循环涟漪纹波预测方法与智能控制系统技术方案

循环涟漪纹波预测方法与智能控制系统，可以应用到预测、智能控制、电机转速控制等领域。本发明专利技术通过构造循环涟漪纹波矩阵，将控制系统输入、输出、状态的时间序列历史数据转化为带有时间序列数据信息的图像，进而基于深度神经网络方法，实现能够根据多维时间序列数据去预测其中一维时间序列的未来值。将上述方法应用于智能控制系统和电机转速控制系统，预测系统输出的未来值替代当前值，实现控制性能的提升。本发明专利技术提出的方法实现了多维时间序列的更精准预测，本发明专利技术提出的系统实现了智能控制系统性能的提升。

【技术实现步骤摘要】
循环涟漪纹波预测方法与智能控制系统
本专利技术提出了一种循环涟漪纹波预测方法与基于上述方法的智能系统，可以应用到预测、智能控制、电机转速控制等领域。
技术介绍
近几年来，随着国内科技水平的快速发展，人工智能技术被广泛地应用在工业生产的控制和仿真领域，以至于出现了许多基于人工智能技术的交叉学科。仅在预测估计这一单独领域来看，传统的机器学习算法如贝叶斯模型、支持向量机模型已经被广泛地应用在小样本数据分类问题，AR、MA、ARIMA和VARIMA模型也可以完成时间序列预测任务。人工神经网络作为目前人工智能领域最重要和最热门的技术之一，已经成功解决了许多领域中的部分预测问题。将基于人工神经网络技术的时间序列预测方法、PID控制理论相互结合运用到工业生产当中，可以很大程度上提高预测结果的准确性和合理性，为提升工业生产的效率和自动化水平奠定了坚实的基础。本专利尤其针对当前尚有诸多发展空间的多维数据预测领域，紧贴工业生产中的实际要求，通过多种技术的融合实现了系统的智能化与自动化。当前需要拟合预测和预测控制的工业生产领域存在的问题是：(1)缺少针对多维时间序列准确预测未来结果的方法，不能完全符合工业领域的实际需求，但基于多维时间序列的预测需求非常多；(2)当前的时间序列预测方法仍有提升空间，例如对于时间序列的预测，精度有待进一步提升，预测步长有待进一步增长(3)对多维数据自动采集、预测的智能系统应用较少，例如在智能控制中，预测与经典人工智能结合改进智能控制系统的应用较少。
技术实现思路
本专利技术的目的在于：(1)提出了一种新型基于深度学习的多维时间序列预测方法。(2)相比传统预测方法提升了预测结果的准确性。(3)基于多维预测方法，结合PID控制算法实现了集自动读取数据、处理数据及进行预测的多维高精度预测的智能系统。本专利技术通过构造循环涟漪纹波矩阵，将时间序列历史数据转化为带有时间序列数据信息的图像，进而基于深度神经网络方法，实现能够根据多维时间序列数据去预测其中一维时间序列的未来值。将上述方法应用于智能控制系统，预测未来系统输出进而参与当前控制，实现控制性能的进一步提升。为了实现上述目的，本专利技术采取了如下技术方案，包括两部分：一是循环涟漪纹波预测方法5000参见图1，二是基于循环涟漪纹波预测方法的智能控制系统1000参见图2；1.循环涟漪纹波预测方法5000，包括预测配置流程5100和预测流程5200；用于电机转速控制时，输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值，输出是电机转速在未来时刻的预测值；1.1循环涟漪纹波预测方法5000，其特征在于：循环涟漪纹波预测方法5000的关键步骤是：将时间序列历史数据转化为带有时间序列数据信息的图像，这些图像作为深度学习方法训练样本的特征值，从而实现基于深度学习的时间序列预测；该方法包括两个流程：预测配置流程5100和预测流程5200；1.1.1、预测配置流程5100，其特征在于：由以下步骤构成：步骤5101：配置预测器参数：初始化预测步长为L_predict，L_predict为正整数；初始化神经网络，用XNN表示，神经网络采用领域公知的前馈型神经网络、反馈型神经网络或者深度神经网络，网络参数的配置方法与上述领域公知的神经网络配置方法一致；如果XNN是卷积神经网络CNN,网络的配置方法采用领域公知的卷积神经网络配置方法——神经网络的总层数大于4层不超过10层，卷积层与池化层分别大于1层不超过3层，采用Adam算法迭代更新神经网络的权重，神经网络学习率在0.001到0.007之间；配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P，0＜P＜N-1,是正整数的平方；步骤5102：配置涟漪纹波图像矩阵模板：构造和初始化涟漪纹波图像矩阵模板，用Model_RRW表示，其中涟漪纹波图像矩阵的维度用D_RRW表示，D_RRW是正奇数；步骤5102的输入是：D_RRW行D_RRW列的二维全零矩阵；步骤5102的输出是：涟漪纹波图像矩阵模板Model_RRW；步骤5102的计算方法是：对于矩阵Model_RRW，矩阵中每一个位置的坐标是(r，c),其中r表示行号，c表示列号，该位置的值为Model_RRW(r，c)；矩阵正中央的位置是：r_center＝c_center＝(D_RRW+1)/2；Model_RRW矩阵中任何一个元素Model_RRW(r，c)距离矩阵中心点Model_RRW(r_center，c_center)的距离可以表示为：将所有的距离Distance(r，c)进行排序，将(r_center，c_center)最近的矩阵元素(r_center，c_center)的值Model_RRW(r_center，c_center)设置为1；将距离(r_center，c_center)第二近的位置(r，c)上的元素Model_RRW(r，c)设置为2，将距离(r_center，c_center)第三近的位置(r，c)上的元素Model_RRW(r，c)设置为3，并以此类推。将距离(r_center，c_cennter)最远的位置(r，c)上的元素Model_RRW(r，c)设置为M，则可以构成Model_RRW所有位置元素，参见公式(1)；通常情况下设法M＝L_predict或者M＞L_predict，M＝L_predict时正好与预测参与计算的数据量一致；预测配置流程5100结束；1.1.2、预测流程5200，由步骤5201至步骤5206共6个步骤构成：步骤5201：构造向量时间序列：步骤5201的输入是：外部时间序列In(n，t),其中n表示不同时间序列的编号，n＝1，2，...，N,即一共有N个时间序列，t＝0，1，2，...，T，即每个时间序列包含T个时刻；用于电机转速控制时，外部时间序列In(n，t)是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的，其中In(1，t)是PID控制器的比例参数，In(2，t)是PID控制器的积分参数时间序列，In(3，t)是PID控制器的微分参数时间序列，In(4，t)是PID控制器的目标转速时间序列，In(5，t)是PID控制器的实际转速时间序列，In(6，t)是PID控制器输出给电机的驱动电压时间序列；步骤5201的输出是：多个时间序列，分为两部分：一是用于训练算法的训练样本的特征值Train_x(n，t)，其中n＝1，2，...，N-1，t＝1，2，...，T；二是用于训练算法的训练样本的标签值Train_y(t)，其中t＝M+L_predict，2，...，T；步骤5201的计算方法是：上述Train_x(n，t)的计算方法是：接收算法的输入In(n，t)中的n＝1，2，..本文档来自技高网...

【技术保护点】
1.一种循环涟漪纹波预测方法，其特征在于，包括两个流程：预测配置流程(5100)和预测流程(5200)；/n用于电机转速控制时，输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值，输出是电机转速在未来时刻的预测值；/n(1)预测配置流程(5100)由步骤(5101)至步骤(5102)共2个步骤构成：/n步骤(5101)：配置预测器参数：/n初始化预测步长为L_predict，L_predict为正整数；/n初始化神经网络，用XNN表示，神经网络采用前馈型神经网络、反馈型神经网络或者深度神经网络；如果XNN是卷积神经网络CNN,网络的配置方法是：神经网络的总层数大于4层不超过10层，卷积层与池化层分别大于1层不超过3层，采用Adam算法迭代更新神经网络的权重，神经网络学习率在0.001到0.007之间；/n配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P，0＜P＜N-1,是正整数的平方；/n步骤(5102)：配置涟漪纹波图像矩阵模板：/n构造和初始化涟漪纹波图像矩阵模板，用Model_RRW表示，其中涟漪纹波图像矩阵的维度用D_RRW表示，D_RRW是正奇数；/n步骤(5102)的输入是：D_RRW行D_RRW列的二维全零矩阵；/n步骤(5102)的输出是：涟漪纹波图像矩阵模板Model_RRW；/n步骤(5102)的计算方法是：/n对于矩阵Model_RRW，矩阵中每一个位置的坐标是(r，c),其中r表示行号，c表示列号，该位置的值为Model_RRW(r，c)；/n矩阵正中央的位置是：r_center＝c_center＝(D_RRW+1)/2；/nModel_RRW矩阵中任何一个元素Model_RRW(r，c)距离矩阵中心点Model_RRW(r_center，c_center)的距离表示为：/n...

【技术特征摘要】
1.一种循环涟漪纹波预测方法，其特征在于，包括两个流程：预测配置流程(5100)和预测流程(5200)；
用于电机转速控制时，输入是PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值，输出是电机转速在未来时刻的预测值；
(1)预测配置流程(5100)由步骤(5101)至步骤(5102)共2个步骤构成：
步骤(5101)：配置预测器参数：
初始化预测步长为L_predict，L_predict为正整数；
初始化神经网络，用XNN表示，神经网络采用前馈型神经网络、反馈型神经网络或者深度神经网络；如果XNN是卷积神经网络CNN,网络的配置方法是：神经网络的总层数大于4层不超过10层，卷积层与池化层分别大于1层不超过3层，采用Adam算法迭代更新神经网络的权重，神经网络学习率在0.001到0.007之间；
配置构成涟漪纹波图像矩阵的向量时间序列的向量个数P，0＜P＜N-1,是正整数的平方；
步骤(5102)：配置涟漪纹波图像矩阵模板：
构造和初始化涟漪纹波图像矩阵模板，用Model_RRW表示，其中涟漪纹波图像矩阵的维度用D_RRW表示，D_RRW是正奇数；
步骤(5102)的输入是：D_RRW行D_RRW列的二维全零矩阵；
步骤(5102)的输出是：涟漪纹波图像矩阵模板Model_RRW；
步骤(5102)的计算方法是：
对于矩阵Model_RRW，矩阵中每一个位置的坐标是(r，c),其中r表示行号，c表示列号，该位置的值为Model_RRW(r，c)；
矩阵正中央的位置是：r_center＝c_center＝(D_RRW+1)/2；
Model_RRW矩阵中任何一个元素Model_RRW(r，c)距离矩阵中心点Model_RRW(r_center，c_center)的距离表示为：



将所有的距离Distance(r，c)进行排序，将(R_center，c_center)最近的矩阵元素(r_center，c_center)的值Model_RRW(r_center，c_center)设置为1；将距离(r_center，c_center)第二近的位置(r，c)上的元素Model_RRW(r，c)设置为2，将距离(r_center，c_center)第三近的位置(r，c)上的元素Model_RRW(r，c)设置为3，并以此类推；将距离(r_center，c_center)最远的位置(r，c)上的元素Model_RRW(r，c)设置为M，则构成Model_RRW所有位置元素，参见公式(1)；



设M＝L_predict或者M＞L_predict，M＝L_predict时与预测参与计算的数据量一致；
预测配置流程(5100)结束；
(2)预测流程(5200)，由步骤(5201)至步骤(5206)共6个步骤构成：
步骤(5201)：构造向量时间序列：
步骤(5201)的输入是：外部时间序列In(n，t),期中n表示不同时间序列的编号，n＝1，2，...，N,即一共有N个时间序列，t＝0，1，2，...，T，即每个时间序列包含T个时刻；用于电机转速控制时，外部时间序列In(n，t)是由PID控制器的比例参数、积分参数、微分参数、目标转速、实际转速以及PID控制器输出给电机的驱动电压的历史时间序列值拼接成的，其中In(1，t)是PID控制器的比例参数，In(2，t)是PID控制器的积分参数时间序列，In(3，t)是PID控制器的微分参数时间序列，In(4，t)是PID控制器的目标转速时间序列，In(5，t)是PID控制器的实际转速时间序列，In(6，t)是PID控制器输出给电机的驱动电压时间序列；
步骤(5201)的输出是：多个时间序列，分为两部分：一是用于训练算法的训练样本的特征值Train_x(n，t)，其中n＝1，2，...，N-1，t＝1，2，...，T；二是用于训练算法的训练样本的标签值Train_y(t)，其中t＝M+L_predict，2，...，T；
步骤(5201)的计算方法是：
上述Train_x(n，t)的计算方法是：接收算法的输入In(n，t)中的n＝1，2，...，N-1；t＝1，2，...，T部分，参见公式(2)；
Train_x(n，t)＝In(n，t)，n＝1，2，...，N-1，t＝1，2，...，T；
上述Train_y(t)的计算方法是：接收算法的输入In(n，t)中的n＝N，t＝1+L_predict，2，...，T部分，参见公式(3)；
Train_y(t)＝In(N，t),t＝1，2，...，T
上述计算的特征是：将1，2，...，T时刻的特征值作为训练样本的特征值，将1，2，...，T的标签值作为训练样本的标签值，从而进行训练；
步骤(5202)：标准化计算：
为了消除由于量纲相差较大所引起的计算误差，对多个时间序列中的Train_x(n，t)、Train_y(t)进行标准化计算；
步骤(5202)的输入是：多个时间序列；
步骤(5202)的输出是：标准化结果，均值和标准差；
步骤(5202)的计算方法是：Train_x(n，t)的均值为Mean_x(n)，n＝1，2，...，N-1，Train_y(t)的均值为Mean_y，均值的计算方法见公式(4)和公式(5)，Train_x(n，t)的标准差为Std_x(n)，n＝1，2，...，N，Train_y(t)的标准差为Std_y，标准差的计算方法见公式(5)和公式(6)，根据均值和标准差计算出标准化的训练样本特征值向量Train_x_std(n，t)，n＝1，2，...，N-1，t＝1，2，...，T，标准化的训练样本标签值向量Train_y_std(t),t＝1，2，...，T，标准化的计算方法见公式(8)和公式(9)；









n＝1，2，...，N-1






n＝1，2，...，N-1，t＝1，2，...，T



t＝1，2，...，T
步骤(5203)：向量降维计算：
由于拼接计算(5205)步骤的输入需要P个向量，期中P在步骤配置预测器参数(5101)步骤中已经配置为正整数的平方，因此要将N-1个时间序列向量在尽可能保留信息量的情况下降维为P个向量，即P是小于N-1的正整数的平方；
步骤(5203)的输入是：步骤(5202)标准化后的结果Train_x_std(n，t)，n＝1，2，...，N-1，是N-1维向量，t＝1，2，...，T；
步骤(5203)的输出是：正整数的平方P个时间序列，Train_x_std_lowdim(p，t)，p＝1，2，...，P，t＝1，2，...，T；
当本方法用于电机转速控制时，降维后得到的P个时间序列每个时刻的值都是标准化后的结果的每个时刻值的线性组合；
步骤(5203)的计算方法是：使用降维算法DECtoLowDim，将步骤(5202)标准化后的N-1维向量Train_x_std(n，t)，n＝1，2，...，N-1，t＝1，2，...，T降维为P维向量Train_x_std_lowdim(p，t)，t＝1，2，...，T，降维方法见公式(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，...，T0
步骤(5204)：循环置入计算：将正整数的平方P个时间序列按照涟漪纹波图像矩阵模板置入，得到P个涟漪纹波图像矩阵；
步骤(5204)的输入是：正整数的平方P个时间序列，即Train_x_std_lowdim(p，t)，其中p＝1，2，...，P，t＝1，2，...，T和涟漪纹波图像矩阵模板，即Model_RRW，Model_RRW的定义见公式(1)；
步骤(5204)的输出是：P个D_RRW行D_RRW列的涟漪纹波图像矩阵，第p个时间序列在t＝M，M+1，...，T每个时刻均生成一个图像，即Train_x_std_lowdim_rrw(p，t)，p＝1，2，...，P，t＝M，M+1，...，T，对于第p个序列，在每个时刻t，共有M个历史时刻数据参与构成图像，该图像为上述涟漪纹波图像矩阵，即Train_x_std_lowdim_rrw(p，t)，其中Train_x_std_lowdim_rrw(p，t)是一个r行c列的矩阵，即Train_x_std_lowdim_rrw(p，...

【专利技术属性】
技术研发人员：刘经纬，谢方圆，张哲宇，李冠辰，马雪扬，李天悦，赵梦璇，陶欣雨，陈佳明，
申请(专利权)人：首都经济贸易大学，
类型：发明
国别省市：北京;11