[发明专利]一种三极磁轴承转子径向位移软测量建模方法

说明书

本发明公开一种三极磁轴承转子径向位移软测量建模方法，将位移作为状态值、控制电流作为观测值分别形成一条隐马尔可夫链，两条隐马尔可夫链相互耦合形成耦合隐马尔可夫模型；对模型参数依次采用遗传算法、粒子群优化算法和Baum‑Welch算法进行优化训练得到最终模型参数，由最终模型参数建立每一组样本数据库对应的一个耦合隐马尔可夫模型作为一个子模型，每个子模型利用Viterbi算法得到一组最优位移状态值和输出概率，对所有最优位移状态值和输出概率采用加权平均法计算得出位移预测值，形成软测量模型；本发明利用多通道状态间的相互依赖关系建立两个自由度间的因果关系和影响，建模更加准确，使遗传算法和粒子群优化算法优劣互补，模型参数优化效果更好。

技术领域

本发明涉及用于高速电机传动领域中的磁轴承系统，具体涉及一种基于耦合隐马尔可夫模型的三极磁轴承的转子径向位移软测量建模方法。

背景技术

磁轴承是利用磁场力将转子悬浮于定子间气隙的一种非接触式高性能轴承，为了实现磁轴承转子的稳定悬浮，需要建立一个闭环的位移负反馈控制系统。因此，准确实时检测转子的位移是控制系统的关键所在。传统检测转子的位移一般采用位移传感器，位移传感器由于占用空间大、价格昂贵、动态性能低等问题，并不能满足磁轴承向高速高精发展的需求。为此，提出了磁轴承的自检测技术，其中自检测技术中的软测量是一种利用较易在线测量的辅助变量和离线分析信息去估计不可测或难测变量的方法，通常是在成熟的硬件传感器基础上,以计算机技术为核心，通过软测量模型运算处理而完成的。

隐马尔可夫模型(Hidden Markov Model，简称HMM)是一种用概率统计的方法来描述时变信号过程的模型。它由两个不同机理的随机过程构成：一个是内在的有限隐状态Markov链，另一个是与Markov链的每个状态相关联的观测矢量的随机过程，它是一个双重随机过程，不仅状态之间的转移是随机的，而且每个状态的观测值也是随机的。将HMM应用到实际中时需要解决三个问题：HMM的概率计算问题、最优状态序列问题和参数重估问题，对应的有如下三种解决算法，即前向-后向算法、Viterbi算法和Baum-Welch算法。耦合隐马尔可夫模型(Coupled HMM，简称CHMM)是一种用于描述两个或多个相互关联(条件概率依赖)的随机过程的统计特性的概率模型，其可以看作是多个HMM通过在它们的状态序列之间引入耦合条件概率而得到的一种多HMM链模型。

中国专利公开号为CN107065546A的文献中公开了一种三自由度混合磁轴承转子位移的软测量方法，它是在转子位移x、y、z的三个方向上分别建立一个连续隐马尔可子模型构成一个连续隐马尔可夫位移预测模型，容错率较高，提高了系统的动态性能。但是针对三极磁轴承结构的不对称性，转子的径向位移x和y之间存在着强位移耦合作用，仅用单一的连续隐马尔可夫模型描述不够准确，误差较大。中国专利公开号为CN107102223A的文献中公开了一种基于改进的隐马尔可夫模型GHMM的NPC光伏逆变器故障诊断方法，它是用遗传算法训练出观测值概率矩阵的初始值，使模型参数达到全局最优，大幅提高了故障识别率。但是遗传算法收敛精度低，收敛时间长，难以满足自检测实时检测的要求。

发明内容

本发明的目的是：针对结构不对称的三极磁轴承的转子径向位移x和y之间存在强位移耦合的作用，提出一种基于耦合隐马尔可夫模型的三极磁轴承转子径向位移软测量建模方法，所建模型能对三极磁轴承的转子位移进行更加准确的测量，提高三极磁轴承控制系统的动态性能，具有较高的容错率。

本发明为实现上述目的采用的技术方案为是包括以下步骤：

步骤(1)：将三极磁轴承转子的位移x、y作为状态值、控制电流i_x、i_y作为观测值分别形成一条隐马尔可夫链，两条隐马尔可夫链相互耦合形成耦合隐马尔可夫模型；