一种扑翼能量采集性能的控制方法、系统、设备及介质

本发明涉及流动控制，特别是涉及一种扑翼能量采集性能的控制方法、系统、设备及介质。

背景技术：

1、扑翼能量采集是一种利用扑翼运动产生的气动力来采集来流中能量的方法，扑翼的运动或控制参数的优化需要考虑来流的变化条件，如速度、方向、湍流度等，以及扑翼的特征参数，如翼型、尺寸、柔度、运动参数等，这些因素都会影响扑翼的气动力和能量采集效率，控制系统的关键是如何优化扑翼的运动或控制参数以达到最大化能量采集效率的目的。传统的扑翼能量采集研究基于数值模拟或实验测试等方法，能够较为准确地反映扑翼的流动特性和能量采集性能，但缺点是计算或测试成本高，难以考虑扑翼的复杂非线性和非定常流动特性，无法满足时变来流条件下扑翼性能的快速分析，因此也无法实现实时控制，并且扑翼的大多数设计参数是连续变量，而传统方法仅针对离散点进行研究，无法准确获取最优工况，局限性较强，难以适应非均匀时变来流条件下的扑翼能量采集性能的快速优化控制。

2、目前，已有一些基于反馈控制的方法，用于提高扑翼能量采集装置的能量采集性能，比如基于pid控制器的方法和基于模糊控制器的方法等。这些方法的共同特点是，都需要建立扑翼能量采集装置的数学模型，然后根据模型的输出和目标值，计算出误差和控制参数，从而调节扑翼的运动。主要存在如下问题：1、扑翼能量采集装置的数学模型往往是复杂的，难以建立和求解，而且可能存在不确定性和非线性性，导致模型的精度和适应性不高。2、pid控制器、模糊控制器等都需要人为地设定一些参数，比如比例系数、积分系数、微分系数、模糊规则、自适应增益等，这些参数的设定往往依赖于经验和试验，而且可能随着流场的变化而失效，导致控制系统的性能和稳定性不高。

技术实现思路

1、本发明提供了一种扑翼能量采集性能的控制方法、系统、设备及介质，解决了现有的数学模型可能存在不确定性和非线性性，导致模型的精度和适应性不高、控制器都需要人为地设定一些参数、无法实现快速和准确的控制的问题。

2、本发明提供一种扑翼能量采集性能的控制方法，包括：

3、实时测量来流的流动特征参数和扑翼的运动参数；

4、将流动特征参数和运动参数转换为数值向量并输入至神经网络模型，生成能量采集性能的预测值；

5、根据能量采集性能的预测值和能量采集性能的真实值，对扑翼的控制参数进行调整；

6、将调整后的控制参数输入至执行器，通过执行器控制扑翼的运动，对扑翼能量采集性能进行优化；

7、所述深度神经网络模型包括：

8、输入层，用于接收数值向量；

9、卷积层，用于对数值向量进行局部特征提取；

10、转换层，用于对卷积层的输出按时间维度和特征维度重新排列；

11、lstm层，用于对转换层的输出进行时序特征提取；

12、全连接层，用于对lstm层的输出进行高层特征提取；

13、输出层，用于对全连接层的输出进行分类或回归，输出能量采集性能的预测值。

14、优选的，通过第一传感器组件测量来流的流动特征参数，通过第二传感器组件测量扑翼的运动参数，通过扑翼能量采集装置输出能量采集性能的真实值。

15、优选的，所述流动特征参数包括时变的速度、方向以及湍流度，所述运动参数包括扑翼的位置、速度、加速度、角度、角速度以及角加速度。

16、优选的，所述输入层由多个神经元组成，神经元的个数与数值向量的维度相同，输出为a(0)＝x，其中a(0)是一个n×1的向量；

17、所述卷积层包括64个神经元，其激活函数为非线性函数，通过下式进行卷积：

18、a(1)＝g(1)(w(1)*a(0)+b(1))

19、式中，a(1)是一个64×1的向量，b(1)是一个64×1的偏置向量，w(1)是卷积核，*表示卷积运算，g(1)(·)是激活函数；

20、所述转换层的输出如下所示：

21、a(1.5)＝reshape(a(1),t,f)

22、式中，a(1.5)是一个t×f的矩阵，t是时间步数，f是特征维度；

23、所述lstm层包括64个神经元，由多个lstm单元组成，每个lstm单元都有一个细胞状态和一个隐藏状态，用于存储和传递长期和短期的信息；每个lstm单元有三个门，分别是遗忘门、输入门和输出门，用于控制细胞状态的更新和输出；所述lstm层的输出如下所示：

24、a(2)＝g(2)(w(2)a(1)+b(2))

25、a(2)是一个64×1的向量，w(2)是一个64×64的权重矩阵，b(2)是一个64×1的偏置向量，g(2)(·)是激活函数；

26、所述全连接层包括64个神经元，其输出如下所示：

27、a(3)＝g(3)(w(3)*a(2)+b(3))

28、式中，a(3)是一个64×1的向量，w(3)是一个64×64的分组卷积核，b(3)是一个64×1的偏置向量，*表示分组卷积运算，g(3)(·)是激活函数；

29、所述输出层包括4个神经元，其输出如下所示：

30、a(4)＝g(4)(w(4)a(3)+b(4))

31、式中，a(4)是一个4×1的向量，w(4)是一个4×64的权重矩阵，b(4)是一个4×1的偏置向量，g(4)(·)是激活函数。

32、优选的，将流动特征参数和运动参数转换为数值向量并输入至神经网络模型前，需对神经网络模型进行训练，包括以下步骤：

33、初始化神经网络模型的参数；

34、获取数据集，包括多个输入特征和对应的多个输出标签；

35、将输入特征输入至初始化后的神经网络模型进行前向传播，得到预测值；

36、根据预测值和对应的输出标签，计算神经网络模型的损失函数；

37、将输入特征输入至初始化后的神经网络模型进行反向传播，计算每层的梯度和误差；

38、根据梯度下降算法更新每层的权重矩阵和偏置向量；

39、重复上述前向传播和反向传播过程，直至损失函数收敛或达到最大迭代次数，完成神经网络模型的训练。

40、优选的，根据能量采集性能的预测值和能量采集性能的真实值，对扑翼的控制参数进行调整，包括以下步骤：

41、计算能量采集性能的预测值和能量采集性能的真实值之间的误差和梯度；

42、通过梯度下降算法对扑翼的控制参数进行调整。

43、优选的，所述执行器包括电机、伺服马达和电磁阀；所述电机用于控制扑翼的翼展和翼扫，所述伺服马达用于控制扑翼的相位和攻角，所述电磁阀用于控制扑翼的曲率和厚度。

44、一种扑翼能量采集性能的控制系统，包括以下步骤：

45、采集模块，用于实时测量来流的流动特征参数和扑翼的运动参数；

46、输入模块，用于将流动特征参数和运动参数转换为数值向量并输入至神经网络模型，生成能量采集性能的预测值；

47、调整模块，用于根据能量采集性能的预测值和能量采集性能的真实值，对扑翼的控制参数进行调整；

48、控制模块，用于将调整后的控制参数输入至执行器，通过执行器控制扑翼的运动，对扑翼能量采集性能进行优化；

49、所述深度神经网络模型包括：

50、输入层，用于接收数值向量；

51、卷积层，用于对数值向量进行局部特征提取；

52、转换层，用于对卷积层的输出按时间维度和特征维度重新排列；

53、lstm层，用于对转换层的输出进行时序特征提取；

54、全连接层，用于对lstm层的输出进行高层特征提取；

55、输出层，用于对全连接层的输出进行分类或回归，输出能量采集性能的预测值。

56、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，所述处理器执行所述程序时实现上述的扑翼能量采集性能的控制方法。

57、一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的扑翼能量采集性能的控制方法。

58、与现有技术相比，本发明的有益效果是：

59、本发明首先实时测量来流的流动特征参数和扑翼的运动参数，将这些参数输入至深度神经网络模型，克服了传统方法的限制，无需建立复杂的数学模型，可以实时地根据流场的变化和扑翼的运动，对扑翼的能量采集性能进行预测和控制，从而提高扑翼的能量转换率和效率。本发明可以实时地监测和调节扑翼的运动和能量采集性能，无需人为地设定控制参数，提高了控制系统的效率和稳定性。