CN106952782A - 基于神经网络的接触器速度闭环控制方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的接触器速度闭环控制方法，首先采用电流闭环作为基础内环，用以灵活调节接触器的激磁状态；接着采集接触器的激磁电压及激磁电流，利用嵌入式ANN模型计算接触器动铁心的实时位移；最后利用实时位移信息来计算动铁心的实时速度，构建接触器速度闭环控制。本发明引入神经网络技术建立接触器神经网络（ANN）模型，无需接触器具体的结构及材料参数，更不需要对磁路进行简化处理及非饱和假设，仅通过简单的训练过程即可完成任何接触器模型的构建，从而输出高精度的位移信息；在此基础上构建接触器的速度闭环控制方案，对动铁心的运动速度进行闭环控制。

Description

基于神经网络的接触器速度闭环控制方法

技术领域

本发明涉及电器控制领域，特别是一种基于神经网络的接触器速度闭环控制方法。

背景技术

接触器作为一种常见的电磁开关广泛应用于各种工业控制领域中，其性能指标直接影响控制系统的安全、稳定。传统接触器在运行中存在诸多缺陷，如：难以实现交直流通用，且工作电压范围窄，在临界吸合电压下铁心会产生持续的振动，导致触头熔焊；对电压跌落较为敏感，激磁电压低于释放值5～10ms即可引起触头分断，影响接触器在石油、化工等连续生产系统中的运行可靠性；存在线圈操作过电压，影响与线圈并联的其他电气设备的运行可靠性，为此增加的过电压抑制电路又引入了额外的保持功耗。近年来国内外学者提出了各种接触器智能控制方案，改善了传统接触器存在的不足：

1、接触器高压直流起动、低压直流保持的控制方案。在接触器起动过程中施加一较高的直流电压进行强激磁，使接触器可靠起动，起动完成后施加一较低的直流电压，使接触器维持可靠的低压保持状态，在此基础上采用分段强激磁的优化控制方案来实现起动过程动铁心的“软着陆”控制，减少触头弹跳。

2、接触器PWM电压闭环控制技术。采用改造后的Buck拓扑作为线圈驱动电路，以线圈电压作为反馈，通过调节PWM占空比，来获得所需的起动电压等效值及保持电压等效值，以接触器能够可靠吸合为约束条件，以减少弹跳为目标，通过虚拟样机技术及动态计算程序，寻找最佳起动占空比。

3、接触器PWM电流闭环控制方案。以线圈电流作为反馈量，动态调节接触器方波驱动电压的占空比，从而得到所需的线圈电流，该方案直接控制电磁系统的激磁状态，便于进行优化控制。

4、根据线圈电压、线圈电流，配合接触器的结构参数及材料特性参数来估算动铁心实时位移，在此基础上进行接触器的位移闭环控制，减少起动过程中的触头弹跳。

5、所有具有可变气隙的电磁电器在动态过程中存在一个共同特征，即：“运动反电势引起的线圈电流下跌效应”，根据这一共性提出了接触器的线圈电流斜率闭环控制方案，在起动过程中检测线圈电流下跌斜率，形成斜率外环控制电流内环的双闭环结构，间接控制触头速度，减少触头弹跳。

发明内容

有鉴于此，本发明的目的是提出一种基于神经网络的接触器速度闭环控制方法，引入神经网络技术建立接触器神经网络(ANN)模型，无需接触器具体的结构及材料参数，更不需要对磁路进行简化处理及非饱和假设，仅通过简单的训练过程即可完成任何接触器模型的构建，从而输出高精度的位移信息；在此基础上构建接触器的速度闭环控制方案，对动铁心的运动速度进行闭环控制。

本发明采用以下方案实现：一种基于神经网络的接触器速度闭环控制方法，具体包括以下步骤：

步骤S1：采用电流闭环作为基础内环，用以灵活调节接触器的激磁状态；

步骤S2：采集接触器的激磁电压及激磁电流，利用嵌入式ANN模型计算接触器动铁心的实时位移；

步骤S3：利用实时位移信息来计算动铁心的实时速度，构建接触器速度闭环控制。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：采用霍尔电压传感器及霍尔电流传感器对线圈激磁电压、线圈激磁电流进行采样，并采用下式积分得到磁链：

ψ＝∫(u_coil-i_coilR_coil)；

其中，ψ为磁链，u_coil为线圈激磁电压，i_coil为线圈激磁电流，R_coil为线圈电阻；

步骤S22：将步骤S1采集得到的线圈激磁电流以及计算得到的磁链输入ANN模型，在ANN模型的非线性映射下输出准确的动铁心位移x。

进一步地，步骤S3中，所述构建接触器速度闭环控制具体包括电流内环控制以及速度外环控制；

所述电流内环控制为：采用电流互感器对线圈电流进行检测，得到线圈激磁电流i_coil，将i_coil与参考电流i_ref比较，以滞环或PI模式更新驱动信号的占空比D_PWM，驱动信号经一隔离电路作用于电磁系统的驱动电路，调节线圈激励电压的导通周期数及占空比，实现线圈电流的闭环控制；

所述速度外环控制为：采用电压互感器检测线圈电压，得到线圈激磁电压u_coil，连同i_coil及线圈电阻R_coil一起进行磁链计算，得到磁链ψ，将磁链ψ及i_coil送入训练好的接触器嵌入式ANN模型中，输出动铁心的实时位移x，之后采用数值微分进行速度计算得到实时速度v，将v与参考速度v_ref比较，以滞环或PI模式更新电流参考值i_ref。

与现有技术相比，本发明有以下有益效果：本发明以接触器电流闭环控制为基础，引入神经网络技术建立接触器神经网络(ANN)模型：仅通过采集线圈电压及线圈电流即可计算动铁心实时位移，避免了复杂磁路方程的计算；同时由于神经网络强大的非线性拟合能力，本发明模型的建立过程中无需接触器具体的结构及材料参数，更不需要对磁路进行简化处理及非饱和假设，仅通过简单的训练过程即可完成任何接触器模型的构建，从而输出高精度的位移信息；在此基础上构建接触器的速度闭环控制方案，对动铁心的运动速度进行闭环控制，能够有效提高接触器的运行安全性。

附图说明

图1为本发明实施例的系统原理示意图。

图2为本发明实施例的位移与磁链关系示意图。

图3为本发明实施例的神经网络模型原理图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种基于神经网络的接触器速度闭环控制方法，具体包括以下步骤：

步骤S1：采用电流闭环作为基础内环，用以灵活调节接触器的激磁状态；

步骤S2：采集接触器的激磁电压及激磁电流，利用嵌入式ANN模型计算接触器动铁心的实时位移；

步骤S3：利用实时位移信息来计算动铁心的实时速度，构建接触器速度闭环控制。

此外，位移及速度的实时计算，还可以实现接触器常见故障的诊断，如：拒分、拒合、误分、误合故障，甚至包括铁心卡涩等故障的识别，提高接触器的运行安全性。

在本实施例中，所述步骤S2具体包括以下步骤：

步骤S21：采用霍尔电压传感器及霍尔电流传感器对线圈激磁电压、线圈激磁电流进行采样，并采用下式积分得到磁链：

ψ＝∫(u_coil-i_coilR_coil)；

其中，ψ为磁链，u_coil为线圈激磁电压，i_coil为线圈激磁电流，R_coil为线圈电阻；

步骤S22：将步骤S1采集得到的线圈激磁电流以及计算得到的磁链输入ANN模型，在ANN模型的非线性映射下输出准确的动铁心位移x。

在本实施例中，步骤S3中，所述构建接触器速度闭环控制具体包括电流内环控制以及速度外环控制；

所述电流内环控制为：采用电流互感器对线圈电流进行检测，得到线圈激磁电流i_coil，将i_coil与参考电流i_ref比较，以滞环或PI模式更新驱动信号的占空比D_PWM，驱动信号经一隔离电路作用于电磁系统的驱动电路，调节线圈激励电压的导通周期数及占空比，实现线圈电流的闭环控制；

所述速度外环控制为：采用电压互感器检测线圈电压，得到线圈激磁电压u_coil，连同i_coil及线圈电阻R_coil一起进行磁链计算，得到磁链ψ，将磁链ψ及i_coil送入训练好的接触器嵌入式ANN模型中，输出动铁心的实时位移x，之后采用数值微分进行速度计算得到实时速度v，将v与参考速度v_ref比较，以滞环或PI模式更新电流参考值i_ref。

下面进一步对本实施例的原理进行说明，在本实施例中，采用ANSYS建立接触器的结构模型，输入铁磁材料非线性磁化曲线等参数，进行网格剖分，加载磁场边界条件和电流载荷，随后将位移和电流分段并进行循环计算，在每个不同固定位移下加载一系列的电流值(0.5-6A)，得到图2所示位移与磁链的关系。由图2可知：在线圈电流i_coil固定时，磁链ψ随着动铁心位移x的增加而增大，属于单调关系；在x固定时，ψ随着i_coil的增大而增大，亦为单调关系。根据以上单调关系可以得出：每一个特定的(ψ,i_coil)状态对应着唯一的铁心位置，即每一个(ψ,i_coil)对应着唯一的x。但该(ψ,i_coil)至x之间的一一映射关系较为复杂，为高度非线性函数，而神经网络具有良好的非线性拟合能力，在非线性建模领域具有非常重要的应用，因此引入神经网络来解决接触器的非线性建模问题。经以上分析可以确定：接触器ANN模型的输入向量为(ψ,i_coil)，输出向量为x，因此模型输入层具有2个神经网络节点，输出层具有1个节点。

在本实施例中，在接触器ANN模型的训练及验证过程中需采集足够的磁链、线圈电流及动铁心位移数据。线圈电流可以采用霍尔电流传感器测量，铁心位移可以采用基恩士激光位移传感器测量，而磁链信息则较难直接测量。接触器在运动过程中线圈满足电压平衡方程：

式中：u_coil为线圈电压；i_coil为线圈电流；R_coil为线圈电阻。

方程(1)改写成积分形式为：

∫(u_coil-i_coilR_coil)＝ψ (2)

因此，通过采集线圈电压、线圈电流后进行简单的积分计算即可间接得到磁链。最终接触器ANN模型原理如图3所示：通过在线或离线测量的方式获取电磁开关的线圈电阻R_coil，采用霍尔电压传感器及霍尔电流传感器对线圈电压、线圈电流进行采样，之后积分得到磁链，磁链数据及电流数据输入ANN模型，在模型的非线性映射下输出准确的动铁心位移x。在上位机完成接触器ANN模型的训练及验证过程，确定ANN模型各网络节点的连接权值及阈值，之后将其写成模块化的嵌入式语言，进行接触器ANN模型的嵌入式应用。

接触器速度闭环控制原理如图1所示，可分为硬件控制电路及软件控制策略，硬件电路原理为：

交/直流输入电源经整流、滤波后变为脉动较小的直流，之后经线圈驱动电路斩波变成高频方波电压，施加在线圈两端；斩波控制电路由电力电子开关S₁、S₄及快恢复二极管D₂、D₃构成，根据施加在线圈两端的电压极性定义三种电路状态：当S₁、S₄同时导通，正向电压施加在线圈两端，使线圈电流快速上升，定义此时电路状态为+1态；当S₁、S₄同时关断且线圈电流不为零时，线圈电流通过D₂、D₃向滤波电容回馈能量，导致负的电容电压施加在线圈两端，迫使线圈电流快速下降，将接触器电磁系统中的电磁能转换成滤波电容中的电场能，促使接触器快速退磁，定义此时电路状态为-1态；当仅有S₄导通，线圈电流通过D₃、S₄续流时，线圈两端承受负的D₃及S₄管压降，接近0V，线圈电流仅能缓慢下降，定义此时电路状态为0态。接触器的线圈三态驱动电路可以灵活调节电磁系统的激磁状态，为速度闭环控制打下基础；采用电流互感器采样线圈电流，电压互感器采样线圈电压，采用隔离驱动电路来驱动电力电子开关，人机接口负责设置起动及分断过程中的触头速度参考曲线及显示故障状态，ANN模型配置接口负责接收训练好的神经网络参数及线圈电阻值，配置接触器嵌入式ANN模型，最后采用数字控制芯片进行速度闭环控制策略的全数字控制，提高控制策略的灵活性及扩展性。

软件策略从控制结构上可分为电流内环及速度外环。

电流内环：采用电流互感器对线圈电流进行检测，得到i_coil，i_coil与参考电流i_ref比较，以滞环或PI模式更新驱动信号的占空比D_PWM，驱动信号经隔离电路作用于电磁系统驱动电路，调节线圈激励电压的导通周期数及占空比，实现线圈电流的闭环控制。电流闭环可实现线圈激磁状态的快速调节，为其他复杂控制方法的实现提供基础，因此电流闭环可作为基础内环。

速度外环：采用电压互感器检测线圈电压，得到u_coil，连同i_coil及线圈电阻R_coil一起进行磁链计算，得到ψ，ψ及i_coil送入训练好的接触器嵌入式ANN模型中，即可输出动铁心的实时位移x，之后采用数值微分进行速度计算得到实时速度v，v与参考速度v_ref比较，以滞环或PI模式更新电流参考值i_ref，通过对电流参考值的控制来实现速度外环控制电流内环，进而实现对动铁心速度的控制。

软件策略从控制时序上可以分为起动过程、保持过程及分断过程。

起动过程：起动过程中电流内环根据参考电流值，使电路结构在+1态及-1态间动态变化(S₁、S₄开关状态保持一致，都由D_PWM来控制)，进行激磁电流的快速调节；同时加载设置的参考速度曲线，通过速度外环控制电流内环的形式，对接触器起动过程中的动铁心速度进行有效控制；主要控制动静触头闭合时刻的动铁心速度及动静铁心闭合时刻的动铁心速度，可以有效减少接触器起动过程中的一次弹跳及二次弹跳，从而减少起动过程中的触头电弧侵蚀，同时减少起动过程对本体框架造成的冲击，提高接触器的电寿命及机械寿命。

保持过程：保持过程主要以电流内环为主，设置一较低的保持电流参考值，同时S₄置高电平，使电路结构仅在+1态及0态间动态变化，在维持保持电流动态平衡的同时，还可以大大降低开关管的开关次数，取得更好的节能保持效果；在保持过程中，仍然通过嵌入式ANN模型来计算动铁心的实时位移及实时速度，主要用于监测动铁心是否存在预期外的位移及速度变化，用于判断接触器的误分、误合、拒分、拒合及机构卡涩等故障。

分断过程：接触器接到分断指令后，快速将电路结构置为-1态，使接触器电磁系统快速退磁，加快触头分断速度，从而减少分断电弧对触头的侵蚀；在此过程中若触头分断速度过快，对接触器本体框架造成了过大的冲击，可采取在分断过程中分段(可以监测分断过程中动铁心的实时位移，以动静触头刚分时刻为分段点)加入电路0态(S₄置高电平)的方式来降低分断冲击力，既加快了动静触头刚分时刻的速度，同时又减少了对框架造成的冲击，提高接触器的电寿命及机械寿命。

至此，完成了基于神经网络的接触器速度闭环控制过程。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (3)

1.一种基于神经网络的接触器速度闭环控制方法，其特征在于：具体包括以下步骤：

步骤S1：采用电流闭环作为基础内环，用以灵活调节接触器的激磁状态；

步骤S2：采集接触器的激磁电压及激磁电流，利用嵌入式ANN模型计算接触器动铁心的实时位移；

步骤S3：利用实时位移信息来计算动铁心的实时速度，构建接触器速度闭环控制。

2.根据权利要求1所述的一种基于神经网络的接触器速度闭环控制方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：采用霍尔电压传感器及霍尔电流传感器对线圈激磁电压、线圈激磁电流进行采样，并采用下式积分得到磁链：

ψ＝∫(u_coil-i_coilR_coil)；

其中，ψ为磁链，u_coil为线圈激磁电压，i_coil为线圈激磁电流，R_coil为线圈电阻；

步骤S22：将步骤S1采集得到的线圈激磁电流以及计算得到的磁链输入ANN模型，在ANN模型的非线性映射下输出准确的动铁心位移x。

3.根据权利要求1所述的一种基于神经网络的接触器速度闭环控制方法，其特征在于：步骤S3中，所述构建接触器速度闭环控制具体包括电流内环控制以及速度外环控制；

所述电流内环控制为：采用电流互感器对线圈电流进行检测，得到线圈激磁电流i_coil，将i_coil与参考电流i_ref比较，以滞环或PI模式更新驱动信号的占空比D_PWM，驱动信号经一隔离电路作用于电磁系统的驱动电路，调节线圈激励电压的导通周期数及占空比，实现线圈电流的闭环控制；

所述速度外环控制为：采用电压互感器检测线圈电压，得到线圈激磁电压u_coil，连同i_coil及线圈电阻R_coil一起进行磁链计算，得到磁链ψ，将磁链ψ及i_coil送入训练好的接触器嵌入式ANN模型中，输出动铁心的实时位移x，之后采用数值微分进行速度计算得到实时速度v，将v与参考速度v_ref比较，以滞环或PI模式更新电流参考值i_ref。