高速磁浮列車(chē)懸浮間隙傳感器及其建模方法研究.pdf

1、高速磁浮列車(chē)具有速度快、能耗低、噪音小、安全舒適等優(yōu)點(diǎn)，是一種理想的高速城際交通工具。懸浮控制系統(tǒng)是列車(chē)的核心技術(shù)，而懸浮間隙傳感器是懸浮控制系統(tǒng)的關(guān)鍵部件。因此對(duì)其性能的研究與提高對(duì)磁浮技術(shù)的發(fā)展和工程應(yīng)用都具有重要的意義。
　　隨著人工智能技術(shù)的快速發(fā)展，基于人工智能的建模方法廣泛應(yīng)用到現(xiàn)代傳感器建模中。但尚未有文獻(xiàn)把人工智能建模引入到高速磁浮列車(chē)懸浮間隙傳感器相關(guān)研究中，為提高間隙傳感器的檢測(cè)精度和穩(wěn)定性、降低其制造成本，有

2、必要在間隙傳感器中引入基于人工智能建模方法并進(jìn)行相關(guān)研究。
　　針對(duì)間隙傳感器的非線性問(wèn)題、溫度漂移問(wèn)題和齒槽效應(yīng)問(wèn)題，本文結(jié)合智能建模技術(shù)開(kāi)展研究工作，主要包括以下幾方面內(nèi)容:
　　首先研究間隙傳感器工作環(huán)境、檢測(cè)原理和工作特性，并對(duì)傳感器建模方法進(jìn)行了分析。對(duì)電感式位移傳感器的線圈等效電路和測(cè)量電路進(jìn)行了分析，研究了產(chǎn)生溫度漂移的主要環(huán)節(jié)。對(duì)檢測(cè)線圈的磁場(chǎng)分布進(jìn)行了仿真研究，表明相同間隙時(shí)，當(dāng)線圈與軌道齒槽位置對(duì)應(yīng)關(guān)系不

3、同時(shí)其磁場(chǎng)分布相差較大，導(dǎo)致了傳感器等效電感的變化，最終形成了齒槽效應(yīng)。提出了一種充分利用懸浮間隙傳感器探頭空間的同時(shí)檢測(cè)懸浮間隙值和長(zhǎng)定子軌道齒槽位置的方法。該方法中間隙檢測(cè)線圈采用“8”字線圈，齒槽位置檢測(cè)線圈采用雙“8”字線圈串聯(lián)結(jié)構(gòu)，從而避免了齒槽位置檢測(cè)對(duì)間隙檢測(cè)線圈的干擾，同時(shí)，齒槽位置檢測(cè)傳感器在任何間隙值時(shí)都不受間隙檢測(cè)線圈的影響，實(shí)現(xiàn)了間隙與齒槽位置同空間的獨(dú)立檢測(cè)。
　　其次通過(guò)實(shí)驗(yàn)采集的樣本數(shù)據(jù)對(duì)溫度漂移與齒

4、槽效應(yīng)進(jìn)行了定量分析并進(jìn)行了預(yù)處理，為仿真建模準(zhǔn)備了學(xué)習(xí)樣本和測(cè)試樣本。結(jié)合人工智能逆模型的傳感器補(bǔ)償方法，提出了用兩級(jí)逆模型串聯(lián)的誤差校正方法。設(shè)計(jì)了信號(hào)采集方案，利用間隙檢測(cè)線圈處放置溫度傳感器獲得檢測(cè)線圈工作的環(huán)境溫度，通過(guò)溫度補(bǔ)償模型消除傳感器自身的非線性特性和溫度漂移帶來(lái)的非線性誤差，消除非目標(biāo)參量溫度對(duì)檢測(cè)效果的影響，同時(shí)輸出與真實(shí)間隙值成線性關(guān)系的間隙中間預(yù)測(cè)值;之后再利用重疊布置在間隙檢測(cè)線圈處的齒槽位置檢測(cè)線圈獲得間隙

5、傳感器在軌道一個(gè)齒槽周期內(nèi)的相位信息，建立齒槽誤差修正模型，模型根據(jù)相位信息和溫度補(bǔ)償模型輸出的間隙中間預(yù)測(cè)值進(jìn)行信息處理，消除齒槽位置對(duì)間隙的影響，輸出與溫度、齒槽位置無(wú)關(guān)的間隙最終預(yù)測(cè)值。
　　最后，依據(jù)前面設(shè)計(jì)的兩級(jí)逆模型串聯(lián)補(bǔ)償方案，分別利用RBF神經(jīng)網(wǎng)絡(luò)、T-S模糊神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)進(jìn)行了建模。每種建模過(guò)程都包括溫度補(bǔ)償模型和齒槽補(bǔ)償模型。RBF神經(jīng)網(wǎng)絡(luò)模型采用標(biāo)準(zhǔn)梯度下降的學(xué)習(xí)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并通過(guò)引入動(dòng)量

6、因子的方法對(duì)收斂速度進(jìn)行了加速，通過(guò)實(shí)驗(yàn)優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù);T-S模糊神經(jīng)網(wǎng)絡(luò)模型采用帶動(dòng)量因子的誤差反傳BP算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為進(jìn)一步加快網(wǎng)絡(luò)收斂過(guò)程，采用學(xué)習(xí)率自適應(yīng)的方法，根據(jù)誤差變化情況調(diào)整學(xué)習(xí)率的大小，該方法可有效減少學(xué)習(xí)次數(shù)，通過(guò)實(shí)驗(yàn)仿真優(yōu)化了各語(yǔ)言變量的模糊分割數(shù)和學(xué)習(xí)參數(shù);與采用線性或非線性規(guī)劃方法的其它支持向量機(jī)算法相比，最小二乘支持向量機(jī)具有降低計(jì)算復(fù)雜度的優(yōu)點(diǎn)，因此，在許多分類(lèi)或回歸估計(jì)問(wèn)題中取得了很好的應(yīng)用效

7、果，為此，論文也對(duì)利用最小二乘支持向量機(jī)建立的間隙傳感器溫度補(bǔ)償和齒槽效應(yīng)補(bǔ)償模型進(jìn)行了探討。論文對(duì)這三種不同方法建立的模型進(jìn)行了比較分析，建立了基于RBF神經(jīng)網(wǎng)絡(luò)和LS-SVM的溫度補(bǔ)償組合模型和齒槽補(bǔ)償組合模型，實(shí)驗(yàn)表明組合模型比任意單一模型的補(bǔ)償誤差都要小。這些利用RBF神經(jīng)網(wǎng)絡(luò)、T-S模糊神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)和組合模型分別建立的溫度補(bǔ)償模型和齒槽效應(yīng)補(bǔ)償模型，為進(jìn)一步削除間隙傳感器其它環(huán)境因素干擾的逆模型校正奠定了基礎(chǔ)。