旋转件的控制方法、系统及轴承的控制方法与流程 专利技术说明

控制;调节装置的制造及其应用技术1.本发明涉及旋转机械控制领域，具体而言，涉及一种旋转件的控制方法、系统及轴承的控制方法。背景技术：2.在各个领域中，时常需要使用能够发生旋转运动的机械设备，依靠机械设备驱动其他机构转动；例如离心机、减速箱和电机等。在该类旋转设备的使用过程中，需要控制设备内部旋转件的旋转状态。例如在磁悬浮电机中，需要控制磁悬浮轴承的旋转状态来保证磁悬浮电机的稳定输出。3.在现有技术中，通常使用pid控制原理对旋转件进行控制，pid参数直接决定了旋转件控制系统的动态响应速度、控制带宽以及系统运行的稳定性。然而在现有技术中，大多采用人为设定pid参数的方式维持旋转件控制系统的运行。但是手动找到最优的pid参数难度较大，导致旋转件控制系统的稳定性下降。技术实现要素：4.本技术实施例提供了一种旋转件的控制方法、系统及轴承的控制方法，以至少解决由于pid参数选用不合理造成的旋转件控制系统稳定性下降的技术问题。5.根据本发明实施例的一个方面，提供了一种旋转件的控制方法，包括：获取旋转件识别信息和旋转状态信息；在所述旋转件识别信息与当前响应的旋转件识别信息不匹配时，根据所述获取的旋转件识别信息更新比例积分微分神经网络模型的初值；利用所述旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数；根据所述控制参数更新所述比例积分微分控制器并利用更新后的比例积分微分控制器对所述旋转状态信息进行处理，得到旋转控制值，以对旋转件进行控制。6.可选地，所述利用所述旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数，包括：根据所述旋转状态信息中的位移偏差信息和所述比例积分微分神经网络模型的初值计算得到比例系数、积分系数和微分系数；将所述比例系数、积分系数和微分系数判定为所述控制参数，其中，所述控制参数与计算所述旋转控制值相关。7.可选地，所述位移偏差信息包括当前采样时刻的位移偏差值、前一采样时刻的位移偏差值和前二采样时刻的位移偏差值。8.可选地，在所述旋转件识别信息与当前响应的旋转件识别信息不匹配时，所述方法还包括：计算所述初值中第一神经元加权系数与预设的第一偏置量值，得到积分系数阈值区间；计算所述初值中第二神经元加权系数与预设的第二偏置量值，得到比例系数阈值区间；计算所述初值中第三神经元加权系数与预设的第三偏置量值，得到微分系数阈值区间。9.可选地，在所述得到旋转控制值之后，所述方法还包括：将所述旋转控制值映射为电流目标值；将所述电流目标值与电流反馈值作差，得到电流偏差值；利用电流控制器对所述电流偏差值进行处理，得到控制电流；将所述控制电流传输给所述旋转件或用于控制旋转件旋转状态的电元器件。10.可选地，在所述将所述控制电流传输给所述旋转件或用于控制旋转件旋转状态的电元器件之后，所述方法还包括：获取位移环中位移传感器采集的旋转件的实际位置信息；根据所述旋转件的实际位置信息与预设的参考位置信息，计算得到旋转件的位移偏差信息；利用所述比例积分微分神经网络模型和所述比例积分微分控制器对所述位移偏差信息进行处理，得到所述旋转控制值；利用所述位移环中的位置调节器对所述旋转控制值进行处理，得到所述电流目标值；根据电流环中电流传感器采集的线圈的电流反馈值和所述电流目标值，计算得到所述控制电流；利用所述控制电流生成实时占空比脉冲信号并传输给功率放大器，控制线圈电流；根据所述位移传感器采集所述实际位置信息的采集频率，在所述位移环和电流环构成的双闭环控制系统中迭代计算，以控制线圈电流对所述旋转件进行控制。11.可选地，所述旋转件为磁悬浮轴承。12.可选地，所述根据所述获取的旋转件识别信息更新比例积分微分神经网络模型的初值，包括：将所述旋转件识别信息上传给上位机；获取所述上位机下发的所述初值，其中，所述初值预先设置在所述上位机中且对应有所述旋转件识别信息，所述初值指所述比例积分微分神经网络模型的神经元加权系数；将所述比例积分微分神经网络模型中的原始初值替换为所述上位机下发的所述初值。13.可选地，所述旋转件识别信息包括旋转件体积信息和旋转件质量信息；在所述获取旋转件识别信息之后，所述方法还包括：判断所述旋转件体积信息是否与当前响应的旋转件识别信息中的旋转件体积信息相同；判断所述旋转件质量信息是否与当前响应的旋转件识别信息中的旋转件质量信息相同；若均相同，则判定所述旋转件识别信息与当前响应的旋转件识别信息匹配；否则，判定所述旋转件识别信息与当前响应的旋转件识别信息不匹配。14.根据本发明实施例的另一方面，还提供了一种旋转件的控制系统，包括：比例积分微分神经网络模型、比例积分微分控制器、电流控制器、功率放大器、线圈、旋转件、电流传感器和位移传感器；所述比例积分微分神经网络模型与所述比例积分微分控制器连接，用于计算所述比例积分微分控制器的控制参数；所述比例积分微分控制器与所述电流控制器和所述位移传感器连接，用于将原始的控制参数替换为所述比例积分微分神经网络模型传输的所述控制参数，并根据所述位移传感器传输的位移反馈值计算旋转控制值；所述电流控制器与所述功率放大器连接，用于根据所述旋转控制值生成脉冲信号；所述功率放大器与所述线圈连接，用于根据所述脉冲信号生成控制电流，并将所述控制电流传输至所述线圈；所述线圈与所述旋转件连接，用于根据所述控制电流控制所述旋转件的旋转状态；所述电流传感器用于采集所述线圈中的电流并生成反馈电流值；所述位移传感器用于采集所述旋转件的位置并生成位移反馈值；所述旋转件的控制系统在对所述旋转件进行控制时采用上述所述旋转件的控制方法。15.根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述旋转件的控制方法。16.根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述旋转件的控制方法。17.根据本发明实施例的另一方面，还提供了一种磁悬浮轴承的控制方法，包括：获取轴承识别信息和轴承旋转状态信息；在所述轴承识别信息与当前响应的轴承识别信息不匹配时，根据所述获取的轴承识别信息更新比例积分微分神经网络模型的初值；利用所述轴承旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数；根据所述控制参数更新所述比例积分微分控制器并利用更新后的比例积分微分控制器对所述轴承旋转状态信息进行处理，得到轴承控制值，以对磁悬浮轴承的位置进行修改。18.在本发明实施例中，采用替换比例积分微分神经网络模型初值的方式，通过获取旋转件识别信息判断需要控制的旋转件是否发生了变更，并在确定发生变更后，更新比例积分微分神经网络模型的初值，使比例积分微分神经网络模型利用初值和旋转状态信息重新计算控制参数。最后利用更新了控制参数的比例积分微分控制器计算得到旋转控制值，对旋转件进行控制。达到了及时更新控制参数的目的，从而实现了提高旋转件控制系统控制稳定性的技术效果，进而解决了由于控制参数选用不合理造成的旋转件控制系统稳定性下降的技术问题。附图说明19.图1是根据本发明实施例的一种可选的旋转件的控制方法的流程图；图2是根据本发明实施例的一种可选的旋转件的控制方法的结构示意图；图3是根据本发明实施例的一种可选的旋转件的控制装置的结构框图；图4是根据本发明实施例的一种可选的轴承的控制方法的流程图；图5是根据本发明实施例的一种可选的轴承的控制方法的另一流程图。具体实施方式20.下面详细描述本发明的实施例为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。22.根据本发明实施例，提供了一种旋转件的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。23.旋转设备在工作过程中，需要严格的对旋转参数进行控制，保证旋转件具有稳定的旋转状态。在现有技术中，通常使用pid技术对旋转件的旋转稳定性进行控制。但现有技术中通常采用人为设定pid参数的方式维持旋转件运行，此种方式不易找到当前受控旋转件的最优pid参数，且在受控旋转件发生型号变化或者工况变化时，pid参数无法适应性的调整，导致旋转件控制系统对旋转件的控制稳定性下降。24.为了克服上述缺陷，图1是本发明实施例的旋转件的控制方法，如图1所示，该方法包括如下步骤：步骤s101，获取旋转件识别信息和旋转状态信息。25.其中，旋转件识别信息和旋转状态信息可以同时获取，也可以分开获取。例如，先获取旋转件识别信息，在经过若干步骤之后，再获取旋转状态信息。即本实施例对旋转件识别信息和旋转状态信息间的获取顺序和获取时间不做具体限定。26.在一实施例中，旋转件识别信息指能够识别出旋转件的类型、型号、体积、质量和/或编号的信息，即根据旋转件识别信息能够判断出两个旋转件之间的差异即可。可以是质量上的差异，也可以是体积上的差异，亦可以是质量和体积的差异。在另一实施例中，旋转件识别信息指能够识别出受控旋转件是否发生更换的信息。例如，旋转件识别信息是一个低电平信号；在受控的旋转件发生变化后，旋转件控制系统会产生一个低电平信号。当前执行主体在接收到低电平信号后，即可判定受控的旋转件发生了更换。因此，本实施例对旋转件识别信息的结构、形式和包含的内容均不作具体限定。27.在一实施例中，旋转状态信息指旋转件的旋转状态，通过旋转状态信息能够得知旋转件的角速度、线速度、加速度和位置等信息中的至少一个。例如，在一应用场景中，旋转状态信息用于表征旋转件当前旋转位置与预设的目标位置之间的差异；其中，当前指采样时刻。28.需要说明的是，旋转件识别信息和旋转状态信息可以是实时获取，也可以是到达某一时刻获取，亦可以是之前存储的旋转件识别信息和旋转状态信息，对此本实施例不作具体限定。例如，在一实施例中，实时获取旋转件识别信息和旋转状态信息，且旋转件识别信息与旋转状态信息成组获取，即每个采样时刻均得到一单位的旋转件识别信息和旋转状态信息。在另一实施例中，传感器采集的旋转件识别信息和旋转状态信息不断存储在队列中，当前执行主体从队列中按照顺序调取旋转件识别信息和旋转状态信息。29.步骤s102、在旋转件识别信息与当前响应的旋转件识别信息不匹配时，根据获取的旋转件识别信息更新比例积分微分神经网络模型的初值。30.在一实施例中，当前执行主体实时获取旋转件识别信息，当被控旋转件发生变动时，获得的旋转件识别信息则会与之前的有所不同。即，当前响应的旋转件识别信息指更换之前的受控旋转件的识别信息，亦可以理解成在旋转件发生变更后，变更前的旋转件的旋转件识别信息为当前响应的；在获得变更后的旋转件的旋转件识别信息后，通过比对，发现旋转件发生变更，从而将变更后的旋转件判定为当前旋转件，对应的旋转件识别信息更新为当前响应的旋转件识别信息。31.在一实施例中，旋转件识别信息与当前响应的旋转件识别信息不匹配可以是信息中的内容完全不同，也可以是信息中的内容有部分不同，本实施例对此不作具体限定。只要在更换受控的旋转件之后，能够判定出旋转件识别信息与当前响应的旋转件识别信息不匹配即可。32.在一实施例中，旋转件识别信息中包含有初值标识。根据初值标识到预设的初值存储表中调取对应的初值，而后将比例积分微分神经网络模型中原有的初值更新为调取的初值即可。在另一实施例中，旋转件识别信息中包含有旋转件的质量、体积等信息，当前执行主体根据预设的换算公式，通过旋转件的质量和体积等信息计算得到新的初值，而后将比例积分微分神经网络模型中原有的初值更新为调取的初值即可。本实施例对初值获得过程和更新到比例积分微分神经网络模型中的方式不做具体限定。33.需要说明的是，比例积分微分神经网络模型即pid神经网络模型，本实施例对比例积分微分神经网络模型的类型不做具体限定，旨在能够计算比例积分微分控制器的控制参数即可。例如，可以是单神经元pid控制神经网络。34.其中，在一实施例中，比例积分微分神经网络模型的初值指神经元加权系数。初值可以是根据现有的旋转件的类型或者型号，通过实验得到，而后存储到初值表中。每种类型或者型号的旋转件均对应有一组初值。35.步骤s103、利用旋转状态信息以及更新后的比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数。36.在一实施例中，旋转状态信息中包含有表征旋转件旋转状态的信息，例如转速、旋转位置等，利用初值得到更新的比例积分微分神经网络模型对旋转状态信息进行计算，即可得到控制参数。具体的，控制参数包括比例系数、积分系数和微分系数。37.需要说明的是，在一实施例中，旋转件状态信息是实时采集，当前执行主体实时获取。因此控制参数也随着采集频率不断更新，比例积分微分神经网络模型根据旋转件状态信息的采集频率迭代计算，实时更新控制参数。38.步骤s104、根据控制参数更新比例积分微分控制器并利用更新后的比例积分微分控制器对旋转状态信息进行处理，得到旋转控制值，以对旋转件进行控制。39.在一实施例中，得到控制参数后，对比例积分微分控制器进行更新，使控制参数替换原有的控制参数。而后利用控制参数得到更新的比例积分微分控制器对旋转状态信息进行处理，得到旋转控制值。40.具体的，旋转控制值可以是用于控制旋转件改变位置的控制值，也可以是用于控制旋转件改变转速的控制值，亦可以是既改变位置又改变速度的控制值，对此本实施例不作具体限定。此外，旋转控制值可以直接施加在旋转件上，实现旋转状态的改变；也可以施加在旋转件的驱动设备上，例如电机或者线圈。因此，对于旋转件不同类型的驱动设备，旋转控制值为对应的形式。例如，在驱动设备为电机时，旋转控制值可以是一个电磁波信号，用于改变电机的转速，从而改变旋转件的转速；再例如，在驱动设备为线圈时，旋转控制值为电流，用于改变线圈内的电流，以控制旋转件的转速或者位置发生变化。41.通过上述步骤，利用旋转件识别信息判断被控的旋转件是否发生了更换。在被控的旋转件发生更换后，根据旋转件识别信息能够得到适用于当前被控的旋转件的初值。而后利用得到的初值对比例积分微分神经网络模型进行更新，再通过比例积分微分神经网络模型计算比例积分微分控制器的控制参数，使比例积分微分控制器得到更新。使比例积分微分控制器计算出的旋转控制值更适用于更换后的旋转件，从而提高旋转件的控制精度和控制质量，使旋转件的控制系统能够更加稳定地对旋转件进行控制，提高了旋转件控制系统的稳定性和可靠性。42.可选地，所述利用旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数，包括：根据旋转状态信息中的位移偏差信息和比例积分微分神经网络模型的初值计算得到控制参数中的比例系数、积分系数和微分系数；将比例系数、积分系数和微分系数判定为控制参数，其中，控制参数与计算旋转控制值相关。43.在一实施例中，对旋转件的位移量进行监测，即监测旋转件在旋转过程中偏离目标位置的距离，并将该位移量命名为位移偏差信息，属于旋转状态信息。在具体计算中，可以将旋转件的参考位置与监测到的实际位置作差，得到位移偏差信息。44.在一实施例中，如图2所示，神经网络pid中包含有比例积分微分神经网络模型和比例积分微分控制器，利用位移传感器采集的位移反馈值和参考位置作差，得到位移偏差信息；将作为比例积分微分神经网络模型的输入计算得到控制参数中的比例系数、积分系数和微分系数。45.具体的，在一应用场景中，计算过程如下：；（1）；（2）；（3）式中，；（4）其中，、、为积分、比例、微分的学习速率；k为神经元的比例系数；为性能指标或者递进信号；为神经元加权系数，也就是比例积分微分神经网络模型的初值；为当前采样时刻的控制量；为可调系数；为当前采样时刻的期望输出与实际输出之差，即位移偏差信息；为当前采样时刻的控制量。46.经典增量式pid控制器输出控制量为：；（5）式中，、、分别是比例、积分、微分系数。47.进而得到神经网络pid控制参数：；（6）式中，下标min、max代表参数范围的最小值与最大值。48.通过上述步骤，利用比例积分微分神经网络模型的初值和位移偏差信息不断地更新当前采样时刻的比例系数、积分系数和微分系数，能够提高比例积分微分控制器针对当前采样时刻计算得到的控制量的精度，从而提高对旋转件位移控制的精度。49.可选地，位移偏差信息包括当前采样时刻的位移偏差值、前一采样时刻的位移偏差值和前二采样时刻的位移偏差值。50.其中，若当前采样时刻的位移偏差值为k，则前一采样时刻的位移偏差值为k-1，前二采样时刻的位移偏差值为k-2。51.通过上述步骤，位移偏差信息中包含有多个采样时刻的位移偏差值，有助于提高当前采样时刻对应的比例系数、积分系数和微分系数的适用性，使针对当前采样时刻的控制量能够更精确地控制旋转件的旋转状态。52.可选地，在所述旋转件识别信息与当前响应的旋转件识别信息不匹配时，所述方法还包括：步骤s401、计算初值中第一神经元加权系数与预设的第一偏置量值，得到积分系数阈值区间；在更新比例积分微分神经网络模型的初值后，同时更新积分系数的阈值区间，计算得到新的积分系数阈值区间。具体的，在一实施例中，预设有第一偏置量值bate1，将初值中第一神经元加权系数与bate1相加，得到积分系数阈值区间的上限阈值，将初值中第一神经元加权系数与bate1相减，得到积分系数阈值区间的下限阈值。其中，第一神经元加权系数与积分系数对应。53.步骤s402、计算初值中第二神经元加权系数与预设的第二偏置量值，得到比例系数阈值区间；在更新比例积分微分神经网络模型的初值后，同时更新比例系数的阈值期间，计算得到新的比例系数阈值区间。具体的，在一实施例中，预设有第二偏置量值bate2，将初值中第二神经元加权系数与bate2相加，得到比例系数阈值区间的上限阈值，将初值中第二神经元加权系数与bate2相减，得到比例系数阈值区间的下限阈值。其中，第二神经元加权系数与比例系数对应。54.步骤s403、计算初值中第三神经元加权系数与预设的第三偏置量值，得到微分系数阈值区间。55.在更新比例积分微分神经网络模型的初值后，同时更新微分系数的阈值期间，计算得到新的微分系数阈值区间。具体的，在一实施例中，预设有第三偏置量值bate3，将初值中第三神经元加权系数与bate3相加，得到微分系数阈值区间的上限阈值，将初值中第三神经元加权系数与bate3相减，得到微分系数阈值区间的下限阈值。其中，第三神经元加权系数与微分系数对应。56.此外，需要说明的是，第一偏置量值bate1、第二偏置量值bate2和第三偏置量值bate3可以相同，也可以不同，本实施例对此不做限定，具体根据旋转件的参数和实际使用过程中的各项参数确定。57.通过上述步骤，在更新比例积分微分神经网络模型初值的同时，更新控制系数的阈值区间。由于更新的初值与当前响应的旋转件适配，因此更新后的阈值区间有助于使适配的旋转件在多种工况下，均能够得到精准的控制量，从而保证同一旋转件在不同运行工况下均能够得到良好的控制。58.可选地，在所述得到旋转控制值之后，所述方法还包括：步骤s501、将旋转控制值映射为电流目标值。59.具体的，在一实施例中，如图2所示，旋转件控制系统为双闭环系统，其中，旋转控制值由位移环输出并作为电流环的参考值，即作为电流环的电流目标值。60.步骤s502、将电流目标值与电流反馈值作差，得到电流偏差值。61.其中，如图2所示，电流环的电流传感器实时采集线圈的电流，得到电流反馈值；将-计算得到电流偏差值。62.步骤s503、利用电流控制器对电流偏差值进行处理，得到控制电流。63.其中，如图2所示，将电流偏差值作为电流控制器的输入，电流控制器输出实时占空比pwm信号给功率放大器，使功率放大器输出用于控制旋转件的控制电流。64.步骤s504、将控制电流传输给旋转件或用于控制旋转件旋转状态的电元器件。65.在一实施例中，如图2所示，旋转件为电机的转子，控制转子旋转位置的为磁悬浮轴承。通过将控制电流传输给磁悬浮轴承的线圈，改变线圈内的电流值，实现对转子的位置控制，使旋转件稳定于目标位置。66.通过上述步骤，利用旋转控制值改变旋转件的控制电流，从而改变旋转件的旋转状态，方便快捷，有助于提高控制精准度。67.可选地，如图2所示，在将控制电流传输给旋转件或用于控制旋转件旋转状态的电元器件之后，所述方法还包括：s601、获取位移环中位移传感器采集的旋转件的实际位置信息。68.其中，旋转件通过双闭环反馈系统进行控制，包括位移环和电流环。其中，位移环用于监测旋转件的位置，电流环用于监测和控制旋转件的控制电流；即通过改变电流值实现对旋转件旋转位置的控制。69.在一实施例中，旋转件的实际位置信息即位移传感器采集时旋转件距离参考位置的坐标信息或者距离值信息。70.s602、根据旋转件的实际位置信息与预设的参考位置信息，计算得到旋转件的位移偏差信息。71.s603、利用比例积分微分神经网络模型和比例积分微分控制器对位移偏差信息进行处理，得到旋转控制值。72.s604、利用位移环中的位置调节器对旋转控制值进行处理，得到电流目标值。73.s605、根据电流环中电流传感器采集的线圈的电流反馈值和电流目标值，计算得到控制电流。74.s606、利用控制电流生成实时占空比脉冲信号并传输给功率放大器，控制线圈电流。75.s607、根据位移传感器采集所述实际位置信息的采集频率，在位移环和电流环构成的双闭环控制系统中迭代计算，以控制线圈电流对旋转件进行控制。76.通过上述步骤，采用双闭环反馈方式对旋转件的旋转状态进行控制，有助于提高控制精度。77.可选地，旋转件为磁悬浮轴承。78.可选地，所述根据获取的旋转件识别信息更新比例积分微分神经网络模型的初值，包括：步骤s801、将旋转件识别信息上传给上位机。79.在一实施例中，由于通过旋转件识别信息能够得知具体的旋转件，因此直接将旋转件识别信息上传给上位机，上位机即可通过旋转件识别信息找到对应旋转件的初值。80.步骤s802、获取上位机下发的初值。81.其中，初值预先设置在上位机中，且每个初值均对应有旋转件识别信息。即根据旋转件识别信息能够查找到唯一的初值。初值指比例积分微分神经网络模型的神经元加权系数，即上述公式中的。82.步骤s803、替换比例积分微分神经网络模型中对应的原始初值。83.在一实施例中，比例积分微分神经网络模型中设置有原始初值。其中，原始初值可以是比例积分微分神经网络模型的默认初值，也可以是之前使用比例积分微分神经网络模型时赋予的初值。将从上位机获得的初值替换原始初值，完成对比例积分微分神经网络模型的更新。84.通过上述步骤，上位机中预设有多套初值，每套初值均与一种类型或者一种型号亦或是一个旋转件对应。在旋转件发生变更后，向上位机传输相应的信息，得到上位机下发的初值。方便快捷，有利于提高旋转件的控制效率，使旋转件得到优选的控制参数的同时，快速恢复旋转状态的稳定。85.可选地，所述旋转件识别信息包括旋转件体积信息和旋转件质量信息。86.在所述获取旋转件识别信息之后，所述方法还包括：步骤s901、判断旋转件体积信息是否与当前响应的旋转件识别信息中的旋转件体积信息相同。87.在一实施例中，实时获取旋转件识别信息，并将实时获得的旋转件识别信息与当前响应的旋转件识别信息进行比对。具体的，先比对两者的旋转件体积信息，判断是否相同。通过旋转件体积信息能够快速地判断出旋转件是否发生了变更，从而确定是否需要更新比例积分微分神经网络模型的初值。88.步骤s902、判断旋转件质量信息是否与当前响应的旋转件识别信息中的旋转件质量信息相同。89.同理，在一实施例中，不仅比对旋转件体积信息，还比对旋转件质量信息，以降低误判的概率。90.若均相同，则判定旋转件识别信息与当前响应的旋转件识别信息匹配；否则，判定旋转件识别信息与当前响应的旋转件识别信息不匹配。91.通过上述步骤，利用体积和质量判断旋转件是否发生了变更，方便快捷，不易出错，有助于减少计算资源的占用。同时，体积和质量易于采集，可以使用相应功能的传感器，也可以通过材质与实体图片进行计算。降低了判断旋转件识别信息与当前响应的旋转件识别信息是否匹配的繁琐度。92.综上所述，本实施例中的一种旋转件的控制方法通过获取旋转件体积信息和旋转件质量信息，判断受控的旋转件是否发生了变更。若发生了变更，则根据旋转件识别信息到上位机中调取与变更后的旋转件对应的初值。而后将调取的初值赋予比例积分微分神经网络模型，通过比例积分微分神经网络模型计算控制参数。最后将控制参数赋予比例积分微分控制器，使比例积分微分控制器使用适用于受控旋转件的控制参数，计算出高精度的旋转控制值，保证旋转件的旋转状态。解决了由于控制参数选用不合理造成的旋转件控制系统稳定性下降的技术问题。93.本技术实施例还提供一种旋转件的控制系统，包括比例积分微分神经网络模型、比例积分微分控制器、电流控制器、功率放大器、线圈、旋转件、电流传感器和位移传感器；所述比例积分微分神经网络模型与所述比例积分微分控制器连接，用于计算所述比例积分微分控制器的控制参数；所述比例积分微分控制器与所述电流控制器和所述位移传感器连接，用于将原始的控制参数替换为所述比例积分微分神经网络模型传输的所述控制参数，并根据所述位移传感器传输的位移反馈值计算旋转控制值；所述电流控制器与所述功率放大器连接，用于根据所述旋转控制值生成脉冲信号；所述功率放大器与所述线圈连接，用于根据所述脉冲信号生成控制电流，并将所述控制电流传输至所述线圈；所述线圈与所述旋转件连接，用于根据所述控制电流控制所述旋转件的旋转状态；所述电流传感器用于采集所述线圈中的电流并生成反馈电流值；所述位移传感器用于采集所述旋转件的位置并生成位移反馈值；所述旋转件的控制系统在对所述旋转件进行控制时采用上述所述旋转件的控制方法。94.本技术实施例还提供一种旋转件的控制装置，如图3所示，包括获取模块1，用于获取旋转件识别信息和旋转状态信息；初值模块2，用于在所述旋转件识别信息与当前响应的旋转件识别信息不匹配时，根据所述获取的旋转件识别信息更新比例积分微分神经网络模型的初值；参数模块3，用于利用所述旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数；控制模块4，用于根据所述控制参数更新所述比例积分微分控制器并利用更新后的比例积分微分控制器对所述旋转状态信息进行处理，得到旋转控制值，以对旋转件进行控制。95.可选地，所述参数模块3包括参数单元，用于根据所述旋转状态信息中的位移偏差信息和所述比例积分微分神经网络模型的初值计算得到所述控制参数中的比例系数、积分系数和微分系数。96.可选地，所述位移偏差信息包括当前采样时刻的位移偏差值、前一采样时刻的位移偏差值和前二采样时刻的位移偏差值。97.可选地，所述装置还包括阈值模块，用于计算中第一神经元加权系数所述初值与预设的第一偏置量值，得到积分系数阈值区间；计算中第二神经元加权系数所述初值与预设的第二偏置量值，得到比例系数阈值区间；计算中第三神经元加权系数所述初值与预设的第三偏置量值，得到微分系数阈值区间。98.可选地，所述装置还包括目标值模块，用于将所述旋转控制值映射为电流目标值；偏差值模块，用于将所述电流目标值与电流反馈值作差，得到电流偏差值；电流模块，用于利用电流控制器对所述电流偏差值进行处理，得到控制电流；输出模块，用于将所述控制电流传输给所述旋转件或用于控制旋转件旋转状态的电元器件。99.可选地，所述初值模块2包括上传单元，用于将所述旋转件识别信息上传给上位机；接收单元，用于获取所述上位机下发的所述初值，其中，所述初值预先设置在所述上位机中且对应有所述旋转件识别信息，所述初值指所述比例积分微分神经网络模型的神经元加权系数；替换单元，用于替换所述比例积分微分神经网络模型中对应的原始初值。100.可选地，所述旋转件识别信息包括旋转件体积信息和旋转件质量信息；所述装置还包括判断模块，用于判断所述旋转件体积信息是否与当前响应的旋转件识别信息中的旋转件体积信息相同；判断所述旋转件质量信息是否与当前响应的旋转件识别信息中的旋转件质量信息相同；若均相同，则判定所述旋转件识别信息与当前响应的旋转件识别信息匹配；否则，判定所述旋转件识别信息与当前响应的旋转件识别信息不匹配。101.通过上述内容，利用获取模块1获取旋转件识别信息，能够判断受控的旋转件是否发生了变更；获取旋转状态信息，能够得知受控的旋转件的旋转状态。在受控的旋转件发生变更后，初值模块2根据旋转件识别信息更新比例积分微分神经网络模型的初值。在更新初值的同时，更新了控制参数的阈值区间。而后参数模块3通过比例积分微分神经网络模型计算控制参数。控制模块4通过控制参数和旋转状态信息计算得到旋转控制值。由于初值得到更新，使控制参数得到更新。更新后的控制参数与当前受控的旋转件适配度更高，利用得到准确度更高的旋转控制值，使受控的旋转件稳定旋转，提高了旋转件控制系统的控制稳定性。102.本发明实施例还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述旋转件的控制方法。103.本发明实施例还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述旋转件的控制方法。104.本发明实施例还提供一种磁悬浮轴承的控制方法，如图4所示，包括：步骤s10、获取轴承识别信息和轴承旋转状态信息；步骤s20、在所述轴承识别信息与当前响应的轴承识别信息不匹配时，根据所述获取的轴承识别信息更新比例积分微分神经网络模型的初值；步骤s30、利用所述轴承旋转状态信息以及更新后的所述比例积分微分神经网络模型计算得到比例积分微分控制器的控制参数；步骤s40、根据所述控制参数更新所述比例积分微分控制器并利用更新后的比例积分微分控制器对所述轴承旋转状态信息进行处理，得到轴承控制值，以对磁悬浮轴承的位置进行修改。105.为了便于理解，如图5所示，在轴承识别信息与当前响应的轴承识别信息不匹配时，即能够判定轴承的大小发生了变更，即受控轴承发生了改变；反之，则能够判定轴承没有发生变更，为同一个轴承。106.在轴承发生变更后，先利用上位机更新比例积分微分神经网络模型的初值，再通过比例积分微分神经网络模型随着采样时刻迭代计算，输出控制参数以及改变控制参数上下阈值。最后利用控制参数和控制参数上下阈值得到轴承控制值，改变轴承的运行状态。107.若轴承控制值能够将轴承稳定在目标位置，则证明当前使用的初值能够满足当前轴承的运行，随之通过上位机将初值写入dsp控制的eeprom寄存器内进行固化。108.在轴承为发生变更后，通过比例积分微分神经网络模型随着采样时刻迭代计算，输出控制参数，利用控制参数和控制参数上下阈值得到轴承控制值，改变轴承的运行状态。若轴承控制值能够将轴承稳定在目标位置，则证明当前使用的初值能够满足当前轴承的运行，随之通过上位机将初值写入dsp控制的eeprom寄存器内进行固化。109.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。110.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。111.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。112.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。113.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。114.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。115.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!