高速磁浮列車懸浮間隙傳感器及其建模方法研究.pdf

1、高速磁浮列車具有速度快、能耗低、噪音小、安全舒適等優(yōu)點，是一種理想的高速城際交通工具。懸浮控制系統(tǒng)是列車的核心技術，而懸浮間隙傳感器是懸浮控制系統(tǒng)的關鍵部件。因此對其性能的研究與提高對磁浮技術的發(fā)展和工程應用都具有重要的意義。
　　隨著人工智能技術的快速發(fā)展，基于人工智能的建模方法廣泛應用到現(xiàn)代傳感器建模中。但尚未有文獻把人工智能建模引入到高速磁浮列車懸浮間隙傳感器相關研究中，為提高間隙傳感器的檢測精度和穩(wěn)定性、降低其制造成本，有

2、必要在間隙傳感器中引入基于人工智能建模方法并進行相關研究。
　　針對間隙傳感器的非線性問題、溫度漂移問題和齒槽效應問題，本文結合智能建模技術開展研究工作，主要包括以下幾方面內(nèi)容:
　　首先研究間隙傳感器工作環(huán)境、檢測原理和工作特性，并對傳感器建模方法進行了分析。對電感式位移傳感器的線圈等效電路和測量電路進行了分析，研究了產(chǎn)生溫度漂移的主要環(huán)節(jié)。對檢測線圈的磁場分布進行了仿真研究，表明相同間隙時，當線圈與軌道齒槽位置對應關系不

3、同時其磁場分布相差較大，導致了傳感器等效電感的變化，最終形成了齒槽效應。提出了一種充分利用懸浮間隙傳感器探頭空間的同時檢測懸浮間隙值和長定子軌道齒槽位置的方法。該方法中間隙檢測線圈采用“8”字線圈，齒槽位置檢測線圈采用雙“8”字線圈串聯(lián)結構，從而避免了齒槽位置檢測對間隙檢測線圈的干擾，同時，齒槽位置檢測傳感器在任何間隙值時都不受間隙檢測線圈的影響，實現(xiàn)了間隙與齒槽位置同空間的獨立檢測。
　　其次通過實驗采集的樣本數(shù)據(jù)對溫度漂移與齒

4、槽效應進行了定量分析并進行了預處理，為仿真建模準備了學習樣本和測試樣本。結合人工智能逆模型的傳感器補償方法，提出了用兩級逆模型串聯(lián)的誤差校正方法。設計了信號采集方案，利用間隙檢測線圈處放置溫度傳感器獲得檢測線圈工作的環(huán)境溫度，通過溫度補償模型消除傳感器自身的非線性特性和溫度漂移帶來的非線性誤差，消除非目標參量溫度對檢測效果的影響，同時輸出與真實間隙值成線性關系的間隙中間預測值;之后再利用重疊布置在間隙檢測線圈處的齒槽位置檢測線圈獲得間隙

5、傳感器在軌道一個齒槽周期內(nèi)的相位信息，建立齒槽誤差修正模型，模型根據(jù)相位信息和溫度補償模型輸出的間隙中間預測值進行信息處理，消除齒槽位置對間隙的影響，輸出與溫度、齒槽位置無關的間隙最終預測值。
　　最后，依據(jù)前面設計的兩級逆模型串聯(lián)補償方案，分別利用RBF神經(jīng)網(wǎng)絡、T-S模糊神經(jīng)網(wǎng)絡和最小二乘支持向量機進行了建模。每種建模過程都包括溫度補償模型和齒槽補償模型。RBF神經(jīng)網(wǎng)絡模型采用標準梯度下降的學習算法進行網(wǎng)絡訓練，并通過引入動量

6、因子的方法對收斂速度進行了加速，通過實驗優(yōu)化了網(wǎng)絡結構和參數(shù);T-S模糊神經(jīng)網(wǎng)絡模型采用帶動量因子的誤差反傳BP算法對網(wǎng)絡進行訓練，為進一步加快網(wǎng)絡收斂過程，采用學習率自適應的方法，根據(jù)誤差變化情況調(diào)整學習率的大小，該方法可有效減少學習次數(shù)，通過實驗仿真優(yōu)化了各語言變量的模糊分割數(shù)和學習參數(shù);與采用線性或非線性規(guī)劃方法的其它支持向量機算法相比，最小二乘支持向量機具有降低計算復雜度的優(yōu)點，因此，在許多分類或回歸估計問題中取得了很好的應用效

7、果，為此，論文也對利用最小二乘支持向量機建立的間隙傳感器溫度補償和齒槽效應補償模型進行了探討。論文對這三種不同方法建立的模型進行了比較分析，建立了基于RBF神經(jīng)網(wǎng)絡和LS-SVM的溫度補償組合模型和齒槽補償組合模型，實驗表明組合模型比任意單一模型的補償誤差都要小。這些利用RBF神經(jīng)網(wǎng)絡、T-S模糊神經(jīng)網(wǎng)絡、最小二乘支持向量機和組合模型分別建立的溫度補償模型和齒槽效應補償模型，為進一步削除間隙傳感器其它環(huán)境因素干擾的逆模型校正奠定了基礎。