基于支持向量機回歸的智能交流接觸器PWM分時控制參數優化

趙　升　蘇秀蘋　舒　亮　吳桂初　謝文彬

1(河北工業大學電磁場與電器可靠性省部共建重點實驗室　天津 300130)

2(溫州大學浙江省低壓電器智能技術重點實驗室　浙江 溫州 325035)

?

基于支持向量機回歸的智能交流接觸器PWM分時控制參數優化

趙升1,2蘇秀蘋1舒亮2吳桂初2謝文彬2

1(河北工業大學電磁場與電器可靠性省部共建重點實驗室天津 300130)

2(溫州大學浙江省低壓電器智能技術重點實驗室浙江 溫州 325035)

摘要智能交流接觸器控制模塊PWM占空比的選取要依據設計者經驗，造成PWM占空比組合不是最優的，影響接觸器吸合動態特性。針對這種情況，提出PWM分時控制策略及支持向量機回歸參數優化方法。在不同PWM分時控制組合下測試智能交流接觸器動態特性，根據實驗數據采用支持向量回歸機方法建立PWM控制模型并優化控制參數，應用該模型對預測樣本進行評估分析。實驗結果表明，PWM控制模型能準確反映接觸器吸合動態參數與PWM控制組合之間的內在規律性，對智能交流接觸器控制方案的優化設計具有參考價值。

關鍵詞智能交流接觸器PWM分時控制支持向量機回歸預測模型

0引言

智能交流接觸器是一種新型控制電器，采用直流起動、直流吸持的工作方式。在合閘過程優化中吸力與反力的配合關系特性，降低觸頭和鐵心碰撞末速度，減小觸頭彈跳，具有節能、低噪、長壽命和可靠等優點[1-4]。近年來，交流接觸器在電子控制電路、電磁機構設計與優化、動態特性仿真與分析、控制方法與技術等方面開展深入的研究[5-8]，為交流接觸器的智能化工作奠定了理論基礎。僅就控制方法與技術而言，國內外學者提出了一些控制新方法，包括分段通斷強激磁電路控制、弱磁控制、PWM控制等動態控制策略，其中PWM控制方式是討論熱點之一。文獻[3,9]提出了不同的外加電壓段(85%～110%額定電壓范圍內)對應不同的PWM調制占空比的方法，保持線圈供電電壓保持不變，穩定接觸器的工作性能。該方法在接觸器吸合整個過程中維持PWM占空比不變。文獻[8]提出了永磁式接觸器吸合過程中位移分段PWM控制的策略。即根據接觸器工作氣隙的大小將動鐵心位移分成五段，每段內的PWM占空比固定不變，不同位移分段之間的PWM占空比不同。通過電感位移傳感器實時檢測接觸器吸合過程中位移量的變化，調用不同位移分段內的PWM占空比程序，實現最優運動特性下的吸合控制。該控制策略中沒有對PWM控制模型開展研究，不能確定每個位移分段內和位移分段之間的最優PWM占空比取值。況且所采用的控制方法數據處理量大，操動實時性很難保證，所增加的電感式位移傳感器改變了接觸器的結構，不適合在電磁式交流接觸器產品中應用推廣。

為了保證控制操作簡單和實時性，在此提出接觸器吸合過程的PWM分時控制策略及參數優化方法。即根據預期吸合時間將吸合過程分為時間均等的三段(I段、II段和III段)，用支持向量回歸機(SVR)方法確定不同階段的PWM占空比參數。該參數存放在微控制單元中，從而合理控制接觸器線圈電壓，在保證接觸器可靠吸合的前提下，使觸頭閉合末速度和吸合時間最小，從而減小觸頭彈跳，提高接觸器的電壽命和機械壽命。

1PWM分時控制策略效果分析

選取研究樣機為交流接觸器CJX2-9511加裝控制模塊而形成的95A智能交流接觸器。根據國家標準GB14048.4-2010規定，設定預期吸合時間為30 ms，并將控制模塊吸合過程分成三段(I段、II段和III段)，每段用時10 ms。通過實驗結果比較分析：在PWM占空比固定的無分時控制方案和PWM分時控制方案下的智能交流接觸器吸合動態特性差異(如：位移和速度量)。圖1(a)和(b)分別給出了PWM占空比固定(為0.8)的無分時控制方案及PWM分時控制方案(I段、II段和III段分別為1,0.8,0.6)下的智能交流接觸器吸合動態特性曲線。

圖1　不同控制方案下的吸合動態特性變化曲線

對比圖1(a)和(b)可知，采用PWM分時控制方案較PWM占空比固定方案的接觸器吸合時間縮短，閉合末速度降低。這是因為PWM分時控制在吸合起始階段及吸合運動初期，PWM的占空比為1，加載到電磁線圈上的電流大，吸力大，大大縮短了動鐵心加速運動的時間。在吸合運動的中后期，PWM分時控制的占空比小于固定PWM控制的占空比，電磁吸力變小，吸合速度降低，閉合末速度較小。因此，在智能交流接觸器中應用PWM分時控制策略簡單、可行，能優化接觸器吸合過程的動態特性。

2基于SVR方法的PWM控制模型建立

目前，智能交流接觸器PWM占空比參數的選取是根據隨機試驗方式確定[3,9,10]，該方法局限于調試者的經驗，容易造成局部最小值。本文通過試驗手段測量接觸器在不同PWM控制組合下的吸合時間和觸頭閉合末速度。由于吸合時間、觸頭閉合末速度與PWM控制組合之間存在不確定的非線性關系，傳統的學習算法(如神經網絡)采用經驗風險最小化準則。在訓練中最小化樣本點誤差，不可避免地出現過擬合的現象，而支持向量回歸機采用結構風險最小化準則，能克服因最小化樣本點誤差帶來的模型泛化能力降低的缺點，因此選用支持向量回歸機的方法建立PWM控制模型，尋找PWM控制組合全局最優值。

2.1SVR算法原理

支持向量回歸機(SVR)是基于統計學習理論而發展起來的學習機器，特別適合于小樣本數據的非線性函數擬合。其基本思想為：通過已確定的非線性映射φ(x)將處于低維特征空間R的輸入向量x映射到高維特征空間H(Hilbert空間)，并在這個空間進行線性回歸[11,12]。給定n組樣本數據(xi,yi)，其中xi∈Rd(Rd為d維實數)，yi∈R;i=1,2,…,n，回歸的目標就是找到估計函數f(x)使其在精度ε下能逼近給定數據組{yi}。該回歸估計函數可表達為：

f(x)=ωT·φ(x)+b

(1)

其中：ωT∈H，表示擬合函數的法向量；φ(·):R→H；b表示閾值。

并且滿足：

(2)

式中，yi表示向量輸出；xi表示輸入向量；ε表示不敏感度，用于控制回歸逼近誤差管道的大小，其值越大，精度越低，則支持向量越少，通常取值范圍為(0.0001～0.01)。

(3)

(4)

(5)

常用的核函數包括線性核函數、多項式核函數、徑向基核函數(RBF)和Sigmoid核函數[13]。核函數的選擇需要一定的先驗知識，若不具備先驗知識，可優先使用徑向基核函數(RBF)。

2.2PWM控制模型建立

(6)

(7)

3試驗結果對比與分析

以加裝智能控制模塊的交流接觸器CJX2-9511為研究對象，使用LK-G500型激光位移測試系統測量接觸器觸頭閉合末速度ve和吸合時間te。表1為220V輸入電壓，初始相位角為60°時，不同PWM占空比分時控制方案下的測試結果。表1中的PWM占空比組合以0.2為間隔遍歷了所有可能的取值空間(為了使接觸器性能指標最好，一般在接觸器觸動階段加載全電壓，即PWM占空比為1，所以表1中β1≥β2≥β3)，采取這種方案的實驗數據更具有一般性，適合作為訓練樣本，同理采用類似的方法選定測試數據樣本。用2.2節所述方法建立SVR模型，通過優化設計，確定SVR模型中的參數：不敏感系數ε為0.01，懲罰因子C為300。SVR模型中的核函數選擇徑向基函數，即：k(xi,xj)=exp(-‖xi-xj‖2/(2σ2))，σ取值為5.2。由圖2可知，所建立的SVR模型與訓練樣本之間吻合程度較好。

表1　訓練樣本數據

注：表1中“——”表示該組控制方案不可行，即接觸器不能完成正常吸合動作

圖2　不同PWM分時控制組合下SVR模型訓練誤差

運用SVR模型對表2中測試樣本數據進行預測，并與實際測試結果進行對比，如圖3所示。其中vf表示接觸器觸頭閉合末速度預測值，tf表示吸合時間預測值，ev和et分別表示觸頭閉合末速度和吸合時間預測的誤差大小。由圖3可知，該SVR模型能反映出接觸器吸合動態參量值與PWM控制組合之間的內在規律。從試驗結果來看，為了減小吸合時間和降低觸頭閉合末速度，可優先選取起始占空比大的組合方案。

表2　測試樣本數據及誤差值

圖3　不同PWM分時控制組合下SVR模型預測誤差

4結語

為了優化智能交流接觸器的吸合動態特性，本文提出了PWM分時控制策略。根據預期吸合時間將吸合過程均分為三個時間段，每個階段由不同PWM占空比控制，通過試驗手段論證了PWM分時控制策略的可行性。為了克服PWM占空比參數選擇的隨機性，采用支持向量機回歸方法研究不同PWM控制組合對觸頭閉合末速度和吸合時間影響的內在規律，建立PWM分時控制模型并優化模型控制參數。利用該模型對預測樣本進行評估分析，對智能交流接觸器控制方案的優化設計具有參考價值。

參考文獻

[1] 劉穎異,陳德桂,紐春萍,等.帶電壓反饋的智能接觸器動態特性及觸頭彈跳的仿真與研究[J].中國電機工程學報,2007,27(30):20-25.

[2] 汪先兵,林鶴云,房淑華,等.無位置傳感器的智能永磁接觸器弱磁控制及合閘動態特性分析[J].中國電機工程學報,2011,31(18):93-99.

[3] Shu L,Wu G,Zhu X,et al.Nonlinear magnetic field analysis for 3D electromagnetic contactors[J].International Journal of Applied Electromagnetics and Mechanics,2013,42(2):237-248.

[4] 舒亮,吳桂初,朱翔鷗,等.基于偏微分弱解式方程的三維電磁力計算及其在接觸器中的應用研究[J].中國電機工程學報,2013,33(6):176-182.

[5] 許志紅,張培銘.智能交流接觸器動態吸合過程研究[J].中國電機工程學報,2007,27(18):108-113.

[6] 紐春萍,陳德桂,李興文,等.交流接觸器觸頭彈跳的仿真及影響因素[J].電工技術學報,2007,22(10):85-90,108.

[7] 鄭鵬,張國鋼,施磊,等.智能交流接觸器動態仿真和實驗研究[J].低壓電器,2009(15):8-12.

[8] 汪先兵,林鶴云,房淑華,等.永磁接觸器位移分段PWM控制及吸合過程動態特性分析[J].中國電機工程學報,2010,30(3):113-118.

[9] 米棟,尹澤勇,錢正明,等.基于試驗設計及支持向量機的向心葉輪結構優化設計方法[J].航空動力學報,2012,27(10):2336-2341.

[10] 孫林,楊世元.基于正交試驗和支持向量機的參數設計方法研究[J].中國機械工程,2011,22(8):971-975.

[11] 陳果,周伽.小樣本數據的支持向量機回歸模型參數及預測區間研究[J].計量學報,2008,29(1):92-96.

PARAMETER OPTIMISATION OF PWM TIME-SHARED CONTROL FOR INTELLIGENT AC CONTACTOR USING SUPPORT VECTOR MACHINE FOR REGRESSION

Zhao Sheng1,2Su Xiuping1Shu Liang2Wu Guichu2Xie Wenbin2

1(Province-MinistryJointKeyLaboratoryofElectromagneticFieldandElectricalApparatusReliability,HebeiUniversityofTechnology,Tianjin300130,China)2(KeyLaboratoryofLow-VoltageApparatusIntellectualTechnologyofZhejiang,WenzhouUniversity,Wenzhou325035,Zhejiang,China)

AbstractThe selection of PWM duty cycles of intellectual AC contactor control module is according to the experience of designers, and this results in the combination of PWM duty cycles not being optimal, and affects the dynamic pull-in characteristics of the contactor as well. In light of this case, we presented in the paper the time-shared control strategy of PWM and the SVM regression parameter optimisation method. We tested the dynamic characteristics of intelligent AC contactor with different combinations of PWM time-shared control. According to experimental data we employed the method of support vector machine for regression to build PWM control model and to optimise the control parameters, and applied the model to assess and analyse the prediction samples. Experimental results indicated that the PWM control model could precisely reflect the inherent regularity between dynamic pull-in parameters of the contractor and PWM controls combination. This has the reference value on optimising the design of intelligent AC contactor control scheme.

KeywordsIntelligent AC contactorPWM time-sharing controlSupport vector for regressionPrediction model

中圖分類號TP391.77

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.01.019

收稿日期：2014-08-28。浙江省重大科技專項項目(2011C11086)；浙江省重點科技創新團隊自主項目(2010R50006)。趙升，講師，主研領域：電器現代設計技術，電器智能化。蘇秀蘋，教授。舒亮，助理研究員。吳桂初，教授。謝文彬，高工。