技术领域
[0001] 本
发明将神经网络多分类逻辑回归方法和传统的S曲线无级变速控制相结合，应用到直流电动装置的控制系统中，属
人工智能技术，具体涉及一种直流电动装置控制系统及其构建方法。
背景技术
[0002] 随着城市化的推进和经济的逐步发展，
阀门装置的智能化是一种必然趋势。阀门作为一个
流体输送的组件，具有截止、调节、导流、防止逆流、稳压、分流或溢流泄压等功能。因此阀门控制方法一直是研究的热点问题。针对现有阀门控制方法存在的不足，例如抗干扰性差，自适应能
力差，动态运行性能不佳，启动时出现启动慢、启动失步和启/停段冲击大等。
[0003] 神经网络具有强大的非线性映射能力，实现输入到输出的映射功能，能够以任意
精度逼近任何非线性连续函数。同时，神经网络具有高度
自学习和自适应能力，在训练时，能够通过学习自动提起输入、输出数据间的“合理规则”，并自适应地将学习内容记忆于网络的参数中。而且，其泛化能力使得神经网络具有将学习成果应用于新数据的能力。此外，神经网络具有一定的容错能力，使得其应用特别广泛。该技术在检测、识别、分类以及智能控制领域，已经得到了广泛应用。
[0004] 因此，为了追求更高的控制精度和更好的控制性能，利用神经网络训练学习，得到无级变速控制S曲线，对直流阀门电动装置启动、停止阶段的
加速度进行规划，保证阀门首末
位置加速度和速度的连续性以减小冲击，完全实现柔性启闭。有效降低对电动装置及阀门的机械磨损，极大降低对阀门的冲击，提高了使用寿命。
发明内容
[0005] 本发明的目的是提供一种直流电动装置控制系统及其构建方法。
[0006] 为了达到上述发明目的，本发明提供了一种直流电动装置控制系统，其特征在于，所述直流电动装置适于控制一阀门，其包括：
深度神经网络控制器，与该深度神经网络控制器相连的
数据采集装置，以及液压机械无级变速子系统；其中所述数据采集装置位于直流电动装置上，以采集阀门位置、阀位控制开度和负载
扭矩；所述深度神经网络控制器适于接收所述阀门位置、阀位控制开度和负载扭矩
信号，并输出相应的阀门状态，以获得S型速度规划曲线；以及通过所述S型速度规划曲线控制液压机械无级变速子系统实现对直流电动装置的无级变速，进而调节阀门速度。
[0007] 进一步，所述深度神经网络控制器适于利用历史数据样本对深度神经网络进行训练和学习，以得到最佳模型参数；以及通过反向传播
算法对深度神经网络的最佳模型参数进行训练，以得到阀门位置、阀位控制开度、负载转矩与阀门状态之间的非线性映射关系。
[0008] 进一步，所述深度神经网络的参数包括(w,b)，其中w代表权值矩阵，b代表偏置项；所述深度神经网络共有四层，分别是
输入层、
隐藏层、Softmax层和
输出层，且各层与各层之间采用全连接方式；所述输入层和隐藏层中均设有一偏置单元，该偏置单元作为截距的输入值，恒定为1；
[0009] 在输入层中，包括三个输入数据{x1,x2,x3}，其分别表示阀门位置、阀位控制开度和负载转矩；以及
[0010] 在输出层中，包括七个输出数据{z1,z2,z3,z4,z5,z6,z7}，其分别表示阀门相应状态：加加速段、匀加速段、减加速段、匀速段、加减速段、匀减速段和减减速段。
[0011] 进一步，通过反向传播算法训练深度神经网络的最佳模型参数，即[0012] 输入训练集，并定义 表示(l-1)层的第k个神经元连接到第l层的第j个神经元的权重； 表示第l层的第j个神经元的偏置； 表示第l层的第j个神经元的输入，即：表示第l层的第j个神经元的输出，即： 其中，
σ表示激活函数，隐藏层采用ReLU作为激活函数；
[0013] 对于训练集中的每个样本x，设置输入层对应的激活值al，由前向传播得：
[0014] zl＝wlal-1+bl，al＝σ(zl)；
[0015] 损失函数采用二次代价函数：
[0016]
[0017] 式中，x表示输入的样本，分别为阀门位置、阀位控制开度和负载转矩；z(x)表示实际的阀门状态输出；aL(x)表示期望输出；L表示神经网络的最大层数；
[0018] 第l层第j个神经元中产生的误差(即实际值与期望值之间的误差)为：
[0019]
[0020] 则最后一层神经网络产生的误差为：
[0021]
[0022]
[0023] 式中，·表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算；
[0024] 由深度神经网络的后层往前层计算，得到每一层深度神经网络产生的误差：
[0025]
[0026] ∴δl＝((wl+1)Tδl+1)·σ'(zl)；
[0027] 计算权重的梯度：
[0028]
[0029] 计算偏置的梯度：
[0030]
[0031] 使用
梯度下降法，设置学习率η和
迭代次数，训练最佳模型参数：
[0032] wl→wl-η∑xδx,l(ax,l-1)T；
[0033] bl→bl-η∑xδx,l；
[0034] 通过上述得到阀门位置、控制精度、负载转矩与阀门状态之间的非线性映射关系。
[0035] 进一步，所述S型速度规划曲线的完整过程分为7个部分，即加加速过程、匀加速过程、减加速过程、匀速过程、加减速过程、匀减速过程和减减速过程；
[0036] 各个过程的速度表达为：
[0037]
[0038] 式中，v0～v6为每个过程开始时的速度；
[0039] Jmax为规划过程中的最大加加速度；
[0040] Amax为规划过程中的最大加速度；
[0041] T1～T7为完成每个过程所对应的时间；
[0042] 对速度进行积分以求出位移，因此规划过程中位移的表达式：
[0043]
[0044] 根据深度神经网络控制器输出的阀门状态、一给定需要规划的位移S、最大速度Vmax、最大加速度Amax和最大加加速度Jmax配置不同的参数得到不同的S型速度规划曲线，以用于MATLAB仿真。
[0045] 又一方面，本发明还提供了一种直流电动装置控制系统的构建方法，包括如下步骤：
[0046] 步骤S1，创建深度神经网络控制器，初始化深度神经网络的结构并设置学习精度，迭代步数，以利用历史数据样本对深度神经网络进行训练和学习；
[0047] 步骤S2，将实际采集到的阀门位置、阀位控制开度和负载转矩信号输入训练好的深度神经网络，并输出相应的阀门状态，以得到S型速度规划曲线；
[0048] 步骤S3，通过S型速度规划曲线控制液压机械无级变速子系统，以利用液压无级传动与机械传动相结合实现无级变速，进而调节阀门速度。
[0049] 进一步，所述深度神经网络的参数包括(w,b)，其中w代表权值矩阵，b代表偏置项；所述深度神经网络共有四层，分别是输入层、隐藏层、Softmax层和输出层，且各层与各层之间采用全连接方式；所述输入层和隐藏层中均设有一偏置单元，该偏置单元作为截距的输入值，恒定为1；
[0050] 在输入层中，包括三个输入数据{x1,x2,x3}，其分别表示阀门位置、阀位控制开度和负载转矩；以及
[0051] 在输出层中，包括七个输出数据{z1,z2,z3,z4,z5,z6,z7}，其分别表示阀门相应状态：加加速段、匀加速段、减加速段、匀速段、加减速段和匀减速段和减减速段；以及[0052] 在所述步骤S1中，利用历史数据样本对深度神经网络进行训练和学习的方法包括如下子步骤：
[0053] 步骤S11，对样本数据进行归一化预处理，将输入数据映射到[-1,1]，然后对深度神经网络进行训练，以得到最佳模型参数；
[0054] 步骤S12，通过反向传播算法对深度神经网络的最佳模型参数进行训练，以得到阀门位置、阀位控制开度、负载转矩与阀门状态之间的非线性映射关系。
[0055] 进一步，在所述步骤S11中对深度神经网络进行训练，以得到最佳模型参数的方法还包括如下子步骤：
[0056] 步骤S111，利用高斯分布随机初始化深度神经网络中的权值矩阵和偏置项，设置输入层四个
节点，分别为三个网络输入节点和一个偏置单元，设置隐藏层五个节点，设置Softmax层七个节点以及设置一个输出层；并设置学习率为和迭代次数；
[0057] 步骤S112，输入数据{x1,x2,x3}在深度神经网络中经过前向传播得到实际阀门状态输出{z1,z2,z3,z4,z5,z6,z7}，计算该实际输出与给定
训练数据的期望输出之间的损失函数，即两者之间的误差，将误差逐层反向传播至输入层，每一层的神经元根据该误差对深度神经网络结构中的参数进行更新；
[0058] 步骤S113，反复迭代，直至达到最大迭代次数，网络训练结束，得到最佳模型参数(w,b)；以及
[0059] 在所述步骤S12中通过反向传播算法对深度神经网络的最佳模型参数进行训练的方法包括：
[0060] 输入训练集，并定义 表示(l-1)层的第k个神经元连接到第l层的第j个神经元的权重； 表示第l层的第j个神经元的偏置； 表示第l层的第j个神经元的输入，即：表示第l层的第j个神经元的输出，即： 其中，
σ表示激活函数，隐藏层采用ReLU作为激活函数；
[0061] 对于训练集中的每个样本x，设置输入层对应的激活值al，由前向传播得：
[0062] zl＝wlal-1+bl，al＝σ(zl)；
[0063] 损失函数采用二次代价函数：
[0064]
[0065] 式中，x表示输入的样本，分别为阀门位置、阀位控制开度和负载转矩；z(x)表示实际的阀门状态输出；aL(x)表示期望输出；L表示神经网络的最大层数；
[0066] 第l层第j个神经元中产生的误差(即实际值与期望值之间的误差)为：
[0067]
[0068] 则最后一层神经网络产生的误差为：
[0069]
[0070]
[0071] 式中，·表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算；
[0072] 由深度神经网络的后层往前层计算，得到每一层深度神经网络产生的误差：
[0073]
[0074] ∴δl＝((wl+1)Tδl+1)·σ'(zl)；
[0075] 计算权重的梯度：
[0076]
[0077] 计算偏置的梯度：
[0078]
[0079] 使用梯度下降法，设置学习率η＝0.003，迭代次数为300次，训练最佳模型参数：
[0080] wl→wl-η∑xδx,l(ax,l-1)T；
[0081] bl→bl-η∑xδx,l；
[0082] 通过上述得到阀门位置、控制精度、负载转矩与阀门状态之间的非线性映射关系。
[0083] 进一步，在所述步骤S2中采用反向传输算法，输出当前阀门所处状态，从而得到S型速度规划曲线；
[0084] 所述S型速度规划曲线的完整过程分为7个部分，即加加速过程、匀加速过程、减加速过程、匀速过程、加减速过程、匀减速过程和减减速过程；
[0085] 各个过程的速度表达为：
[0086]
[0087] 式中，v0～v6为每个过程开始时的速度；
[0088] Jmax为规划过程中的最大加加速度；
[0089] Amax为规划过程中的最大加速度；
[0090] T1～T7为完成每个过程所对应的时间；
[0091] 对速度进行积分以求出位移，因此规划过程中位移的表达式：
[0092]
[0093] 根据深度神经网络控制器输出的阀门状态、一给定需要规划的位移S、最大速度Vmax、最大加速度Amax和最大加加速度Jmax配置不同的参数得到不同的S型速度规划曲线，以用于MATLAB仿真。
[0094] 进一步，所述液压机械无级变速子系统采用以
泵控
马达为核心的双闭环控制系，并运用稳定边界增量式PID算法对该子系统进行控制；
[0095] 所述液压机械无级变速子系统由中央控制器、伺服驱动模
块和泵控马达模块组成；
[0096] 所述液压机械无级变速子系统的调速方法如下：
[0097] 中央控制器根据给定的S型速度规划曲线和所述直流电动装置控制系统实际输出速度得到转速偏差信号；
[0098] 所述偏差信号经过控制算法处理后，通过
脉宽调制放大器推动比例
电磁阀工作，
比例电磁阀控制进出执行
液压缸的流量，控制
活塞杆的位移，通过
活塞杆的位移改变调节泵盘倾斜
角的角度，从而调节泵的
排量，控制定量马达转速，
液压马达的
输出轴与行星
齿轮连接，实现控制转速。
[0099] 与
现有技术相比，本发明的有益效果是，本发明将深度神经网络应用到直流电动装置控制系统中，从历史数据中学习得到阀门位置、阀位控制开度和负载转矩与阀门状态之间的非线性映射关系，实现动态控制直流电动装置，提高了阀门控制精度，提高了直流电动装置控制系统的自适应性能和容错能力。
附图说明
[0100] 下面结合附图和
实施例对本发明进一步说明。
[0101] 图1是本发明的直流电动装置控制系统原理
框图；
[0102] 图2是本发明的直流电动装置控制系统的深度神经网络结构图；
[0103] 图3是本发明的直流电动装置控制系统的匀加速过程和匀速过程中的S型速度规划曲线；
[0104] 图4是本发明的直流电动装置控制系统的匀加速过程存在而匀速过程不存在时的S型速度规划曲线；
[0105] 图5是本发明的直流电动装置控制系统的匀速过程存在而匀加速过程不存在时的S型速度规划曲线；
[0106] 图6是本发明的直流电动装置控制系统的匀速过程和加速过程都不存在时的S型速度规划曲线；
[0107] 图7是本发明的直流电动装置控制系统的液压机械无级变速子系统的原理框图。
具体实施方式
[0108] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0109] 实施例1
[0110] 图1是本发明的直流电动装置控制系统原理框图。
[0111] 如图1所示，本实施例1提供了一种直流电动装置控制系统，其特征在于，所述直流电动装置适于控制一阀门，其包括：深度神经网络控制器，与该深度神经网络控制器相连的数据采集装置，以及液压机械无级变速子系统；其中所述数据采集装置位于直流电动装置上，以采集阀门位置、阀位控制开度和负载扭矩；所述深度神经网络控制器适于接收所述阀门位置、阀位控制开度和负载扭矩信号，并输出相应的阀门状态，以获得S型速度规划曲线；以及通过所述S型速度规划曲线控制液压机械无级变速子系统实现对直流电动装置的无级变速，进而调节阀门速度。
[0112] 所述深度神经网络控制器适于利用历史数据样本对深度神经网络进行训练和学习，以得到最佳模型参数；以及通过反向传播算法对深度神经网络的最佳模型参数进行训练，以得到阀门位置、阀位控制开度、负载转矩与阀门状态之间的非线性映射关系。
[0113] 具体的，利用历史数据样本对深度神经网络进行训练和学习时先对样本数据进行归一化预处理，将输入数据映射到[-1,1]，以缩短网络训练时间；然后对深度神经网络进行训练，以得到最佳模型参数。
[0114] 图2是本发明的直流电动装置控制系统的深度神经网络结构图。
[0115] 如图2所示，所述深度神经网络共有四层，分别是输入层、隐藏层、Softmax层和输出层，且各层与各层之间采用全连接方式；所述深度神经网络的参数包括(w,b)，其中w代表权值矩阵，b代表偏置项；所述输入层和隐藏层中均设有一偏置单元，该偏置单元作为截距的输入值，恒定为1；
[0116] 在输入层中，包括三个输入数据{x1,x2,x3}，其分别表示阀门位置、阀位控制开度和负载转矩；以及
[0117] 在输出层中，包括七个输出数据{z1,z2,z3,z4,z5,z6,z7}，其分别表示阀门相应状态：加加速段、匀加速段、减加速段、匀速段、加减速段、匀减速段和减减速段。
[0118] 具体的，图2中标记为+1的单元即为偏置单元。
[0119] 具体的，利用高斯分布随机初始化深度神经网络中的权值矩阵和偏置项，设置输入层四个节点，分别为三个网络输入节点和一个偏置单元，设置隐藏层五个节点，设置Softmax层七个节点以及设置一个输出层；并设置学习率为0.003，迭代次数为300次。
[0120] 输入数据{x1,x2,x3}在深度神经网络中经过前向传播得到实际阀门状态输出{z1,z2,z3,z4,z5,z6,z7}，计算该实际输出与给定训练数据的期望输出之间的损失函数，即两者之间的误差，将误差逐层反向传播至输入层，每一层的神经元根据该误差对深度神经网络结构中的参数进行更新。
[0121] 反复迭代，直至达到最大迭代次数，网络训练结束，得到最佳模型参数(w,b)。
[0122] 通过反向传播算法训练深度神经网络的最佳模型参数，即输入训练集，并定义表示(l-1)层的第k个神经元连接到第l层的第j个神经元的权重； 表示第l层的第j个神经元的偏置； 表示第l层的第j个神经元的输入，即： 表示第l层的第j个神经元的输出，即： 其中，σ表示激活函数，隐藏层采用ReLU作为激
活函数；
[0123] 对于训练集中的每个样本x，设置输入层对应的激活值al，由前向传播得：
[0124] zl＝wlal-1+bl，al＝σ(zl)；
[0125] 损失函数采用二次代价函数：
[0126]
[0127] 式中，x表示输入的样本，分别为阀门位置、阀位控制开度和负载转矩；z(x)表示实L际的阀门状态输出；a(x)表示期望输出；L表示神经网络的最大层数；
[0128] 第l层第j个神经元中产生的误差(即实际值与期望值之间的误差)为：
[0129]
[0130] 则最后一层神经网络产生的误差为：
[0131]
[0132]
[0133] 式中，·表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算；
[0134] 由深度神经网络的后层往前层计算，得到每一层深度神经网络产生的误差：
[0135]
[0136] ∴δl＝((wl+1)Tδl+1)·σ'(zl)；
[0137] 计算权重的梯度：
[0138]
[0139] 计算偏置的梯度：
[0140]
[0141] 使用梯度下降法，设置学习率η＝0.003，迭代次数为300次，训练最佳模型参数：
[0142] wl→wl-η∑xδx,l(ax,l-1)T；
[0143] bl→bl-η∑xδx,l；
[0144] 通过上述反向传播算法训练神经网络最佳模型参数，从而得到阀门位置、控制精度、负载转矩与阀门状态之间的非线性映射关系。
[0145] 所述S型速度规划曲线的完整过程分为7个部分，即加加速过程、匀加速过程、减加速过程、匀速过程、加减速过程、匀减速过程和减减速过程；
[0146] 对整个过程来说，该曲线是对称的；
[0147] 各个过程的速度表达为：
[0148]
[0149] 式中，v0～v6为每个过程开始时的速度；
[0150] Jmax为规划过程中的最大加加速度；
[0151] Amax为规划过程中的最大加速度；
[0152] T1～T7为完成每个过程所对应的时间；
[0153] 对速度进行积分以求出位移，因此规划过程中位移的表达式：
[0154]
[0155] 根据深度神经网络控制器输出的阀门状态、一给定需要规划的位移S、最大速度Vmax、最大加速度Amax和最大加加速度Jmax配置不同的参数得到不同的S型速度规划曲线，以用于MATLAB仿真。
[0156] 具体的，在直流电动装置控制过程中，将实际采集到的阀门位置、阀位控制开度和负载转矩数据输入训练好的深度神经网络，通过反向传输算法，输出当前阀门所处状态，由此确定S型速度规划曲线。
[0157] 具体的，实际应用过程中，S型速度规划曲线不一定存在七个部分。如果位移值比较小，而阀门运动状态已达到最大速度，则匀速过程就会不存在。因此，当匀速过程不存在时，S型速度规划曲线是一个六段曲线。同理，由于整个过程是对称的，当匀加速过程和匀减速过程不存在时，S型曲线是一个五段的曲线；当匀速过程、匀加速过程和匀减速过程都不存在时，此时的S曲线是一个四段曲线。
[0158] 具体的，根据当前输出的阀门状态、给定的需要规划的位移S、最大速度Vmax，最大加速度Amax和最大加加速度Jmax等等参数，配置四组不同的参数，以分别得到不同的S型速度规划曲线，利用MATLAB仿真时，设定要规划的位移S＝1m。
[0159] 当Vmax＝1m/s，Amax＝2m/s2，Jmax＝10m/s3时，匀加速过程和匀速过程中的S型速度规划曲线如图3所示。
[0160] 当Vmax＝1m/s，Amax＝1m/s2，Jmax＝10m/s3时，匀加速过程存在而匀速过程不存在时的S型速度规划曲线如图4所示。
[0161] 当Vmax＝1m/s，Amax＝4m/s2，Jmax＝10m/s3时，匀速过程存在而匀加速过程不存在时的S型速度规划曲线如图5所示。
[0162] 当Vmax＝1m/s，Amax＝2m/s2，Jmax＝2m/s3时，匀速过程和加速过程都不存在时的S型速度规划曲线如图6所示。
[0163] 又一方面，本发明还提供了一种直流电动装置控制系统的构建方法，包括如下步骤：
[0164] 步骤S1，创建深度神经网络控制器，初始化深度神经网络的结构并设置学习精度，迭代步数，以利用历史数据样本对深度神经网络进行训练和学习；
[0165] 步骤S2，将实际采集到的阀门位置、阀位控制开度和负载转矩信号输入训练好的深度神经网络，并输出相应的阀门状态，以得到S型速度规划曲线；
[0166] 步骤S3，通过S型速度规划曲线控制液压机械无级变速子系统，以利用液压无级传动与机械传动相结合实现无级变速，进而调节阀门速度。
[0167] 具体的，关于所述直流电动装置控制系统的具体结构，请参见实施例1的内容，此处不再赘述。
[0168] 所述深度神经网络的参数包括(w,b)，其中w代表权值矩阵，b代表偏置项；所述深度神经网络共有四层，分别是输入层、隐藏层、Softmax层和输出层，且各层与各层之间采用全连接方式；所述输入层和隐藏层中均设有一偏置单元，图2中标记为+1的单元即为偏置单元，该偏置单元作为截距的输入值，恒定为1；
[0169] 在输入层中，包括三个输入数据{x1,x2,x3}，其分别表示阀门位置、阀位控制开度和负载转矩；以及
[0170] 在输出层中，包括七个输出数据{z1,z2,z3,z4,z5,z6,z7}，其分别表示阀门相应状态：加加速段、匀加速段、减加速段、匀速段、加减速段和匀减速段和减减速段；以及[0171] 在所述步骤S1中，利用历史数据样本对深度神经网络进行训练和学习的方法包括如下子步骤：
[0172] 步骤S11，对样本数据进行归一化预处理，将输入数据映射到[-1,1]，然后对深度神经网络进行训练，以得到最佳模型参数；
[0173] 步骤S12，通过反向传播算法对深度神经网络的最佳模型参数进行训练，以得到阀门位置、阀位控制开度、负载转矩与阀门状态之间的非线性映射关系。
[0174] 进一步，在所述步骤S11中对深度神经网络进行训练，以得到最佳模型参数的方法还包括如下子步骤：
[0175] 步骤S111，利用高斯分布随机初始化深度神经网络中的权值矩阵和偏置项，设置输入层四个节点，分别为三个网络输入节点和一个偏置单元，设置隐藏层五个节点，设置Softmax层七个节点以及设置一个输出层；并设置学习率为0.003，迭代次数为300次；
[0176] 步骤S112，输入数据{x1,x2,x3}在深度神经网络中经过前向传播得到实际阀门状态输出{z1,z2,z3,z4,z5,z6,z7}，计算该实际输出与给定训练数据的期望输出之间的损失函数，即两者之间的误差，将误差逐层反向传播至输入层，每一层的神经元根据该误差对深度神经网络结构中的参数进行更新；
[0177] 步骤S113，反复迭代，直至达到最大迭代次数，网络训练结束，得到最佳模型参数(w,b)；以及
[0178] 在所述步骤S12中通过反向传播算法对深度神经网络的最佳模型参数进行训练的方法包括：
[0179] 输入训练集，并定义 表示(l-1)层的第k个神经元连接到第l层的第j个神经元的权重； 表示第l层的第j个神经元的偏置； 表示第l层的第j个神经元的输入，即：表示第l层的第j个神经元的输出，即： 其中，σ
表示激活函数，隐藏层采用ReLU作为激活函数；
[0180] 对于训练集中的每个样本x，设置输入层对应的激活值al，由前向传播得：
[0181] zl＝wlal-1+bl，al＝σ(zl)；
[0182] 损失函数采用二次代价函数：
[0183]
[0184] 式中，x表示输入的样本，分别为阀门位置、阀位控制开度和负载转矩；z(x)表示实际的阀门状态输出；aL(x)表示期望输出；L表示神经网络的最大层数；
[0185] 第l层第j个神经元中产生的误差(即实际值与期望值之间的误差)为：
[0186]
[0187] 则最后一层神经网络产生的误差为：
[0188]
[0189]
[0190] 式中，·表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算；
[0191] 由深度神经网络的后层往前层计算，得到每一层深度神经网络产生的误差：
[0192]
[0193] ∴δl＝((wl+1)Tδl+1)·σ'(zl)；
[0194] 计算权重的梯度：
[0195]
[0196] 计算偏置的梯度：
[0197]
[0198] 使用梯度下降法，设置学习率η＝0.003，迭代次数为300次，训练最佳模型参数：
[0199] wl→wl-η∑xδx,l(ax,l-1)T；
[0200] bl→bl-η∑xδx,l；
[0201] 通过上述得到阀门位置、控制精度、负载转矩与阀门状态之间的非线性映射关系。
[0202] 在所述步骤S2中采用反向传输算法，输出当前阀门所处状态，从而得到S型速度规划曲线；
[0203] 所述S型速度规划曲线的完整过程分为7个部分，即加加速过程、匀加速过程、减加速过程、匀速过程、加减速过程、匀减速过程和减减速过程；
[0204] 各个过程的速度表达为：
[0205]
[0206] 式中，v0～v6为每个过程开始时的速度；
[0207] Jmax为规划过程中的最大加加速度；
[0208] Amax为规划过程中的最大加速度；
[0209] T1～T7为完成每个过程所对应的时间；
[0210] 对速度进行积分以求出位移，因此规划过程中位移的表达式：
[0211]
[0212] 根据深度神经网络控制器输出的阀门状态、一给定需要规划的位移S、最大速度Vmax、最大加速度Amax和最大加加速度Jmax配置不同的参数得到不同的S型速度规划曲线，以用于MATLAB仿真。
[0213] 具体的，在直流电动装置控制过程中，将实际采集到的阀门位置、阀位控制开度和负载转矩数据输入训练好的深度神经网络，通过反向传输算法，输出当前阀门所处状态，由此确定S型速度规划曲线。
[0214] 具体的，实际应用过程中，S型速度规划曲线不一定存在七个部分。如果位移值比较小，而阀门运动状态已达到最大速度，则匀速过程就会不存在。因此，当匀速过程不存在时，S型速度规划曲线是一个六段曲线。同理，由于整个过程是对称的，当匀加速过程和匀减速过程不存在时，S型曲线是一个五段的曲线；当匀速过程、匀加速过程和匀减速过程都不存在时，此时的S曲线是一个四段曲线。
[0215] 具体的，根据当前输出的阀门状态、给定的需要规划的位移S、最大速度Vmax，最大加速度Amax和最大加加速度Jmax等等参数，配置四组不同的参数，以分别得到不同的S型速度规划曲线，利用MATLAB仿真时，设定要规划的位移S＝1m。
[0216] 当Vmax＝1m/s，Amax＝2m/s2，Jmax＝10m/s3时，匀加速过程和匀速过程中的S型速度规划曲线如图3所示。
[0217] 当Vmax＝1m/s，Amax＝1m/s2，Jmax＝10m/s3时，匀加速过程存在而匀速过程不存在时的S型速度规划曲线如图4所示。
[0218] 当Vmax＝1m/s，Amax＝4m/s2，Jmax＝10m/s3时，匀速过程存在而匀加速过程不存在时的S型速度规划曲线如图5所示。
[0219] 当Vmax＝1m/s，Amax＝2m/s2，Jmax＝2m/s3时，匀速过程和加速过程都不存在时的S型速度规划曲线如图6所示。
[0220] 图7是本发明的直流电动装置控制系统的液压机械无级变速子系统的原理框图。
[0221] 如图7所示，所述液压机械无级变速子系统为液压机械双功率流无级变速子系统，且采用以泵控马达为核心的双闭环控制系统，并运用稳定边界增量式PID算法对该子系统进行控制；所述液压机械无级变速子系统由中央控制器、伺服驱动模块和泵控马达模块组成；所述液压机械无级变速子系统的调速方法如下：中央控制器根据给定的S型速度规划曲线和所述直流电动装置控制系统实际输出速度得到转速偏差信号；所述偏差信号经过控制算法处理后，通过脉宽调制放大器推动比例电磁阀工作，比例电磁阀控制进出执行液压缸的流量，控制活塞杆的位移，通过活塞杆的位移改变调节泵盘倾斜角的角度，从而调节泵的排量，控制定量马达转速，液压马达的输出轴与行星齿轮连接，实现控制转速。
[0222] 具体的，所述液压机械无级变速子系统利用液压无级传动与机械传动相结合实现无级变速，进而调节阀门速度，在阀门启闭的首末位置，实现低速大扭矩输出，其余位置高速低扭矩输出，保证
开关阀时间尽可能小或不变。
[0223] 具体的，小功率的液压机械双功率流无级变速装置使整个直流电动装置控制系统获得了无级变速的特性，液压传动与机械传动相结合实现机械传动无级变速，从而整个
传动系统的传动效率大大提高，双功率流无级变速的精确控制，关键取决于所述液压机械无级变速子系统的转速控制性能，因此本实施例的液压机械无级变速子系统采用以泵控马达为核心的双闭环控制系统，并运用稳定边界增量式PID算法对该子系统进行控制。
[0224] 在所述双闭环控制系统中，PID控制器根据给定的S型速度规划曲线与实际输出值构成控制偏差，将偏差信号的比例、积分和微分通过线性组合构成控制量，对被控对象进行控制。PID控制参数通过Ziegler-Nichols、Cohen-coon整定公式、误差积分指标最优和稳定边界法整定得到。
[0225] 系统闭环特征方程有纯虚根时，系统的根轨迹与虚轴相交，其响应等幅振荡，系统临界稳定；只要有一个闭环特征方程的根在其复平面的右侧时，则表示系统不稳定，以此得到控制系统的PID参数，进而对系统进行控制，调节阀门速度，实现在阀门启闭的首末位置，实现低速大扭矩输出，其余位置高速低扭矩输出，保证开关阀时间尽可能小或不变，完全实现阀门速度无级调节和柔性启闭。
[0226] 另外，当本实施例的直流电动装置控制系统要求提高阀位控制开度时，通过将阀位控制开度输入深度神经网络，调整S型速度规划曲线，从而实现自动降低转速，提高控制精度；具体过程如下：本实施例的系统正常运行时，S型速度规划曲线根据系统预设的阀位控制开度初始值对直流电动装置的转速进行控制，使得在阀门启闭的首末位置，实现低速大扭矩输出，其余位置高速低扭矩输出，完全实现柔性启闭；当需要更高精度的阀位控制时，系统将获取到的最新设置的阀位控制开度，并以布尔值(即精度要求高时，控制精度x2＝1；精度要求低时，控制精度x2＝0)输入到深度神经网络之中，训练好的深度神经网络根据所输入的阀位控制开度要求，由学习到的深度神经网络输入阀门位置、阀位控制开度、负载转矩与阀门当前状态之间的非线性映射关系，得到新的深度神经网络的输出阀门当前所处状态，从而得到新的S型速度规划曲线，控制所述液压机械无级变速子系统，从而实现更高精度的阀位控制。
[0227] 本实施例的直流电动装置控制系统还可以依据阀门的全行程时间的长短，设置动态控制范围，阀门全行程时间长，设置动态控制范围为2％-5％，短行程时间短，设置动态控制范围为0.5％-2％，同时利用新的决策数据对深度神经网络进行重新训练；具体过程如下：
[0228] 在整个运行过程中，系统实时
感知负载转矩的大小，并以数据的形式采集。阀门一个完整的运行过程分为两部分，行程的一部分为动态控制时段，其余部分为静态控制时段，阀门全行程时间长时，设置动态控制时段为全时段的2％-5％，短行程时间短时，则设置0.5％-2％。在静态控制时段，系统根据预先训练好的深度神经网络的输出阀门状态，由S型速度规划曲线控制液压机械无级变速子系统，从而控制直流电动装置的
电压控制信号，使得直流电动装置运转在预想的速度下。在动态控制时段，系统把负载转矩作为一个输入量，与深度神经网络的阀门状态输出得到的S型速度规划曲线控制液压机械无级变速子系统，决定直流电动装置的电压控制信号，从而调节此时段的直流电动装置运转速度，当采集到实时负载转矩较大时，速度会较静态控制有所下降，从而有效降低对直流电动装置及阀门的机械磨损，极大降低对阀门的冲击，提高了使用寿命。同时利用新的决策数据对深度神经网络进行重新训练，提高网络鲁棒性。
[0229] 本发明的直流电动装置控制系统首先利用深度神经网络对历史数据样本进行训练，通过反向传播算法得到模型相关参数，然后对训练好的网络输入负载转矩、阀门位置和阀位控制开度，输出阀门状态，从而得到S型速度规划曲线，最后根据S型速度规划曲线控制液压机械无级变速子系统调整输出转速，在阀门启闭的首末位置，实现低速大扭矩输出，其余位置高速低扭矩输出，保证开关阀时间尽可能小或不变，完全实现柔性启闭。在对阀位控制开度高时，自动降低转速，提高控制精度。同时依据阀门的全行程时间的长短，设置动态控制范围，阀门全行程时间长，设置2％-5％，短行程时间短，设置0.5％-2％，同时利用新的决策数据对神经网络进行重新训练。
[0230] 本发明的构建方法利用人工智能技术和传统的S型速度规划曲线无级变速控制相结合的办法，S型速度规划曲线不仅适用于控制系统处理速度快且对加速过程要求比较高的场合，而且其在加减速启动阶段和结束阶段加减速，使速度变化柔和，从而适应
电动机的性能，减少冲击，有效降低对电动装置及阀门的机械磨损，提高了使用寿命。
[0231] 本发明采用无级变速控制直流电动装置的转速，无级变速能够实现输入和输出在任意范围内变化，克服了传统变速系统对速度的限制，打破了有级变速只能够在某几个速度上变化的现状，在较大范围上实现对速度的调节，提高了系统的匹配性和效率。
[0232] 本发明从阀门的智能动态控制出发，将人工智能领域的神经网络和S曲线无级变速控制结合，建立了一个较智能的直流阀门电动装置的动态控制系统。和传统阀门控制系统相比，基于深度神经网络的直流电动装置控制系统实现了历史数据的充分利用和阀门的完全柔性启闭，自适应调节控制精度和动态控制范围，大大提升了系统的自适应能力和可靠性，具有更重要的理论意义和实际应用价值。
[0233] 以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及
修改。本项发明的技术性范围并不局限于
说明书上的内容，必须要根据
权利要求范围来确定其技术性范围。
