[发明专利]一种开关式智能阀门定位器精确控制方法

权利要求书

1.一种开关式智能阀门定位器精确控制方法，其特征在于：通过以下步骤实现目标阀位的精确控制：

步骤A1：通过参数自整定，整定出闭环控制所需的参数和神经网络所需的数据集；具体步骤如下：

步骤B1：获得行程类型、端点位置、行程范围FSR；向开关式压电阀输出100％PWM波并且发出充气指令，调整压电阀处于充气状态，实时检测阀位反馈信号和阀杆速度信号，检测出阀杆的最大速度为以及最大速度阀V_up位对应的AD值S_up1，当检测到速度等于0时，立即记录此时阀位AD值即为顶端位置对应的AD值S_far；向开关式压电阀输出100％PWM波并且发出排气指令，调整压电阀处于排气状态，实时检测阀位反馈信号和阀杆速度信号，检测阀杆的最大速度为V_down以及最大速度阀位对应的AD值S_down1，当检测到速度等于0时，立即记录此时阀位AD值即为低端位置对应AD值S_near，行程范围FSR＝|S_far-S_near|；

步骤B2：获得充气和排气阶段最大超调量对应AD值；向开关式压电阀输出100％PWM波，并且发出充气指令，调整开关式压电阀处于充气状态，实时采集反馈阀位，一旦阀位到达S_up1位置，立即向开关式压电阀发出阀位保持指令，延时10秒钟记录此时阀位对应AD值S_up2，定义充气阶段最大超调量对应的AD值为S_over1＝|S_up1-S_up2|；向压电阀发出充气指令，检测到速度等于0时，立即发出排气指令，调整开关式压电阀为排气状态，实时采集阀位，一旦阀位到达S_down1位置，立即向开关式压电阀发出阀位保持指令，延时10秒钟记录此时阀位对应AD值S_down2，定义排气阶段最大超调量对应AD值为S_over2＝|S_down1-S_down2|；

步骤B3：获得最小启动PWM；向开关式压电阀发出充气指令和100％PWM，实时采集阀位反馈信号，将阀位调整到x₁＝0.5*FSR阀位；此时向开关式压电阀输出0％PWM，PWM以1％为幅度不断增加，直到阀杆可以缓慢均匀的运行，记录并定义此时的PWM值P_up为充气阶段的最小启动PWM，再将阀位控制到x₁＝0.5*FSR阀位处，并向开关式压电阀输出0％PWM和排气指令，PWM以1％为幅度不断增加，直到阀杆能够缓慢均匀的运行，记录并定义此时的PWM值P_down为排气阶段的最小启动PWM，定义启动PWM为P_str＝|P_up+P_down|/2；

步骤B4：获取神经网络学习样本数据集；定义S₁＝S_near+S_over1，S₂＝S_far-S_over1；

步骤B5：定义S_up＝S₁+n*β*FSR表示阀位AD值，P₁＝P_str+m*1％表示PWM占空比大小，m、n的初始值均为1，分别表示当前循环的次数，β表示控制精度，系统出厂默认采用0.5％精度，β取值范围为0～1；

步骤B6：向开关式压电阀发出大小为P₁的PWM波，并且发出充气指令，此时开关式压电阀处于充气状态，当检测到阀位到达S_up位置，立即向开关式压电阀发送保持指令，并且记录此时的速度v₁和阀位AD值S_up，当检测到速度为0时，记录此时的阀位AD值S'_up；速度为v₁，阀位AD值为S_up时对应的超调量即为S_{up_over}＝|S_up-S'_up|；并将(v₁、S_up、S_{up_over})保存到数据集中；

步骤B7：向开关式压电阀发出100％PWM波，并且发出排气指令，此时开关式压电阀处于排气状态，控制阀位运行到S₁；n＝n+1,S_up＝S₁+n*β*FSR；如果S_up≥S₂则S_up＝S₁+n*β*FSR其中n＝1，m＝m+1,P₁＝P_str+m*1％，执行步骤B6；如果P₁＞100％，n＝1,S_down＝S₂-n*β*FSR,m＝1,P₂＝P_str+m*1％，执行步骤B8；

步骤B8：向开关式压电阀发出100％PWM波，并且发出充气指令，此时开关式压电阀处于充气状态，控制阀位运行到S₂；

步骤B9：向开关式压电阀发出大小为P₂的PWM波，并且发出排气指令，此时开关式压电阀处于排气状态，当检测到阀位到达S_down位置，立即向开关式压电阀发送保持指令，并且记录此时的速度v₂和阀位AD值S_down，当检测到速度为0时，记录此时的阀位AD值S'_down；速度为v₂，阀位AD值为S_down时对应的超调量即为S_{down_over}＝|S_down-S'_down|；并将v₂、S_down、S_{down_over}保存到数据集中；

步骤B10：向开关式压电阀发出100％PWM波，并且发出充气指令，此时开关式压电阀处于充气状态，控制阀位运行到S₂；n＝n+1,S_down＝S₂-n*β*FSR；如果S_down≤S₁则S_down＝S₂-n*β*FSR其中n＝1，m＝m+1,P₂＝P_str+m*1％，执行步骤B9；如果P₂＞100％不进行任何操作；

步骤A2：通过神经网络学习，进行模型构建；具体步骤如下：

步骤C1：首先，提取参数自整定获得的输入样本与输出样本集，输入样本包括阀位X、速度V和相对应的超调量对应的AD值S_{up_over}/S_{down_over}，输出样本为某一阀位和速度下的超调量对应的AD值S，然后采用神经网络学下方法对这些历史数据进行训练，神经网络结构包括输入层、隐含层和输出层；训练过程中将阀位X、速度V和相对应的超调量对应的AD值S_{up_over}/S_{down_over}作为输入，以此实际阀位和速度下的超调量对应的AD值S作为输出，通过神经网络学习获得神经网络模型，神经网络模型中的各参数定义如下：

输入层单元输入向量为P_k＝(a₁,a₂,…,a_n)，目标向量T_k＝(d₁,d₂,…,d_n)；隐含层单元输入向量S_k＝(s₁,s₂,…,s_p)，输出向量B_k＝(b₁,b₂,...,b_p)；输出层单元输入向量L_k＝(l₁,l₂,…,l_q)，输出向量C_k＝(c₁,c₂,...,c_q)，k＝1,2，…m表示样本数据个数；输入层到隐含层的连接权w_ij，i＝1,2,…n；j＝1,2,…p；隐含层到输出层的连接权v_jt，t＝1,2,…q；定义隐含层各单元的输出阈值为θ_j，定义输出层各单元的输出阈值为y_t；其中n表示输入层单元数，p表示隐含层单元数，q表示输出层单元数；

步骤C2：进入如下神经网络模型学习子步骤：

子步骤C2.1：初始化各层的连接权值和阈值，给每个连接权w_ij、v_jt和输出阈值θ_j、y_t赋予区间(-1,1)内的随机值；

子步骤C2.2：选取输入样本和输出样本；

子步骤C2.3：用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出；

其中，s_j表示隐含层单元的输入值、b_j表示隐含层单元的输出值、l_t表输出层单元的输入值、c_t表示输出层单元的输出值；

子步骤C2.4：计算输出层各单元一般化误差然后利用隐含层到输出层的连接权v_jt、隐含层的输出向量B_k＝(b₁,b₂,...,b_p)、输出层各单元一般化误差计算隐含层各单元的一般化误差计算公式如下：

子步骤C2.5：利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权v_jt、输出阈值y_t：

同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权w_ij、输出阈值θ_j：

N＝1,2，…，NN表示设定的学习迭代次数，v_jt(N)表示当前的连接权v_jt，v_jt(N+1)表示修正后的连接权；y_t(N)表示当前的输出阈值y_t，y_t(N+1)表示修正后的相应阈值；w_ij(N)表示当前的连接权w_ij，w_ij(N+1)表示修正后的连接权，θ_j(N)表示当前的阈值，θ_j(N+1)表示修正后的阈值；

子步骤C2.6：选取下一个输入样本和输出样本，返回到步骤C2.3，直到m个训练样本训练完毕；

子步骤C2.7：计算所有样本的累计误差E，累计误差计算方式为其中，m表示样本数量，q表示输出层单元数，定义表示为所有样本输入后，输出层网络的总误差；如果样本累计误差E小于预先设定值，或者当前学习迭代次数大于设定的学习迭代次数，那么学习训练结束；否则再次选取样本输入和目标输出，然后返回到步骤C2.3；

学习过程结束后，通过得到的神经网络各部分的权值和阈值，建立能够反映输入和输出的神经网络模型，通过给定输入信息，从而获得某一阀位和速度下的超调量对应的AD值S；

步骤A3：将目标阀位值，与实时阀位值进行比较；如果误差大于用户设定的精度要求，则进入步骤A4；否则不进行任何操作；

步骤A4：通过闭环控制，计算出实时的PWM占空比，以及压电开关阀的工作状态；并将此PWM和控制指令输出给压电开关阀，以此控制压电开关阀充气/排气量，实现阀位的精确控制；转入步骤A3，循环执行；

实现阀位快速定位的具体实现步骤如下：

步骤D1：定义ε＝β*FSR，e₁＝S_over1，e₂＝S_over2，接收到用户输入的目标阀位值r(tt)，采集实时阀位反馈值c(tt)，阀位误差e(tt)＝r(tt)-c(tt)，根据阀位误差的大小，将控制过程分为粗调区、细调区、死区，其中tt表示时间，β表示控制精度，系统出厂默认采用0.5％精度，β取值范围为0～1,*表示乘积，ε、e₁、e₂代表阀位，具体数值用所对应的AD值；

步骤D2：采集实时阀位反馈值，若阀位处于死区内，立即关闭PWM波，并且向开关式压电阀发出保持指令；若阀位误差处于粗调区1内，则执行步骤D3，若阀位误差处于细调区1内，则执行步骤D4；

步骤D3：向开关式压电阀发出100％PWM波，并且发出充气指令，快速减小误差；当阀位误差进入细调区1时，执行步骤D4；

步骤D4：采集实时阀位反馈值和阀杆速度，根据神经网络学习构建的神经网络模型，即可得到在此阀位和阀杆速度下，将开关式压电阀置为保持状态所产生的超调量，从而得出预测阀位值f(tt)，比较目标阀位和预测阀位的差值(ee(tt)＝f(tt)-c(tt))；若该差值在容许阀位误差范围内，执行步骤D5；若该差值大于容许阀位误差且差值为正值时，执行步骤D6；否则不进行任何操作；

步骤D5：立即向压电阀发出保持指令，循环执行步骤D2；

步骤D6：向压电开关阀发送最小启动PWM，并且发送排气指令，进行降速；循环执行步骤D2。