[发明专利]一种磁浮列车悬浮间隙传感器齿槽效应的补偿方法

说明书

本发明涉及一种磁浮列车悬浮间隙传感器齿槽效应的补偿方法，所述方法具体为，采用预先进行参数优化和训练后的最小二乘支持向量机模型，对磁浮列车悬浮间隙传感器的输出值进行齿槽效应补偿，获取磁浮列车悬浮间隙值；所述最小二乘支持向量机模型的训练和参数优化过程包括以下步骤：采集历史数据样本；构建初始的最小二乘支持向量机模型；将历史数据样本载入初始的最小二乘支持向量机模型中，进行模型训练；采用粒子群优化算法对模型训练步骤获取的最小二乘支持向量机模型的惩罚因子和核函数参数进行优化。与现有技术相比，本发明可以较好地消除齿槽效应，提高了传感器的检测精度，满足磁浮列车悬浮控制系统的要求。

技术领域

本发明涉及磁浮列车悬浮间隙传感器领域，尤其是涉及一种磁浮列车悬浮间隙传感器齿槽效应的补偿方法。

背景技术

现有磁浮列车悬浮间隙传感器安装于悬浮电磁铁磁极内，基于电磁感应的原理将被测垂向位移转化为传感器探头线圈电感的变化，并通过测量电感量的变化确定悬浮间隙，即传感器线圈表面与长定子齿面的间隙。

根据以上工作原理分析，当被测体定子轨道表面为齿槽交错结构，即使保持列车以某一固定悬浮间隙行进，由于被测导体与线圈之间的相对位置发生改变，磁场分布会随之改变，最终影响电感值，从而导致间隙传感器输出信号周期性波动即齿槽效应。这种间隙传感器输出误差可能会导致悬浮系统性能下降，尤其是当间隙测量误差进入悬浮电磁铁闭环控制系统时后果更为严重，甚至可能造成发散振荡、电磁铁撞击轨道。

对于悬浮间隙传感器齿槽效应的补偿，现有的补偿方法一是单纯依靠增加传感器的硬件冗余来提高传感器的可靠性，但这种方法硬件成本消耗大而且补偿效果不是特别好；二是通过改变间隙传感器探头线圈结构，但是这种方法对工艺要求较高，而且受工艺和客观空间等影响，也只能部分减小齿槽效应；三是软件补偿齿槽效应方法，但是相邻传感器数据融合消除齿槽效应的方法前提是要求2个间隙传感器都独立正常工作，人工神经网络技术有训练速度慢、易陷入局部极小点和全局搜索能力弱的缺点，组合模型运算量很大，导致计算时间过长影响传感器输出补偿的实时性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种补偿精度高的磁浮列车悬浮间隙传感器齿槽效应的补偿方法。

本发明的目的可以通过以下技术方案来实现：

一种磁浮列车悬浮间隙传感器齿槽效应的补偿方法，所述方法具体为，采用预先进行参数优化和训练后的最小二乘支持向量机模型，对磁浮列车悬浮间隙传感器的输出值进行齿槽效应补偿，获取磁浮列车悬浮间隙值；所述最小二乘支持向量机模型的训练和参数优化过程包括以下步骤：

样本采集步骤：采集历史数据样本；

模型构建步骤：构建初始的最小二乘支持向量机模型；

模型训练步骤：将历史数据样本载入初始的最小二乘支持向量机模型中，进行模型训练；

参数优化步骤：采用粒子群优化算法对模型训练步骤获取的最小二乘支持向量机模型的惩罚因子和核函数参数进行优化，并将历史数据样本载入参数优化后的最小二乘支持向量机模型中，重新进行训练；

模型获取步骤：获取训练并参数优化后的最小二乘支持向量机模型。

进一步地，所述历史数据样本包括齿槽位置、磁浮列车悬浮间隙传感器输出值和真实悬浮间隙值。

进一步地，所述样本采集步骤还包括，采用灰色关系分析法，分析齿槽位置和磁浮列车悬浮间隙传感器输出值对真实悬浮间隙值的影响程度，从而对所述历史数据样本进行筛选，更新历史数据样本。

进一步地，所述样本采集步骤还包括，对历史数据样本进行归一化处理。

进一步地，所述最小二乘支持向量机模型的回归函数为：