CN102384088B - 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 - Google Patents

Abstract

本发明涉及一种基于转矩流量智能软测量的涡旋压缩机控制系统，包括设置于电动机与涡旋式压缩机连接轴上的转速传感器，以及设置于储气罐上的气体压力传感器，转速传感器和气体压力传感器均与上位机相连，上位机与变频器相连，变频器与电动机相连。本发明还公开了该系统的控制方法。可以在不使用转矩传感器以及流量传感器的情况下，仅通过测量涡旋式压缩机的转速和排气流量，采用粒子群和BP算法优化过的小波神经网络，对涡旋压缩机的转矩以及排气流量进行有效准确的估计和预测，因此节省了购买传感器的费用，降低了系统成本。并且可以通过实时测量以及预测的数据，了解涡旋式压缩机的工作状态，并随着工况的变动随时进行调整，保证系统的高效运行。

Description

基于转矩流量智能软测量的涡旋压缩机控制系统及方法

技术领域

本发明涉及一种涡旋压缩机控制技术，尤其是一种基于转矩流量智能软测量的涡旋压缩机控制系统及方法。

背景技术

传统定速涡旋压缩机是按照额定工况来设计，仅在设计工况下具有较高的运行效率。而实际系统中负载是在不断变化的，为了保证匹配只得采用频繁启停的方式进行调节。这样不但使系统输出变化波动较大，而且增加能耗，降低效率。而在变频涡旋压缩机控制系统中，通过测量进、排气体流量和压力以及压缩机转矩转速等参数，随着外界工况的变化不断调整涡旋压缩机运行状态，保持压缩机时刻运行在高能效的状态下。同时涡旋压缩机特殊排气机理使排气流量具有随排气压力升高而降低的趋势，气体流量较小时易发生湍振现象，破坏压缩机内部结构，为此须对排气流量实时监控以确保压缩机高效安全运行。

实时工况数据一般采用传感器进行测量。但用于排气流量测量的传感器存在诸多的问题难以解决：造价高，价格一般在3000元到5000元甚至更高；易受外界干扰；对管道安装有特殊要求，需要保证前后一定长度的直管；检测元件十分脆弱，对被测气体洁净度要求高，易损坏等问题。且流量传感器及其相应过滤装置的安装和使用将导致额外气体压力损耗，影响压缩空气储能效率的提高。由于涡旋压缩机在停机瞬间会产生较大反向力矩，对转矩传感器结构产生冲击，很容易损坏转矩传感器的敏感元件，严重影响传感器的寿命。此外，转矩传感器对安装精度要求很高，同轴度误差不能超过0.05mm。如在震动较大的环境下使用，须采用柔性连接，并在传感器两端加装轴承支架。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于转矩流量智能软测量的涡旋压缩机控制系统及方法，本发明在不使用转矩及流量传感器的情况下，通过测量涡旋压缩机的转速和排气压力，采用小波神经网络算法，并利用粒子群优化算法和BP神经网络算法对其中的关键参数进行优化，对转矩以及排气流量进行预测和估计，可有效提高工况数据的获取精度、降低设备成本。

为实现上述目的，本发明采用下述技术方案：

一种基于转矩流量智能软测量的涡旋压缩机控制系统，包括设置于电动机与涡旋式压缩机连接轴上的转速传感器，以及设置于储气罐内的气体压力传感器，所述转速传感器和气体压力传感器均与上位机相连，上位机与变频器相连，变频器与电动机相连。

一种基于转矩流量智能软测量的涡旋压缩机控制方法，步骤如下：

1)将转速传感器安装于电动机与涡旋式压缩机的连接轴上；

2)在储气罐内安装气体压力传感器；

3)将转速传感器和气体压力传感器分别与上位机相连；

4)将转速传感器采集到的涡旋压缩机转速和气体压力传感器采集到排气压力数据传输至上位机中，进行数据处理分析，对其转矩和流量进行预测估计；

5)根据转速以及气体压力传感器的数据，以及预测出的涡旋式压缩机转矩以及排气流量的大小，实时计算出涡旋式压缩机的工作效率，并通过变频器随时更改其工作状态，以使涡旋式压缩机能一直工作在高效区间内。

所述步骤4)中的数据处理分析包括以下步骤：

a.初始化粒子群，包括群体规模，每个粒子的位置与速度；

b.计算每个粒子的适应度值，并更新个体与全局极值；

c.判断是否满足收敛条件：若不满足则进入步骤d；若满足则将全局极值解码后作为小波神经网络的关键参数并退出；

d.判断是否已达到最大迭代次数：若未达到则更新每个粒子的位置与速度以及惯性权重，并回到步骤b；若已达到最大迭代次数，则选择目前最优的粒子进入BP优化过程；

e.判断是否达到BP优化最大迭代次数：若未达到则计算方差并调整权值和阈值并进入下一次循环；如已达到最大迭代次数，则将方差与粒子群算法得到的全局极值相比较，取二者中的较小值作为小波神经网络的关键参数并退出。

本发明中的涡旋式压缩机、转速传感器、气体压力传感器、上位机、变频器均为现有设备，在此不再赘述。小波神经网络算法、粒子群和BP神经网络算法也是公知技术，在此不再赘述。

本发明通过在电动机与涡旋式压缩机的连接轴上安装转速传感器。由于仅测量涡旋式压缩机的转速，因此传感器所占空间极小，可以套在压缩机的传动轴上而不需另外做其他改动。在储气罐处安装气体压力传感器，用于测量储气罐内的气体压强。

而在上位机中，利用粒子群优化算法和BP神经网络算法对小波神经网络算法中的关键参数进行优化，根据采集到的涡旋压缩机转速和排气压力数据，对其转矩和流量进行预测估计。根据转速以及压力传感器的数据，以及预测出的涡旋式压缩机转矩以及排气流量的大小，实时计算出涡旋式压缩机的工作效率。并通过变频器随时更改其工作状态，以使压缩机能一直工作在高效区间内。

与现有技术相比，本发明的有益效果是，可以在不使用转矩传感器以及流量传感器的情况下，仅通过测量涡旋式压缩机的转速和排气流量，采用粒子群和BP算法优化过的小波神经网络，对涡旋压缩机的转矩以及排气流量进行有效准确的估计和预测，因此节省了购买传感器的费用，降低了系统成本。并且可以通过实时测量以及预测的数据，了解涡旋式压缩机的工作状态，并随着工况的变动随时进行调整，保证系统的高效运行。

附图说明

图1是本发明系统结构示意图；

图2是本发明预测控制方法流程图；

图3是涡旋压缩机排气实际流量与预测流量图；

图4是涡旋压缩机实际转矩与预测转矩图；

其中1.转速传感器；2.气体压力传感器。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1所示，一种基于转矩流量智能软测量的涡旋压缩机控制系统，包括设置于电动机与涡旋式压缩机连接轴上的转速传感器1，以及设置于储气罐上的气体压力传感器2，所述转速传感器1和气体压力传感器2均与上位机相连，上位机与变频器相连，变频器与电动机相连。

如图2所示，一种基于转矩流量智能软测量的涡旋压缩机控制方法，步骤如下：

1)将转速传感器安装于电动机与涡旋式压缩机的连接轴上；

2)在储气罐上安装气体压力传感器；

3)将转速传感器和气体压力传感器分别与上位机相连；

4)将转速传感器采集到的涡旋压缩机转速和气体压力传感器采集到排气压力数据传输至上位机中，进行数据处理分析，对其转矩和流量进行预测估计；

数据处理分析包括以下步骤：

a.初始化粒子群，包括群体规模，每个粒子的位置与速度；

b.计算每个粒子的适应度值，并更新个体与全局极值；

c.判断是否满足收敛条件：若不满足则进入步骤d；若满足则将全局极值解码后作为小波神经网络的关键参数并退出；

d.判断是否已达到最大迭代次数：若未达到则更新每个粒子的位置与速度以及惯性权重，并回到步骤b；若已达到最大迭代次数，则选择目前最优的粒子进入BP优化过程；

e.判断是否达到BP优化最大迭代次数：若未达到则计算方差并调整权值和阈值并进入下一次循环；如已达到最大迭代次数，则将方差与粒子群算法得到的全局极值相比较，取二者中的较小值作为小波神经网络的关键参数并退出；

5)根据转速以及气体压力传感器的数据，以及预测出的涡旋式压缩机转矩以及排气流量的大小(如图3、4所示)，实时计算出涡旋式压缩机的工作效率，并通过变频器随时更改其工作状态，以使涡旋式压缩机能一直工作在高效区间内。

本发明中未明确限定的的涡旋式压缩机、转速传感器、气体压力传感器、上位机、变频器均为现有设备，在此不再赘述。小波神经网络算法、粒子群和BP算法也是公知技术，在此不再赘述。

Claims (1)

1.一种基于转矩流量智能软测量的涡旋压缩机控制系统的控制方法，所述控制系统包括设置于电动机与涡旋式压缩机连接轴上的转速传感器，以及设置于储气罐上的气体压力传感器，所述转速传感器和气体压力传感器均与上位机相连，上位机与变频器相连，变频器与电动机相连；

其特征在于，所述控制方法步骤如下：

1）将转速传感器安装于电动机与涡旋式压缩机的连接轴上；

2）在储气罐上安装气体压力传感器；

3）将转速传感器和气体压力传感器分别与上位机相连；

4）将转速传感器采集到的涡旋压缩机转速和气体压力传感器采集到排气压力数据传输至上位机中，进行数据处理分析，对其转矩和流量进行预测估计；

5）根据转速以及气体压力传感器的数据，以及预测出的涡旋式压缩机转矩以及排气流量的大小，实时计算出涡旋式压缩机的工作效率，并通过变频器随时更改其工作状态，以使涡旋式压缩机能一直工作在高效区间内；

所述步骤4）中的数据处理分析包括以下步骤：

a.初始化粒子群，包括群体规模，每个粒子的位置与速度；

b.计算每个粒子的适应度值，并更新个体与全局极值；

c.判断是否满足收敛条件：若不满足则进入步骤d；若满足则将全局极值解码后作为小波神经网络的关键参数并退出；

d.判断是否已达到最大迭代次数：若未达到则更新每个粒子的位置与速度以及惯性权重，并回到步骤b；若已达到最大迭代次数，则选择目前最优的粒子进入BP优化过程；

e.判断是否达到BP优化最大迭代次数：若未达到则计算方差并调整权值和阈值并进入下一次循环；如已达到最大迭代次数，则将方差与粒子群算法得到的全局极值相比较，取二者中的较小值作为小波神经网络的关键参数并退出。

Images