
- China
- Prior art keywords
- motor
- control
- model
- layer
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000005355 Hall effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种高精度电机驱动方法，涉及电机驱动领域，解决的是电机驱动方法控制精度不高和运行效率和效果差的问题，首先检测电机类型和实时运行参数，并传输至物联网平台进行存储、分析和处理，然后对电机运行状态进行判断和初始化控制参数，然后通过机器学习引擎构建所述高精度电机驱动模型，然后采用所述高精度电机驱动模型和初始化控制参数对电机进行驱动控制，并采用闭环控制模型对电机的运行进行实时调整和优化，最好通过远程可视化控制平台进行电机驱动远程控制和监测；本发明结合物联网平台、机器学习和无线传感器网络，实现对电机驱动的智能化控制，具有高实时性和准确性。
Description
技术领域
本发明涉及电机驱动领域，且更具体地涉及一种高精度电机驱动方法。
背景技术
随着现代电子技术的快速发展和生产效率的不断提高，电机驱动系统的应用越来越广泛，然而，在电机驱动的过程中，由于传动链结构复杂、传动力矩受到影响等因素，可能会使得电机驱动过程中出现误差，从而影响其精度和可靠性。传统的电机控制方法往往只能实现对电机的基本控制，如启停、正反转等，而无法满足对电机运行精度和效率的要求。高精度电机驱动方法已经成为了工业自动化、航空航天、机器人等领域中不可或缺的技术手段。
传统的电机控制方法需要大量的手动调整和优化，对于不同的电机系统需要不同的控制参数，增加了维护成本。现有的电机控制方法采用开环控制，容易受到外部环境和干扰的影响，控制精度不高。传统的电机控制方法通常依赖于稳态解析，即根据电机的稳态模型进行控制，无法考虑电机系统的实时变化和非线性特性。传统的电机驱动方法的通讯技术和数据处理能力较低，无法实现远程控制和实时监测，运行效率和效果不理想。传统的电机控制方法无法实现与其他设备的联动控制，无法实现智能化的自动化控制。
因此，本发明公开了一种高精度电机驱动方法，结合物联网平台、机器学习和无线传感器网络，实现对电机驱动的智能化控制，具有高实时性和准确性。
发明内容
针对现有技术的不足，本发明公开了一种高精度电机驱动方法，结合物联网平台、机器学习和无线传感器网络，实现对电机驱动的智能化控制，具有高实时性和准确性。通过无线传感器网络实时采集电机运行参数，包括电机的转速、转角、转矩、加速度、电流和电压等。相较于传统方法只能采集少量关键参数，该方法可以获取更为全面的电机性能数据，从而提高了精度；通过自监督表征学习方法判断当前电机运行状态，具有更强的智能化和自适应性；利用增量式自适应预测控制算法构建高精度电机驱动模型。与传统的PID控制相比，该算法具有更好的鲁棒性和追踪性能，在不同负载条件下都能够保持较好的控制效果；采用闭环控制模型对电机的运行进行实时调整和优化，包括位置控制单元、速度控制单元、力矩控制单元和反馈控制单元。这些单元相互协作，能够更加精确地控制电机的运行状态，提高了驱动精度；提供了远程可视化控制平台，可以方便地对电机进行远程控制和监测。这种方式可以极大地方便用户的使用，并且能够及时获取电机性能数据，保证了设备的稳定运行；自动化、智能化程度高。
本发明采用以下技术方案：
一种高精度电机驱动方法，包括以下步骤：
步骤一、检测电机类型和实时运行参数；
通过无线传感器网络实时采集电机运行参数，并基于电机运行电流和电压识别电机类型，所述电机运行参数至少包括电机的转速、转角、转矩、加速度、电流和电压，所述无线传感器网络包括磁角度编码器、超声波测距仪和霍尔效应传感器，所述电机运行参数通过控制器区域网络传输至物联网平台进行存储、分析和处理；
步骤二、电机运行状态判断和控制参数初始化；
所述物联网平台通过自监督表征学习方法判断当前电机运行状态，并根据电机类型、所述当前电机运行状态和实时运行参数初始化控制参数，所述当前电机运行状态包括起动、加速、减速和停止；
步骤三、构建高精度电机驱动模型；
所述物联网平台通过机器学习引擎构建所述高精度电机驱动模型，所述机器学习引擎包括特征提取模块、模型构建模块、模型训练模块、模型优化模块和模型运行模块，所述特征提取模块的输出端与所述模型构建模块的输入端连接，所述模型构建模块的输出端与所述模型训练模块的输入端连接，所述模型训练模块的输出端与所述模型优化模块的输入端连接，所述模型优化模块的输出端与所述模型运行模块的输入端连接；
步骤四、高精度电机驱动控制；
采用所述高精度电机驱动模型和初始化控制参数对电机进行驱动控制，并采用闭环控制模型对电机的运行进行实时调整和优化，所述闭环控制模型包括位置控制单元、速度控制单元、力矩控制单元和反馈控制单元，所述位置控制单元、速度控制单元和力矩控制单元与所述反馈控制单元进行双向连接；
步骤五、电机驱动远程控制和监测，通过远程可视化控制平台进行电机驱动远程控制和监测。
作为本发明进一步的技术方案，所述自监督表征学习方法包括输入层、卷积层、池化层、自适应参数调节层、全连接层、时间序列层、隐藏层和输出层，所述自监督表征学习方法包括以下步骤：
S1、通过所述输入层接收实时所述电机运行参数，并对输入数据进行清洗和归一化处理操作；
S2、通过所述卷积层对输入数据进行卷积运算，并通过所述池化层对所述卷积层的输出数据进行降维处理，所述卷积层通过卷积核提取数据特征，所述池化层通过降采样方式压缩计算量；
S3、所述自适应参数调节层根据电机实时运行参数动态地调节判断的参数和权重；
S5、通过所述全连接层将池化后的特征进行深度提取，所述全连接层采用标准神经网络对输入向量进行加权和求和运算；
S6、通过所述时间序列层将电机运行参数转化为时间序列数据，所述时间序列层通过长短句时间序列模型LSTM捕捉特征的时间相关性；
S7、通过所述隐藏层进行特征的非线性映射，所述隐藏层通过自编码器、对比学习和预训练网络进行特征学习；
S8、通过所述输出层将经过隐藏层处理后的结果进行分类或回归操作，并对当前电机的运行状态判断结果进行输出。
作为本发明进一步的技术方案，所述特征提取模块采用数字信号处理器提取电机运行特征，所述电机运行特征包括频率特征、振幅特征和功率谱特征，所述模型构建模块基于增量式自适应预测控制算法构建所述高精度电机驱动模型，所述模型训练模块基于训练样本数据和历史数据训练所述高精度电机驱动模型，所述模型优化模块通过反馈机制和在线学习方式优化所述高精度电机驱动模型，所述模型运行模块通过将训练好的电机驱动模型部署至所述物联网平台进行控制指令输出。
作为本发明进一步的技术方案，所述增量式自适应预测控制算法的工作方法包括以下步骤：
步骤1、输入初始电机运行状态向量x(0)、初始化控制参数向量u(0)以及初始状态估计误差协方差矩阵P(0)，所述初始状态估计误差协方差矩阵P(0)的输出函数公式为：
在公式(1)中，x(0)为初始电机运行状态向量，为初始电机运行状态向量的估计值，E为初始电机运行状态向量期望值，^T表示矩阵的转置运算；
步骤2、根据k时刻的电机运行状态向量x(k)、k时刻的控制参数向量u(k)和状态方程，计算k+1时刻预测电机运行状态向量x(k+1)，状态方程表示为：
在公式(2)中，x(k+1)为k+1时刻预测电机运行状态向量，x(k)为电机运行状态向量，u(k)为控制参数向量，w(k)为过程噪声，A为电机运行状态向量预测权重矩阵，B为控制参数向量预测权重矩阵，G为过程噪声系数矩阵；
步骤3、根据k+1时刻测量方程和电机运行状态测量向量y(k+1)，更新k+1时刻电机运行状态向量x'(k+1)和k+1时刻状态估计误差协方差矩阵P(k+1)，测量方程表示为：
在公式(3)中，x'(k+1)为k+1时刻电机运行状态更新向量，v(k+1)为k+1时刻测量噪声，P(k+1)为k+1时刻状态估计误差协方差矩阵，C为k+1时刻电机运行状态向量更新矩阵；
步骤4、采用加权距离方式计算预测结果和测量结果之间的距离，并根据加权距离计算卡尔曼增益，计算公式为：
在公式(4)中，K(k+1)为k+1时刻电机运行状态更新的卡尔曼增益，R为测量噪声协方差矩阵；
步骤5、基于更新后的状态估计误差协方差矩阵和控制参数权重矩阵，计算控制参数向量的公式为：
在公式(5)中，u(k+1)为k+1时刻控制参数向量。
作为本发明进一步的技术方案，所述位置控制单元、速度控制单元和力矩控制单元通过分布式并行方式对电机驱动进行控制，所述位置控制单元通过磁性旋转角度传感器和增量式编码器对电机轴的位置和角度进行控制，所述速度控制单元采用滑模观测器和脉宽调制控制电机的转速，所述力矩控制单元通过电子调速器和变频器控制电机的输出力矩，所述反馈控制单元通过实时反馈控制电路对电机的运行状态进行反馈控制。
作为本发明进一步的技术方案，所述实时反馈控制电路通过反馈传感器节点实时检测电机的输出电压、电流和转速，并通过运算放大器对传感器的检测信号进行放大和滤波，所述实时反馈控制电路通过比较器将实际输出状态与期望输出状态进行比较得到误差信号，并将所述误差信号输入至高精度电机驱动模型生成反馈控制指令，所述反馈控制指令通过电机驱动器转换为电机驱动信号进行电机反馈控制驱动。
作为本发明进一步的技术方案，所述远程可视化控制平台通过高速无线通讯网络进行电机远程驱动控制，并采用交互式图表、热点图和仪表板实现电机驱动过程的实时数据监控，所述高速无线通讯网络通过物理层、数据链路层和网络层协议接收电机状态数据，并输出控制指令，所述远程可视化控制平台采用Token用户身份验证机制验证访问用户的身份。
积极有益效果：
本发明公开了一种高精度电机驱动方法，结合物联网平台、机器学习和无线传感器网络，实现对电机驱动的智能化控制，具有高实时性和准确性。通过无线传感器网络实时采集电机运行参数，包括电机的转速、转角、转矩、加速度、电流和电压等。相较于传统方法只能采集少量关键参数，该方法可以获取更为全面的电机性能数据，从而提高了精度；通过自监督表征学习方法判断当前电机运行状态，具有更强的智能化和自适应性；利用增量式自适应预测控制算法构建高精度电机驱动模型。与传统的PID控制相比，该算法具有更好的鲁棒性和追踪性能，在不同负载条件下都能够保持较好的控制效果；采用闭环控制模型对电机的运行进行实时调整和优化，包括位置控制单元、速度控制单元、力矩控制单元和反馈控制单元。这些单元相互协作，能够更加精确地控制电机的运行状态，提高了驱动精度；提供了远程可视化控制平台，可以方便地对电机进行远程控制和监测。这种方式可以极大地方便用户的使用，并且能够及时获取电机性能数据，保证了设备的稳定运行；自动化、智能化程度高。
附图说明
图1为本发明一种高精度电机驱动方法的整体流程示意图；
图2为本发明一种高精度电机驱动方法中机器学习引擎的整体架构图；
图3为本发明一种高精度电机驱动方法中闭环控制模型的模型架构图；
图4为本发明一种高精度电机驱动方法中自监督表征学习方法的整体流程示意图；
图5为本发明一种高精度电机驱动方法中增量式自适应预测控制算法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
一种高精度电机驱动方法，包括以下步骤：
步骤一、检测电机类型和实时运行参数；
通过无线传感器网络实时采集电机运行参数，并基于电机运行电流和电压识别电机类型，所述电机运行参数至少包括电机的转速、转角、转矩、加速度、电流和电压，所述无线传感器网络包括磁角度编码器、超声波测距仪和霍尔效应传感器，所述电机运行参数通过控制器区域网络传输至物联网平台进行存储、分析和处理；
步骤二、电机运行状态判断和控制参数初始化；
所述物联网平台通过自监督表征学习方法判断当前电机运行状态，并根据电机类型、所述当前电机运行状态和实时运行参数初始化控制参数，所述当前电机运行状态包括起动、加速、减速和停止；
步骤三、构建高精度电机驱动模型；
所述物联网平台通过机器学习引擎构建所述高精度电机驱动模型，所述机器学习引擎包括特征提取模块、模型构建模块、模型训练模块、模型优化模块和模型运行模块，所述特征提取模块的输出端与所述模型构建模块的输入端连接，所述模型构建模块的输出端与所述模型训练模块的输入端连接，所述模型训练模块的输出端与所述模型优化模块的输入端连接，所述模型优化模块的输出端与所述模型运行模块的输入端连接；
步骤四、高精度电机驱动控制；
采用所述高精度电机驱动模型和初始化控制参数对电机进行驱动控制，并采用闭环控制模型对电机的运行进行实时调整和优化，所述闭环控制模型包括位置控制单元、速度控制单元、力矩控制单元和反馈控制单元，所述位置控制单元、速度控制单元和力矩控制单元与所述反馈控制单元进行双向连接；
步骤五、电机驱动远程控制和监测，通过远程可视化控制平台进行电机驱动远程控制和监测。
在上述实施例中，所述自监督表征学习方法包括输入层、卷积层、池化层、自适应参数调节层、全连接层、时间序列层、隐藏层和输出层，所述自监督表征学习方法包括以下步骤：
S1、通过所述输入层接收实时所述电机运行参数，并对输入数据进行清洗和归一化处理操作；
S2、通过所述卷积层对输入数据进行卷积运算，并通过所述池化层对所述卷积层的输出数据进行降维处理，所述卷积层通过卷积核提取数据特征，所述池化层通过降采样方式压缩计算量；
S3、所述自适应参数调节层根据电机实时运行参数动态地调节判断的参数和权重；
S5、通过所述全连接层将池化后的特征进行深度提取，所述全连接层采用标准神经网络对输入向量进行加权和求和运算；
S6、通过所述时间序列层将电机运行参数转化为时间序列数据，所述时间序列层通过长短句时间序列模型LSTM捕捉特征的时间相关性；
S7、通过所述隐藏层进行特征的非线性映射，所述隐藏层通过自编码器、对比学习和预训练网络进行特征学习；
S8、通过所述输出层将经过隐藏层处理后的结果进行分类或回归操作，并对当前电机的运行状态判断结果进行输出。
在具体实施例中，机运行状态判断和控制参数初始化的具体步骤如下：自监督表征学习方法判断电机当前的运行状态。该方法通过输入当前电机运行参数，例如电流、转速等，经过卷积层、池化层和全连接层等处理，提取出电机运行状态的特征，并将这些特征输入到时间序列层进行序列建模和判断。根据这些特征，可以判断电机当前的运行状态，包括起动、加速、减速和停止等。根据电机类型、当前运行状态、实时运行参数和自监督表征学习方法得出的特征，初始化高精度电机驱动模型的控制参数。这个过程可以看作是将电机驱动模型的参数根据不同的电机类型和运行状态进行设置，以保证模型可以精确地控制电机的运行。初始化过程中，需要应用自适应参数调节层来自适应地调整参数的大小和权重。同时，需要在隐藏层和输出层中加入一些非线性变换以增加模型的非线性表达能力。
通过这些步骤，物联网平台可以根据电机实时运行情况来自动判断电机当前的状态，并使用自监督表征学习方法来得出针对不同状态的高精度电机驱动模型的控制参数，从而实现对电机的精确控制。
在上述实施例中，所述特征提取模块采用数字信号处理器提取电机运行特征，所述电机运行特征包括频率特征、振幅特征和功率谱特征，所述模型构建模块基于增量式自适应预测控制算法构建所述高精度电机驱动模型，所述模型训练模块基于训练样本数据和历史数据训练所述高精度电机驱动模型，所述模型优化模块通过反馈机制和在线学习方式优化所述高精度电机驱动模型，所述模型运行模块通过将训练好的电机驱动模型部署至所述物联网平台进行控制指令输出。
在具体实施例中，所述特征提取模块通过数字信号处理器提取电机运行特征，包括频率特征、振幅特征和功率谱特征。这些特征可以反映电机的运行状态和性能，是构建高精度电机驱动模型的重要依据。所述模型构建模块采用增量式自适应预测控制算法构建高精度电机驱动模型。该算法可以根据实时反馈信息自适应地调整控制参数，并且具有较强的非线性建模能力，可以更好地处理电机系统中存在的非线性问题。所述模型训练模块基于训练样本数据和历史数据训练高精度电机驱动模型。在训练过程中，可以利用大量的数据来优化模型参数，提高其预测精度和泛化能力。所述模型优化模块通过反馈机制和在线学习方式优化高精度电机驱动模型。在实际应用中，可能会遇到新的工况或环境变化，需要不断地对模型进行更新和调整以保持其良好性能。所述模型运行模块将训练好的电机驱动模型部署至物联网平台进行控制指令输出。通过与其他设备的联动控制，可以实现智能化的自动化控制，并且实时监测电机运行状态，提高运行效率和效果。
在上述实施例中，所述增量式自适应预测控制算法的工作方法包括以下步骤：
步骤1、输入初始电机运行状态向量x(0)、初始化控制参数向量u(0)以及初始状态估计误差协方差矩阵P(0)，所述初始状态估计误差协方差矩阵P(0)的输出函数公式为：
在公式(1)中，x(0)为初始电机运行状态向量，为初始电机运行状态向量的估计值，E为初始电机运行状态向量期望值，^T表示矩阵的转置运算；
步骤2、根据k时刻的电机运行状态向量x(k)、k时刻的控制参数向量u(k)和状态方程，计算k+1时刻预测电机运行状态向量x(k+1)，状态方程表示为：
在公式(2)中，x(k+1)为k+1时刻预测电机运行状态向量，x(k)为电机运行状态向量，u(k)为控制参数向量，w(k)为过程噪声，A为电机运行状态向量预测权重矩阵，B为控制参数向量预测权重矩阵，G为过程噪声系数矩阵；
步骤3、根据k+1时刻测量方程和电机运行状态测量向量y(k+1)，更新k+1时刻电机运行状态向量x'(k+1)和k+1时刻状态估计误差协方差矩阵P(k+1)，测量方程表示为：
在公式(3)中，x'(k+1)为k+1时刻电机运行状态更新向量，v(k+1)为k+1时刻测量噪声，P(k+1)为k+1时刻状态估计误差协方差矩阵，C为k+1时刻电机运行状态向量更新矩阵；
步骤4、采用加权距离方式计算预测结果和测量结果之间的距离，并根据加权距离计算卡尔曼增益，计算公式为：
在公式(4)中，K(k+1)为k+1时刻电机运行状态更新的卡尔曼增益，R为测量噪声协方差矩阵；
步骤5、基于更新后的状态估计误差协方差矩阵和控制参数权重矩阵，计算控制参数向量的公式为：
在公式(5)中，u(k+1)为k+1时刻控制参数向量。
在具体实施例中，采用增量式自适应预测控制算法进行电机驱动控制的工作流程如下：首先，利用数字信号处理器提取电机运行特征，包括频率特征、振幅特征和功率谱特征。然后，将提取到的数据传入特征提取模块，进行数据预处理和特征提取。接下来，利用模型构建模块，以增量式自适应预测控制算法为基础构建高精度电机驱动模型。然后，通过模型训练模块，利用训练样本数据和历史数据，对构建好的高精度电机驱动模型进行训练。在训练过程中，通过模型优化模块，即反馈机制和在线学习，对模型进行优化。最后，将训练好的电机驱动模型部署至物联网平台，用于实时控制指令输出。增量式自适应预测控制算法的硬件工作环境可以有多种，以下是其中几种：
嵌入式系统：嵌入式系统是一种专门用于控制和处理实时数据的计算机系统。它通常集成了处理器、内存、输入输出接口、操作系统和应用软件等组件，可以满足增量式自适应预测控制算法对实时响应性能的要求。
数字信号处理器(DSP)：DSP是一种专门用于数字信号处理的微处理器，具有高速运算和低功耗等特点。它可以有效地提取电机运行特征，并实现增量式自适应预测控制算法的各项功能。
FPGA：FPGA是一种可编程逻辑器件，具有高度灵活性和可重构性。它可以通过编写硬件描述语言来实现增量式自适应预测控制算法，并在硬件层面上完成所需计算任务。
GPU：GPU是一种图形处理器，具有高并行计算能力。它可以加速模型训练和优化过程中的大规模矩阵计算等任务，并提高增量式自适应预测控制算法的执行效率。
云服务器：云服务器是一种基于云计算技术的虚拟化服务器，具有高度可扩展和弹性的特点。它可以为增量式自适应预测控制算法提供大规模的计算资源和存储空间，并支持在线学习和优化过程。
综上所述，增量式自适应预测控制算法的硬件工作环境可以根据具体应用场景而定，并且可以结合不同的硬件平台来实现所需功能。
实验室配置采用酷睿系列i964+128G内存电脑，应用模拟软件建立模拟环境。现场实验环境设置，模拟数据精度为95％，算法运行误差不超过2.5％，分别采用增量式自适应预测控制算法(A组)和PID控制算法(B组)进行对比实验，选取一个电机系统，对系统的转速进行控制，要求系统达到指定转速时的控制精度最高。首先，对传统的PID控制算法进行调参优化，得到最佳的PID参数。然后，使用本发明提出的增量式自适应预测控制算法，根据电机的运行状态进行自适应调整，并通过迭代过程逐步优化控制参数，直到达到最佳控制精度。对比两种算法的控制效果和精度，重复进行5次实验，记录与表1。
表1结果统计表
从表1中可以看出，增量式自适应预测控制算法的实验组A，在5次实验中表现出了更高的控制精度，且控制误差均在3％以内，而PID控制算法的实验组B，控制精度和控制误差均有所波动，且均低于增量式自适应预测控制算法的结果。通过统计学处理可以得出，增量式自适应预测控制算法在控制精度和稳定性方面的表现显著优于PID控制算法，差别具有显著性统计学意义。因此，本发明提出的增量式自适应预测控制算法在电机控制中具有更高的可靠性。
在上述实施例中，所述位置控制单元、速度控制单元和力矩控制单元通过分布式并行方式对电机驱动进行控制，所述位置控制单元通过磁性旋转角度传感器和增量式编码器对电机轴的位置和角度进行控制，所述速度控制单元采用滑模观测器和脉宽调制控制电机的转速，所述力矩控制单元通过电子调速器和变频器控制电机的输出力矩，所述反馈控制单元通过实时反馈控制电路对电机的运行状态进行反馈控制。
在具体实施例中，所述位置控制单元、速度控制单元和力矩控制单元通过分布式并行方式对电机驱动进行控制，实现了多种控制方式的协同作用，能够满足不同应用场景下的精度、速度和力矩等要求。位置控制单元：该单元采用磁性旋转角度传感器和增量式编码器对电机轴的位置和角度进行控制。磁性旋转角度传感器可以检测电机转子的绝对位置，而增量式编码器则可以监测电机轴的相对运动状态。这两个传感器可以相互协作，在不同位置上提供高精度的定位信息，从而实现对电机轴的精确定位和跟踪。速度控制单元：该单元采用滑模观测器和脉宽调制技术来控制电机的转速。滑模观测器是一种常见的非线性观测器，可以根据当前状态估计未知系统参数，并生成合适的反馈信号来保持系统稳定。脉宽调制技术则是一种常见的数字调节技术，可根据期望输出信号与实际输出信号之间的误差来调整电机转速。这两种技术可以结合使用，实现对电机转速的高精度控制。力矩控制单元：该单元采用电子调速器和变频器控制电机的输出力矩。电子调速器是一种常见的直流调节技术，可通过改变输出电压或电流来调整电机的输出力矩。变频器则是一种交流调节技术，可通过改变输出频率和相位来控制电机的输出功率。这两种技术可以结合使用，实现对电机力矩的高精度控制。反馈控制单元：该单元采用实时反馈控制电路对电机的运行状态进行反馈控制，从而保证系统具有高精度、高效率和稳定性。反馈传感器节点可以实时检测电机的输出状态，并将检测到的信号输入到运算放大器中进行放大和滤波处理。比较器可以将实际输出状态与期望输出状态进行比较得到误差信号，并将所述误差信号输入至高精度电机驱动模型生成反馈控制指令，最终驱动电机进行反馈控制。
综上所述，所述位置控制单元、速度控制单元和力矩控制单元通过分布式并行方式对电机驱动进行控制，同时采用多种高精度的传感器和调节技术，实现了对电机轴的精确定位和跟踪、对电机转速的高精度控制以及对电机输出力矩的高精度调节。同时，在反馈控制单元的支持下，整个系统具有高效率、高稳定性和高可靠性。
在上述实施例中，所述实时反馈控制电路通过反馈传感器节点实时检测电机的输出电压、电流和转速，并通过运算放大器对传感器的检测信号进行放大和滤波，所述实时反馈控制电路通过比较器将实际输出状态与期望输出状态进行比较得到误差信号，并将所述误差信号输入至高精度电机驱动模型生成反馈控制指令，所述反馈控制指令通过电机驱动器转换为电机驱动信号进行电机反馈控制驱动。
在具体实施例中，所述实时反馈控制电路的工作原理如下：首先，通过反馈传感器节点实时检测电机的输出电压、电流和转速，并将检测到的信号输入到运算放大器中进行放大和滤波。这个过程可以保证检测到的信号具有较高的精度和稳定性。然后，通过比较器将实际输出状态与期望输出状态进行比较，得到误差信号。期望输出状态通常是由高精度电机驱动模型生成的，该模型可以根据系统要求来设定期望输出状态。误差信号可以用来反映实际输出状态与期望输出状态之间的偏差。接下来，将误差信号输入到高精度电机驱动模型中进行处理和计算，生成反馈控制指令。这些指令会根据误差信号的大小和方向来调整电机驱动信号，并控制电机在一定范围内运行。最后，反馈控制指令经过转换后被送入电机驱动器中，转换为适合于特定类型电机的驱动信号，并用于驱动电机进行反馈控制。
综上所述，所述实时反馈控制电路通过反馈传感器节点实时检测电机的输出电压、电流和转速，并通过比较器将实际输出状态与期望输出状态进行比较得到误差信号，最终生成反馈控制指令并驱动电机进行反馈控制。这个过程可以保证系统具有高精度、高效率和稳定性。
在上述实施例中，所述远程可视化控制平台通过高速无线通讯网络进行电机远程驱动控制，并采用交互式图表、热点图和仪表板实现电机驱动过程的实时数据监控，所述高速无线通讯网络通过物理层、数据链路层和网络层协议接收电机状态数据，并输出控制指令，所述远程可视化控制平台采用Token用户身份验证机制验证访问用户的身份。
在具体实施例中，远程可视化控制平台通过多种技术实现，包括软件、网络和硬件等方面。首先，该平台需要借助计算机软件来实现对电机的监测和控制。通常使用的软件包括操作系统、数据库管理系统、图形界面设计工具等。这些软件可以协同工作，将电机的运行状态、参数数据和故障报警信息等实时传输到用户端，并接收用户的指令进行相应的控制和调整。其次，远程可视化控制平台需要依赖网络技术进行数据传输和通信。这里包括局域网、广域网以及互联网等网络环境。在网络层面上，平台需要采用一系列协议来确保数据传输的安全性和稳定性，例如TCP/IP协议、HTTP协议、SSL/TLS协议等。最后，在硬件方面，远程可视化控制平台需要使用各种传感器、执行器、通讯模块等设备来实现对电机的监测和控制。例如，在电机转速检测上可以使用编码器或霍尔传感器；在电机驱动上可以使用变频器或直流调速器；在通讯模块上可以使用GPRS或WIFI模块等。
总之，远程可视化控制平台的实现需要多种技术的协同作用，才能够实现对电机的远程监测和控制。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种高精度电机驱动方法，其特征在于：包括以下步骤：
步骤一、检测电机类型和实时运行参数；
通过无线传感器网络实时采集电机运行参数，并基于电机运行电流和电压识别电机类型，所述电机运行参数至少包括电机的转速、转角、转矩、加速度、电流和电压，所述无线传感器网络包括磁角度编码器、超声波测距仪和霍尔效应传感器，所述电机运行参数通过控制器区域网络传输至物联网平台进行存储、分析和处理；
步骤二、电机运行状态判断和控制参数初始化；
所述物联网平台通过自监督表征学习方法判断当前电机运行状态，并根据电机类型、所述当前电机运行状态和实时运行参数初始化控制参数，所述当前电机运行状态包括起动、加速、减速和停止；
步骤三、构建高精度电机驱动模型；
所述物联网平台通过机器学习引擎构建所述高精度电机驱动模型，所述机器学习引擎包括特征提取模块、模型构建模块、模型训练模块、模型优化模块和模型运行模块，所述特征提取模块的输出端与所述模型构建模块的输入端连接，所述模型构建模块的输出端与所述模型训练模块的输入端连接，所述模型训练模块的输出端与所述模型优化模块的输入端连接，所述模型优化模块的输出端与所述模型运行模块的输入端连接；
步骤四、高精度电机驱动控制；
采用所述高精度电机驱动模型和初始化控制参数对电机进行驱动控制，并采用闭环控制模型对电机的运行进行实时调整和优化，所述闭环控制模型包括位置控制单元、速度控制单元、力矩控制单元和反馈控制单元，所述位置控制单元、速度控制单元和力矩控制单元与所述反馈控制单元进行双向连接；
步骤五、电机驱动远程控制和监测，通过远程可视化控制平台进行电机驱动远程控制和监测。
2.根据权利要求1所述的一种高精度电机驱动方法，其特征在于：所述自监督表征学习方法包括输入层、卷积层、池化层、自适应参数调节层、全连接层、时间序列层、隐藏层和输出层，所述自监督表征学习方法包括以下步骤：
S1、通过所述输入层接收实时所述电机运行参数，并对输入数据进行清洗和归一化处理操作；
S2、通过所述卷积层对输入数据进行卷积运算，并通过所述池化层对所述卷积层的输出数据进行降维处理，所述卷积层通过卷积核提取数据特征，所述池化层通过降采样方式压缩计算量；
S3、所述自适应参数调节层根据电机实时运行参数动态地调节判断的参数和权重；
S5、通过所述全连接层将池化后的特征进行深度提取，所述全连接层采用标准神经网络对输入向量进行加权和求和运算；
S6、通过所述时间序列层将电机运行参数转化为时间序列数据，所述时间序列层通过长短句时间序列模型LSTM捕捉特征的时间相关性；
S7、通过所述隐藏层进行特征的非线性映射，所述隐藏层通过自编码器、对比学习和预训练网络进行特征学习；
S8、通过所述输出层将经过隐藏层处理后的结果进行分类或回归操作，并对当前电机的运行状态判断结果进行输出。
3.根据权利要求1所述的一种高精度电机驱动方法，其特征在于：所述特征提取模块采用数字信号处理器提取电机运行特征，所述电机运行特征包括频率特征、振幅特征和功率谱特征，所述模型构建模块基于增量式自适应预测控制算法构建所述高精度电机驱动模型，所述模型训练模块基于训练样本数据和历史数据训练所述高精度电机驱动模型，所述模型优化模块通过反馈机制和在线学习方式优化所述高精度电机驱动模型，所述模型运行模块通过将训练好的电机驱动模型部署至所述物联网平台进行控制指令输出。
4.根据权利要求3所述的一种高精度电机驱动方法，其特征在于：所述增量式自适应预测控制算法的工作方法包括以下步骤：
步骤1、输入初始电机运行状态向量x(0)、初始化控制参数向量u(0)以及初始状态估计误差协方差矩阵P(0)，所述初始状态估计误差协方差矩阵P(0)的输出函数公式为：
在公式(1)中，x(0)为初始电机运行状态向量，为初始电机运行状态向量的估计值，E为初始电机运行状态向量期望值，^T表示矩阵的转置运算；
步骤2、根据k时刻的电机运行状态向量x(k)、k时刻的控制参数向量u(k)和状态方程，计算k+1时刻预测电机运行状态向量x(k+1)，状态方程表示为：
在公式(2)中，x(k+1)为k+1时刻预测电机运行状态向量，x(k)为电机运行状态向量，u(k)为控制参数向量，w(k)为过程噪声，A为电机运行状态向量预测权重矩阵，B为控制参数向量预测权重矩阵，G为过程噪声系数矩阵；
步骤3、根据k+1时刻测量方程和电机运行状态测量向量y(k+1)，更新k+1时刻电机运行状态向量x'(k+1)和k+1时刻状态估计误差协方差矩阵P(k+1)，测量方程表示为：
在公式(3)中，x'(k+1)为k+1时刻电机运行状态更新向量，v(k+1)为k+1时刻测量噪声，P(k+1)为k+1时刻状态估计误差协方差矩阵，C为k+1时刻电机运行状态向量更新矩阵；
步骤4、采用加权距离方式计算预测结果和测量结果之间的距离，并根据加权距离计算卡尔曼增益，计算公式为：
在公式(4)中，K(k+1)为k+1时刻电机运行状态更新的卡尔曼增益，R为测量噪声协方差矩阵；
步骤5、基于更新后的状态估计误差协方差矩阵和控制参数权重矩阵，计算控制参数向量的公式为：
在公式(5)中，u(k+1)为k+1时刻控制参数向量。
5.根据权利要求1所述的一种高精度电机驱动方法，其特征在于：所述位置控制单元、速度控制单元和力矩控制单元通过分布式并行方式对电机驱动进行控制，所述位置控制单元通过磁性旋转角度传感器和增量式编码器对电机轴的位置和角度进行控制，所述速度控制单元采用滑模观测器和脉宽调制控制电机的转速，所述力矩控制单元通过电子调速器和变频器控制电机的输出力矩，所述反馈控制单元通过实时反馈控制电路对电机的运行状态进行反馈控制。
6.根据权利要求5所述的一种高精度电机驱动方法，其特征在于：所述实时反馈控制电路通过反馈传感器节点实时检测电机的输出电压、电流和转速，并通过运算放大器对传感器的检测信号进行放大和滤波，所述实时反馈控制电路通过比较器将实际输出状态与期望输出状态进行比较得到误差信号，并将所述误差信号输入至高精度电机驱动模型生成反馈控制指令，所述反馈控制指令通过电机驱动器转换为电机驱动信号进行电机反馈控制驱动。
7.根据权利要求1所述的一种高精度电机驱动方法，其特征在于：所述远程可视化控制平台通过高速无线通讯网络进行电机远程驱动控制，并采用交互式图表、热点图和仪表板实现电机驱动过程的实时数据监控，所述高速无线通讯网络通过物理层、数据链路层和网络层协议接收电机状态数据，并输出控制指令，所述远程可视化控制平台采用Token用户身份验证机制验证访问用户的身份。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311819792.0A CN117792190A (zh) | 2023-12-27 | 2023-12-27 | 一种高精度电机驱动方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311819792.0A CN117792190A (zh) | 2023-12-27 | 2023-12-27 | 一种高精度电机驱动方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117792190A true CN117792190A (zh) | 2024-03-29 |
Family
ID=90379556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311819792.0A Pending CN117792190A (zh) | 2023-12-27 | 2023-12-27 | 一种高精度电机驱动方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117792190A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100231146A1 (en) * | 2009-03-16 | 2010-09-16 | Unico, Inc. | Induction motor torque control in a pumping system |
| CN110672905A (zh) * | 2019-09-16 | 2020-01-10 | 东南大学 | 基于cnn的自监督电压暂降源辨识方法 |
| CN114201989A (zh) * | 2021-11-29 | 2022-03-18 | 江苏大学 | 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法 |
| CN116579386A (zh) * | 2023-05-06 | 2023-08-11 | 北京华能新锐控制技术有限公司 | 风电机组状态监测方法、电子设备及存储介质 |
-
2023
- 2023-12-27 CN CN202311819792.0A patent/CN117792190A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100231146A1 (en) * | 2009-03-16 | 2010-09-16 | Unico, Inc. | Induction motor torque control in a pumping system |
| CN110672905A (zh) * | 2019-09-16 | 2020-01-10 | 东南大学 | 基于cnn的自监督电压暂降源辨识方法 |
| CN114201989A (zh) * | 2021-11-29 | 2022-03-18 | 江苏大学 | 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法 |
| CN116579386A (zh) * | 2023-05-06 | 2023-08-11 | 北京华能新锐控制技术有限公司 | 风电机组状态监测方法、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PEMMAREDDY SAITEJA ETAL.: "Development of Efficient Energy Management Strategy to Mitigate Speed and Torque Ripples in SR Motor Through Adaptive Supervisory Self-Learning Technique for Electric Vehicles", IEEE ACCESS, vol. 11, 4 September 2023 (2023-09-04), pages 96460 - 96484 * |
| 张永宏;王逸飞;赵晓平;吴家新;王丽华;: "基于深度度量学习的电机故障诊断", 测控技术, vol. 39, no. 07, 31 July 2020 (2020-07-31), pages 30 - 37 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6774637B2 (ja) | 制御装置及び制御方法 | |
| CN102354107B (zh) | 一种交流位置伺服系统模型参数在线辨识和控制方法 | |
| CN105888971B (zh) | 一种大型风力机叶片主动降载控制系统及方法 | |
| CN110739893A (zh) | 一种改进自适应无轨迹卡尔曼滤波转动惯量辨识方法 | |
| CN102053628A (zh) | 基于神经网络的伺服控制系统及方法 | |
| Vaezi et al. | Multiple-model adaptive estimation of a hydraulic wind power system | |
| Shamseldin et al. | Real-time implementation of an enhanced nonlinear PID controller based on harmony search for one-stage servomechanism system | |
| Pajchrowski et al. | Adaptive controller design for electric drive with variable parameters by Reinforcement Learning method | |
| CN113283090B (zh) | 基于蜂群算法的飞机舵机电动伺服系统摩擦补偿方法 | |
| La Hera et al. | Identification and control of a hydraulic forestry crane | |
| CN108015761B (zh) | 一种单连杆柔性机械臂控制方法及系统 | |
| CN116400582A (zh) | 一种基于强化学习算法的比例控制器参数自整定方法 | |
| CN117792190A (zh) | 一种高精度电机驱动方法 | |
| Prabhakar et al. | Implementation analysis of state space modelling and control of nonlinear process using PID algorithm in MATLAB and PROTEUS environment | |
| CN109067284B (zh) | 一种基于滤波误差的电机控制方法及装置 | |
| Pajchrowski et al. | Application of the Reinforcement Learning method for adaptive electric drive control with variable parameters | |
| Palma et al. | Low order models for human controller-mouse interface | |
| NIKITIN et al. | MULTILEVEL CONTROL OF A TRANSPORT ROBOT. | |
| Oh et al. | Self tuning neural network controller for induction motor drives | |
| Kaminski et al. | Neural speed controller based on two state variables applied for a drive with elastic connection | |
| Mola et al. | Identification and adaptive position control of uncertain two-mass systems with backlash hard nonlinearity | |
| Autsou et al. | Principles and Methods of Servomotor Control: Comparative Analysis and Applications | |
| CN109067288B (zh) | 一种基于电流环的电机控制方法及装置 | |
| CN111628685A (zh) | 基于plc与bp神经网络的bldcm参数优化方法 | |
| Rios et al. | Real-time discrete neural identifier for a linear induction motor using a dSPACE DS1104 board |
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 |