基于RBF神经网络和FPGA的磁浮车间隙传感器温度补偿研究

摘要

高速磁浮列车不同于普通的轮轨列车，它利用电磁力将车体悬浮在轨道上方，具有噪音小、运行平稳、环境污染小等众多优点，是一种较为理想的高速轨道交通工具。悬浮控制系统是磁浮列车的关键，悬浮间隙传感器是悬浮控制系统的一个重要组成部分，对其进行必要的研究对磁浮技术的发展具有积极意义。
　　悬浮间隙传感器一般采用电感式位移传感器实现间隙检测，其检测线圈的内阻易受温度的影响，导致传感器产生温度漂移现象，温度漂移会造成传感器输出不准确，影响列车行车安全。针对间隙传感器温度漂移的问题，本文分析了间隙传感器温度漂移产生的机理，设计了基于逆模型的温度补偿方案，建立了基于RBF神经网络的间隙传感器温度逆模型，采用了粒子群优化-梯度下降混合算法用于RBF神经网络温度补偿模型的训练，仿真结果表明:(1)混合算法能提高粒子群优化算法的局部优化能力、改善其早熟问题，比单一的梯度下降法和粒子群优化算法具有更强的寻优能力;(2)基于RBF神经网络的温度逆模型补偿方案能有效抑制间隙传感器的温度漂移。
　　最后采用FPGA实现了神经网络温度补偿模型，编写了基于LabVIEW的测试软件，实验结果表明本文设计的RBF神经网络温度补偿模型能够较好地对间隙传感器进行温度补偿，补偿后的传感器温度漂移现象得到了很好的抑制，全量程最大误差为0.45mm，相对误差在3％以内，8-12mm工作间隙范围内最大误差为0.16mm。该方法可以有效地消除温度漂移误差，提高传感器的检测精度，对磁浮列车的安全运行有积极意义。

目录

声明

摘要

第1章 绪论

1．1 本文的研究背景和意义

1．2 国内外研究现状

1．2．1 传感器温度补偿的研究现状

1．2．2 神经网络硬件实现的研究现状

1．3 本文的研究内容及组织结构

1．3．1 论文的主要研究内容

1．3．2 论文的章节安排

第2章 间隙传感器温度补偿方法

2．1 间隙传感器的工作原理

2．2 温度漂移的机理

2．3 基于逆模型的温度补偿方法

2．3．1 逆系统方法

2．3．2 间隙传感器逆模型温度补偿

2．4 本章小结

第3章 基于混合学习算法的RBF神经网络温度补偿模型

3．1 人工神经网络概述

3．1．1 神经网络的特点

3．1．2 神经元模型

3．2 RBF神经网络

3．2．1 RBF神经网络的结构

3．2．2 RBF神经网络的训练方法

3．3 粒子群优化算法

3．4 粒子群优化-梯度下降混合算法

3．5 仿真与分析

3．5．1 样本数据的选取

3．5．2 RBF神经网络的训练

3．6 本章小结

第4章 RBF神经网络温度补偿模型的FPGA实现

4．1 FPGA概述

4．1．1 FPGA的结构和特点

4．1．2 FPGA的开发流程

4．2 基于流水线的单神经元设计

4．2．1 流水线设计

4．2．2 神经元的计算流程

4．2．3 FPGA乘法器

4．2．4 高斯函数的FPGA计算

4．2．5 单神经元仿真

4．3 温度补偿模型的FPGA实现

4．4 本章小结

第5章 实验验证

5．1 LabVIEW概述

5．2 测试软件的设计

5．2．1 数据发送模块

5．2．2 数据接收和保存模块

5．3 下位机的设计

5．4 实验结果

5．5 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间发表论文及科研情况