基于历史数据进行预测控制的智能旋转高频加工控制系统

技术领域

本发明属于高频振动加工系统技术领域，具体涉及一种基于历史数据进行预测控制的智能旋转高频加工控制系统。

背景技术

超声复合加工工艺中的超声振动系统主要包括高频加工控制系统以及由换能器、变幅杆和工具头组成的超声振子两个部分，智能旋转高频加工控制系统产生超声振动信号，经超声振子中的换能器结构转换为高频机械振动，带动工具头对工件进行加工，其中智能旋转高频加工控制系统的性能很大程度上决定了工件的加工质量。几乎所有功率超声换能器在工作过程中会受到负载变化、工具磨损、换能器发热等因素影响，换能器机械共振频率发生漂移。若是智能旋转高频加工控制系统不能输出正确的电振荡信号，会导致后续的超声振子无法正常工作，甚至发生损坏。

现阶段的智能旋转高频加工控制系统采用单一芯片控制，只针对智能旋转高频加工控制系统输出的高频电信号进行必要的电流电压信号采集，通过反馈信号处理模块对采集的电流电压信号进行相位差检测，为控制模块提供电路状态信号。因此对于智能旋转高频加工控制系统内部各个模块的工作状态缺乏有效的检测，工作电源出现故障时无法完成快速有效的诊断工作。此外，在复杂的超声复合加工工艺中，超声振子机械共振频率发生复杂变化，需要智能旋转高频加工控制系统能够对共振频率进行实时追踪，准确输出超声换能器所需要的高频电信号，这就需要高精度高灵敏性的采样电路和反馈信号处理电路以及更加准确的电源控制模型。而由于对电源内部工作状态缺乏监测，控制模型输入参数较少，智能旋转高频加工控制系统的控制模型的稳定性和可靠性无法保证。

因此，亟需开发一种新的基于历史数据进行预测控制的智能旋转高频加工控制系统，以解决上述问题。

发明内容

本发明的目的是提供一种基于历史数据进行预测控制的智能旋转高频加工控制系统。

为了解决上述技术问题，本发明提供了一种基于历史数据进行预测控制的智能旋转高频加工控制系统，其包括：主控模块、整流滤波模块、功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块和反馈信号处理模块；其中所述整流滤波模块、功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块依次连接，所述整流滤波模块的输入端接入交流电，所述阻抗匹配模块的输出端通过无线线圈连接换能器；所述功率调节模块、高频逆变模块、反馈信号处理模块与主控模块电性相连，所述功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、无线线圈与反馈信号处理模块电性相连；所述整流滤波模块将交流电转变为直流电信号，经所述功率调节模块调节直流电压输入高频逆变模块；经调压后的直流电信号经高频逆变模块转变高频交流电信号，经所述高频变压模块、阻抗匹配电路进行升压、调谐，通过所述无线线圈输出至压电换能器；所述反馈信号处理模块对功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、无线线圈的电压、电流、温度信号进行采样，并对采样数据进行带通滤波处理以转化为对应的数字量或脉宽信号，且经过隔离后输入到所述主控模块；以及所述主控模块根据反馈信号调整功率调节模块的电压输出以及高频逆变模块的频率输出。

进一步，所述高频逆变模块采用由碳化硅MOSFET管组成的全桥高频逆变电路。

进一步，所述高频逆变模块采用高频变压器，以对高频交流电信号进行升压。

进一步，所述反馈信号处理模块包括：若干霍尔电压传感器、若干霍尔电流传感器和若干热敏电阻温度传感器；各所述霍尔电压传感器分别连接功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、反馈信号处理模块、无线线圈，以采集对应的电压信号；各所述霍尔电流传感器分别连接功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、反馈信号处理模块、无线线圈，以采集对应的电流信号；各所述热敏电阻温度传感器分别连接功率调节模块、高频逆变模块、无线线圈、压电换能器，以采集对应的温度信号。

进一步，所述反馈信号处理模块还包括：带通滤波电路和信号放大电路；各所述霍尔电压传感器、各霍尔电流传感器和各热敏电阻温度传感器均与带通滤波电路相连，即采样数据经所述带通滤波电路、信号放大电路进行带通滤波及放大。

进一步，所述反馈信号处理模块还包括：阻抗角检测电路；经带通滤波、放大后的采样数据通过所述阻抗角检测电路生成对应的脉宽信号。

进一步，所述反馈信号处理模块还包括：峰值检测电路和模数转换器；经带通滤波、放大后的采样数据通过所述峰值检测电路、模数转换器生成对应的数字量。

进一步，所述反馈信号处理模块还包括：光耦隔离电路；根据采样数据生成的数字量或脉宽信号经所述光耦隔离电路送入主控模块。

进一步，所述主控模块包括：ARM芯片和FPGA芯片；所述ARM芯片对采样数据进行处理，且所述ARM芯片通过FPGA芯片FSMC总线进行数据交换；所述FPGA芯片通过DDS输出和PWM波输出控制功率调节模块、高频逆变模块。

进一步，将所需功率、理想谐振频率输入所述ARM芯片，所述FPGA芯片对采样数据进行预处理；所述FPGA芯片将处理后的数据输入到ARM芯片中进行逻辑运算，利用训练后的BP神经网络算法模型输出相应控制信号；所述ARM芯片将控制信号输出到FPGA芯片中，以使所述FPGA芯片调节功率调节模块、高频逆变模块的输出。

进一步，所述训练后的BP神经网络算法模型包括：输入层、隐含层和输出层；所述输入层、隐含层、输出层依次连接，所述输入层中每个神经元与隐含层中各神经元全连接，所述隐含层中每个神经元与输出层中各神经元全连接，且两所述神经元连接之间具有对应的权重系数。

进一步，将每个所述神经元的阈值θ和权重W初始化；将训练集中的无线线圈的电压电流幅值信号、无线线圈的电压电流幅值相位差信号、理想谐振频率、压电换能器温度作为模型输入，经

本发明的有益效果是，本发明能够实现在复杂工况下对智能旋转高频加工控制系统工作状态的实时监控以及故障诊断，保证对频率追踪的响应速度和输出信号的准确稳定，提升系统的稳定性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的基于历史数据进行预测控制的智能旋转高频加工控制系统的电路图；

图2是本发明的反馈信号处理模块、主控模块的电路图；

图3是本发明的反馈信号处理模块的工作流程图；

图4是本发明的基于历史数据进行预测控制的智能旋转高频加工控制系统的控制流程图；

图5是本发明的BP神经网络的算法模型图；

图6是本发明的FPGA芯片处理数据的工作流程图；

图7是本发明的BP神经网络算法模型的工作流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1，在本实施例中，如图1至图7所示，本实施例提供了一种基于历史数据进行预测控制的智能旋转高频加工控制系统，其包括：主控模块、整流滤波模块、功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块和反馈信号处理模块；其中所述整流滤波模块、功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块依次连接，所述整流滤波模块的输入端接入交流电，所述阻抗匹配模块的输出端通过无线线圈连接换能器；所述功率调节模块、高频逆变模块、反馈信号处理模块与主控模块电性相连，所述功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、无线线圈与反馈信号处理模块电性相连；所述整流滤波模块将交流电转变为直流电信号，经所述功率调节模块调节直流电压输入高频逆变模块；经调压后的直流电信号经高频逆变模块转变高频交流电信号，经所述高频变压模块、阻抗匹配电路进行升压、调谐，通过所述无线线圈输出至压电换能器；所述反馈信号处理模块对功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、无线线圈的电压、电流、温度信号进行采样，并对采样数据进行带通滤波处理以转化为对应的数字量或脉宽信号，且经过隔离后输入到所述主控模块；以及所述主控模块根据反馈信号调整功率调节模块的电压输出以及高频逆变模块的频率输出。

在本实施例中，通过无线线圈保证压电换能器在旋转过程中的能量传输。

在本实施例中，工频220V交流电依次经过整流滤波模块、功率调节模块、高频逆变模块、高频变压模块升压，再通过阻抗匹配模块与无线电能传输线圈原边连接组成智能旋转高频加工控制系统主电路部分，智能旋转高频加工控制系统主电路部分各个模块采用电流电压采样电路与反馈信号处理模块连接，反馈信号处理模块与主控模块连接提供数字量。

在本实施例中，本实施例能够实现在复杂工况下对智能旋转高频加工控制系统工作状态的实时监控以及故障诊断，保证对频率追踪的响应速度和输出信号的准确稳定，提升系统的稳定性。

在本实施例中，所述高频逆变模块采用由碳化硅MOSFET管组成的全桥高频逆变电路，能够将直流电信号转变为特定频率的高频交流电信号。

在本实施例中，所述高频逆变模块采用高频变压器，以对高频交流电信号进行升压，进而实现换能器的高频机械振动。

在本实施例中，所述反馈信号处理模块包括：若干霍尔电压传感器、若干霍尔电流传感器和若干热敏电阻温度传感器；各所述霍尔电压传感器分别连接功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、反馈信号处理模块、无线线圈，以采集对应的电压信号；各所述霍尔电流传感器分别连接功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块、反馈信号处理模块、无线线圈，以采集对应的电流信号；各所述热敏电阻温度传感器分别连接功率调节模块、高频逆变模块、无线线圈、压电换能器，以采集对应的温度信号。

在本实施例中，所述反馈信号处理模块还包括：带通滤波电路和信号放大电路；各所述霍尔电压传感器、各霍尔电流传感器和各热敏电阻温度传感器均与带通滤波电路相连，即采样数据经所述带通滤波电路、信号放大电路进行带通滤波及放大。

在本实施例中，所述反馈信号处理模块还包括：阻抗角检测电路；经带通滤波、放大后的采样数据通过所述阻抗角检测电路生成对应的脉宽信号。

在本实施例中，所述反馈信号处理模块还包括：峰值检测电路和模数转换器；经带通滤波、放大后的采样数据通过所述峰值检测电路、模数转换器生成对应的数字量。

在本实施例中，所述反馈信号处理模块还包括：光耦隔离电路；根据采样数据生成的数字量或脉宽信号经所述光耦隔离电路送入主控模块。

在本实施例中，对功率调节模块、高频逆变模块、高频变压模块、阻抗匹配模块以及无线线圈原边的电流电压信号进行采样，并将采样数据输入到反馈信号处理模块，反馈信号处理模块将反馈回来的模拟信号进行带通滤波处理，通过精密ADC转化为对应的数字量或者通过将电压、电流通过阻抗角检测电路转为相应的脉宽信号，经过隔离后输入到主控模块，主控模块根据反馈的电压电流信息相关的信息实时调整功率调节模块的电压输出以及高频逆变模块的频率输出。温度通过热敏电阻温度传感器进行检测，由于温度检测主要用于过温保护，所以对精度要求不高，采用热敏电阻温度传感器可以降低检测成本，采集的信号不仅用于功能参数控制，也用于系统对于异常情况的诊断，在调试中通过数据的采集与综合，确定系统故障的判断依据与规则。

在本实施例中，所述主控模块包括：ARM芯片和FPGA芯片；所述ARM芯片对采样数据进行处理，且所述ARM芯片通过FPGA芯片FSMC总线进行数据交换；所述FPGA芯片通过DDS输出和PWM波输出控制功率调节模块、高频逆变模块。

在本实施例中，主控模块由FPGA芯片和ARM芯片组成，通过DDS输出和PWM波输出控制功率调节模块和高频逆变模块，可以实现在复杂工况下对智能旋转高频加工控制系统工作状态的实时监控以及故障诊断，保证对频率追踪的响应速度和输出信号的准确稳定，提升系统的稳定性。

在本实施例中，主控模块采用MCU+FPGA架构方式构成控制核心，ARM芯片和FPGA芯片通过FSMC总线实现高速数据交换，ARM芯片主要负责电压电流等反馈模拟量信号处理、控制逻辑以及简单算法处理、人机交互等任务。FPGA芯片实现多任务并行处理和高精度PWM信号产生输出，主要处理换能器工作阻抗角的鉴相及追频、DDS算法处理和控制信号输出、功率控制算法运算和控制量的输出、串口通信等任务。该架构将顺序逻辑事务和高速并行任务分开处理，提高了系统的响应速度，也为系统后续的更高功能、指标要求预留了极大的可扩展空间。主控模块与其他模块通过光电耦合器进行隔离可以在复杂外部工况条件下有效保护主控模块、减少外部电路信号干扰。

在本实施例中，所述ARM芯片连接触摸显示屏；所述FPGA芯片通过串口通信模块连接机床数控系统。

在本实施例中，将所需功率、理想谐振频率输入所述ARM芯片，所述FPGA芯片对采样数据进行预处理；所述FPGA芯片将处理后的数据输入到ARM芯片中进行逻辑运算，利用训练后的BP神经网络算法模型输出相应控制信号；所述ARM芯片将控制信号输出到FPGA芯片中，以使所述FPGA芯片调节功率调节模块、高频逆变模块的输出。

在本实施例中，所述训练后的BP神经网络算法模型包括：输入层、隐含层和输出层；所述输入层、隐含层、输出层依次连接，所述输入层中每个神经元与隐含层中各神经元全连接，所述隐含层中每个神经元与输出层中各神经元全连接，且两所述神经元连接之间具有对应的权重系数。

在本实施例中，将采样数据（无线线圈的电流电压信号、压电换能器的温度、匹配电感值、谐振频率这五个信号）作为BP神经网络算法模型的输入；将输出电流、输出电压幅值以及输出信号频率作为BP神经网络算法模型的输出。

在本实施例中，如图5所示，数据输入到FPGA芯片中进行存储，选择历史数据以及电源运行前5秒的最新采集数据中的无线线圈电压电流幅值信号、线圈电压电流相位差信号、理想谐振频率、换能器温度以及控制系统输出电流、输出电压、输出频率，在FPGA芯片中进行数据拟和和相似度分析，排除相似度较高的数据，将剩余数据进行归一化处理形成BP神经网络训练集输入到ARM芯片中进行模型训练。

在本实施例中，将每个所述神经元的阈值θ和权重W初始化；将训练集中的无线线圈的电压电流幅值信号、无线线圈的电压电流幅值相位差信号、理想谐振频率、压电换能器温度作为模型输入，经

在本实施例中，BP神经网络算法模型在对训练集中每组数据都训练完成以后，只是完成了一次训练，后面还要对同一个训练集进行多次的模拟训练，不断重复保证对整个训练集的每组数据误差均小于误差限。BP神经网络算法模型训练完成后就能够对系统的输出进行调整。

综上所述，本发明能够实现在复杂工况下对智能旋转高频加工控制系统工作状态的实时监控以及故障诊断，保证对频率追踪的响应速度和输出信号的准确稳定，提升系统的稳定性。

本申请中选用的各个器件（未说明具体结构的部件）均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。并且，本申请所涉及的软件程序均为现有技术，本申请不涉及对软件程序作出任何改进。

在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。