一种曳引机自适应控制系统技术方案

一种曳引机自适应控制系统，涉及扶梯动力装置应用和节能领域。采用多传感器感知的原理对曳引机的相关运行参数进行实时监控，并通过PID控制器实时接收传感器采集的信号对扶梯曳引机进行实时控制。提取曳引机运行参数等相关特征信息；根据所述相关特征信息，建立神经网络模型描述曳引机运行参数对扶梯曳引机的影响，并基于所建立的神经网络模型，采用差分进化算法优化神经网络的权值；根据建立的优化模型对扶梯曳引机进行自适应控制。该方法通过控制器对运行参数进行自动识别和自动校正，增强曳引机对运行环境的适应性。

An adaptive control system for traction machine

An adaptive control system for tractors is involved in the field of escalator power plant application and energy conservation. The principle of multi-sensor perception is used to monitor the related operating parameters of the traction machine in real time, and the real-time control of the escalator traction machine is carried out by the PID controller. According to the related feature information, a neural network model is established to describe the influence of the running parameters of the traction machine on the escalator traction machine. Based on the established neural network model, the differential evolution algorithm is used to optimize the weight value of the neural network, and the escalator is based on the established optimization model. The traction machine is used for adaptive control. This method automatically identifies and corrects operation parameters through the controller, and enhances the adaptability of tractors to the running environment.

【技术实现步骤摘要】
一种曳引机自适应控制系统
本专利技术属于扶梯动力装置应用和节能领域，具体涉及一种扶梯曳引机自适应控制系统。
技术介绍
随着城市建设的加快，在百货商店、大型超市、候车室、候机厅、地铁站等客流量集中的地方，都普遍设有为数可观的自动扶梯。与此同时，越来越多的人注意到，自动扶梯的人体乘坐舒适度和能耗问题，又是新的技术挑战。对于曳引式自动扶梯，人们日常关注的是它的乘坐舒适度、快速性等指标，但这些性能指标又是相互对立的，在保证足够人体舒适度的情况下就很难兼顾运行的时间。对于自动扶梯运行过程中减速上行和加速下行时产生的制动能量，通常是经由电阻以热能的形式消耗掉，这样不仅造成巨大的能量浪费，同时由于这些耗能电阻发热使环境温度升高，造成故障。若能将自动扶梯回馈的能量进行再利用，将能节约很大一部分能量，对于庞大的自动扶梯使用数量而言，每年将产生可观的经济效益。可见对扶梯驱动装置节能技术和自适应控制的开发潜力巨大、意义非凡。目前市场上现有的自动扶梯设备的设计，主要考虑的是人体乘坐的舒适度，而这是以降低自动扶梯运行速度为前提的。此外，自动扶梯在设计时不仅要考虑速度的指标，还有自动扶梯电流的控制、转矩脉动的抑制、低功耗节能等因素都是自动扶梯设计需重点考虑的因素，但上述因素间又是相互抑制的，目前的自动扶梯设计中还未能很好地解决上述问题。
技术实现思路
本专利技术提供一种曳引机自适应控制系统，通过综合考虑自动扶梯电流的控制、位置的控制、转矩脉动的抑制、低功耗节能，实时计算并控制电机输出系统所需的功率，达到曳引机的输出功率与系统所需功率的精确匹配，降低功耗和噪音的目的。本专利技术包括检测单元、计算单元、存储单元、控制单元，所述检测单元与曳引机系统相连，所述检测单元包括电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器；所述电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器用于检测曳引机的电机电流、电机加速度、减速机油温、电机速度、曳引机输出扭矩相关运行参数信息；所述计算单元与所述检测单元连接，所述计算单元与所述检测单元相连，根据所述提取的曳引机运行参数，计算当前工况下系统所需的曳引机输出功率P0，通过建立BP神经网络模型拟合建立起输入量与输出量之间的非线性映射关系；所述存储单元与所述计算单元相连，根据所述BP神经网络模型，采用差分进化算法训练神经网络的权值，所述存储单元存储有曳引机功率特性匹配表和电机转速分配数据库；所述控制单元与所述计算单元相连，通过神经网络的自学习能力，在线调整某种最优控制规律下的PID控制器的三个参数：比例系数kp、微分系数ki和积分系数kd，实现某种性能指标的最优化，根据所述优化模型对扶梯曳引机进行自适应控制调节。所述差分进化算法具体步骤有：步骤101，确定所述差分进化算法控制参数。差分进化算法控制参数包括：种群规模、变异算子、交叉算子、最大迭代次数，并随机产生初始种群；步骤102，确定所述PID控制器三个参数：比例系数kp、微分系数ki和积分系数kd的上下限；步骤103，根据所述步骤控制的结果对初始种群进行评价，即计算初始种群中每个个体的适应度值.；步骤104，根据所述步骤计算得到的适应度函数值来判断迭代次数是否达到最大；步骤105，所述步骤的判断结果若是迭代次数达到最大迭代次数，则进化终止，将此时的最佳个体作为解输出；若否，继续；步骤106，根据所述步骤进行变异和交叉操作，对边界条件进行处理，得到临时种群；步骤107，根据所述步骤对临时种群进行评价，计算临时种群中每个个体的适应度值；步骤108，进行选择操作，得到新种群；步骤109，满足控制要求，输出全局最优值及其适应度函数值后，结束优化过程。本专利技术算法构成上使用的是BP神经网络模型，并使用差分进化算法优化神经网络权值和阈值；针对基于神经网络的多个变量控制及辨识问题，通过拆分网络结构，实现对耦合变量的解耦，将被控系统的参数不确定转移到神经网络权值调整上。本专利技术提供的技术方案，综合考虑扶梯运行的速度曲线约束；运行的电流约束，要求扶梯有足够的启动转矩和尽量小的启动电流；转矩约束，在负载不同的情况下，通过调节合适的转矩，使扶梯在额定速度和零速情况下抑制转矩的脉动；低功耗约束，在扶梯高效运行的前提下，尽量降低扶梯动力装置的功率消耗；基于上述所述约束条件，采用差分进化算法优化神经网络模型，实现扶梯自适应控制。本专利技术所述曳引机系统包括电机、减速机箱体，所述电机通过支腿、螺栓固定支撑在所述减速机箱体外，所述减速机箱体内设置有涡轮、蜗杆，电机输出端通过连轴装置与所述蜗杆一端连接，涡轮蜗杆相互啮合，涡轮的输出轴设置在减速机箱体的输出端面上，所述电流传感器、加速度传感器分别设置在所述电机上，电流传感器与电机的电路系统对应连接，所述加速度传感器与电机的转子对应连接，温度传感器设置在所述减速机箱体内，所述速度传感器与电机的输出轴对应连接，所述扭矩传感器与所述涡轮输出轴对应连接。通过电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器用于检测曳引机的电机电流、电机加速度、减速机油温、电机速度、曳引机输出扭矩相关运行参数信息，达到数据收集和检测的目的。附图说明图1为本专利技术的一种结构示意图；图2为本专利技术所述曳引机系统检测单元安装示意图；图3为图2的A-A向剖面图；图4为图2的俯视图；图5为本专利技术所涉及的BP神经网络结合差分进化算法寻优流程图。具体实施例如图1所示，本曳引机自适应控制系统包括检测单元6、计算单元7、存储单元8、控制单元9，如图2、3、4所示，检测单元6与曳引机系统相连，检测单元6包括电流传感器1、加速度传感器2、温度传感器3、速度传感器4、扭矩传感器5；电流传感器1、加速度传感器2、温度传感器3、速度传感器4、扭矩传感器5用于检测曳引机的电机电流、电机加速度、减速机油温、电机速度、曳引机输出扭矩相关运行参数信息；计算单元7与所述检测单元6连接，计算单元6与所述检测单元相连，根据所述提取的曳引机运行参数，计算当前工况下系统所需的曳引机输出功率P0，通过建立BP神经网络模型拟合建立起输入量与输出量之间的非线性映射关系；存储单元8与所述计算单元7相连，根据BP神经网络模型，采用差分进化算法训练神经网络的权值，所述存储单元存储有曳引机功率特性匹配表和电机转速分配数据库；控制单元9与所述计算单元8相连，通过神经网络的自学习能力，在线调整某种最优控制规律下的PID控制器的三个参数：比例系数kp、微分系数ki和积分系数kd，实现某种性能指标的最优化，根据所述优化模型对扶梯曳引机进行自适应控制调节。差分进化算法具体步骤有：步骤101，确定所述差分进化算法控制参数。差分进化算法控制参数包括：种群规模、变异算子、交叉算子、最大迭代次数，并随机产生初始种群；步骤102，确定所述PID控制器三个参数：比例系数kp、微分系数ki和积分系数kd的上下限；步骤103，根据所述步骤控制的结果对初始种群进行评价，即计算初始种群中每个个体的适应度值.；步骤104，根据所述步骤计算得到的适应度函数值来判断迭代次数是否达到最大；步骤105，所述步骤的判断结果若是迭代次数达到最大迭代次数，则进化终止，将此时的最佳个体作为解输出；若否，继续；步骤106，根据所述步骤进行变异和交叉操作，对边本文档来自技高网...

【技术保护点】
一种曳引机自适应控制系统，其特征在于包括检测单元、计算单元、存储单元、控制单元，所述检测单元与曳引机系统相连，所述检测单元包括电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器；所述电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器用于检测曳引机的电机电流、电机加速度、减速机油温、电机速度、曳引机输出扭矩相关运行参数信息；所述计算单元与所述检测单元连接，所述计算单元与所述检测单元相连，根据所述提取的曳引机运行参数，计算当前工况下系统所需的曳引机输出功率P0，通过建立BP神经网络模型拟合建立起输入量与输出量之间的非线性映射关系；所述存储单元与所述计算单元相连，根据所述BP神经网络模型，采用差分进化算法训练神经网络的权值，所述存储单元存储有曳引机功率特性匹配表和电机转速分配数据库；所述控制单元与所述计算单元相连，通过神经网络的自学习能力，在线调整某种最优控制规律下的PID控制器的三个参数：比例系数kp、微分系数ki和积分系数kd，实现某种性能指标的最优化，根据所述优化模型对扶梯曳引机进行自适应控制调节；所述差分进化算法具体步骤有：（1）确定所述差分进化算法控制参数。差分进化算法控制参数包括：种群规模、变异算子、交叉算子、最大迭代次数，并随机产生初始种群；（2）确定所述PID控制器三个参数：比例系数kp、微分系数ki和积分系数kd的上下限；（3）根据所述步骤控制的结果对初始种群进行评价，即计算初始种群中每个个体的适应度值.；（4）根据所述步骤计算得到的适应度函数值来判断迭代次数是否达到最大；（5）所述步骤的判断结果若是迭代次数达到最大迭代次数，则进化终止，将此时的最佳个体作为解输出；若否，继续；（6）根据所述步骤进行变异和交叉操作，对边界条件进行处理，得到临时种群；（7）根据所述步骤对临时种群进行评价，计算临时种群中每个个体的适应度值；（8）进行选择操作，得到新种群；（9）满足控制要求，输出全局最优值及其适应度函数值后，结束优化过程。...

【技术特征摘要】
1.一种曳引机自适应控制系统，其特征在于包括检测单元、计算单元、存储单元、控制单元，所述检测单元与曳引机系统相连，所述检测单元包括电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器；所述电流传感器、加速度传感器、温度传感器、速度传感器、扭矩传感器用于检测曳引机的电机电流、电机加速度、减速机油温、电机速度、曳引机输出扭矩相关运行参数信息；所述计算单元与所述检测单元连接，所述计算单元与所述检测单元相连，根据所述提取的曳引机运行参数，计算当前工况下系统所需的曳引机输出功率P0，通过建立BP神经网络模型拟合建立起输入量与输出量之间的非线性映射关系；所述存储单元与所述计算单元相连，根据所述BP神经网络模型，采用差分进化算法训练神经网络的权值，所述存储单元存储有曳引机功率特性匹配表和电机转速分配数据库；所述控制单元与所述计算单元相连，通过神经网络的自学习能力，在线调整某种最优控制规律下的PID控制器的三个参数：比例系数kp、微分系数ki和积分系数kd，实现某种性能指标的最优化，根据所述优化模型对扶梯曳引机进行自适应控制调节；所述差分进化算法具体步骤有：（1）确定所述差分进化算法控制参数。差分进化算法控制参数包括：种群规模、变异算子、交叉算子、最大迭代次数，并随机产生初始种群；（2）...

【专利技术属性】
技术研发人员：吉卫喜，范小斌，马玉娟，李申，
申请(专利权)人：海安县申菱电器制造有限公司，江南大学，
类型：发明
国别省市：江苏,32