【技术实现步骤摘要】
基于机器学习优化的绕线机张力网络化迭代学习控制方法
[0001]本专利技术属于绕线机张力控制
，利用机器学习优化的思想设计一种基于机器学习优化的绕线机张力网络化迭代学习控制方案。
技术介绍
[0002]近年来，我国新能源汽车市场不断发展，新能源汽车竞争力明显提升。按照国家以及新能源汽车行业发展趋势来看，新能源汽车压缩机电机的生产具有广阔的市场前景，绕线机张力控制精度是影响压缩机电机绕组绕制的主要问题。然而，在实际生产中由于工业环境和网络延迟引发的数据丢失等问题会显著降低绕线机张力控制系统的性能，必须考虑一个针对复杂工业环境以及网络延迟引发的数据丢失的安全补偿策略，提高绕线机网络化张力控制精度。
[0003]迭代学习控制(Iterative learning control,ILC)是处理周期性重复工作的控制系统最常用的控制方法之一。该方法通过根据上一次迭代中获得的误差信息来修改当前控制动作或者输入命令。因此，迭代学习控制被广泛应用于处理具有周期性动作或扰动的控制系统。卷绕过程迭代学习控制的研究也取得了丰富的研究...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习优化的绕线机张力网络化迭代学习控制方法，其特征在于：以绕线机张力差为输入，通过设计具有初值变化的卷绕张力迭代控制器与设计遗传算法优化下的BP神经网络张力控制系统，将绕线半径的缓慢变化设定为迭代学习中的初始状态变化问题，并提出了一种具有初始状态学习律的迭代学习控制算法；考虑到工业实际生产中绕线机网络化控制系统存在数据丢包和时延等现象，将工业生产中的数据包丢失问题描述为一个已知概率的随机伯努利过程，采用机器学习中遗传算法优化下的BP神经网络预测存在数据丢失下的系统输出；所述方法包含以下步骤：S1：张力控制系统建模；S2：设计具有初值变化的卷绕张力迭代控制器；S3：绕线机张力网络化迭代控制系统设计；S4：改进粒子群算法优化的张力网络化迭代控制系统设计。2.根据权利要求1所述的一种基于机器学习优化的绕线机张力网络化迭代学习控制方法，其特征在于，步骤S1中，所述张力控制系统建模：建立绕线机张力控制系统张力环动力学模型，其方程如下：根据胡克定律分析，卷绕系统的张力可表示为：根据胡克定律分析，卷绕系统的张力可表示为：根据胡克定律分析，卷绕系统的张力可表示为：其中，σ为卷绕材料表面应力，ε为卷绕材料弹性形变量，E为卷绕材料的弹性模量，T为张力，A为卷绕材料横截面积，L0为卷绕材料的绝对形变量，L为当前状态下由于张力变形的绕组材料长度；当V1≠V2时，在t+dt时间内的张力变化如下：时，在t+dt时间内的张力变化如下：时，在t+dt时间内的张力变化如下：V＝πDn其中，n为驱动电机的卷轴卷速；D为卷轴直径；建立绕线机张力控制系统速度环动力学模型，其方程如下：其中，J为5收卷轴转动惯量；K
i
为单位输入电压下的力矩常数；u为控制输入；B为摩擦与
模型结合的等效系数；F
f
(ω1)为静摩擦系数；
△2(t,T,ω1)为不确定非线性；ω为卷轴角速度；r1为5收卷轴半径；F
f
(ω1)＝a1tanh(c1ω1)+a2[tanh(c2ω1)
‑
tanh(c3ω1)]其中，a1、a2为系统的不同摩擦系数等级，c
i
,i＝1,2,3为近似各种摩擦效应的形状参数；数；3.根据权利要求1所述的一种基于机器学习优化的绕线机张力网络化迭代学习控制方法，其特征在于，步骤S2中，所述设计具有初值变化的卷绕张力迭代控制器：通过电机编码器反馈的数据获得实际电机转动的角度或COUNT指令，计算卷径的变化，其方程如下：D
un
＝D
u(n
‑
1)
‑
θ
u(n
‑
1)
A/2πD
wn
＝D
w(n
‑
1)
‑
θ
w(n
‑
1)
A/2π其中，D
un
和D
wn
分别为第n次卷绕前1放卷轴和5收卷轴的直径初值，D
u(n
‑
1)
和D
w(n
‑
1)
为第n
‑
1次卷绕前卷轴的直径初值，θ
u(n
‑
1)
和θ
w(n
‑
1)
为第n
‑
1次卷绕后通过编码器反馈值计算所得的两卷轴转动的角位移；具有初值变化的模糊张力迭代控制器：Γ
k
(t)＝Γ
k
‑1(t)+
△
k
△
k
＝ξ
k
×
k
p<...
【专利技术属性】
技术研发人员：姚文龙，慕成林，池荣虎，刘旺旺，孙玉洁，李学强，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。