[發明專利]循環漣漪紋波預測方法與智能控制系統

有效

• 申請號: 202010416503.2
• 申請日: 2020-05-18
• 公開（公告）號: CN111752144B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 劉經緯;謝方圓;張哲宇;李冠辰;馬雪揚;李天悅;趙夢璇;陶欣雨;陳佳明
• 申請（專利權）人: 首都經濟貿易大學
• 主分類號: G05B11/42
• 分類號: G05B11/42;G05B13/04;G05B13/02;G05B19/05;G06F17/16;G06N3/045;G06N3/044;G06N3/0464;G06N3/0499;G06N3/084;G06Q10/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種循環漣漪紋波預測方法，其特征在于，包括兩個流程：預測配置流程(5100)和預測流程(5200)；

用于電機轉速控制時，輸入是PID控制器的比例參數、積分參數、微分參數、目標轉速、實際轉速以及PID控制器輸出給電機的驅動電壓的歷史時間序列值，輸出是電機轉速在未來時刻的預測值；

(1)預測配置流程(5100)由步驟(5101)至步驟(5102)共2個步驟構成：

步驟(5101)：配置預測器參數：

初始化預測步長為L_predict，L_predict為正整數；

初始化神經網絡，用XNN表示，神經網絡采用前饋型神經網絡、反饋型神經網絡或者深度神經網絡；如果XNN是卷積神經網絡CNN，網絡的配置方法是：神經網絡的總層數大于4層不超過10層，卷積層與池化層分別大于1層不超過3層，采用Adam算法迭代更新神經網絡的權重，神經網絡學習率在0.001到0.007之間；

配置構成漣漪紋波圖像矩陣的向量時間序列的向量個數P，0＜P＜N-1，是正整數的平方；

步驟(5102)：配置漣漪紋波圖像矩陣模板：

構造和初始化漣漪紋波圖像矩陣模板，用Model_RRW表示，其中漣漪紋波圖像矩陣的維度用D_RRW表示，D_RRW是正奇數；

步驟(5102)的輸入是：D_RRW行D_RRW列的二維全零矩陣；

步驟(5102)的輸出是：漣漪紋波圖像矩陣模板Model_RRW；

步驟(5102)的計算方法是：

對于矩陣Model_RRW，矩陣中每一個位置的坐標是(r，c)，其中r表示行號，c表示列號，該位置的值為Model_RRW(r，c)；

矩陣正中央的位置是：r_center＝c_center＝(D_RRW+1)/2；

Model_RRW矩陣中任何一個元素Model_RRW(r，c)距離矩陣中心點Model_RRW(r_center，c_center)的距離表示為：

將所有的距離Distance(r，c)進行排序，將(r_center，c_center)最近的矩陣元素(r_center，c_center)的值Model_RRW(r_center，c_center)設置為1；將距離(r_center，c_center)第二近的位置(r，c)上的元素Model_RRW(r，c)設置為2，將距離(r_center，c_center)第三近的位置(r，c)上的元素Model_RRW(r，c)設置為3，并以此類推；將距離(r_center，c_center)最遠的位置(r，c)上的元素Model_RRW(r，c)設置為M，則構成Model_RRW所有位置元素，參見公式(1)；

設M＝L_predict或者M＞L_predict，M＝L_predict時與預測參與計算的數據量一致；

預測配置流程(5100)結束；

(2)預測流程(5200)，由步驟(5201)至步驟(5206)共6個步驟構成：

步驟(5201)：構造向量時間序列：

步驟(5201)的輸入是：外部時間序列In(n，t)，期中n表示不同時間序列的編號，n＝1，2，...，N，即一共有N個時間序列，t＝0，1，2，...，T，即每個時間序列包含T個時刻；用于電機轉速控制時，外部時間序列In(n，t)是由PID控制器的比例參數、積分參數、微分參數、目標轉速、實際轉速以及PID控制器輸出給電機的驅動電壓的歷史時間序列值拼接成的，其中In(1，t)是PID控制器的比例參數，In(2，t)是PID控制器的積分參數時間序列，In(3，t)是PID控制器的微分參數時間序列，In(4，t)是PID控制器的目標轉速時間序列，In(5，t)是PID控制器的實際轉速時間序列，In(6，t)是PID控制器輸出給電機的驅動電壓時間序列；

步驟(5201)的輸出是：多個時間序列，分為兩部分：一是用于訓練算法的訓練樣本的特征值Train_x(n，t)，其中n＝1，2，...，N-1，t＝1，2，...，T；二是用于訓練算法的訓練樣本的標簽值Train_y(t)，其中t＝M+L_predict，2，...，T；

步驟(5201)的計算方法是：

上述Train_x(n，t)的計算方法是：接收算法的輸入In(n，t)中的n＝1，2，...，N-1；t＝1，2，...，T部分，參見公式(2)；

Train_x(n，t)＝In(n，t)，n＝1，2，...，N-1，t＝1，2，...，T；????(2)

上述Train_y(t)的計算方法是：接收算法的輸入In(n，t)中的n＝N，t＝1+L_predict，2，...，T部分，參見公式(3)；

Train_y(t)＝In(N，t)，t＝1，2，...，T???????(3)

上述計算的特征是：將1，2，...，T時刻的特征值作為訓練樣本的特征值，將1，2，...，T的標簽值作為訓練樣本的標簽值，從而進行訓練；

步驟(5202)：標準化計算：

為了消除由于量綱相差較大所引起的計算誤差，對多個時間序列中的Train_x(n，t)、Train_y(t)進行標準化計算；

步驟(5202)的輸入是：多個時間序列；

步驟(5202)的輸出是：標準化結果，均值和標準差；

步驟(5202)的計算方法是：Train_x(n，t)的均值為Mean_x(n)，n＝1，2，...，N-1，Train_y(t)的均值為Mean_y，均值的計算方法見公式(4)和公式(5)，Train_x(n，t)的標準差為Std_x(n)，n＝1，2，...，N，Train_y(t)的標準差為Std_y，標準差的計算方法見公式(5)和公式(6)，根據均值和標準差計算出標準化的訓練樣本特征值向量Train_x_std(n，t)，n＝1，2，...，N-1，t＝1，2，...，T，標準化的訓練樣本標簽值向量Train_y_std(t)，t＝1，2，...，T，標準化的計算方法見公式(8)和公式(9)；

步驟(5203)：向量降維計算：

由于拼接計算(5205)步驟的輸入需要P個向量，期中P在步驟配置預測器參數(5101)步驟中已經配置為正整數的平方，因此要將N-1個時間序列向量在盡可能保留信息量的情況下降維為P個向量，即P是小于N-1的正整數的平方；

步驟(5203)的輸入是：步驟(5202)標準化后的結果Train_x_std(n，t)，n＝1，2，...，N-1，是N-1維向量，t＝1，2，...，T；

步驟(5203)的輸出是：正整數的平方P個時間序列，Train_x_std_lowdim(p，t)，p＝1，2，...，P，t＝1，2，...，T；

當本方法用于電機轉速控制時，降維后得到的P個時間序列每個時刻的值都是標準化后的結果的每個時刻值的線性組合；

步驟(5203)的計算方法是：使用降維算法DECtoLowDim，將步驟(5202)標準化后的N-1維向量Train_x_std(n，t)，n＝1，2，...，N-1，t＝1，2，...，T降維為P維向量Train_x_std_lowdim(p，t)，p＝1，2，...，P，t＝1，2，...，T，降維方法見公式(10)；

Train_x_std_lowdim(p，t)＝DECtoLowDim(Train_x_std(n，t))

p＝1，2，...，P，n＝1，2，...，N-1，t＝1，2，...，T??????(10)

步驟(5204)：循環置入計算：將正整數的平方P個時間序列按照漣漪紋波圖像矩陣模板置入，得到P個漣漪紋波圖像矩陣；

步驟(5204)的輸入是：正整數的平方P個時間序列，即Train_x_std_lowdim(p，t)，其中p＝1，2，...，P，t＝1，2，...，T和漣漪紋波圖像矩陣模板，即Model_RRW，Model_RRW的定義見公式(1)；

步驟(5204)的輸出是：P個D_RRW行D_RRW列的漣漪紋波圖像矩陣，第p個時間序列在t＝M，M+1，...，T每個時刻均生成一個圖像，即

Train_x_std_lowdim_rrw(p，t)，p＝1，2，...，P，t＝M，M+1，...，T，對于第p個序列，在每個時刻t，共有M個歷史時刻數據參與構成圖像，該圖像為上述漣漪紋波圖像矩陣，即Train_x_std_lowdim_rrw(p，t)，其中Train_x_std_lowdim_rrw(p，t)是一個r行c列的矩陣，即Train_x_std_lowdim_rrw(p，t)＝IMG(p，t，r，c)，r＝1，2，...，D_RRW，c＝1，2，...，D_RRW；

步驟(5204)的計算方法見公式(11)：

步驟(5204)的計算結果展開式見公式(12)，臨時使用T_l表示Train_x_std_lowdim：

其中p＝1，2，...，P，t＝1，2，...，T，M是歷史時刻數據的個數；

步驟(5205)：拼接計算：將P個漣漪紋波圖像矩陣拼接為1個一維漣漪紋波圖像矩陣；

步驟(5205)的輸入是：漣漪紋波圖像矩陣Train_x_std_lowdim_rrw(p，t)，其中p＝1，2，...，P，t＝M，M+1，...，T；

步驟(5205)的輸出是：行列的漣漪紋波圖像矩陣，記為Train_x_std_lowdim_rrw_P(t)，t＝M，M+1，...，T，其中行列數為

步驟(5205)的計算方法是：將P個漣漪紋波圖像矩陣按照從上至下，從左至右的順序拼接，Train_x_std_lowdim_rrw_P(t)在第r行c列的元素Train_x_std_lowdim_rrw_P(r，c，t)的計算方法見公式(13)；

步驟(5205)的計算結果展開式見公式(14)，臨時使用T_r表示Train_x_std_lowdim_rrw：

其中p＝1，2，...，P，t＝M，M+1，...，T；

步驟(5206)：預測計算：

步驟(5206)的輸入是：第一個輸入是訓練樣本的特征值：“P合1”漣漪紋波矩陣，即Train_x_std_lowdim_rrw_P(t)，t＝M，M+1，...，T-L_predict，第二個輸入是訓練樣本的標簽值：標準化結果、均值和標準差中的訓練樣本標簽值向量Train_y_std(t+M+L_predict-1)，t＝1，2，...，T-M_L_predict+1，第三個輸入是測試樣本的特征值：Train_x_std_lowdim_rrw_P(T)；

步驟(5206)的輸出是：預測計算結果，用y_std_predict(T+L_predict)表示；

步驟(5206)的計算方法是：將“P合1”漣漪紋波矩陣即Train_x_std_lowdim_rrw_P(t)，t₁＝M，M+1，...，T-L_predict作為神經網絡算法XNN訓練樣本的特征，標準化的訓練樣本標簽值向量Train_y_std(t+M+L_predict-1)，t₂＝1，2，...，T-M-L_predict+1，作為神經網絡算法XNN訓練樣本的標簽，使用Train方法對神經網絡算法XNN的神經元參數進行訓練，見公式(15)；

訓練完成后，將Train_x_std_lowdim_rrw_P(T)作為神經網絡算法XNN測試樣本的特征值，使用Fit方法進行預測，此時計算神經網絡的輸出值為y_std_predict，計算方法見公式(16)；

y_std_predict＝Fit(XNN，Train_x_std_lowdim_rrw_P(T))?????(16)

步驟(5207)：反標準化計算：將神經網絡算法得到的預測計算結果進行反標準化，得到系統輸出預測結果；

步驟(5207)的輸入是：神經網絡算法XNN的預測結果y_std_predict，均值Mean_y和標準差Std_y；

步驟(5207)的輸出是：系統輸出預測結果，yout_predict；

步驟(5207)的計算方法參見公式(17)：

yout_predict＝y_std_predict×Std_y+Mean_y?????????(17)

步驟(5208)：返回預測結果：將系統輸出預測結果輸出到外部，用yout_predict表示；

當本方法用于電機轉速控制時，系統輸出預測結果是電機調速系統未來時刻的轉速值，即T+L_predict時刻的轉速值；

預測流程(5200)結束。

2.基于權利要求1所述的一種循環漣漪紋波預測方法的智能控制系統，其特征在于：系統由5個裝置組成：控制參數整定器(100)、控制器(200)、被控對象(300)、時間序列數據采集器(400)、循環漣漪紋波預測器(500)；

用于電機轉速控制時，系統輸入rin是電機轉速目標值，控制器輸出u是驅動電機的電壓，系統輸出yout_real是電機的實際轉速；K_p，K_i，K_d是PID控制器的比例參數、積分參數、微分參數，e是電機轉速目標值與實際轉速預測值的差值、In(n，t)是t＝1，2，...，T時刻n＝6個時間序列K_p，K_i，K_d，rin，u，yout_real組成的6維向量時間序列；

(1)控制參數整定器(100)：

控制參數整定器(100)是調整和優化控制參數的裝置，是計算機或者是可編程控制器；

控制參數整定器(100)的輸入是：通過自身的鍵盤或者觸摸屏，或者通過自身的內部數據總線，或者通過自身的通訊接口采用數據線與外部其他控制設備的通訊接口相連，接收當前t時刻的控制系統的輸入tin和循環漣漪紋波預測器(500)預測出的t+S時刻控制系統的輸出yout_predict，其中S表示預測步長，并且計算誤差e＝yout_predict-rin；yout_predict是循環漣漪紋波預測器(500)的輸出，也是循環漣漪紋波預測方法(5000)的輸出；

控制參數整定器(100)的輸出是：調整后的控制參數K_p、K_i、K_d；通過自身的內部數據總線，或者自身的通訊接口采用數據線與控制器(200)和時間序列數據采集器(400)的通訊接口相連；

控制參數整定器(100)根據輸入計算輸出的方法是：采用專家PID或模糊PID或神經網絡PID或遺傳算法PID或根據誤差調整PID參數的方法；

(2)控制器(200)：

控制器(200)是控制系統的控制量u的裝置，控制量作用于被控對象(300)產生控制系統的輸出yout_real，控制器(200)是帶有驅動輸出的PLC或者是帶有編程功能變頻器或者是根據PID控制參數產生控制量去驅動被控對象的裝置；

控制器(200)通過工業數據線或者數據線與控制參數整定器(100)與循環漣漪紋波預測器(500)的通訊接口相連，接收當前t時刻的控制系統的輸入rin和循環漣漪紋波預測器(500)預測出的t+L_predict時刻控制系統的輸出yout_predict的誤差e；

控制器(200)通過電路或者機械結構或者驅動傳輸介質與被控對象(300)連接，實現輸出控制量u，對被控對象(300)產生驅動；通過工業總線、數據線與時間序列數據采集器(400)連接，輸出控制量u；

(3)被控對象(300)：

被控對象(300)是電機及拖動對象或者壓力控制設備及對象或者是受控制器產生的控制量影響的對象；

被控對象(300)的輸入是：上述控制器(200)的輸出；

被控對象(300)輸出是：控制系統的真實輸出值yout_real，通過工業總線、數據線與時間序列數據采集器(400)連接；

(4)時間序列數據采集器(400)：

時間序列數據采集器(400)功能是將控制系統輸入的時間序列行向量rin、控制參數整定器(100)輸出的時間序列行向量K_p、K_i、K_d、控制器(200)輸出的時間序列行向量u和被控對象(300)輸出的時間序列行向量yout_real拼接成為一個向量時間序列的裝置，即yout_real＝[rin；K_p；K_i；K_d；u；yout_real]，作為循環漣漪紋波預測器(500)的輸入；

時間序列數據采集器(400)的輸入是：通過工業總線、數據線與控制系統的輸入、控制參數整定器(100)的通訊接口相連接；時間序列數據采集器(400)的輸入通過模擬信號采集器和模擬數字轉換器與控制器(200)和被控對象(300)的輸出相連接；

時間序列數據采集器(400)輸出是：一個N維時間序列矩陣In(n，t)，通過工業總線、數據線與循環漣漪紋波預測器(500)的通訊接口相連接，In(n，t)將作為循環漣漪紋波預測方法(5000)的輸入；

(5)循環漣漪紋波預測器(500)：

循環漣漪紋波預測器(500)是計算機或者是可編程控制器或者是嵌入式裝置；

循環漣漪紋波預測器(500)的輸入是：時間序列數據采集器(400)輸出的一個N維時間序列矩陣In(n，t)；循環漣漪紋波預測器(500)通過工業總線、數據線與時間序列數據采集器(400)的通訊接口相連，接收一個N維時間序列矩陣In(n，t)；

循環漣漪紋波預測器(500)輸出是：t+L_predict時刻的控制系統的輸出yout_predict；循環漣漪紋波預測器(500)的輸出通過工業總線、數據線與控制參數整定器(100)和控制器(200)的通訊接口連接。