CN112366998B - 电机控制方法、装置及*** - Google Patents
电机控制方法、装置及*** Download PDFInfo
- Publication number
- CN112366998B CN112366998B CN202011232298.0A CN202011232298A CN112366998B CN 112366998 B CN112366998 B CN 112366998B CN 202011232298 A CN202011232298 A CN 202011232298A CN 112366998 B CN112366998 B CN 112366998B
- Authority
- CN
- China
- Prior art keywords
- motor
- air conditioner
- controlled
- information
- control strategy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011217 control strategy Methods 0.000 claims abstract description 103
- 238000003062 neural network model Methods 0.000 claims description 75
- 230000004907 flux Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 238000004378 air conditioning Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及一种电机控制方法、装置及***,该方法包括:获取待控空调的多组第一电机信息;获取每组第一电机信息对应的第二电机信息;根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。通过本申请可以根据获取到的待控空调的电机信息实现对电机控制策略的更新。待控空调通过更新的电机控制策略的能够避免由于电机参数失真导致的控制异常问题。
Description
技术领域
本申请涉及空调技术领域,尤其涉及一种电机控制方法、装置及***。
背景技术
空调中电机的初始电机参数是基于电机出厂时的电机控制策略进行设置的。但是现在市场上的空调由于长时间的运行及环境因素的影响,导致空调中的风机电机、压缩机电机以及内机电机的参数变化。进而导致变化后的电机参数与出厂设置的初始电机参数出现偏差。从而使得空调调速、带负载能力出现一定的降低,严重的是会导致空调启动困难、空调运转过程中发出异常响动等问题。
发明内容
为了解决上述空调电机参数变化导致空调工作异常的技术问题,本申请实施例提供了一种电机控制方法、装置及***。
第一方面,本申请实施例提供了一种电机控制方法,应用于服务器,该电机控制方法包括:
获取待控空调的多组第一电机信息;
获取每组第一电机信息对应的第二电机信息;
根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;
将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
可选地,获取待控空调的多组第一电机信息,包括:
获取更新指令;
根据更新指令,获取待控空调的多组第一电机信息。
可选地,获取每组第一电机信息对应的第二电机信息,包括:
获取待控空调通过采集模块采集到的每组第一电机信息对应的第二电机信息,
或,
根据每组第一电机信息和预设关系函数计算得到每组第一电机信息对应的第二电机信息。
可选地,根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略,包括:
根据多组第一电机信息和对应的第二电机信息,生成样本数据;
基于样本数据,对待控空调的当前空调控制神经网络模型进行训练,得到更新的空调控制神经网络模型。
可选地,将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制,包括:
将更新的空调控制神经网络模型发送至待控空调,使待控空调通过将当前第一电机信息输入至更新的空调控制神经网络模型得到当前目标电机参数,并根据当前目标电机参数进行电机控制。
可选地,第一电机信息包括:待控空调中待控电机的特征参数;
待控电机为:风机电机、压缩机电机和内机电机中的一种。
可选地,特征参数包括:特征电流、特征电压和电机转子位置信息;
第二电机信息包括:待控空调中待控电机的转速,和/或,转矩。
可选地,特征参数包括:特征电流、特征电压和电机转子位置信息,以及,根据特征电流、特征电压、电机转子位置信息和电机参数辨识算法得到的等效电感、定子电阻和磁链;
第二电机信息包括:待控空调中待控电机的转速,和/或,转矩。
第二方面,本申请实施例提供了一种电机控制装置,该电机控制装置包括:
第一获取模块,用于获取待控空调的多组第一电机信息;
第二获取模块,用于获取每组第一电机信息对应的第二电机信息;
更新模块,用于根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;
发送模块,用于将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
第三方面,本申请实施例提供了一种电机控制方法,应用于空调,该电机控制方法包括:
向服务器发送多组第一电机信息;
接收服务器根据多组第一电机信息和对应的第二电机信息对当前电机控制策略进行更新后得到的更新的电机控制策略;
根据更新的电机控制策略进行目标电机参数调控,以实现电机控制。
第四方面,本申请实施例提供了一种电机控制***,该电机控制***包括:待控空调和服务器;
待控空调,用于采集多组第一电机信息,并发送至服务器;
服务器,用于根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,并将得到的更新的电机控制策略发送至待控空调;
待控空调,还用于根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
第五方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如前面任一项的电机控制方法的步骤。
第六方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时执行如前面任一项的电机控制方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例通过获取待控空调的多组第一电机信息;获取每组第一电机信息对应的第二电机信息;根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。通过本申请的服务器获取待控空调的电机信息实现对电机控制策略的更新。待控空调通过更新的电机控制策略能够修正或调控目标电机参数,修正后的目标电机参数使电机控制精确度更高,将修正后的目标电机参数应用到电机控制中,能够避免由于电机参数与出厂设置的控制策略参数存在偏差而导致的空调调速、带负载能力出现的一定程度的降低,或者,空调启动困难、空调运转过程中发出异常响动等问题。本申请能够很好解决由于电机参数失真导致的控制异常问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例提供的一种电机控制方法的流程示意图;
图2为一个实施例提供的一种电机控制装置的结构框图;
图3为一个实施例提供的一种电机控制***的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例提供的一种电机控制方法的流程示意图。参考图1,该电机控制方法应用于服务器,包括以下步骤:
S100:获取待控空调的多组第一电机信息。
具体地,该服务器为空调***云服务器。服务器通过待控空调获取更新指令;根据更新指令,获取待控空调中待控电机的多组第一电机信息。
待控空调接收用户的更新指令,并将更新指令发送至服务器。待控空调接收到用户的更新指令后,通过空调内部的采集模块以一定的采集频率采集多组第一电机信息,并将该多组第一电机信息发送至服务器。服务器根据每组第一电机信息获取每组第一电机信息对应的第二电机信息。在空调电机中第一电机信息的改变会导致第二电机信息随之改变。第一电机信息具体为待控电机运行时的相关运行参数或状态参数。
服务器根据获取到的多组第一电机信息和对应的第二电机信息,用于获知待控空调中的待控电机的实时运行状态,并以此来更改待控空调中的待控电机的电机控制策略,使更改后的电机控制策略能够适应电机的实际运行状况。服务器内部存储有更改电机控制策略的功能模块,该功能模块更新好电机控制策略后会将更新的电机控制策略发送至待控空调,以将更新的电机控制策略植入待控空调的主控芯片中。
待控空调根据更新的电机控制策略反过来重新自主进行待控电机的目标电机参数的调控,从而实现电机调控。
服务器与待控空调形成一种反馈机制,服务器利用待控空调提供的第一电机信息和第二电机信息更新电机控制策略,待控空调又根据更新的电机控制策略自主控制待控电机。实现了电机控制策略的实时在线更新控制。从而避免空调使用时间过久从而导致的空调控制精度降低、电机参数失配及由于电机控制策略不精确导致的空调异响等问题。与此同时,通过服务器可以收集大量的用户空调电机数据(例如驱动数据),为公司进行技术研发提供了一种实时的真实数据,并为公司掌握用户空调的真实状态提供了一种较好的方法与思路。
具体地,待控空调中有多种不同的电机,则不同电机对应不同的电机控制策略。空调类型不同,电机类型相同的电机对应的电机控制策略也会不同。
用户可以通过空调遥控器进行一键按键的方式控制服务器在线更新空调的电机控制策略。用户通过空调遥控器可以选择控制任意一种可控电机对应的电机控制策略的更新。
S200:获取每组第一电机信息对应的第二电机信息。
在一个实施例中,步骤S200具体包括:获取待控空调通过采集模块采集到的每组第一电机信息对应的第二电机信息,或,根据每组第一电机信息和预设关系函数计算得到每组第一电机信息对应的第二电机信息。
具体地,待控空调接收到用户的更新指令后,将更新指令发送给服务器,待控空调除了采集第一电机信息的同时还会通过采集模块采集对应的第二电机信息。第一电机信息与第二电机信息是对应的。
或者,待控空调接收到用户的更新指令后,采集多组第一电机信息发送给服务器,服务器根据预设关系函数和第一电机信息计算得到对应的第二电机信息。
或者,待控空调接收到用户的更新指令后,采集大量的待控电机是运行数据发送至服务器,服务器从大量的运行数据中提取出多组第一电机信息。
S300:根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略。
S400:将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
具体地,多组第一电机信息和对应的第二电机信息表征了待控空调中的待控电机的实时运行状态,服务器根据多组第一电机信息和对应的第二电机信息来更新待控电机的电机控制策略,使得待控电机的电机控制策略能够适应和匹配待控电机的实际运作状况,进而待控空调利用更新的电机控制策略执行电机控制时能够实现更加精确的控制。
在一个实施例中,步骤S300具体包括:
S310:根据多组第一电机信息和对应的第二电机信息,生成样本数据。
S320:基于样本数据,对待控空调的当前空调控制神经网络模型进行训练,得到更新的空调控制神经网络模型。
具体地,待控空调的待控电机的电机控制策略为一种空调控制神经网络模型。待控空调中有多种不同的电机,则不同电机对应不同的空调控制神经网络模型。空调类型不同,电机类型相同的电机对应的空调控制神经网络模型也会不同。
第二电机信息为对应的第一电机信息的标注信息(即,标记(label)),即,第二电机信息是对应的第一电机信息关于对应的空调控制神经网络模型的预测目标的真实结果。
每个第一电机信息对应一个第二电机信息,因此,多组第一电机信息与对应的第二电机信息构成了样本数据。
基于获取到的第一电机信息生成训练样本的特征;根据第一电机信息对应的第二电机信息生成对应训练样本的标签;多组第一电机信息对应的特征和标签组成了样本数据。利用样本数据对待控空调的当前空调控制神经网络模型进行训练,进而得到更新的空调控制神经网络模型。
步骤S300具体还包括:获取测试样本,利用测试样本对训练过程中得到的中间空调控制神经网络模型进行控制精度评估得到评估结果;若评估结果为中间空调控制神经网络模型的控制精度满足预设评估函数,则停止训练,得到更新的空调控制神经网络模型;若评估结果为中间空调控制神经网络模型的控制精度不满足预设评估函数,则继续对中间空调控制神经网络模型进行训练,直至中间空调控制神经网络模型的控制精度满足预设评估函数,则停止训练。
本申请利用待控空调采集多组第一电机数据,以及将多组第一电机数据和对应的第二电机数据作为样本数据,对当前的空调控制神经网络模型再次进行修正训练,得到修正或更新后的空调控制神经网络模型,使修正后的空调控制神经网络模型具有更高的数据识别准确率,修正后的空调控制神经网络模型应用到电机控制时能够更精确的配合电机控制。
在一个实施例中,步骤S400具体包括:将更新的空调控制神经网络模型发送至待控空调,使待控空调通过将当前第一电机信息输入至更新的空调控制神经网络模型得到当前目标电机参数,并根据当前目标电机参数进行电机控制。
具体地,服务器通过空调与服务器的通信链路,将更新的空调控制神经网络模型通过发送至待控空调,以植入待控空调的主控芯片中。待控空调的主控芯片将当前第一电机信息输入至更新的空调控制神经网络模型得到当前目标电机参数,当前目标电机参数为更新的空调控制神经网络模型的输出,且是与第二电机参数属性相同、取值可能不同的参数。主控芯片将当前目标电机参数传输至电机控制单元,电机控制单元将当前目标电机参数作为电机驱动算法的输入以调控待控电机的运行。
在一个实施例中,第一电机信息包括:待控空调中待控电机的特征参数;待控电机为:风机电机、压缩机电机和内机电机中的一种。
具体地,待控空调中的电机包括:空调外机中的风机电机(一般为无刷直流电机,Brushless DC Motor)、压缩机中同步电机(一般为永磁同步电机,Permanent MagnetSynchronous Motor)以及空调内机电机等不局限于此。本申请可以实现对待控空调中的任意一个电机对应的空调控制神经网络模型进行在线更新。
服务器分别获取风机电机、压缩机电机和内机电机对应的第一电机信息和对应的第二电机信息,以分别更新风机电机、压缩机电机和内机电机对应的空调控制神经网络模型。
在一个实施例中,特征参数包括:特征电流、特征电压和电机转子位置信息;第二电机信息包括:待控空调中待控电机的转速,和/或,转矩。
获取待控空调的多组特征电流、特征电压和电机转子位置信息;获取每组特征电流、特征电压和电机转子位置信息对应的待控电机的转速,和/或,转矩;根据获取到的多组特征电流、特征电压和电机转子位置信息和对应的转速,和/或,转矩对待控空调的当前空调控制神经网络模型进行更新,以得到更新的空调控制神经网络模型;将更新的空调控制神经网络模型发送至待控空调,使待控空调根据更新的空调控制神经网络模型自主进行目标电机参数调控,以实现待控电机的电机控制。
获取每组第一电机信息对应的第二电机信息,包括:获取待控空调通过采集模块采集到的待控电机的转速,和/或,转矩,或,根据第一电机信息和预设关系函数计算得到待控电机的转速,和/或,转矩。
特征电流为待控空调中的待控电机的工作电流,特征电压为待控电机的工作电压。电机转子位置信息可以根据旋转变压器输出的第一数据通过计算得到,也可以通过编码器得到。
待控电机的转速可以根据旋转变压器输出的第二数据通过计算得到,转矩可以通过转矩传感器测量得到。
当然,转速和转矩还可以是服务器通过预设关系函数以及对应的特征电流、特征电压和电机转子位置信息计算得到。
其中,预设关系函数包括:转速与特征电流、特征电压和电机转子位置信息之间的函数关系,和/或,转矩与特征电流、特征电压和电机转子位置信息之间的函数关系。
在一个实施例中,特征参数包括:特征电流、特征电压和电机转子位置信息,以及,根据特征电流、特征电压、电机转子位置信息和电机参数辨识算法得到的等效电感、定子电阻和磁链;第二电机信息包括:待控空调中待控电机的转速,和/或,转矩。
获取待控空调的多组特征电流、特征电压和电机转子位置信息;根据每组特征电流、特征电压、电机转子位置信息和电机参数辨识算法得到对应的等效电感、定子电阻和磁链;获取每组特征电流、特征电压、电机转子位置信息、等效电感、定子电阻和磁链对应的待控电机的转速,和/或,转矩;根据获取到的多组特征电流、特征电压、电机转子位置信息、等效电感、定子电阻、磁链以及转速,和/或,转矩对待控空调的当前空调控制神经网络模型进行更新,以得到更新的空调控制神经网络模型;将更新的空调控制神经网络模型发送至待控空调,使待控空调根据更新的空调控制神经网络模型自主进行目标电机参数调控,以实现待控电机的电机控制。
具体地,电机参数辨识算法表征待控电机的等效电感、定子电阻和磁链与对应的特征电流、特征电压和电机转子位置信息之间的函数关系。已知特征电流、特征电压和电机转子位置信息,通过电机参数辨识算法可以计算得到待控电机对应的等效电感、定子电阻和磁链。
根据预设关系函数以及对应的特征电流、特征电压和电机转子位置信息、等效电感、定子电阻和磁链可以计算得到对应的转速或转矩。
其中,预设关系函数包括:转速与特征电流、特征电压、电机转子位置信息、等效电感、定子电阻和磁链之间的函数关系,和/或,转矩与特征电流、特征电压、电机转子位置信息、等效电感、定子电阻和磁链之间的函数关系。
本申请通过服务器实现在线机器学习,通过空调外机中风机电机、压缩机电机以及内机电机的第一电机信息和第二电机信息分别建立或更新风机电机对应的空调控制神经网络模型、压缩机电机对应的空调控制神经网络模型,以及,内机电机对应的空调控制神经网络模型。
更新后的空调控制神经网络模型应用于待控空调中,待控空调的主控芯片将待控电机的当前第一电机信息作为输入,输入到待控电机对应的空调控制神经网络模型中,使得更新后的空调控制神经网络模型输出待控电机的转速和/或转矩,待控空调的主控芯片根据得到的转速和/或转矩去控制待控电机的运转。
图2为一个实施例提供的一种电机控制装置的结构框图,该电机控制装置包括:
第一获取模块100,用于获取待控空调的多组第一电机信息;
第二获取模块200,用于获取每组第一电机信息对应的第二电机信息;
更新模块300,用于根据获取到的多组第一电机信息和对应的第二电机信息对待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;
发送模块400,用于将更新的电机控制策略发送至待控空调,使待控空调根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
在一个实施例中,第二获取模块200包括:
子获取模块210,用于获取待控空调通过传感器采集到的每组第一电机信息对应的第二电机信息,
或,
计算模块220,用于根据每组第一电机信息和预设关系函数计算得到每组第一电机信息对应的第二电机信息。
在一个实施例中,更新模块300包括:
样本生成模块310,用于根据多组第一电机信息和对应的第二电机信息,生成样本数据;
建模模块320,用于基于样本数据,对待控空调的当前空调控制神经网络模型进行训练,得到更新的空调控制神经网络模型。
在一个实施例中,提供了一种电机控制方法,该方法应用于待控空调,该方法包括:向服务器发送多组第一电机信息;接收服务器根据多组第一电机信息和对应的第二电机信息对当前电机控制策略进行更新后得到的更新的电机控制策略;根据更新的电机控制策略进行目标电机参数调控,以实现电机控制。
在一个实施例中,通过采集模块采集多组第一电机信息和多组第一电机信息对应的第二电机信息,将采集到的多组第一电机信息和对应的第二电机信息发送至服务器。
在一个实施例中,通过采集模块采集多组第一电机信息,将采集到的多组第一电机信息发送至服务器,使服务器根据每组第一电机信息和预设关系函数计算得到每组第一电机信息对应的第二电机信息。
在一个实施例中,接收服务器发送的更新的空调控制神经网络模型,将当前第一电机信息输入至更新的空调控制神经网络模型得到当前目标电机参数,并根据当前目标电机参数进行电机控制。
图3为一个实施例提供的一种电机控制***的结构框图,该电机控制***包括:待控空调和服务器;待控空调,用于采集多组第一电机信息,并发送至服务器;服务器,用于获取第一电机信息对应的第二电机信息,根据获取到的多组第一电机信息和对应第二电机信息对待控空调的当前电机控制策略进行更新,并将得到的更新的电机控制策略发送至待控空调;待控空调,还用于根据更新的电机控制策略自主进行目标电机参数调控,以实现电机控制。
服务器为空调***云服务器,服务器可以与多个空调通信。服务器通过全双工通信的通信链路与待控空调的收发模块进行数据通信。待控空调包括采集模块、主控芯片(具有人工智能神经网络处理功能)、收发模块和电机控制模块。待控空调的采集模块用于采集第一电机信息,或,采集第一电机信息和对应的第二电机信息。待控空调的主控芯片用于将第一电机信息或第一电机信息和对应的第二电机信息依次通过收发模块、通信链路发送至服务器。服务器根据获取到的第一电机信息和对应的第二电机信息得到样本数据,利用样本数据对待控空调的当前空调控制神经网络模型进行训练,以得到更新的空调控制神经网络模型,并将更新的空调控制神经网络模型发送至待控空调,以植入到待控空调的主控芯片中。待控空调的主控芯片将当前第一电机信息输入至更新的空调控制神经网络模型得到当前目标电机参数,并将当前目标电机参数传输至电机控制模块。电机控制模块将当前目标电机参数输入到电机驱动算法以实现电机控制。
本申请中空调遥控器上设置有每个可控电机对应的更新按键,也可以设置有所有可控电机的总控按键。用户通过触发待控电机对应的更新按键,即可实现待控电机对应的电机控制策略的独立更新控制。
用户通过空调遥控器上面的总控按键便可以进行空调***中所有电机对应的电机控制策略的一键在线更新。使得空调运行在基于当前的实时空调***中的最优电机控制策略。通过上述控制方式可以实现空调***的最优运转及电机负载的拖动能力从而实现节约空调用电、降低空调异常响动及增加空调***的抗扰动能力等。
在需要在线优化空调控制***的时候,用户按下空调遥控器的总控按键,空调通过通信协议与空调云服务器建立远程连接。空调在线优化云服务器收到用户请求之后通过远程发送相应的空调控制命令进行用户空调***中相应的第一电机信息,或,第一电机信息和第二电机信息采集,空调通过与服务器所建立的通信链路来传输采集的第一电机信息,或,第一电机信息和第二电机信息。空调云服务器在获取到到多组第一电机信息和第二电机信息后,根据第一电机信息中的电流、电压、电机转子位置,以及,对应的第二电机信息中的转速和转矩进行基于神经网络的空调控制策略进行基于训练集的网络更新训练。训练后的空调控制神经网络模型通过采集到的第一电机信息和第二电机信息进行基于测试集的神经网络测试、验证。通过与空调建立的通信链路进行通信,空调云服务器将更新好的空调控制神经网络模型打包后植入到用户的空调机中,从而去实现空调控制***的在线实时更新。
空调由于经过多年的使用之后会导致空调中***中的电机会出现一定的磨损、磁场强度变化等。本申请的电机控制方法不仅能够利用神经网络进行空调电机驱动控制***的在线优化,而且还能够结合电机的第一电机信息和第二电机信息通过空调云计算服务器利用传统的电机驱动算法进行在线空调控制算法的更新。其具体实现步骤如下:采集空调***中所有电机的重要状态量,包括第一电机信息:特征电流、特征电压、电机转子位置信息等信息。将以上所采集到的第一电机信息通过户空调发送至服务器。服务器调用电机参数辨识算法和特征电流、特征电压、电机转子位置信息计算得到定子电阻、等效电感、磁链。服务器根据多组特征电流、特征电压、电机转子位置信息、定子电阻、等效电感、磁链、转速和转矩对当前空调控制神经网络模型进行训练以更新空调控制神经网络模型。空调根据更新的空调控制神经网络模型能够输出当前第一电机信息对应的目标电机参数,空调将该目标电机参数传输至电机控制模块,电机控制模块能够对电机驱动算法进行在线更新。
通过本申请可以有效地降低空调由于长时间地运行而导致的电机参数发生变化及电机磁场强度变化等导致空调在后续的运行过程中的噪声变大、发生异响等问题。用户在进行一键按键进行电机控制决策的更新的同时可以将采集到的用户空调的电机运转时候的第一电机信息和第二电机信息作为人工智能神经网络的训练集及测试集从而可以达到不断更新空调***的空调控制神经网络模型目的,同时还可以通过终端服务器将采集到的第一电机信息和第二电机信息进行存储作为技术研发的实验参考数据库。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电机控制方法,其特征在于,所述方法包括:
获取待控空调的多组第一电机信息;
获取每组第一电机信息对应的第二电机信息;
根据获取到的所述多组第一电机信息和对应的第二电机信息对所述待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;
将所述更新的电机控制策略发送至所述待控空调,使所述待控空调根据所述更新的电机控制策略自主进行目标电机参数调控,以实现电机控制;
其中,所述第一电机信息和所述第二电机信息,用于表征所述待控空调中的待控电机的实时运行状态;
所述当前电机控制策略为所述待控空调中的待控电机出厂设置的电机控制策略;
所述当前电机控制策略是指当前空调控制神经网络模型,所述更新的电机控制策略是指更新的空调控制神经网络模型,所述第二电机信息是对应的第一电机信息关于对应的空调控制神经网络模型的预测目标的真实结果,所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
2.根据权利要求1所述的方法,其特征在于,所述获取每组第一电机信息对应的第二电机信息,包括:
获取所述待控空调通过采集模块采集到的每组第一电机信息对应的第二电机信息,
或,
根据每组第一电机信息和预设关系函数计算得到每组第一电机信息对应的第二电机信息。
3.根据权利要求1所述的方法,其特征在于,所述根据获取到的所述多组第一电机信息和对应的第二电机信息对所述待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略,包括:
根据所述多组第一电机信息和对应的第二电机信息,生成样本数据;
基于所述样本数据,对所述待控空调的当前空调控制神经网络模型进行训练,得到更新的空调控制神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述更新的电机控制策略发送至所述待控空调,使所述待控空调根据所述更新的电机控制策略自主进行目标电机参数调控,以实现电机控制,包括:
将所述更新的空调控制神经网络模型发送至所述待控空调,使所述待控空调通过将当前第一电机信息输入至所述更新的空调控制神经网络模型得到当前目标电机参数,并根据所述当前目标电机参数进行电机控制。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述第一电机信息包括:所述待控空调中待控电机的特征参数;
所述待控电机为:风机电机、压缩机电机和内机电机中的一种。
6.根据权利要求5所述的方法,其特征在于,所述特征参数包括:特征电流、特征电压和电机转子位置信息;
所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
7.根据权利要求5所述的方法,其特征在于,所述特征参数包括:特征电流、特征电压和电机转子位置信息,以及,根据所述特征电流、特征电压、电机转子位置信息和电机参数辨识算法得到的等效电感、定子电阻和磁链;
所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
8.一种电机控制装置,其特征在于,所述装置包括:
第一获取模块,用于获取待控空调的多组第一电机信息;
第二获取模块,用于获取每组第一电机信息对应的第二电机信息;
更新模块,用于根据获取到的所述多组第一电机信息和对应的第二电机信息对所述待控空调的当前电机控制策略进行更新,以得到更新的电机控制策略;
发送模块,用于将所述更新的电机控制策略发送至所述待控空调,使所述待控空调根据所述更新的电机控制策略自主进行目标电机参数调控,以实现电机控制;
其中,所述第一电机信息和所述第二电机信息,用于表征所述待控空调中的待控电机的实时运行状态;
所述当前电机控制策略为所述待控空调中的待控电机出厂设置的电机控制策略;
所述当前电机控制策略是指当前空调控制神经网络模型,所述更新的电机控制策略是指更新的空调控制神经网络模型,所述第二电机信息是对应的第一电机信息关于对应的空调控制神经网络模型的预测目标的真实结果,所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
9.一种电机控制方法,其特征在于,所述方法包括:
向服务器发送多组第一电机信息;
接收所述服务器根据所述多组第一电机信息和对应的第二电机信息对当前电机控制策略进行更新后得到的更新的电机控制策略;
根据所述更新的电机控制策略进行目标电机参数调控,以实现电机控制;
其中,所述第一电机信息和所述第二电机信息,用于表征待控空调中的待控电机的实时运行状态;
所述当前电机控制策略为所述待控空调中的待控电机出厂设置的电机控制策略;
所述当前电机控制策略是指当前空调控制神经网络模型,所述更新的电机控制策略是指更新的空调控制神经网络模型,所述第二电机信息是对应的第一电机信息关于对应的空调控制神经网络模型的预测目标的真实结果,所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
10.一种电机控制***,其特征在于,所述***包括:待控空调和服务器;
所述待控空调,用于采集多组第一电机信息,并发送至所述服务器;
所述服务器,用于根据获取到的所述多组第一电机信息和对应的第二电机信息对所述待控空调的当前电机控制策略进行更新,并将更新的电机控制策略发送至所述待控空调;
所述待控空调,还用于根据所述更新的电机控制策略自主进行目标电机参数调控,以实现电机控制;
其中,所述第一电机信息和所述第二电机信息,用于表征所述待控空调中的待控电机的实时运行状态;
所述当前电机控制策略为所述待控空调中的待控电机出厂设置的电机控制策略;
所述当前电机控制策略是指当前空调控制神经网络模型,所述更新的电机控制策略是指更新的空调控制神经网络模型,所述第二电机信息是对应的第一电机信息关于对应的空调控制神经网络模型的预测目标的真实结果,所述第二电机信息包括:所述待控空调中待控电机的转速,和/或,转矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232298.0A CN112366998B (zh) | 2020-11-06 | 2020-11-06 | 电机控制方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011232298.0A CN112366998B (zh) | 2020-11-06 | 2020-11-06 | 电机控制方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112366998A CN112366998A (zh) | 2021-02-12 |
CN112366998B true CN112366998B (zh) | 2023-04-07 |
Family
ID=74508969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011232298.0A Active CN112366998B (zh) | 2020-11-06 | 2020-11-06 | 电机控制方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112366998B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180381A (zh) * | 2015-10-22 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种空调控制方法及空调控制设备 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3815260B2 (ja) * | 2001-06-07 | 2006-08-30 | 株式会社明電舎 | 速度制御装置 |
DE102004011015A1 (de) * | 2004-03-02 | 2005-09-15 | Brose Fahrzeugteile Gmbh & Co. Kg, Coburg | Verfahren zum Überwachen der Verstellbewegung eines von einer Antriebseinrichtung angetriebenen Bauteils |
CN106849793B (zh) * | 2017-03-01 | 2019-03-01 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制*** |
CN110518851A (zh) * | 2019-07-19 | 2019-11-29 | 杭州洲钜电子科技有限公司 | 基于神经网络的压缩机控制方法、***和存储介质 |
CN110736244B (zh) * | 2019-10-29 | 2020-10-20 | 珠海格力电器股份有限公司 | 控制空调的方法、装置和空调 |
CN111600519B (zh) * | 2020-05-26 | 2024-02-23 | 佛山金华信智能科技有限公司 | 伺服电机控制方法、装置、电子设备及存储介质 |
CN111525863B (zh) * | 2020-06-02 | 2021-12-07 | 江苏朗晟激光科技有限公司 | 一种电机调速装置及其控制方法 |
CN111600526B (zh) * | 2020-06-08 | 2023-08-15 | 湖南雷旋信息技术有限公司 | 伺服电机驱动控制方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-06 CN CN202011232298.0A patent/CN112366998B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180381A (zh) * | 2015-10-22 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种空调控制方法及空调控制设备 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
Non-Patent Citations (2)
Title |
---|
基于神经网络转速估计的异步电机矢量控制***研究;高翔;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180115;正文第13页第1段-最后1段,第28页第1段-第37页第1段,第42页第1段-最后1段 * |
开关磁阻电机神经网络随控无位置传感器实现;郝帅 等;《微电机》;20111128;第44卷(第11期);正文第43页左栏第1段-第44页右栏最后1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN112366998A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10148211B2 (en) | Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus | |
US10090798B2 (en) | Machine learning apparatus and method learning predicted life of power device, and life prediction apparatus and motor driving apparatus including machine learning apparatus | |
CN106322656A (zh) | 一种空调控制方法及服务器和空调*** | |
CN107861061B (zh) | 一种数据驱动的感应电机参数在线辨识方法 | |
CN104378038A (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
WO2006046633A1 (ja) | 制御対象モデル生成装置および生成方法 | |
US11960251B2 (en) | Parameterization of a component in an automation system | |
CN112041819B (zh) | 用于监测和识别电驱动***中的传感器故障的方法 | |
WO2007116590A1 (ja) | 運転制御方法,運転制御装置及び運転制御システム | |
CN105680746A (zh) | 一种利用在线粒子群优化算法来设计永磁同步电动机电流和速度控制器pi参数的方法 | |
US20150286950A1 (en) | Apparatus for forecasting water demand | |
CN111476386A (zh) | 能源***维护方法、装置、***以及存储介质 | |
CN115017725B (zh) | 风电高渗透电网***的等效惯量预测方法 | |
CN112366998B (zh) | 电机控制方法、装置及*** | |
CN105048918A (zh) | 一种无刷直流电机自适应模糊控制方法 | |
KR102382047B1 (ko) | Pso를 이용한 모터 제어기의 자동 학습 튜닝 시스템 | |
CN115392110A (zh) | 基于ppo算法的数据模型混合驱动风电场建模方法 | |
CN111524439A (zh) | 压缩机模拟工装的控制方法 | |
WO2022192352A9 (en) | Multi-critic based enhanced vector control optimization with multi-q learning for motor control | |
Brandstetter | Sensorless control of DC drive using artificial neural network | |
CN111720271A (zh) | 一种风电机组载荷在线预测的智能方法及风电机组 | |
CN115149855B (zh) | 一种无传感器bldc马达控制***及其方法 | |
CN110309551A (zh) | 一种基于数据分析的风电机组发电机温度控制***及方法 | |
CN115733402A (zh) | 热泵调温控制方法以及装置 | |
JP2904051B2 (ja) | システム制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |