基于智能运动控制的回转支承寿命延长方法_谢冬华

第44卷增刊1中南大学学报(自然科学版)Vol.44Suppl.12013年7月JournalofCentralSouthUniversity(ScienceandTechnology)July2013基于智能运动控制的回转支承寿命延长方法谢冬华，王华，洪荣晶，陈捷(南京工业大学机械与动力工程学院，江苏南京，210009)摘要：提出一种基于智能运动控制的回转支承寿命延长新方法，建立了基于力矩型神经网络阻抗控制的回转支承运动控制系统模型，与传统控制方法进行仿真对比。研究结果表明：新方法可自适应外部负载的变化，使功率损耗降低，降低了回转支承损伤发生的几率和损伤发展的速度，实现回转支承使用寿命的延长。关键词：回转支承；阻抗控制；神经网络；自适应；寿命延长中图分类号：TP273文献标志码：A文章编号：1672−7207(2013)S1−0281−06ServicelifeextensionmethodofslewingbearingbasedonintelligentmotioncontrolXIEDonghua,WANGHua,HONGRongjing,CHENJie(CollegeofMechanicalandPowerEngineering,NanjingUniversityofTechnology,Nanjing210009,China)Abstract:Anewservicelifeextensionmethodwasproposedbasedontheintelligentmotioncontrol.Amotioncontrolmodelwasestablishedbasedonthetorque-basedneuralnetworkimpedancecontrol,thenthesimulationandcomparisonwithtraditionalcontrolmethodwereperformed.Theresultsshowthatthisnewcontrollerperfectlymatchstheloadchanging,lowerstheprobabilityofdamageoccurrenceanddamagegrowthrate,thentheservicelifeofslewingbearingisextended.Keywords:slewingbearing;impedancecontrol;neuralnetwork;adaptive;service-lifeextension回转支承是广泛应用于大型机械结构中需要作相对回转运动的基础部件，要求同时承受轴向力、径向力和倾覆力矩，低速重载，采用齿轮驱动，工作环境尤其恶劣[1]。回转支承类似于机械设备的“关节”，作为机械结构关键部件，使用寿命和可靠性问题一直是业界关注的热点。针对回转支承寿命问题，国内外主要有如下两个研究方向：(1)建立寿命计算模型用于优化设计，提高可靠度，但在建模方法和模型完善方面还有待深入研究[2]；(2)使用故障诊断方法建立健康监测系统，而故障诊断方法在环境恶劣的低速部件使用上还有待方法研究和实验验证[3]，并且在风力发电机等维修难度大的应用场合，其意义得不到体现。近年来，有人曾尝试采用智能方法构建控制系统以实现寿命延长[4−5]。本文作者将人工智能方法引入立式安装的风机变桨回转支承运动控制系统，实现回转支承运动机构能根据外界负载自动调节控制参数，在应有可靠度的基础上，通过优化其运动状态，降低功率损耗，实现使用寿命延长。1回转支承运动系统的动力学模型简化回转支承及其机构如图1所示。图1中F外为外负载，等效为回转支承所受倾覆力矩M、轴向力收稿日期：2013−03−01；修回日期：2013−05−02基金项目：国家自然科学基金资助项目(51105191)；国家科技支撑计划资助项目(2011BAF09B02)；江苏省自然科学基金资助项目(BK2011797)；江苏省高校“青蓝工程”骨干教师项目通信作者：王华(1978−)，男，江苏南通人，副教授，从事机械系统智能检测与控制、先进制造技术研究；电话：[phone]；E-mail：[e-mail]中南大学学报(自然科学版)第44卷282Fa和径向力Fr；T驱为驱动力矩；Tf为回转支承摩擦阻力矩；l为机构长度。图1中系统动能为222k1128EImlθθ=+(1)式中：I为机构转动惯量；m为机构质量；θ为角位移。系统虚功为θθδδWc−=(2)式中：c为机械机构阻尼系数。系统势能为θcos21pmglE=(3)回转支承摩擦阻力矩的经验公式[6]：f4.4(2.2)2mramdMTFFdμ=++(4)式中：dm为回转支承直径；μ为回转支承选型系数。将式(1)~(3)代入拉格朗日方程得到系统动力学模型：2f11111()()4TFImlcYTrrrrθθ−=++++驱外(5)式中：r为电机作用力半径；θsin21mglY=。图1回转支承机械结构简化模型Fig.1Simplifiedmodelofslewingmechanicalstructure2回转支承运动控制模型2.1力矩型神经网络阻抗模型环境和对象末端的相互作用力称为阻抗。阻抗控制是力/位置控制中的一种主要方法，其设计思想是通过设定适当的阻抗增益值，用以调节作用力与位置偏差间的关系，达到控制作用力的目的，从而保证对象在受限空间运动而保持适当的接触力[7−9]。目前广泛应用于控制系统的PID控制方法的抗外界干扰能力差，对系统结构参数变化适应能力差，影响了控制系统的鲁棒性。而变结构滑模控制需要对控制模型有详细的了解，这样给建模带来很多不便。由于神经网络具有自组织特性，能弥补模型不精确引起的误差，其强大的自适应能力能降低外界干扰，增强系统鲁棒性[10−12]。因此，本文将神经网络补偿器加入阻抗控制，如图2(a)所示。基于动力学模型，获取神经网络阻抗控制律F为21111()()()4fFImlUcYTFrrrφθ=++++++外(6)其中])()([1外FPCMUrrr−−+−+=−θθθθθ(7)式中：M，C和P分别为惯性系数、阻尼系数、刚性系数；θr为回转支承参考轨迹；φ为神经网络补偿信号。通过合理的设计参考轨迹θr可获得与外负载匹配的末端作用力。令E=(θr−θ)，回转支承机械机构控制满足以下目标阻抗关系：PEECEMF++=外(8)φ的控制目标是减小误差训练信号V到零，误差训练信号定义为)(1外FPEECMEV−++=−(9)2.2神经网络补偿器的设计神经网络补偿器采用BP神经网络。该网络由输入层、隐含层、输出层3部分组成，如图2(b)所示。输入层为Trrr[()(1)(2)]iXtttθθθ=−−，隐含层节点采用非线性S型激活函数，输出值为))(exp(1))(exp(131113111∑∑−−+−++−−=ijijiijijijbwXbwXφ(10)式中：1ijW为输入层与隐含层间的权重值；1jb为隐含层中第j个神经单元的偏置值。经过线性输出获得输出层输出为)(1122∑−+=Sjkjkjkbwφφ(11)式中：2jkW为隐含层与输出层间的权重值；2kb为输出层中第k个神经单元的偏置值。选取训练参数V的二次型作为训练的性能函数：VVJT21=为使性能函数J昀小化，采用反向传播的动量改增刊1谢冬华，等：基于智能运动控制的回转支承寿命延长方法283(a)控制系统模型；(b)神经网络补偿器结构图2神经网络阻抗模型Fig.2Modelofneuralnetworkimpedancecontrol进式[13]，可以得到更新规律为)1()1()(1121−Δ+⎟⎟⎠⎞⎜⎜⎝⎛−=Δ∑=tbwVXtbjnkjkkikkjγφλφ)1()(22−Δ+=ΔtbVtbkkkγλ)1()1()(1121−Δ+⎟⎟⎠⎞⎜⎜⎝⎛−=Δ∑=twwVXtwijnkjkkikkijγφλφ)1()(22−Δ+=ΔtwVtwjkkkjkγφλ式中：λ为更新率；γ为动量项系数。2.3轨迹修正调整环境刚度通过理想F，K，eθ和eK合理设计θr，使外F达到理想外负载理想F。假设effrkfe理想+′=′θθ(12)式中：rθ′，eθ′和理想f分别是rθ，eθ和理想F的元素；keff为综合刚度。eeeffkkkkk+=(13)式中：k和ke分别是K和Ke的元素。在已知环境刚度不确定的情况下，由式(11)和(12)可算出参考轨迹θr。然而，由于不能精确测量ke，会导致θr有误。为解决这个问题，令eeeθθ−=fk(14)式中：fe为传感器测得的作用力。由式(12)和(13)得到eeeeff)(fθθkkfk+′−′=(15)将式(14)代入式(11)，得到轨迹修正量中南大学学报(自然科学版)第44卷284eeer))((kffkf+′−′=Δθθθ理想(16)在0e=f且eθθ=无界时，运用L’Hoptal’s规则，式(15)可表示为kf理想+′=′erθθ(fe=0)，eeeer))((kffkf+′−′+′=′θθθθ理想(0e≠f)(17)这样无论回转支承机械结构处于何种状态都可以修正轨迹。3系统仿真及分析以图1为模型，通过Matlab中Simulink进行系统仿真，如图3所示。其中神经网络补偿器输入层神经元个数为3，隐含层神经元个数S1为8，输出层神经元个数为1，采用线性输出，权值更新率为0.00002，动量项系数为0.0002。为了验证神经网络补偿器的效果，模型中神经网络补偿器可替换为常用的PID模块，作为补偿器来提供补偿信号，其中PID补偿信号通过调节比例系数KP、积分系数KI、微分系数KD实现。3.1正弦力跟踪及功耗分析对回转支承机械系统进行正弦力跟踪，正弦力幅值为3kN，此时位置跟踪曲线如图4(a)所示。图4中ICNN为神经网络阻抗控制模型跟踪曲线，Expectation为期望曲线，ICPID为PID阻抗控制模型跟踪曲线。由图4可知：在神经网络阻抗模型及PID阻抗控制模型控制下，均能精确地跟踪理想位置曲线和速度曲线，其中神经网络阻抗模型通过自适应调节内部参数实现精确跟踪，而PID补偿器通过手动调试使比例系数KP为1.2，积分系数KI为0.8，微分系数为KD为0.5，以达到精确跟踪。图3仿真模型Fig.3Simulinkmodel(a)位置；(b)速度1—ICNN；2—Expectation；3—ICPID图4位置与速度跟踪对比Fig.4LocationtrackingandvelocitytrackingbasedonICNNandICPID增刊1谢冬华，等：基于智能运动控制的回转支承寿命延长方法285然而，在满足位置及速度跟踪情况下，两种阻抗控制模型的力跟踪及功率损耗情况不同。由图5(a)可知：神经网络阻抗控制下的力跟踪效果要优于PID阻抗控制下的力跟踪效果，PID阻抗控制下ICPID曲线幅值始终大于理想值，并有不断变大的趋势。由图5(b)所示，神经网络阻抗控制下ICNN曲线可以跟踪理想的功率曲线，而加入PID的阻抗模型ICPID曲线于30s后开始出现大量功率损耗，并有不断增大的趋势。(a)力；(b)功率1—ICNN；2—Expectation；3—ICPID图5力与功率跟踪对比Fig.5ForcetrackingandpowertrackingbasedonICNNandICPID可见两种阻抗控制模型在达到同样的位置与速度精确跟踪条件下，神经网络阻抗控制模型仍能保持很好的正弦力跟踪，并能有效控制功率损耗。而PID阻抗控制模型不能保持力的准确跟踪并不断引起力的增幅，功率损耗明显增大，继而增大了损伤发生几率和发展速度。3.2斜坡力跟踪及功耗分析同样地，对回转支承机械系统进行了斜坡力跟踪。由图6可知，在神经网络阻抗模型及PID阻抗控制模型控制下，均能精确地跟踪理想位置曲线和速度曲线，其中神经网络阻抗模型通过自适应调节内部参数实现精确跟踪，而PID补偿器通过手动调试使比例系数KP为1