本發(fā)明涉及用于高速及超高速電機傳動領域中的磁軸承系統(tǒng)，具體是磁軸承的轉子位移測量方法，

背景技術：

磁軸承是利用磁場力將轉子無接觸地懸浮在空中，并且懸浮位置可以由控制系統(tǒng)控制。傳統(tǒng)磁軸承系統(tǒng)安裝了位移傳感器來檢測徑向和軸向位移，導致系統(tǒng)體積大、成本高和動態(tài)性能低，難以適用于高速高精場合，因此，提出了磁軸承的自檢測技術。目前，磁軸承常用的自檢測技術主要包括參數(shù)估計法、狀態(tài)估計法和智能學習機等，例如中國專利公開號為cn106026828a的文獻中提出一種基于容積卡爾曼濾波器的徑向磁軸承位移檢測方法，實現(xiàn)了無位移傳感器運行，有很強的抑制干擾能力，能精確檢測徑向位移，但是此方法需要外加復雜電路，且系統(tǒng)不穩(wěn)定。中國專利公開號為cn103631138a的文獻中提出了一種混合核函數(shù)支持向量機位移檢測方法，無需依賴精確的數(shù)學模型，略去了一些附加導線和物理儀表，提高了系統(tǒng)的動態(tài)性能，但是支持向量機良好的學習能力和泛化能力很大程度上取決于其參數(shù)的選擇，存在參數(shù)尋優(yōu)問題，且算法計算量較大。

連續(xù)隱馬爾可夫模型(continuoushiddenmarkovmodel，簡稱chmm)是一種用概率統(tǒng)計的方法來描述時變信號過程的模型。它由兩個不同機理的隨機過程構成：一個是內在的有限隱狀態(tài)markov(馬爾可夫)鏈，另一個是與markov鏈的每個狀態(tài)相關聯(lián)的觀測矢量的隨機過程。這兩個隨機過程相互關聯(lián)，共同描述信號的統(tǒng)計特性，內在的有限隱狀態(tài)markov鏈的特征要靠可觀測到的信號特征揭示。將chmm應用到實際中時需要解決三個問題：chmm的概率計算問題、chmm的最優(yōu)狀態(tài)序列問題和chmm的參數(shù)重估問題，其中有三種算法，即前向-后向算法、viterbi算法和baum-welch算法，這三種算法分別用來解決上述三個問題的。因此，chmm技術已經(jīng)相當成熟，完全可以滿足實際應用的要求。

技術實現(xiàn)要素：

本發(fā)明針對現(xiàn)有磁軸承自檢測方法存在的問題，提出一種基于連續(xù)隱馬爾可夫模型的三自由度混合磁軸承轉子位移軟測量方法，對非線性和參數(shù)不穩(wěn)定以及難以建立轉子位移精確計算模型的磁軸承實現(xiàn)無位移傳感器的自檢測，無需外加復雜電路，無需對參數(shù)尋優(yōu)，計算簡單。

本發(fā)明一種三自由度混合磁軸承轉子位移的軟測量方法采用的技術方案是：檢測磁軸承的k組控制電流ia、ib、ic、iz和k組轉子位移x、y、z并組成各自的樣本數(shù)據(jù)庫，選擇每個樣本數(shù)據(jù)庫中一半數(shù)據(jù)作為訓練樣本集，還具有以下步驟：

a、將轉子位移x、y、z的樣本數(shù)據(jù)庫作為主導變量，三相控制電流ia、ib、ic和軸向控制電流iz的樣本數(shù)據(jù)庫就作為觀測變量；

b、由訓練樣本集先確定一個初始模型，用主導變量和觀測變量里的數(shù)據(jù)反復迭代計算確定出新模型λnew，使得觀測變量在新模型λnew下的輸出概率p(i|λnew)最大；

c、依次建立與每一個轉子位移xi、yi、zi對應的各個馬爾可夫子模型λi，i＝1，2，…，k，轉子分別在x、y、z方向上的所有的馬爾可夫子模型λi構成一個連續(xù)隱馬爾可夫位移預測模型，計算出轉子在x、y、z方向上的三個位移預測值xyc、yyc、zyc，分別作為三個連續(xù)隱馬爾可夫位移預測模型的輸出值；

d、將三個連續(xù)隱馬爾可夫位移預測模型串接在電流傳感器之后，三個位移預測值xyc、yyc、zyc分別與給定轉子平衡位置位移進行比較，實現(xiàn)三自由度混合磁軸承無位移傳感器的軟測量。

本發(fā)明的優(yōu)點在于：

1.采用本發(fā)明方法來檢測三自由度混合磁軸承轉子位移，略去了一些附加導線和物理儀表，使磁軸承的總體尺寸減小，簡化系統(tǒng)結構，無需外加復雜電路和信號注入，容錯率較高、不易受外界因素影響，提高系統(tǒng)的動態(tài)性能，特別適合在高速。

2.相比較于其他軟測量方法，本發(fā)明克服了神經(jīng)網(wǎng)絡模型收斂速度慢、易過擬合以及支持向量機模型計算量大、過度依賴于良好參數(shù)的缺點，操作更簡單，更易于實現(xiàn)。

附圖說明

下面結合附圖和具體實施方式對本發(fā)明作進一步詳細說明；

圖1是安裝了位移傳感器的傳統(tǒng)三自由度混合磁軸承系統(tǒng)的結構框圖；

圖2是本發(fā)明構建chmm位移預測模型的流程示意圖；

圖3是基于連續(xù)隱馬爾可夫位移預測模型的磁軸承系統(tǒng)的結構框圖。

圖中，1、2、3.位移傳感器；4、5.徑向位置pid模塊；6.軸向位置pid模塊；7.力/電流變換模塊；8.clarke變換模塊；9.電流滯環(huán)三相功率逆變器；10.開關功率放大器；12.電流數(shù)據(jù)采集模塊；15.三自由度混合磁軸承；20.電流傳感器；52.訓練樣本集；55.連續(xù)隱馬爾可夫位移預測模型。

具體實施方式

如圖1所示的帶位移傳感器的三自由度混合磁軸承系統(tǒng)，采用三個位移傳感器1、2、3分別檢測三自由度混合磁軸承15轉子的三個自由度方向的轉子位移x、y、z，即兩個徑向位移x、y和一個軸向位移z。位移傳感器1、2分別檢測徑向位移x、y，位移傳感器3檢測軸向位移z。位移傳感器1、2、3將檢測到的位移x、y、z分別一一對應地與給定轉子平衡位置位移x^*、y^*、z^*進行比較，比較得到的兩個徑向位移x、y的差值各通過對應的徑向位置pid模塊4、5后轉換為轉子懸浮控制力f^*x、f^*y，比較得到的一個軸向位移z的差值通過一個軸向位置pid模塊6后轉換為轉子懸浮控制力f^*z。將三個轉子懸浮控制力f^*x、f^*y、f^*z再經(jīng)力/電流變換模塊7變換后輸出三個等效電流期望值i^*x，i^*y，i^*z。其中，將等效電流期望值i^*x，i^*y經(jīng)由clarke變換模塊8，輸出三相期望電流值i^*a，i^*b，i^*c，再將三相期望電流值i^*a，i^*b，i^*c輸入至電流滯環(huán)三相功率逆變器9中，由電流滯環(huán)三相功率逆變器9輸出三相控制電流ia、ib、ic信號，用以控制三自由度混合磁軸承15的轉子徑向位移。而等效電流期望值i^*z經(jīng)開關功率放大器10后輸出軸向控制電流iz信號，用以控制三自由度混合磁軸承15的轉子軸向位移。同時，由電流傳感器20檢測此時的控制電流ia、ib、ic和iz，檢測結果輸入到電流數(shù)據(jù)采集模塊12中。

三自由度混合磁軸承15受三相控制電流ia、ib、ic信號和軸向控制電流iz信號的影響，其轉子位移x、y、z也發(fā)生變化，三個位移傳感器1、2、3就檢測到變化后新的轉子位移數(shù)據(jù)，再次與給定轉子平衡位置位移x^*、y^*、z^*進行比較。同時，由電流傳感器20檢測到新的控制電流ia、ib、ic和iz，檢測結果輸入到電流數(shù)據(jù)采集模塊12中。如此循環(huán)檢測，檢測到k組轉子位移x、y、z的樣本數(shù)據(jù)、k組三相控制電流ia、ib、ic的樣本數(shù)據(jù)和k組軸向控制電流iz的樣本數(shù)據(jù)，k是大于3的自然數(shù)。同時，由電流數(shù)據(jù)采集模塊12循環(huán)記錄并保存k組樣本數(shù)據(jù)。每個k組樣本數(shù)據(jù)組成了各自對應的樣本數(shù)據(jù)庫，即組成轉子位移x、y、z樣本數(shù)據(jù)庫、三相控制電流ia、ib、ic的樣本數(shù)據(jù)庫和軸向控制電流iz的樣本數(shù)據(jù)庫。以徑向x方向為例，電流數(shù)據(jù)采集模塊12記錄的x方向的轉子位移x樣本數(shù)據(jù)庫為x，三相控制電流ia、ib、ic的樣本數(shù)據(jù)庫分別為ia、ib、ic，軸向控制電流iz的樣本數(shù)據(jù)庫為iz。

先對每個樣本數(shù)據(jù)庫中的數(shù)據(jù)進行預處理。通過觀察數(shù)據(jù)的頻率分布來消除異常數(shù)據(jù)，剔除不良的數(shù)據(jù)，確保樣本數(shù)據(jù)的可靠性。對樣本數(shù)據(jù)庫中數(shù)據(jù)進行歸一化處理，將所有變量的值限制在[-1，1]之間，以避免數(shù)值數(shù)量級的影響。隨機選擇每個樣本數(shù)據(jù)庫中的其中的一半作為訓練樣本集，用于訓練初始的chmm位移預測模型；另一半作為測試樣本集，用于檢驗預測模型的預測精度以及模型參數(shù)的調整。以徑向x方向為例，先對五組樣本數(shù)據(jù)庫x、ia、ib、ic和iz中的數(shù)據(jù)進行預處理，最后隨機選擇每組樣本數(shù)據(jù)庫中其中的一半數(shù)據(jù)作為訓練樣本集(即圖2中的訓練樣本集52)，另一半作為測試樣本集。

對于圖1所示的三自由度混合磁軸承系統(tǒng)，將轉子位移x、y、z樣本數(shù)據(jù)庫作為主導變量，將對主導變量影響較大的三相控制電流ia、ib、ic和軸向控制電流iz變量作為觀測變量。因此，三相控制電流ia、ib、ic的樣本數(shù)據(jù)庫和軸向控制電流iz的樣本數(shù)據(jù)庫就作為觀測變量。以徑向x方向為例，由樣本數(shù)據(jù)庫ia、ib、ic和iz組成觀測變量i。其中，x＝{x1，x2，…，xk}，ia＝{ia1，ia2，…，iak}，ib＝{ib1，ib2，…，ibk}，ic＝{ic1，ic2，…，ick}，iz＝{iz1，iz2，…，izk}。

結合連續(xù)隱馬爾可夫模型(chmm)，作為主導變量的轉子位移x、y、z對應于內在可以相互轉移的有限隱狀態(tài)markov鏈中的狀態(tài)，作為觀測變量的三相控制電流ia、ib、ic和軸向控制電流iz對應于與markov鏈中每個狀態(tài)相關聯(lián)的觀測變量，由此可建立chmm位移預測模型。

參見圖2，將訓練樣本集52中的數(shù)據(jù)通過baum-welch算法解決參數(shù)重估問題，即先確定一個初始模型λ0，然后用所有的樣本數(shù)據(jù)庫里的數(shù)據(jù)反復迭代計算確定新的模型λnew，即用主導變量和觀測變量里的數(shù)據(jù)反復迭代計算確定新的模型λnew，使得觀測變量在該模型λnew下的輸出概率p(i|λnew)最大。再依次建立與每一個轉子位移xi、yi、zi(i＝1，2，…，k)數(shù)據(jù)對應的各個馬爾可夫子模型λi(i＝1，2，…，k)。對應于轉子分別在x、y、z方向上的所有的子模型λi構成一個連續(xù)隱馬爾可夫位移預測模型55，因此，得到三個連續(xù)隱馬爾可夫位移預測模型55，這三個連續(xù)隱馬爾可夫位移預測模型55分別一一對應于轉子的x、y、z方向，用于測量轉子的x、y、z方向的位移。

當新觀測變量inew輸入時，即有新的三相控制電流ia、ib、ic和軸向控制電流iz輸入時，連續(xù)隱馬爾可夫位移預測模型55用前向-后向算法計算出新觀測變量inew在每個馬爾可夫子模型λi下的輸出概率p(inew|λi)，然后用viterbi算法反復迭代取最大值，即max{p(inew|λi)}，最終的x、y、z方向的三個位移預測值xyc、yyc、zyc可以通過下式計算得到：

位移預測值xyc、yyc、zyc分別是三個連續(xù)隱馬爾可夫位移預測模型55的輸出值。由于chmm模型只能處理單輸出函數(shù)預測問題，因此要為磁軸承的x、y、z這三個自由度分別建立軟測量模型，并訓練三個連續(xù)隱馬爾可夫位移預測模型55。

參見圖2，以x方向為例：將訓練樣本數(shù)據(jù)庫52中的k組訓練樣本通過baum-welch算法解決參數(shù)重估問題，依次建立與每一個x方向的位移數(shù)據(jù)xi(i＝1，2，…，k)對應的馬爾可夫子模型λi，這樣，由x方向上的所有的子模型λi構成連續(xù)隱馬爾可夫位移預測模型55，最終計算出x方向的位移預測值xyc。

利用測試樣本集中的位移數(shù)據(jù)檢測所構建的三個連續(xù)隱馬爾可夫位移預測模型55的預測精度，若誤差在10％以內，則模型精度達到要求；若誤差超過10％，則重新檢測樣本數(shù)據(jù)庫并構建模型，直到預測誤差小于10％為止。

參見圖1和圖3，將三個連續(xù)隱馬爾可夫位移預測模型55串接到圖1中的電流傳感器20之后，三個連續(xù)隱馬爾可夫位移預測模型55輸出的位移預測值xyc、yyc、zyc分別與給定轉子平衡位置位移x^*、y^*、z^*進行比較，即將圖3中的三個連續(xù)隱馬爾可夫位移預測模型55分別取代圖1中的位移傳感器1、2、3。由三個連續(xù)隱馬爾可夫位移預測模型55和兩個徑向位置pid模塊4、5、一個軸向位置pid模塊6、一個力電流變化模塊7、一個clarke變換模塊8、一個電流滯環(huán)三相功率逆變器9以及一個開關功率放大器10共同構成對三自由度混合磁軸承15的位移閉環(huán)控制系統(tǒng)。連續(xù)隱馬爾可夫位移預測模型55以電流傳感器20檢測到得電流滯環(huán)三相功率逆變器9和開關功率放大器10的電流信號ia、ib、ic和iz作為輸入信號，輸出三自由度位移預測值xyc、yyc和zyc，從而實現(xiàn)三自由度混合磁軸承無位移傳感器的軟測量。