1、收稿日期:2022-07-05基金项目:2021 年陕西省教育厅一般专项科学研究项目新时代延安精神助推陕西打造内陆改革开放高地的价值研究(21JK0428)作者简介:张悦(1990-),女,陕西府谷人,硕士,讲师。数字智能控制在机电一体化系统建模技术中的应用张 悦,周 晚,帖 兰,王 欣(咸阳职业技术学院,陕西 咸阳 712000)摘 要:针对机电一体化系统的智能控制升级的要求,在传统操动控制系统的基础之上,以高压断路器操动机构为例,构建了以模糊神经网络 PID 的算法为核心的电机操动机构控制系统,实现了电机操动机构智能化控制的应用。结果表明:模糊神经网络 PID 自身具有参数整定和抗干扰的能
2、力,在控制系统仿真实验中,最大速度时的跟踪误差约为 0.15 m/s,在智能调控实验中,最大速度时的跟踪误差约为 0.23 m/s,证明模糊神经网络 PID 控制方法具有较好的控制效果和精度,可以运用于电机操动机构的智能化控制。关键词:数字智能控制;机电一体化;高压断路器;模糊神经网络 PID 中图分类号:TP399 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.100Application of digital intelligent control in modeling technology of mechatronics systemZHAN
3、G Yue,ZHOU Wan,TIE Lan,WANG Xin(Xianyang Vocational Technical College,Xianyang Shaanxi 712000,China)Abstract:Aimed at the requirement of mechanical and electrical integration of intelligent control system upgrade,on the basis of traditional operation control system,with high voltage circuit breaker
4、operating mechanism of the digital intelligent control application,for example,to build a fuzzy neural network PID algorithm as the core operation mechanism of motor con-trol system,realize the motor operating mechanism the application of intelligent control.The results show that:In the simula-tion
5、experiment of the control system,the tracking error at the maximum speed is about0.15 m/s,and in the intelligent con-trol experiment,the tracking error at the maximum speed is about 0.23 m/s,which indicates that the fuzzy neural network PID control method has good control effect and precision.It can
6、 be applied to intelligent control of motor operating mecha-nism.Key words:digital intelligent control;mechatronics;high voltage circuit breaker;fuzz-y neural network PID0 引言随着现代工业的发展进步,数字智能控制技术与机电一体化系统的结合运用,大大地提高了生产效率和产品安全性,为现代工业生产需求做出了贡献。近年来,在机电一体化系统中,高压断路器的数字智能化控制应用是研究的一大热点。刘建寅等人对高压断路器进行了故障模拟和参量分
7、析,提升了断路器操动机构故障的检测精准度1;杨秋玉等人针对高压断路器零部件故障程度识别的问题,提出了吸引子形态的方法对混沌振动信号进行故障识别2;庄志坚等人构建了谱形态变分模态分解和快速奇异值分解两种分解方法融合的降噪策略,解决了断路器状态信息提取的问题3。以上学者对断路器操动机构进行了多方面的研究,但在其控制精度和速度方面的研究还有上升空间,本研究以此问题作为切入点,在传统操动机构的基础上,以数字智能化控制技术为核心,对操动系统的部分硬件与部分软件进行设计,构建一种模糊神经网络 PID 控制方法用于系统速度与精度的提升,再通过实验验证此种方法的有效性和优越性。1 系统整体框架设计现有的电机操
8、动机构普遍使用电力电子器件,通常利用 IGBT 的开断来操控电机的换向,让操动机构具有更强的可控性4-5。为让装置能更好地运行,本研究构建了如图 1 所示的电机操动机构控制结构。图 1 电机操动机构控制结构图 1 电机操动机构控制结构的工作步骤可分为以001数字智能控制在机电一体化系统建模技术中的应用 张 悦,等下几步:(1)整流器通过 220 V 的交流电供给储能电容充电,电压达到储能电容的定值时,充电完成。(2)断路器收到分合闸指令,DSP 单片机对六路 IG-BT 的开断进行控制,驱动电机完成自动分合闸操作。(3)在三相电流通过霍尔感器进行绕组检测后,可以得到驱动电机导通的运动相序;实时
9、脉冲通过寄存器进行计数,到达脉冲给定值时进行换向。(4)DSP 接收到整定后的信号进行反馈检测,在计算与分析后,对电动机的旋转进行实时控制,结束分合闸操作。2 系统硬件部分设计2.1 控制系统的核心处理器设计本研究选择具备高速计算能力的 DSP28335 单片机作为控制系统的核心处理器。其中,I/O 工作电压是 3.3 V,数字处理器允许通过电压需要与其保持一致,可以选择降压转化的方式,让AMS1117-3.3 芯片将 5 V 的电压降至 3 V 后再通电压,原理如图 2 中的 a 图所示;同理,DSP 的内核电压是1.8 V,让 3.3 V 电压降至 1.8 V 后传输至内核部分,原理如图
10、2 中的 b 图所示。图 2 电源转换电路原理图2.2 逆变驱动设计如图 3 逆变桥电路图所示,设计以三相桥式全控逆变电路为逆变驱动单元的控制电路,其中的晶闸管的开关状态随着通断信号的变化而变化,导致电机绕组换向,此时产生的无功电流通过续流二极管到达直流侧6-7。电机绕组换相时,电压和电流变化不稳,可能会导致晶闸管的损坏,所以在晶闸管的两端加入了保护和缓冲电路。图 3 逆变桥电路2.3 电容充电电路设计如图 4 充电电路原理图所示,为了使电源状态保持稳定,本研究将电容器组并联后作为电机的输入电源装置,在起到缓冲作用的同时,还可以吸收电路中多余的电量。图 4 充电电路原理图图4 中,设定储能电容
11、器组的正常工作电压为 200 V,最大工作电压为 300 V,电解电容器单容量为 0.02 F。选择自耦变压器作为电压调节器,对电容器组进行电压调节,确保工作电压符合设定要求8。2.4 隔离驱动单元为了保护电路的安全性与稳定性,本研究设计了如图 5 的隔离驱动电路,在防止电线短路烧毁控制器件的同时,还可以将 DSP 输出的3.3 V 电压升压到 12 V15 V,达到 IGBT 的定值电压,从而对其通断状态进行控制。图 5 隔离驱动电路图3 系统软件部分设计3.1 主程序设计本研究设计主程序的工作流程为:系统接收分合闸的信号指令执行相应的子程序根据是否接收停止信号进行实时调整作出等待回应或重返
12、执行子程序,整体流程如图 6 所示:图 6 主程序流程图3.2 调速程序设计电机调速部分是该研究的重点。考虑到高压断路器电机起动影响整个操动机构,需要较高的精度要求,101自动化与仪器仪表2023 年第 1 期(总第 279 期)本研究将 RBF 神经网络 PID 算法与模糊 PID 算法相结合,建立一套快速高效的模糊神经网络 PID 控制算法应用于系统中。图 7 是模糊神经网络 PID 控制算法图。图 7 模糊神经网络 PID 的控制算法如图 7 所示,初始化 RBF 神经网络 PID 控制器获取电机速度和给定速度,通过自适应学习和梯度下降法计算出参数 kp、ki、kd,并进行 PID 参数
13、调整,最后输出电流参考值9。3.2.1 RBF 神经网络 PID 控制算法RBF 神经网络的 PID 控制逻辑如图 8 所示。在自适应学习的前提条件下,神经网络进行参数调整可以加快 PID 的控制速度,从而快速处理产生的电机速度和电流信息。图 8 网络逻辑关系框图在 RBF 神经网络 PID 算法中,神经网络层数的多少决定其响应的控制精度的高低,结合实际选择最合适的层数可以有更好的控制效果。设置有三层网络,输入层节点有 n 个、隐藏层节点有 m 个,隐藏层通过隶属函数进行数据非线性处理,所得函数再传给输出层,输出最后的 参 数 变 量。设 隐 含 层 的 径 向 基 向 量 为 H=h1,h2
14、,hm,每个节点的高斯函数表示为 hj,j=1,2,m。本研究在三层网络的基础上,选择收敛速度快、数据处理能力强的高斯函数10进行计算:hj=exp-X-Cj22b2j()j=1,2,m(1)设 C 是中心向量,j 是当前时刻的第 j 个节点,表达式为 Cj=cj1,cj2,cjnT。设 B 为一个基宽向量,j 是当前时刻的第 j 个节点,且 bj0,表达式为 B=b1,b2,bn。依据输出层线性求和得出整个网络的输出值为:ym=1h1+2h2+mhm(2)是网络权值。给定值 r 与输出值 y(t)求差的误差 e:e=r-y t()传统 PID 输出的控制量表示为:u k()=u k-1()+
15、kpe k()+kie k-1()+kde k-2()(3)神经网络是 E(k)整定指标,表示为:E k()=12e2k()(4)整定参数 kp、ki、kd采用梯度下降法,其他整定参数同理:kp=-Ekp=e(k)ymu(k)(e(k)-e(k-1)ki=-Eki=e(k)ymu(k)e(k-1)kd=-Ekde(k)ymu(k)(e(k)-2e(k-1)-e(k-2)(5)学习速率表示为,k 是前时刻,k-1 是前一时刻。前一时刻控制参数变化量表示为前一时刻的控制参数相加得:kp(K)=kp(k-1)kpki(K)=ki(k-1)kikd(K)=kd(k-1)kd(6)3.2.2 模糊 PI
16、D 算法在模糊 PID 算法中,r 表示系统控制速度标准值,y表示实际输出速度,两者间的差 e 为变化量,微分计算后,得到 ec 的变化速率,e 与 ec 通过模糊化处理后为模糊规则的输入,通过函数计算得到变化的 PID 控制参量,模糊处理得到控制变量 u,作用在电机上,电机的输出反馈回控制系统。如图 9 所示:图 9 模糊控制系统框图201数字智能控制在机电一体化系统建模技术中的应用 张 悦,等(1)模糊化:e(k)=r-y(k)ec(k)=e(k)-e(k-1)T(7)模糊控制器对在线自整定参数采用二进三出的形式,输出是 kp、ki、kd,输入是 e 和 ec,呈现出以PB,PS,PM,NM,NB,NS,Z 为主的模糊子集,分别表示正大、正小、正中、负中、负大、负小、零。在此计算后,e 和ec 的模糊值范围为-6 到 6,每个数值之间相差 2;kp、ki、kd的模糊范围是-0.6 到 0.6,各个数值之间相差0.2,e、ec、kp、ki、kd隶属度函数采用三角函数。(2)模糊规则模糊规则可以以 e 和 ec 的整定值来确定,再结合PID 参数特征进行调整。当该时刻的误差绝对值较小时
