CN118739948B 用于电机控制器的控制方法及系统 （无锡台翔电子技术发展有限公司）

本发明提供一种用于电机控制器的控制方2通过电机数据采集单元采集当前电机对应的多维度参数，结合预应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特征的概率通过所述电机数据采集单元获取电机运行参数并添加至所述认知映射在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法进行数通过电机数据采集单元采集当前电机对应的多维度参数，结合预应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特征的概率通过预先设置的电机数据采集单元采集当前电机对应的多维度参数新门和重置门确定时间序列的依赖关系并结合注意力机制调整不同时间片段对应的注意3将所述时空特征表示作为输入添加至生成式对抗网络的生通过基于物理规律的灰箱建模方法确定状态变量之间的关系方通过所述电机数据采集单元获取电机运行参数并添加至所述认知映射通过所述电机数据采集单元获取当前电机对应的电机运行参数并添加至所述认知映获取当前电机的历史运行数据并构建历史数据集，设置自回归基于所述历史状态演化趋势，将所述多粒度特征表示添加至所述自4所述电机控制策略序列；基于对比学习构建策略评估模型并设置参考策略集合，对于所述电在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法进行数迭代次数并输出最后一次迭代生成的最优控通过所述电机数据采集单元在执行电机控制过程中获取当前电机对应的实时运行数基于知识图谱算法将所述实时运行数据映射为电机性能的多个维度并构建多维度评通过基于置信学习的异常检测方法，构建异常点判定函数并结将所述异常分析报告、所述偏差分析结果和所述综合评估值作为元学习算法的输入，达到所述最大迭代次数，将最后一次迭代中生成的最优控制策略作为当前电机的控制指5;zi表示第;t表示时间步。;gmm(fm(em),f(en))表示第m个维度和第n个维度之间的交互函数。第一单元，用于通过电机数据采集单元采集当前电机对应参数与所述多维度参数组合得到运行数据流，对所述运行数据流进行自适应时空特征提述时空特征表示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所6第二单元，用于通过所述电机数据采集单元获取电机运行参第三单元，用于在控制过程中获取实时运行数据并计算偏差达到预设的最大迭代次数并输出最后一次迭代生成其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至47[0001]本发明涉及电机控制技术领域，尤其涉及一种用于电机控制器的控制方法及系示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特征的[0009]在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法进8示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特征的合更新门和重置门确定时间序列的依赖关系并结合注意力机制调整不同时间片段对应的机参数关联图，通过图卷积操作聚合每个节点的邻域信息得到每个节点对应的结构特征，编码器将所述状态特征映射至隐变量空间，学习所述隐变量空间中的隐变量的后验分布，的组合完成低方差采样，结合流形正则化方法最小化所述隐变量在流形空间中的几何距9;zi的概率分布。[0022]通过所述电机数据采集单元获取当前电机对应的电机运行参数并添加至所述认行训练，结合所述训练集的真实标签对所述自回归模型的超参数进行优化直至模型收敛，对对每个时间步对应的多粒度特征表示进行预测，组合预测得到的结果生成所述状态轨得到所述电机控制策略序列；策略对的相似性学习策略表示，结合长期累积回报和短期瞬时效应构建混合策略评估机制，通过加权融合所述长期累积回报对应的价值函数和即时奖励计算得到综合评估结果，[0027]根据更新后的值函数结合策略梯度算法更新所述策略函数近似器的参数如下公[0031]在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法进的最大迭代次数并输出最后一次迭代生成的最优控[0032]通过所述电机数据采集单元在执行电机控制过程中获取当前电机对应的实时运设置的标准运行数据进行比较，计算偏差数据并通过分布式主动推理算法构建推理规则[0033]基于知识图谱算法将所述实时运行数据映射为电机性能的多个维度并构建多维常点与其他实时运行数据对应的点之间的距离，生成距离矩阵并对所述异常点进行聚类，进行自适应更新，设置最大迭代次数并重复更新所述认知映射模型和所述策略评估模型，gm(fm(em),f(en))表示第m个维度和第n个维度之间的交互函数。所述时空特征表示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定直至达到预设的最大迭代次数并输出最后一次迭代生供了一种创新性的解决方案。[0057]S1.通过电机数据采集单元征表示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特示对应的状态特征并通过变分自编码器和最大化边缘似然估计算法确定所述状态特征的合更新门和重置门确定时间序列的依赖关系并结合注意力机制调整不同时间片段对应的机参数关联图，通过图卷积操作聚合每个节点的邻域信息得到每个节点对应的结构特征，编码器将所述状态特征映射至隐变量空间，学习所述隐变量空间中的隐变量的后验分布，的组合完成低方差采样，结合流形正则化方法最小化所述隐变量在流形空间中的几何距变化趋势，所述时变图卷积网络是一种结合了时间序列数据和图结构数据的神经网络模[0066]通过预先设置的电机数据采集单元采集当前电机对应的多维度参数，包括转速、方法评估电机数据采集单元的可信度为0.9，相关性为0.8，环境传感器阵列的可信度为当前电机对应的数据的空间关联模式，通过时变图卷积网络对空间关联模式进行动态更卷积层和上采样层将随机噪声向量映射至128维状态特征空间，同时将电机工况条件作为;zi的概率分布。[0076]S2.通过所述电机数据采集单元获取电机运行参数并添加至所述认知映射模型[0077]所述多粒度特征表示指的是在不同的尺度或层次上对数所述历史状态演化趋势是指系统或变量随时间的变化趋势，通常用于分析和预测未来状[0080]通过所述电机数据采集单元获取当前电机对应的电机运行参数并添加至所述认行训练，结合所述训练集的真实标签对所述自回归模型的超参数进行优化直至模型收敛，对对每个时间步对应的多粒度特征表示进行预测，组合预测得到的结果生成所述状态轨得到所述电机控制策略序列；策略对的相似性学习策略表示，结合长期累积回报和短期瞬时效应构建混合策略评估机制，通过加权融合所述长期累积回报对应的价值函数和即时奖励计算得到综合评估结果，将这些参数添加到认知映射模型中，认知映射模型学习当前电机运行状态对应的语义特[0092]根据更新后的值函数结合策略梯度算法更新所述策略函数近似器的参数如下公sr)表示旧策略在状态st下选择行动ar的概率，clip表示[0096]S3.在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法[0097]所述偏差数据是指在数据集中由于某种原因导致数据的统计特性偏离真实值或[0099]在控制过程中获取实时运行数据并计算偏差数据并结合分布式主动推理算法进[0100]通过所述电机数据采集单元在执行电机控制过程中获取当前电机对应的实时运设置的标准运行数据进行比较，计算偏差数据并通过分布式主动推理算法构建推理规则[0101]基于知识图谱算法将所述实时运行数据映射为电机性能的多个维度并构建多维常点与其他实时运行数据对应的点之间的距离，生成距离矩阵并对所述异常点进行聚类，进行自适应更新，设置最大迭代次数并重复更新所述认知映射模型和所述策略评估模型，[0105]在执行电机控制过程中，通过电机数据采集单元获取当