逆變點焊電源的恒流控制技術

安徽理工大學電氣與信息工程學院 姚威威

近年來，隨著電力電子和計算機技術的快速發展，點焊機被廣泛應用于機械、電氣、航空航天、材料等領域。但在焊接的過程中都存在一些普遍的問題，例如，焊接電阻隨時間非線性變化，焊接電流、電極壓力、焊接時間等多種因素之間相互耦合。因此，建立逆變點焊電源控制系統的精確數學模型是十分困難的，僅依賴傳統的PID控制滿足不了實際焊接的效果。對于點焊機系統而言，影響焊接質量的最重要的因素是焊接電流，尋找合適的控制算法去保持焊接電流的恒定是非常必要的。

隨著智能控制算法的不斷涌現，模糊控制和人工神經網絡控制的出現為解決這一難題提供了有利條件。他們不依賴于被控系統的數學模型，能有效處理非線性、強耦合時變、滯后的問題。模糊神經網絡控制（FNNC）融合了模糊系統的語言推理能力和神經網絡的學習機制的優點，在焊接過程中，通過對PI控制器的參數進行實時調整，使PWM波的占空比發生改變，從而維持焊接電流的恒定。

1 基于FNNC的逆變點焊電源恒流控制

逆變點焊電源的主電路和控制電路組成如圖1所示，主電路涉及到的電能變換方式包括整流-逆變-整流。其工作過程如下：三相橋式整流電路將交流電整流成帶有少許紋波的直流電，再經電容濾除紋波后作為全橋逆變器的母線電壓，幅值在570V左右。中頻變壓器對逆變器的輸出電壓進行降壓處理，得到幅值為10V以下的交流電，變壓器的次級電壓再經單相整流電路整流，最終給負載提供穩定的直流電。

圖1 逆變點焊電源的恒流控制框圖

焊接電流恒流控制的原理是：采樣變壓器二次側實際輸出電流，并與預先設定的焊接電流進行比較，二者的差值以及差值的微分作為FNNC的兩個輸入，FNNC經過模糊推理和神經網絡的自學習等一系列運算過程，輸出PI控制器的比例系數和積分系數的變化量，實時對PI控制器的參數進行調節，其參數計算公式如(1)所示。這樣有效地改變了傳統PI控制中，PI控制器參數無法在線整定的缺點。PI控制器的輸出作為PWM波的占空比，用來控制逆變器開關器件的導通和關斷時間。在焊接過程中，當負載電阻變化時，能維持焊接電流的恒定，這一措施在很大程度上提高了焊接質量。

2 模糊神經網絡控制器

2.1 模糊神經網絡的模型

在點焊機的控制系統中，為了提高焊接電流的精密性和穩定性，并結合所采樣的焊接電流的特點，模糊控制中的清晰化、模糊推理以及清晰化等步驟由BP神經網絡來實現。模糊神經網絡的兩個輸入節點是經過量化因子處理過的焊接電流偏差以及偏差的變化率，整個網絡中的神經元節點都與模糊控制有著密切的聯系，網絡從輸入層到輸出層的五層計算完成了模糊推理的所有過程，如圖2所示。

圖2 模糊神經網絡的模型

五層BP神經網絡的每一層都有著明確的含義，netjp代表第p層第j個神經元的凈輸入，代表第p層第j個神經元的輸出。

第一層是輸入層，輸入量e和ec與該層的兩個神經元節點的連接權值都為1，則有：

第二層是隸屬函數層，執行的功能是對上一層輸入變量的精確值進行模糊處理。根據實際控制的需求，e和ec均定義了7個模糊子集，即為NL（負大）、NM（負中）、NS（負小）、Z（零）、PS（正小）、PM（正中）、PL（正大）。因此，該層有14個節點。一般，隸屬函數選取三角型或者高斯型，為了簡化運算，這里選取后者。

其中，mij、δij分別表示第i個輸入變量的第j個模糊集合的高斯型隸屬函數的平均值和標準差。i=1，2，j=1，2…7。

第三層和第四層共同構成規則層，由于e和ec各有七個模糊子集，因此，模糊規則共有49條。其中，規則前件層決定執行49條規則中的哪一條或者哪幾條規則，也就是判斷哪些規則被激活。后件層是對被激活的規則進行運算，構成系統總的模糊規則。例如，在一個采樣周期中，被激活的k條規則分別為R1，R2…Rk，如果選取“或”運算，則總的模糊規則可以用公式(4)表示。

最后一層是清晰化層，將模糊量轉換成能夠對PWM占空比進行控制的精確量。

2.2 模糊神經網絡的學習方法

神經網絡的自學習過程就是不斷調節各層網絡之間連接權值的過程，通過不斷調節，建立輸入和輸出之間的清晰、明確關系。依據Delta學習規則，當焊接電流的實際輸出值和給定電流不同時，認為網絡的誤差是存在的，誤差可以表示為：

通過網絡層之間的推理計算，可以得出誤差E是連接權值wrs（神經網絡第r層和第s層之間的連接權值）的函數，由于訓練的目的是讓電流誤差越來越小，逐漸逼近于設定，因此要求得誤差函數的極小值，往梯度下降方向進行調整，即：

3 仿真結果

利用Matlab的Simulink的仿真工具，搭建了模糊神經網絡PI控制下的焊接系統模型，當給定焊接電流為6kA時，焊接電流實際輸出波形如圖3所示。從波形可以看出，在電流上升階段的動態響應橫跨，在0.025s左右達到穩態，穩態階段的電流基本能跟隨給定，波形波動很小。

圖3 焊接電流波形

結論：本文設計的基于模糊神經網絡PI的電流控制方法，通過對PI控制器的參數實時在線整定，從而解決了焊接過程中負載電阻變化導致的焊接電流不穩定的問題。仿真結果表明，利用模糊神經網絡控制能夠提高焊接電流的快速性和穩定性，在很大程度上提高了焊接質量，具有一定的實際應用價值。