本發(fā)明涉及能耗優(yōu)化，更具體地說，本發(fā)明涉及基于大數(shù)據(jù)分析的電動(dòng)執(zhí)行器能耗優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)電動(dòng)執(zhí)行器能耗管理方法通常依賴靜態(tài)參數(shù)設(shè)定和簡單控制策略，難以應(yīng)對多變工況下的能耗波動(dòng)，且對實(shí)時(shí)運(yùn)行數(shù)據(jù)缺乏充分利用。現(xiàn)有技術(shù)在數(shù)據(jù)融合、時(shí)序特征提取和工況狀態(tài)分析方面存在不足，無法精準(zhǔn)刻畫執(zhí)行器運(yùn)行模態(tài)與能效衰減之間的復(fù)雜關(guān)系，導(dǎo)致調(diào)控策略響應(yīng)滯后、能耗優(yōu)化效果有限。

2、為了解決上述問題，現(xiàn)提供一種技術(shù)方案。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供基于大數(shù)據(jù)分析的電動(dòng)執(zhí)行器能耗優(yōu)化方法及系統(tǒng)以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于大數(shù)據(jù)分析的電動(dòng)執(zhí)行器能耗優(yōu)化方法，包括如下步驟：

4、采集電動(dòng)執(zhí)行器的多源運(yùn)行數(shù)據(jù)流，基于滑動(dòng)窗口對多源運(yùn)行數(shù)據(jù)流進(jìn)行時(shí)序特征提取，生成執(zhí)行器工況模態(tài)特征向量；

5、根據(jù)執(zhí)行器工況模態(tài)特征向量，結(jié)合預(yù)設(shè)能效影響因子權(quán)重矩陣，構(gòu)建能效影響因子集；

6、基于動(dòng)態(tài)密度聚類算法對能效影響因子集進(jìn)行工況狀態(tài)聚類，生成執(zhí)行器運(yùn)行模態(tài)分類樹；

7、對非穩(wěn)態(tài)運(yùn)行模態(tài)進(jìn)行能耗溯源分析，生成能效劣化特征圖譜；

8、將能效劣化特征圖譜輸入預(yù)訓(xùn)練的能耗優(yōu)化決策模型，輸出動(dòng)態(tài)調(diào)控策略集；

9、在動(dòng)態(tài)調(diào)控策略集生效后，通過比較策略實(shí)施前后的能效躍遷軌跡與理論最優(yōu)能耗曲線的偏離度，迭代更新能耗優(yōu)化決策模型的權(quán)重分布，輸出最終優(yōu)化控制參數(shù)包。

10、在一個(gè)優(yōu)選的實(shí)施方式中，采集電動(dòng)執(zhí)行器的多源運(yùn)行數(shù)據(jù)流，基于滑動(dòng)窗口對多源運(yùn)行數(shù)據(jù)流進(jìn)行時(shí)序特征提取，生成執(zhí)行器工況模態(tài)特征向量，具體為：

11、采集電動(dòng)執(zhí)行器的電機(jī)電流信號、閥門位置反饋信號、控制指令序列和振動(dòng)頻譜數(shù)據(jù)，構(gòu)成多源異構(gòu)運(yùn)行數(shù)據(jù)流；

12、根據(jù)控制指令序列的變化頻率，調(diào)整滑動(dòng)窗口的尺寸；

13、在滑動(dòng)窗口內(nèi)對多源異構(gòu)運(yùn)行數(shù)據(jù)流進(jìn)行時(shí)序特征提取；

14、將各滑動(dòng)窗口內(nèi)提取的時(shí)域特征、頻域特征和小波變換特征進(jìn)行維度拼接，生成執(zhí)行器工況模態(tài)特征向量。

15、在一個(gè)優(yōu)選的實(shí)施方式中，根據(jù)執(zhí)行器工況模態(tài)特征向量，結(jié)合預(yù)設(shè)能效影響因子權(quán)重矩陣，構(gòu)建能效影響因子集，具體為：

16、從執(zhí)行器工況模態(tài)特征向量中提取時(shí)域特征參數(shù)、頻域特征參數(shù)和小波變換特征參數(shù)；

17、將能效影響因子權(quán)重矩陣的行向量分別與對應(yīng)類型的特征參數(shù)進(jìn)行匹配；

18、對每個(gè)特征參數(shù)執(zhí)行加權(quán)計(jì)算操作；

19、將加權(quán)計(jì)算結(jié)果按特征類型進(jìn)行累加，生成多維度能效影響因子集。

20、在一個(gè)優(yōu)選的實(shí)施方式中，基于動(dòng)態(tài)密度聚類算法對能效影響因子集進(jìn)行工況狀態(tài)聚類，生成執(zhí)行器運(yùn)行模態(tài)分類樹，具體為：

21、選取多維度能效影響因子集中局部密度和相對距離的乘積超過閾值的因子為初始聚類中心；

22、根據(jù)初始聚類中心分布密度，劃分密度相似且能效影響因子分布連續(xù)的連續(xù)工況狀態(tài)為相同聚類分支；

23、將符合密度連通性條件的離散因子歸為相鄰聚類分支；

24、構(gòu)建樹狀分類結(jié)構(gòu)，基于聚類分支的能效指數(shù)均值與方差進(jìn)行剪枝優(yōu)化，生成包含穩(wěn)態(tài)運(yùn)行模態(tài)與非穩(wěn)態(tài)運(yùn)行模態(tài)的執(zhí)行器運(yùn)行模態(tài)分類樹。

25、在一個(gè)優(yōu)選的實(shí)施方式中，對非穩(wěn)態(tài)運(yùn)行模態(tài)進(jìn)行能耗溯源分析，生成能效劣化特征圖譜，具體為：

26、識別非穩(wěn)態(tài)運(yùn)行模態(tài)的工況狀態(tài)區(qū)間，確定能效影響因子閾值范圍；

27、根據(jù)能效影響因子閾值范圍，篩選能耗異常增加的指令段，提取與控制指令序列相關(guān)的異常脈沖模式，標(biāo)記異常脈沖模式的起止時(shí)刻；

28、以異常脈沖模式起止時(shí)刻為基準(zhǔn)，計(jì)算電動(dòng)執(zhí)行器電機(jī)電流信號的異常變化量和閥門位置反饋信號的滯后響應(yīng)量；

29、基于電機(jī)電流信號的異常變化量與閥門位置反饋信號的滯后響應(yīng)量之間的數(shù)值關(guān)聯(lián)關(guān)系，生成能效劣化特征圖譜。

30、在一個(gè)優(yōu)選的實(shí)施方式中，將能效劣化特征圖譜輸入預(yù)訓(xùn)練的能耗優(yōu)化決策模型，輸出動(dòng)態(tài)調(diào)控策略集，具體為：

31、以歷史運(yùn)行數(shù)據(jù)構(gòu)建電動(dòng)執(zhí)行器能效劣化特征圖譜訓(xùn)練集，通過監(jiān)督學(xué)習(xí)方式訓(xùn)練能耗優(yōu)化決策模型；

32、對能效劣化特征圖譜的特征參數(shù)進(jìn)行歸一化處理，獲得標(biāo)準(zhǔn)化特征輸入矩陣；

33、將標(biāo)準(zhǔn)化特征輸入矩陣輸入預(yù)訓(xùn)練的能耗優(yōu)化決策模型，進(jìn)行特征匹配和能效模式識別；

34、根據(jù)特征匹配和能效模式識別結(jié)果，輸出與電動(dòng)執(zhí)行器運(yùn)行工況模態(tài)對應(yīng)的動(dòng)態(tài)調(diào)控策略集。

35、在一個(gè)優(yōu)選的實(shí)施方式中，在動(dòng)態(tài)調(diào)控策略集生效后，通過比較策略實(shí)施前后的能效躍遷軌跡與理論最優(yōu)能耗曲線的偏離度，迭代更新能耗優(yōu)化決策模型的權(quán)重分布，輸出最終優(yōu)化控制參數(shù)包，具體為：

36、實(shí)時(shí)記錄電動(dòng)執(zhí)行器的電機(jī)電流信號、閥門位置反饋信號、振動(dòng)頻譜數(shù)據(jù)的變化趨勢，繪制實(shí)際能效躍遷軌跡；

37、將實(shí)際能效躍遷軌跡與理論最優(yōu)能耗曲線進(jìn)行逐點(diǎn)數(shù)值比較，計(jì)算實(shí)際能效躍遷軌跡與理論最優(yōu)能耗曲線之間的偏離程度；

38、將偏離程度作為誤差反饋到能耗優(yōu)化決策模型，基于誤差反向傳播機(jī)制對能耗優(yōu)化決策內(nèi)部的權(quán)重分布進(jìn)行迭代調(diào)整；

39、當(dāng)偏離程度降至預(yù)設(shè)允許范圍內(nèi)時(shí)，輸出優(yōu)化后的最終優(yōu)化控制參數(shù)包。

40、另一方面，本發(fā)明提供基于大數(shù)據(jù)分析的電動(dòng)執(zhí)行器能耗優(yōu)化系統(tǒng)，包括特征提取模塊、影響因子構(gòu)建模塊、工況狀態(tài)聚類模塊、能耗溯源分析模塊、調(diào)控策略輸出模塊、模型更新模塊；

41、特征提取模塊采集電動(dòng)執(zhí)行器的多源運(yùn)行數(shù)據(jù)流，基于滑動(dòng)窗口對多源運(yùn)行數(shù)據(jù)流進(jìn)行時(shí)序特征提取，生成執(zhí)行器工況模態(tài)特征向量；

42、影響因子構(gòu)建模塊根據(jù)執(zhí)行器工況模態(tài)特征向量，結(jié)合預(yù)設(shè)能效影響因子權(quán)重矩陣，構(gòu)建能效影響因子集；

43、工況狀態(tài)聚類模塊基于動(dòng)態(tài)密度聚類算法對能效影響因子集進(jìn)行工況狀態(tài)聚類，生成執(zhí)行器運(yùn)行模態(tài)分類樹；

44、能耗溯源分析模塊對非穩(wěn)態(tài)運(yùn)行模態(tài)進(jìn)行能耗溯源分析，生成能效劣化特征圖譜；

45、調(diào)控策略輸出模塊將能效劣化特征圖譜輸入預(yù)訓(xùn)練的能耗優(yōu)化決策模型，輸出動(dòng)態(tài)調(diào)控策略集；

46、模型更新模塊在動(dòng)態(tài)調(diào)控策略集生效后，通過比較策略實(shí)施前后的能效躍遷軌跡與理論最優(yōu)能耗曲線的偏離度，迭代更新能耗優(yōu)化決策模型的權(quán)重分布，輸出最終優(yōu)化控制參數(shù)包。

47、本發(fā)明基于大數(shù)據(jù)分析的電動(dòng)執(zhí)行器能耗優(yōu)化方法及系統(tǒng)的技術(shù)效果和優(yōu)點(diǎn)：

48、1.實(shí)時(shí)獲取多源運(yùn)行數(shù)據(jù)，并采用滑動(dòng)窗口技術(shù)提取時(shí)序特征，準(zhǔn)確反映電動(dòng)執(zhí)行器工況；結(jié)合預(yù)設(shè)能效影響因子權(quán)重矩陣，對提取的時(shí)域、頻域和小波變換特征進(jìn)行加權(quán)累加，構(gòu)建多維度能效影響因子集；采用動(dòng)態(tài)密度聚類算法對能效影響因子集進(jìn)行工況狀態(tài)劃分，形成包含穩(wěn)態(tài)和非穩(wěn)態(tài)運(yùn)行模態(tài)的分類樹；在非穩(wěn)態(tài)模態(tài)下，通過能耗溯源分析識別異常脈沖模式，并量化能效衰減與響應(yīng)滯后之間的耦合關(guān)系，生成能效劣化特征圖譜；

49、2.將能效劣化特征圖譜輸入預(yù)訓(xùn)練決策模型輸出動(dòng)態(tài)調(diào)控策略，并在策略生效后通過比較實(shí)際能效躍遷軌跡與理論最優(yōu)曲線的偏離度，利用誤差反饋迭代更新模型權(quán)重，輸出最終優(yōu)化控制參數(shù)包。有效提高電動(dòng)執(zhí)行器運(yùn)行效率和能耗管理精度，降低設(shè)備能耗與運(yùn)行成本，增強(qiáng)自適應(yīng)能力，為智能制造和綠色節(jié)能提供了可靠技術(shù)保障。