CN114543646A - 转子位移信号角度估计方法、装置、介质及轴承控制器 - Google Patents
转子位移信号角度估计方法、装置、介质及轴承控制器 Download PDFInfo
- Publication number
- CN114543646A CN114543646A CN202210027720.1A CN202210027720A CN114543646A CN 114543646 A CN114543646 A CN 114543646A CN 202210027720 A CN202210027720 A CN 202210027720A CN 114543646 A CN114543646 A CN 114543646A
- Authority
- CN
- China
- Prior art keywords
- displacement
- signal
- displacement signal
- rotor displacement
- rotor
- 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.)
- Granted
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 239000000725 suspension Substances 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 239000013598 vector Substances 0.000 description 8
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000005674 electromagnetic induction Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本发明提供一种磁悬浮轴承转子位移信号角度估计方法、装置、介质及轴承控制器,所述方法包括:获取位移传感器检测的所述磁悬浮轴承的转子位移信号;根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。本发明提供的方案能够实现稀疏贝叶斯学习对于转子位移的估计,解决信噪比低和样本小等条件下转子位移信号的处理问题。
Description
技术领域
本发明涉及控制领域,尤其涉及一种磁悬浮轴承转子位移信号角度估计方法、装置、存储介质及轴承控制器。
背景技术
随着新型电磁感应位移传感器的发展,磁轴承系统转子位移信号的获取不再是一个挑战。电磁感应耦合位移传感器通过LC谐振器与收发天线电磁耦合实现位移测量的传感技术,是基于电感式位移传感器原理的革新技术,对于磁轴承系统转子位移信号的处理则顺应成为磁轴承系统发展中不可或缺的一部分。目前,磁悬浮轴承系统所使用的位移传感器一般是无接触的电涡流式传感器,只能实现获取到位移信号,进而判断转子位置是否需要控制。
发明内容
本发明的主要目的在于克服上述相关技术的缺陷,提供一种磁悬浮轴承转子位移信号角度估计方法、装置、存储介质及轴承控制器,以解决相关技术只能实现获取到位移信号,判断转子位置是否需要控制的问题。
本发明一方面提供了一种磁悬浮轴承转子位移信号角度估计方法,包括:获取位移传感器检测的所述磁悬浮轴承的转子位移信号;根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
可选地,还包括:将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。
可选地,根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值,包括:将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示;对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度;基于初始化的超参数利用 EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛;根据均值估计得到转子位移估计值。
可选地,初始化超参数,包括:假设信号方差服从独立的伽马分布,得到信号方差的伽马分布函数,作为初始化超参数;假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
本发明另一方面提供了一种磁悬浮轴承转子位移信号角度估计装置,包括:获取单元,用于获取位移传感器检测的所述磁悬浮轴承的转子位移信号;估计单元,用于根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
可选地,还包括:确定单元,用于将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。
可选地,所述估计单元,根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值,包括:
将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示;对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度;基于初始化的超参数利用EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛;根据均值估计得到转子位移估计值。
可选地,所述估计单元,初始化超参数,包括:假设信号方差服从独立的伽马分布,得到信号方差的伽马分布函数,作为初始化超参数;假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
本发明又一方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明再一方面提供了一种轴承控制器,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。所述轴承控制器具体可以为磁悬浮轴承控制器。
本发明再一方面提供了一种轴承控制器,包括前述任一所述的磁悬浮轴承转子位移信号角度估计装置。
根据本发明的技术方案,将转子位移信号角度估计的问题转换成稀疏贝叶斯学习算法的问题,通过稀疏信号模型进行稀疏贝叶斯推导,突破了稀疏重构方法在强转子位移信号分量下所受的性能局限性,实现了稀疏贝叶斯学习对于转子位移的估计算法,在根本上解决信噪比低和样本小等条件下转子位移信号的处理难点。进一步的,通过判断所估计的转子位移信号值与位移传感器直接获取的位移值的匹配度,判断通过估计值得到的位置是否为位移传感器直接检测到的位置,自动检测位移传感器是否故障,提高了磁轴承控制系统的可靠性能。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的磁悬浮轴承转子位移信号角度估计方法的一实施例的方法示意图;
图2示出了根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计的步骤的一具体实施方式的流程图;
图3是本发明提供的磁悬浮轴承转子位移信号角度估计方法的一具体实施例的方法示意图;
图4是本发明提供的磁悬浮轴承转子位移信号角度估计装置的一实施例的结构框图;
图5示出了MUSIC算法和SBL算法的空间谱对比图;
图6示出了MUSIC、ESPRIT和SBL均方根误差随信噪比变化对比图;
图7示出了MUSIC、ESPRIT和SBL均方根误差随快拍数变化对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种磁悬浮轴承转子位移信号角度估计方法。该方法可以在磁悬浮轴承的轴承控制器中实施,例如作为控制程序运行在磁轴承控制芯片DSP上。
图1是本发明提供的磁悬浮轴承转子位移信号角度估计方法的一实施例的方法示意图。
如图1所示,根据本发明的一个实施例,所述转子位移信号角度估计方法至少包括步骤S110和步骤S130。
步骤S110,获取位移传感器采集的所述磁悬浮轴承系统的转子位移信号。
所述位移传感器具体可以为电磁感应耦合位移传感器。磁轴承系统设有多个位移传感器,多个位移传感器构成传感器组。
步骤S120,根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
利用稀疏贝叶斯学习(SBL)进行转子位移信号角度估计的基本原理为:假设位移传感器检测的转子位移数据服从一定的先验分布,建立估计模型,用线性叠加的方式表示转子位移数据,用一组位移信号表示基位移信号的线性组合,重构原始位移信号。
假设位移传感器检测的转子位移信号样本信息集X有n个样本,且相互独立:
X={X1,X2,…,Xn}
①记概率密度函数为p(x;θ),θ的概率分布为p(θ),称其为未知参数θ的先验分布。
②根据联合概率密度函数:
p(x,θ)=p(x|θ)p(θ)
给出未知参数θ时,θ的后验概率密度函数为:
上式反应了从先验分布到后验分布的转换,称p(θ|x)为未知参数θ的后验分布。
假设未知参数θ为随机参数,确定θ的先验分布为p(θ),在样本信息集X={X1,X2,…,Xn}中得到样本联合分布函数p(X|θ):
根据贝叶斯公式求出后验密度函数p(θ|X):
最后求解贝叶斯参数θ的估计量:
图2示出了根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计的步骤的一具体实施方式的流程图。如图2所示,步骤S120具体包括步骤S121、步骤S122、步骤S123和步骤S124。
步骤S121,将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示。
位移传感器组的输出是位移信号阵列。磁轴承系统需多个位移传感器,多个传感器构成传感器组。每个传感器分别输出位移信号,多个位移信号构成了一个位移信号阵列。
位移传感器组的输出的位移信号用矩阵形式可表示成:
X(t)=A(θ)S(t)+N(t)t=1,2,…,T
具体地,A(θ)为传感器组导向矢量矩阵,由各个传感器对各位移信号的增益组成;N(t)为传感器组接收到的均匀噪声矢量,即所有位移传感器接收到的噪声功率相等;为从空间不同的角度入射到传感器的转子位移信号组成的位移信号矢量;X(t)为传感器组中各个传感器在第t个时刻的转子位移信号数据的输出。
为了把转子位移信号角度估计(DOA)的问题转化为稀疏贝叶斯表示的问题,我们设是均匀覆盖转子位移信号角度估计(DOA)范围的固定采样网格,其中表示网格数。如果网格足够细,使得实际的转子位移信号角度估计(DOA)恰好位于或接近于网格上,那么可以使用信号模型对X(t)进行表示,得到稀疏位移信号模型为:
步骤S122,对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度。
利用稀疏贝叶斯学习(SBL)进行转子位移信号角度估计,首先需要对稀疏位移信号模型进行先验假设。
(1)假设信号方差服从复高斯分布,得到信号方差的初始化超参数。
利用稀疏贝叶斯学习(SBL)理论,假设位移传感器组中所有传感器接收到的噪声相互独立。
假设传感器在每一个t时刻位移信号数据x(t)服从均值为A(t)s(t),方差为β-1I的复高斯分布。
然而,由于β通常未知,为便于分析,假设其服从参数为i、j的伽马分布p(β)=Gamma(β|i,j),其中i、j为趋于零的常数(也可近似为 i=j=10-4)。
其中,ρ通常为一个小的正常数(例如:ρ=0.01)。
(2)假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
假设位移传感器组接收到的噪声为圆对称复高斯噪声,则有:
其中,β表示噪声精度,σ2为噪声的方差,xt表示X(t)的第t列。通常,β是未知的,将其建模为一个服从伽马分布的超参数p(β)=Γ(β;a,b),其中,a,b通常被设置为接近于0的常数,即a,b→0。
步骤S123,基于初始化的超参数利用EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛。
由于无法明确计算因此使用EM算法进行贝叶斯推理。EM算法分为步骤E和步骤M:步骤E是对目标位移信号求期望;步骤M是最大化期望,从而得到相应的转子位移信号参数估计。EM算法的原理是不断地对函数构造下界;或等价地,先进行E步:再进行M步:优化该下界。
其中,∑为方差,δt为均值;
于是,超参数η和β的更新公式分别为:
步骤S124,根据均值估计得到转子位移估计值。
进一步地,在得到的所述转子位移估计值后,还可以包括:将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。具体地,将得到的转子位移估计值与位移传感器检测的转子位移检测值进行比较,若转子位移估计值与位移传感器检测的转子位移检测值匹配,则确定相应的位移传感器无故障,否则,确定相应的位移传感器发生故障。其中,可以比较转子位移估计值与位移传感器检测的转子位移检测值的偏差是否在可允许的范围内,若在范围内,则认为匹配。
图3是本发明提供的磁悬浮轴承转子位移信号角度估计方法的一具体实施例的方法示意图。如图3所示,基于SBL的转子位移信号角度估计、优化转子定位、评估位移传感器故障步骤:
步骤S1,获取位移信号。
步骤S2,初始化超参数η和β。
步骤S3,进行迭代计算。
步骤S4,计算均值和方差矩阵。
步骤S5,更新超参数η和β。
步骤S6,判断超参数η是否收敛,若是,执行步骤S7;若否,返回步骤S4,直到超参数η收敛。
步骤S8,确定转子位移量。
步骤S9,转子位移量与传感器检测的位移值进行匹配;
步骤S10,若匹配,则确定无影响,若匹配,则确定位移传感器发生故障。
本发明还提供一种磁悬浮轴承转子位移信号角度估计装置。该装置可以在磁悬浮轴承的轴承控制器中实施,例如作为控制程序运行在磁轴承控制芯片DSP上。
图4是本发明提供的磁悬浮轴承转子位移信号角度估计装置的一实施例的结构框图。如图4所示,所述转子位移信号角度估计装置100包括获取单元110和估计单元120。
获取单元110用于获取位移传感器检测的所述磁悬浮轴承的转子位移信号。
所述位移传感器具体可以为电磁感应耦合位移传感器。磁轴承系统设有多个位移传感器,多个位移传感器构成传感器组。
估计单元120用于根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
利用稀疏贝叶斯学习(SBL)进行转子位移信号角度估计的基本原理为:假设位移传感器检测的转子位移数据服从一定的先验分布,建立估计模型,用线性叠加的方式表示转子位移数据,用一组位移信号表示基位移信号的线性组合,重构原始位移信号。
假设位移传感器检测的转子位移信号样本信息集X有n个样本,且相互独立:
X={X1,X2,…,Xn}
①记概率密度函数为p(x;θ),θ的概率分布为p(θ),称其为未知参数θ的先验分布。
②根据联合概率密度函数:
p(x,θ)=p(x|θ)p(θ)
给出未知参数θ时,θ的后验概率密度函数为:
上式反应了从先验分布到后验分布的转换,称p(θ|x)为未知参数θ的后验分布。
假设未知参数θ为随机参数,确定θ的先验分布为p(θ),在样本信息集X={X1,X2,…,Xn}中得到样本联合分布函数p(X|θ):
根据贝叶斯公式求出后验密度函数p(θ|X):
最后求解贝叶斯参数θ的估计量:
图2示出了估计单元根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计的步骤的一具体实施方式的流程图。
如图2所示,估计单元根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计具体包括步骤S121、步骤S122、步骤 S123和步骤S124。
步骤S121,将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示。
位移传感器组的输出是位移信号阵列。磁轴承系统需多个位移传感器,多个传感器构成传感器组。每个传感器分别输出位移信号,多个位移信号构成了一个位移信号阵列。
位移传感器组的输出的位移信号用矩阵形式可表示成:
X(t)=A(θ)S(t)+N(t)t=1,2,…,T
具体地,A(θ)为传感器组导向矢量矩阵,由各个传感器对各位移信号的增益组成;N(t)为传感器组接收到的均匀噪声矢量,即所有位移传感器接收到的噪声功率相等;为从空间不同的角度入射到传感器的转子位移信号组成的位移信号矢量;X(t)为传感器组中各个传感器在第t个时刻的转子位移信号数据的输出。
为了把转子位移信号角度估计(DOA)的问题转化为稀疏贝叶斯表示的问题,我们设是均匀覆盖转子位移信号角度估计(DOA)范围的固定采样网格,其中表示网格数。如果网格足够细,使得实际的转子位移信号角度估计(DOA)恰好位于或接近于网格上,那么可以使用信号模型对X(t)进行表示,得到稀疏位移信号模型为:
步骤S122,对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度。
利用稀疏贝叶斯学习(SBL)进行转子位移信号角度估计,首先需要对稀疏位移信号模型进行先验假设。
(1)假设信号方差服从复高斯分布,得到信号方差的伽马分布函数,作为初始化超参数。
利用稀疏贝叶斯学习(SBL)理论,假设位移传感器组中所有传感器接收到的噪声相互独立。
假设传感器在每一个t时刻位移信号数据x(t)服从均值为A(t)s(t),方差为β-1I的复高斯分布。
然而,由于β通常未知,为便于分析,假设其服从参数为i、j的伽马分布p(β)=Gamma(β|i,j),其中i、j为趋于零的常数(也可近似为 i=j=10-4)。
其中,ρ通常为一个小的正常数(例如:ρ=0.01)。
(2)假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
假设位移传感器组接收到的噪声为圆对称复高斯噪声,则有:
其中,β表示噪声精度,σ2为噪声的方差,xt表示X(t)的第t列。通常,β是未知的,将其建模为一个服从伽马分布的超参数p(β)=Γ(β;a,b),其中,a,b通常被设置为接近于0的常数,即a,b→0。
步骤S123,基于初始化的超参数利用EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛。
其中,∑为方差,δt为均值;
于是,超参数η和β的更新公式分别为:
步骤S124,根据均值估计得到转子位移估计值。
进一步地,所述装置100还可以包括确定单元(图未示),用于将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。
具体地,将得到的转子位移估计值与位移传感器检测的转子位移检测值进行比较,若转子位移估计值与位移传感器检测的转子位移检测值匹配,则确定相应的位移传感器无故障,否则,确定相应的位移传感器发生故障。
下面通过仿真分析验证本发明中所提到的SBL算法性能。
为了便于各个算法估计性能之间的比较,假设已知位移传感器获取的位移信号个数,转子位移目标信号角度DOA取[-10°,20°,40°],采用1°的网格间距进行划分。
①MUSIC算法与SBL算法空间谱对比:
空间谱图的主瓣指向所我们所感兴趣的方向,从而达到对感兴趣的位移目标信号进行增强,对无用的位移信号和噪声进行抑制的目的。因此,拥有更尖锐的主瓣表明其拥有更高的分辨率,即拥有更高的估计性能。
图5示出了MUSIC算法和SBL算法的空间谱对比图。如图5所示,该实验中的传感器个数为8,信噪比为0,快拍数为200。
结果可见,在转子位移目标信号角度DOA=[-10°、20°、40°]方向上,两个算法的仿真实验中都有峰值的呈现,表示二者都对位移信号角度具有一定的估计性能。但在相同角度估计方向上时,SBL算法的主瓣更为锋利,旁瓣也更低,表明SBL算法的估计性能比MUSIC算法更好。
②信噪比对转子位移信号角度估计性能的影响:
信噪比定义为位移信号与噪声的比,代表了转子位移信号角度估计性能是否优越。在同一算法中,信噪比的值越大表征算法的角度估计估计性能越好。使用均方根值RMS来分析空间中的噪声,使用均方根误差 RMSE来反应测量精密度,作为转子位移信号角度估计的衡量标准,均方根误差RMSE定义为:
其中,P为位移传感器个数,q为第q个位移传感器,θq为第q个位移传感器的真实位移信号角度估计数值,L为蒙特卡洛(独立重复)仿真实验次数,p为第p次蒙特卡洛仿真实验,为第p次蒙特卡洛仿真实验中第q个位移传感器的估计位移信号角度估计数值。均方根误差的值越小表征算法的位移信号角度估计性能越好。
为验证SBL算法的优势,进行了仿真对比,图6示出了MUSIC、ESPRIT 和SBL均方根误差随信噪比变化对比图。其中,1为SBL算法均方根误差随信噪比变化曲线,2为MUSIC算法均方根误差随信噪比变化曲线,3为 ESPRIT算法均方根误差随信噪比变化曲线。图6所示。该实验中的蒙特卡洛仿真次数为200,位移传感器个数为8,快拍数为30,信噪比SNR取 [-10、-5、0、5、10]。
结果可见,对于三个算法,在转子位移信号角度估计DOA=[-10°、20°、 40°]方向上,SBL、MUSIC和ESPRIT算法都对位移信号角度具有一定的估计性能。在相同信噪比下,SBL算法对应的均方根误差数值<MUSIC算法的数值<ESPRIT算法的数值,表明SBL算法性能最好,其次是MUSIC算法,ESPRIT算法最差。在同一算法中,信噪比越大算法测得结果均方根误差越小,性能也越好。
③快拍数对转子位移信号角度估计性能的影响:
快拍数表示在时域上采样的点数,对所有的位移传感器进行一次扫描即快拍数为1。在同一算法中,快拍数越大表明算法测得结果均方根误差越小,算法的性能也就越好。
为验证SBL算法的优势,进行了仿真对比,图7示出了MUSIC、ESPRIT 和SBL均方根误差随快拍数变化对比图。其中,1为SBL算法均方根误差随快拍数变化曲线,2为MUSIC算法均方根误差随快拍数变化曲线,3为 ESPRIT算法均方根误差随快拍数变化曲线。如图7所示。该实验中的蒙特卡洛仿真次数为200,传感器个数为8,快拍数为[50、100、150、200、250],信噪比取0。
结果可见,对于三个算法,在转子位移信号角度估计DOA=[-10°、20°、 40°]方向上,相较于SBL,MUSIC和ESPRIT算法性能较为接近。在相同快拍数下,SBL算法对应的均方根误差数值<MUSIC算法的数值<ESPRIT 算法的数值,表明SBL算法性能最好,其次是MUSIC算法,ESPRIT算法最差。在同一算法中,快拍数越大算法测得结果均方根误差越小,性能也越好。
本发明还提供对应于所述磁悬浮轴承转子位移信号角度估计方法的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明还提供对应于所述磁悬浮轴承转子位移信号角度估计方法的一种轴承控制器,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。所述轴承控制器具体可以为磁悬浮轴承控制器。
本发明还提供对应于所述磁悬浮轴承转子位移信号角度估计装置的一种轴承控制器,包括前述任一所述的磁悬浮轴承转子位移信号角度估计装置。所述轴承控制器具体可以为磁悬浮轴承控制器。
据此,本发明提供的方案,将转子位移信号角度估计的问题转换成稀疏贝叶斯学习算法的问题,通过稀疏信号模型进行稀疏贝叶斯推导,突破了稀疏重构方法在强转子位移信号分量下所受的性能局限性,实现了稀疏贝叶斯学习对于转子位移的估计算法,在根本上解决信噪比低和样本小等条件下转子位移信号的处理难点。进一步的,通过判断所估计的转子位移信号值与位移传感器直接获取的位移值的匹配度,判断通过估计值得到的位置是否为位移传感器直接检测到的位置,自动检测位移传感器是否故障,提高了磁轴承控制系统的可靠性能。
有效避免了仅使用先验分布而缺乏样本信息进行参数估计所造成的主观偏见,同时又避免了仅根据后验分布进行参数估计所产生的噪声影响,还能避免缺少样本信息时进行盲目的搜索。计算效率高,打破了稀疏重构方法在强位移信号分量下所受的性能局限性;即使观测的位移信号数据量很少也能获得转子位置信息重构和特征提取效果;在高信噪比条件下也能够准确恢复各个位移信号分量;能够自动检测位移传感器是否故障,提高了磁轴承控制系统的可靠性能。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为控制装置的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备 (可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM, Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种磁悬浮轴承转子位移信号角度估计方法,其特征在于,包括:
获取位移传感器检测的所述磁悬浮轴承的转子位移信号;
根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
2.根据权利要求1所述的方法,其特征在于,还包括:
将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。
3.根据权利要求1或2所述的方法,其特征在于,根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值,包括:
将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示;
对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度;
基于初始化的超参数利用EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛;
根据均值估计得到转子位移估计值。
4.根据权利要求3所述的方法,其特征在于,初始化超参数,包括:
假设信号方差服从复高斯分布,得到信号方差的伽马分布函数,作为初始化超参数;
假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
5.一种磁悬浮轴承转子位移信号角度估计装置,其特征在于,包括:
获取单元,用于获取位移传感器检测的所述磁悬浮轴承的转子位移信号;
估计单元,用于根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值。
6.根据权利要求5所述的装置,其特征在于,还包括:
确定单元,用于将得到的所述转子位移估计值与位移传感器检测的转子位移检测值进行比较,确定位移传感器是否故障。
7.根据权利要求5或6所述的装置,其特征在于,所述估计单元,根据获取的转子位移信号利用稀疏贝叶斯学习算法进行转子位移信号角度估计,以得到转子位移估计值,包括:
将获取的转子位移信号表示为位移信号矩阵,并将所述位移信号矩阵通过稀疏位移信号模型进行表示;
对所述稀疏位移信号模型进行先验假设,并初始化超参数,所述超参数包括:信号方差和噪声精度;
基于初始化的超参数利用EM算法进行迭代运算,以对超参数进行更新,直到所述信号方差收敛;
根据均值估计得到转子位移估计值。
8.根据权利要求7所述的装置,其特征在于,所述估计单元,初始化超参数,包括:
假设信号方差服从独立的伽马分布,得到信号方差的伽马分布函数,作为初始化超参数;
假设位移传感器接收到的位移信号的噪声为圆对称复高斯噪声,将其噪声精度建模为服从伽马分布的超参数。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1-4任一所述方法的步骤。
10.一种轴承控制器,其特征在于,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-4任一所述方法的步骤,或者,包括如权利要求5-8任一所述的磁悬浮轴承转子位移信号角度估计装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027720.1A CN114543646B (zh) | 2022-01-11 | 2022-01-11 | 转子位移信号角度估计方法、装置、介质及轴承控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210027720.1A CN114543646B (zh) | 2022-01-11 | 2022-01-11 | 转子位移信号角度估计方法、装置、介质及轴承控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114543646A true CN114543646A (zh) | 2022-05-27 |
CN114543646B CN114543646B (zh) | 2023-06-09 |
Family
ID=81669123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210027720.1A Active CN114543646B (zh) | 2022-01-11 | 2022-01-11 | 转子位移信号角度估计方法、装置、介质及轴承控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114543646B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
AR083960A1 (es) * | 2011-11-23 | 2013-04-10 | Marcelo Arturo Markous | Dispositivo estabilizador de embarcaciones y metodo de aplicacion del mismo |
CN103863124A (zh) * | 2012-12-14 | 2014-06-18 | 雅马哈发动机株式会社 | 驱动单元以及电动辅助自行车 |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
CN105904012A (zh) * | 2016-04-28 | 2016-08-31 | 华中科技大学 | 一种带有形变实时补偿的薄壁件铣削系统 |
CN109029243A (zh) * | 2018-07-04 | 2018-12-18 | 南京理工大学 | 一种改进的农机作业面积测量终端和方法 |
CN109752710A (zh) * | 2019-01-07 | 2019-05-14 | 中国人民解放军国防科技大学 | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 |
CN110008520A (zh) * | 2019-03-11 | 2019-07-12 | 暨南大学 | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 |
CN112511061A (zh) * | 2020-09-16 | 2021-03-16 | 北京理工华创电动车技术有限公司 | 一种转子位置传感器故障检测及容错控制方法及系统 |
-
2022
- 2022-01-11 CN CN202210027720.1A patent/CN114543646B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AR083960A1 (es) * | 2011-11-23 | 2013-04-10 | Marcelo Arturo Markous | Dispositivo estabilizador de embarcaciones y metodo de aplicacion del mismo |
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
CN103863124A (zh) * | 2012-12-14 | 2014-06-18 | 雅马哈发动机株式会社 | 驱动单元以及电动辅助自行车 |
CN104537249A (zh) * | 2015-01-04 | 2015-04-22 | 西安电子科技大学 | 基于稀疏贝叶斯学习的波达方向角估计方法 |
CN105904012A (zh) * | 2016-04-28 | 2016-08-31 | 华中科技大学 | 一种带有形变实时补偿的薄壁件铣削系统 |
CN109029243A (zh) * | 2018-07-04 | 2018-12-18 | 南京理工大学 | 一种改进的农机作业面积测量终端和方法 |
CN109752710A (zh) * | 2019-01-07 | 2019-05-14 | 中国人民解放军国防科技大学 | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 |
CN110008520A (zh) * | 2019-03-11 | 2019-07-12 | 暨南大学 | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 |
CN112511061A (zh) * | 2020-09-16 | 2021-03-16 | 北京理工华创电动车技术有限公司 | 一种转子位置传感器故障检测及容错控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114543646B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105717505B (zh) | 利用传感网进行多目标跟踪的数据关联方法 | |
Zhao et al. | An improved auto-calibration algorithm based on sparse Bayesian learning framework | |
Yang et al. | Knowledge‐aided STAP with sparse‐recovery by exploiting spatio‐temporal sparsity | |
CN101419252B (zh) | 调制特征触发器 | |
CN106501765B (zh) | 一种基于平方和与半定规划的最大似然波达方向估计方法 | |
CN107870314B (zh) | 基于极化敏感阵列的完备电磁分量加权融合测向优化方法 | |
CN111257845B (zh) | 一种基于近似消息传递的不在网格目标角度估计方法 | |
CN107703496A (zh) | 一种交互式多模伯努利滤波的机动弱目标检测前跟踪方法 | |
CN107994885A (zh) | 一种同时估计未知输入和状态的分布式融合滤波方法 | |
CN113438731B (zh) | 一种基于信号质量控制与特征指纹增强的定位方法及系统 | |
CN104142496A (zh) | 基于连通域划分的统计mimo雷达多目标定位方法 | |
CN115015907B (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
CN107071898A (zh) | 移动通信信号源数据域直接位置估计方法及其装置 | |
Marinho et al. | A signal adaptive array interpolation approach with reduced transformation bias for DOA estimation of highly correlated signals | |
CN104155653B (zh) | 一种基于特征距离子空间的sar后向投影成像方法 | |
Li et al. | Drift detection and calibration of sensor networks | |
CN117650861B (zh) | 无线环境预测方法和装置、电子设备及存储介质 | |
CN117331027B (zh) | 一种基于子空间匹配度量的声源数估计方法及系统 | |
CN105242236B (zh) | 宽带信号超分辨测向中的阵元位置误差校正方法 | |
CN109407051A (zh) | 凸优化融合图论的广义秩目标传感网时空数据定位方法 | |
CN114543646A (zh) | 转子位移信号角度估计方法、装置、介质及轴承控制器 | |
CN116643251A (zh) | 非均匀杂波环境中的宽带雷达运动目标检测方法 | |
CN109752633B (zh) | 一种对变电站局部放电信号进行定位的方法及系统 | |
CN206292389U (zh) | 一种移动目标的定位系统 | |
CN105303009A (zh) | 基于压缩感知与正则mfocuss的超分辨谱估计方法 |
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 |