永磁起动机智能能效优化控制系统及方法与流程
本发明涉及电机控制与节能,尤其涉及永磁起动机智能能效优化控制系统及方法。
背景技术:
1、在永磁起动机的能效管理领域,现有技术普遍采用对电气参数与机械参数进行分立监测与处理的模式。常规方法对采集的电流、电压数据进行独立分析,用以判断电气损耗;同时对转速、振动信号设置独立阈值进行监控。这些处理后的特征信息往往通过简单的数据叠加或基于固定系数进行结合,未能有效揭示电信号动态变化与机械状态响应之间内在的、随工况变化的耦合关系。这种分离式的特征处理方式,导致对电机系统整体能效状态的表征停留在表面,无法精确诊断能效损失的具体物理来源。
2、现有的能效优化控制多依赖于预设的单一参数调节规则,或针对如电流最小化等单一目标进行闭环调整。当运行状态由多个因素共同影响时,此类方法缺乏对多变量进行协同优化决策的能力。控制系统无法根据能效低下的具体成因组合,生成与之相匹配的多参数协调调整指令。这使得优化措施往往针对性不足,难以在复杂多变的工况下持续保持高效运行。
3、需要一种能够深度融合电机多源异构运行数据、并据此进行精准能效根源诊断与智能化控制策略匹配的方法。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点,而提出的永磁起动机智能能效优化控制系统及方法。
2、为了实现上述目的,本发明采用了如下技术方案:永磁起动机智能能效优化控制方法,包括:
3、实时采集永磁起动机在运行过程中的多维度状态数据流,所述多维度状态数据流包括电流波形数据、电压波动数据、转速时序数据和机身振动频谱数据;
4、对所述电流波形数据和电压波动数据进行同步对齐与噪声滤除处理,生成净化后的电信号特征序列,同时对所述转速时序数据和机身振动频谱数据进行时间戳匹配与特征提取,生成机械状态特征序列;
5、构建电-机特征融合分析网络,将所述净化后的电信号特征序列与所述机械状态特征序列输入所述电-机特征融合分析网络,通过所述电-机特征融合分析网络中的交叉注意力机制计算电信号特征与机械状态特征之间的动态关联权重,生成融合状态特征矩阵;
6、调用预训练的能效评估模型对所述融合状态特征矩阵进行能效层级划分处理,得到所述永磁起动机在当前运行区间的实时能效等级以及多个能效影响因子的贡献度分布;
7、依据所述实时能效等级与所述能效影响因子的贡献度分布,从预设的控制策略知识图谱中匹配出候选控制参数调整方案集合。
8、作为本发明的进一步方案,所述方法还包括:
9、基于所述融合状态特征矩阵对所述候选控制参数调整方案集合进行闭环模拟推演,预测每个候选控制参数调整方案执行后未来数个控制周期内的状态演化轨迹;
10、采用多目标决策算法对各个候选控制参数调整方案对应的状态演化轨迹进行综合评估与排序,选定最优控制参数调整方案;
11、将所述最优控制参数调整方案分解为具体的控制指令序列,下发至永磁起动机的功率驱动单元与逻辑控制单元执行;
12、在执行所述控制指令序列的过程中,持续监测所述多维度状态数据流的变化,并将变化数据反馈至所述能效评估模型以进行模型参数的在线微调。
13、作为本发明的进一步方案,所述对所述电流波形数据和电压波动数据进行同步对齐与噪声滤除处理,生成净化后的电信号特征序列,包括:
14、对所述电流波形数据和电压波动数据进行采样时钟同步处理,确保所述电流波形数据和电压波动数据在相同的时间基准上;
15、分别对同步后的电流波形数据和电压波动数据应用自适应小波阈值去噪算法,抑制高频噪声干扰;
16、从去噪后的电流波形数据中提取有效电流值、电流谐波畸变率特征以及电流相位偏移量特征;
17、从去噪后的电压波动数据中提取电压有效值、电压跌落深度特征以及电压恢复速率特征;
18、将提取的电流相关特征与电压相关特征按照时间顺序进行交叉组合与向量化封装,生成所述净化后的电信号特征序列。
19、所述对所述转速时序数据和机身振动频谱数据进行时间戳匹配与特征提取,生成机械状态特征序列,具体包括:
20、将所述转速时序数据重采样至与所述机身振动频谱数据相同的时间分辨率;
21、从所述转速时序数据中提取平均转速、转速波动率特征以及加速度变化率特征;
22、对所述机身振动频谱数据执行频带能量分析,提取特定频带内的振动能量幅值特征、主频偏移特征以及频谱熵特征;
23、将所述转速时序数据提取的特征与所述机身振动频谱数据提取的特征按照对应的时间戳进行配对与融合编码,生成所述机械状态特征序列。
24、作为本发明的进一步方案,所述通过所述电-机特征融合分析网络中的交叉注意力机制计算电信号特征与机械状态特征之间的动态关联权重,包括:
25、将所述净化后的电信号特征序列投影为查询向量序列,将所述机械状态特征序列投影为键向量序列和值向量序列;
26、计算所述查询向量序列中每个时间步的查询向量与所述键向量序列中所有时间步的键向量之间的注意力得分;
27、对所述注意力得分进行标准化处理,生成动态关联权重分布;
28、使用所述动态关联权重分布对所述值向量序列进行加权求和,生成与电信号特征深度关联的上下文机械特征表示;
29、将所述上下文机械特征表示与原始的所述净化后的电信号特征序列进行门控融合,输出所述融合状态特征矩阵。
30、作为本发明的进一步方案,所述调用预训练的能效评估模型对所述融合状态特征矩阵进行能效层级划分处理,包括:
31、将所述融合状态特征矩阵输入所述能效评估模型的特征降维层,得到低维稠密特征向量;
32、将所述低维稠密特征向量输入所述能效评估模型的能效分类层,通过softmax函数计算其属于各个预设能效等级的概率,将概率最大的能效等级作为所述实时能效等级;
33、将所述低维稠密特征向量同时输入所述能效评估模型的贡献度分析层,通过反向传播梯度计算方法,分析输入特征维度对最终能效分类结果的影响强度,输出所述能效影响因子的贡献度分布。
34、作为本发明的进一步方案,所述依据所述实时能效等级与所述能效影响因子的贡献度分布,从预设的控制策略知识图谱中匹配出候选控制参数调整方案集合,包括:
35、以所述实时能效等级作为根节点,在所述控制策略知识图谱中进行定位;
36、根据所述能效影响因子的贡献度分布,从贡献度最高的能效影响因子开始,在所述控制策略知识图谱中沿关联边进行深度优先遍历,检索历史上在相似能效等级和相似贡献度分布下被验证有效的控制策略节点;
37、收集遍历过程中检索到的所有控制策略节点,并提取每个控制策略节点所关联的控制参数调整方案;
38、对提取到的所有控制参数调整方案进行去重与优先级排序,形成所述候选控制参数调整方案集合。
39、作为本发明的进一步方案,所述基于所述融合状态特征矩阵对所述候选控制参数调整方案集合进行闭环模拟推演,预测每个候选控制参数调整方案执行后未来数个控制周期内的状态演化轨迹,包括:
40、为每个候选控制参数调整方案初始化一个独立的模拟器,所述模拟器内置有所述永磁起动机的简化动态物理模型;
41、将当前的所述融合状态特征矩阵作为所述简化动态物理模型的初始状态;
42、将候选控制参数调整方案转化为一系列模拟控制信号,输入至所述简化动态物理模型;
43、驱动所述简化动态物理模型运行数个控制周期,并记录每个周期内模拟输出的状态特征;
44、将记录的所有模拟输出的状态特征按时间顺序组合,形成所述候选控制参数调整方案对应的预测状态演化轨迹。
45、作为本发明的进一步方案,所述采用多目标决策算法对各个候选控制参数调整方案对应的状态演化轨迹进行综合评估与排序,包括:
46、为每个候选控制参数调整方案对应的预测状态演化轨迹,计算其末端时刻的预测能效等级、整个轨迹的能效稳定性指标以及控制参数调整幅度代价;
47、构建由预测能效等级、能效稳定性指标和控制参数调整幅度代价组成的三维评估空间;
48、利用熵权法确定所述三维评估空间中各个维度的客观权重;
49、根据确定的客观权重,采用加权逼近理想解排序法计算每个候选控制参数调整方案的综合评估分数;
50、依据所述综合评估分数对所有候选控制参数调整方案进行降序排列,选定排名第一的方案作为所述最优控制参数调整方案。
51、作为本发明的进一步方案,所述将所述最优控制参数调整方案分解为具体的控制指令序列,下发至永磁起动机的功率驱动单元与逻辑控制单元执行,包括:
52、解析所述最优控制参数调整方案,将其拆解为针对励磁电流、功率开关占空比、换相逻辑时序的参数调整指令集合;
53、根据功率驱动单元与逻辑控制单元的通信协议与接口规范,将所述参数调整指令集合编码为对应的驱动指令与控制字;
54、按照预设的执行时间序,将编码后的驱动指令与控制字依次下发至对应的功率驱动单元与逻辑控制单元。
55、所述在执行所述控制指令序列的过程中,持续监测所述多维度状态数据流的变化,并将变化数据反馈至所述能效评估模型以进行模型参数的在线微调,具体包括:
56、在控制指令序列执行期间,以固定周期采集新的多维度状态数据流;
57、使用与初始处理相同的方法,从新的多维度状态数据流中生成新的融合状态特征矩阵;
58、将新的融合状态特征矩阵与对应的实际能效评估结果作为一组新的训练样本;
59、采用增量学习算法,利用新的训练样本对所述预训练的能效评估模型的参数进行小批量梯度更新,实现模型参数的在线微调。
60、作为本发明的进一步方案,本发明还包括一种永磁起动机智能能效优化控制系统,所述系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器在执行所述计算机程序时,实现如上述永磁起动机智能能效优化控制方法的步骤。
61、与现有技术相比,本发明的优点和积极效果在于:
62、通过交叉注意力机制构建电-机特征融合分析网络,对同步处理后的电信号特征序列与机械状态特征序列进行动态交互计算。该机制自动学习并分配两类特征间的关联权重,实现电流、电压的动态变化与转速、振动的实时响应在特征层面的深度耦合。此过程生成的融合状态特征矩阵,统一表征了系统的机电综合状态,使得对能量转换与损耗过程的监控从分立参数观测跃升至系统级关联分析。基于此,对能效状态的评估不再依赖于孤立的电气或机械指标,而是建立在反映内在物理联系的融合特征之上,提升了状态监测的维度与诊断的准确性。
63、采用预训练能效评估模型与结构化控制策略知识图谱相结合的决策框架。能效评估模型对融合状态特征矩阵进行解析,输出一个综合能效等级,并同时解耦出各底层物理因子对当前能效状态的量化贡献度。以该等级与贡献度分布为复合查询条件,在预先构建的知识图谱中进行检索与匹配。知识图谱系统性地关联了多样的能效状态模式与其对应的多参数协同调整策略集合。这种方法将控制策略的生成逻辑从基于简单规则或单目标优化,转变为基于多维度、可解释的能效根源诊断结果进行智能匹配。系统能够自动适配由不同主导因素构成的复杂能效低下场景,并生成针对性的候选优化方案,从而提升控制响应的精准度与全局能效优化的鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com