CN109190302B - 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统 - Google Patents

一种接触器电磁系统机电关系的神经网络分段拟合方法及系统 Download PDF

Info

Publication number
CN109190302B
CN109190302B CN201811187892.5A CN201811187892A CN109190302B CN 109190302 B CN109190302 B CN 109190302B CN 201811187892 A CN201811187892 A CN 201811187892A CN 109190302 B CN109190302 B CN 109190302B
Authority
CN
China
Prior art keywords
air gap
neural network
coil
vector
contactor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811187892.5A
Other languages
English (en)
Other versions
CN109190302A (zh
Inventor
汤龙飞
孙怀懿
韩志平
许志红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201811187892.5A priority Critical patent/CN109190302B/zh
Publication of CN109190302A publication Critical patent/CN109190302A/zh
Application granted granted Critical
Publication of CN109190302B publication Critical patent/CN109190302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
  • Electromagnets (AREA)

Abstract

本发明涉及一种接触器电磁系统机电关系的神经网络分段拟合方法及系统，引入神经网络，以接触器的实际运行数据为样本，利用其电磁参量与机械参量的二元对应关系对电磁系统的机电关系进行神经网络的训练以及神经网络的拟合输出；其中，在神经网络的训练及拟合过程中以接触器动静铁心间的气隙为界限，分别进行大、小气隙下的训练及拟合，以提高神经网络的输出精度。本发明一方面实现了“已知接触器电磁系统的磁链和电流来求得动铁心的位移”，同时也实现了“已知电磁系统的磁链和位移来反求电流”。

Description

一种接触器电磁系统机电关系的神经网络分段拟合方法及 系统
技术领域
本发明涉及接触器领域，特别是一种接触器电磁系统机电关系的神经网络分段拟合方法及系统。
背景技术
接触器广泛应用于各种工业控制系统中，其性能指标直接影响整个系统的安全、稳定，目前对接触器的研究大多集中在智能控制及仿真两个方面。在智能控制领域中，主要有如下控制方案：1、交流接触器高压直流起动、低压直流吸持方案，使交流接触器的激磁方式从交流转变成直流；2、接触器的PWM闭环控制方案，以线圈电压或线圈电流作为反馈，闭环调节电磁机构激磁电压的占空比，使接触器控制方式从开环进入闭环；3、接触器的位移闭环控制方案，根据线圈电压、线圈电流及磁路参数估算动铁芯实时位移，实现位移闭环控制，从而间接控制触头运动速度；4、接触器斜率闭环控制方案，在起动过程中检测运动反电势引起的线圈电流下降斜率，采用斜率外环控制电流内环,从而间接控制触头运动速度，减少触头弹跳。从以上智能控制方案可以看出：直接或间接的控制动铁芯速度可以优化接触器动态过程，提高触头的接通及分断能力。
接触器电磁系统是一个电、磁、力强耦合的非线性系统，目前在动态仿真领域中多采用分离计算的方法：通过有限元方法计算一系列不同的激磁电流及动铁芯位移下电磁机构的磁链及吸力数据，构造插值表格，代入达朗贝尔机械运动方程及控制电路约束方程，完成动态微分方程组的求解，该方法以有限元求解的静态磁场为基础，可归为基于“磁场”的动态仿真方法。此外，还可以采用“磁路”的方法建立接触器参数化的等效磁路模型，给出可以描述接触器动力学行为的动态微分方程组，进而求解该动态微分方程组，实现动态仿真。总结以上动态仿真方法的求解过程可得出：无论“磁场法”还是“磁路法”，接触器动态微分方程组的求解核心为“已知电磁系统的磁链和动铁芯位移反求线圈电流”。
接触器电磁系统每一个特定的(ψ,icoil)向量对应着唯一的铁芯位移x，每一个特定的(ψ,x)向量同样也对应着唯一的线圈电流icoil，这一关系称为电磁系统的二元对应关系。
发明内容
有鉴于此，本发明的目的是提出一种接触器电磁系统机电关系的神经网络分段拟合方法及系统，引入人工神经网络，以接触器的实际运行数据为样本，利用该二元对应关系对电磁系统的机电关系进行拟合，一方面实现了“已知接触器电磁系统的磁链和电流来求得动铁芯的位移”，同时也实现了“已知电磁系统的磁链和位移来反求电流”。
本发明采用以下方案实现：一种接触器电磁系统机电关系的神经网络分段拟合方法，引入神经网络，以接触器的实际运行数据为样本，利用其电磁参量与机械参量的二元对应关系对电磁系统的机电关系进行神经网络的训练以及神经网络的拟合输出；
其中，在神经网络的训练及拟合过程中以接触器动静铁芯间的气隙为界限，分别进行大、小气隙下的训练及拟合，以提高神经网络的输出精度。
进一步地，所述神经网络的训练过程包括以下步骤：
步骤S11：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S12：根据接触器动静铁芯间气隙的大小对神经网络进行分段训练，当动铁芯位移x小于参考位移xref时，对大气隙神经网络程序进行训练；当动铁芯位移x大于参考位移xref时，对小气隙神经网络程序进行训练。
进一步地，步骤S12中，所述对大气隙神经网络程序进行训练具体为：以向量(ψ大气隙、icoil大气隙)作为输入，以向量(x大气隙)作为期望输出，对神经网络的大气隙ANN程序求解位移部分进行训练，建立大气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ大气隙、x大气隙)向量作为输入，以(icoil大气隙)向量作为期望输出，对神经网络的大气隙ANN程序反求电流部分进行训练，建立大气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
进一步地，步骤S12中，所述对小气隙神经网络程序进行训练具体为：以(ψ小气隙、icoil小气隙)向量作为输入，以(x小气隙)向量作为期望输出，对神经网络的小气隙ANN程序求解位移部分进行训练，建立小气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ小气隙、x小气隙)向量作为输入，以(icoil小气隙)向量作为期望输出，对神经网络的小气隙ANN程序反求电流部分进行训练，建立小气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
进一步地，所述神经网络的拟合输出过程具体包括以下步骤：
步骤S21：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S22：根据动静铁芯间气隙的大小对神经网络进行分段拟合，当动铁芯位移x小于参考位移xref时，采用大气隙神经网络程序进行拟合输出；当动铁芯位移x大于参考位移xref时，采用小气隙神经网络程序进行拟合输出；
步骤S23：将神经网络输出的向量(x大气隙)及(x小气隙)在时域上进行数据组合，作为接触器整个动态过程中的位移拟合输出x；将神经网络输出的向量(icoil大气隙)及(icoil小气隙)同样在时域上进行数据组合，作为接触器整个动态过程中的电流拟合输出。
进一步地，步骤S22中，所述采用大气隙神经网络程序进行拟合输出具体为：将(ψ大气隙、icoil大气隙)向量输入到训练好的神经网络的大气隙ANN程序求解位移部分中，输出向量(x大气隙)；将(ψ大气隙、x大气隙)向量输入到训练好的神经网络的大气隙ANN程序反求电流部分中，输出向量(icoil大气隙)。
进一步地，步骤S22中，所述采用小气隙神经网络程序进行拟合输出具体为：将(ψ小气隙、icoil小气隙)向量输入到训练好的神经网络的小气隙ANN程序求解位移部分中，输出向量(x小气隙)；将(ψ小气隙、x小气隙)向量输入到训练好的神经网络的小气隙ANN程序反求电流部分中，输出向量(icoil小气隙)。
本发明还提供了一种基于上文所述的接触器电磁系统机电关系的神经网络分段拟合方法的系统，包括接触器、用以采集接触器线圈电压的霍尔电压传感器、用以采集接触器线圈电流的霍尔电流传感器、用以采集接触器动态运行过程中的动铁芯位移的激光位移传感器、以及上位机；
所述上位机在运行时实现权利要求1中的方法。
与现有技术相比，本发明有以下有益效果：本发明引入人工神经网络(ANN，Artificial Neural Network)，以接触器的实际运行数据为样本，利用该二元对应关系对电磁系统的机电关系进行拟合，一方面实现了“已知接触器电磁系统的磁链和电流来求得动铁芯的位移”，同时也实现了“已知电磁系统的磁链和位移来反求电流”。本发明的拟合方法可以根据实测数据方便、精确的得出任意接触器的固有机电关系，摒弃了传统仿真方法中大量的结构特性及材料特性的建模仿真工作，建模效率高，仿真方法不依赖接触器本体及其激励形式，具有通用性。同时本发明的机电关系拟合方法不仅有助于开发新的接触器位移闭环控制策略，并且也有助于新的动态仿真方法的研究。
附图说明
图1为本发明实施例的原理示意图。
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。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种接触器电磁系统机电关系的神经网络分段拟合方法，引入神经网络，以接触器的实际运行数据为样本，利用其电磁参量与机械参量的二元对应关系对电磁系统的机电关系进行神经网络的训练以及神经网络的拟合输出；
其中，在神经网络的训练及拟合过程中以接触器动静铁芯间的气隙为界限，分别进行大、小气隙下的训练及拟合，以提高神经网络的输出精度。
在本实施例中，所述神经网络的训练过程包括以下步骤：
步骤S11：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S12：根据接触器动静铁芯间气隙的大小对神经网络进行分段训练，当动铁芯位移x小于参考位移xref时，对大气隙神经网络程序进行训练；当动铁芯位移x大于参考位移xref时，对小气隙神经网络程序进行训练。
在本实施例中，步骤S12中，所述对大气隙神经网络程序进行训练具体为：以向量(ψ大气隙、icoil大气隙)作为输入，以向量(x大气隙)作为期望输出，对神经网络的大气隙ANN程序求解位移部分进行训练，建立大气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ大气隙、x大气隙)向量作为输入，以(icoil大气隙)向量作为期望输出，对神经网络的大气隙ANN程序反求电流部分进行训练，建立大气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
在本实施例中，步骤S12中，所述对小气隙神经网络程序进行训练具体为：以(ψ小气隙、icoil小气隙)向量作为输入，以(x小气隙)向量作为期望输出，对神经网络的小气隙ANN程序求解位移部分进行训练，建立小气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ小气隙、x小气隙)向量作为输入，以(icoil小气隙)向量作为期望输出，对神经网络的小气隙ANN程序反求电流部分进行训练，建立小气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
在本实施例中，所述神经网络的拟合输出过程具体包括以下步骤：
步骤S21：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S22：根据动静铁芯间气隙的大小对神经网络进行分段拟合，当动铁芯位移x小于参考位移xref时，采用大气隙神经网络程序进行拟合输出；当动铁芯位移x大于参考位移xref时，采用小气隙神经网络程序进行拟合输出；
步骤S23：将神经网络输出的向量(x大气隙)及(x小气隙)在时域上进行数据组合，作为接触器整个动态过程中的位移拟合输出x；将神经网络输出的向量(icoil大气隙)及(icoil小气隙)同样在时域上进行数据组合，作为接触器整个动态过程中的电流拟合输出。
在本实施例中，步骤S22中，所述采用大气隙神经网络程序进行拟合输出具体为：将(ψ大气隙、icoil大气隙)向量输入到训练好的神经网络的大气隙ANN程序求解位移部分中，输出向量(x大气隙)；将(ψ大气隙、x大气隙)向量输入到训练好的神经网络的大气隙ANN程序反求电流部分中，输出向量(icoil大气隙)。
在本实施例中，步骤S22中，所述采用小气隙神经网络程序进行拟合输出具体为：将(ψ小气隙、icoil小气隙)向量输入到训练好的神经网络的小气隙ANN程序求解位移部分中，输出向量(x小气隙)；将(ψ小气隙、x小气隙)向量输入到训练好的神经网络的小气隙ANN程序反求电流部分中，输出向量(icoil小气隙)。
本实施例还提供了一种基于上文所述的接触器电磁系统机电关系的神经网络分段拟合方法的系统，包括接触器、用以采集接触器线圈电压的霍尔电压传感器、用以采集接触器线圈电流的霍尔电流传感器、用以采集接触器动态运行过程中的动铁芯位移的激光位移传感器、以及上位机；
所述上位机在运行时实现权利要求1中的方法。
如图1所示，图1为本实施例的电磁系统机电关系的神经网络分段拟合原理图。如上文所述，本实施例的工作过程可分为神经网络的训练过程及神经网络的拟合过程。
其中，图1中的过程控制开关闭合则进行神经网络的训练过程，具体如下：
首先采用霍尔电压传感器、霍尔电流传感器对接触器动态运行过程中的线圈电压ucoil、线圈电流icoil进行测量，采用激光位移传感器对动态运行过程中的动铁芯位移x进行测量，之后对以上测量信号进行数据采集，在上位机中得到便于处理的数字信号，采集到的ucoil、icoil配合线圈电阻Rcoil按公式ψ＝∫(ucoil-icoilRcoil)dt进行计算，得到磁链ψ。根据接触器动静铁芯间气隙的大小对神经网络进行分段训练，当位移x小于参考位移xref时，比较器输出低电平，多路电子转换开关切换到大气隙通道，对大气隙ANN程序进行训练：以(ψ大气隙、icoil大气隙)向量作为输入，以(x大气隙)向量作为期望输出，对神经网络“大气隙ANN程序求解位移”进行训练，建立大气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ大气隙、x大气隙)向量作为输入，以(icoil大气隙)向量作为期望输出，对神经网络“大气隙ANN程序反求电流”进行训练，建立大气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
随着接触器动铁芯的运动，当位移x大于参考位移xref时，比较器输出高电平，多路电子转换开关切换到小气隙通道，对小气隙ANN程序进行训练：以(ψ小气隙、icoil小气隙)向量作为输入，以(x小气隙)向量作为期望输出，对神经网络“小气隙ANN程序求解位移”进行训练，建立小气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ小气隙、x小气隙)向量作为输入，以(icoil小气隙)向量作为期望输出，对神经网络“小气隙ANN程序反求电流”进行训练，建立小气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系。
接触器电磁系统的非线性饱和程度及漏磁的影响与动静铁芯间气隙的大小密切相关，以气隙大小为分界线对大、小气隙下的两套神经网络分别进行训练可以获得更高的拟合精度。神经网络在训练过程中仅根据误差值进行内部权值及阈值的调整，不输出位移及电流数据。
其中，神经网络训练完成后，图1中的过程控制开关断开，进行神经网络的拟合过程，具体如下：
采集ucoil、icoil并配合Rcoil计算。根据动静铁芯间气隙的大小对神经网络进行分段拟合，当位移x小于参考位移xref时，比较器输出低电平，多路电子转换开关切换到大气隙通道，采用大气隙ANN程序进行拟合：将(ψ大气隙、icoil大气隙)向量输入到训练好的神经网络“大气隙ANN程序求解位移”中，可以输出向量(x大气隙)；将(ψ大气隙、x大气隙)向量输入到训练好的神经网络“大气隙ANN程序反求电流”中，可以输出向量(icoil大气隙)。
随着接触器动铁芯的运动，当位移x大于参考位移xref时，比较器输出高电平，多路电子转换开关切换到小气隙通道，采用小气隙ANN程序进行拟合：将(ψ小气隙、icoil小气隙)向量输入到训练好的神经网络“小气隙ANN程序求解位移”中，可以输出向量(x小气隙)；将(ψ小气隙、x小气隙)向量输入到训练好的神经网络“小气隙ANN程序反求电流”中，可以输出向量(icoil小气隙)。
神经网络输出的向量(x大气隙)及(x小气隙)在时域上进行数据组合，作为接触器整个动态过程中的位移“拟合输出x”；输出的向量(icoil大气隙)及(icoil小气隙)同样在时域上进行数据组合，作为接触器整个动态过程中的电流“拟合输出icoil”。
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 (4)

1.一种接触器电磁系统机电关系的神经网络分段拟合方法，其特征在于：引入神经网络，以接触器的实际运行数据为样本，利用其电磁参量与机械参量的二元对应关系对电磁系统的机电关系进行神经网络的训练以及神经网络的拟合输出；
其中，在神经网络的训练及拟合过程中以接触器动静铁芯间的气隙为界限，分别进行大、小气隙下的训练及拟合，以提高神经网络的输出精度；
所述神经网络的训练过程包括以下步骤：
步骤S11：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S12：根据接触器动静铁芯间气隙的大小对神经网络进行分段训练，当动铁芯位移x小于参考位移xref时，对大气隙神经网络程序进行训练；当动铁芯位移x大于参考位移xref时，对小气隙神经网络程序进行训练；
步骤S12中，所述对大气隙神经网络程序进行训练具体为：以向量(ψ大气隙、icoil大气隙)作为输入，以向量(x大气隙)作为期望输出，对神经网络的大气隙ANN程序求解位移部分进行训练，建立大气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ大气隙、x大气隙)向量作为输入，以(icoil大气隙)向量作为期望输出，对神经网络的大气隙ANN程序反求电流部分进行训练，建立大气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系；
步骤S12中，所述对小气隙神经网络程序进行训练具体为：以(ψ小气隙、icoil小气隙)向量作为输入，以(x小气隙)向量作为期望输出，对神经网络的小气隙ANN程序求解位移部分进行训练，建立小气隙下接触器电磁系统(ψ,icoil)向量与(x)向量之间精确的非线性映射关系；以(ψ小气隙、x小气隙)向量作为输入，以(icoil小气隙)向量作为期望输出，对神经网络的小气隙ANN程序反求电流部分进行训练，建立小气隙下接触器电磁系统(ψ,x)向量与(icoil)向量之间精确的非线性映射关系；
所述神经网络的拟合输出过程具体包括以下步骤：
步骤S21：采集接触器动态运行过程中的线圈电压ucoil、线圈电流icoil、以及动铁芯位移x，并由下式计算得到磁链ψ：
ψ＝∫(ucoil-icoilRcoil)dt；
式中，Rcoil为线圈电阻；
步骤S22：根据动静铁芯间气隙的大小对神经网络进行分段拟合，当动铁芯位移x小于参考位移xref时，采用大气隙神经网络程序进行拟合输出；当动铁芯位移x大于参考位移xref时，采用小气隙神经网络程序进行拟合输出；
步骤S23：将神经网络输出的向量(x大气隙)及(x小气隙)在时域上进行数据组合，作为接触器整个动态过程中的位移拟合输出x；将神经网络输出的向量(icoil大气隙)及(icoil小气隙)同样在时域上进行数据组合，作为接触器整个动态过程中的电流拟合输出。
2.根据权利要求1所述的一种接触器电磁系统机电关系的神经网络分段拟合方法，其特征在于：步骤S22中，所述采用大气隙神经网络程序进行拟合输出具体为：将(ψ大气隙、icoil大气隙)向量输入到训练好的神经网络的大气隙ANN程序求解位移部分中，输出向量(x大气隙)；将(ψ大气隙、x大气隙)向量输入到训练好的神经网络的大气隙ANN程序反求电流部分中，输出向量(icoil大气隙)。
3.根据权利要求2所述的一种接触器电磁系统机电关系的神经网络分段拟合方法，其特征在于：步骤S22中，所述采用小气隙神经网络程序进行拟合输出具体为：将(ψ小气隙、icoil小气隙)向量输入到训练好的神经网络的小气隙ANN程序求解位移部分中，输出向量(x小气隙)；将(ψ小气隙、x小气隙)向量输入到训练好的神经网络的小气隙ANN程序反求电流部分中，输出向量(icoil小气隙)。
4.一种基于权利要求1至3任一项所述的接触器电磁系统机电关系的神经网络分段拟合方法的系统，其特征在于：包括接触器、用以采集接触器线圈电压的霍尔电压传感器、用以采集接触器线圈电流的霍尔电流传感器、用以采集接触器动态运行过程中的动铁芯位移的激光位移传感器、以及上位机；
所述上位机在运行时实现权利要求1中的方法。
CN201811187892.5A 2018-10-12 2018-10-12 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统 Active CN109190302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811187892.5A CN109190302B (zh) 2018-10-12 2018-10-12 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811187892.5A CN109190302B (zh) 2018-10-12 2018-10-12 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统

Publications (2)

Publication Number Publication Date
CN109190302A CN109190302A (zh) 2019-01-11
CN109190302B true CN109190302B (zh) 2022-05-31

Family

ID=64948103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811187892.5A Active CN109190302B (zh) 2018-10-12 2018-10-12 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统

Country Status (1)

Country Link
CN (1) CN109190302B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712846B (zh) * 2019-01-31 2020-04-10 福州大学 一种电磁机构磁链闭环控制方法
CN112068053B (zh) * 2020-09-18 2021-09-24 福州大学 电磁开关操动机构磁链及吸力特性间接测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951664A (zh) * 2017-04-26 2017-07-14 福州大学 一种接触器的自动建模及硬件在环仿真方法
CN106950855A (zh) * 2017-04-26 2017-07-14 福州大学 基于神经网络的智能接触器一体化动态仿真方法
CN106952782A (zh) * 2017-04-19 2017-07-14 福州大学 基于神经网络的接触器速度闭环控制方法
CN107239633A (zh) * 2017-06-22 2017-10-10 福州大学 一种智能接触器动态模型的自动构建方法
CN108416169A (zh) * 2018-03-30 2018-08-17 福州大学 一种接触器触头系统带载多物理场耦合仿真优化设计系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9195656B2 (en) * 2013-12-30 2015-11-24 Google Inc. Multilingual prosody generation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952782A (zh) * 2017-04-19 2017-07-14 福州大学 基于神经网络的接触器速度闭环控制方法
CN106951664A (zh) * 2017-04-26 2017-07-14 福州大学 一种接触器的自动建模及硬件在环仿真方法
CN106950855A (zh) * 2017-04-26 2017-07-14 福州大学 基于神经网络的智能接触器一体化动态仿真方法
CN107239633A (zh) * 2017-06-22 2017-10-10 福州大学 一种智能接触器动态模型的自动构建方法
CN108416169A (zh) * 2018-03-30 2018-08-17 福州大学 一种接触器触头系统带载多物理场耦合仿真优化设计系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
永磁式涡流缓速器电磁特性与制动性能研究;赵小波;《万方数据学位论文库》;20160329;第1-172页 *

Also Published As

Publication number Publication date
CN109190302A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190302B (zh) 一种接触器电磁系统机电关系的神经网络分段拟合方法及系统
Hirai et al. Study on intelligent battery charging using inductive transmission of power and information
CN105224754B (zh) 一种基于插值补偿电流开关模型的电力电子仿真方法
CN106952782B (zh) 基于神经网络的接触器速度闭环控制方法
ATE437444T1 (de) Verfahren zum feststellen von kontaktverschleiss eines elektrischen gerätes
CN105893701B (zh) 一种基于温度补偿矩阵的电磁机构动态特性的计算方法
He et al. Study of sliding mode control for DC-DC converters
CN103956953B (zh) 基于滑模观测器的无刷直流电机状态估计方法
CN108695996A (zh) 基于Buck环节的无线电能传输系统滑模控制方法
CN107239633B (zh) 一种智能接触器动态模型的自动构建方法
CN111044956B (zh) 一种磁滞损耗的估算方法
CN203352193U (zh) 真空断路器选相操作智能控制器
CN103354417A (zh) 带峰值电流补偿的恒流控制电路及开关电源
CN112068053B (zh) 电磁开关操动机构磁链及吸力特性间接测量方法
Dong et al. Experimental research on speed control of vacuum breaker
CN203101609U (zh) 铁磁材料磁滞回线的自动测量装置
Kang et al. Dynamic behavior analysis of permanent magnetic actuator in vacuum circuit breaker
Kabanov Optimal control of mobile robot’s trajectory movement
CN113268868B (zh) 一种电磁开关的全过程动铁心位移估计方法
CN104113248B (zh) 双凸极发电机电压调节控制方法
CN110795862B (zh) 基于线圈电流的开关电器动态特性计算方法
CN110045677A (zh) 一种麦克斯韦快刀伺服轨迹跟踪控制方法
CN102934179B (zh) 包含位置控制部件的电磁致动器及使用这种致动器的方法
CN109346379B (zh) 一种基于运动反电势估算的接触器闭环控制方法及系统
Banerjee et al. Analysis, design, fabrication and testing of three actuators based electromagnetic levitation system for vehicle applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant