基于云计算的直线电机高功效运行的控制方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于云计算的直线电机高功效运行的控制方法及系统。


背景技术：

2.直线电机是一种不需要任何中间转换机构就能够将电能直接转换成直线运动机械能的装置，能够直接产生直线运动，并且结构简单体积小，加速度大，速度快，适合往复运动。但是直线电机在低速时效率和功率因数较低，容易产生震动，发热量大等缺点，除此之外，直线电机在运动过程中对供电系统也会产生影响。
3.对于多个直线电机在同一个供电系统中工作的场景。例如工厂中利用多个直线电机运送货物，由于直线电机的载荷、速度以及加速度状态各不一致，并且直线电机本身的发热震动等故障，会使得不同直线电机对供电系统产生不同程度的影响，再加上自身因素导致的供电系统不稳定现象，导致供电系统无法为每个直线电机提供稳定的电压或者足够的电流，从而使得直线电机的工作效率降低。
4.现有的解决方式可以为每个直线电机配备一个电源控制系统，来使得直线电机稳定运行，提高工作效率，但是当需要多个直线电机时，各个直线电机的控制系统由于独立工作，数据不共享，仍然存在一些不稳定的因素，导致供电系统异常扰动和直线电机异常运行，最终使得直线电机运行效率下降。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种基于云计算的直线电机高功效运行的控制方法及系统，所采用的技术方案具体如下：
6.第一方面，本发明一个实施例提供了一种基于云计算的直线电机高功效运行的控制方法，该方法包括：
7.获取目标直线电机的当前状态参数构成状态特征向量，供电系统的当前电力参数与额定电力参数的变化量构成供电波动向量；
8.将所述目标直线电机的固有属性特征矩阵以及所述状态特征向量输入深度神经网络，得到供电干扰向量；
9.根据一定时间段内所述目标直线电机的实际运动状态与期望运动状态的变化量得到运动状态变化量，所述期望运动状态为所述目标直线电机对应的控制系统输出的控制参数；利用所述运动状态变化量以及所述供电系统的供电波动向量之间的相关性得到所述目标直线电机的受干扰程度；选取所述目标直线电机的运动状态变化量大于一定阈值时所对应的供电波动向量，得到供电波动向量集合；
10.通过所述目标直线电机的供电波动向量集合对应的单位向量矩阵、受干扰程度以及供电干扰向量获取所述目标直线电机与任意直线电机之间的影响程度；
11.根据所述影响程度以及所述期望运动状态获取所述目标直线电机下一时刻运动
的最优状态，所述目标直线电机根据所述控制系统输出的最优状态进行后续的工作。
12.优选的，所述深度神经网络的损失函数为供电损失函数，所述供电损失函数是某一时刻所有所述直线电机的供电干扰向量之和与所述供电波动向量的损失。
13.优选的，所述某一时刻所有所述直线电机的供电干扰向量之和与所述供电波动向量的损失的获取步骤，包括：
14.获取某一时刻的供电波动向量，将所有所述直线电机的供电干扰向量之和与所述供电波动向量作差，得到的差值为所述供电损失函数的损失。
15.优选的，所述运动状态变化量以及所述供电系统的供电波动向量之间的相关性的获取步骤，包括：
16.将一定时间段内所述目标直线电机的运动状态变化量序列作为第一序列，将一定时间段内所述供电系统的供电波动向量序列作为第二序列，利用相关分析法获取所述第一序列与所述第二序列的相关系数，得到相关性。
17.优选的，所述根据所述运动状态变化量以及所述供电系统的供电波动向量之间的相关性得到所述目标直线电机的受干扰程度的步骤，包括：
18.所述相关性的值不大于零，所述受干扰程度为零；
19.所述相关性的值大于零，所述相关性为所述受干扰程度。
20.优选的，所述根据所述目标直线电机的受干扰程度、供电干扰向量以及供电波动向量集合对应的单位向量矩阵获取所述目标直线电机与任意直线电机之间的影响程度的步骤，包括：
21.根据所述供电干扰向量与所述供电波动向量集合对应的单位向量矩阵的转置矩阵乘积获取相似度矩阵，计算所述相似度矩阵的范数与所述受干扰程度的乘积，获取所述影响程度。
22.优选的，所述根据所述影响程度以及所述期望运动状态获取所述目标直线电机下一时刻运动的最优状态的步骤，包括：
23.获取所述目标直线电机下一时刻运动状态与期望状态的差值，根据所述差值以及所述影响程度的和构建目标函数，所述目标函数最小时获取所述目标直线电机下一时刻运行的最优状态。
24.优选的，所述根据所述差值以及所述影响程度的和构建目标函数的步骤，包括：
25.获取当前时刻所述目标直线电机与其他所述直线电机影响程度的和为第一影响程度，以及所有所述直线电机之间影响程度的和为第二影响程度，获取所述第一影响程度与所述第二影响程度的比值；
26.计算下一时刻所述目标直线电机对其他所述直线电机的影响程度，将所述比值作为下一时刻所述目标直线电机对其他所述直线电机的影响程度的权值进行加权求和，将所述差值与所述加权求和相加构成所述目标函数。
27.第二方面，本发明另一个实施例提供了一种基于云计算的直线电机高功效运行的控制系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
28.本发明具有如下有益效果：通过获取目标直线电机的状态特征向量以及初始化属性特征矩阵得到供电干扰向量，获取供电系统的供电波动向量，根据目标直线电机的运动
状态变化量以及供电波动向量之间的相关性获取目标直线电机的受干扰程度，并选取运动状态变化量大于一定阈值时多对应的供电波动向量构成供电波动向量集合，根据目标直线电机的受干扰程度、供电干扰向量以及供电波动向量集合获取目标直线电机与任意直线电机的影响程度，进一步获取目标直线电机下一时刻运行的最优状态，达到了直线电机之间数据共享的目的，并且将直线电机与供电系统之间的干扰降低，有效提高了直线电机的工作效率。
附图说明
29.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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
30.图1为本发明一个实施例所提供的一种基于云计算的直线电机高功效运行的控制方法流程图；
31.图2为本发明一个实施例所提供的一种深度神经网络的结构示意图；
具体实施方式
32.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于云计算的直线电机高功效运行的控制方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
33.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
34.本发明实施例具体应用场景包括传感器、直线电机、电源控制系统、供电系统和云端服务器，其中每个直线电机配置多个传感器和一个电源控制系统、多个直线电机在同一个供电系统下运动、采集的数据保存在云端服务器。
35.其中，传感器包括采集直线电机当前运动状态参数的多个传感器，当前运动状态参数包括：实际运动速度、加速度、温度、震动频率。传感器包括相应的温度传感器、震动传感器、速度传感器和加速度传感器；
36.云端服务器上安装有大数据系统，本发明实施例中利用的大数据系统框架为mapreduce，在其他实施例中可以采用spark大数据系统框架等，该大数据系统用于存储直线电机的当前运动状态参数、供电系统的供电波动向量。
37.为了解决多个直线电机在独立运行时的数据不共享并且效率降低的问题，通过获取目标直线电机的状态特征向量以及初始化属性特征矩阵得到供电干扰向量，获取供电系统的供电波动向量，根据目标直线电机的运动状态变化量以及供电波动向量之间的相关性获取目标直线电机的受干扰程度，并选取运动状态变化量大于一定阈值时多对应的供电波动向量构成供电波动向量集合，根据目标直线电机的受干扰程度、供电干扰向量以及供电波动向量集合获取目标直线电机与任意直线电机的影响程度，进一步获取目标直线电机下
一时刻运行的最优状态，达到了直线电机之间数据共享的目的，并且将直线电机与供电系统之间的干扰降低，有效提高了直线电机的工作效率。
38.下面结合附图具体的说明本发明所提供的一种基于云计算的直线电机高功效运行的控制方法及系统的具体方案。
39.请参阅图1，其示出了本发明一个实施例提供的一种基于云计算的直线电机高功效运行的控制的方法流程图，该方法包括以下步骤：
40.步骤s100，获取目标直线电机的当前状态参数构成状态特征向量，根据供电系统的当前电力参数与额定电力参数的变化量构成供电波动向量。
41.对于一个供电系统，由于其根节点的电压、电流和频率不会发生太大的变化，所以当一个或少数个直线电机共用此供电系统进行工作时，对供电系统产生的影响较小，但是在多个直线电机共用一个供电系统的情况下，每个直线电机可能具有不同的速度和加速度，由于发热和散热的问题具有一定的温度以及在自身因素以及外部因素影响下具有一定的震动频率，导致多个直线电机与供电系统形成复杂的非线性系统，在这个非线性系统中，直线电机的运动状态会影响供电系统的稳定性，而供电系统的不稳定又对直线电机的运动产生一定的影响。
42.任意选取一个目标直线电机，本发明实施例中通过传感器获得目标直线电机在运动时的实际运动速度、加速度、温度以及震动频率，从而得到一个向量，将该向量作为目标直线电机的状态特征向量，基于相同的方法，获取每个直线电机的状态特征向量。
43.进一步的，实时获取供电系统根节点的电力参数，将实时获取的电力参数与额定的电力参数作差，获取到参数变化量，将参数变化量作为供电系统实时的供电波动向量。本发明实施例中获取的电力参数为电压幅值、电流幅值、频率以及相位，则供电系统的电压幅值变化量、电流幅值变化量、频率变化量以及相位变化量构成供电系统实时的供电波动向量，将实时获取的供电波动向量上传至云端服务器并存储在大数据库中。
44.步骤s200，将目标直线电机的初始化属性特征矩阵以及状态特征向量输入深度神经网络，得到供电干扰向量。
45.对于一个供电系统中的多个直线电机，每个直线电机对供电系统都会产生影响，将产生的影响用供电干扰向量表示，由步骤s100可知每个直线电机具有一个状态特征向量，因此每个状态特征向量对应一个供电干扰向量。
46.假设目标直线电机在第t时刻的状态特征向量为v
n，t
，每个状态特征向量对应一个供电干扰向量u
n，t
，状态特征向量v
n，t
与供电干扰向量u
n，t
之前存在映射关系u
n，t
＝fn(v
n，t
)。对于不同的直线电机，其结构和工作原理都是相同的，但在实际运动过程中，由于内在或外在因素的影响，直线电机之间会存在一些个体差异，例如不同直线电机之间的故障影响或者不同直线电机之间的型号不同，从而导致状态特征向量与供电干扰向量之间的对应关系会由于直线电机自身的固有属性特征而发生改变。这使得目标直线电机不同时所对应的映射关系也不同，但有些映射关系是相同的，那么该映射关系更新为u
n，t
＝f(v
n，t
，hn)，hn表示目标直线电机的固有属性特征矩阵，对该映射关系的具体计算方法如下：
47.根据历史数据可以得到直线电机在不同时刻采集的状态特征向量，将目标直线电机在某个时刻获取到的状态特征向量以及该时刻供电系统的供电波动向量记为样本数据，则目标直线电机在所有时间的样本数据构成一个集合sn。
48.对目标直线电机任意分配一个初始化属性特征矩阵，本发明实施例中通过深度神经网络拟合状态特征向量、初始化属性特征矩阵以及供电干扰向量之间的对应关系，该深度神经网络的训练集为集合sn(n＝1，2，...)中所有样本数据构成的数据集。
49.随机从训练集中选出一组样本数据，假设该样本数据是集合sn中的第t个时刻的样本数据，请参阅图2，深度神经网络由两个fc层构成，将该样本数据中状态特征向量输入深度神经网络中，经fc1层输出中间特征向量，该中间特征向量与属性特征矩阵构成融合特征向量输入fc2层，最终输出供电干扰向量。具体训练过程如下：
50.(1)将样本数据中的状态特征向量输入到fc1层中，fc1层由2层全连接神经网络构成，fc1输出一个中间特征向量；
51.(2)将样本数据中直线电机的初始化属性特征矩阵以及中间特征向量组成融合特征向量输入到fc2层中，fc2层由3层全连接神经网络构成，fc2的输出结果为供电干扰向量；
52.需要说明的是，中间特征向量是与状态特征向量的维度相同的行向量；融合特征向量是根据初始化属性特征矩阵与中间特征向量的转置向量的乘积获得；初始化属性矩阵是一个维度与中间特征向量维度相同的方阵。
53.(3)损失函数为供电损失函数，是某一时刻所有直线电机的供电干扰向量之和与供电波动向量的损失。
54.具体的，获取某一时刻的供电波动向量，将所有直线电机的供电干扰向量之和与该供电波动向量作差，将差值作为损失：
[0055][0056]
其中，loss表示供电损失函数；u
n，t
表示目标直线电机在第t时刻下的供电干扰向量；ut表示第t时刻下的供电波动向量；u
q，t
表示第q个直线电机在第t时刻下的供电干扰向量；表示除了目标直线电机之外所有直线电机的供电干扰向量的和；n表示所有直线电机的数量。
[0057]
本发明实施例中利用随机梯度下降算法更新深度神经网络，此时的初始化属性矩阵也不断更新，通过不断的从训练集中选出样本数据输入到深度神经网络中通过损失函数更新网络，使得网络收敛，得到每个直线电机的固有属性特征矩阵，用于表示目标直线电机的固有属性，本发明实施例中默认该属性不随时间的变化而变化，进而得到每个直线电机所对应的供电干扰向量。
[0058]
步骤s300，根据一定时间段内目标直线电机的实际运动状态与期望运动状态的变化量得到运动状态变化量，期望运动状态为目标直线电机对应的控制系统输出的控制参数；根据运动状态变化量以及供电系统的供电波动向量之间的相关性得到目标直线电机的受干扰程度；选取目标直线电机的运动状态变化量大于一定阈值时所对应的供电波动向量，得到供电波动向量集合。
[0059]
由步骤s200中可以根据每个直线电机的状态特征向量以及固有属性特征矩阵获取直线电机对供电系统的供电干扰向量，而在供电系统不稳定的情况下，又反过来会对直线电机产生相应的影响。
[0060]
直线电机在运动过程中可以通过控制系统来实现对直线电机的控制，本发明实施例中通过pid控制直线电机的速度和加速度，但直线电机在实际运行过程中由于供电系统
的波动或者直线电机自身的不稳定，导致直线电机的速度会变慢或者加速度变小，不能以控制系统所设置的速度和加速度进行运动。
[0061]
进一步的，获取目标直线电机在第t个时刻的期望速度b
0t
，期望加速度a
0t
，本发明实施例中将b
0t
和a
0t
构成的向量称为第t个时刻的期望状态；获取目标直线电机在第t个时刻的实际速度为b
t
，实际加速度为a
t
，将b
t
，a
t
构成的向量称为在第t个时刻的运动状态。
[0062]
需要说明的是，期望速度b
0t
和期望加速度a
0t
是目标直线电机的控制系统输出的控制参数，目标直线电机在利用期望速度b
0t
和期望加速度a
0t
运行时默认是无损耗的，效率最高的，则(b
t-b
0t
，a
t-a
0t
)表示该目标直线电机在第t个时刻的运动状态变化量。
[0063]
将一定时间段内目标直线电机的运动状态变化量序列作为第一序列，将一定时间段内供电系统的供电波动向量序列作为第二序列，利用相关分析法获取第一序列与第二序列的相关系数，得到相关性。
[0064]
相关性的值不大于零，受干扰程度为零；相关性的值大于零，相关性为受干扰程度。
[0065]
具体的，在一定时间内，获取目标直线电机在所有时刻的运动状态变化量构成序列l1，并且获取所有时刻的供电系统的供电波动向量构成序列l2，序列l1与序列l2的长度相等。本发明实施例中利用典型相关算法(canonical correlation analysis，cca)计算序列l1与序列l2的相关性，该相关性越大时说明目标直线电机的运动状态变化量与供电系统的供电波动向量相关，获取目标直线电机的受干扰程度为：
[0066]
pn＝max(ρ，0)
[0067]
其中，pn表示目标直线电机的受干扰程度；ρ表示序列l1与序列l2的相关性；max(ρ，0)表示相关性ρ与0之间的最大值。
[0068]
需要说明的是，本发明实施例中以相关性的最大值获取受干扰程度；受干扰程度越大时，目标直线电机的状态变化与供电系统的波动关系越密切。
[0069]
进一步的，本发明实施例中设定第一阈值，识别出序列l1中目标直线电机的速度和加速度变化较大的运动状态变化量，即序列l1中运动状态变化量的模长大于第一阈值的元素，获取这些元素所对应时刻下的供电波动向量构成集合qn，集合qn表示使得目标直线电机产生较大状态变化的供电波动向量的集合。
[0070]
步骤s400，根据目标直线电机的受干扰程度、供电干扰向量以及供电波动向量集合对应的单位向量矩阵获取目标直线电机与任意直线电机之间的影响程度。
[0071]
直线电机在运动时除了供电系统的波动产生的干扰，直线电机之间也会产生一定的影响，因此需要获取直线电机之间的影响程度。
[0072]
具体的，在当前时刻下，获取目标直线电机的运动状态变化量以及该直线电机的属性特征矩阵，将获取到的状态特征向量与属性特征矩阵输入步骤s200中的深度神经网络中，输出供电干扰向量。为了方便后续理解，本发明实施例中将深度神经网络作为映射函数f：
[0073]
un＝f(vn，hn)
[0074]
其中，un表示目标直线电机在当前时刻的供电干扰向量；vn表示目标直线电机在当前时刻的状态特征向量；hn表示目标直线电机的固有属性特征矩阵。
[0075]
对于第m个直线电机，其对应的集合qm表示第m个直线电机的状态变化向量较大时
对应的供电波动向量集合，如果某个直线电机所产生的的供电干扰向量与集合qm中的供电波动向量的方向一致，则该直线电机对第m个直线电机有干扰。
[0076]
将集合qm中所有的供电波动向量进行单位化，将单位化之后的向量构成单位矩阵mm，单位矩阵的行数由集合qm中的供电波动向量的数量决定，单位矩阵的列数由供电波动向量的维度决定，即单位矩阵mm中每一行都是一个供电波动向量的单位向量。
[0077]
进一步的，目标直线电机对第m个直线电机的影响程度越大，那么目标直线电机产生的供电干扰向量越容易影响第m个直线电机，则当前状态下的目标直线电机对第m个直线电机的运动状态的影响越大，越不利于第m个直线电机的稳定高功效运行，因此获取目标直线电机对第m个直线电机的影响程度为：
[0078][0079]
其中，α
nm
表示目标直线电机对第m个直线电机的影响程度；pm表示第m个直线电机的受干扰程度；un表示目标直线电机在当前时刻的供电干扰向量，且un＝f(vn，hn)；表示单位矩阵的转置矩阵。
[0080]
需要说明的是，表示对目标直线电机的供电干扰向量与单位矩阵所有行的单位向量的余弦相似度构成的向量求范数，得到的值越大说明目标直线电机对第m个直线电机的影响越大；而pm表示第m个直线电机的受干扰程度，该值越大表明第m个直线电机受供电系统的干扰越大，此时越需要关注的大小。
[0081]
步骤s500，根据影响程度以及期望运动状态获取目标直线电机下一时刻运动的最优状态，目标直线电机根据控制系统输出的最优状态进行后续的工作。
[0082]
基于步骤s400的方法，可以获得当前时刻下任意一个直线电机对另外一个直线电机的影响程度，那么如果已知直线电机下一时刻的速度和加速度，并且当前时刻和下一时刻的直线电机的温度和震动不发生改变，则可以根据当前时刻的状态特征向量以及下一时刻的运动状态获取下一时刻的状态特征向量，进而获取下一时刻任意两个直线电机之间的影响程度。
[0083]
本发明实施例中默认目标直线电机按照其控制系统的控制参数运行时的状态为高功效运行，即此时的目标直线电机采用期望速度和期望加速度运行，能够完成所分配的任务并且没有能量的浪费，但由于每个直线电机之间由于供电系统存在相互干扰和影响，使得目标直线电机并不能按照自身的控制参数运行，导致目标直线电机的功效下降，甚至不能完成分配的任务。
[0084]
为下一时刻运行的所有的直线电机分配一个合适的运动状态，该运动状态实际应趋近于期望状态，让下一时刻的所有的直线电机在合适的运动状态下运行，并且任意直线电机之间的影响程度最小，以保证直线电机尽可能在控制系统的控制下准确高效的运行，减少直线电机之间的影响。
[0085]
获取当前时刻目标直线电机与其他直线电机影响程度的和为第一影响程度，以及所有直线电机之间影响程度的和为第二影响程度，获取第一影响程度与第二影响程度的比值；计算下一时刻目标直线电机对其他直线电机的影响程度，将比值作为下一时刻目标直线电机对其他直线电机的影响程度的权值进行加权求和，将差值与加权求和相加构成目标函数。
[0086]
具体的，获取当前时刻目标直线电机与其他直线电机影响程度的和为第一影响程度，以及所有直线电机之间影响程度的和为第二影响程度，获取第一影响程度与第二影响程度的比值：
[0087][0088]
其中，an表示第一影响程度与第二影响程度的比值；α
nm
表示目标直线电机对第m个直线电机的影响程度；α
xm
表示第x个直线电机对第m个直线电机的影响程度。
[0089]
需要说明的是，当比值an的值越大，说明当前时刻的目标直线电机带来的影响要比其他直线电机带来的影响大，因此需要在下一时刻更多的调整目标直线电机的运动状态，尽可能的降低目标直线电机对其他电机的影响；当比值an越小或者为0，说明当前时刻的目标直线电机带来的影响对于其他直线电机带来的影响相比可以忽略，因此在下一时刻不用优先调整目标直线电机的运动状态降低目标直线电机对其他直线电机的影响。
[0090]
进一步的，获取下一时刻的目标直线电机对第m个直线电机的影响程度为：
[0091][0092]
其中，表示下一时刻的目标直线电机对第m个直线电机的影响程度；pm表示当前时刻第m个直线电机的受干扰程度；表示下一时刻目标直线电机的状态特征向量；hn表示目标直线电机的固有属性特征矩阵；表示单位矩阵的转置矩阵。
[0093]
获取目标直线电机下一时刻运动状态与期望状态的差值，根据差值以及影响程度的和构建目标函数，目标函数最小时获取目标直线电机下一时刻运行的最优状态。
[0094]
具体的，根据目标直线电机的在下一时刻的期望状态以及目标直线电机与其他直线电机之间的影响程度预测下一时刻目标直线电机的最优状态，构建目标函数：
[0095][0096]
其中，表示目标直线电机在下一时刻的运动状态；h
0n
表示目标直线电机在下一时刻的期望状态；an表示第一影响程度与第二影响程度的比值；表示下一时刻的目标直线电机对第m个直线电机的影响程度；
[0097]
本发明实施例中期望目标直线电机在下一时刻的运动状态趋于期望状态，因此需要取值最小；在运动状态趋近于期望状态的同时需要目标直线电机对其他直线电机的影响最小，因此需要取值最小。
[0098]
需要说明的是，在已知当前时刻目标直线电机的状态特征向量vn以及下一时刻目标直线电机的运动状态的条件下，将状态特征向量vn中的速度和加速度的分量的值替换为下一时刻目标直线电机运动状态中的速度和加速度分量的值，可以得到下一时刻目标直线电机的状态特征向量
[0099]
本发明实施例中采用随机梯度下降的方法对目标函数进行约束，获得下一时刻目标直线电机的运动状态作为最优状态，该最优状态可以使得目标直线电机在趋于期望运动状态的同时尽可能互不影响，从而提高目标直线电机的功效。
[0100]
综上所述，本发明实施例中通过获取目标直线电机的状态特征向量以及初始化属性特征矩阵得到供电干扰向量，获取供电系统的供电波动向量，根据目标直线电机的运动
状态变化量以及供电波动向量之间的相关性获取目标直线电机的受干扰程度，并选取运动状态变化量大于一定阈值时多对应的供电波动向量构成供电波动向量集合，根据目标直线电机的受干扰程度、供电干扰向量以及供电波动向量集合获取目标直线电机与任意直线电机的影响程度，进一步获取目标直线电机下一时刻运行的最优状态，解决了直线电机之间数据不共享的问题，并且获取直线电机的最优状态，降低直线电机与供电系统之间的干扰，有效提高了直线电机的工作效率。
[0101]
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于云计算的直线电机高功效运行的控制系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于云计算的直线电机高功效运行的控制方法实施例中的步骤，例如图1所示的步骤。该一种基于云计算的直线电机高功效运行的控制方法在上述实施例中已经详细说明，不再赘述。
[0102]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0103]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0104]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。