一种两电机调速系统无传感器张力辨识方法
【技术领域】
[0001] 本发明涉及一种两电机调速系统无传感器张力辨识方法，具体是使用神经网络左 逆方法实现张力辨识，适用于两台变频器驱动两台感应电机的调速系统张力检测，属于软 测量及软仪表构造技术领域。
【背景技术】
[0002] 多电机调速系统被广泛应用于冶金、造纸、纺织、印刷等现代工业领域，这类系统 需要多台电机来传送和抓取物料，张力的稳定是保证传送和抓取效率的重要因素。稳定的 张力不仅能够保证物料不会因过紧而拉断，而且能够保证物料不因松弛而堆积。传统的方 法是通过安装张力传感器来实现张力的检测和控制，但是高精度的张力传感器价格比较昂 贵，且安装要求高，材料和环境限制因素多，严重限制系统的应用与推广。两电机调速系统 具有多输入多输出、高阶、非线性、强耦合的特点，且运行过程中受到参数变化和各种内外 干扰，难以得到系统精确的数学模型。而使用状态观测器等方法对张力进行观测又依赖于 精确的数学模型，影响张力辨识的准确性。
【发明内容】
[0003] 本发明的目的是提供一种两电机调速系统无传感器的张力辨识方法，用以克服使 用高精度张力传感器价格昂贵、安装困难、材料和环境限制因素多的缺点，实现两电机调速 系统张力的无传感器高精度辨识。
[0004] 本发明的技术方案是在神经网络左逆系统理论的基础上，使用两电机调速系统张 力的历史数据，通过小波变换提取特征信号，然后训练神经网络来实现张力的实时辨识。在 节省张力传感器的同时能够保证张力的辨识精度。
[0005] 本发明采用的技术方案有以下步骤：
[0006] -种两电机调速系统无传感器张力辨识方法，包括如下步骤：
[0007] 1)根据两台变频器驱动两台感应电机的调速系统的数学模型，推导出张力子系统 左逆模型；
[0008] 2)为增强神经网络的逼近和抗干扰能力，在原左逆系统的基础上增加张力给定Fs 和张力误差eF两个输入形成六输入左逆系统；
[0009] 3)使用小波分析对神经网络输入预先进行特征量提取；
[0010] 4)使用新型函数训练神经网络，约束神经网络权重；
[0011] 5)在PLC中实现整套神经网络算法，实现两电机调速系统平台张力的软测量。
[0012] 进一步，所述步骤1)中，基于逆系统方法和两电机调速系统数学模型，推导出张 力子系统左逆模型：
[0013]
[0014] 式中，F为张力，、來&为2号从动电机转子角速度及其导数，％、〇2分别为1 号主动电机和2号从动电机的同步角速度；在左逆模型推导过程中，使用及其导数替换 为主要输入量，由于本系统1号主动电机转速需要跟随速度给定，张力主要通过2号 从动电机转速变化来调节。
[0015] 进一步，所述步骤2)中，在原左逆系统的基础上增加张力给定Fs和张力误差e「两 个输入形成六输入左逆系统：
[0016]
[0017] 式中，F为张力，'2、由2为2号从动电机转子角速度及其导数，《2分别为1 号主动电机和2号从动电机的同步角速度。
[0018] 进一步，所述步骤3)中，用小波变换对样本进行特征量提取，小波基采用非线性 程度较高的Morlet小波。
[0019] 进一步，所述步骤4)中，使用贝叶斯正则化函数"trainbr"训练神经网络。
[0020] 进一步，所述步骤5)中，整个硬件系统以PLC为核心控制单元，PLC通过MPI接口 与上位机进行通讯同时PLC与两台变频器通过Profibus总线进行串联；变频器工作在矢 量控制模式，直接与两台感应电机进行连接；上位机中，WinCC通过MPI总线实时监控PLC， Excel与PLC通过0PC技术实现数据传输，MATLAB直接调用Excel数据进行小波分析及神 经网络训练，权阈值通过0PC技术写入PLC中。
[0021] 本发明优点在于：
[0022] 1、摆脱了张力检测需要依赖张力传感器的情况，适用范围广，不受材料和环境因 素的限制，具有较高的应用价值。
[0023] 2、节省价格昂贵的高精度张力传感器，且不增加其他额外硬件，可节省系统成本。
[0024] 3、神经网络不依赖系统精确的数学模型，大大提高对参数变化和内外干扰的鲁棒 性，辨识精度高且易于实现。
[0025] 4、经过推导可知，张力本质上是由相邻两台电机之间的转速差所决定的，因此在 进行两电机调速系统激励时，设计了 2个PID控制器，并且以1号电机（主动电机）的速度 给定与2号PID张力控制器的输出之差来调节2号电机（从动电机）的速度，使系统闭环 稳定，保证采集到更为有效的训练数据，使训练出的静态神经网络逼近效果更佳。
[0026] 5、在左逆系统推导过程中，使用及其导数替换作为主要输入量。由于本 系统1号电机（主动电机）转速需要跟随速度给定，张力主要通过2号电机（从动电机） 转速变化来调节，因此《^ 2比《h更能体现张力的变化规律。
[0027] 6、在原先推导得到的四输入张力子系统左逆模型的基础上，增加张力给定匕和张 力误差eF两个输入量，增强了神经网络的逼近和抗干扰能力。
[0028] 7、为减少系统运行过程中的噪声干扰对训练结果的影响，用小波变换对样本进行 特征量提取，小波基采用非线性程度较高的Morlet小波；使用小波变换预先对训练数据进 行特征量提取，避免系统噪声和干扰降低神经网络训练精度，并增强系统的稳定性。
[0029] 8、由于样本数据较多，因此在训练神经网络时，为保证收敛速度与精度，训练函数 采用贝叶斯正则化函数"trainbr"，相对于传统的训练函数，"trainbr"能够约束网络的权 重，使网络输出平滑，提高神经网络对新张力样本的预测精度；对采样数据进行掐头去尾， 等间隔选取，进行归一化处理，并将数据分为训练数据集合检验数据集，前者进行神经网络 训练，后者检验神经网络对新张力样本的泛化能力和预测精度。
[0030] 9、在编写程序时，采用自顶向下的方法编写系统软件，具有功能化、模块化的特 点，并且具有良好的移植性和通用性。
【附图说明】
[0031] 图1为两电机调速系统原理结构图；
[0032] 图2为两电机调速系统数学模型等效示意图；
[0033] 图3为两电机调速系统激励及数据采样原理图；
[0034] 图4为两电机调速系统神经网络张力辨识总体原理图；
[0035] 图5为本发明装置示意图；
[0036] 图6为本发明在PLC中具体实现流程图；
[0037] 图7为PLC中神经网络实现流程图；
[0038] 图8为张力辨识实验结果图；
[0039] 图9为张力辨识实验相对误差图。
【具体实施方式】
[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述。
[0041] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0042] 本发明是在如图1所示的两电机调速系统平台基础上实施。系统包括两台变频 器和两台感应电机，感应电机通过减速机与驱动辊连接，两个驱动辊由一条皮带相连，皮带 上装有浮动棍，由于浮动棍的张紧作用，皮带上产生张力F。由于张力和转速相互关联，因 此本发明采用主从控制方式，一台感应电机为主动电机，另外一台感应电机为从动电机，从 动电机根据张力给定调节转速。系统输入为两台变频器的转速给定值? 2，输出为主 动电机转速、从动电机转速和皮带张力F。将两台变频器与两台感应电机分别与 S7-300PLC连接，组成两电机调速系统。具体的实施方案包含以下步骤：
[0043] 1)根据两电机调速系统硬件平台建立相应的数学模型，其输入量为两台变频器的 转速给定值％何《 2，输出量为主动电机转速从动电机转速和皮带张力F，然后 对两电机调速系统进行等效，如图2所示。两电机调速系统数学模型为两相静止坐标系下 的四阶微分方程，包括两个一阶的速度输出和一个二阶的张力输出。通过对张力输出进行 推导，可证明张力子系统的左逆模型存在，为神经网络的构建、训练提供理论依据。值得注 意的是，这一步只是为神经网络的构建、训练提供理论依据，本发明的具体实施过程中，这 一步可跳过。基于逆系统方法和两电机调速系统数学模型，推导出张力子系统左逆模型：
[0044]
[0045] 式中，F为张力，％为2号从动电机转子角速度及其导数，％、《2分别为1 号主动电机和2号从动电机的同步角速度；在左逆模型推导过程中，使用及其导数替换 ?^作为主要输入量，由于本系统1号主动电机转速需要跟随速度给定，张力主要通过2号 从动电机转速变化来调节。
[0046]2)为进一步提升神经网络的逼近和抗干扰能力，在张力子系统左逆模型的基础 上，增加张力给SFs和张力误差eF作为神经网络输入，形成《r2,取2:s:c^，《2,Fs，eF六输 入和F单输出的神经网络模型，整体结构如图4所示。在原左逆系统的基础上增加张力给 定Fs和张力误差e「两个输入形成六输入左逆系统：
[0047]
[0048] 式中，F为张力，为2号从动电机转子角速度及其导数，％、〇2分别为1 号主动电机和2号从动电机的同步角速度。
[0049] 本步骤首先设计两个PID控制器使系统稳定；然后将心：，％，《2,Fs，ep?六 个神经网络输入信号实时进行小波变换，提取特征量，消除噪声干扰；最后将提取后数据归 一化到[-1，1]，送入神经网络进行计算，经过反归一化得到张力辨识值。
[0050] 3)采集训练样本进行特征量提取。由于张力实际是由两台电机的转差决定，因此 设计两个PID控制器，并以1号电机的转速给定减去2号电机的PID控制器输出来调节2 号电机的转速，以此使系统