CN118381408B - 基于同步驱动的启闭机智能变频控制方法及系统 - Google Patents
基于同步驱动的启闭机智能变频控制方法及系统 Download PDFInfo
- Publication number
- CN118381408B CN118381408B CN202410824502.XA CN202410824502A CN118381408B CN 118381408 B CN118381408 B CN 118381408B CN 202410824502 A CN202410824502 A CN 202410824502A CN 118381408 B CN118381408 B CN 118381408B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- synchronous motor
- hoist
- optimized
- 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.)
- Active
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000002829 reductive effect Effects 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 43
- 238000003066 decision tree Methods 0.000 claims description 34
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 abstract description 5
- 230000002035 prolonged effect Effects 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 48
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Control Of Ac Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及变频控制技术领域，公开了基于同步驱动的启闭机智能变频控制方法及系统，该方法包括以下步骤：获取启闭机的实时运行数据，通过变频器调节变频电机的运行频率，实现变频电机的启动、运行和停止控制；对实时运行数据预处理，形成历史运行数据；基于模糊逻辑控制算法及历史运行数据，优化变频电机的运行频率；根据优化后的变频电机的运行频率实现启闭机的智能变频控制；该系统包括电机控制模块、运行数据收集模块、频率优化模块及变频控制模块。本发明根据实际运行状态调整变频电机功率输出，减少能源浪费，降低了机械磨损并延长设备寿命，显著提高了能效、控制精度和操作稳定性。
Description
技术领域
本发明涉及变频控制技术领域，尤其涉及基于同步驱动的启闭机智能变频控制方法及系统。
背景技术
同步电机，也称为同步旋转电机，是一种转子转速与定子磁场旋转速度同步的电机。同步电机能够在不同的负载条件下维持恒定的速度，这使得同步电机非常适合用于同步驱动系统。同步电机的这种特性，使其在诸如启闭机这类对速度稳定性和精确控制有高要求的设备中得到了广泛应用。启闭机智能变频控制是指利用现代控制技术和变频技术对启闭机（一种用于控制水闸、闸门等水利设施的设备）进行精确控制的方法。通过调整电机的输入频率，可以平滑地控制启闭机的运行速度和位置，实现高效、节能和精确的控制。
启闭机在水利工程中扮演着重要角色，它们需要精确地控制水位和流量。传统的启闭机控制系统可能存在效率低下、响应慢或者控制不够精确的问题。随着技术的发展，现代控制系统，如智能变频控制，被引入以提高性能。智能变频控制通过实时调整电机的运行频率，优化启闭机的运行效率和响应速度。
现有的变频控制方法中，例如中国专利申请CN116557324A公开了一种住宅厨房集中烟道屋顶风机变频控制方法，其通过构建系统管网阻力模型，经计算寻找定静压控制法的静压控制值的定静压变频方法，确定了屋顶风机启闭的控制策略。但是上述方法在具体应用时还存在以下不足：主要依靠静压控制法确定风机启闭策略，但缺乏智能优化手段，难以应对多变的运行环境，无法对电机的频率根据运行状态进行调整，不利于降低功耗。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，本申请的目的是提供基于同步驱动的启闭机智能变频控制方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了基于同步驱动的启闭机智能变频控制方法，该基于同步驱动的启闭机智能变频控制方法包括以下步骤：
S1、获取启闭机的实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制。
S2、对实时运行数据预处理，形成历史运行数据。
S3、基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率。
S4、根据优化后的同步电机的运行频率实现启闭机的智能变频控制。
可选地，实现同步电机的启动、运行和停止控制包括以下步骤：
S11、基于软启动技术逐步将同步电机加速至设定速度；
S12、达到设定速度后，维持同步电机稳态运行，并根据负载变化调整同步电机频率；
S13、基于软停止技术逐步将同步电机减速至停止。
可选地，基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率包括以下步骤：
S31、基于聚类算法去除历史运行数据中的误差数据，得到优化后数据；
S32、通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值；
S33、基于决策树算法创建模糊规则库；
S34、根据当前的位置、速度和负载的模糊值，通过模糊规则进行推理，获取同步电机频率的调整方向；
S35、根据同步电机频率的调整方向，将推理结果转换为同步电机的电机频率调整值；
S36、根据同步电机的电机频率调整值优化同步电机的运行频率。
可选地，基于聚类算法去除历史运行数据中的误差数据，得到优化后数据包括以下步骤：
S311、使用肘部法则确定最佳的聚类数目K；
S312、初始化K个聚类中心，并将每个数据点分配给最近的聚类中心；
S313、基于分配的数据点的均值，更新聚类中心的位置；
S314、重复分配和更新，直到满足停止条件；
S315、分析每个聚类的特征，确定聚类中心及分布，且设定阈值，确定误差数据，并从历史运行数据中移除误差数据，得到优化后的数据。
可选地，使用肘部法则确定最佳的聚类数目包括以下步骤：
S3111、确定K值范围，且对每个K值执行K均值聚类算法；
S3112、对于每个K值，计算聚类的总内部平方和；
S3113、在肘部图上绘制K值与总内部平方和之间的关系，且横轴为K值，纵轴为总内部平方和；
S3114、位于肘部图内寻找总内部平方和下降速率骤减的点，得到肘点；
S3115、选择肘点对应的K值作为最佳的聚类数目。
可选地，通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值包括以下步骤：
S321、根据专家经验设计初始隶属度函数；
S322、对优化后数据进行统计分析，计算各变量的分布特性；
S323、将隶属度函数的中心位置移动到数据的均值位置，并根据数据的标准差调整隶属度函数的宽度，使其覆盖大部分数据，得到优化后的隶属度函数；
S324、通过优化后的隶属度函数将优化后数据转换为模糊值。
可选地，基于决策树算法创建模糊规则库包括以下步骤：
S331、确定优化后数据中每个数据点的性能等级标签，并融入优化后数据中；
S332、将优化后数据划分为训练集和测试集；
S333、使用训练集数据来构建决策树，并分割训练集数据，同时使用测试集来评估决策树的性能；
S334、从决策树中提取模糊规则，并组成模糊规则库。
可选地，使用训练集数据来构建决策树，并分割训练集数据包括以下步骤：
S3331、对于训练集数据，计算信息熵，公式为：
；
式中，Entropy表示信息熵，X表示训练集数据；
n表示训练集数据中类别的总数；
p i 表示训练集数据中第i类样本的比例；
S3332、对于训练集数据中的每个特征x，计算特征对训练集数据的信息增益，公式为：；
式中，Information Gain表示信息增益，X表示训练集数据；
x表示用于分割训练集数据的特征；
Values（x）表示特征x所有值的集合；
X v 表示根据特征x的值v划分的数据子集；
∣X∣表示训练集数据中的样本总数；
∣X v ∣表示子集X v 中的样本数；
Entropy（X v ）表示子集X v 的信息熵；
S3333、根据信息增益的大小，选择使信息增益最大的特征作为节点进行数据划分；
S3334、递归地对每个子集重复数据划分，直到满足停止条件。
可选地，从决策树中提取模糊规则，并组成模糊规则库包括以下步骤：
S3341、从决策树的根节点开始，沿着每个分支遍历到叶节点；
S3342、将每个路径从根到叶节点的条件转换为IF-THEN规则，得到模糊规则，根据所有模糊规则构建模糊规则库。
根据本发明的另一个方面，提供了基于同步驱动的启闭机智能变频控制系统，该基于同步驱动的启闭机智能变频控制系统包括电机控制模块、运行数据收集模块、频率优化模块及变频控制模块。
其中，电机控制模块，用于获取启闭机的实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制。
运行数据收集模块，用于收集并整理一段时间内的实时运行数据，形成历史运行数据。
频率优化模块，用于基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率。
变频控制模块，用于根据优化后的同步电机的运行频率实现启闭机的智能变频控制。
本发明包括以下有益效果：
（1）本发明提供的基于同步驱动的启闭机智能变频控制方法及系统，通过智能变频控制，能根据实际运行状态调整同步电机功率输出，减少能源浪费，降低了机械磨损并延长设备寿命，显著提高了能效、控制精度和操作稳定性，同时加快了系统响应速度并提升了设备的安全性；
（2）本发明通过变频器调节同步电机频率，使启闭机中的同步电机的启动、运行和停止更加平稳和精确，减少机械冲击和磨损，提高设备的使用寿命。收集和整理实时运行数据，积累丰富的历史数据，为后续分析和优化提供基础；
（3）通过模糊逻辑控制算法能够处理复杂和不确定性因素，通过历史数据的学习和分析，动态调整同步电机的运行频率，实现智能优化。模糊逻辑控制能够根据不同的运行环境和负载情况，灵活调整同步电机频率，提高系统的适应性和响应速度。通过优化同步电机运行频率，可以进一步提升启闭机的运行效率，减少能源消耗和运行成本；
（4）本发明使用模糊逻辑控制算法时，聚类算法能够有效识别和剔除异常和误差数据，提高数据的准确性和可靠性。去除误差数据后，优化后的数据更真实地反映设备的运行状态。利用决策树算法能够从优化后的数据中自动提取和生成模糊规则，构建完善的模糊规则库，减少人工干预和主观性。通过决策树生成的规则库结构清晰、逻辑明确，便于快速查找和应用，提高模糊推理的效率。同时对隶属度函数进行优化，可以使得隶属度函数更加符合实际数据分布，提高模糊化处理的准确性和可靠性。
附图说明
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，下面将对实施例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。
图1是根据本发明实施例的基于同步驱动的启闭机智能变频控制方法的流程图；
图2是根据本发明实施例的基于同步驱动的启闭机智能变频控制系统的原理框图。
图中：
1、电机控制模块；2、运行数据收集模块；3、频率优化模块；4、变频控制模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
根据本发明的实施例，提供了基于同步驱动的启闭机智能变频控制方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了基于同步驱动的启闭机智能变频控制方法，该基于同步驱动的启闭机智能变频控制方法包括以下步骤：
S1、获取启闭机的位置、速度、负载等实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制。
在进一步的实施例中，实现同步电机的启动、运行和停止控制包括以下步骤：
S11、基于软启动技术逐步将同步电机加速至设定速度，以减少启动时的冲击和电网压力。设定软启动参数，如加速时间、加速度等，以确保启动过程平稳，实时监测同步电机的转速和电流，通过反馈控制确保启动过程的稳定性。
S12、达到设定速度后，维持同步电机稳态运行，并根据负载变化调整同步电机频率，以保持运行的稳定性和效率；通过传感器等实时获取负载信息，用于调整电机频率。
S13、基于软停止技术逐步将同步电机减速至停止，以避免突然停止引起的冲击和损坏。
S2、对实时运行数据预处理，形成历史运行数据。
其中，对收集到的历史运行数据进行清洗、去噪和标准化处理，以确保数据质量。具体包括以下步骤：
S21、数据清洗：检查数据集中的缺失值，采用填补、插值或删除等方法处理缺失数据，确保数据的完整性。
S22、数据去噪：通过分析数据的特征和趋势，识别出数据中的噪声部分。
S23、数据标准化：将不同量纲的数据转换为相同的单位或标准形式，以便于后续分析和处理。将数据按比例缩放到指定范围，常用的方法包括Min-Max标准化、Z-score标准化等。
此外，检查数据的时间戳、数值范围和逻辑关系，确保数据的一致性和可靠性。将处理后的历史运行数据按照一定的格式和结构存储，便于后续的检索和分析。定期备份历史数据，防止数据丢失和损坏，确保数据的安全性和可靠性。
S3、基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率，以提高能效和控制精度。
在进一步的实施例中，基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率包括以下步骤：
S31、基于聚类算法去除历史运行数据中的误差数据，得到优化后数据。聚类算法用于将数据分成多个组，每组中的数据具有相似性。常用的聚类算法包括K-means、DBSCAN等。通过聚类，可以识别出异常数据点（即误差数据），这些数据点与大多数数据点的特性不同。去除这些误差数据可以提高数据的准确性和可靠性。清洗后的数据更能反映实际情况，为后续的分析和控制提供了可靠的基础。
S32、通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值。
其中，隶属度函数用于将精确的数值数据转换为模糊值。常见的隶属度函数包括三角形、梯形和高斯函数等。将位置、速度及负载数据转换为模糊值，使得这些数据可以用于模糊逻辑控制算法。模糊值表示数据属于某个模糊集合的程度。
S33、基于决策树算法创建模糊规则库；决策树用于从数据中提取规则。通过决策树算法，可以根据历史数据自动生成模糊规则。模糊规则库是模糊逻辑控制的核心部分，包含了对不同模糊输入条件的控制输出。
S34、根据当前的位置、速度和负载的模糊值，通过模糊规则进行推理，获取同步电机频率的调整方向；用模糊规则库和当前的模糊输入值，进行推理以确定输出结果。推理过程通常使用模糊逻辑运算，如最大-最小合成、加权平均等。推理结果表明应如何调整电机频率，例如“增加频率”、“减少频率”或“保持不变”。
S35、根据同步电机频率的调整方向，将推理结果转换为同步电机的电机频率调整值；将模糊推理的结果（调整方向）转换为具体的电机频率调整值。这个过程通常需要去模糊化，如采用重心法、平均值法等。具体的调整值，如增加5Hz或减少3Hz。
S36、根据同步电机的电机频率调整值优化同步电机的运行频率；根据计算出的频率调整值，实际调整同步电机的运行频率。这一步通过变频器实现。这种优化是动态的、实时的，能够根据不断变化的输入条件（位置、速度、负载）进行频率调整，确保电机运行在最佳状态。
基于模糊逻辑控制算法及历史运行数据，可以有效地优化同步电机的运行频率。利用模糊逻辑推理和智能控制算法，实现对同步电机频率的精确调节。
在进一步的实施例中，基于聚类算法去除历史运行数据中的误差数据，得到优化后数据包括以下步骤：
S311、使用肘部法则确定最佳的聚类数目K；通过计算不同聚类数目下的总内部平方和（SSE），并绘制SSE随K变化的曲线，在曲线上寻找“肘部”点，即SSE开始显著减缓变化的点，这个点对应的K值被认为是最佳聚类数目。
S312、初始化K个聚类中心，并将每个数据点分配给最近的聚类中心；计算每个数据点到所有聚类中心的距离（通常使用欧几里得距离），并将数据点分配给距离最近的聚类中心。
S313、基于分配的数据点的均值，更新聚类中心的位置。
S314、重复分配和更新，直到满足停止条件（例如，聚类中心的变化小于某个阈值或达到预设的迭代次数）。
S315、分析每个聚类的特征，确定聚类中心及分布，且设定阈值或基于领域知识，确定误差数据，并从历史运行数据中移除误差数据，得到优化后的数据。
在进一步的实施例中，使用肘部法则确定最佳的聚类数目包括以下步骤：
S3111、确定K值范围，例如从1到某个较大的数值（例如10或20），且对每个K值执行K均值聚类算法，即根据当前的K值进行聚类，生成K个聚类中心并分配数据点。
S3112、对于每个K值，计算聚类的总内部平方和，即簇内误差平方和。
S3113、在肘部图上绘制K值与总内部平方和的关系，且横轴为K值，纵轴为总内部平方和；通常情况下，随着K值的增加，SSE会逐渐减小，因为更多的聚类中心可以更好地拟合数据。肘部图是肘部法则中的核心工具，用于确定聚类分析中的最佳聚类数目。
S3114、位于肘部图内寻找总内部平方和下降速率骤减的点，得到肘点，这个点通常标志着增加聚类数目不会显著改善聚类效果。
S3115、选择肘点对应的K值作为最佳的聚类数目。使用这个最佳K值执行最终的K均值聚类，得到稳定和高效的聚类结果。
在进一步的实施例中，通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值包括以下步骤：
S321、根据专家经验设计初始隶属度函数，常见的隶属度函数类型包括三角形、梯形和高斯函数等；三角形函数：简单、计算量小，适用于初步设计。梯形函数：能够表示更复杂的情况，适用于有明显阈值的数据。高斯函数：平滑且连续，适用于需要精确表示模糊性的场景。
S322、对优化后数据进行统计分析，计算各变量（位置、速度、负载）的分布特性，如均值、标准差、极值等；均值：数据的平均值，反映数据的中心趋势。标准差：数据的离散程度，反映数据的波动范围。极值：数据的最大值和最小值，帮助确定数据的范围和边界。
S323、将隶属度函数的中心位置移动到数据的均值位置，并根据数据的标准差调整隶属度函数的宽度，使其覆盖大部分数据，得到优化后的隶属度函数；将隶属度函数的中心位置（如三角形或高斯函数的顶点）移动到数据的均值位置，以确保隶属度函数准确地反映数据的中心趋势。宽度调整：根据数据的标准差调整隶属度函数的宽度，使函数能够覆盖大部分数据。这意味着大多数数据点都能被较高的隶属度值所覆盖。
其中，三角形和梯形函数：调整底边宽度。高斯函数：调整标准差参数，控制函数的扩展范围。
S324、通过优化后的隶属度函数将优化后数据转换为模糊值。
在进一步的实施例中，基于决策树算法创建模糊规则库包括以下步骤：
S331、确定优化后数据中每个数据点的性能等级标签，并融入优化后数据中，包含位置、速度、负载等特征及其对应的性能等级标签。
S332、将优化后数据划分为训练集和测试集。
S333、使用训练集数据来构建决策树，并分割训练集数据，使每个分割区域内的样本尽可能地具有相同的标签，同时使用测试集来评估决策树的性能；即决策树根据特征值分割训练集，使得每个分割区域内的数据点尽可能同属一个性能等级标签。使用测试集评估决策树模型的性能，包括准确性、召回率、F1值等指标。评估结果用于确定决策树模型的有效性和可靠性。
S334、从决策树中提取模糊规则，并组成模糊规则库。根据决策树的结构，从每个分割节点提取规则。每条规则表示一个路径，从根节点到叶节点，包含一系列的条件判断。将所有提取的规则组合在一起，形成模糊规则库。
在进一步的实施例中，使用训练集数据来构建决策树，并分割训练集数据包括以下步骤：
S3331、对于训练集数据，计算信息熵，公式为：
；
式中，Entropy表示信息熵，X表示训练集数据；n表示训练集数据中类别的总数；p i 表示训练集数据中第i类样本的比例；log2表示以2为底的对数，用于度量信息的单位是比特。
S3332、对于训练集数据中的每个特征，计算特征对训练集数据的信息增益，公式为：；
式中，Information Gain表示信息增益，X表示训练集数据；x表示用于分割训练集数据的特征；Values（x）表示特征x所有可能的值的集合；X v 表示根据特征x的值v划分的数据子集；∣X∣表示训练集数据中的样本总数；∣X v ∣表示子集X v 中的样本数，即特征x取值为v的样本数；Entropy（X v ）表示子集X v 的信息熵。
S3333、根据信息增益的大小，选择使信息增益最大的特征作为节点进行数据划分。
S3334、递归地对每个子集重复数据划分，直到满足停止条件（如达到某个阈值的信息增益，或数据子集足够纯净）。
在进一步的实施例中，从决策树中提取模糊规则，并组成模糊规则库包括以下步骤：
S3341、从决策树的根节点开始，沿着每个分支遍历到叶节点；其中，根节点是起点，内部节点是分支点，叶节点表示最终的决策结果。
S3342、将每个路径从根到叶节点的条件转换为IF-THEN规则，得到模糊规则，根据所有模糊规则构建模糊规则库。IF部分：包含所有从根节点到叶节点的条件判断。THEN部分：叶节点对应的决策结果（性能等级标签）。
S4、根据优化后的同步电机的运行频率实现启闭机的智能变频控制。
其中，将计算得到的目标频率输入变频器控制系统，调整变频器的输出频率，以匹配同步电机的运行需求。
动态调整：根据实时数据的变化，动态调整变频器的输出频率，确保电机运行在最佳状态。
为了方便理解本发明的上述技术方案，以下就本发明在实际过程中的工作原理或者操作方式进行详细说明。
例如，从启闭机系统中获取以下历史运行数据，并整理得到优化后数据：
位置（单位：米）：[2.1，3.4，4.5，1.2，3.3，2.8，5.1，4.9，3.8，2.5]。
速度（单位：米/秒）：[0.8，1.2，1.5，0.5，1.1，0.9，1.7，1.6，1.3，0.7]。
负载（单位：牛顿）：[200，340，450，120，330，280，510，490，380，250]。
性能等级标签（高：3，中：2，低：1）：[1，2，3，1，2，1，3，3，2，1]。
设计三角形隶属度函数，计算位置、速度、负载的均值和标准差，将隶属度函数的中心位置移动到均值，调整宽度覆盖大部分数据，使用隶属度函数将位置、速度、负载数据转换为模糊值。
其中，位置隶属度函数：
近，三角形函数中心在2.5米。
中，三角形函数中心在3.5米。
远，三角形函数中心在5米。
速度隶属度函数：
慢，三角形函数中心在0.7米/秒。
中速，三角形函数中心在1.2米/秒。
快，三角形函数中心在1.5米/秒。
负载隶属度函数：
低，三角形函数中心在200牛顿。
中等，三角形函数中心在330牛顿。
高，三角形函数中心在450牛顿。
获取如下模糊规则：
如果位置是近且速度是慢且负载是低，则频率调整方向为减少。如果位置是近且速度是中速且负载是中，则频率调整方向为保持。如果位置是远且速度是快且负载是高，则频率调整方向为增加。
以上只是部分模糊规则示例。
根据模糊规则进行推理，且从所有模糊规则中选择隶属度最大的频率调整方向并获取频率调整值。例如频率调整值如下：减少：-5Hz，保持：0Hz，增加：+5Hz。
获取调整方向及调整值后，调整同步电机的频率。
如图2所示，根据本发明的另一个实施例，提供了基于同步驱动的启闭机智能变频控制系统，该基于同步驱动的启闭机智能变频控制系统包括电机控制模块1、运行数据收集模块2、频率优化模块3及变频控制模块4。
其中，电机控制模块1，用于获取启闭机的实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制。
运行数据收集模块2，用于收集并整理一段时间内的实时运行数据，形成历史运行数据。
频率优化模块3，用于基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率。
变频控制模块4，用于根据优化后的同步电机的运行频率实现启闭机的智能变频控制。
综上所述，本发明提供的基于同步驱动的启闭机智能变频控制方法及系统，通过智能变频控制，能根据实际运行状态调整同步电机功率输出，减少能源浪费，降低了机械磨损并延长设备寿命，显著提高了能效、控制精度和操作稳定性，同时加快了系统响应速度并提升了设备的安全性。本发明通过变频器调节同步电机频率，使启闭机中的同步电机的启动、运行和停止更加平稳和精确，减少机械冲击和磨损，提高设备的使用寿命。收集和整理实时运行数据，积累丰富的历史数据，为后续分析和优化提供基础。通过模糊逻辑控制算法能够处理复杂和不确定性因素，通过历史数据的学习和分析，动态调整同步电机的运行频率，实现智能优化。模糊逻辑控制能够根据不同的运行环境和负载情况，灵活调整同步电机频率，提高系统的适应性和响应速度。通过优化同步电机运行频率，可以进一步提升启闭机的运行效率，减少能源消耗和运行成本。本发明使用模糊逻辑控制算法时，聚类算法能够有效识别和剔除异常和误差数据，提高数据的准确性和可靠性。去除误差数据后，优化后的数据更真实地反映设备的运行状态。利用决策树算法能够从优化后的数据中自动提取和生成模糊规则，构建完善的模糊规则库，减少人工干预和主观性。通过决策树生成的规则库结构清晰、逻辑明确，便于快速查找和应用，提高模糊推理的效率。同时对隶属度函数进行优化，可以使得隶属度函数更加符合实际数据分布，提高模糊化处理的准确性和可靠性。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能充电模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于同步驱动的启闭机智能变频控制方法，其特征在于，该基于同步驱动的启闭机智能变频控制方法包括以下步骤：
S1、获取启闭机的实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制；
S2、对所述实时运行数据预处理，形成历史运行数据；
S3、基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率；
S4、根据优化后的同步电机的运行频率实现启闭机的智能变频控制；
所述基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率包括以下步骤：
S31、基于聚类算法去除历史运行数据中的误差数据，得到优化后数据；
S32、通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值；
S33、基于决策树算法创建模糊规则库；
S34、根据当前的位置、速度和负载的模糊值，通过模糊规则进行推理，获取同步电机频率的调整方向；
S35、根据同步电机频率的调整方向，将推理结果转换为同步电机的电机频率调整值；
S36、根据同步电机的电机频率调整值优化同步电机的运行频率；
所述通过优化后的隶属度函数将优化后数据中的位置、速度及负载数据转换为模糊值包括以下步骤：
S321、根据专家经验设计初始隶属度函数；
S322、对优化后数据进行统计分析，计算各变量的分布特性；
S323、将隶属度函数的中心位置移动到数据的均值位置，并根据数据的标准差调整隶属度函数的宽度，得到优化后的隶属度函数；
S324、通过优化后的隶属度函数将优化后数据转换为模糊值。
2.根据权利要求1所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述实现同步电机的启动、运行和停止控制包括以下步骤：
S11、基于软启动技术逐步将同步电机加速至设定速度；
S12、达到设定速度后，维持同步电机稳态运行，并根据负载变化调整同步电机频率；
S13、基于软停止技术逐步将同步电机减速至停止。
3.根据权利要求1所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述基于聚类算法去除历史运行数据中的误差数据，得到优化后数据包括以下步骤：
S311、使用肘部法则确定最佳的聚类数目K；
S312、初始化K个聚类中心，并将每个数据点分配给最近的聚类中心；
S313、基于分配的数据点的均值，更新聚类中心的位置；
S314、重复分配和更新，直到满足停止条件；
S315、分析每个聚类的特征，确定聚类中心及分布，且设定阈值，确定误差数据，并从历史运行数据中移除误差数据，得到优化后的数据。
4.根据权利要求3所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述使用肘部法则确定最佳的聚类数目包括以下步骤：
S3111、确定K值范围，且对每个K值执行K均值聚类算法；
S3112、对于每个K值，计算聚类的总内部平方和；
S3113、在肘部图上绘制K值与总内部平方和之间的关系，且横轴为K值，纵轴为总内部平方和；
S3114、位于肘部图内寻找总内部平方和下降速率骤减的点，得到肘点；
S3115、选择肘点对应的K值作为最佳的聚类数目。
5.根据权利要求4所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述基于决策树算法创建模糊规则库包括以下步骤：
S331、确定优化后数据中每个数据点的性能等级标签，并融入优化后数据中；
S332、将优化后数据划分为训练集和测试集；
S333、使用训练集数据来构建决策树，并分割训练集数据，同时使用测试集来评估决策树的性能；
S334、从决策树中提取模糊规则，并组成模糊规则库。
6.根据权利要求5所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述使用训练集数据来构建决策树，并分割训练集数据包括以下步骤：
S3331、对于训练集数据，计算信息熵，公式为：
；
式中，Entropy表示信息熵，X表示训练集数据；
n表示训练集数据中类别的总数；
p i 表示训练集数据中第i类样本的比例；
S3332、对于训练集数据中的每个特征x，计算特征对训练集数据的信息增益，公式为：
；
式中，Information Gain表示信息增益，X表示训练集数据；
x表示用于分割训练集数据的特征；
Values（x）表示特征x所有值的集合；
X v 表示根据特征x的值v划分的数据子集；
∣X∣表示训练集数据中的样本总数；
∣X v ∣表示子集X v 中的样本数；
Entropy（X v ）表示子集X v 的信息熵；
S3333、根据信息增益的大小，选择使信息增益最大的特征作为节点进行数据划分；
S3334、递归地对每个子集重复数据划分，直到满足停止条件。
7.根据权利要求5所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，所述从决策树中提取模糊规则，并组成模糊规则库包括以下步骤：
S3341、从决策树的根节点开始，沿着每个分支遍历到叶节点；
S3342、将每个路径从根到叶节点的条件转换为IF-THEN规则，得到模糊规则，根据所有模糊规则构建模糊规则库。
8.基于同步驱动的启闭机智能变频控制系统，用于实现权利要求1-7任一项所述的基于同步驱动的启闭机智能变频控制方法，其特征在于，该基于同步驱动的启闭机智能变频控制系统包括电机控制模块、运行数据收集模块、频率优化模块及变频控制模块；
其中，所述电机控制模块，用于获取启闭机的实时运行数据，并基于实时运行数据，通过变频器调节同步电机的运行频率，实现同步电机的启动、运行和停止控制；
所述运行数据收集模块，用于收集并整理一段时间内的实时运行数据，形成历史运行数据；
所述频率优化模块，用于基于模糊逻辑控制算法及历史运行数据，优化同步电机的运行频率；
所述变频控制模块，用于根据优化后的同步电机的运行频率实现启闭机的智能变频控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410824502.XA CN118381408B (zh) | 2024-06-25 | 2024-06-25 | 基于同步驱动的启闭机智能变频控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410824502.XA CN118381408B (zh) | 2024-06-25 | 2024-06-25 | 基于同步驱动的启闭机智能变频控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118381408A CN118381408A (zh) | 2024-07-23 |
| CN118381408B true CN118381408B (zh) | 2024-08-27 |
Family
ID=91912157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410824502.XA Active CN118381408B (zh) | 2024-06-25 | 2024-06-25 | 基于同步驱动的启闭机智能变频控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118381408B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667027A (zh) * | 2009-09-15 | 2010-03-10 | 中国水电顾问集团华东勘测设计研究院 | 一种提高启闭机运行效率的控制系统 |
| CN112861379A (zh) * | 2021-03-15 | 2021-05-28 | 南京邮电大学 | 基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT1296006B1 (it) * | 1997-01-13 | 1999-06-04 | Sgs Thomson Microelectronics | Pilotaggio di un motore trifase con controllo fuzzy dello scorrimento |
| CN115681597A (zh) * | 2022-10-26 | 2023-02-03 | 河北工业大学 | 一种基于融合驱动的余热阀门控制优化方法 |
| CN117254725A (zh) * | 2023-09-25 | 2023-12-19 | 太原科技大学 | 一种基于粒子群模糊pid与深度补偿的永磁同步电机位置控制方法 |
-
2024
- 2024-06-25 CN CN202410824502.XA patent/CN118381408B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101667027A (zh) * | 2009-09-15 | 2010-03-10 | 中国水电顾问集团华东勘测设计研究院 | 一种提高启闭机运行效率的控制系统 |
| CN112861379A (zh) * | 2021-03-15 | 2021-05-28 | 南京邮电大学 | 基于稀疏大数据挖掘的火电机组汽轮机优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118381408A (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
| CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
| CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
| CN117478148A (zh) | 基于模式分析的风电机组运行状态划分方法 | |
| CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
| CN116204779A (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
| CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
| CN118381408B (zh) | 基于同步驱动的启闭机智能变频控制方法及系统 | |
| CN112036436B (zh) | 一种调相机油温预测系统的数据噪声处理方法及处理系统 | |
| CN112308275B (zh) | 风力发电机组的最优桨距角辨识方法和设备 | |
| CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
| CN116432058A (zh) | 一种风电机组风功率曲线一致性评价方法 | |
| CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
| Peng et al. | Wind turbine blades icing failure prognosis based on balanced data and improved entropy | |
| CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
| CN111563543B (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
| CN112682269A (zh) | 一种基于oc-rkelm的风电机组状态监测方法 | |
| CN110905735A (zh) | 一种基于声音周期性的叶片故障诊断方法 | |
| CN118410284B (zh) | 一种电机数据清洗方法及系统 | |
| CN114021992B (zh) | 一种面向大型风电机组实时出力性能的评估方法 | |
| CN115114983B (zh) | 基于大数据设备电量数据采集分析方法、计算机系统 | |
| CN118227613B (zh) | 一种电力系统中冗余数据筛除系统和方法 |
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 |