CN114938172B - 基于数据驱动的电机牵引力、法向力解耦智能控制方法 - Google Patents

Abstract

本发明提供了一种基于数据驱动的电机牵引力、法向力解耦智能控制方法，包括以下步骤：步骤S1，灰箱建模法构建直线感应电机预测模型；步骤S2，根据反馈校正对直线感应电机预测模型进行更新；步骤S3，根据速度闭环计算出直线感应电机牵引力给定；步骤S4，根据间隙闭环计算出直线感应电机法向力给定；步骤S5，根据直线感应电机的牵引力和法向力观测的实际值与给定值确定参考轨迹；步骤S6，最小化代价函数输出电流目标值。本发明通过输出目标电流值，合理分配法向力和牵引力输出，充分利用法向力对磁浮列车悬浮高度的影响，解决了磁浮列车因为悬浮高度变化而产生的安全隐患问题，保证了磁浮列车的安全性能与控制性能。

Description

基于数据驱动的电机牵引力、法向力解耦智能控制方法

技术领域

本发明涉及磁浮列车悬浮高度控制技术领域，特别是涉及基于数据驱动的电机牵引力、法向力解耦智能控制方法。

背景技术

直线感应电机与旋转感应电机相似，可看作沿着旋转感应电机(RIM)的径向剖开，然后将剖开的圆周展成直线，便形成了直线感应电机(LIM)的基本电磁结构，因两端铁心开断，LIM的电磁结构不再像RIM那样具有对称性；开断的铁心及磁路会在运行过程中引起边端效应，进而恶化电机运行性能，具体表现为：电机运行过程中入端感应出的涡流会抑制气隙磁场的建立，从而导致其互感的变化较为明显。

当采用单边直线感应电机作为直线运动的动力源时，初级与次级之间产生的法向力会随着相对速度或者转差频率的变化而变化。通常使用单边直线感应电机作为列车的驱动装置时，对电机实施的控制需尽量保持其法向力为零或者较低，且需尽量维持该值不变，以减少对悬浮或者轮轨支撑的影响。综上可见，在采用单边直线感应电机作为直线运动动力源时，其法向力是起负面作用或者说是没有很好的进行利用。

发明内容

为了克服现有技术的不足，本发明的目的是提供一种用于电机牵引力、法向力智能控制方法，通过构建直线感应电机预测模型输出目标电流值，解决了磁浮列车因为悬浮高度变化而产生的安全隐患问题，保证了磁浮列车的安全性能与控制性能。

为实现上述目的，本发明提供了如下方案：

基于数据驱动的电机牵引力、法向力解耦智能控制方法，包括以下步骤：

S1，直线感应电机预测模型构建：采用灰箱建模方法，建立直线感应电机预测模型，反映机械气隙变化下，法向力和牵引力之间的解耦关系，模型的输入为采集电机的电流、气隙、速度以及电机的初级电阻、次级电阻，输出为直线感应电机的法向力和牵引力；

S2，直线感应电机预测模型更新：设置时间间隔T，对车辆运行T时间的数据进行采集，同时收集预测输出值和控制对象的实际输出值之间的误差，来修正下一控制时刻的直线感应电机预测模型的预测输出值，使其不断的接近控制对象的实际输出值，在经过时间T后，对直线感应电机预测模型进行更新；

S3，牵引力给定：考虑空气阻力与导向轮的摩擦力F_f，再根据车辆的目标速度输出牵引力F_t，F_t＝G₁(s)(v^*-v)，其中，v^*为速度指令值，v为速度反馈值，G₁(s)为速度跟踪器传递函数，即可得到目标推力既F_T ^*＝F_t+F_f；

S4，法向力给定：对悬浮间隙进行闭环控制可得到法向力的给定值 其中，g^*为间隙指令值，g为间隙反馈值，G₂(s)为位置跟踪器传递函数；

S5，目标法向力和牵引力的设定分别为和F_T ^*，在k时刻列车的法向力和牵引力实际值为F_Z(k)和F_T(k)，k+j时刻的参考轨迹F(k+j)可由下式表示：

式中，W为目标法向力和牵引力的轨迹优化矩阵，Z为在k时刻对实际法向力F_z(k)和实际牵引力F_T(k)对下一步参考轨迹所占比重，由上式可知，列车的法向力和牵引力将沿着参考轨迹[F_z(k+j) F_x(k+j)]^T逐步到达法向力和牵引力的目标值；

S6，在k时刻得到最优化后的牵引力给定与法向力给定[F_z(k+j) F_x(k+j)]^T，通过与直线感应电机预测模型预测的k+1时刻的牵引力和法向力，在考虑电流约束条件下，根据最小化误差函数，输出为i_d、i_q的电流目标值。

优选的，所述步骤S1中，采集电机的气隙，具体为：将间隙传感器安装在直线感应电机初级旁边，通过间隙传感器获取悬浮高度，得到直线感应电机的气隙。

优选的，所述步骤S1中牵引力的输出需要考虑边端效应，建立考虑边端效应的等效电路，得到修正后的励磁电感和励磁电阻，以无量纲系数Q来表示:

根据获得的无量纲系数，从而得到边端效应影响因子方程：

其中，R_r、τ分别为电机设计常数次级电阻、电极极距；D为直线感应电机初级长度，Lr为电机次级电感，Wr为电机次级运动速度。

优选的，根据获得的无量纲系数Q，可以计算得到直线感应电机的牵引力：

其中，I_2r为次级电流、I_m为励磁电流，ω₂为次级角速度。

优选的，其特征在于，步骤S1中输出法向力是由次级电流I_2r与其在初级电流之间相互作用产生，由此可以得到法向力为：

其中，

g'＝gk_ck_sat

式中，k_a为法向力常数，由等效电磁气隙单独决定；k_r为斥力常数，g为机械气隙，g'为电磁气隙，k_c为卡式系数，k_sat为饱和系数。

优选的，在不同机械间隙下，通过拉压传感器对法向力F_z进行多次测量,将测量的不同的法向力，代入法向力方程，通过非线性最优化理论中的方法求出在法向力公式中含有的修正系数k_a和k_r。

优选的，在步骤S6中，通过滚动优化在每个控制时刻都对直线感应电机的法向力和牵引力进行预测N_p个步长，根据代价函数选出预测时域N_p长度中控制量最小的i_d、i_q，最后只输出控制时域N_c的第一组分量i_d、i_q用于实际的控制输出量，

代价函数定义：

其中，N_p为预测时域长度，N_c为控制时域长度，且有N_p＞N_c。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种用于电机牵引力、法向力智能控制方法，包括步骤S1构建直线感应电机预测模型；步骤S2对直线感应电机预测模型进行更新；步骤S3给定直线感应电机牵引力；步骤S4给定直线感应电机法向力；步骤S5根据实际直线感应电机的牵引力和法向力与给定直线感应电机的牵引力与法向力确定参考轨迹；步骤S6输出目标电流值，本发明通过S1-S6步骤，对牵引力和法向力完全解耦，充分利用法向力减小悬浮变化，提高列车的安全性能和控制性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；

图1为本发明提供的实施例中的牵引力和法向力解耦步骤图；

图2为本发明提供的实施例中的永磁磁悬浮列车转向架系统截面图；

图3为本发明提供的实施例中的直线感应电机结构示意图；

图4为本发明提供的实施例中直线感应电机截面图；

图5为本发明提供的实施例中的直线感应电机等效电路图；

图6为本发明提供的实施例中的直线感应电机预测模型训练图；

图7为本发明提供的实施例中的牵引力和法向力解耦流程图。

附图标记说明：1、直线感应电机初级；2、间隙传感器；3、直线感应电机次级；4、下导向面；5、倒U形梁；6、上导向轮；7、转向架；8、U形梁侧腹板；9、下导向轮；10、车载永磁体；11、轨道永磁体；12、铝板；13、不锈钢固定螺丝；14、钢板。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明提供了一种用于电机牵引力、法向力智能控制方法，通过构建直线感应电机预测模型输出目标电流值，解决了磁浮列车因为悬浮高度变化而产生的安全隐患问题，保证了磁浮列车的安全性能与控制性能。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种用于电机牵引力、法向力智能控制方法，包括以下步骤：

S1，直线感应电机预测模型构建：采用灰箱建模方法，建立直线感应电机预测模型，反映机械气隙变化下，法向力和牵引力之间的解耦关系，模型的输入为采集电机的电流、气隙、速度以及电机的初级电阻、次级电阻，输出为直线感应电机的法向力和牵引力；

S2，直线感应电机预测模型更新：设置时间间隔T，对车辆运行T时间的数据进行采集，同时收集预测输出值和控制对象的实际输出值之间的误差，来修正下一控制时刻的直线感应电机预测模型的预测输出值，使其不断的接近控制对象的实际输出值，在经过时间T后，对直线感应电机模型进行更新；

S3，牵引力给定：考虑空气阻力与导向轮的摩擦力F_f，再根据车辆的目标速度输出牵引力F_t，F_t＝G₁(s)(v^*-v)，v^*为速度指令值，v为速度反馈值，G₁(s)为速度跟踪器传递函数，即可得到目标推力既F_T ^*＝F_t+F_f；

S4，法向力给定：对悬浮间隙进行闭环控制可得到法向力的给定值 g^*为间隙指令值，g为间隙反馈值，G₂(s)为位置跟踪器传递函数；

S5，目标法向力和牵引力的设定分别为和F_T ^*，在k时刻列车的法向力和牵引力实际值为F_Z(k)和F_T(k)，k+j时刻的参考轨迹F(k+j)可由下式表示：

式中，W为目标法向力和牵引力的轨迹优化矩阵，Z为在k时刻对实际法向力F_z(k)和实际牵引力F_T(k)对下一步参考轨迹所占比重，由上式可知，列车的法向力和牵引力将沿着参考轨迹[F_z(k+j) F_x(k+j)]^T逐步到达法向力和牵引力的目标值；

S6，在k时刻得到最优化后的牵引力给定与法向力给定[F_z(k+j) F_x(k+j)]^T，通过与直线感应电机\预测模型预测的k+1时刻的牵引力和法向力，在考虑电流约束条件下，根据最小化误差函数，输出为id、iq的电流目标值。

如图2所示，永磁磁悬浮列车转向架系统包括：直线感应电机初级1、间隙传感器2、直线感应电机次级3、下导向面4、倒U形梁5、上导向轮6、转向架7、U形梁侧腹板8、下导向轮9、车载永磁体10、轨道永磁体11，具体的，在倒U形梁5的两侧中部有两个直线感应电机次级3安装面，永磁磁浮列车中的两台直线感应电机初级1安装在下层转向架6左右两侧下面，直线感应电机的次级3安装在倒U形梁5内部的直线电机次级3安装面。在每台直线感应电机附近，间隙传感器安装在直线电机初级1旁边，测量直线感应电机的机械气隙；通过间隙传感器2(电涡流、红外)获取悬浮高度，得到直线感应电机的机械气隙g。

如图3和图4所示，直线感应电机包括：直线感应电机初级1、铝板12、不锈钢固定螺丝13、钢板14；直线感应电机通过两个F形的极板优化磁路，增加电机法向力大小，利用直线感应电机法向吸力，作为悬浮力的补充。

如图5所示，直线感应电机由于铁心开断结构，在运行过程中会产生边端效应，进而导致气隙磁通畸变，而气隙磁通的畸变程度的大小与运行速度相关，为了更精确的建立直线感应电机的模型，根据等效电路方法，建立考虑边端效应的等效电路，将直线感应电机初级在不同速度v下，沿初级长度L的磁动势分布气隙密度和次级电流的分布边端效应引起的损耗考虑进等效电路中，修正励磁电感和励磁电阻。以无量纲系数Q来表示:

边端效应影响因子方程：

牵引力分为由进端涡流I_2e产生的反方向牵引力和总的次级涡流除去端部效应涡流I_2e剩余部分I_2r产生的前向牵引力。电机的牵引力为：

由于直线感应电机的牵引力无法直接获取，根据上式构建牵引力观测器，式中，R_r、τ分别为电机设计常数次级电阻、电极极距，通过获取次级电流I_2r、励磁电流I_m和次级角速度ω₂，即可得到电机的牵引力。

法向力分为法向吸引力和法向排斥力，法向吸引力是由初级和次级铁轭之间穿过气隙的主磁通。其大小与有效励磁电流的二次方以及励磁电感成正比；法向斥力主要是由次级电流I_2r与其在初级电流之间相互作用产生。电机的法向力为：

其中，

g'＝gk_ck_sat

式中，k_a为法向引力常数，由等效电磁气隙单独决定；k_r为斥力常数，g为机械气隙，g'为电磁气隙，k_c为卡式系数，k_sat为饱和系数。

通过对直线感应电机进行堵转实验，通过电机的静态测试来获取电机在不同工况下的电气参数，在不同机械间隙下，拉压传感器对法向力_Fz进行测量,将测量的不同的法向力，代入法向力方程，然后通过非线性最优化理论中的方法求出在法向力公式中含有的修正系数k_a、k_r。

具体的，如图6所示，步骤S1，直线感应电机预测模型训练：收集电机的数据，构建数据集，通过获取电流、气隙、速度以及电机的初级电阻、次级电阻以及电机的实时法向力与牵引力。利用采集的数据集进行实验建模，采用人工神经网络从输入/输出数据中学习，建立数据驱动的直线感应电机预测模型。建模过程如下图所示，模型的输入为采集的电流、气隙、速度以及电机的初级电阻、次级电阻，输出为直线感应电机的法向力和牵引力，采用灰箱建模方法，建立直线感应电机预测模型，反映机械气隙变化下，法向力和牵引力之间的解耦关系。

具体的，步骤S2直线感应电机预测模型更新：设置时间间隔T，对车辆运行T时间的数据进行采集，同时收集预测输出值和控制对象的实际输出值之间的误差，来修正下一控制时刻的预测模型的预测输出值，使其不断的接近控制对象的实际输出值。对模型进行优化，进行不断的修正，使其逐步接近于控制对象真实的模型。在经过时间T后，对直线感应电机模型进行更新。

具体的，步骤S3牵引力给定：由于永磁磁悬浮列车是通过直线感应电机直接驱动，而非传统轮轨电机采用摩擦力驱动。由于采用导向轮进行导向与限位，仍存在一定的摩擦力，在考虑空气阻力与导向轮的摩擦力F_f，再根据车辆的目标速度输出牵引力F_t，F_t＝G₁(s)(v^*-v)，v^*为速度指令值，v为速度反馈值，G₁(s)为速度跟踪器传递函数。即可得到目标推力既F_T ^*＝F_t+F_f。

具体的，步骤S4法向力给定，对悬浮间隙进行闭环控制可得到法向力的给定值 g^*为间隙指令值，g为间隙反馈值，G₂(s)为位置跟踪器传递函数。

具体的，步骤S5列车运行能耗等需要，对牵引力目标曲线进行优化，由上可知列车的目标法向力和牵引力的设定分别为和F_T ^*，在k时刻列车的法向力和牵引力实际值为F_Z(k)和F_T(k)，k+j时刻的参考轨迹F(k+j)可由下式表示：

式中，W为目标法向力和牵引力的轨迹优化矩阵，Z为在k时刻对实际法向力F_z(k)和实际牵引力F_T(k)对下一步参考轨迹所占比重，由上式可知，列车的法向力和牵引力将沿着参考轨迹[F_z(k+j) F_x(k+j)]^T逐步到达法向力和牵引力的目标值。

如图7所示，具体的，步骤S6永磁磁悬浮列车在运行时，不同工况下，对法向力与牵引力的需求不同，根据列车的运行状态，以最优化能耗为目标，约束条件为功率一定下，不同工况下对法向力牵引力的不同，对牵引力和法向力进行最优化分配，其中，中的α及β的值通过查表法确定。

在k时刻得到最优化后的牵引力给定与法向力给定[F_z(k+j) F_x(k+j)]^T，通过与直线感应电机预测模型预测的k+1时刻的牵引力和法向力，在考虑电流约束条件下，根据最小化误差函数，输出为i_d、i_q的电流目标值。

代价函数定义：

其中，N_p为预测时域长度，N_c为控制时域长度，且有N_p＞N_c，约束条件f(i)定义将输出的i_d、i_q电流的绝对值的上限约束在略低于直线感应电机的设计最大电流I_max下，以避免过电流引起的电机损坏。这些约束以软约束的行驶添加，在一定程度上可以违反，以避免一些使得控制变得不可行的计算问题。

通过滚动优化在每个控制时刻都对直线感应电机的法向力和牵引力进行预测N_p个步长，再根据代价函数选出预测时域N_p长度中控制量最小的i_d、i_q，最后只输出控制时域N_c的第一组分量i_d、i_q用于实际的控制输出量。

本发明提供了一种用于电机牵引力、法向力智能控制方法，包括步骤S1构建直线感应电机预测模型；步骤S2对直线感应电机预测模型进行更新；步骤S3给定直线感应电机牵引力；步骤S4给定直线感应电机法向力；步骤S5根据实际直线感应电机的牵引力和法向力与给定直线感应电机的牵引力与法向力确定参考轨迹；步骤S6输出目标电流值，本发明通过S1-S6步骤，对牵引力和法向力完全解耦，充分利用法向力减小悬浮变化，提高列车的安全性能和控制性能。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，包括以下步骤：

S1，直线感应电机预测模型构建：采用灰箱建模方法，建立直线感应电机预测模型，反映机械气隙变化下，法向力和牵引力之间的解耦关系，模型的输入为采集电机的电流、气隙、速度以及电机的初级电阻、次级电阻，输出为模型预测的直线感应电机下一时刻的法向力和牵引力；

S2，直线感应电机预测模型更新：设置时间间隔T，对车辆运行T时间的数据进行采集，同时收集预测输出值和控制对象的实际输出值之间的误差，来修正下一控制时刻的直线感应电机预测模型的预测输出值，使其不断的接近控制对象的实际输出值，在经过时间T后，对直线感应电机预测模型进行更新；

S3，牵引力给定：考虑空气阻力与导向轮的摩擦力F_f，再根据车辆的目标速度输出牵引力F_t，F_t＝G₁(s)(v^*-v)，其中，v^*为速度指令值，v为速度反馈值，G₁(s)为速度跟踪器传递函数，即可得到目标推力既F_T ^*＝F_t+F_f；

S4，法向力给定：对悬浮间隙进行闭环控制可得到法向力的给定值 其中，g^*为间隙指令值，g为间隙反馈值，G₂(s)为位置跟踪器传递函数；

S5，目标法向力和牵引力的设定分别为和F_T ^*，在k时刻列车的法向力和牵引力实际值为F_Z(k)和F_T(k)，k+j时刻的参考轨迹F(k+j)可由下式表示：

式中，W为目标法向力和牵引力的轨迹优化矩阵，Z为在k时刻对实际法向力F_z(k)和实际牵引力F_T(k)对下一步参考轨迹所占比重，由上式可知，列车的法向力和牵引力将沿着参考轨迹[F_z(k+j) F_x(k+j)]^T逐步到达法向力和牵引力的目标值；

S6，在k时刻得到最优化后的牵引力给定与法向力给定[F_z(k+j) F_x(k+j)]^T，通过与直线感应电机预测模型预测的k+j时刻的牵引力和法向力，在考虑电流约束条件下，根据最小化误差函数，输出为i_d、i_q的电流目标值。

2.根据权利要求1所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，所述步骤S1中，采集电机的气隙，具体为：将间隙传感器安装在直线感应电机初级旁边，通过间隙传感器获取悬浮高度，得到直线感应电机的气隙。

3.根据权利要求1所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，所述步骤S1中牵引力的输出需要考虑边端效应，建立考虑边端效应的等效电路，得到修正后的励磁电感和励磁电阻，以无量纲系数Q来表示:

根据获得的无量纲系数，从而得到边端效应影响因子方程：

其中，R_r、τ分别为电机设计常数次级电阻、电极极距；D为直线感应电机初级长度，Lr为电机次级电感，Wr为电机次级运动速度。

4.根据权利要求3所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，根据获得的无量纲系数Q，可以计算得到直线感应电机的牵引力：

其中，I_2r为次级电流、I_m为励磁电流，ω₂为次级角速度。

5.根据权利要求1所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，步骤S1中输出法向力是由次级电流I_2r与其在初级电流之间相互作用产生，由此可以得到法向力为：

其中，

g'＝gk_ck_sat

式中，k_a为法向力常数，由等效电磁气隙单独决定；k_r为斥力常数，g为机械气隙，g'为等效电磁气隙，k_c为卡式系数，k_sat为饱和系数。

6.根据权利要求5所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，在不同机械间隙下，通过拉压传感器对法向力F_z进行多次测量,将测量的不同的法向力，代入法向力方程，通过非线性最优化理论中的方法，求出在法向力公式中含有的修正系数k_a和k_r。

7.根据权利要求1所述的基于数据驱动的电机牵引力、法向力解耦智能控制方法，其特征在于，在步骤S6中，通过滚动优化在每个控制时刻都对直线感应电机的法向力和牵引力进行预测N_p个步长，根据代价函数选出预测时域N_p长度中控制量最小的i_d、i_q，最后只输出控制时域N_c的第一组分量i_d、i_q用于实际的控制输出量，

代价函数定义：

其中，N_p为预测时域长度，N_c为控制时域长度，且有N_p＞N_c。