本發明屬于煤礦用工業自動化控制，尤其是涉及一種基于神經網絡的自學習控制器及其方法。

背景技術：

1、在工業自動化領域，傳統的控制系統通常依賴專家系統和知識庫來進行設備的負載均衡與狀態預測。其特點是通過事先設定的經驗模型或規則進行判斷。這種方式在負載變化多樣、環境復雜的場景中存在以下局限性：

2、1、響應速度慢：專家系統基于預設規則，難以實時自適應地調整控制邏輯，導致設備負載分配和調整滯后。

3、2、擴展性差：新設備或系統擴展時，需要更新知識庫或重新設計規則，操作復雜。

4、3、維護成本高：傳統系統需要頻繁的調試和人工維護，特別是針對負載動態變化的場景。

5、傳統的解決方案無法滿足復雜環境中的多設備負載均衡與實時調整需求，因此有必要引入新的技術手段來克服這些問題。

技術實現思路

1、有鑒于此，本發明旨在提出一種基于神經網絡的自學習控制器及其方法，以解決傳統系統在復雜多驅動控制中的負載管理難題，實現對多個驅動設備的負載均衡控制、實時狀態評估和預測，并提高系統的擴展性和部署效率。

2、為達到上述目的，本發明的技術方案是這樣實現的：

3、第一方面，本發明提供一種基于神經網絡的自學習控制器，包括依次通信連接的神經網絡自學習模塊、狀態預測與評估模塊、輸入調平模塊、動態擴展與調節模塊和部署與調試模塊，所述神經網絡自學習模塊用于通過輸入設備運行數據和反饋結果，經過多次訓練實現自適應的學習；狀態預測與評估模塊用于通過分析設備的歷史數據，控制器能夠預測未來的設備運行狀態；輸入調平模塊用于在多個控制器或驅動設備之間進行負載均衡調節；動態擴展與調節模塊能夠支持動態添加新設備或調節現有設備的負載，無需停機或重新設計控制策略；部署與調試模塊用于自動調整控制參數，減少對人工干預和調試的需求；

4、進一步的，在神經網絡自學習模塊中，其控制邏輯為：

5、神經網絡模型能夠根據歷史運行數據和實時狀態自動調整控制策略，確保負載分配和驅動負載系統調整是自適應的，不依賴人為設定的規則或經驗模型；

6、自學習過程能夠根據不同設備的負載特性和運行狀態，動態調節各個設備的工作狀態，確保每個設備的運行均處于最佳負載范圍內。

7、進一步的，在狀態預測與評估模塊中，其控制邏輯為：

8、通過分析設備的歷史數據，控制器能夠預測未來的設備運行狀態，預測包括：

9、設備性能下降的趨勢：通過分析當前設備負載和過去的運行數據，控制器能夠提前判斷設備是否可能出現性能下降或故障；

10、故障風險預警：在預測到可能的設備故障時，驅動負載系統能夠提前發出預警，提醒操作人員進行維護或調整。

11、進一步的，在輸入調平模塊中，其控制邏輯為：

12、驅動負載系統能夠在多個控制器或驅動設備之間進行負載均衡調節；確保設備的負載輸入合理分配，避免單一設備超負荷運行或資源浪費。

13、進一步的，在動態擴展與調節模塊中，其控制邏輯為：

14、驅動負載系統支持動態添加新設備或調節現有設備的負載，無需停機或重新設計控制策略；減少調試與部署時間。

15、進一步的，在部署與調試模塊中，其控制邏輯為：

16、通過神經網絡的自適應能力，系統的調試過程簡化，大大減少了人工干預。

17、第二方面，基于同一方面構思，本發明還提供了一種基于神經網絡的自學習控制器的方法，包括以下步驟：

18、s1、通過現有控制器獲取數據；

19、s2、對數據通道的數據進行預處理；

20、s3、預加載各個通道的數據建立模型；

21、s4、更新模型用于驅動負載優化；

22、s5、優化各個通道的數據動態升級模型；

23、在步驟s1中，通過現有控制器獲取數據包括：

24、在工作面控制和皮帶驅動控制中，現有控制器負責獲取設備的運行狀態數據，包括信息：

25、電流、電壓、溫度傳感器數據；

26、設備負載、速度驅動器性能數據；

27、設備啟停數據，運行時間、停機次數、故障點、故障頻率歷史運行數據；

28、上述數據將作為輸入，提供給自學習控制器的神經網絡進行分析和學習。

29、進一步的，在步驟s2中，對數據通道的數據進行預處理，包括：

30、數據預處理是指對從傳統控制器傳感器及各個反饋模塊中獲取的原始數據，并進行清理、標準化和歸一化的過程。驅動負載系統首先利用傳統控制器對接的通訊口獲取設備的運行數據；

31、建立一個時序數據庫，并通過時序數據庫獲取設備數據，定義設備為=連續的時間序列，定義設備的負載數據l(t)?和功率消耗p(t)?，其中，t?表示時間；設備的負載數據從煤量傳感器獲取等到負載數據，同時輸入功率消耗p數據，進行分段擬合，表示為：

32、；

33、l是負載；

34、l1是負載的分界點；

35、a1?、b1c1是在第一個區間（l≤i?l1）中用于非線性關系的常數；

36、a2?、b2c2是在第一個區間（l>?l1）中用于非線性關系的常數；

37、abc屬于根據歷史數據擬合出來的一個常數，將i分為3-5個階段分段進行擬合，并將數據存儲。

38、進一步的，在步驟s3中，預加載各個通道的數據建立模型，包括：

39、預加載是指將經過預處理的數據輸入到神經網絡中進行初步訓練，操作內容：

40、將多通道數據分批加載，各個通道的數據分別輸入神經網絡模型中，進行初步學習和訓練；

41、根據現場的監控設備的通道及人工操作進行學習，先采用的是無監督學習，通過歷史數據進行監督學習，模型根據數據模式進行自適應調整；

42、輸入數據中針對于p和l及對應的擬合數據進行記錄，記錄標簽跳變數據，存入數據庫，并進行人員操作人員的提示，存入數據庫，后期進行判斷，最后完成有標簽的學習，進行自我優化升級。

43、進一步的，在步驟s4中，更新模型用于驅動負載優化，包括：

44、在初步訓練完成后，神經網絡模型能夠根據多通道的數據輸出負載優化建議；通過對比各個設備的運行狀態，神經網絡能夠為每個設備提供負載分配方案，操作內容：

45、實時優化：根據輸入的實時數據，模型自動更新權重，調整各個驅動設備的負載輸出，使設備的總運行效率最大化；

46、負載均衡算法：將負載分配到多個驅動器上，平衡系統資源；

47、設計最大負載承載能力負載均衡、最小功率消耗負載均衡和負載均衡與功率優化結合3種模式：

48、中間負載均衡與功率優化結合是基于模型的負載預測，使用時間序列預測模型預測未來負載和功率需求；根據預測結果進行負載分配，提前進行調度以適應未來需求；

49、定義每個設備i的功耗pi與負載li的關系表示為一個非線性函數pi=f(li?)，其中，f是各個設備擬合出來的特定公式；使用以下綜合優化目標進行負載分配目標函數：

50、；

51、約束條件：

52、總負載分配約束：

53、；

54、每個設備的負載不超過其最大負載承載能力：

55、；

56、最后，初始化先初始化函數，為每個設備分配初始負載，并梯度下降調整?li，使得總功耗最小化，同時滿足負載分配約束。

57、進一步的，在步驟s5中，優化各個通道的數據動態升級模型，包括：

58、在驅動負載系統運行過程中，神經網絡模型能夠繼續接收各個通道的實時數據，并根據設備的負載變化和運行狀態進行動態調整和升級；

59、模型通過實時輸入數據進行持續的學習和優化，隨著設備運行狀態的變化，模型不斷更新，確保每個設備始終處于最佳負載狀態；

60、通過不斷的標簽進行在線學習機制，模型能夠根據設備的最新數據進行迭代更新，逐步提高預測精度和負載分配效率，完整自我調整。

61、相對于現有技術，本發明所述的一種基于神經網絡的自學習控制器及其方法具有以下優勢：

62、（1）本發明所述的一種基于神經網絡的自學習控制器及其方法，提高系統智能化水平：通過神經網絡的自學習特性，本發明的控制器能夠自主適應復雜的工業環境，減少了人工干預，提升了系統的智能化和自動化水平。

63、（2）本發明所述的一種基于神經網絡的自學習控制器及其方法，減少人工干預和調試：系統能夠根據設備運行情況自動學習和調節，大幅減少了系統部署和維護的復雜性，降低了人力成本。

64、（3）本發明所述的一種基于神經網絡的自學習控制器及其方法，動態擴展性：本發明的系統支持動態擴展，能夠適應不同設備和負載變化，無需重新設計控制邏輯或大幅修改系統。

65、（4）本發明所述的一種基于神經網絡的自學習控制器及其方法，快速故障預警：通過對設備狀態的預測和分析，系統能夠提前發出預警，避免設備運行中斷或故障，提升了整體系統的可靠性和安全性。