无刷直流电机的转速控制方法及系统

技术领域

本申请涉及深度学习技术领域，尤其涉及一种无刷直流电机的转速控制方法及系统。

背景技术

随着电机驱动技术的不断发展，无刷直流电机因其高效、低噪音和寿命长的特点在工业和消费电子领域得到广泛应用。然而，实际应用中，无刷直流电机在不同工况下的转速控制仍然面临一系列复杂的问题。传统的控制方法难以满足对电机高性能、高效能的需求，因此迫切需要一种更为智能、自适应的转速控制方法。

在目前的研究中，传感器监测和数据处理技术的发展为电机控制提供了更多性。然而，现有研究在处理大规模数据时仍然存在挑战，尤其是在提取与转速控制相关的特征时，需要更为精准的算法和模型。此外，传统的控制策略无法有效应对电机在不同负载和工况下的变化，因此对于电机性能的准确预测和自适应控制仍然是一个亟待解决的问题。

发明内容

本申请提供了一种无刷直流电机的转速控制方法及系统，本申请提高了无刷直流电机的转速控制精度。

第一方面，本申请提供了一种无刷直流电机的转速控制方法，所述无刷直流电机的转速控制方法包括：

通过霍尔传感器对无刷直流电机进行运行测试和转子监控，得到转子监控数据，并对所述转子监控数据进行数据集分类，得到转子位置数据以及转子运行数据；

对所述转子位置数据进行电机转速转换，得到电机转速数据，并对所述电机转速数据进行转速波动变化识别和特征筛选，得到转速波动特征集合；

获取所述无刷直流电机的运行电流数据并生成对应的期望转速数据，并分别对所述期望转速数据以及所述转子运行数据进行特征提取，得到期望转速特征集合以及转子运行特征集合；

对所述转速波动特征集合和所述期望转速特征集合进行特征距离计算和向量编码，得到转速特征编码向量，并对所述转速波动特征集合和所述转子运行特征集合进行特征关联度分析和特征编码，得到运行特征编码向量；

将所述转速特征编码向量和所述运行特征编码向量输入预置的转子性能分析模型进行转子性能分析，得到转子性能预测数据；

根据所述转子性能预测数据创建所述无刷直流电机的转速控制参数策略，并根据所述转速控制参数策略对所述无刷直流电机进行自适应转速控制。

第二方面，本申请提供了一种无刷直流电机的转速控制系统，所述无刷直流电机的转速控制系统包括：

监控模块，用于通过霍尔传感器对无刷直流电机进行运行测试和转子监控，得到转子监控数据，并对所述转子监控数据进行数据集分类，得到转子位置数据以及转子运行数据；

识别模块，用于对所述转子位置数据进行电机转速转换，得到电机转速数据，并对所述电机转速数据进行转速波动变化识别和特征筛选，得到转速波动特征集合；

提取模块，用于获取所述无刷直流电机的运行电流数据并生成对应的期望转速数据，并分别对所述期望转速数据以及所述转子运行数据进行特征提取，得到期望转速特征集合以及转子运行特征集合；

编码模块，用于对所述转速波动特征集合和所述期望转速特征集合进行特征距离计算和向量编码，得到转速特征编码向量，并对所述转速波动特征集合和所述转子运行特征集合进行特征关联度分析和特征编码，得到运行特征编码向量；

分析模块，用于将所述转速特征编码向量和所述运行特征编码向量输入预置的转子性能分析模型进行转子性能分析，得到转子性能预测数据；

控制模块，用于根据所述转子性能预测数据创建所述无刷直流电机的转速控制参数策略，并根据所述转速控制参数策略对所述无刷直流电机进行自适应转速控制。

本申请提供的技术方案中，通过使用霍尔传感器进行监控和数据分类，该方法能够实现对无刷直流电机的高精度转速控制。转子位置数据的精准提取和转速波动特征集合的分析有助于更准确地调整电机的运行状态。通过采用神经网络模型对转子性能进行分析和预测，该方法能够实现自适应性转速控制。这使得电机能够根据实时的运行情况做出智能调整，提高系统的稳定性。使用双向LSTM网络对时序数据进行前向和后向特征提取，有助于更好地理解电机的期望转速和运行情况。这提高了对电机运行状态的理解和控制。通过将多个特征源进行融合，包括转速波动特征集合、期望转速特征集合和转子运行特征集合，提高了对电机性能的全面分析和综合考虑，从而更好地指导转速控制。引入遗传算法进行转速控制参数的优化，使得控制参数更加适应实际工作环境和电机特性。这提高了系统的鲁棒性和适应性。采用深度学习中的卷积门限循环网络对特征进行高维提取和分析，增强了对电机性能的理解。这种先进的神经网络分析有助于更准确地预测转子性能，从而提高了控制的精度。通过使用迭代优化和神经网络的实时性分析，该方法具备更好的实时性和灵活性，可以适应不同工况和负载要求，提高了系统的动态响应能力，进而提高了无刷直流电机的转速控制精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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，还可以基于这些附图获得其他的附图。

图1为本申请实施例中无刷直流电机的转速控制方法的一个实施例示意图；

图2为本申请实施例中无刷直流电机的转速控制系统的一个实施例示意图。

具体实施方式

本申请实施例提供了一种无刷直流电机的转速控制方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中无刷直流电机的转速控制方法的一个实施例包括：

步骤101、通过霍尔传感器对无刷直流电机进行运行测试和转子监控，得到转子监控数据，并对转子监控数据进行数据集分类，得到转子位置数据以及转子运行数据；

可以理解的是，本申请的执行主体可以为无刷直流电机的转速控制系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，对无刷直流电机进行运行测试。通过霍尔传感器对电机的转子进行监控，以获取初始监控数据。包括转子的各种运行参数，如速度、位置等。采用傅里叶变换的方法对初始监控数据进行处理。傅里叶变换能有效地将时域信号转换为频域信号，从而使得转子的动态特性在频率层面得到更加清晰的展现。经过傅里叶变换后，得到的转子监控数据进一步被分为不同的数据点，这些数据点主要包括转子位置数据点和转子运行数据点。这些分类后的数据点被输入到预置的数据集聚类模型中。数据集聚类模型通过分析数据点之间的相似性，将它们聚集在一起，形成有意义的数据集群。对转子位置数据点集和转子运行数据点集进行聚类分析后，分别计算这两个数据点集的中心点，即第一点集中心点和第二点集中心点。这些中心点的计算对于理解转子的整体运行特性至关重要，因为它们代表了转子运行和位置数据的平均状态。针对每个数据点集，进行距离计算。具体来说，计算转子位置数据点集与第一点集中心点之间的距离，以及转子运行数据点集与第二点集中心点之间的距离。这些距离值反映了各数据点与其所属类别中心点的偏离程度，是评估数据集内部一致性的重要指标。对这些距离值求平均，分别得到第一平均距离值和第二平均距离值，获取更加准确和集中的数据特征。基于这两个平均距离值，对转子位置数据点集和转子运行数据点集进行二次聚类。进一步细化数据的分类，使得转子位置数据和转子运行数据的提取更加精确和有针对性。

步骤102、对转子位置数据进行电机转速转换，得到电机转速数据，并对电机转速数据进行转速波动变化识别和特征筛选，得到转速波动特征集合；

具体的，获取霍尔传感器状态表。霍尔传感器状态表是用来识别和记录转子在不同位置时的状态，这有助于理解和分析转子的运动。通过将转子位置数据与霍尔传感器状态表相结合，可以进行转子状态的转换，进而得到更为具体和准确的转子状态转换数据。通过获取电气周期时间差，对转子状态转换数据进行分析，从而计算出电机的转速数据。电气周期时间差是指转子完成一周运动所需时间的差异。对电机转速数据进行线性特征分析，从电机转速数据中提取出多个转速线性特征。基于这些转速线性特征，计算协方差矩阵元素，并构建协方差矩阵。协方差矩阵是一种统计工具，用于衡量不同特征之间的相关性。通过这个矩阵，可以有效地计算出转速线性特征之间的相关性，从而更深入地理解转速数据的内在特性。根据协方差矩阵计算出的特征相关性，计算出对应的转速特征值。这些转速特征值是对原始转速数据的一种抽象表示，能够更好地反映转速的内在特性。根据这些转速特征值，可以生成相应的转速特征向量。对这些转速特征向量进行主成分归一化处理，得到主成分转速特征权重。主成分分析是一种数据降维技术，它可以将复杂的数据集简化为更少的变量，同时保留大部分的原始信息。将电机转速数据与主成分转速特征权重相乘，得到多个目标乘积。这些目标乘积是电机转速特征的综合表现，通过对它们进行加和运算，可以得到融合特征数据。这种融合特征数据是对电机转速特征的综合评估，能够更全面地反映电机的运行状态。通过对这些融合特征数据进行精确的特征筛选，可以得到转速波动特征集合。

步骤103、获取无刷直流电机的运行电流数据并生成对应的期望转速数据，并分别对期望转速数据以及转子运行数据进行特征提取，得到期望转速特征集合以及转子运行特征集合；

具体的，获取无刷直流电机的运行电流数据。这些数据反映了电机在不同工作状态下的电流特性。同时，对运行电流数据进行多元线性回归预测，得到无刷直流电机对应的期望转速数据。多元线性回归是一种统计分析工具，根据电流数据与电机转速之间的关系来预测期望的转速。这种预测方法不仅考虑了电流与转速之间的直接关系，还能够考虑其他影响转速的因素，从而提高预测的准确性。对期望转速数据以及转子运行数据进行时间序列分析。时间序列分析是一种处理按时间顺序排序的数据的方法，它可以揭示数据随时间变化的趋势和模式。通过时间序列分析，可以从期望转速数据和转子运行数据中提取出重要的时序信息。采用预置的第一双向长短期记忆网络（双向LSTM网络）对期望转速的时序数据进行分析。双向LSTM网络由两部分组成：前向LSTM网络和后向LSTM网络。前向LSTM网络负责提取时序数据的前向特征，即从过去到现在的时序特征；而后向LSTM网络则提取时序数据的后向特征，即从未来到现在的时序特征。这种双向的特征提取方式能够全面捕捉时序数据中的动态变化，提高特征提取的准度和有效性。通过对前向期望转速时序特征和后向期望转速时序特征的融合，可以得到一个全面的期望转速特征集合。通过预置的第二双向LSTM网络中，对转子运行时序数据进行前向和后向的时序特征提取，将这些特征融合起来，形成一个全面的转子运行特征集合。这个特征集合综合考虑了转子运行的各种动态变化。

步骤104、对转速波动特征集合和期望转速特征集合进行特征距离计算和向量编码，得到转速特征编码向量，并对转速波动特征集合和转子运行特征集合进行特征关联度分析和特征编码，得到运行特征编码向量；

具体的，对转速波动特征集合和期望转速特征集合进行Jaccard相似系数计算。Jaccard相似系数是一种衡量两个集合相似性的统计方法，通过计算两个集合交集和并集的比例来确定它们之间的相似度。通过这种计算，可以得到Jaccard相似系数数据。根据得到的Jaccard相似系数数据，对转速波动特征集合和期望转速特征集合进行特征选择。特征选择通过筛选出最有代表性和最有用的特征来简化数据分析，从而得到转速特征选择集合。对转速特征选择集合进行向量编码，将特征转换为能够被计算机处理的数值形式。通过这一步骤，可以得到一个转速特征编码向量，这个向量是对电机转速特征的数值表示。同时，对转速波动特征集合和转子运行特征集合进行皮尔逊相关系数分析。皮尔逊相关系数是衡量两个变量之间线性相关程度的指标，它可以揭示转速波动特征和转子运行特征之间的相关关系。通过这种分析，可以得到皮尔逊相关系数数据，这些数据帮助系统理解不同特征之间的关联程度。根据皮尔逊相关系数数据，对转速波动特征集合和转子运行特征集合进行特征缩放和特征融合。特征缩放是将不同的特征标准化到相同的尺度，以消除不同特征之间的尺度差异对分析的影响。特征融合则是将不同的特征组合起来，形成一个综合的特征集合，这有助于更全面地理解电机的运行状态。对融合后的关联特征集合进行特征编码，得到运行特征编码向量。这个向量是对电机运行特征的综合数值表示。

步骤105、将转速特征编码向量和运行特征编码向量输入预置的转子性能分析模型进行转子性能分析，得到转子性能预测数据；

具体的，将转速特征编码向量和运行特征编码向量输入预置的转子性能分析模型中。转子性能分析模型包括：第一卷积门限循环网络、第二卷积门限循环网络、第三卷积门限循环网络以及两层全连接层。通过第一卷积门限循环网络对转速特征编码向量进行高维特征提取。通过卷积层来捕捉转速特征中的空间特征，并通过门限循环网络来捕捉时序特征，从而生成一个综合了空间和时序信息的转速高维特征向量。相似地，第二卷积门限循环网络则针对运行特征编码向量进行处理，提取出运行特征的高维特征向量。这同样涉及到空间和时序信息的综合提取，确保运行特征的全面分析。将这两个高维特征向量进行向量拼接，形成一个目标拼接特征向量。拼接后的特征向量随即输入到第三卷积门限循环网络中，对拼接特征向量进行进一步的融合和高维特征提取，生成一个融合高维特征向量，这结合了转速和运行特征的所有重要信息。将高维特征向量输入模型中的两层全连接层。在第一层全连接层中，这些特征向量被组装成一个目标组装特征向量，将不同的特征向量组合成一个统一的特征表示，确保了特征之间的有效整合。在第二层全连接层中，这个组装特征向量被用于进行最终的转子性能分析。这一层通过全连接的方式处理特征向量，从而得到转子性能的预测数据。

步骤106、根据转子性能预测数据创建无刷直流电机的转速控制参数策略，并根据转速控制参数策略对无刷直流电机进行自适应转速控制。

具体的，根据所述转子性能预测数据对预置的遗传算法进行迭代次数和优化目标分析。遗传算法是一种模拟自然选择和遗传学原理的优化技术，它可以有效地搜索最佳解决方案。通过分析转子性能预测数据，确定遗传算法的迭代次数和优化目标。基于优化目标，对无刷直流电机的转速控制参数进行初始化，从而得到第一控制参数策略。通过设置初始参数来构建控制模型的基础框架。利用遗传算法对这个第一控制参数策略进行策略群体初始化，生成初始控制参数策略群体。将初始策略作为种群的起始点，以便在后续的迭代过程中进行优化和演化。对这个初始控制参数策略群体进行群体优化。通过遗传算法的交叉、变异和选择操作，不断优化和调整控制策略，以逐步接近最佳解。这一群体优化过程能够产生多个目标控制参数策略群体，每个群体都代表着一种的解决方案。根据这些目标控制参数策略群体生成多个第二控制参数策略，并对这些策略进行优化分析。从多个的解决方案中筛选出最优解。通过对各个第二控制参数策略的性能进行评估和比较，可以找到最适合实现高效转速控制的策略。根据找到的最优解，并通过设定的迭代次数进行迭代优化，形成最终的无刷直流电机转速控制参数策略。这个策略是通过反复的迭代和优化得到的，能够准确反映电机的运行状态和性能要求。根据这个转速控制参数策略，对无刷直流电机进行自适应神经模糊推理分析和强化学习。使用神经模糊推理系统来模拟电机的运行状态和行为，同时应用强化学习来不断调整和优化控制策略。这种结合了神经模糊推理和强化学习的方法能够确保电机在各种运行条件下都能实现最优的转速控制。

本申请实施例中，通过使用霍尔传感器进行监控和数据分类，该方法能够实现对无刷直流电机的高精度转速控制。转子位置数据的精准提取和转速波动特征集合的分析有助于更准确地调整电机的运行状态。通过采用神经网络模型对转子性能进行分析和预测，该方法能够实现自适应性转速控制。这使得电机能够根据实时的运行情况做出智能调整，提高系统的稳定性。使用双向LSTM网络对时序数据进行前向和后向特征提取，有助于更好地理解电机的期望转速和运行情况。这提高了对电机运行状态的理解和控制。通过将多个特征源进行融合，包括转速波动特征集合、期望转速特征集合和转子运行特征集合，提高了对电机性能的全面分析和综合考虑，从而更好地指导转速控制。引入遗传算法进行转速控制参数的优化，使得控制参数更加适应实际工作环境和电机特性。这提高了系统的鲁棒性和适应性。采用深度学习中的卷积门限循环网络对特征进行高维提取和分析，增强了对电机性能的理解。这种先进的神经网络分析有助于更准确地预测转子性能，从而提高了控制的精度。通过使用迭代优化和神经网络的实时性分析，该方法具备更好的实时性和灵活性，可以适应不同工况和负载要求，提高了系统的动态响应能力，进而提高了无刷直流电机的转速控制精度。

在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：

（1）对无刷直流电机进行运行测试，并通过霍尔传感器对无刷直流电机进行转子监控，得到初始监控数据；

（2）对初始监控数据进行傅里叶变换，得到转子监控数据，并对转子监控数据进行数据点分类，得到转子位置数据点集以及转子运行数据点集；

（3）分别将转子位置数据点集以及转子运行数据点集输入预置的数据集聚类模型，并对转子位置数据点集进行点集中心点计算，得到第一点集中心点，以及对转子运行数据点集进行点集中心点计算，得到第二点集中心点；

（4）对转子位置数据点集与第一点集中心点进行距离计算，得到多个第一特征距离值并对多个第一特征距离值进行平均值计算，得到对应的第一平均距离值，以及对转子运行数据点集与第二点集中心点进行距离计算，得到多个第二特征距离值并对多个第二特征距离值进行平均值计算，得到对应的第二平均距离值；

（5）根据第一平均距离值对转子位置数据点集进行二次聚类，得到转子位置数据，并根据第二平均距离值对转子运行数据点集进行二次聚类，得到转子运行数据。

具体的，对无刷直流电机进行运行测试，收集关于电机运行状态的基础数据。霍尔传感器能够检测转子的磁场变化，从而提供关于转子位置和速度的实时数据。这些初始监控数据包含了转子的运行速度、位置以及其他的动态特征。对初始监控数据进行傅里叶变换。傅里叶变换是一种将时间域的信号转换为频率域的信号的数学方法，能够揭示信号中隐藏的周期性和频率相关的特征。通过这种变换，可以将转子的运行状态从时间序列转换为频率序列，使得分析更加深入和准确。变换后得到的转子监控数据更适合进行复杂的数据分析，如分类和聚类。将转换后的监控数据进行数据点分类。通过分析数据点的特性，将它们分为不同的类别，例如根据转子的不同位置或运行状态。分类后，形成了两个主要的数据点集：转子位置数据点集和转子运行数据点集。这两个数据点集分别代表了转子的空间位置和运行状态的详细信息。分别将这两个数据点集输入到预置的数据集聚类模型中。聚类模型是一种将数据点根据其相似性分组的方法，帮助理解数据点之间的内在关系。通过对转子位置数据点集进行聚类分析，可以计算出该数据集的中心点，即第一点集中心点，这代表了转子位置数据的平均或典型状态。同样，对转子运行数据点集进行聚类分析，得到第二点集中心点，这代表了转子运行数据的集中趋势。对这两组数据点集进行距离计算。具体来说，计算每个转子位置数据点到第一点集中心点的距离，并计算这些距离的平均值，得到第一平均距离值。这个平均距离值反映了转子位置数据点相对于其平均状态的偏离程度。类似地，计算每个转子运行数据点到第二点集中心点的距离，并计算这些距离的平均值，得到第二平均距离值。这个值代表了转子运行数据的一致性和集中程度。根据这些平均距离值对两组数据点集进行二次聚类。进一步细化数据的分类，使得聚类结果更加精确和有针对性。通过第一平均距离值对转子位置数据点集进行二次聚类，可以得到更精确的转子位置数据；同样，通过第二平均距离值对转子运行数据点集进行二次聚类，可以得到更详细的转子运行数据。

在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：

（1）获取霍尔传感器状态表，并根据霍尔传感器状态表对转子位置数据进行转子状态转换，得到转子状态转换数据；

（2）获取电气周期时间差，并对转子状态转换数据进行电机转速计算，得到电机转速数据；

（3）对电机转速数据进行线性特征分析，得到多个转速线性特征，并根据多个转速线性特征计算协方差矩阵元素，并根据协方差矩阵元素构建协方差矩阵；

（4）根据协方差矩阵计算多个转速线性特征之间的特征相关性，得到线性特征相关性，并根据线性特征相关性，计算多个转速线性特征对应的多个转速特征值；

（5）根据多个转速特征值生成对应的转速特征向量，并对转速特征向量进行主成分归一化，得到主成分转速特征权重；

（6）将电机转速数据与主成分转速特征权重相乘，得到多个目标乘积，并对多个目标乘积进行加和运算，得到融合特征数据；

（7）对融合特征数据进行特征筛选，得到转速波动特征集合。

具体的，获取霍尔传感器状态表，并根据霍尔传感器状态表对转子位置数据进行转子状态转换。霍尔传感器状态表反映了传感器在不同时间点的状态，这些状态与转子的具体位置紧密相关。通过对霍尔传感器状态表的分析和处理，可以进行转子状态转换，从而得到转子状态转换数据。获取电气周期时间差，并对转子状态转换数据进行电机转速计算。电气周期时间差是指转子从一个位置到另一个位置所需的时间，这个时间间隔是电机转速计算的关键变量。计算出的转速数据反映了电机在不同时间点的运行速度。对电机转速数据进行线性特征分析。识别转速数据中的线性特征，这些特征可以帮助系统更好地理解电机转速的变化模式。通过对这些线性特征进行分析，计算出协方差矩阵元素。协方差矩阵是一种重要的统计工具，它能够展示不同特征之间的相关性。构建协方差矩阵后，系统进一步分析不同转速线性特征之间的关系。协方差矩阵的计算结果可以用来确定线性特征之间的相关性。基于这些线性特征的相关性，计算出相应的多个转速特征值。根据转速特征值，生成对应的转速特征向量。这些特征向量是对电机转速特性的高度抽象和概括，为了提高数据处理的效率和精度，对这些特征向量进行主成分归一化处理。主成分归一化是一种常用的数据预处理技术，它能够减少数据的冗余和噪声，突出最重要的特征。通过这种处理，得到主成分转速特征权重，这些权重反映了不同特征对电机转速控制的相对重要性。将电机转速数据与主成分转速特征权重相乘，得到多个目标乘积。这些乘积是电机转速特性与其重要性权重的综合体现。通过对这些目标乘积进行加和运算，系统得到融合特征数据。融合特征数据是对电机转速特性的一个全面概括，它综合考虑了转速的多个方面。对融合特征数据进行特征筛选，从融合特征数据中筛选出最具代表性和影响力的特征，形成转速波动特征集合。

在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：

（1）获取无刷直流电机的运行电流数据，并对运行电流数据进行多元线性回归预测，得到无刷直流电机对应的期望转速数据；

（2）分别对期望转速数据以及转子运行数据进行时间序列分析，得到期望转速时序数据以及转子运行时序数据；

（3）通过预置的第一双向LSTM网络中的前向LSTM网络对期望转速时序数据进行前向时序特征提取，得到前向期望转速时序特征，并通过第一双向LSTM网络中的后向LSTM网络对期望转速时序数据进行后向时序特征提取，得到后向期望转速时序特征，以及对前向期望转速时序特征和后向期望转速时序特征进行特征融合，得到期望转速特征集合；

（4）通过预置的第二双向LSTM网络中的前向LSTM网络对转子运行时序数据进行前向时序特征提取，得到前向转子运行时序特征，并通过第二双向LSTM网络中的后向LSTM网络对转子运行时序数据进行后向时序特征提取，得到后向转子运行时序特征，以及对前向转子运行时序特征和后向转子运行时序特征进行特征融合，得到转子运行特征集合。

具体的，通过安装在电机内部的传感器，获取无刷直流电机的运行电流数据，这些传感器能够实时监测并记录电机在各种工作状态下的电流流动情况。收集到的数据包括电流的强度、频率、波动等。通过多元线性回归模型对运行电流数据进行分析。多元线性回归是一种统计技术，它可以找出多个变量间的线性关系。通过分析电流数据与电机转速之间的关系，模型能够预测在特定的运行电流条件下，电机的理想转速。对期望转速数据和转子运行数据进行时间序列分析。时间序列分析是一种分析时间顺序数据的方法，它可以揭示数据中的趋势、周期性等特征。通过这种分析，得到期望转速的时序数据和转子运行的时序数据。这些时序数据提供了一种动态视角来观察电机的性能，从而更好地理解和预测电机的行为。将时序数据将输入预置的双向长短时记忆网络（Bi-LSTM）中进行深度学习处理。LSTM是一种特殊的循环神经网络（RNN），适合处理和预测时间序列数据。而双向LSTM网络包括前向和后向两个LSTM网络，它们分别从时间序列的两个方向学习数据的特征。第一个双向LSTM网络被用来处理期望转速的时序数据。前向LSTM网络从历史到当前时刻学习数据特征，而后向LSTM网络则从未来到当前时刻进行学习。通过这种前向和后向的特征提取，获得更全面的对期望转速的理解。将前向和后向的特征融合在一起，形成一个综合的期望转速特征集合。类似地，第二个双向LSTM网络处理转子运行的时序数据。这个网络同样利用前向和后向的LSTM网络从两个方向提取转子运行的时序特征，并将这些特征融合在一起，形成一个全面的转子运行特征集合。

在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：

（1）对转速波动特征集合和期望转速特征集合进行Jaccard相似系数计算，得到Jaccard相似系数数据；

（2）根据Jaccard相似系数数据对转速波动特征集合和期望转速特征集合进行特征选择，得到转速特征选择集合；

（3）对转速特征选择集合进行向量编码，得到转速特征编码向量；

（4）对转速波动特征集合和转子运行特征集合进行皮尔逊相关系数分析，得到皮尔逊相关系数数据；

（5）根据皮尔逊相关系数数据，分别对转速波动特征集合和转子运行特征集合进行特征缩放和特征融合，得到融合关联特征集合；

（6）对融合关联特征集合进行特征编码，得到运行特征编码向量。

具体的，对转速波动特征集合和期望转速特征集合进行Jaccard相似系数计算。Jaccard相似系数是一种用于衡量两个集合相似度的方法。它通过计算两个集合交集大小与并集大小的比例来确定它们之间的相似性。通过比较两个特征集合中共有的特征与总特征的比例，可以得出一个数值，这个数值表明了两个特征集在统计上的接近程度。根据计算得到的Jaccard相似系数，进行特征选择。特征选择从大量的特征中筛选出最有代表性和信息量最大的特征，从而得到转速特征选择集合。对转速特征选择集合进行向量编码，将特征集合转化为机器学习模型可以直接处理的格式。同时，对转速波动特征集合和转子运行特征集合进行皮尔逊相关系数分析。皮尔逊相关系数是衡量两个变量间线性相关程度的统计量。通过计算这个系数，得到转速波动和转子运行特征之间的线性关系强度。根据皮尔逊相关系数的结果，对两个特征集合进行特征缩放和特征融合。特征缩放是调整特征的比例，使它们在数值上处于同一量级。而特征融合则是将那些相关性较高的特征结合在一起，形成一个新的、综合的特征集合。这个融合关联特征集合提供了一个更全面的视角来观察和分析电机的运行状态。对融合关联特征集合进行特征编码，得到运行特征编码向量。这个向量是将融合后的特征集合转化为机器学习模型可以直接使用的数值形式。通过这一系列的步骤，得到转速特征编码向量和运行特征编码向量。

在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：

（1）将转速特征编码向量和运行特征编码向量输入预置的转子性能分析模型，转子性能分析模型包括：第一卷积门限循环网络、第二卷积门限循环网络、第三卷积门限循环网络以及两层全连接层；

（2）通过第一卷积门限循环网络对转速特征编码向量进行转速高维特征提取，得到转速高维特征向量；

（3）通过第二卷积门限循环网络对运行特征编码向量进行运行高维特征提取，得到运行高维特征向量；

（4）对转速特征编码向量和运行特征编码向量进行向量拼接，得到目标拼接特征向量，并通过第三卷积门限循环网络对目标拼接特征向量进行融合高维特征提取，得到融合高维特征向量；

（5）通过两层全连接层中的第一层全连接层，对转速高维特征向量、运行高维特征向量以及融合高维特征向量进行特征向量组装，得到目标组装特征向量，并通过两层全连接层中的第二层全连接层，对目标组装特征向量进行转子性能分析，得到转子性能预测数据。

具体的，构建转子性能分析模型，该模型结合了三个卷积门限循环网络（ConvGRU）和两层全连接层。将转速特征编码向量输入到模型的第一个ConvGRU网络。ConvGRU网络是一种混合了卷积层和GRU层的网络结构，能够有效地处理时空数据。在这个网络中，卷积层提取转速数据的空间特征，而GRU层则处理这些特征随时间的变化。通过这一层的处理，获得转速高维特征向量，这些向量捕捉了转速数据中的复杂模式和关系。将运行特征编码向量输入模型的第二个ConvGRU网络，从运行特征中提取高维特征，捕获和分析电机运行状态的细节，这些细节与电机的性能和效率紧密相关。通过第二个ConvGRU网络的处理，得到运行高维特征向量。对转速特征编码向量和运行特征编码向量进行向量拼接，拼接后的向量随后被送入第三个ConvGRU网络，这个网络负责进一步提取这些融合数据的高维特征。结合转速和运行特征，提供了一个全面的视角来分析电机的整体性能。通过两层全连接层中的第一层全连接层，对转速高维特征向量、运行高维特征向量以及融合高维特征向量进行特征向量组装，形成一个目标组装特征向量。这个组装过程确保了模型可以同时考虑所有关键特征。通过模型的第二层全连接层对目标组装特征向量进行处理，以进行转子性能分析。模型利用之前提取和融合的所有高维特征来预测转子的性能。这种分析考虑了电机转速和运行状态的各种方面，从而能够提供关于转子性能的全面和精确的预测。

在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：

（1）根据转子性能预测数据对预置的遗传算法进行迭代次数和优化目标分析，得到迭代次数和优化目标；

（2）基于优化目标，对无刷直流电机进行转速控制参数初始化，得到第一控制参数策略；

（3）通过遗传算法对第一控制参数策略进行策略群体初始化，得到初始控制参数策略群体；

（4）对初始控制参数策略群体进行群体优化，得到多个目标控制参数策略群体；

（5）根据多个目标控制参数策略群体生成多个第二控制参数策略，并对多个第二控制参数策略进行优化分析，得到多个第二控制参数策略中的最优解；

（6）根据最优解，并通过迭代次数进行迭代优化，得到无刷直流电机的转速控制参数策略；

（7）根据转速控制参数策略对无刷直流电机进行自适应神经模糊推理分析和强化学习，并对无刷直流电机进行转速控制。

具体的，根据转子性能预测数据对预置的遗传算法进行迭代次数和优化目标分析。遗传算法是一种基于自然选择的优化算法，通过模拟生物进化过程中的选择、交叉和变异来解决优化问题。迭代次数代表了算法运行的总轮数，而优化目标则是通过算法改进或达到的特定性能指标，如提高效率、减少能耗或增加稳定性。基于优化目标对无刷直流电机进行转速控制参数初始化。设置电机控制系统的初始参数，这些参数将影响电机的运行特性。初始化的目的是为遗传算法提供一个起点，从这个起点开始，算法将寻找更优的控制策略。通过遗传算法对这些初始控制参数策略进行群体初始化，得到初始控制参数策略群体。群体初始化生成了一系列不同的控制参数组合，这些组合代表了的解决方案的多样性。在遗传算法中，这些不同的组合被视为“个体”，它们将通过遗传算法的迭代过程进行优化。对初始控制参数策略群体进行群体优化。通过遗传算法中的选择、交叉和变异操作，不断生成新的控制参数组合。这个过程模拟了自然选择的机制，其中表现最好的策略将有更高的机会被保留和进化。通过这种方法，系统得到多个目标控制参数策略群体，每个群体都有其独特的特点和优势。根据多个目标控制参数策略群体生成多个第二控制参数策略。这些策略是遗传算法迭代过程中产生的优化结果，它们代表了在当前设定条件下的最佳控制参数组合。对这些第二控制参数策略进行优化分析，意味着评估这些策略的性能，并从中选择出最优解。这个最优解代表了在所有考虑的控制参数组合中，最能满足优化目标的策略。根据这个最优解，并通过迭代次数进行迭代优化，得到最终的无刷直流电机转速控制参数策略。这个策略将被用于实际控制电机的转速。通过这种方法，确保控制策略不仅在理论上是最优的，而且经过了足够的迭代来确保其在实际应用中的稳定性和可靠性。根据得到的转速控制参数策略，对无刷直流电机进行自适应神经模糊推理分析和强化学习。结合神经网络的学习能力和模糊逻辑的推理能力，能够处理不确定性和近似推理。而强化学习是一种让机器通过试错来学习最佳行为策略的方法，它可以使电机控制系统在实际操作中不断优化和调整。最终对无刷直流电机进行转速控制。

上面对本申请实施例中无刷直流电机的转速控制方法进行了描述，下面对本申请实施例中无刷直流电机的转速控制系统进行描述，请参阅图2，本申请实施例中无刷直流电机的转速控制系统一个实施例包括：

监控模块201，用于通过霍尔传感器对无刷直流电机进行运行测试和转子监控，得到转子监控数据，并对所述转子监控数据进行数据集分类，得到转子位置数据以及转子运行数据；

识别模块202，用于对所述转子位置数据进行电机转速转换，得到电机转速数据，并对所述电机转速数据进行转速波动变化识别和特征筛选，得到转速波动特征集合；

提取模块203，用于获取所述无刷直流电机的运行电流数据并生成对应的期望转速数据，并分别对所述期望转速数据以及所述转子运行数据进行特征提取，得到期望转速特征集合以及转子运行特征集合；

编码模块204，用于对所述转速波动特征集合和所述期望转速特征集合进行特征距离计算和向量编码，得到转速特征编码向量，并对所述转速波动特征集合和所述转子运行特征集合进行特征关联度分析和特征编码，得到运行特征编码向量；

分析模块205，用于将所述转速特征编码向量和所述运行特征编码向量输入预置的转子性能分析模型进行转子性能分析，得到转子性能预测数据；

控制模块206，用于根据所述转子性能预测数据创建所述无刷直流电机的转速控制参数策略，并根据所述转速控制参数策略对所述无刷直流电机进行自适应转速控制。

通过上述各个组成部分的协同合作，通过使用霍尔传感器进行监控和数据分类，该方法能够实现对无刷直流电机的高精度转速控制。转子位置数据的精准提取和转速波动特征集合的分析有助于更准确地调整电机的运行状态。通过采用神经网络模型对转子性能进行分析和预测，该方法能够实现自适应性转速控制。这使得电机能够根据实时的运行情况做出智能调整，提高系统的稳定性。使用双向LSTM网络对时序数据进行前向和后向特征提取，有助于更好地理解电机的期望转速和运行情况。这提高了对电机运行状态的理解和控制。通过将多个特征源进行融合，包括转速波动特征集合、期望转速特征集合和转子运行特征集合，提高了对电机性能的全面分析和综合考虑，从而更好地指导转速控制。引入遗传算法进行转速控制参数的优化，使得控制参数更加适应实际工作环境和电机特性。这提高了系统的鲁棒性和适应性。采用深度学习中的卷积门限循环网络对特征进行高维提取和分析，增强了对电机性能的理解。这种先进的神经网络分析有助于更准确地预测转子性能，从而提高了控制的精度。通过使用迭代优化和神经网络的实时性分析，该方法具备更好的实时性和灵活性，可以适应不同工况和负载要求，提高了系统的动态响应能力，进而提高了无刷直流电机的转速控制精度。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。