一种基于嵌入式机械液压传动发电控制系统及方法与流程

本发明属于液压传动发电技术领域，尤其涉及一种基于嵌入式的机械液压传动发电控制系统及方法。

背景技术：

目前，液压作为一个广泛应用的技术，在未来更是有广阔的前景。随着计算机的深入发展，液压控制系统可以和智能控制的技术、计算机控制的技术等技术结合起来，这样就能够在更多的场合中发挥作用，也可以更加精巧的、更加灵活地完成预期的控制任务。但是现有技术在液压传动发电方面还需进一步完善，无法进行智能控制，不可进行发电力度的调节，功能单一，使用不便。

综上所述，现有技术存在的问题是：

(1)现有技术在液压传动发电方面还需进一步完善，无法进行智能控制，不可进行发电力度的调节，功能单一，使用不便。

(2)现有技术中电流传感器检测发电机产生电流的大小过程中，容易受到温度的影响，不能实现传感器输出特性的非线性校正。

(3)现有技术中压力传感器检测液压系统中的液压油压力过程中，压力传感器采用传统的算法，不能有效的降低传感器的动态测量误差，提高高度的并行性、稳定性和全局搜索能力。

(3)现有技术中压力传感器检测液压系统中的液压油压力过程中，压力传感器采用传统的算法，不能有效的降低传感器的动态测量误差，提高全局搜索能力。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于嵌入式的机械液压传动发电控制系统及方法。

本发明具体通过以下技术方案实现：

一种基于嵌入式机械液压传动发电控制系统，所述的控制系统包括：

控制元件，控制元件设置有方向控制阀、流量控制阀、压力控制阀，方向控制阀、流量控制阀、压力控制阀通过电信号与主控机连接；

所述的主控机通过电信号与变速箱连接，变速箱通过电信号与液压油泵连接，液压油泵通过液压系统与发电机连接，主控机内部嵌入有单片机，单片机通过电信号与压力传感器、流速传感器、电流传感器、无线信号发射器连接。

本发明还提供了基于嵌入式机械液压传动发电控制方法，包括以下步骤：

步骤一，液压油泵接通电源启动，为发电机提供液压能，发电机将液压能转化为电能，为外部设备供电；

步骤二，利用压力传感器检测液压系统中的液压油压力，利用流速传感器检测液压油泵中的输出液压油的流速，利用电流传感器检测发电机产生电流的大小；

步骤三，将上述检测的数据，传递给单片机，单片机将数据进行数据处理，单片机将数据传递给主控机，主控机根据检测的数据对方向控制阀、流量控制阀、压力控制阀、变速箱进行控制；

步骤四，单片机将检测的数据传递到远程控制终端，远程控制终端通过单片机将指令传递给主控机，主控机对相关的控制阀进行控制，产生不同的电流大小，适应不同的用电需求。

所述步骤二中压力传感器检测液压系统中的液压油压力，每个点的压力有一定的差异性，采用一种改进的压力传感器数据处理算法，具体算法过程如下：

(1)初始化量子遗传算法中的各个参数；

(2)产生初始种群；

(3)对种群中的所有个体进行测量，得到一组解，评估这组解的适应度，记录下其中的最优个体作为下一代的演化目标值；

(4)判断算法终止条件是否满足；如果满足，则程序结束，保留结果后退出；否则继续；

(5)根据当前的演化目标值，运用旋转算子对种群个体进行更新，获得子代种群；

(6)用变异算子对染色体进行变异更新；

(7)将父代种群中的最优解与当前的目标值作比较，取适应度较高的个体作为下一次的演化目标值，循环到(4)。

所述步骤二中利用电流传感器检测发电机产生电流的大小过程中，采用bp神经网络的温度补偿与校正方法，具体为以下过程：

神经网络的输出节点可以直接输出被测电流值,传感器的输出和温度作为bp神经网络的输入值，bp神经元模型的输出a为a＝f(n)＝f(wp，b)；

式中f隐层神经元的变换函数；n神经元的运算结果；

p神经网络输入；r输入数；w权值；b阈值；

由bp神经元构成的二层网络模型，网络的信息从输入层流向输出层，因此是一种多层前馈神经网络，在输入向量和输出层之间的网络层称之为隐层，隐层的数目可以是一个或多个；采用三层bp网络结构，即隐层的数目取一个。

在确定了bp网络的结构以后，要通过输入和输出样本对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系，有效的消除温度的影响。

本发明的有益效果为：

本发明设计思路清晰，通过单片机和主控机的设置，可对液压传动发电进行智能控制，功能多样，通过变速箱的设置，可根据用电力度不同调节不同的速度，避免供电不足的情况的发生；通过控制元件和电子控制阀的设置，可实现远程控制，节省时间，节省人力。

本发明中利用电流传感器检测发电机产生电流的大小过程中，为了消除温度的影响，实现传感器输出特性的非线性校正，采用bp神经网络的温度补偿与校正方法。

本发明中压力传感器检测液压系统中的液压油压力过程中，为了能有效的降低传感器的动态测量误差，提高高度的并行性、稳定性和全局搜索能力，采用粒子群算法。本发明设计思路清晰，功能多样，可进行智能控制，远程控制，可调节不同的速度。

本发明中压力传感器检测液压系统中的液压油压力过程中，为了能有效的降低传感器的动态测量误差，提高全局搜索能力。因为每个点的压力有一定的差异性，采用一种改进的压力传感器数据处理算法。

附图说明

图1是本发明实施例提供的基于嵌入式的机械液压传动发电控制系统及方法的结构示意图；

图2是本发明实施例提供的控制元件的结构示意图；

图3是本发明实施例提供的基于嵌入式的机械液压传动发电控制方法流程图；

图中：1、控制元件；2、单片机；3、主控机；4、发电机；5、液压油泵；6、变速箱；7、方向控制阀；8、流量控制阀；9、压力控制阀；10、压力传感器；11、流速传感器；12、电流传感器；13、无线信号发射器。

具体实施方式

下面将结合本发明具体的实施例，对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1至图2所示，本发明实施例提供的基于嵌入式的机械液压传动发电控制系统包括：控制元件1、单片机2、主控机3、发电机4、液压油泵5、变速箱6、方向控制阀7、流量控制阀8、压力控制阀9、压力传感器10、流速传感器11、电流传感器12、无线信号发射器13。

控制元件1设置有方向控制阀7、流量控制阀8、压力控制阀9，方向控制阀7、流量控制阀8、压力控制阀9通过电信号与主控机3连接，主控机3通过电信号与变速箱6连接，变速箱6通过电信号与液压油泵5连接，液压油泵5通过液压系统与发电机4连接，主控机3内部嵌入有单片机2，单片机2通过电信号与压力传感器10、流速传感器11、电流传感器12、无线信号发射器13连接。

如图3所示，本发明实施例提供的基于嵌入式的机械液压传动发电控方法，包括以下具体步骤：

步骤一，液压油泵接通电源启动，为发电机提供液压能，发电机将液压能转化为电能，为外部设备供电；

步骤二，利用压力传感器检测液压系统中的液压油压力，利用流速传感器检测液压油泵中的输出液压油的流速，利用电流传感器检测发电机产生电流的大小；

步骤三，将上述检测的数据，传递给单片机，单片机将数据进行数据处理，单片机将数据传递给主控机，主控机根据检测的数据对方向控制阀、流量控制阀、压力控制阀、变速箱进行控制；

步骤四，单片机可以将检测的数据传递到远程控制终端，远程控制终端可以通过单片机将指令传递给主控机，主控机对相关的控制阀进行控制，从而产生不同的电流大小，适应不同的用电需求。

所述步骤二中压力传感器检测液压系统中的液压油压力，每个点的压力有一定的差异性，采用一种改进的压力传感器数据处理算法，具体算法过程如下：

(1)初始化量子遗传算法中的各个参数；

(2)产生初始种群；

(3)对种群中的所有个体进行测量，得到一组解，评估这组解的适应度，记录下其中的最优个体作为下一代的演化目标值；

(4)判断算法终止条件是否满足；如果满足，则程序结束，保留结果后退出；否则继续；

(5)根据当前的演化目标值，运用旋转算子对种群个体进行更新，获得子代种群；

(6)用变异算子对染色体进行变异更新；

(7)将父代种群中的最优解与当前的目标值作比较，取适应度较高的个体作为下一次的演化目标值，循环到(4)。

所述步骤二中压力传感器检测液压系统中的液压油压力过程中，为了能有效的降低传感器的动态测量误差，提高高度的并行性、稳定性和全局搜索能力，采用粒子群算法，具体算法过程如下：

在每一次迭代中，粒子通过跟踪个体极值最优解pbest和全局极值最优解gbest，利用下面两个公式来更新自己的速度和位置，

v＝wv+c1r(·)(pbest-p)+c2r(·)(gbest-p)；

p＝p+v；

式中v为粒子的速度；p为粒子的当前位置；pbest与gbest分别为个体极值和全局极值；c1、c2是学习因子；r(·)为(0,1)之间的随机数；w为加权因子；为了在搜索速度和搜索精度之间达到平衡，采用线性递减惯性权值策略，w按照下式进行自更新；即在迭代的初期，w选取较大的值，以保证较快的搜索速度，在迭代后期选取较小的值，保证算法收敛达到一定的精度；

式中n为最大迭代次数，k为当前迭代次数；

适应度函数采用均方误差，定义如下：

式中yi为预测值；yi为理想输出，n为样本数目；

动态补偿滤波器传递函数可以表示成如下形式：

由于bi和ai成比例，故bi和ai可以归一化到一个以0为中心的对称的实数空间里，在该范围内能够找到系数的最优解。

所述步骤二中压力传感器检测液压系统中的液压油压力过程采用一种改进的压力传感器数据处理算法，具体算法过程如下：

①初始化量子遗传算法中的各个参数。

②产生初始种群。

③对种群中的所有个体进行测量，得到一组解，评估这组解的适应度，记录下其中的最优个体作为下一代的演化目标值。

④判断算法终止条件是否满足。如果满足，则程序结束，保留结果后退出；否则继续。

⑤根据当前的演化目标值，运用旋转算子对种群个体进行更新，获得子代种群。

⑥用变异算子对染色体进行变异更新。

⑦将父代种群中的最优解与当前的目标值作比较，取适应度较高的个体作为下一次的演化目标值，循环到步骤④。

所述步骤二中利用电流传感器检测发电机产生电流的大小过程中，为了消除温度的影响，实现传感器输出特性的非线性校正，采用bp神经网络的温度补偿与校正方法，具体为以下过程：

神经网络的输出节点可以直接输出被测电流值,传感器的输出和温度作为bp神经网络的输入值，bp神经元模型的输出a为a＝f(n)＝f(wp，b)；

式中f隐层神经元的变换函数；n神经元的运算结果；

p神经网络输入；r输入数；w权值；b阈值；

由bp神经元构成的二层网络模型，网络的信息从输入层流向输出层，因此是一种多层前馈神经网络，在输入向量和输出层之间的网络层称之为隐层，隐层的数目可以是一个或多个；一般采用采用三层bp网络结构,即隐层的数目取一个；

在确定了bp网络的结构以后，要通过输入和输出样本对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入输出映射关系，从而有效的消除温度的影响。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。