高速磁浮列车悬浮间隙传感器及其建模方法研究

摘要

高速磁浮列车具有速度快、能耗低、噪音小、安全舒适等优点，是一种理想的高速城际交通工具。悬浮控制系统是列车的核心技术，而悬浮间隙传感器是悬浮控制系统的关键部件。因此对其性能的研究与提高对磁浮技术的发展和工程应用都具有重要的意义。
　　随着人工智能技术的快速发展，基于人工智能的建模方法广泛应用到现代传感器建模中。但尚未有文献把人工智能建模引入到高速磁浮列车悬浮间隙传感器相关研究中，为提高间隙传感器的检测精度和稳定性、降低其制造成本，有必要在间隙传感器中引入基于人工智能建模方法并进行相关研究。
　　针对间隙传感器的非线性问题、温度漂移问题和齿槽效应问题，本文结合智能建模技术开展研究工作，主要包括以下几方面内容:
　　首先研究间隙传感器工作环境、检测原理和工作特性，并对传感器建模方法进行了分析。对电感式位移传感器的线圈等效电路和测量电路进行了分析，研究了产生温度漂移的主要环节。对检测线圈的磁场分布进行了仿真研究，表明相同间隙时，当线圈与轨道齿槽位置对应关系不同时其磁场分布相差较大，导致了传感器等效电感的变化，最终形成了齿槽效应。提出了一种充分利用悬浮间隙传感器探头空间的同时检测悬浮间隙值和长定子轨道齿槽位置的方法。该方法中间隙检测线圈采用“8”字线圈，齿槽位置检测线圈采用双“8”字线圈串联结构，从而避免了齿槽位置检测对间隙检测线圈的干扰，同时，齿槽位置检测传感器在任何间隙值时都不受间隙检测线圈的影响，实现了间隙与齿槽位置同空间的独立检测。
　　其次通过实验采集的样本数据对温度漂移与齿槽效应进行了定量分析并进行了预处理，为仿真建模准备了学习样本和测试样本。结合人工智能逆模型的传感器补偿方法，提出了用两级逆模型串联的误差校正方法。设计了信号采集方案，利用间隙检测线圈处放置温度传感器获得检测线圈工作的环境温度，通过温度补偿模型消除传感器自身的非线性特性和温度漂移带来的非线性误差，消除非目标参量温度对检测效果的影响，同时输出与真实间隙值成线性关系的间隙中间预测值;之后再利用重叠布置在间隙检测线圈处的齿槽位置检测线圈获得间隙传感器在轨道一个齿槽周期内的相位信息，建立齿槽误差修正模型，模型根据相位信息和温度补偿模型输出的间隙中间预测值进行信息处理，消除齿槽位置对间隙的影响，输出与温度、齿槽位置无关的间隙最终预测值。
　　最后，依据前面设计的两级逆模型串联补偿方案，分别利用RBF神经网络、T-S模糊神经网络和最小二乘支持向量机进行了建模。每种建模过程都包括温度补偿模型和齿槽补偿模型。RBF神经网络模型采用标准梯度下降的学习算法进行网络训练，并通过引入动量因子的方法对收敛速度进行了加速，通过实验优化了网络结构和参数;T-S模糊神经网络模型采用带动量因子的误差反传BP算法对网络进行训练，为进一步加快网络收敛过程，采用学习率自适应的方法，根据误差变化情况调整学习率的大小，该方法可有效减少学习次数，通过实验仿真优化了各语言变量的模糊分割数和学习参数;与采用线性或非线性规划方法的其它支持向量机算法相比，最小二乘支持向量机具有降低计算复杂度的优点，因此，在许多分类或回归估计问题中取得了很好的应用效果，为此，论文也对利用最小二乘支持向量机建立的间隙传感器温度补偿和齿槽效应补偿模型进行了探讨。论文对这三种不同方法建立的模型进行了比较分析，建立了基于RBF神经网络和LS-SVM的温度补偿组合模型和齿槽补偿组合模型，实验表明组合模型比任意单一模型的补偿误差都要小。这些利用RBF神经网络、T-S模糊神经网络、最小二乘支持向量机和组合模型分别建立的温度补偿模型和齿槽效应补偿模型，为进一步削除间隙传感器其它环境因素干扰的逆模型校正奠定了基础。同时还可以针对每一个产品进行校正处理，提高检测精度并能统一产品性能指标，缩减硬件开销降低产品成本。

目录

声明

摘要

第1章 绪论

1．1 论文研究的背景和意义

1．2 国内外研究现状

1．2．1 间隙传感器的研究现状

1．2．2 人工智能及建模技术的发展现状

1．3 论文的主要工作

1．4 论文的结构安排

第2章 间隙传感器工作原理和主要特性

2．1 引言

2．2 间隙检测原理

2．2．1 传感器检测线圈结构

2．2．2 工作原理

2．2．3 自感线圈的等效电路

2．2．4 谐振法测量电路

2．3 悬浮间隙传感器主要特性

2．3．1 非线性输入输出特性

2．3．2 间隙传感器的温度漂移特性

2．3．3 间隙传感器的齿槽效应特性

2．4 本章小结

第3章 新型悬浮间隙传感器设计

3．1 引言

3．2 改进的间隙传感器设计方案

3．3 探头线圈的空间布置方案

3．3．1 间隙线圈磁场分布

3．3．2 齿槽位置线圈磁场分布

3．3．3 间隙线圈与齿槽线圈重叠时磁场分布

3．4 间隙检测

3．4．1 间隙线圈布置方案

3．4．2 间隙检测磁场仿真分析

3．4．3 间隙检测信号处理流程

3．5 温度检测

3．6 齿槽位置检测

3．6．1 齿槽位置线圈布置方案

3．6．2 齿槽位置检测磁场仿真分析

3．6．3 齿槽位置检测实验分析

3．7 本章小结

第4章 间隙传感器逆模型补偿

4．1 引言

4．2 逆系统方法

4．2．1 逆系统

4．2．2 左逆系统和右逆系统

4．2．3 伪线性复合系统

4．2．4 逆系统的实现

4．3 间隙传感器逆模型补偿

4．3．1 基于逆模型的传感器综合误差校正

4．3．2 间隙传感器逆模型校正方法

4．4 间隙传感器逆模型简化

4．5 逆系统建模方法

4．5．1 基于机理的传统建模方法

4．5．2 基于数据驱动的方法

4．5．3 混合建模方法

4．6 样本数据采集与预处理

4．6．1 实验条件与数据归一化

4．6．2 简单非线性数据

4．6．3 温度样本数据

4．6．4 齿槽样本数据

4．7 本章小结

第5章 基于神经网络的传感器补偿模型

5．1 引言

5．2 基于RBF神经网络的传感器模型

5．2．1 RBF神经网络结构与学习方法

5．2．2 RBF神经网络非线性校正模型

5．2．3 RBF神经网络温度模型

5．2．4 RBF神经网络齿槽模型

5．3 基于T-S模糊神经网络的传感器模型

5．3．1 T-S模糊神经网络模型结构与学习方法

5．3．2 T-S模糊神经网络温度模型

5．3．3 T-S模糊神经网络齿槽模型

5．4 RBF与T-S模型性能对比

5．5 本章小结

第6章 基于LS-SVM组合预测的传感器补偿模型

6．1 引言

6．2 基于LS-SVM的传感器模型

6．2．1 最小二乘支持向量机回归算法

6．2．2 基于LS-SVM的温度模型

6．2．3 基于LS-SVM的齿槽模型

6．2．4 LS-SVM补偿效果分析

6．3 基于组合预测的传感器误差补偿模型

6．3．1 组合预测方法

6．3．2 基础模型选取

6．3．3 温度补偿组合模型

6．3．4 齿槽补偿组合模型

6．4 本章小结

结论与展望

致谢

参考文献

攻读博士学位期间发表的论文及科研成果