一种半导体热电制冷器驱动控制方法

摘要

本发明公开了一种半导体热电制冷器驱动控制方法，采用PWM调压控制驱动方式，利用实时采集的半导体热电制冷器冷端、热端温度、电压、电流和制冷目标温度参数，采用数值分方法结合自学习型人工智能模糊模型控制PWM的输出占空比P值，自适应的控制热电制冷器的驱动电压和控制制冷温度。本发明采用自适应PWM调压控制驱动方式，通过对半导体热电制冷器的冷端、热端温度、电压、电流等影响制冷效率的实时参数数值分析，选择发挥制冷效率的最佳驱动电压，经过测试其制冷阶段的制冷效率达28％，温控阶段的制冷效率达到30％。

权利要求

1.一种半导体热电制冷器驱动控制方法，其特征在于：采用PWM调压控制驱动方式，利用实时采集的半导体热电制冷器冷端温度、热端温度、电压、电流和制冷目标温度参数，采用数值分方法结合自学习型人工智能模糊模型控制PWM的输出占空比P值，自适应的控制半导体热电制冷器的驱动电压和控制制冷温度；利用温度测量传感器测量半导体热电制冷器冷端温度、热端温度和制冷温度，并将测量的温度信息传递给采集电路，采集电路由低通滤波和运放电路组成，用于对温度测量传感器传来的温度信息的模拟信号进行调理，并将调理后的信号传递给DSP，DSP对模拟信号进行A/D转换，运行自学习型人工智能模糊模型，控制输出调节输出控制参数P值，同时驱动输出电压和半导体热电制冷器工作电流反馈到DSP，利用自学习型人工智能模糊模型不断调节P值；PWM驱动控制由驱动控制电源、低通滤波电路和驱动保护电路组成，主要实现对调压模块的控制；调压模块由可调压DC/DC组成，通过输入PWM调节半导体热电制冷器的驱动电压；

自学习型人工智能模糊控制算法离散模型如下：

式中e为温变速率因子，通过与知识库的温变速率曲线进行数据匹配获取；Ut为当前控温周期控制值，在t时间段内为一常数；V(Th，Tc，Qi，It)为单个控温周期时间内工作电压值，Th为半导体热电制冷器热端温度，Tc为半导体热电制冷器冷端温度，Qi为控温周期时间内产生的制冷量，其与半导体热电制冷器的冷、热端温度，工作电流和制冷量关系如下公式2和3所示；ΔU为U值调整量，通过Ut-1和U0获取，详细计算如公式4所示；

Tht，Tct，It均为t时间段的测试参数，分别为t时间段的半导体热电制冷器热端温度，半导体热电制冷器冷端温度，实时电流；Qi为t时间段的半导体热电制冷器产生的制冷总量，计算公式如下：式中：Φi──制冷量，J；

Vt──实时输入电压，V；

It──实时电流，A；

Tht──热端温度，K；

Tct──冷端温度，K；

nt──温差比Th/Tc；

ΔTt──冷热端温差Tht-Tct，K；

h——程序设定固定采样时间，S；

式中U0是通过对h时间段内温变速率与知识库的温变速率曲线数据匹配获取；Ut-1为当前控温周期t之前一个周期的控制值。

2.根据权利要求1所述半导体热电制冷器驱动控制方法，其特征在于：所述半导体热电制冷器的驱动电压为4V～14V。

说明书

一种半导体热电制冷器驱动控制方法

技术领域

[0001] 本发明涉及一种控制方法，具体涉及一种半导体热电制冷器驱动控制方法，属于智能控制技术领域。

背景技术

[0002] 采用半导体热电制冷方式的制冷设备80％的功耗提供给了半导体热电制冷器，虽然半导体热电制冷器的理论制冷效率可以达到32％，但由于半导体热电制器制冷效率与工作电压、电流、冷端温度、热端温度、外界环境温度时间等因素相关，而当前热电制冷主要采用电流驱动控制技术，通过对制冷目标温度的检测调整驱动电流大小，该驱动控制技术仅关注到控制温度一个对象，未对涉及到半导体热电制器制冷效率参数的控制，导致实际使用中其制冷效率一般在20％～25％，因此需要通过改善热电制冷器的驱动控制技术来提高半导体热电制冷效率，降低制冷设备功耗。而目前并没有较好的驱动控制方法。

发明内容

[0003] 本发明主要目的是为了解决传统半导体热电制冷驱动控制技术制冷效率低的问题，提供一种适应不同外界环境的低制冷目标温度(最低制冷温度-20℃)和低功耗(最大平均功耗65W)的半导体热电制冷设备的驱动控制技术。

[0004] 本发明是这样实现的：

[0005] 一种半导体热电制冷器驱动控制方法，采用PWM调压控制驱动方式，利用实时采集的半导体热电制冷器冷端、热端温度、电压、电流和制冷目标温度参数，采用数值分方法结合自学习型人工智能模糊模型控制PWM的输出占空比P值，自适应的控制热电制冷器的驱动电压和控制制冷温度。

[0006] 为了具体说明本发明的技术方案，下面对本发明的驱动控制原理说明如下：

[0007] 首先半导体热电制冷器工作分为制冷和控温两种模式，制冷模式工况主要是按照热电制冷的最大制冷量迅速将低温锁柜腔内温度降低到目标制冷温度，在接近制冷目标后进入控温工况，低温锁柜温控单元组件通过采集到的温度、电压、电流等参数，学习计算外界环境温度、系统热量漏率、腔内温度变化趋势，快速收敛PWM控制P值，调节热电制冷器的驱动电压，缩短达到制冷目标温度的稳定时间。

[0008] 下面更详细的说明本发明的技术方案。

[0009] 一种半导体热电制冷器驱动控制方法，利用温度测量传感器测量热电制冷器冷端温度、热端温度和制冷温度，并将测量的温度信息传递给采集电路，采集电路由低通滤波和运放电路组成，用于对温度测量传感器传来的温度信息的模拟信号进行调理，并将调理后的信号传递给DSP，DSP对模拟信号进行A/D转换，运行自学习型人工智能模糊控制模型，控制输出调节输出控制参数P值，同时驱动输出电压和热电制冷器工作电流反馈到DSP，利用人工智能模糊控制模型不断调节P值；PWM驱动控制由驱动控制电源、低通滤波电路和驱动保护电路组成，主要实现对调压模块的控制；调压模块由可调压DC/DC组成，通过输入PWM调节热电制冷驱动电压(4V～14V)。

[0010] 更进一步的方案是：

[0011] 自学习型人工智能模糊控制算法离散模型如下：

[0012]

[0013] 式中e为温变速率因子，通过与知识库的温变速率曲线进行数据匹配获取；Ut为当前控温周期控制值，在t时间段内为一常数；V(Th，Tc，Qi，It)为单个控温周期时间内工作电压值，Th为热电制冷器热端温度，Tc为热电制冷器冷端温度，Qi为控温周期时间内产生的制冷量，其与热电制冷器的冷、热端温度，工作电流和制冷量关系如下公式2和3所示；ΔU为U值调整量，通过Ut-1和U0获取，详细计算如公式4所示。

[0014]

[0015] Tht，Tct，It均为t时间段的测试参数，分别为t时间段的热电制冷器热端温度，热电制冷器冷端温度，实时电流；Qi为t时间段的热电制冷器产生的制冷总量，计算公式如下：

[0016]

[0017] 式中：Φi──制冷量，J；

[0018] Vt──实时输入电压，V；

[0019] It──实时电流，A；

[0020] Tht──热端温度，K；

[0021] Tct──冷端温度，K；

[0022] nt──温差比Th/Tc；

[0023] ΔTt──冷热端温差Tht-Tct，K；

[0024] h——程序设定固定采样时间，S。

[0025]

[0026] 式中U0是通过对h时间段内温变速率与知识库的温变速率曲线数据匹配获取。Ut-1为当前控温周期t之前一个周期的控制值。

[0027] 本自学习型人工智能模糊控制算法通过对实时采集的热电制冷工作参数，计算一段时间内热电制冷器产生的制冷量，运用前一次Ut-1值，结合知识库的温变速率曲线，确定的ΔU，大大缩短了收敛时间，提高了热电智能驱动控制效率和控温精度。

[0028] 本发明与现有技术相比有益效果为：

[0029] (1)本发明采用自适应PWM调压控制驱动方式，通过对半导体热电制冷器的冷端、热端温度、电压、电流等影响制冷效率的实时参数数值分析，选择发挥制冷效率的最佳驱动电压，经过测试其制冷阶段的制冷效率达28％，温控阶段的制冷效率达到30％。

[0030] (2)本发明采用PWM控制和驱动采用独立电源供电，可完全隔离驱动电路和DSP电路，具有较高的电磁兼容性能和工作可靠性；

[0031] (3)本发明采用自学习型人工智能模糊控制技术，将人的定性经验、逻辑推理能力和记忆学习结合，提高了控制系统精度和鲁棒性，缩短了制冷温度稳定时间，具备快速控温。

附图说明

[0032] 图1为本发明组成示意图；

[0033] 图2为本发明驱动控制原理图；

[0034] 图3为本发明自学习型人工智能模糊控制模型图；

[0035] 图4为本发明半导体热电制冷器制冷参数测试曲线图。

具体实施方式

[0036] 下面结合附图对本发明做进一步说明。

[0037] 本发明组成如图1所示：包括温度测量传感器、采集电路、DSP、PWM驱动控制、调压模块和热电制冷器。温度测量传感器主要用于测量热电制冷器冷端温度、热端温度和制冷温度，采用PT100作为温度传感器；采集电路主要对传感器的模拟信号进行调理，由低通滤波和运放电路组成；DSP用于对采集模拟信号的A/D转换，运行自学习型人工智能模糊控制模型和存放于DSP外扩存储器知识库、学习数据模型，控制输出调节输出控制参数P值，同时驱动输出电压和热电制冷器工作电流反馈到DSP，利用人工智能模糊控制模型不断调节P值；PWM驱动控制主要实现对调压模块的控制，由驱动控制电源、低通滤波电路和驱动保护电路组成；调压模块由可调压DC/DC组成，通过输入PWM调节热电制冷驱动电压(4V～14V)。

[0038] 图2为本发明驱动控制原理图说明如下：

[0039] 图中DSP输出PWM信号经过光耦隔离和低通滤波传输到驱动控制的输入端，DSP供电电源和驱动控制电源为两路独立电源，可完全隔离驱动电路和DSP电路，提高相互的电磁兼容性能和工作可靠性，驱动电路驱动调压模块输出热电制冷器驱动电压4V～14V。

[0040] 图3为本发明自学习型人工智能模糊控制模型图说明如下：

[0041] 图中Yr(t)为实时采集的热电制冷器的冷热端温度、工作电压、电流和目标制冷温度等参数，考虑温度延时惯性，将数据存储在数据库中，通过推理机的数据分析计算出初始控制参数U值放入临时存放区黑板中；同时数据库将实时数据分别传递给知识库和学习环节，通过知识库计算出外界环境温度、系统热量漏率、腔内温度变化趋势，在黑板中对初始控制参数U值进行修正输出P(t)，进行制冷阶段的驱动参数的控制；利用学习环节对历史数据的学习，输出调整量ΔU，调节输出P值，进行控温阶段驱动参数的控制。

[0042] 自学习型人工智能模糊控制算法离散模型如下：

[0043]

[0044] 式中e为温变速率因子，通过与知识库的温变速率曲线进行数据匹配获取；Ut为当前控温周期控制值，在t时间段内为一常数；V(Th，Tc，Qi，It)为单个控温周期时间内工作电压值，Th为热电制冷器热端温度，Tc为热电制冷器冷端温度，Qi为控温周期时间内产生的制冷量，其与热电制冷器的冷、热端温度，工作电流和制冷量关系如下公式2和3所示；ΔU为U值调整量，通过Ut-1和U0获取，详细计算如公式4所示。

[0045]

[0046] Th，Tc，It均为t时间段的测试参数，Qi为t时间段的热电制冷器产生的制冷总量，计算公式如下：

[0047]

[0048] 式中：Φi──制冷量，J；

[0049] Vt──实时输入电压，V；

[0050] It──实时电流，A；

[0051] Tht──热端温度，K；

[0052] Tct──冷端温度，K；

[0053] nt──温差比Th/Tc；

[0054] ΔTt──冷热端温差Tht-Tct，K；

[0055] h——程序设定固定采样时间，S。

[0056]

[0057] 式中U0是通过对h时间段内温变速率与知识库的温变速率曲线数据匹配获取。

[0058] 本自学习型人工智能模糊控制算法通过对实时采集的热电制冷工作参数，计算一段时间内热电制冷器产生的制冷量，运用前一次Ut-1值，结合知识库的温变速率曲线，确定的ΔU，大大缩短了收敛时间，提高了热电智能驱动控制效率和控温精度。

[0059] 图4为本发明半导体热电制冷器制冷参数测试曲线图说明如下：

[0060] 图中划分为制冷和控温两个阶段，其中控温前的波动为驱动控制调节段，从图中可以看出经过三次电压调整，控制温度达到了稳定。在制冷阶段，热电制冷器工作电压12V，工作电流5.38A，冷端温度-21℃，热端温度31.2℃，在控温阶段，热电制冷器工作电压10.8V，工作电流4.75A，冷端温度-20.5℃，热端温度29℃。根据半导体热电制冷器的工作原理，其制冷效率(ηmax)计算公式如下：

[0061]

[0062] 式中：ηmax──制冷效率；

[0063] Z──热电制冷器优值系数；

[0064] Th──热电制冷器热端温度，K；

[0065] Tc──热电制冷器冷端温度，K。

[0066] 经计算，热电制冷器在制冷阶段制冷效率为0.28，平均功耗为64.56W；控温阶段制冷效率为0.3，平均功耗为51.3W。

[0067] 本发明未详细说明部分属于本领域技术人员公知常识

[0068] 尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。