控制回路优化

技术领域

本发明涉及用于驱动系统的闭环控制。

背景技术

调谐控制回路是将其控制参数(比例带/增益、积分增益/复位、微分增益/速率)调整到所需控制响应的最佳值。稳定性(无界振荡)是基本要求，但除此之外，不同的系统具有不同的行为，不同的应用具有不同的要求，并且要求可能彼此冲突。

PID控制器在工业中广泛使用，是数十年来最流行的控制器。因此，即使PID设计中的小的改进也可能在世界范围内具有主要影响。在时域和频域上有许多关于PID调谐算法的理论和实践论文。它们使用分析、图形或经验方法，包括人工智能。

有几种用于调谐PID回路的方法。最有效的方法通常包括开发某种形式的处理模型，然后基于动态模型参数选择P、I和D。手动调谐方法可能相对耗时，特别是对于具有长循环时间的系统。

类似模数最优或对称最优的传统调谐技术可应用于许多功率电子应用的控制回路的设计。当在数字控制系统中直接实现时，这将导致降低的稳定性裕度，因为对于控制器设计没有考虑采样效果。

在电驱动领域中，在该参数优化中经常采用两种方法：AVO和SO准则，即绝对值最优(AVO)和对称最优(SO)准则。

这些效应的平衡是通过回路调谐以产生最佳控制函数来实现的，调谐常数必须为每个控制应用导出，因为它们取决于控制器外部的整个回路的响应特性。对于整个控制函数，Kp、Kd、Ki都是非负的，并且分别表示比例项、积分项和导数项的系数(有时表示为P、I和D)。其中，Kp是比例增益、调谐参数，Ki是积分增益、另一个调谐参数，Kd是导数增益、又一个调谐参数。

例如，能够进行手动调谐，但是需要有经验的人员。

发明内容

因此，本发明的一个目的是优选地以一种自动的方式改进驱动系统的控制回路的控制准确度，并且识别哪些参数需要进一步调谐，特别是在需要调谐多个参数的情况下。

根据以下方面实现该目的。

根据第一方面，一种优化转换器的控制回路准确度的方法。例如：提出了一种转换器的控制系统。该方法包括获取由转换器供电的驱动系统的实际值的步骤。该方法还包括：基于机器学习模型和实际值，推断控制回路的控制参数的一个或多个调整，以提高控制准确度；以及输出调整以适应控制参数值。

根据第二方面，提出了一种用于执行根据第一方面的方法步骤的转换器。

根据第三方面，提出了一种训练机器学习模型的方法。该方法包括以下步骤：基于(虚拟)驱动系统的实际值来训练机器学习模型，这些实际值包括实际旋转速度、旋转速度设定点、实际转矩，以及控制差。

另外的实施例是从属权利要求的主题并且也在下面描述。

附图说明

图1示出了为驱动系统供电的转换器的示意图。

图2示出了驱动系统的生命周期中的不同阶段的示意图。

图3示出了优化前控制回路的阶跃响应的示意图。

图4示出了根据第一实施例的控制回路的优化的示意图。

图5示出了优化后的控制回路的阶跃响应的示意图。

图6示出了阶跃响应之后的控制差的振荡。

图7示出了根据第二实施例的控制回路的优化的示意图。

图8示出了根据第三实施例的控制回路的优化的示意图。

图9示出了第一和第二机器学习模型的数据处理以及训练和创建的示意图。

图10示出了用于生成用于训练和/或测试一个或多个机器学习模型的数据集的设置的示意图。

具体实施方式

在图1中示出了转换器1和驱动系统2。驱动系统2的控制由转换器1和优选地集成到转换器1中的控制系统20执行。为此，转换器1是控制回路10的一部分，并且能够包括处理器和存储器以控制驱动系统2。转换器1因此为驱动器6供电。通常，由电动机驱动的机械系统能够通过所谓的双质量系统来简化。这两个负载之间的连接，即联接，由刚度(c)和阻尼(d)描述。驱动器6因此与弹簧阻尼器系统7联接，弹簧阻尼器系统7又与负载8联接，负载8一起产生双质量振荡器。电流控制电路在图1中被简化为闭环控制元件4。其中，Kp对应于电动机相对于设定点值的阻尼，并且积分器的积分时间Tn像弹簧一样作用。比例增益因子Kp与电动机绕组的电感成比例，而积分时间Tn与电流控制器4的时钟周期成比例。优化能够包括优化比例增益因子优化Kp和/或积分时间优化Tn。

应当控制实际(旋转)速度n

用于控制驱动系统2的控制回路10能够例如用默认设置来调试或初始化。因此，转换器的控制器设置(比例增益因子Kp和积分时间Tn)能够自动预设。这能够通过SIEMENS'DRIVE-CLiQ的自动配置或通过将电动机代码号输入到调试工具中来完成，或者控制设置能够由调试工程师手动输入到转换器中。

控制回路10能够使用一个或多个控制参数(例如，如图所示的Kp和Tn)来调整控制回路10。例如，Kp和/或Tn能够用作PI速度控制器3的控制参数。通过在此提出的方法和系统，能够获得对控制动作的推荐以便调整控制参数Kp和/或Tn。Kp当然表示PI速度控制器3的比例放大，而Tn对应于PI速度控制器3的积分时间。Tn是一旦出现控制偏差，控制器的I部件将需要产生与P部件立即形成的相同的定位信号的时间。通过所提出的方法，能够获得对控制动作的推荐以调整控制参数Tn和/或Kp。在不良编码器信号(有噪声的实际速度值)的情况下，该值能够由PT1滤波器5平滑。公共平滑时间Tn能够被设置为大约2－3ms。如图1所示，速度控制器能够是PI控制器3。

转到图2，示出了驱动系统的寿命周期期间的示例性时间点。首先，即生产或安装新的驱动器。例如，当将新驱动器插入到项目中时，Kp因子根据电动机惯性和1/3的附加因子而被预先分配。在机器的调试期间，II.，驱动控制由调试人员优化。驱动控制，主要是速度控制器，并且如果必要的话，平滑时间以这样的方式被优化，使得由电动机、齿轮箱、万向轴、皮带等组成的传动系的行为在此时彼此最佳地匹配，III。由于机器的正在进行的操作，IV.，其机械结构经常遭受不明显的磨损，这能够改变V.，作为整体的传动系的行为。诸如温度或油压的操作环境影响也可能具有在调试阶段期间可能不存在的影响。然而，尽管传动系的特性由于磨损或转换工作而显著改变，但是通常没有分别重新优化传动系及其控制回路。这可能导致次优控制和次优控制设置，VI。

到目前为止，该问题的解决如下：1.工厂操作者通常不知道驱动系统不再根据期望的优化标准进行最佳控制。驱动系统一直处于运行状态，直到出现错误并且必须呼叫维修技术人员。这可能导致设备关闭。2.服务技术人员定期检查驱动系统的行为。

提出了相对于优化标准“对称最优”，SO，来评估驱动系统的控制质量，并提供用于设置控制参数的一个或多个动作的建议。为此目的，能够切换速度设定点跳跃并且将其传递到该驱动系统。然后能够读出控制回路参数速度设定点、速度控制值、转矩输出和控制差。图3示出了在优化控制回路之前具有上述参数的相应跳跃响应的速度设定点跳跃。

速度设定点11(粉红色)已经在跳跃中增加。在跳跃时，控制差13(蓝色)等于跳跃高度，因为在跳跃之前没有控制差。优选地，在该实施例中，在控制器接收信号之前，不存在通过控制回路的设定点的设定点滤波器，例如通过一阶滞后滤波器。驱动器(黑)的转矩14以时间延迟跟随控制差13，该时间延迟由于平滑时间而出现。未平滑的速度值12(橙色)被调整到目标速度设定点11。通常，驱动系统很少或根本不被维护，并且控制没有针对变化进行优化。结果，不再根据先前限定的优化标准来控制系统。

下面将结合图4描述控制回路的优化。图5中示出了优化的结果，其示出了系统控制差的两个跳跃响应：在根据第一和/或第二程序用所开发的方法进行优化之前一次21(红色)，在优化之后一次22(蓝色)。

如图4所示，优化的起始点能够是从驱动系统和/或转换器采样或测量或以其他方式获取的原始数据。测量的原始数据能够以诸如CSV格式的特定数据格式获得。每个测量能够包括一个或多个以下控制参数，如图4所示：

·(实际(旋转))速度值，例如以每分钟转数计

·(实际)转矩值，例如以牛顿－米计

·例如以每分钟转数为单位的速度设定点

·控制差，例如以每分钟的转数为单位。

此外，能够获取供给驱动器的实际电流值，如图4所示。

基于这些实际值中的一个或多个，能够执行特征提取。为此，能够使用例如Python脚本的脚本来读取原始数据并生成(特征)特征。这些特征能够全部或至少部分地涉及控制回路的控制差。例如，这些特征能够包括以下各项中的一项或多项：

·ü:控制差过冲

·T上升：上升时间，可限定为Trise＝T90－T10(上升时间)

·Tmax：最大过冲时间

·T50：控制差调整一半之前的时间

·Taus：稳定时间，其中，Taus是直到控制差固定97％或100％或另一百分比的时间，取决于选择的公差(调整时间)。

附加特征(基于控制差)可包括：

·T90：控制差调整90％之前的时间

·T10：控制差调整10％之前的时间

·△T：其中，△T可限定为△T＝Tmax-Tan，其中，Tan是对应于T97－T0(校正时间)的控制上升时间。

当然，能够从实际值形成其它特征。如果实际值被用于训练，即训练数据，则标签(以后也称为类)能够被分配给一个或多个特征，这将在下面进一步描述。如果实际值用于推断(用于优化控制回路的调整的推断)，则标签(也称为类别)将由一个或多个机器学习模型基于特征(值)输入来推断。

此外，能够检查平滑时间对于各个测量是否太小。为此，如图6所示，在例如直到达到上升时间T50或稳定时间Taus的时间段期间考虑控制差。如果在该时间段期间控制差具有较高频率的振荡，其将控制差例如至少一次或两次(或另一指定次数)增加跳跃高度的至少2％或5％(或另一指定百分比)，则可能需要增加速度或旋转速度的实际值的平滑。

因此，除了特征提取之外，在实际值的数据预处理期间检查实际速度的平滑时间的时间常数对于相应的测量是否太小。为此目的，能够考虑控制差，例如，直到上面提到的时间T50。对于(实际速度值)平滑的增加，有两个条件，其中一个必须满足。首先，如果控制差具有至少两个较高频率的振荡，其中一个在短时间内将控制差的值提高跳跃高度的至少9％，则建议增加平滑时间。其次，如果在所考虑的周期期间发生至少五个较高频率的振荡，则应该增加速度稳定性，其中至少两个振荡将控制差增加跳跃高度的5％以上。在图6中，控制差的这种较高频率的振荡被示出为以Tan为单位的时间t的函数。

返回到图4，所提取的特征能够用作机器学习模型ML1的输入，或者如稍后将描述的那样用作机器学习模型ML2的输入。如图4所示，例如作为Python脚本的结果，也能够确定指示(旋转)速度的实际值的平滑是否应该增加的标志，如上面所描述的。

此外，所提取的特征能够被标准化。下面将描述从实际值导出的特征的标准化和第一优化过程。例如，特征被输入到Matlab中。然后，能够选择和规格化所需的特征。对于时间的标准化，能够使用时间T50。标准化特征能够包括以下中的一个或多个：

·控制差过冲

·标准化到T50的控制差的上升时间Trise

·时间差△T标准化为T50

·稳定时间Taus标准化为T50。

因此，能够参照T50执行标准化。此外，还能够使用各个特征的平均值和标准偏差来缩放特征。

利用所得到的特征，所有这些特征能够涉及控制差，然后能够训练机器学习模型ML1。稍后，训练的机器学习模型能够用于基于特征输入的推断。机器学习模型能够是人工神经网络、K最近邻模型、支持向量机，或决策树，例如随机森林。优选地，使用K最近邻模型。

机器学习模型ML1能够将特征输入分类为多个输出类。在图4中，示出了九个输出类。此外，如图7和8中的实施例所示，(相同的)特征能够被输入到第二机器学习模型中，优选地是支持向量机，例如具有编码“OneVsOne”，这也将在后面描述。

如图4所示，机器学习模型ML1将输入分类为9个不同的类别。当然，能够选择另一种分类模式，即能够将分类执行到不同数目的类中。这些类别能够具有以下调整并且特别是与其相关联的控制动作：

1类：没有必要进行调整，例如因为对称最优，SO，已经存在

2类：增加Kp(通过加倍)

3类：降低Kp(通过减半)

4类：增加Tn(通过加倍)

5类：降低Tn(通过减半)

6类：增加Kp和Tn(通过加倍)

7类：增加Kp(通过加倍)并减少Tn(通过减半)

8类：降低Kp(通过减半)并增加Tn(通过加倍)

9类：降低Kp和Tn(通过减半)

能够选择用于调整控制参数的其它调整因子，而不是将各个控制参数加倍或减半。然而，已经发现控制回路在电流控制参数值减半或加倍的情况下保持稳定。

作为输出数据，机器学习模型ML1还能够为每个类提供度量，例如概率。作为第一机器学习模型ML1的补充或替代，能够使用第二机器学习模型，例如支持向量机，以便根据分类模式对输入特征进行分类。支持向量机能够为每个类提供纠错和FKS1、FKS9作为输出。误差校正和FKS1，…，FKS9的绝对值越小，该测量属于相应类别的度量或概率越高。

如果机器学习模型ML1提供1类到5类作为结果，则该结果能够(直接)用于控制回路的调整。当然，如果机器学习模型提供类6到9中的任何一个，即其中Kp和Tn都需要调整，结果，这能够用于相应地调整控制回路设置。

优化的结果在图5中示出，其中示出了优化前后的控制差。从图5能够看出，优化22后的控制差比优化21前的控制差快得多。因此，在优化之后，驱动系统被更快地调整，从而提高了控制准确度。

现在转到图7，在机器学习模型ML1作为结果提供类6到9之一的情况下，可能需要调整Kp和Tn两者。因此，一般而言，可能出现需要调整Kp和Tn两者的情况。为了找出哪个参数Kp或Tn支配，提出了第二步骤。在第一步骤之后应用第二步骤，如结合图4所述。在第二步骤的情况下，使用第二机器学习模型ML2对输入特征进行分类。例如，支持向量机馈送所确定的特征，并且能够使用支持向量机的结果，即纠错和FKS1，…，FKS9。然后能够比较第一和第二机器学习模型ML1、ML2的结果，以便调整控制回路的控制参数和/或提高控制回路的准确度。如图6所示，两个机器学习模型ML1、ML2的结果能够通过比较分类和相应的输出值来进一步评估。因此，对于第二步骤，比较两个不同的机器学习模型ML1、ML2的结果。这里，模型之间的差异不是关于特定的参数化，而是关于机器学习模型ML1、ML2的类型。

由本身能够是机器学习模型ML3的决策算法进行的后续评估的输入特征是第二机器学习模型ML2的结果，例如来自支持向量机的结果的(九个)纠错和FKS1，…，FKS9，以及第一机器学习模型ML1的结果，例如分类。在当前情况下，这导致能够由第三机器学习模型ML3使用的总共十个特征。由决策算法执行的第二步骤的结果由如下所示的三个类别1、2、3组成：

出于示例性原因，已经结合K最近邻和支持向量机描述了第一和第二步骤。然而，为了执行第一和/或第二步骤，能够使用人工神经网络、决策树模型，诸如随机森林模型或另一机器学习模型。

使用来自第一机器学习模型ML1的结果和来自第二机器学习模型ML2的结果，如果需要调整两个或更多个控制参数，则现在还能够提供用于调整，特别是控制动作的建议。下表示出了根据所有可能组合的控制动作的建议。

/>

调整能够例如自动地应用于控制回路，或者能够例如经由调试工具向用户显示以便手动地输入一个或多个调整。同样，能够选择不同的调整因子，但是改变方向是重要的。

回到图7的实施例，第二步骤的结果是，虽然Kp和Tn都应该升高，但是Kp更多地影响控制回路的行为，即占主导地位。在这种情况下，能够改变调整和/或控制动作推荐，以根据上表中所示的调整因子来增加(仅)Kp。

能够重复整个过程，包括视情况而定的第一和第二步骤，直到第一机器学习模型输出1类，即达到对称最优。当然，能够调整第一步骤以识别绝对值最优或另一个期望的优化目标。在(重复)优化期间，控制动作推荐能够从增加控制参数的推荐改变为减小控制参数的推荐。如果是这种情况，则不再使用上表中给出的因子。从这一点开始，能够调整控制参数，使得它被设置在相应控制参数的(过高的)调整因子和(过小的)调整因子之间的中间。此外，必须总是注意是否设置了“平滑速度的实际值”标志。如果是这种情况，则应该增加速度的实际值的平滑，并且不应该改变参数Kp和Tn。

转到图8，示出了另一实施例。如图所示，首先执行数据采集。也就是说，获得表示实际速度、实际转矩、速度设定点和控制差的测量数据。能够对各个数据点加上时间戳。基于所获取的数据，能够执行特征提取。这些特征能够包括过冲ǖ、上升时间Trise、时间差△T和稳定时间Taus。

基于第一步骤中的特征，确定使用第一机器学习模型ML1的分类。第一机器学习模型输出单个类。不同的类别能够对应于不同的调整和/或控制动作推荐。在第一机器学习模型确定仅需要调整单个参数的情况下，能够直接使用或实现输出类(和相应的)控制动作。在第一机器学习模型的输出类对应于两个或更多个控制参数的调整或控制动作推荐的情况下，在第二步骤中确定第二机器学习模型的输出或结果。在这种情况下，或者在获得第一机器模型的推断之后开始第二机器学习模型的推断，或者与第一机器学习模型的推断并行地执行第二机器学习模型的推断。在任何情况下，第一和第二机器学习模型的输出或结果被用于确定控制回路的两个或更多个控制参数中的哪个控制参数占主导并且应当被单独调整的趋势。为此，能够向第三机器学习模型馈送第一和第二机器学习模型的输出或结果的至少一部分。然后，第三机器学习模型能够推断趋势。然后能够使用第三机器学习模型的结果来调整驱动系统的控制回路。如前所述，第三机器学习模型ML能够是K最近邻、支持向量机、人工神经网络或决策树中的任何一个。

关于图9，将解释第一和第二机器学习模型的训练和创建。数据集能够被分成子集，例如第一训练数据集、第二训练数据集和测试数据集。该数据集能够包括对应于该驱动系统的实际值的原始数据。因此，在这种情况下，该数据集被划分三个不同或相同大小的数据子集。能够对所有三个子集进行一些预处理，以便为相应的机器学习模型生成特征。

在第一子集的情况下，该第一子集可用于训练第一机器学习模型。因此，第一机器学习模型用于识别根据第一步骤的调整或控制动作控制。其中，第一步骤用于识别需要调整控制回路的哪些控制参数，以便根据诸如对称最优的优化标准来优化控制回路。作为该训练的结果，获得了第一机器学习模型。然后该第一机器学习模型能够由其使用，或者与如下所述的第二步骤结合使用。

在第二子集的情况下，能够将第二子集输入到第一机器学习模型中，以便获得用于第二步骤的训练数据，第二步骤包括要训练的第二机器学习模型。结果，获得对第一机器学习模型的结果(以及输入到第一机器学习模型中的特征)进行训练的第二机器学习模型。其中，(仅)第一机器学习模型的结果描述多于一个的调整，即控制回路的控制参数中的两个或更多个可用于训练第二机器学习模型。

在第三子集的情况下，第三子集能够用于测试通过上述训练获得的第一和/或第二机器学习模型。当然，数据集能够仅被分成一个或两个子集，即用于训练第一和第二机器学习模型。

关于图10，将更详细地描述如图9所示的数据集的生成。在没有足够的关于驱动系统及其不同应用的数据可用的情况下，为了补充现有数据或以其他方式，能够使用驱动系统仿真来获得训练和/或测试目的所需的数据。另一方面，能够使用用于控制模拟驱动系统的实际转换器硬件。这种设置通常被称为环路中的术语“硬件”，HiL。转换器能够包括一个或多个部件，即能够具有模块化结构。此外，转换器可包括或可操作地联接到用于获取测量数据的传感器。然而，在当前情况下，能够使用提供代替真实世界数据或信号的输入或输出信号或数据的驱动系统仿真。如图10所示，软件应用程序或工具能够用来调试和/或优化转换器的控制回路设置。为此，软件应用程序可操作以执行上述方法步骤中的一个或多个。也就是说，软件应用程序可用于获取驱动系统的实际值。此外，软件应用程序能够包括一个或多个机器学习模型，用于推断控制回路的控制参数的一个或多个调整，以提高控制准确度并输出调整以适应控制参数值。此外，软件应用程序可用于根据所确定的调节来设置控制回路参数。

通过在此提出的方法和系统，能够在线地并且在操作过程中分析驱动系统的控制质量。通过触发速度设定点跳跃，工厂操作员能够接收对一个或多个控制动作的建议，以便调整驱动系统的控制参数。工厂操作者能够自己测试他的驱动系统的控制质量，并因此保证控制参数被最佳地调整到应用。