数字智能控制在机电一体化系统建模技术中的应用_张悦.pdf

收稿日期:2022-07-05基金项目:2021 年陕西省教育厅一般专项科学研究项目新时代延安精神助推陕西打造内陆改革开放高地的价值研究(21JK0428)作者简介:张悦(1990-),女,陕西府谷人,硕士,讲师。数字智能控制在机电一体化系统建模技术中的应用张 悦,周 晚,帖 兰,王 欣(咸阳职业技术学院,陕西 咸阳 712000)摘 要:针对机电一体化系统的智能控制升级的要求,在传统操动控制系统的基础之上,以高压断路器操动机构为例,构建了以模糊神经网络 PID 的算法为核心的电机操动机构控制系统,实现了电机操动机构智能化控制的应用。结果表明:模糊神经网络 PID 自身具有参数整定和抗干扰的能力,在控制系统仿真实验中,最大速度时的跟踪误差约为 0.15 m/s,在智能调控实验中,最大速度时的跟踪误差约为 0.23 m/s,证明模糊神经网络 PID 控制方法具有较好的控制效果和精度,可以运用于电机操动机构的智能化控制。关键词:数字智能控制;机电一体化;高压断路器;模糊神经网络 PID 中图分类号:TP399 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.100Application of digital intelligent control in modeling technology of mechatronics systemZHANG Yue,ZHOU Wan,TIE Lan,WANG Xin(Xianyang Vocational Technical College,Xianyang Shaanxi 712000,China)Abstract:Aimed at the requirement of mechanical and electrical integration of intelligent control system upgrade,on the basis of traditional operation control system,with high voltage circuit breaker operating mechanism of the digital intelligent control application,for example,to build a fuzzy neural network PID algorithm as the core operation mechanism of motor con-trol system,realize the motor operating mechanism the application of intelligent control.The results show that:In the simula-tion experiment of the control system,the tracking error at the maximum speed is about0.15 m/s,and in the intelligent con-trol experiment,the tracking error at the maximum speed is about 0.23 m/s,which indicates that the fuzzy neural network PID control method has good control effect and precision.It can be applied to intelligent control of motor operating mecha-nism.Key words:digital intelligent control;mechatronics;high voltage circuit breaker;fuzz-y neural network PID0 引言随着现代工业的发展进步,数字智能控制技术与机电一体化系统的结合运用,大大地提高了生产效率和产品安全性,为现代工业生产需求做出了贡献。近年来,在机电一体化系统中,高压断路器的数字智能化控制应用是研究的一大热点。刘建寅等人对高压断路器进行了故障模拟和参量分析,提升了断路器操动机构故障的检测精准度1;杨秋玉等人针对高压断路器零部件故障程度识别的问题,提出了吸引子形态的方法对混沌振动信号进行故障识别2;庄志坚等人构建了谱形态变分模态分解和快速奇异值分解两种分解方法融合的降噪策略,解决了断路器状态信息提取的问题3。以上学者对断路器操动机构进行了多方面的研究,但在其控制精度和速度方面的研究还有上升空间,本研究以此问题作为切入点,在传统操动机构的基础上,以数字智能化控制技术为核心,对操动系统的部分硬件与部分软件进行设计,构建一种模糊神经网络 PID 控制方法用于系统速度与精度的提升,再通过实验验证此种方法的有效性和优越性。1 系统整体框架设计现有的电机操动机构普遍使用电力电子器件,通常利用 IGBT 的开断来操控电机的换向,让操动机构具有更强的可控性4-5。为让装置能更好地运行,本研究构建了如图 1 所示的电机操动机构控制结构。图 1 电机操动机构控制结构图 1 电机操动机构控制结构的工作步骤可分为以001数字智能控制在机电一体化系统建模技术中的应用 张 悦,等下几步:(1)整流器通过 220 V 的交流电供给储能电容充电,电压达到储能电容的定值时,充电完成。(2)断路器收到分合闸指令,DSP 单片机对六路 IG-BT 的开断进行控制,驱动电机完成自动分合闸操作。(3)在三相电流通过霍尔感器进行绕组检测后,可以得到驱动电机导通的运动相序;实时脉冲通过寄存器进行计数,到达脉冲给定值时进行换向。(4)DSP 接收到整定后的信号进行反馈检测,在计算与分析后,对电动机的旋转进行实时控制,结束分合闸操作。2 系统硬件部分设计2.1 控制系统的核心处理器设计本研究选择具备高速计算能力的 DSP28335 单片机作为控制系统的核心处理器。其中,I/O 工作电压是 3.3 V,数字处理器允许通过电压需要与其保持一致,可以选择降压转化的方式,让AMS1117-3.3 芯片将 5 V 的电压降至 3 V 后再通电压,原理如图 2 中的 a 图所示;同理,DSP 的内核电压是1.8 V,让 3.3 V 电压降至 1.8 V 后传输至内核部分,原理如图 2 中的 b 图所示。图 2 电源转换电路原理图2.2 逆变驱动设计如图 3 逆变桥电路图所示,设计以三相桥式全控逆变电路为逆变驱动单元的控制电路,其中的晶闸管的开关状态随着通断信号的变化而变化,导致电机绕组换向,此时产生的无功电流通过续流二极管到达直流侧6-7。电机绕组换相时,电压和电流变化不稳,可能会导致晶闸管的损坏,所以在晶闸管的两端加入了保护和缓冲电路。图 3 逆变桥电路2.3 电容充电电路设计如图 4 充电电路原理图所示,为了使电源状态保持稳定,本研究将电容器组并联后作为电机的输入电源装置,在起到缓冲作用的同时,还可以吸收电路中多余的电量。图 4 充电电路原理图图4 中,设定储能电容器组的正常工作电压为 200 V,最大工作电压为 300 V,电解电容器单容量为 0.02 F。选择自耦变压器作为电压调节器,对电容器组进行电压调节,确保工作电压符合设定要求8。2.4 隔离驱动单元为了保护电路的安全性与稳定性,本研究设计了如图 5 的隔离驱动电路,在防止电线短路烧毁控制器件的同时,还可以将 DSP 输出的3.3 V 电压升压到 12 V15 V,达到 IGBT 的定值电压,从而对其通断状态进行控制。图 5 隔离驱动电路图3 系统软件部分设计3.1 主程序设计本研究设计主程序的工作流程为:系统接收分合闸的信号指令执行相应的子程序根据是否接收停止信号进行实时调整作出等待回应或重返执行子程序,整体流程如图 6 所示:图 6 主程序流程图3.2 调速程序设计电机调速部分是该研究的重点。考虑到高压断路器电机起动影响整个操动机构,需要较高的精度要求,101自动化与仪器仪表2023 年第 1 期(总第 279 期)本研究将 RBF 神经网络 PID 算法与模糊 PID 算法相结合,建立一套快速高效的模糊神经网络 PID 控制算法应用于系统中。图 7 是模糊神经网络 PID 控制算法图。图 7 模糊神经网络 PID 的控制算法如图 7 所示,初始化 RBF 神经网络 PID 控制器获取电机速度和给定速度,通过自适应学习和梯度下降法计算出参数 kp、ki、kd,并进行 PID 参数调整,最后输出电流参考值9。3.2.1 RBF 神经网络 PID 控制算法RBF 神经网络的 PID 控制逻辑如图 8 所示。在自适应学习的前提条件下,神经网络进行参数调整可以加快 PID 的控制速度,从而快速处理产生的电机速度和电流信息。图 8 网络逻辑关系框图在 RBF 神经网络 PID 算法中,神经网络层数的多少决定其响应的控制精度的高低,结合实际选择最合适的层数可以有更好的控制效果。设置有三层网络,输入层节点有 n 个、隐藏层节点有 m 个,隐藏层通过隶属函数进行数据非线性处理,所得函数再传给输出层,输出最后的 参 数 变 量。设 隐 含 层 的 径 向 基 向 量 为 H=h1,h2,hm,每个节点的高斯函数表示为 hj,j=1,2,m。本研究在三层网络的基础上,选择收敛速度快、数据处理能力强的高斯函数10进行计算:hj=exp-X-Cj22b2j()j=1,2,m(1)设 C 是中心向量,j 是当前时刻的第 j 个节点,表达式为 Cj=cj1,cj2,cjnT。设 B 为一个基宽向量,j 是当前时刻的第 j 个节点,且 bj0,表达式为 B=b1,b2,bn。依据输出层线性求和得出整个网络的输出值为:ym=1h1+2h2+mhm(2)是网络权值。给定值 r 与输出值 y(t)求差的误差 e:e=r-y t()传统 PID 输出的控制量表示为:u k()=u k-1()+kpe k()+kie k-1()+kde k-2()(3)神经网络是 E(k)整定指标,表示为:E k()=12e2k()(4)整定参数 kp、ki、kd采用梯度下降法,其他整定参数同理:kp=-Ekp=e(k)ymu(k)(e(k)-e(k-1)ki=-Eki=e(k)ymu(k)e(k-1)kd=-Ekde(k)ymu(k)(e(k)-2e(k-1)-e(k-2)(5)学习速率表示为,k 是前时刻,k-1 是前一时刻。前一时刻控制参数变化量表示为前一时刻的控制参数相加得:kp(K)=kp(k-1)kpki(K)=ki(k-1)kikd(K)=kd(k-1)kd(6)3.2.2 模糊 PID 算法在模糊 PID 算法中,r 表示系统控制速度标准值,y表示实际输出速度,两者间的差 e 为变化量,微分计算后,得到 ec 的变化速率,e 与 ec 通过模糊化处理后为模糊规则的输入,通过函数计算得到变化的 PID 控制参量,模糊处理得到控制变量 u,作用在电机上,电机的输出反馈回控制系统。如图 9 所示:图 9 模糊控制系统框图201数字智能控制在机电一体化系统建模技术中的应用 张 悦,等(1)模糊化:e(k)=r-y(k)ec(k)=e(k)-e(k-1)T(7)模糊控制器对在线自整定参数采用二进三出的形式,输出是 kp、ki、kd,输入是 e 和 ec,呈现出以PB,PS,PM,NM,NB,NS,Z 为主的模糊子集,分别表示正大、正小、正中、负中、负大、负小、零。在此计算后,e 和ec 的模糊值范围为-6 到 6,每个数值之间相差 2;kp、ki、kd的模糊范围是-0.6 到 0.6,各个数值之间相差0.2,e、ec、kp、ki、kd隶属度函数采用三角函数。(2)模糊规则模糊规则可以以 e 和 ec 的整定值来确定,再结合PID 参数特征进行调整。当该时刻的误差绝对值较小时,可以取微分系数的适当值、比例系数和积分系数的较小值,使稳定状态更好;当该时刻的误差绝对值中等时,取积分系数和微分系数的适当值、比例系数的较小值,可以快速达到稳定状态;当该时刻的误差绝对值较大时,取积分系数为 0、比例系数的较大值和微分系数的较小值,不考虑稳定状态,此时的响应速度最快11-13。根据上述分析,部分函数曲线如图 10 所示。(a)e、ec 函数曲线(b)kp、ki、kd函数曲线图 10 各参数的函数曲线模糊规则表采用纵横交叉判断取值的方式获得参数模糊值大小,根据模糊规则表得到如下规律:If(e=PB)and(ec=PB)then(kp=NB)(ki=PB)(kd=PB)If(e=NB)and(ec=NB)then(kp=PB)(ki=NB)(kd=PS)(3)解模糊在整个控制过程中,每一时刻的输出值与输入值是精确的,对应的控制系统的控制变量也是精确的,这就需要将之前的模糊变量进行清晰化处理,再用重心法去模糊,所得参数值清晰且变化小:u=Xi(Xi)/(Xi)(8)其中,Xi为第 i 个模糊输出量,(Xi)为第 i 个模糊输出量的隶属度。3.2.3 构建模糊神经网络 PID构建一个快速精准的电机操动机构控制系统,首先要提升计算能力的精确度、加快计算结果传输的速度14;其次,软件程序要有根据实时变化便于修改的能力,以便提高程序的工作效率;最后,软件程序需要提高自身安全性,需要具备准确辨别故障、避开故障的能力。针对上述要求,本研究以模糊 PID 算法为主,神经网络控制方法做辅助算法,提高前者的自学习能力和准确性,两种算法相结合构建模糊神经网络 PID 算法,逻辑关系图如图 11 所示:图 11 算法逻辑关系图4 实验与结果分析4.1 模糊 PID 控制仿真验证4.1.1 仿真环境搭建选择126 kV 的高压断路器为实验主体,建立驱动电机操动机构控制系统模型的仿真模型15,如图 12 所示。设置电机的各项参数:工作电压 200 V,仿真时间为65 ms;电动机的定子绕组电感 3 mL,电阻 0.312,极对数为 2,转自转动惯量是 0.3 kg m2;各项 PID 参数分别为 kp=0.1,ki=0.2,kd=0.5,模糊神经网络 PID 控制的学习速率 为 0.7,动量因子 为 0.5。以传统 PID 控制和模糊神经网络 PID 控制两种方法为对比,通过电机控制恒定负载和变负载的仿真实验数据结果来证明模糊神经网络 PID 算法的优越性,通过电机操动机构智能控制实验证明模糊神经网络 PID 实际应用的可行性。图 12 驱动电机及控制系统仿真模型301自动化与仪器仪表2023 年第 1 期(总第 279 期)4.1.2 恒定负载实验仿真结果图 13 是电机控制实验恒定负载仿真结果图。(a)PID 控制速度曲线(b)PID 控制误差曲线(c)模糊神经网络控制速度曲线(d)模糊神经网络控制误差曲线图 13 电机控制实验恒定负载仿真结果在图 13 中,黑色曲线是预设速度,当负载恒定不变时,刚合处设置最大值2.3 m/s,仿真时间65 ms。可知,刚合前(023 ms),传统 PID 产生的最大误差是 0.05 m/s,模糊神经网络控制 PID 产生的最大误差是 0.03 m/s;刚合后(2365 ms),两者产生的最大误差分别是 0.15 m/s和 0.06 m/s。得出结论,刚合前,神经网络控制的最大误差比 PID控制的最大误差小 0.02 m/s,刚合后,神经网络控制的最大误差比 PID 控制的最大误差小 0.09 m/s。在刚合前,负载较为稳定,波动小,两种控制方法结果一致,符合预设数值;刚合后,负载波动大,神经网络控制的误差小于 PID 控制的误差,因为前者自身有整定参数的能力,在控制误差方面的能力更加优越。4.1.3 变负载实验仿真结果图 14 是电机控制实验变负载仿真实验。(a)传统 PID 速度跟踪曲线(b)传统 PID 速度误差曲线(c)智能控制速度跟踪曲线(d)智能控制速度误差曲线图 14 电机控制实验变负载仿真实验401数字智能控制在机电一体化系统建模技术中的应用 张 悦,等在图 14 中,最 大值依旧设 置在刚合处,数值 为2.3 m/s,仿真时间是 65 ms。在变负载的实验条件下,刚合前(023 ms),PID 控制产生的最大误差是 0.07 m/s,模糊神经网络控制的最大误差是 0.04 m/s;刚合后(23 ms65 ms),两者的最大误差分别是 0.47 m/s 和 0.13 m/s。可知,刚合前,神经网络控制的最大误差比 PID 控制小 0.03 m/s,刚合后,前者比后者最大误差小 0.33 m/s。得出结论,模糊神经网络控制在负载波动大的情况下,误差产生的数值更小,状态更加稳定。4.2 系统操动实验4.2.1 电机操动机构智能控制实验为了证明智能调控的应用可以有效实现对断路器分合闸的控制,通过传统 PID 控制和模糊神经网络 PID控制两种算法,对电机转速跟踪实验进行测试。设定实验相关参数:工作电压200 V,电容为 0.22 F,采样频率为 0.3 ms 一次,设置运行持续时间 65 ms,设定PID 的参数 kp、ki和 kd分别为 52.4、23.5 和 4.6,此时驱动电机转速的控制效果最佳。(1)传统 PID 控制实验。曲线的最高运转速度是 2.3 m/s,运行的持续时间为 65 ms。图 15 的(a)图表示速度跟踪曲线,(b)图是速度误差曲线。(a)速度跟踪曲线(b)速度误差曲线图 15 传统 PID 控制实验电机操动机构在实际操作中,传统 PID 控制下的参数相对变化小,不同时段的控制效果不一致,难以根据实际情况进行调整,从而缺少完整的跟踪预设曲线,导致控制效果一般。在刚合前(023 ms),传统 PID 的实际速度误差小于预设速度的误差,差值为 0.25 m/s,在刚合后(2365),误差差值为 0.43 m/s。(2)模糊神经网络 PID 控制实验在图 16 中,(a)图是预设参考速度和电机实际运转速度的曲线图,其最高转速 2.3 m/s,(b)图是实际运行速度和预设运行速度的速度跟踪误差曲线。(a)速度跟踪曲线(b)速度误差曲线图 16 模糊神经网络 PID 控制试验从图 16 可知,驱动电机的实际转速与跟踪预设的参考转速基本一致,误差值在可接受范围内,基本达成了对预设参考速度的跟踪控制目的。刚合前(023 ms),实际速度误差和预设速度误差之间的差值是 0.12 m/s,刚合后(2365 ms),实际速度误差和预设速度误差之间的差值是 0.3 m/s。对比电机速度最大跟踪预设曲线误差,刚合前的模糊神经网络 PID 控制误差比传统 PID 控制误差小 0.13 m/s;刚合时的误差对比中,模糊神经网络 PID 控制比传统PID 控制误差小 0.18 m/s。可以说明,模糊神经网络PID 控制在负载变化时可以自我整定参数,产生的实际误差更小,跟踪控制效果更优越。5 结论针对数字智能控制在高压断路器的操控应用,可以得到以下结论:在驱动电机仿真实验中,负载发生变化时,传统 PID 控制产生的最大误差为 0.48 m/s,而模糊神经网络 PID 控制产生的最大误差是 0.15 m/s,两个误差之间相差 0.33 m/s,由此可以说明模糊神经网络 PID控制算法比传统 PID 控制算法的控制性能更好。在电机操动机构智能控制实验中,控制系统正常运行,实验结果表明,传统PID控制自身无法调节参数,最大速度(下转第 110 页)501自动化与仪器仪表2023 年第 1 期(总第 279 期)得较好的控制效果。但是,不能否认提出方法在控制差量的收敛优化方面还不够完善,存在局部控制变量瞬时反馈溢出的可能。因此,需要在后期应用过程中,根据实际控制参量特征,不断修正控制量正弦信号的响应权值,直至阈值为 1,将控制方法优化的更加完善。参考文献1 张佳波,马法运,刘天宇,等.基于组合校正的城市轨道交通列车轮轨黏着控制方法研究J.城市轨道交通研究,2020,23(3):140-143+147.2 孙尚,马茗岗,陈李根.基于通信的轨道交通列车运行控制系统J.内燃机与配件,2020,(10):252-253.3 张树天,李虎,李作周,等.突发事件下的城市轨道交通列车运行仿真与延误评估J.山东科学,2020,33(4):72-82.4 赵德生,李德仓.基于滑模自适应鲁棒控制的城市轨道交通列车电空制动控制策略研究J.城市轨道交通研究,2020,23(7):30-35.5 高红岩.城市轨道交通列车运行控制系统集成技术的研究J.通信电源技术,2020,37(11):262-264.6 肖添文,徐永能,余辉敏.城市轨道交通障碍物检测及列车控制技术J.兵器装备工程学报,2020,41(10):161-165.7 楚彭子,虞翊,林辉,等.ATO 系统速度控制的 BP-FIP-ID 算法J.计算机工程与应用,2020,56(22):224-229.8 姜坚华,崔科.城市轨道交通列车运行控制系统的发展方向J.城市轨道交通研究,2020,23(11):6-9.9 付文秀,李亚,吕继东,等.基于强化学习的新型列控系统区间行车间隔控制方法J.北京交通大学学报,2021,45(5):63-73.10 冯冬梅,郭荣杰.基于有轨电车的自动速度控制算法研究J.城市公共交通,2021,(4):37-41.11 马天和,吴萌岭,田春.城轨列车减速度反馈制动力闭环控制方法J.仪器仪表学报,2021,42(4):197-205.12 曾厚铭,车超,解静,等.虚拟轨道列车循迹控制优化模型与仿真研究J.计算机仿真,2021,38(7):89-92+490.13 谌飞雨,邱存勇.基于切换系统的城轨列车 ATO 控制策略研究J.计算机仿真,2021,38(7):128-133.14 杨杰,陈昱圻,王盼盼.基于改进粒子群算法的列车速度跟踪自抗扰控制器设计J.铁道学报,2021,43(7):40-46.15 陈旭,杨振波.基于非线性 PID 的列车速度控制J.现代信息科技,2021,5(8):38-41.(上接第 105 页)时的跟踪误差为 0.42 m/s,而模糊神经网络 PID 有自身整定参数的功能,最大速度时的跟踪误差是 0.23 m/s,对比发现模糊神经网络 PID 的误差较小。以上实验验证了模糊神经网络 PID 可以有效控制高压断路器操动系统,根据时间与条件的变化而灵活地调整参数和运行状态,具有优越的高效性和安全性,表现出数字智能控制技术应用于高压断路器操动系统中有良好的效果。参考文献1 刘建寅.高压断路器操动机构典型故障模拟及其特征参量变化分析J.高压电器,2021,57(2):7-13.2 杨秋玉.基于振动信号的断路器机械零部件故障程度识别J.电工技术学报,2021,36(13):2880-2892.3 庄志坚.高压断路器机械振动信号的参数自适应降噪方法J.高电压技术,2021,47(12):4274-42874 张国跃,朱苛娄.基于电动机驱动高压断路器装备技术J.电气时代,2021,(10):42-45.5 李斌,仲丽晓,姜岩.真空断路器动态特性仿真与最优化设计J.电源学报,2022,20(2):145-153.6 李春澔,钟建英,王奕飞,等.高压断路器电机操动机构模糊控制研究J.电工电气,2021,(12):7-10.7 周秀桦.基于模糊逻辑的断路器状态检测J.电气开关,2021,59(5):26-29+33.8 程显.真空开关高动作稳定性的永磁操动机构控制系统J.电工技术学报,2021,36(21):4617-46269 陈迪克.断路器中永磁操动机构运动仿真研究J.今日制造与升级,2022,(2):32-34.10 李少华.高压断路器开关电容网络电机操动机构控制系统研究J.自动化技术与应用,2022,41(1):18-22.11 宋璐.基于模糊 PID 的温度控制系统的设计与仿真J.电子设计工程,2020,28(21):51-55.12 刘北阳.高压断路器电磁类型操动机构的位移跟踪技术研究J.高压电器,2021,57(9):9-18.13 史可鉴,代子阔,林莘.真空断路器电机操动机构 RBF-PID 控制方法研究J.高压电器,2022,58(3):71-77.14 冯颖姣,汪黎明,张盛,等.基于分合闸线圈电流的断路器状态在线监测系统研究及应用J.电工技术,2021,(22):97-99.15 李鹏,雷雨秋,刘宗杰.基于决策树算法的断路器弹簧操动机构振动诊断技术J.高压电器,2021,57(9):1-8+18.011考虑城市轨道交通通行限制的列车运行速度自动控制方法 姚慧欣