【技术实现步骤摘要】
本专利技术涉及高压输出系统，特别是涉及一种高压稳定方法及其控制设备。
技术介绍
1、离子泵的应用在超级真空
中是一个重要的研究领域，在离子泵的应用过程中，如何输出稳定的高压也成了一大难点，传统的电压输出电路在输出高压时会产生较大的误差，为了解决输出高压误差大的问题，通常会使用滤波算法对电路进行过滤，常用的滤波算法例如中值滤波，算数平均滤波，并不足以改善误差过大的问题。
2、现有的电压输出电路通常是利用脉冲宽度调制（pulse width modulation，简写为pwm）输出低压再通过变压器调节成高压，然后持续采集输出电压，利用比例积分微分（proportional-integral-derivative，简写为pid）控制器调整电压波动。这种方法可以适用于要求不高的电压输出场景，但对高压波动有严格要求的使用场景就略显不足。
3、鉴于此，克服该现有技术所存在的缺陷是本
亟待解决的问题。
技术实现思路
1、本专利技术要解决的技术问题是：如何在要求较高的电压输出场景中输出稳定的高压。
2、本专利技术采用如下技术方案：
3、第一方面，提供了一种高压稳定方法，包括：
4、根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型，并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化；
5、通过所述第一算法模型的状态方程得到预测协方差，并根据所述第一算法模型的观测方程更新状态和协方差，以得
6、通过所述第二算法模型得到所述过程噪声方差的最优值，将所述过程噪声方差的最优值代入所述第一算法模型中进行迭代计算，直至得到所述高压输出系统的输出高压的相对最优值；
7、将所述相对最优值和电压设定值输入所述第三算法模型，以得到电压输出值。
8、优选的，所述根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型，并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化，具体包括：
9、初始化所述第一算法模型的参数为：
10、，，；
11、其中，表示0时刻的系统状态估计，表示0时刻的过程噪声协方差矩阵，表示0时刻的协方差，表示×1维零向量，是系统响应长度；为×维单位矩阵，和均是给定的常数；l表示长度；
12、初始化所述第二算法模型的参数，初始化的参数包括f、cr、np和g，其中，f为变异率，cr为交叉概率，np为种群大小，g为迭代次数；
13、初始化所述第三算法模型的参数，初始化的参数包括kp、ki和kd，其中kp为比例增益，ki为积分增益，kd为微分增益。
14、优选的，所述通过所述第一算法模型的状态方程得到预测协方差，并根据所述第一算法模型的观测方程更新状态和协方差，以得到过程噪声方差，具体包括：
15、获取所述第一算法模型的状态方程，并根据所述状态方程得到状态预测值和所述预测协方差；
16、获取所述第一算法模型的观测方程，通过所述观测方程更新状态，并通过所述观测方程得到滤波增益，通过所述滤波增益对协方差进行更新；
17、根据所述状态方程和所述观测方程得到所述过程噪声方差。
18、优选的，所述获取所述第一算法模型的状态方程，并根据所述状态方程得到状态预测值和所述预测协方差，具体包括：
19、获取所述状态方程为：
20、;
21、其中，为k-1时刻的状态转移函数；是k-1时刻的输入矩阵；是k-1时刻的过程噪声；
22、令：
23、
24、;
25、得到所述状态预测值为：
26、;
27、得到所述预测协方差为：
28、;
29、其中，表示k-1时刻的观测矩阵；是k时刻的预测协方差矩阵；是k时刻的状态转移矩阵；为在k-1时刻的预测协方差矩阵；为的转置；为k-1时刻的过程噪声协方差矩阵，用于表示状态方程中的不确定性。
30、优选的，所述获取所述第一算法模型的观测方程，通过所述观测方程更新状态，并通过所述观测方程得到滤波增益，通过所述滤波增益对协方差进行更新，具体包括：
31、获取所述观测方程为：
32、;
33、其中，表示在k时刻的观测值；h为观测矩阵，用于将状态向量映射到观测空间；表示k时刻的预测值；表示在k时刻的观测噪声；
34、通过所述观测方程更新状态为：
35、;
36、其中，是k时刻的状态估计，是k-1时刻预测的状态估计，为k时刻的滤波增益；
37、通过所述观测方程得到所述滤波增益为：
38、;
39、其中，表示k时刻的滤波增益，用于将观测数据与状态估计相结合；是k-1时刻的预测协方差矩阵，表示在k时刻对状态的一步预测的不确定性；是k时刻的观测矩阵；为的转置；是k时刻的观测噪声协方差矩阵；
40、通过所述滤波增益对协方差进行更新为：
41、;
42、其中是更新后的状态协方差矩阵；是k时刻-1的状态协方差矩阵；i为已知的单位矩阵；为k时刻的滤波增益。
43、优选的，所述根据所述状态方程和所述观测方程得到所述过程噪声方差包括：
44、根据所述状态方程和观测方程得到过程噪声为：
45、;
46、所述过程噪声方差为：
47、;
48、其中，为过程噪声；为k时刻的过程噪声方差；是求解过程噪声方差的运算。
49、优选的，所述通过所述第二算法模型得到所述过程噪声方差的最优值，具体包括：
50、随机初始化所述过程噪声方差的解的种群，对于每个所述过程噪声方差的解，随机选取预设数量个解，得到每个解与其他预设数量个解的差，并生成一个数量解；
51、对每个解和数量解进行交叉操作，生成一个试验解，如果当前试验解的适应度优于当前解，则利用当前试验解替换当前解，以得到所述过程噪声方差的最优值。
52、优选的，所述随机初始化所述过程噪声方差的解的种群，对于每个所述过程噪声方差的解，随机选取预设数量个解，得到每个解与其他预设数量个解的差，并生成一个数量解，具体为：
53、所述过程噪声方差的解的种群初始化的步骤为：
54、;
55、其中，为0~1之间均匀分布的随机数，和为搜索的上界和下界；
56、生成一个数量解为：
57、;
58、其中为变异的个体；为压缩比例因子，取值范围为0~1；、和为父代。
59、优选的，所述对每个解和数量解进行交叉操作，生成一个试验解，如果当前试验解的适应度优于当前解，则利用当前试验解替换当前解，以得到所述过程噪声方差的最优值，具体包括：
60、所述对每个解和数量解进行交本文档来自技高网...
【技术保护点】
1.一种高压稳定方法，其特征在于，包括：
2.根据权利要求1所述的高压稳定方法，其特征在于，所述根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型，并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化，具体包括：
3.根据权利要求1所述的高压稳定方法，其特征在于，所述通过所述第一算法模型的状态方程得到预测协方差，并根据所述第一算法模型的观测方程更新状态和协方差，以得到过程噪声方差，具体包括：
4.根据权利要求3所述的高压稳定方法，其特征在于，所述获取所述第一算法模型的状态方程，并根据所述状态方程得到状态预测值和所述预测协方差，具体包括：
5.根据权利要求4所述的高压稳定方法，其特征在于，所述获取所述第一算法模型的观测方程，通过所述观测方程更新状态，并通过所述观测方程得到滤波增益，通过所述滤波增益对协方差进行更新，具体包括：
6.根据权利要求5所述的高压稳定方法，其特征在于，所述根据所述状态方程和所述观测方程得到所述过程噪声方差包括：
7.根据权利要求1所述的高压稳定方法，其特征在于，
8.根据权利要求7所述的高压稳定方法，其特征在于，所述随机初始化所述过程噪声方差的解的种群，对于每个所述过程噪声方差的解，随机选取预设数量个解，得到每个解与其他预设数量个解的差，并生成一个数量解，具体为：
9.根据权利要求8所述的高压稳定方法，其特征在于，所述对每个解和数量解进行交叉操作，生成一个试验解，如果当前试验解的适应度优于当前解，则利用当前试验解替换当前解，以得到所述过程噪声方差的最优值，具体包括：
10.一种控制设备，其特征在于，所述控制设备用于执行如权利要求1-9任一项所述的高压稳定方法，包括：第一控制模块、第二控制模块和变压器模块；所述第一控制模块用于接收上位机的指令，并执行所述高压稳定方法，以得到输出信号；
...【技术特征摘要】
1.一种高压稳定方法，其特征在于，包括：
2.根据权利要求1所述的高压稳定方法，其特征在于，所述根据高压输出系统构建第一算法模型、第二算法模型和第三算法模型，并分别对所述第一算法模型、第二算法模型和第三算法模型的参数进行初始化，具体包括：
3.根据权利要求1所述的高压稳定方法，其特征在于，所述通过所述第一算法模型的状态方程得到预测协方差，并根据所述第一算法模型的观测方程更新状态和协方差，以得到过程噪声方差，具体包括：
4.根据权利要求3所述的高压稳定方法，其特征在于，所述获取所述第一算法模型的状态方程，并根据所述状态方程得到状态预测值和所述预测协方差，具体包括：
5.根据权利要求4所述的高压稳定方法，其特征在于，所述获取所述第一算法模型的观测方程，通过所述观测方程更新状态，并通过所述观测方程得到滤波增益，通过所述滤波增益对协方差进行更新，具体包括：
6.根据权利要求5所述的高压稳定方法，其特征...
【专利技术属性】
技术研发人员：张宇奇，马鹤，刘敏，范蓓，
申请(专利权)人：中科酷原量子科技武汉有限公司，
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。