本发明公开了一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法。本发明通过三路ADC转换电路，分别采集流经电磁阀及谐振电路的总电流，流经电磁阀的电流，以及电磁阀两端的电压，然后经过去耦、滤波、光电隔离、放大处理后送到单片机内部，通过单片机内部运行的训练好的深度学习算法模型，实时选择最适合的用于控制电磁阀的PWM波形输出。本发明通过运用深度学习算法，实现了自主学习，优化匹配，使得电磁阀效率最高。
1.一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法，其特征在于：通过三路ADC转换电路，分别采集流经电磁阀及谐振电路的总电流，流经电磁阀的电流，以及电磁阀两端的电压，然后经过去耦、滤波、光电隔离、放大处理后送到单片机内部，通过单片机内部运行的训练好的深度学习算法模型，实时选择最适合的用于控制电磁阀的PWM波形输出；
所述的谐振电路为LC并联谐振电路，并联在电磁阀线圈两端，用于去除电磁阀寄生电容；
系统在电磁阀的正常工作范围内不断调节输入PWM波的频率及占空比，并按照一定的时间间隔对于电路中流经电磁阀的电流量以及电磁阀与谐振电路的总电量进行数据采集，将采集的大量原始数据结果进行处理分析，得到电磁阀消耗的功率结果以及其匹配电路上的功耗损耗大小，同时利用压力传感器采集阀内流体的压力，将压力数据以及功耗数据送入函数模型进行训练；
在函数模型训练阶段，采用构建多元线性回归模型的方法来构建模型；通过求解多元线性回归模型的系数，即可构建完成多种变量的线性回归模型；PWM波的频率及占空比调整均采用此种方法构建；随着送入数据量的增加，便可以得到尽可能准确的控制方法，使得电磁阀的能耗比在不同的环境状态下保持在尽量理想的状态，至此便完成了对于PWM波频率及占空比调整算法的构建；
模型构建完成，根据电磁阀的工作状态以及功耗情况实时选择最适合的输入PWM波形。
2.根据权利要求1所述的一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法，其特征在于：
采用调节启动阶段跟保持阶段不同的PWM波占空比来改变电磁阀在不同的运行状态下的功率，在启动阶段，同周期内高电平保持时间较长，当启动完成电磁阀保持在打开状态以后，适当降低PWM波高电平所占的比例，以此来降低电磁阀系统的功耗；对于不同压强的流体，需要不同的阀门功率才能得以维持。
一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法
技术领域
[0001] 本发明涉及一种电磁阀控制方法，具体是一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法。
背景技术
[0002] 电磁阀(Electromagnetic valve)是用电磁控制的工业设备，是用来控制流体的自动化基础元件。目前工业中所用的电磁阀控制方法较为简单，大都采用在直接加外部电源的方法，但这种方法有两个弊端，其一是电磁阀线圈在高频电源输入下会产生寄生电容，进而产生不必要的发热以及功耗，其二是电磁阀在不同的流体输入情况下启动跟保持阶段需要的功率不同，启动阶段需要较大的功率，而在启动结束后，只需要较小的功率就可以实现开启状态的维持，现有的控制方法保持了同样的功率，这就造成了在保持阶段时很大程度上的功率浪费。
发明内容
[0003] 本发明针对现有技术的不足，提供了一种基于深度学习辨识的分布式脉宽调节电磁阀控制方法。
[0004] 本发明的技术方案为：
[0005] 本发明通过三路ADC转换电路，分别采集流经电磁阀及谐振电路的总电流，流经电磁阀的电流，以及电磁阀两端的电压，然后经过去耦、滤波、光电隔离、放大处理后送到单片机内部，通过单片机内部运行的训练好的深度学习算法模型，实时选择最适合的用于控制电磁阀的PWM波形输出。
[0006] 所述的谐振电路为LC并联谐振电路，并联在电磁阀线圈两端，用于去除电磁阀寄生电容。
[0007] 所述的深度学习算法模型的训练与构建的过程具体是：
[0008] 系统在电磁阀的正常工作范围内不断调节输入PWM波的频率及占空比，并按照一定的时间间隔对于电路中流经电磁阀的电流量以及电磁阀与谐振电路的总电量进行数据采集，将采集的大量原始数据结果进行处理分析，得到电磁阀消耗的功率结果以及其匹配电路上的功耗损耗大小，同时利用压力传感器采集阀内流体的压力，将压力数据以及功耗数据送入函数模型进行训练。
[0009] 在函数模型训练阶段，采用构建多元线性回归模型的方法来构建模型；通过求解多元线性回归模型的系数，即可构建完成多种变量的线性回归模型；PWM波的频率及占空比调整均采用此种方法构建；随着送入数据量的增加，便可以得到尽可能准确的控制方法，使得电磁阀的能耗比在不同的环境状态下保持在尽量理想的状态，至此便完成了对于PWM波频率及占空比调整算法的构建。
[0010] 模型构建完成，根据电磁阀的工作状态以及功耗情况实时选择最适合的输入PWM波形。
[0011] 本发明的有益效果：本发明通过运用深度学习算法，实现了自主学习，优化匹配，使得电磁阀效率最高。
附图说明
[0012] 图1为寄生电容的去除原理图；
[0013] 图2为三通道信号处理原理图；
[0014] 图3为深度学习算法流程图。
具体实施方式
[0015] 以下结合附图对本发明作进一步说明。
[0016] 如图1和图2所示，本发明通过三路ADC转换电路，分别采集流经电磁阀及谐振电路的总电流、流经电磁阀的电流，以及电磁阀两端的电压。电流的采集通过采集电路中电阻电压的方式来实现。然后经过去耦、滤波、光电隔离、放大等处理后送到单片机内部，通过单片机内部运行的训练好的深度学习算法，实时选择最适合的用于控制电磁阀的PWM波形输出。
[0017] (1)寄生电容的去除
[0018] 电磁阀线圈两端的寄生电容采用并联大电容的方法进行去除，并在大电容两端并联一个电感形成LC并联谐振电路(小虚线框)进行匹配，见图1，电感的计算根据公式得出，匹配后的电路(大虚线框)应使得谐振电路在消耗尽量小的功率下同时保证电磁阀具有尽可能高的能耗比。
[0019] (2)电磁阀在不同运行状态下PWM波占空比的调整
[0020] 电磁阀在启动阶段，由于阀门运动需要加速度以及阀门阻力的存在，需要较大的输入功率，而在保持阶段，需要的功率则比较小，而对于不同压力下的流体输入，又需要不同功率的驱动，所以采用调节启动阶段跟保持阶段不同的PWM波占空比来改变电磁阀在不同的运行状态下的功率，在启动阶段，同周期内高电平保持时间较长，当启动完成电磁阀保持在打开状态以后，可以适当降低PWM波高电平所占的比例，以此来降低电磁阀系统的功耗。但对于不同压强的流体，又需要不同的阀门功率才能得以维持。
[0021] (3)深度学习算法的模型构建与训练，见图3
[0022] 本系统中含有三路AD采集，分别采集电阻R4，R5两端电压以及电磁阀两端电压，R4，R5两端电压反映了流经电磁阀的电流与流经谐振电路的电流，系统实时采集这些信号并运用内部训练好的深度学习线性回归算法进行处理后对电磁阀PWM波输入频率以及PWM波的占空比进行实时调整。
[0023] 首先进行的是原始数据的采集，系统在电磁阀的正常工作范围内不断调节输入PWM波的频率及占空比，并按照一定的时间间隔对于电路中流经电磁阀的电流量以及电磁阀与谐振电路的总电量进行数据采集，将采集的大量原始数据结果进行处理分析，得到电磁阀消耗的功率结果以及其匹配电路上的功耗损耗大小，同时利用压力传感器采集阀内流体的压力，将压力数据以及功耗数据送入函数模型进行训练。
[0024] 在模型训练阶段，采用构建多元线性回归模型的方法来构建模型。多元线性回归的模型为y＝b0+b1x1+b2x2+...+bkxk+e，其中b0为常数项，b1,b2,...bk为回归系数，多元线性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和∑e2为最小的前提下，用最小二乘法求解参数，此系统为二线性回归模型，求解回归参数的标准方程组为[0025] ∑y＝nb0+b1∑x1+b2∑x2
[0026]
[0027]
[0028] 求解此方程即可求得b0,b1,b2的数值，即构建好了关于多种变量的线性回归模型。PWM波的频率及占空比调整算法均采用此种方法构建。随着送入数据量的增加，便可以得到尽可能准确的控制方法，使得电磁阀的能耗比在不同的环境状态下保持在尽量理想的状态，至此便完成了对于PWM波频率及占空比调整算法的构建。
[0029] 至此，模型训练过程结束，还需要进行必要的检验与评价，如测定模型的拟合程度，估计标准误差等操作后才能决定模型可否正常应用。通过该模型便可以得到电磁阀及其匹配电路在不同的脉宽条件下的功耗情况。
[0030] 至此，模型构建完成，便可以根据电磁阀的工作状态以及功耗情况实时选择最适合的输入PWM波形。
