一种变量柱塞泵数字孪生控制方法和系统

1.本发明涉及智能控制技术领域，特别是涉及一种变量柱塞泵数字孪生控制方法。


背景技术：

2.变量柱塞泵作为液压系统的心脏，具有结构紧凑、体积小、变量机构布置与调节方便及容积效率高等优点，广泛应用于工业生产及工程机械装备中。
3.然而在工程应用中，变量柱塞泵具有工作环境复杂、易受干扰、运行过程中性能劣化和参数时变等特点。传统的pid等控制算法在协调快速性和稳定性、维持鲁棒性及提升控制性能方面表现出一定局限性，变量柱塞泵系统存在阶跃响应超调量较高，其控制性能不稳的问题。同时，变量柱塞泵运行过程中会因磨损、疲劳等问题引起柱塞泵性能劣化，如果不能及时发现并进行维护保养，会造成生产效率的下降，严重地会造成设备损坏，继而引发安全问题。


技术实现要素：

4.为解决现有技术存在的上述问题，本发明提供了一种变量柱塞泵数字孪生控制方法和系统。
5.为实现上述目的，本发明提供了如下方案：
6.一种变量柱塞泵数字孪生控制方法，基于变量柱塞泵数字孪生模型实现；所述所述变量柱塞泵数字孪生模型包括：云服务系统、孪生数据中心、数字虚拟模型和电子柱塞泵物理实体模型；所述云服务系统与所述孪生数据中心进行数据交互；所述孪生数据中心分别与所述电子柱塞泵物理实体模型和所述数字虚拟模型进行数据交互；所述数字虚拟模型和所述电子柱塞泵物理实体模型进行数据交互；
7.所述变量柱塞泵数字孪生控制方法包括：
8.采用所述数字虚拟模型实时表征电子柱塞泵实体的运行状态；
9.采用孪生数据中心基于所述电子柱塞泵实体的运行状态和存储数据进行数据融合分析得到融合分析结果，并根据所述融合分析结果确定是否对电子柱塞泵实体的控制参数进行更新；所述存储数据包括：电子柱塞泵实体的物理数据和数字虚拟模型的仿真数据；所述融合分析结果包括电子柱塞泵实体的内部结构参数和运行参数。
10.优选地，当所述孪生数据中心确定对电子柱塞泵实体的控制参数进行更新时，执行以下操作：
11.基于遗传算法和lq控制参数优化算法确定电子柱塞泵实体的最优权值矩阵；所述最优权值矩阵包括：半正定对称阵和正定对称阵；
12.基于所述最优权值矩阵确定反馈增益矩阵和前馈增益；
13.基于所述反馈增益矩阵和所述前馈增益更新卡尔曼滤波状态观测器；
14.采用数字虚拟模型基于更新后的卡尔曼滤波状态观测器确定符合性能指标要求的参数；
15.对符合性能指标要求的参数进行仿真验证，当满足验证要求时，完成电子柱塞泵实体控制参数的更新。
16.优选地，所述基于遗传算法和lq控制参数优化算法确定电子柱塞泵实体的最优权值矩阵，具体包括：
17.依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵；
18.根据赋值后的半正定对称阵和正定对称阵确定最优的反馈增益矩阵和最优的前馈增益；
19.将所述最优的反馈增益矩阵和所述最优的前馈增益更新至所述数字虚拟模型中进行仿真，得到仿真结果；
20.根据所述仿真结果确定个体的适应度函数值；
21.当所述适应度函数值未取得预设最大值时，则对种群进行选择、交叉、变异操作，生成下一代群体，并返回“依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵”；
22.当所述适应度函数值取得预设最大值时，则得到最优权值矩阵。
23.优选地，以状态误差和控制输入的二次性约束为性能指标；所述状态误差和控制输入由更新后的卡尔曼滤波状态观测器确定。
24.优选地，所述性能指标为：
[0025][0026]
其中，q为半正定对称阵，r为正定对称阵，t为末值时间，u为控制输入，u(t)为控制输入变量，e(t)为误差向量，e’(t)为误差向量e(t)的转置矩阵，u’(t)为控制输入变量u(t)的转置矩阵。
[0027]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0028]
本发明提供的变量柱塞泵数字孪生控制方法，基于变量柱塞泵数字孪生模型实现，采用数字虚拟模型实时表征电子柱塞泵实体的运行状态，采用孪生数据中心基于电子柱塞泵实体的运行状态和存储数据进行数据融合分析得到融合分析结果，并根据融合分析结果确定是否对电子柱塞泵实体的控制参数进行更新，以能够在保证变量柱塞泵全生命周期的稳态及动态控制性能的同时，提高变量柱塞泵数字化、智能化水平。
[0029]
对应于上述提供的变量柱塞泵数字孪生控制方法，本发明还提供了一种变量柱塞泵数字孪生控制系统，该控制系统基于变量柱塞泵数字孪生模型实现；所述所述变量柱塞泵数字孪生模型包括：云服务系统、孪生数据中心、数字虚拟模型和电子柱塞泵物理实体模型；所述云服务系统与所述孪生数据中心进行数据交互；所述孪生数据中心分别与所述电子柱塞泵物理实体模型和所述数字虚拟模型进行数据交互；所述数字虚拟模型和所述电子柱塞泵物理实体模型进行数据交互；
[0030]
所述变量柱塞泵数字孪生控制系统包括：
[0031]
运行状态表征模块，用于采用所述数字虚拟模型实时表征电子柱塞泵实体的运行状态；
[0032]
参数更新确定模块，用于采用孪生数据中心基于所述电子柱塞泵实体的运行状态和存储数据进行数据融合分析得到融合分析结果，并根据所述融合分析结果确定是否对电
子柱塞泵实体的控制参数进行更新；所述存储数据包括：电子柱塞泵实体的物理数据和数字虚拟模型的仿真数据；所述融合分析结果包括电子柱塞泵实体的内部结构参数和运行参数。
[0033]
优选地，所述参数更新确定模块包括：
[0034]
权值矩阵确定单元，用于基于遗传算法和lq控制参数优化算法确定电子柱塞泵实体的最优权值矩阵；所述最优权值矩阵包括：半正定对称阵和正定对称阵；
[0035]
增益确定单元，用于基于所述最优权值矩阵确定反馈增益矩阵和前馈增益；
[0036]
观测器更新单元，用于基于所述反馈增益矩阵和所述前馈增益更新卡尔曼滤波状态观测器；
[0037]
参数确定单元，用于采用数字虚拟模型基于更新后的卡尔曼滤波状态观测器确定符合性能指标要求的参数；
[0038]
参数更新单元，用于对符合性能指标要求的参数进行仿真验证，当满足验证要求时，完成电子柱塞泵实体控制参数的更新。
[0039]
优选地，所述权值矩阵确定单元具体包括：
[0040]
赋值子单元，用于依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵；
[0041]
增益确定子单元，用于根据赋值后的半正定对称阵和正定对称阵确定最优的反馈增益矩阵和最优的前馈增益；
[0042]
仿真子单元，用于将所述最优的反馈增益矩阵和所述最优的前馈增益更新至所述数字虚拟模型中进行仿真，得到仿真结果；
[0043]
函数值确定子单元，用于根据所述仿真结果确定个体的适应度函数值；
[0044]
下一代群体生成子单元，用于当所述适应度函数值未取得预设最大值时，则对种群进行选择、交叉、变异操作，生成下一代群体，并返回“依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵”；
[0045]
权值矩阵确定子单元，用于当所述适应度函数值取得预设最大值时，则得到最优权值矩阵。
[0046]
因本发明提供的变量柱塞泵数字孪生控制系统达到的技术效果与上述提供的变量柱塞泵数字孪生控制方法达到的技术效果相同，故在此不再进行赘述。
附图说明
[0047]
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。
[0048]
图1为本发明提供的变量柱塞泵数字孪生控制方法的流程图；
[0049]
图2为本发明实施例提供的变量柱塞泵数字孪生模型图；
[0050]
图3为本发明实施例提供的分布式组网及云服务方案示意图；
[0051]
图4为本发明实施例提供的基于数字孪生的变量柱塞泵优化控制策略图；
[0052]
图5为本发明实施例提供的lq最优跟踪系统方框图；
[0053]
图6为本发明实施例提供的遗传算法优化q矩阵参数流程图；
[0054]
图7为本发明实施例提供的基于状态观测器的lq最优控制系统框图。
具体实施方式
[0055]
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。
[0056]
本发明针对变量柱塞泵参数慢时变问题，变量柱塞泵运行过程中性能劣化问题，提供一种变量柱塞泵数字孪生控制方法和系统，以能够在保证变量柱塞泵全生命周期的稳态及动态控制性能的同时，提高变量柱塞泵数字化、智能化水平。
[0057]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0058]
本发明提供的变量柱塞泵数字孪生控制方法，基于如图2所示的变量柱塞泵数字孪生模型实现；变量柱塞泵数字孪生模型包括：云服务系统、孪生数据中心、数字虚拟模型和电子柱塞泵物理实体模型；云服务系统与孪生数据中心进行数据交互；孪生数据中心分别与电子柱塞泵物理实体模型和数字虚拟模型进行数据交互；数字虚拟模型和电子柱塞泵物理实体模型进行数据交互；
[0059]
如图1所示，本发明提供的变量柱塞泵数字孪生控制方法包括：
[0060]
步骤100：采用数字虚拟模型实时表征电子柱塞泵实体的运行状态；
[0061]
步骤101：采用孪生数据中心基于电子柱塞泵实体的运行状态和存储数据进行数据融合分析得到融合分析结果，并根据融合分析结果确定是否对电子柱塞泵实体的控制参数进行更新；存储数据包括：电子柱塞泵实体的物理数据和数字虚拟模型的仿真数据；融合分析结果包括电子柱塞泵实体的内部结构参数和运行参数。
[0062]
其中，当孪生数据中心确定对电子柱塞泵实体的控制参数进行更新时，执行以下操作：
[0063]
s1、基于遗传算法和lq控制参数优化算法确定电子柱塞泵实体的最优权值矩阵；最优权值矩阵包括：半正定对称阵和正定对称阵；
[0064]
s2、基于最优权值矩阵确定反馈增益矩阵和前馈增益；
[0065]
s3、基于反馈增益矩阵和前馈增益更新卡尔曼滤波状态观测器；
[0066]
s4、采用数字虚拟模型基于更新后的卡尔曼滤波状态观测器确定符合性能指标要求的参数；
[0067]
s5、对符合性能指标要求的参数进行仿真验证，当满足验证要求时，完成电子柱塞泵实体控制参数的更新，并将更新后的控制参数发送给电子柱塞泵物理实体模型。
[0068]
下面提供一个实施例对上述提供的变量柱塞泵数字孪生控制方法的具体实现过程进行说明，在实际应用过程中，不限于此。
[0069]
在该实施例中以变量柱塞泵数字化、电子化为基础，构建变量柱塞泵的分布式组网及云服务方案如图3所示。云服务为实现数字孪生的关键技术之一，云服务中心通过大数据及高性能运算为数字孪生模型提供数据存储与分析、计算及决策等服务。构建的分布式
组网方案涵盖了工厂设备和工程机械设备，移动组网方案赋予了数字控制器更高的智能化水平，方便做到设备的互联互通，也便于设备生产厂商进行实时监测、生产调度及设备维护。云服务中心具有仿真、优化、诊断模型及智能算法、专家经验，可完成建模仿真、状态监测、健康管理、决策支持。不仅存储有物理实体的运行状态、实时性能、突发扰动等状态数据，建模仿真所需的模型数据，过程验证、评估、分析、预测等仿真数据，还提供专家知识、行业标准、常用算法库与模型库等知识服务。设计的分布式组网及云服务方案作为构建变量柱塞泵数字孪生模型的基础，进而可依托数字孪生模型实现健康管理、优化控制等。
[0070]
如图2所示，构建的五维变量柱塞泵数字孪生模型，由变量柱塞泵物理实体模型、数字虚拟模型、孪生数据中心、数据交互以及云服务五部分组成。五维变量柱塞泵数字孪生模型中，物理实体上传实时数据至云服务中心，同时也从云服务中心接收优化控制指令；数字模型由云服务中心构建，并与云服务中心完成仿真数据及实时数据的交互。云服务中心为用户提供状态监测、健康管理、优化控制服务。云服务及数据存储均由工业云完成，云端通过云计算、大数据分析、可视化交互等为变量柱塞泵数字孪生模型提供一个基础算力平台。
[0071]
图4为基于数字孪生的变量柱塞泵优化控制策略方案图，图4中数字模型建模、校准及仿真应用维护数字模型始终与物理实体保持同生命周期，并为优化控制决策与更新提供数据支持；优化控制决策与更新的控制算法是基于卡尔曼滤波状态观测器lq最优控制，根据实时数字模型的参数，执行遗传算法来寻找满足性能指标的参数，仿真验证后通过数据链路下发至数字控制器，完成物理实体端的控制参数更新。优化控制的流程如下：
[0072]
步骤1：基于由变量柱塞泵物理实体模型、数字虚拟模型、孪生数据中心、数据交互以及云服务五部分组成的变量柱塞泵数字孪生模型，云端数字虚拟模型可以感知电子柱塞泵实体的实时状态并完成数字模型建模与校准，以此表征电子柱塞泵实体的最新状态；
[0073]
步骤2：云端数据中心定时通过对物理数据和仿真数据进行数据融合与分析，来决策是否按照图4中的优化控制决策与更新模块中的方案完成电子柱塞泵物理实体的控制参数更新；
[0074]
步骤3：当数据分析结果表征柱塞泵的内部结构参数或运行参数发生改变，则判定需要更新；更新过程为：
[0075]
步骤3-1：基于遗传算法与变量柱塞泵模型的lq最优控制参数优化，在线寻找最优的权值矩阵q、r，其中q为半正定对称阵；r为正定对称阵；
[0076]
步骤3-2：由寻得最优的权值矩阵q、r计算反馈增益矩阵k和前馈增益g(t)，并更新基于卡尔曼滤波状态观测器；
[0077]
步骤3-3：基于五维变量柱塞泵数字孪生模型中的数字虚拟模型，以状态误差和控制输入的二次型约束为性能指标，对遗传算法来寻找满足性能指标的参数进行仿真验证，来决策是否通过数据链路下发至数字控制器，完成物理实体端的控制参数更新。
[0078]
步骤3中，最优控制系统设计的关键问题是性能指标j的选取，既要对系统性能正确评价，又要数学上容易处理和工程上能够实现。在这方面，线性二次型(lq)最优控制具有重要地位。
[0079]
考虑一受控动态系统的状态空间模型：
[0080][0081]
式中，状态变量为x(t)，控制输入变量是u(t)，输出变量为y(t)。
[0082]
研究lq最优跟踪问题，给定期望输出向量yr(t)，要求输出向量y(t)跟随期望输出向量变化而变化，且误差尽可能小。定义误差向量为：
[0083]
e(t)＝yr(t)-y(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0084]
采用线性二次型性能指标函数:
[0085][0086]
式中，其中，q为半正定对称阵，r为正定对称阵，t为末值时间，当末值时间无限时，t＝∞，u为控制输入，u(t)为控制输入变量，e(t)为误差向量，e’(t)为e(t)的转置矩阵，u’(t)为u(t)的转置矩阵。
[0087]
则使性能指标je取极小值的最优控制信号为：
[0088][0089]
式(4)中，p为实数、对称和正定的矩阵，它通过解下列riccati方程获得：
[0090]at
p pa-pbr-1bt
p c
t
qc＝0
ꢀꢀꢀꢀ
(5)
[0091]
式(4)中，g(t)为n维向量，是下列微分方程组的解
[0092][0093]
在式(1)表示的控制系统中根据式(4)构建前馈控制g(t)和反馈控制k，可得到lq最优跟踪系统方框图，如图5所示。线性二次型性能指标的物理意义在于，使用尽可能小的控制能量来保持尽量小的输出误差，以使控制能量和输出误差的综合最优。加权矩阵q和r的大小表明对跟踪误差和控制能量的重视程度，希望状态x(t)尽快跟踪到期望输出时，可加大q矩阵权值，强调控制量不能过大时，则加大r矩阵的权值。
[0094]
步骤3中，优化控制策略中为实现变量柱塞泵lq最优控制参数云端在线整定，引入了遗传算法，利用云端数字模型进行lq最优控制参数在线寻优。在变量柱塞泵lq控制参数优化问题中，采取r矩阵固定而进行权值矩阵q的寻优过程，q＝diag(q1,q2,q3,q4)，待优化的参数共有4个，采用实数编码方式。为防止遗传算法早熟，同时加快算法收敛速度，采用自适应遗传算法，设计自适应交叉概率pc和自适应变异率pm如式(7)、(8)所示：
[0095][0096]
[0097]
式中，f
av
为每代群体平均适应度；f'为要交叉两个个体中的较大适应度；自适应交叉概率pc和自适应变异率pm为p
c1
＝0.8,p
c2
＝0.6,p
m1
＝0.1,p
m2
＝0.001。
[0098]
适应度函数取式(3)中的线性二次型性能指标函数的倒数1/je，以使控制能量和输出误差的综合最优为目标，遗传算法优化变量柱塞泵控制系统q矩阵参数的基本流程图如图6所示，遗传算法寻找最优q矩阵的步骤为：
[0099]
1)在每次迭代循环过程中，依次将种群中个体的参数取值赋给q、r矩阵；
[0100]
2)计算最优反馈增益矩阵k和前馈增益g(t)；
[0101]
3)获得的结果更新至变量柱塞泵lq最优控制仿真模型中进行仿真并获取结果；
[0102]
4)依据输出结果计算个体的适应度函数值；
[0103]
5)若1/je未取得最大值，则对种群进行选择、交叉、变异操作，生成下一代群体，重复执行迭代寻优过程，若1/je满足输出条件，则输出最优q矩阵。
[0104]
步骤3中，针对实际中难以获取变量柱塞泵全部状态参数和实际参数测量存在噪声的问题，基于当前数字模型的状态空间模型提出了一种基于卡尔曼滤波状态观测器的变量柱塞泵lq最优控制方法。
[0105]
变量柱塞泵lq最优控制基于状态空间模型，需要获取其全部状态参量。实际条件中，由于测量成本和测量条件等原因，无法获取变量柱塞泵全部状态参数，且测得的状态量也会因输入噪声而影响反馈控制效果，需要进行一定滤波。为此，需考虑设计状态观测器，实现基于状态观测器的变量柱塞泵lq最优控制。完成对变量柱塞泵的状态估计，设计基于状态观测器的lq最优控制。
[0106]
卡尔曼滤波是一种适用于线性系统的状态估计工具，也是最小方差估计滤波器。考虑一个离散带噪声的线性系统：
[0107][0108]
式中，a为状态转移矩阵，b为控制输入矩阵，c为系统状态观测矩阵；u(k)为系统输入矩阵，x(k)为系统状态矩阵，y(k)为状态阵的观测量，k表示时刻，k只能取正整数；ω为过程噪声，ν为测量噪声。
[0109]
采用卡尔曼滤波进行状态估计在于，在测量噪声和过程噪声存在的情况下，通过测量输出y和输入u来获得关于状态变量x的估计。卡尔曼滤波算法假设系统噪声和测量噪声均为高斯白噪声，整个估计过程由时间更新(完成预测)和测量更新(完成校正)两大部分组成，整个过程的重点在于求解与更新卡尔曼反馈增益，其决定了预测值和测量值在估计值中的比例关系。
[0110]
(a)时间更新：预测系统状态及系统状态估计误差的协方差矩阵为：
[0111][0112][0113]
式中，a、b为系统状态空间矩阵，为状态的预测值，为状态的观测值，uk为为系统输入矩阵，为预测协方差矩阵，p
k-1
为系统状态估计协方差，k表示时刻，k只能取正整数，q为系统噪声协方差矩阵。
[0114]
(b)测量更新：计算卡尔曼增益和更新系统状态预测值及系统状态估计误差的协
方差矩阵，见公式(12)-(14)：
[0115][0116][0117][0118]
式中，kk为滤波增益矩阵，r为观测噪声协方差矩阵。
[0119]
定义卡尔曼滤波状态观测器的误差为r，可以获得卡尔曼滤波状态观测及误差表达式为：
[0120][0121]
式中，a、b、c为系统状态空间矩阵，k为卡尔曼滤波器增益；为状态观测值。
[0122]
图7为基于状态观测器的lq最优控制系统框图，y为输出流量，yr为期望输出流量，控制输出和输出流量经k增益矩阵反馈与前馈增益g滤波后的期望值叠加，形成控制量u，完成系统闭环控制。
[0123]
步骤3中基于数字模型的仿真与验证，依据优化后的控制参数是否满足以状态误差和控制输入的二次型约束为性能指标的je(如公式(3)所示)，来决策是否更新电子柱塞泵控制器的状态观测器及增益矩阵，如果性能指标不满足要求，则重新执行图6的遗传算法寻优流程。
[0124]
基于上述描述，采用现代控制、智能控制理论研究便于工程实现的优化控制算法能够进一步提升变量柱塞泵的稳定控制性能。同时，在云服务、新兴工业信息系统和工业智能的推动下，数字孪生技术逐渐成为智能制造领域、复杂系统智能运行和维护领域的新兴研究热点，为复杂装备优化控制、故障预测与健康管理等提供了强有力的技术手段。通过更加高效可靠的健康管理、状态监测等解决方案，实现变量柱塞泵全寿命周期健康管理、生产调度及预测性维护，提高变量柱塞泵的智能化水平，对液压行业的电子化、数字化、智能化具有示范和引领作用。
[0125]
基于此，本发明中采用变量柱塞泵数字控制及数字孪生技术，立足变量柱塞泵数字化发展需求，以智能化硬件为基础，设计基于数字孪生的变量柱塞泵智能化管理与优化控制解决方案，对变量柱塞泵的优化控制策略研究具有现实意义。在控制算法上，选用理论上更加完善和成熟线性二次型(linear quadratic,lq)最优控制算法，其通过简单的线性状态反馈控制律构成闭环最优控制，具有简单易实现、计算量小、控制性能良好，便于嵌入式数字控制器的实现和应用的优点。在优化控制算法的基础上，研究变量柱塞泵数字孪生技术，通过变量柱塞泵物理实体与云端数据交互的方式，完成基于数字模型和历史运行数据的控制优化、寿命预测与健康管理等智能化管理。
[0126]
此外，对应于上述提供的变量柱塞泵数字孪生控制方法，本发明还提供了一种变量柱塞泵数字孪生控制系统，该控制系统基于变量柱塞泵数字孪生模型实现；所述所述变量柱塞泵数字孪生模型包括：云服务系统、孪生数据中心、数字虚拟模型和电子柱塞泵物理实体模型；所述云服务系统与所述孪生数据中心进行数据交互；所述孪生数据中心分别与所述电子柱塞泵物理实体模型和所述数字虚拟模型进行数据交互；所述数字虚拟模型和所述电子柱塞泵物理实体模型进行数据交互；
[0127]
所述变量柱塞泵数字孪生控制系统包括：
[0128]
运行状态表征模块，用于采用所述数字虚拟模型实时表征电子柱塞泵实体的运行状态；
[0129]
参数更新确定模块，用于采用孪生数据中心基于所述电子柱塞泵实体的运行状态和存储数据进行数据融合分析得到融合分析结果，并根据所述融合分析结果确定是否对电子柱塞泵实体的控制参数进行更新；所述存储数据包括：电子柱塞泵实体的物理数据和数字虚拟模型的仿真数据；所述融合分析结果包括电子柱塞泵实体的内部结构参数和运行参数。
[0130]
作为本发明的一个优选实施例，上述提供的参数更新确定模块包括：
[0131]
权值矩阵确定单元，用于基于遗传算法和lq控制参数优化算法确定电子柱塞泵实体的最优权值矩阵；所述最优权值矩阵包括：半正定对称阵和正定对称阵；
[0132]
增益确定单元，用于基于所述最优权值矩阵确定反馈增益矩阵和前馈增益；
[0133]
观测器更新单元，用于基于所述反馈增益矩阵和所述前馈增益更新卡尔曼滤波状态观测器；
[0134]
参数确定单元，用于采用数字虚拟模型基于更新后的卡尔曼滤波状态观测器确定符合性能指标要求的参数；
[0135]
参数更新单元，用于对符合性能指标要求的参数进行仿真验证，当满足验证要求时，完成电子柱塞泵实体控制参数的更新。
[0136]
其中，权值矩阵确定单元具体包括：
[0137]
赋值子单元，用于依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵；
[0138]
增益确定子单元，用于根据赋值后的半正定对称阵和正定对称阵确定最优的反馈增益矩阵和最优的前馈增益；
[0139]
仿真子单元，用于将所述最优的反馈增益矩阵和所述最优的前馈增益更新至所述数字虚拟模型中进行仿真，得到仿真结果；
[0140]
函数值确定子单元，用于根据所述仿真结果确定个体的适应度函数值；
[0141]
下一代群体生成子单元，用于当所述适应度函数值未取得预设最大值时，则对种群进行选择、交叉、变异操作，生成下一代群体，并返回“依次将种群中个体的参数取值赋给半正定对称阵和正定对称阵”；
[0142]
权值矩阵确定子单元，用于当所述适应度函数值取得预设最大值时，则得到最优权值矩阵。
[0143]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0144]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。