CN102011745B - 一种磁悬浮分子泵的神经网络控制系统及方法 - Google Patents

Abstract

一种磁悬浮分子泵的神经网络控制系统及控制方法，包括数据采集存储单元和调整控制单元，所述数据采集存储单元采集和存储各预定安装位置的安装角α和旋转角β、转子位置偏差E 、转子位置偏差变化率EC ，以及使分子泵稳定运行的径向磁轴承偏置电流、轴向磁轴承偏置电流和PID控制参数；所述调整控制单元根据数据采集存储单元获得的参数训练神经网络模型，当磁悬浮分子泵任意位置安装时，将测量计算得到的当前α、β、E 、 EC输入训练好的神经网络模型，通过神经网络的控制方法得到此时磁悬浮分子泵的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，实现了分子泵安装在任意位置均能稳定工作，适用于解决磁悬浮分子泵任意位置安装的技术问题。

Description

一种磁悬浮分子泵的神经网络控制系统及方法

技术领域

本发明涉及流体设备领域，尤其涉及一种可实现磁悬浮分子泵在任意位置安装的神经网络控制系统及方法。

背景技术

磁悬浮分子泵是利用磁轴承产生电磁力使转子悬浮在空中，实现转子和定子之间无机械接触且转子位置可主动控制的一种新型高性能分子泵。由于磁悬浮分子泵具有无摩擦、无需润滑、无污染、高速度、寿命长等优点，因此磁悬浮分子泵广泛用于高真空度、高洁净度的真空获得领域。

磁悬浮分子泵的负载由径向磁轴承和轴向磁轴承共同承担。在工作过程中，磁悬浮分子泵可能需要在任意位置安装。磁悬浮分子泵安装在不同位置时，径向磁轴承和轴向磁轴承分担的负载不同，磁轴承线圈电流也随之变化，因此需要合理分配磁轴承承载力。针对分子泵安装角α和旋转角β变化的问题，较常见的方法是将径向磁轴承偏置电流、轴向磁轴承偏置电流始终取各种安装情况下所需值的最大值，以保证磁轴承产生的静态磁场满足承载需求，避免出现径向磁轴承和轴向磁轴承的承载力不足；同时在分子泵安装角α和旋转角β变化时，采用固定的控制算法保证系统稳定。

上述方案的缺陷在于：将径向磁轴承偏置电流、轴向磁轴承偏置电流均取最大值将导致大部分工况下磁轴承线圈偏置电流过大，功耗增加，线圈发热严重。不论分子泵安装角α和旋转角β如何变化，控制程序采用固定的控制算法容易造成系统性能下降。

人工神经网络简称神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法，广泛应用于模式识别、信号处理、专家系统、机器人控制等领域。神经网络依据系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，其具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入-输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。目前，已有近40种神经网络模型，其中有感知器、自组织映射、Hopfield网络、RBF神经网络等。由于磁悬浮分子泵是一个非线性系统，因此适合采用神经网络的方法对其进行控制，但现有技术中并未有使用神经网络控制实现磁悬浮分子泵在任意位置安装均能稳定工作的报道。

发明内容

为此，本发明所要解决的技术问题在于现有磁悬浮分子泵控制程序无法根据分子泵安装位置的变化实时调整径向磁轴承偏置电流、轴向磁轴承偏置电流及相关控制参数，从而提出一种磁悬浮分子泵的神经网络控制系统和控制方法。在磁悬浮分子泵安装位置变化后，根据分子泵安装角α、旋转角β、转子位置偏差E和转子位置偏差变化率EC，通过神经网络实时调整径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数(即Proportional-Integral-Derivative Parameter，PID Parameter，又称为“比例-积分-微分控制参数”)，从而实现磁悬浮分子泵在任意位置安装均能稳定运行。

为解决上述技术问题，本发明的一种磁悬浮分子泵的神经网络控制系统，包括数据采集存储单元和调整控制单元；

所述数据采集存储单元获取调试过程中分子泵安装于各个预定位置时的安装角α和旋转角β，转子位置偏差E、转子位置偏差变化率EC，以及通过实验得到的各预定安装位置处能使分子泵稳定运行的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，包括：

转子位置采集模块：通过测量和计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位移偏差变化率EC等于前后两次转子位置偏差E之差；

参数调整模块：经过调整获得磁悬浮分子泵稳定工作时的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数；

参数记录模块：记录并存储磁悬浮分子泵在各预定安装位置时的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数；所述调整控制单元获得当前分子泵安装位置并实现实时控制，包括：

角度估算模块：利用径向磁轴承静态工作电流和轴向磁轴承静态工作电流，估算当前分子泵的安装角α和旋转角β；

转子位置测量模块：测量当前的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位移偏差变化率EC等于前后两次位移偏差E之差；

神经网络控制模块：包括

神经网络训练单元：其中设置有神经网络模型，以所述参数记录模块中的参数即安装角α、旋转角β、转子位置偏差E和转子位置偏差变化率EC为所述神经网络模型的输入变量，以径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数为所述神经网络模型的输出变量，利用试验获得的记录在所述参数记录模块中的多组数据来训练所述神经网络，得到训练好的神经网络结构；

神经网络实时控制单元：将当前时刻所述角度估算模块中得到的安装角α、旋转角β、所述转子位置测量模块得到的所述转子位置偏差E、转子位置偏差变化率EC作为输入变量输入训练好的神经网络模型，所述神经网络模型的输出为此时磁悬浮分子泵的径向磁轴承偏置电流值、轴向磁轴承偏置电流值以及磁轴承PID控制参数值；

数据导入模块：将所述径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数更新为所述神经网络实时控制单元得到的相应数值；

其中，以水平向右的方向为x轴正方向，垂直地面向上的方向为y轴正方向，建立直角坐标系；以磁悬浮分子泵转子轴线相对于直角坐标系y轴正方向逆时针旋转角度为磁悬浮分子泵的安装角α；以径向磁轴承定子的磁极对1产生的磁力与径向磁轴承定子各磁极的合力的夹角为磁悬浮分子泵旋转角β。

所述的控制系统中，所述角度估算模块包括磁轴承电磁力估算子模块、安装角α估算子模块和旋转角β估算子模块：

(1)所述磁轴承电磁力估算子模块根据径向磁轴承和轴向磁轴承静态工作电流计算径向磁轴承和轴向磁轴承的分力情况；

所述磁轴承电磁力估算模块的计算公式如下：

当磁悬浮分子泵转子静态悬浮时，对于径向磁轴承来说，转子与磁极对1之间的距离和转子与磁极对3相等，转子与磁极对2之间的距离和转子与磁极对4之间的距离相等；对于轴向磁轴承来说，转子与上、下磁轴承之间的距离相等；由此磁轴承电磁力计算公式为：

$\left\{\begin{array}{c}{k}_1\×(I_{11}^2-I_{13}^2)=F_{11}\\ k_2\×(I_{12}^2-I_{14}^2)=F_{12}\\ k_3\×(I_{21}^2-I_{23}^2)=F_{21}\\ k_4\×(I_{22}^2-I_{24}^2)=F_{22}\\ k_5\×(I_{Z1}^2-I_{Z2}^2)=F_{\text{z}}\end{array}\right.$

其中，k_i(i＝1，L，5)为磁轴承电磁力系数；F_z为轴向磁轴承合力，方向沿上轴向磁轴承磁力方向；

I₁₁，I₁₂，I₁₃，I₁₄分别为上径向磁轴承磁极对1-4对应的静态工作电流；

I₂₁，I₂₂，I₂₃，I₂₄分别为下径向磁轴承磁极对1-4对应的静态工作电流；

I_z1，I_z2分别为上、下轴向磁轴承对应的静态工作电流；

F₁₁为上径向磁轴承磁极对1，3的合力，方向为沿上径向磁轴承磁极对1磁力方向；

F₁₂为上径向磁轴承磁极对2，4的合力，方向为沿上径向磁轴承磁极对2磁力方向；

F₂₁为下径向磁轴承磁极对1，3的合力，方向为沿下径向磁轴承磁极对1磁力方向；

F₂₂为下径向磁轴承磁极对2，4的合力，方向为沿下径向磁轴承磁极对2磁力方向；

(2)安装角α估算子模块和旋转角β估算子模块根据径向磁轴承和轴向磁轴承的分力情况计算磁悬浮分子泵安装角α和旋转角β；

所述安装角α的计算公式如下：

当安装角α在[0°，90°]和(270°，360°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同；当安装角α在(90°，180°]和(180°，270°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同；

通过已知的F_z和F₂的数值计算安装角α；

F₁×L₁＝F₂×L₂，

当安装角α在[0°，90°]和(270°，360°]区间时，F_z＞0，

安装角α计算公式为：

$\mathrm{\α}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

安装角α在(90°，180°]和(180°，270°]区间时，F_z＜0，

安装角α计算公式为：

$\mathrm{\α}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

其中，上径向磁轴承分力为F₁，下径向磁轴承分力为F₂，转子重力为G，方向竖直向下；上径向磁轴承与转子质心距离为L₁；下径向磁轴承与转子质心距离为L₂；

通过上径向各磁极对所需提供的电磁力合力F₁₁和F₁₂的数值计算旋转角β，所述旋转角β的计算公式为：

如果F₁₁＞0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＜0，则

如果F₁₁＞0，F₁₂＜0，则

所述的控制系统还包括，

安装角α′估算子模块，通过F_z和F₁的数值计算安装角；

安装角α优化子模块，通过将F_z和F₁，以及F_z和F₂分别得到的安装角数据进行优化处理，获得更精确的安装角估计值

所述安装角α′估算子模块的计算公式为：

当F_z＞0时，

${\mathrm{\α}}^{\′}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

当F_z＜0时，

${\mathrm{\α}}^{\′}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

所述安装角α优化子模块将利用F_z和F₂数值多次测得的安转角α_i，以及利用F_z和F₁数值多次测得的安转角α′_i取平均值，获得更精确的安装角估计值

其中i＝N。

所述的控制系统还包括：

旋转角β′估算子模块，通过下径向各磁极对所需提供的电磁力合力F₂₁和F₂₂的数值计算旋转角；

旋转角β优化子模块，通过将F₁₁和F₁₂，以及F₂₁和F₂₂分别得到的旋转角数据进行优化处理，获得更精确的旋转角估计值

所述旋转角β′估算子模块的计算公式为：

如果F₂₁＞0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＜0，则

如果F₂₁＞0，F₂₂＜0，则

所述旋转角β优化子模块将利用F₁₁和F₁₂数值多次测得的旋转角β_i，以及利用F₂₁和F₂₂数值多次测得的旋转角β′_i取平均值，获得更精确的旋转角估计值

其中i＝N。

所述的控制系统中所述数据采集存储单元在安装角α和旋转角β每变化5°时进行一次数据采集和存储，其中α，β∈[0°，360°]。

一种用于数据采集存储单元中的数据采集存储方法，包括如下步骤：

步骤1：其中，以水平向右的方向为x轴正方向，垂直地面向上的方向为y轴正方向，建立直角坐标系。以磁悬浮分子泵转子轴线相对于直角坐标系y轴正方向逆时针旋转角度为磁悬浮分子泵的安装角α；以径向磁轴承定子的磁极对1产生的磁力与径向磁轴承定子各磁极的合力的夹角为磁悬浮分子泵旋转角β。

分子泵安装于某一预定位置时，测量并记录此时分子泵安装角α和旋转角β，利用静态悬浮程序实现分子泵转子稳定静态悬浮；

步骤2：通过转子位置采集模块测量计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位移偏差变化率EC等于前后两次位移偏差E之差；

步骤3：通过参数调整模块调整实现磁悬浮分子泵的稳定工作，记录该组偏置电流和磁轴承PID控制参数；

步骤4：改变磁悬浮分子泵安装角α和旋转角β，重复步骤1至3，得到各个预定安装位置处磁悬浮分子泵的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，并将上述参数存储在参数记录模块内。

一种用于调整控制单元的调整控制方法，包括如下步骤：

步骤1：将磁悬浮分子泵安装在某一安装位置后，利用静态悬浮程序实现分子泵转子稳定静态悬浮，测量径向磁轴承静态工作电流、轴向磁轴承静态工作电流，据此由角度估算模块估算出磁悬浮分子泵安装角α和旋转角β；

步骤2：由转子位置测量模块测量计算得到当前的转子位置偏差E、转子位置偏差变化率EC；

步骤3：将上述步骤1和步骤2中得到的估算出磁悬浮分子泵安装角α和旋转角β、转子位置偏差E、转子位置偏差变化率EC为输入变量输入训练好的神经网络模型，通过神经网络控制模块得到此时磁悬浮分子泵的径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数，并由数据导入模块更新控制程序中的相关参数。

所述分子泵的安装角α和旋转角β的估算方法如下：

①磁悬浮分子泵转子静态悬浮时，对于径向磁轴承来说，转子与磁极对1之间的距离和转子与磁极对3相等，转子与磁极对2之间的距离和转子与磁极对4之间的距离相等；对于轴向磁轴承来说，转子与上、下磁轴承之间的距离相等；由此磁轴承电磁力计算公式为：

$\left\{\begin{array}{c}{k}_1\×(I_{11}^2-I_{13}^2)=F_{11}\\ k_2\×(I_{12}^2-I_{14}^2)=F_{12}\\ k_3\×(I_{21}^2-I_{23}^2)=F_{21}\\ k_4\×(I_{22}^2-I_{24}^2)=F_{22}\\ k_5\×(I_{Z1}^2-I_{Z2}^2)=F_{\text{z}}\end{array}\right.$

其中，k_i(i＝1，L，5)为磁轴承电磁力系数；F_z为轴向磁轴承合力，方向沿上轴向磁轴承磁力方向；

I₁₁，I₁₂，I₁₃，I₁₄分别为上径向磁轴承磁极对1-4对应的静态工作电流；

I₂₁，I₂₂，I₂₃，I₂₄分别为下径向磁轴承磁极对1-4对应的静态工作电流；

I_z1，I_z2分别为上、下轴向磁轴承对应的静态工作电流；

F₁₁为上径向磁轴承磁极对1，3的合力，方向为沿上径向磁轴承磁极对1磁力方向；

F₁₂为上径向磁轴承磁极对2，4的合力，方向为沿上径向磁轴承磁极对2磁力方向；

F₂₁为下径向磁轴承磁极对1，3的合力，方向为沿下径向磁轴承磁极对1磁力方向；

F₂₂为下径向磁轴承磁极对2，4的合力，方向为沿下径向磁轴承磁极对2磁力方向；

②当安装角α在[0°，90°]和(270°，360°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同；当安装角α在(90°，180°]和(180°，270°]区间内变化时，轴向磁轴承合力F_z变化情况相同；当两个区间内F_z取值相同时，所需控制参数相同；

通过已知的F_z和F₂的数值计算安装角α，计算公式如下：

$F_1\×L_1=F_2\×L_2,F_1=\sqrt{F_{11}^2+F_{12}^2},F_2=\sqrt{F_{21}^2+F_{22}^2};$

当安装角α在[0°，90°]和(270°，360°]区间时，F_z＞0，

安装角α计算公式为：

$\mathrm{\α}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

安装角α在(90°，180°]和(180°，270°]区间时，F_z＜0，

安装角α计算公式为：

$\mathrm{\α}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

其中，上径向磁轴承分力为F₁；下径向磁轴承分力为F₂；转子重力为G，方向竖直向下；上径向磁轴承与转子质心距离为L₁；下径向磁轴承与转子质心距离为L₂；

③旋转角β在[0°，360°]范围变化时，径向磁轴承各磁极对合力的大小和正负均会变化，即各磁极对的承载状态会发生变化，需要不同的控制参数。根据上径向磁轴承各磁极对静态工作电流可以得到各磁极对所需提供的电磁力合力F₁₁和F₁₂的大小和正负，据此可以推算出旋转角β的大小，计算公式为：

如果F₁₁＞0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＜0，则

如果F₁₁＞0，F₁₂＜0，则

所述调整控制方法还包括将安装角数据进行优化的步骤和将旋转角进行优化的步骤，

所述将安装角数据进行优化的步骤如下：

步骤1：通过F_z和F₁的数值计算安装角α′，其计算公式为：

当F_z＞0时，

${\mathrm{\α}}^{\′}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

当F_z＜0时，

${\mathrm{\α}}^{\′}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

步骤2：所述安装角α优化子模块将利用F_z和F₂数值多次测得的安转角α_i，以及利用F_z和F₁数值多次测得的安转角α′_i取平均值，获得更精确的安装角估计值

其中i＝N

所述将旋转角进行优化的步骤如下：

步骤1：通过下径向各磁极对所需提供的电磁力合力F₂₁和F₂₂的数值计算旋转角β′；计算公式为：

如果F₂₁＞0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＜0，则

如果F₂₁＞0，F₂₂＜0，则

步骤2：所述旋转角β优化子模块将利用F₁₁和F₁₂数值多次测得的旋转角β_i，以及利用F₂₁和F₂₂数值多次测得的旋转角β′_i取平均值，获得更精确的旋转角估计值

其中i＝N。

所述神经网络模型的训练过程如下：将数据采集存储单元中的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC作为输入变量，将径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数作为输出变量，来调整所述神经网络模型中的参数，将所述数据采集存储单元中的多组数据依次输入，对所述神经网络模型进行训练。

所述神经网络模型为RBF神经网络。

本发明的上述技术方案相比现有技术具有以下优点，

(1)本发明所述的磁悬浮分子泵的神经网络控制系统，包括数据采集存储单元和调整控制单元，所述数据采集存储单元采集并存储磁悬浮分子泵在各预定安装位置时的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数；所述调整控制单元用于获得所述磁悬浮分子泵当前位置的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC，并通过神经网络控制模块获得当前位置所对应的径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数，实现了磁悬浮分子泵安装于任意位置时，能够根据所处的安装角α和旋转角β得到其对应的径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数，实现磁悬浮分子泵稳定工作，有效地避免了磁轴承偏置电流取固定值时产生的电流过大或偏小问题，以及采用固定控制算法造成磁悬浮分子泵性能下降的问题，提高了系统性能。

(2)本发明所述的磁悬浮分子泵的神经网络控制系统，所述角度估算模块包括磁轴承电磁力估算子模块、安装角α估算子模块和旋转角β估算子模块，根据磁悬浮分子泵转子静态悬浮时的静态工作电流来推导出安装角α、旋转角β，从而可以通过测量和计算获得所述磁悬浮分子泵安装在当前位置对应的安装角α、旋转角β，提高了其测量精度，为所述调整控制单元得到当前的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数提供输入参数；此外，该技术方案不需要增加位置传感器即可得到安装角α和旋转角β，节省了成本。

(3)本发明所述的磁悬浮分子泵的神经网络控制系统，还包括安装角α估算优化子模块，旋转角β估算优化子模块，提高安装角α、旋转角β的测量和计算精度，保证了所需结果径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数的精度。

(4)本发明所述的磁悬浮分子泵的神经网络控制系统，所述数据采集存储单元在安装角α和旋转角β每变化5°时进行一次数据采集和存储，其中α，β∈[0°，360°]，这样在数据采集存储单元可以均匀的得到各个位置的参数，从而保证了样本采集的普遍性，为训练神经网络模型提供数据，保证了神经网络模型的实用性；

(5)本发明所述的磁悬浮分子泵的神经网络控制方法，将神经网络的控制方式与磁悬浮分子泵的位置控制相结合，通过磁悬浮分子泵的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC作为输入变量，径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数为输出变量，从而来训练和建立神经网络模型，然后通过当前位置的分子泵安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC获得当前位置对应的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，从而实现了在任意安装位置实时的调整径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数的目的，将神经网络与磁悬浮分子泵的控制相结合，具有很好的实时性，提高了磁悬浮分子泵的运行性能。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是安装角α变化时，径向磁轴承和轴向磁轴承分力图；

图2是旋转角β变化时，径向磁轴承各磁极对分力图；

图3是磁悬浮分子泵安装角α的示意图；

图4是磁悬浮分子泵旋转角β示意图；

图5是磁悬浮分子泵任意位置安装的RBF神经网络控制框图；

图6是RBF神经网络结构图。

图中附图标记表示为：11-上径向磁轴承；12-转子；13-电机；14-下径向磁轴承；15-上轴向磁轴承；16-推力盘；17-下轴向磁轴承。

具体实施方式

结合图3所示，本发明所述的磁悬浮分子泵包括径向磁轴承、轴向磁轴承、转子12、电机13和推力盘16；所述的径向磁轴承包括上径向磁轴承11和下径向磁轴承14，所述的轴向磁轴承包括上轴向磁轴承15和下轴向磁轴承17，所述磁悬浮分子泵利用静态悬浮程序实现分子泵转子稳定静态悬浮。本发明所述的实现磁悬浮分子泵任意位置安装的神经网络控制系统包括数据采集存储单元和调整控制单元：

(1)所述数据采集存储单元获取调试过程中分子泵安装于各个预定位置时的安装角α和旋转角β，转子位置偏差E、转子位置偏差变化率EC，以及通过实验得到的各预定安装位置处能使分子泵稳定运行的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，包括：

转子位置采集模块：通过测量和计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位移偏差变化率EC等于前后两次转子位置偏差E之差；

参数调整模块：经过调整获得磁悬浮分子泵稳定工作时的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数；

参数记录模块：记录并存储磁悬浮分子泵在各预定安装位置时的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数；

所述数据采集存储单元对应的数据采集存储方法，包括如下步骤：

步骤1：其中，如图3所示，以水平向右的方向为x轴正方向，垂直地面向上的方向为y轴正方向，建立直角坐标系；以磁悬浮分子泵转子轴线相对于直角坐标系y轴正方向逆时针旋转角度为磁悬浮分子泵的安装角α；如图4所示，以径向磁轴承定子的磁极对1产生的磁力与径向磁轴承定子各磁极的合力的夹角为磁悬浮分子泵旋转角β；

分子泵安装于某一预定位置时，测量并记录此时分子泵安装角α和旋转角β，利用静态悬浮程序实现分子泵转子稳定静态悬浮；

步骤2：通过转子位置采集模块测量计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位移偏差变化率EC等于前后两次位移偏差E之差；

步骤3：通过参数调整模块调整径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数实现磁悬浮分子泵的稳定工作，记录该组偏置电流和磁轴承PID控制参数；

步骤4：改变磁悬浮分子泵安装角α和旋转角β，在此安装角α和旋转角β每变化5°时进行一次数据采集和存储，其中α，β∈[0°，360°]，重复步骤1至3，得到各个预定安装位置处磁悬浮分子泵的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，并将上述参数存储在存储器上。

(2)所述调整控制单元获得当前分子泵安装位置并实现实时控制，包括：

角度估算模块：估算分子泵安装在当前位置利用静态悬浮模块实现稳定静态悬浮后的安装角α和旋转角β；

转子位置测量模块：测量计算得到当前的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，预先设置一个平衡位置，通过检测装置得到当前位移与平衡位置之差即转子位置偏差E，转子位置偏差变化率EC等于前后两次位移偏差E之差；

神经网络控制模块：包括

神经网络训练单元：其中设置有神经网络模型，以所述参数记录模块中的参数即安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC为所述神经网络模型的输入变量，以所述输入变量对应的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数为所述神经网络模型的输出变量，通过所述参数记录模块中的多组数据来训练所述神经网络模型，得到训练好的神经网络模型；

神经网络实时控制单元：将当前时刻所述角度估算模块中得到的安装角α、旋转角β、所述转子位置测量模块得到的所述转子位置偏差E、转子位置偏差变化率EC作为输入变量输入训练好的神经网络模型，所述神经网络模型的输出为此时磁悬浮分子泵的径向磁轴承偏置电流值、轴向磁轴承偏置电流值和磁轴承PID控制参数值；

数据导入模块：将所述径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数更新为所述神经网络实时控制单元得到的相应数值；

所述调整控制单元对应的调整控制方法，包括如下步骤：

步骤1：将磁悬浮分子泵安装在某一安装位置后，利用静态悬浮程序实现分子泵转子稳定静态悬浮，测量径向磁轴承静态工作电流、轴向磁轴承静态工作电流，据此由角度估算模块估算出磁悬浮分子泵安装角α和旋转角β；

步骤2：由转子位置测量模块测量计算得到当前的转子位置偏差E、转子位置偏差变化率EC；

步骤3：将上述步骤1和步骤2中得到的估算出磁悬浮分子泵安装角α和旋转角β、转子位置偏差E、转子位置偏差变化率EC为输入变量输入训练好的神经网络模型，通过神经网路控制模块得到此时磁悬浮分子泵的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，并由数据导入模块更新控制程序中的相关参数。

所述步骤1中所述分子泵的安装角α和旋转角β的估算方法如下：

结合图1和图2，所述角度估算模块包括磁轴承电磁力估算子模块、安装角α估算子模块和旋转角β估算子模块：所述磁轴承电磁力估算子模块根据径向磁轴承和轴向磁轴承静态工作电流计算径向磁轴承和轴向磁轴承的分力情况；

①磁悬浮分子泵转子静态悬浮时，对于径向磁轴承来说，转子与磁极对1之间的距离和转子与磁极对3相等，转子与磁极对2之间的距离和转子与磁极对4之间的距离相等；对于轴向磁轴承来说，转子与上、下磁轴承之间的距离相等；由此磁轴承电磁力计算公式为：

$\left\{\begin{array}{c}{k}_1\×(I_{11}^2-I_{13}^2)=F_{11}\\ k_2\×(I_{12}^2-I_{14}^2)=F_{12}\\ k_3\×(I_{21}^2-I_{23}^2)=F_{21}\\ k_4\×(I_{22}^2-I_{24}^2)=F_{22}\\ k_5\×(I_{Z1}^2-I_{Z2}^2)=F_{\text{z}}\end{array}\right.$

其中，k_i(i＝1，L，5)为磁轴承电磁力系数；F_z为轴向磁轴承合力，方向沿上轴向磁轴承磁力方向；

I₁₁，I₁₂，I₁₃，I₁₄分别为上径向磁轴承磁极对1-4对应的静态工作电流；

I₂₁，I₂₂，I₂₃，I₂₄分别为下径向磁轴承磁极对1-4对应的静态工作电流；

I_z1，I_z2分别为上、下轴向磁轴承对应的静态工作电流；

F₁₁为上径向磁轴承磁极对1，3的合力，方向为沿上径向磁轴承磁极对1磁力方向；

F₁₂为上径向磁轴承磁极对2，4的合力，方向为沿上径向磁轴承磁极对2磁力方向；

F₂₁为下径向磁轴承磁极对1，3的合力，方向为沿下径向磁轴承磁极对1磁力方向；

F₂₂为下径向磁轴承磁极对2，4的合力，方向为沿下径向磁轴承磁极对2磁力方向；

②当安装角α在[0°，90°]和(270°，360°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需磁轴承控制参数也相同。因此安装角α在这两个区间变化时，对于同一个F_z值安装角α只取对应[0°，90°]范围内的那个角度值；当安装角α在(90°，180°]和(180°，270°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需磁轴承控制参数也相同。因此安装角α在这两个区间变化时，对于同一个F_z值安装角α只取对应(90°，180°]范围内的那个角度值。

通过已知的F_z和F₂的数值计算安装角α，计算公式如下：

F₁×L₁＝F₂×L₂，

当安装角α在[0°，90°]和(270°，360°]区间时，F_z＞0，

安装角α计算公式为：

$\mathrm{\α}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

安装角α在(90°，180°]和(180°，270°]区间时，F_z＜0，

安装角α计算公式为：

$\mathrm{\α}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_2}{L_1{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{21}^2+F_{22}^2}}{L_1{F}_z}$

其中，上径向磁轴承分力为F₁，方向如图1所示；下径向磁轴承分力为F₂，方向如图1所示；转子重力为G，方向竖直向下；上径向磁轴承与转子质心距离为L₁；下径向磁轴承与转子质心距离为L₂；

③旋转角β在[0°，360°]范围变化时，径向磁轴承各磁极对合力的大小和正负均会变化，即各磁极对的承载状态会发生变化，需要不同的控制参数。根据上径向磁轴承各磁极对静态工作电流可以得到各磁极对所需提供的电磁力合力F₁₁和F₁₂的大小和正负，据此可以推算出旋转角β的大小，计算公式为：

如果F₁₁＞0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＞0，则

如果F₁₁＜0，F₁₂＜0，则

如果F₁₁＞0，F₁₂＜0，则

此外，上述过程中还包括将安装角数据进行优化的步骤和将旋转角进行优化的步骤，

所述将安装角数据进行优化的步骤如下：

步骤1：通过F_z和F₁的数值计算安装角α′，其计算公式为：

当F_z＞0时，

${\mathrm{\α}}^{\′}=\arctan \frac{F_1+F_2}{F_z}=\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

当F_z＜0时，

${\mathrm{\α}}^{\′}=\mathrm{\π}-\arctan \frac{F_1+F_2}{F_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)F_1}{L_2{F}_z}=\mathrm{\π}-\arctan \frac{(L_1+L_2)\sqrt{F_{11}^2+F_{12}^2}}{L_2{F}_z}$

所述安装角α优化子模块将利用F_z和F₂数值多次测得的安转角α_i，以及利用F_z和F₁数值多次测得的安转角α′_i取平均值，获得更精确的安装角估计值

其中i＝N。

所述将旋转角进行优化的步骤如下：

步骤1：通过下径向各磁极对所需提供的电磁力合力F₂₁和F₂₂的数值计算旋转角β′；计算公式为：

如果F₂₁＞0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＞0，则

如果F₂₁＜0，F₂₂＜0，则

如果F₂₁＞0，F₂₂＜0，则

步骤2：所述旋转角β优化子模块将利用F₁₁和F₁₂数值多次测得的旋转角β_i，以及利用F₂₁和F₂₂数值多次测得的旋转角β′_i取平均值，获得更精确的旋转角估计值

其中i＝N。

在所述调整控制单元对应的调整控制方法的步骤3中，所述神经网络模型的训练过程如下：将数据采集存储单元中的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC作为输入变量，将径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数作为输出变量，来调整所述神经网络模型中的参数，将所述数据采集存储单元中的多组数据依次输入，对所述神经网络模型进行训练。

在此，选择RBF神经网络来建立神经网络模型，RBF神经网络即径向基函数神经网络(Radical Basis Function Neural Network)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。所述实现磁悬浮分子泵任意位置安装的RBF神经网络控制系统的结构图如图5所示，首先对RBF神经网络进行离线训练，然后通过计算当前位置的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC并输入RBF神经网络来调整磁轴承偏置电流和PID参数，然后将通过RBF神经神经网络获得的磁轴承偏置电流和PID参数更新到系统中，对磁悬浮分子泵进行控制，使系统稳定运行，图5中R为系统输入，U(k)为控制器输出的控制量，X为转子位移，检测装置检测到X反馈到控制器中构成闭环。。

本实施例中的RBF神经网络模型的结构图如图6所示，包括输入层(x)、输出层(y)和隐含层(G)，其建立过程如下：建立RBF神经网络的核心包括两个步骤：基函数中心的选取和隐含层到输出层权值调整算法。基函数中心和隐含层到输出层权值既可以是确定值，也可以动态选择，在此采用最邻近聚类算法实现基函数中心和隐含层到输出层权值的动态选择。首先，建立基于最邻近聚类法的RBF神经网络，然后利用最近邻聚类算法得到各径向基函数的中心c，并初始化隐含层到输出层的权值w，具体步骤如下：

(1)径向基函数选择高斯函数，选择一个合适的高斯函数宽度δ，定义一个权矢量A(l)用于存放输入各类的输出矢量之和，定义一个计数器B(l)用于统计属于各类的样本个数，其中l表示类别数。

(2)从第一个数据对(x₁，y₁)开始，在x₁上建立一个聚类中心，令c₁＝x₁，A(1)＝y₁，B(1)＝1，这样建立的RBF网络只有一个隐单元，该隐单元中心为c₁，该隐单元到输出层的权矢量为w₁＝A(1)/B(1)；

(3)考虑第二个样本(x₂，y₂)，求出x₂到c₁这个聚类中心的距离。如果||x₂-c₁||≤δ，那么c₁是x₂的最近邻聚类，且令A(1)＝A(1)+y₂，B(1)＝2，

w₁＝A(1)/B(1)；如果||x₂-c₁||＞δ，则将x₂作为一个新的聚类中心，令c₂＝x₂，A(2)＝y₂，B(2)＝1，在上述建立的RBF网络中再添加一个隐单元，该隐单元到输出层的权矢量为w₂＝A(2)/B(2)。

(4)假设考虑第K个样本数据对(x_k，y_k)时，k＝3，4，L，P，已存在M个聚类中心，其中心点分别为c₁，c₂，L，c_M，表明在上述建立的RBF网络中已有M个隐单元。分别求出(x_k，y_k)到这M个隐单元中心的距离||x_k-c_i||，i＝1，2，L，M，设||x_k-c_j||为这些距离中的最小值，如果||x_k-c_j||≤δ，则c_j为x_k的最邻近聚类，令A(j)＝A(j)+y_k，B(j)＝B(j)+1，w_j＝A(j)/B(j)，且当i≠j的时候，保持A(i)，B(i)的值不变，i＝1，2，L，M；如果||x_k-c_j||＞δ，则将x_k作为一个新的聚类中心，并令c_M+1＝x_k，A(M+1)＝y_k，B(M+1)＝1，且保持i＝1，2，L，M时A(i)，B(i)的值不变。在上述建立的RBF网络中添加一新的隐单元，该隐单元到输出层的权矢量为w_M+1＝A(M+1)/B(M+1)。如此直至所有样本均已归类。

(5)利用步骤2中得到的数据样本训练RBF神经网络，确定RBF神经网络结构。至此，神经网络模型建立完毕。

神经网络模型建立后，将当前的转子位置偏差E、转子位置偏差变化率EC，以及估算出的磁悬浮分子泵安装角α和旋转角β作为输入变量输入训练好的神经网络模型，得到此时磁悬浮分子泵的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，从而实现了磁悬浮分子泵的稳定悬浮。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种磁悬浮分子泵的神经网络控制系统，其特征在于：包括数据采集存储单元和调整控制单元； 

所述数据采集存储单元获取调试过程中分子泵安装于各个预定位置时的安装角α和旋转角β，转子位置偏差E、转子位置偏差变化率EC，以及通过实验得到的各预定安装位置处能使分子泵稳定运行的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，包括： 

转子位置采集模块：通过测量和计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位置偏差变化率EC等于前后两次转子位置偏差E之差； 

参数调整模块：经过调整获得磁悬浮分子泵稳定工作时的径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数； 

参数记录模块：记录并存储磁悬浮分子泵在各预定安装位置时的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数； 

所述调整控制单元获得当前分子泵安装位置并实现实时控制，包括： 

角度估算模块：利用径向磁轴承静态工作电流和轴向磁轴承静态工作电流，估算当前分子泵的安装角α和旋转角β； 

转子位置测量模块：测量当前的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位置偏差变化率EC等于前后两次转子位置偏差E之差； 

神经网络控制模块：包括 

神经网络训练单元：其中设置有神经网络模型，以所述参数记录模块中的参数即安装角α、旋转角β、转子位置偏差E和转子位置偏差变化率EC为所述神经网络模型的输入变量，以径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数为所述神经网络模型的输出变量，利用试验获得 的记录在所述参数记录模块中的多组数据来训练所述神经网络，得到训练好的神经网络模型； 

神经网络实时控制单元：将当前时刻所述角度估算模块中得到的安装角α、旋转角β、所述转子位置测量模块得到的所述转子位置偏差E、转子位置偏差变化率EC作为输入变量输入训练好的神经网络模型，所述神经网络模型的输出为此时磁悬浮分子泵的径向磁轴承偏置电流值、轴向磁轴承偏置电流值以及磁轴承PID控制参数值； 

数据导入模块：将所述径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数更新为所述神经网络实时控制单元得到的相应数值； 

其中，以水平向右的方向为x轴正方向，垂直地面向上的方向为y轴正方向，建立直角坐标系；以磁悬浮分子泵转子轴线相对于直角坐标系y轴正方向逆时针旋转角度为磁悬浮分子泵的安装角α；以径向磁轴承定子的磁极对1产生的磁力与径向磁轴承定子各磁极的合力的夹角为磁悬浮分子泵旋转角β。 

2.根据权利要求1所述的控制系统，其特征在于： 

所述角度估算模块包括磁轴承电磁力估算子模块、安装角α估算子模块和旋转角β估算子模块： 

（1）所述磁轴承电磁力估算子模块根据径向磁轴承静态工作电流和轴向磁轴承静态工作电流计算径向磁轴承和轴向磁轴承的分力情况； 

所述磁轴承电磁力估算模块的计算公式如下： 

当磁悬浮分子泵转子静态悬浮时，对于径向磁轴承来说，转子与磁极对1之间的距离和转子与磁极对3相等，转子与磁极对2之间的距离和转子与磁极对4之间的距离相等；对于轴向磁轴承来说，转子与上、下磁轴承之间的距离相等；由此磁轴承电磁力计算公式为： 

其中，k_i(i＝1,...,5)为磁轴承电磁力系数；F_z为轴向磁轴承合力，方向沿上轴向磁轴承磁力方向； 

I₁₁,I₁₂,I₁₃,I₁₄分别为上径向磁轴承磁极对1-4对应的静态工作电流； 

I₂₁,I₂₂,I₂₃,I₂₄分别为下径向磁轴承磁极对1-4对应的静态工作电流； 

I_z1,I_z2分别为上、下轴向磁轴承对应的静态工作电流； 

F₁₁为上径向磁轴承磁极对1,3的合力，方向为沿上径向磁轴承磁极对1磁力方向； 

F₁₂为上径向磁轴承磁极对2,4的合力，方向为上径向磁轴承沿磁极对2磁力方向； 

F₂₁为下径向磁轴承磁极对1,3的合力，方向为沿下径向磁轴承磁极对1磁力方向； 

F₂₂为下径向磁轴承磁极对2,4的合力，方向为沿下径向磁轴承磁极对2磁力方向； 

（2）安装角α估算子模块和旋转角β估算子模块根据径向磁轴承和轴向磁轴承的分力情况计算磁悬浮分子泵安装角α和旋转角β； 

所述安装角α的计算公式如下： 

当安装角α在[0°,90°]和(270°,360°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同；当安装角α在(90°,180°]和(180°,270°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同； 

通过已知的F_z和F₂的数值计算安装角α； 

F₁×L₁＝F₂×L₂,

当安装角α在[0°,90°]和(270°,360°]区间时，F_z＞0， 

安装角α计算公式为： 

安装角α在(90°,180°]和(180°,270°]区间时，F_z＜0， 

安装角α计算公式为： 

其中，上径向磁轴承分力为F₁，下径向磁轴承分力为F₂，转子重力为G；上径向磁轴承与转子质心距离为L₁；下径向磁轴承与转子质心距离为L₂； 

通过上径向各磁极对所需提供的电磁力合力F₁₁和F₁₂的数值计算旋转角β，所述旋转角β的计算公式为： 

如果F₁₁＞0,F₁₂＞0，则

如果F₁₁＜0,F₁₂＞0，则

如果F₁₁＜0,F₁₂＜0，则

如果F₁₁＞0,F₁₂＜0，则

3.根据权利要求2所述的控制系统，其特征在于： 

还包括， 

安装角α′估算子模块，通过F_z和F₁的数值计算安装角； 

安装角α优化子模块，通过将F_z和F₁，以及F_z和F₂分别得到的安装角数据进行优化处理，获得更精确的安装角估计值

； 

所述安装角α′估算子模块的计算公式为： 

当F_z＞0时， 

当F_z＜0时， 

所述安装角α优化子模块将利用F_z和F₂数值多次测得的安转角α_i，以及利用F_z和F₁数值多次测得的安转角α′i取平均值，获得更精确的安装角估计值

其中i＝N。 

4.根据权利要求2所述的控制系统，其特征在于： 

还包括， 

旋转角β′估算子模块，通过下径向各磁极对所需提供的电磁力合力F₂₁和F₂₂的数值计算旋转角； 

旋转角β优化子模块，通过将F₁₁和F₁₂，以及F₂₁和F₂₂分别得到的旋转角数据进行优化处理，获得更精确的旋转角估计值

所述旋转角β′估算子模块的计算公式为： 

如果F₂₁＞0,F₂₂＞0，则

如果F₂₁＜0,F₂₂＞0，则

如果F₂₁＜0,F₂₂＜0，则

如果F₂₁＞0,F₂₂＜0，则

所述旋转角β优化子模块将利用F₁₁和F₁₂数值多次测得的旋转角β_i，以及利用F₂₁和F₂₂数值多次测得的旋转角β′i取平均值，获得更精确的旋转角估计值

其中i＝N。 

5.根据权利要求1所述的控制系统，其特征在于： 

所述数据采集存储单元在安装角α和旋转角β每变化5°时进行一次数据采集和存储，其中α,β∈[0°,360°]。 

6.一种用于权利要求1中数据采集存储单元中的数据采集存储方法，其特征在于： 

包括如下步骤： 

步骤1：其中，以水平向右的方向为x轴正方向，垂直地面向上的方向为y轴正方向，建立直角坐标系；以磁悬浮分子泵转子轴线相对于直角坐标系y轴正方向逆时针旋转角度为磁悬浮分子泵的安装角α；以径向磁轴承定子的磁极对1产生的磁力与径向磁轴承定子各磁极的合力的夹角为磁悬浮分子泵旋转角β； 

分子泵安装于某一预定位置时，测量并记录此时分子泵安装角α和旋转角β； 

步骤2：通过转子位置采集模块测量计算得到所述分子泵转子安装在所述预定安装位置后运行时的转子位置偏差E、转子位置偏差变化率EC，所述转子位置偏差E等于当前位移与平衡位置之差，转子位置偏差变化率EC等于前后两次转子位置偏差E之差； 

步骤3：通过参数调整模块调整径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数实现磁悬浮分子泵的稳定工作，记录该组偏置电流和磁轴承PID控制参数； 

步骤4：改变磁悬浮分子泵安装角α和旋转角β，重复步骤1至3，得到各个预定安装位置处磁悬浮分子泵的安装角α、旋转角β、转子位置偏差E、转子 位置偏差变化率EC、径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数，并将上述参数存储在参数记录模块内。 

7.一种用于权利要求1中调整控制单元的调整控制方法，其特征在于： 

包括如下步骤： 

步骤1：将磁悬浮分子泵安装在某一安装位置后，利用静态悬浮程序实现分子泵转子稳定静态悬浮，测量径向磁轴承静态工作电流、轴向磁轴承静态工作电流，据此由角度估算模块估算出磁悬浮分子泵安装角α和旋转角β； 

步骤2：由转子位置测量模块测量计算得到当前的转子位置偏差E、转子位置偏差变化率EC； 

步骤3：将上述步骤1和步骤2中得到的转子位置偏差E、转子位置偏差变化率EC，以及估算出的磁悬浮分子泵安装角α和旋转角β为输入变量输入训练好的神经网络模型，通过神经网络控制模块得到此时磁悬浮分子泵的径向磁轴承偏置电流、轴向磁轴承偏置电流以及磁轴承PID控制参数，并由数据导入模块更新控制程序中的相关参数。 

8.根据权利要求7所述的调整控制方法，其特征在于： 

所述分子泵的安装角α和旋转角β的估算方法如下： 

①磁悬浮分子泵转子静态悬浮时，对于径向磁轴承来说，转子与磁极对1之间的距离和转子与磁极对3之间的距离相等，转子与磁极对2之间的距离和转子与磁极对4之间的距离相等；对于轴向磁轴承来说，转子与上、下磁轴承之间的距离相等；由此磁轴承电磁力计算公式为： 

其中，k_i(i＝1,...,5)为磁轴承电磁力系数；F_z为轴向磁轴承合力，方向沿上轴 向磁轴承磁力方向； 

I₁₁,I₁₂,I₁₃,I₁₄分别为上径向磁轴承磁极对1-4对应的静态工作电流； 

I₂₁,I₂₂,I₂₃,I₂₄分别为下径向磁轴承磁极对1-4对应的静态工作电流； 

I_z1,I_z2分别为上、下轴向磁轴承对应的静态工作电流； 

F₁₁为上径向磁轴承磁极对1,3的合力，方向为沿上径向磁轴承磁极对1磁力方向； 

F₁₂为上径向磁轴承磁极对2,4的合力，方向为沿上径向磁轴承磁极对2磁力方向； 

F₂₁为下径向磁轴承磁极对1,3的合力，方向为沿下径向磁轴承磁极对1磁力方向； 

F₂₂为下径向磁轴承磁极对2,4的合力，方向为沿下径向磁轴承磁极对2磁力方向； 

②当安装角α在[0°,90°]和(270°,360°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同；当安装角α在(90°,180°]和(180°,270°]区间内变化时，轴向磁轴承合力F_z变化情况相同，当两个区间内F_z取值相同时，所需控制参数相同； 

通过已知的F_z和F₂的数值计算安装角α，计算公式如下： 

F1×L1＝F2×L2,

当安装角α在[0°,90°]和(270°,360°]区间时，F_z＞0， 

安装角α计算公式为： 

安装角α在(90°,180°]和(180°,270°]区间时，F_z＜0， 

安装角α计算公式为： 

其中，上径向磁轴承分力为F₁；下径向磁轴承分力为F₂；转子重力为G；上径向磁轴承与转子质心距离为L₁；下径向磁轴承与转子质心距离为L₂； 

③旋转角β在[0°,360°]范围变化时，径向磁轴承各磁极对合力的大小和正负均会变化，即各磁极对的承载状态会发生变化，需要不同的控制参数；根据上径向磁轴承各磁极对静态工作电流可以得到各磁极对所需提供的电磁力合力F₁₁和F₁₂的大小和正负，据此可以推算出旋转角β的大小，计算公式为： 

如果F₁₁＞0,F₁₂＞0，则

如果F₁₁＜0,F₁₂＞0，则

如果F₁₁＜0,F₁₂＜0，则

如果F₁₁＞0,F₁₂＜0，则

9.根据权利要求8所述的调整控制方法，其特征在于： 

还包括将安装角数据进行优化的步骤和将旋转角进行优化的步骤， 

所述将安装角数据进行优化的步骤如下： 

步骤1：通过F_z和F₁的数值计算安装角α′，其计算公式为： 

当F_z＞0时， 

当F_z＜0时， 

步骤2：所述安装角α优化子模块将利用F_z和F₂数值多次测得的安转角α_i，以及利用F_z和F₁数值多次测得的安转角α′i取平均值，获得更精确的安装角估计 值

其中i＝N； 

所述将旋转角进行优化的步骤如下： 

步骤1：通过下径向各磁极对所需提供的电磁力合力F₂₁和F₂₂的数值计算旋转角β′；计算公式为： 

如果F₂₁＞0,F₂₂＞0，则

如果F₂₁＜0,F₂₂＞0，则

如果F₂₁＜0,F₂₂＜0，则

如果F₂₁＞0,F₂₂＜0，则

步骤2：所述旋转角β优化子模块将利用F₁₁和F₁₂数值多次测得的旋转角β_i，以及利用F₂₁和F₂₂数值多次测得的旋转角β′i取平均值，获得更精确的旋转角估计值

其中i＝N。 

10.根据权利要求7或8或9所述的调整控制方法，其特征在于：所述神经网络模型的训练过程如下：将数据采集存储单元中的安装角α、旋转角β、转子位置偏差E、转子位置偏差变化率EC作为输入变量，将径向磁轴承偏置电流、轴向磁轴承偏置电流和磁轴承PID控制参数作为输出变量，来调整所述神经网络模型中的参数，将所述数据采集存储单元中的多组数据依次输入，对所述神经网络模型进行训练。 

Images