一种绞线机多电机同步控制方法与流程

本发明涉及电气工程，特别是一种绞线机多电机同步控制方法。

背景技术：

1、在电线电缆制造领域，绞线机作为核心加工设备，其功能与性能直接关系到线缆产品的质量和生产效率，随着工业自动化技术的飞速发展，绞线机控制系统经历了从单一电机驱动到多电机同步控制的演变，为了实现更加精确的线材缠绕和更高的生产速率，传统的多电机同步控制主要依赖于pid控制策略，通过调节电机转速来维持线速度的一致性，然而，这种控制方式在面对复杂的非线性动力学特性、负载突变及线材物理属性变化时，往往难以达到理想的同步控制效果，导致线缆质量不稳定，生产效率受限。

2、尤其是对于高端线缆产品，包括通信电缆和特种电缆，其对绞制过程的精度要求极高，微小的同步误差都会导致线缆结构缺陷，影响最终的传输性能，现有技术的不足主要体现在以下几个方面：首先，传统控制策略缺乏对系统非线性特性的全面考虑，预测不精确和应对由于线材张力变化、摩擦力波动及电机间动态耦合效应引起的同步偏差；其次，控制策略的适应性不强，面对生产过程中突发的负载变化，包括线材材质差异和线径变化，不能迅速做出有效调整，影响生产的连续性和稳定性，现有系统对实时数据的利用效率不高，缺乏有效的机制来融合历史数据与实时监测信息，用来优化控制策略。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种绞线机多电机同步控制方法解决传统控制策略缺乏对系统非线性特性的全面考虑，预测不精确和应对由于线材张力变化、摩擦力波动及电机间动态耦合效应引起的同步偏差；其次，控制策略的适应性不强，面对生产过程中突发的负载变化，包括线材材质差异和线径变化，不能迅速做出有效调整，影响生产的连续性和稳定性，现有系统对实时数据的利用效率不高，缺乏有效的机制来融合历史数据与实时监测信息，用来优化控制策略的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种绞线机多电机同步控制方法，其包括，配备高精度编码器于各电机以实时监测转速和位置信息，并安装传感器网络监测线材状态和机械动力学参数；

5、构建绞线机多电机的非线性动力学模型，运用非线性模型预测控制nmpc技术，根据非线性动力学模型预测未来系统状态并计算控制指令序列；

6、基于历史数据的深度神经网络并结合机器学习算法，预测控制策略，对负载突变和非线性效应的自适应调整；

7、设计动态权重分配算法，依据实时工况分析结果，动态调整各电机控制策略的权重参数；

8、实施所计算的控制指令至电机控制器，同时利用编码器和传感器网络的反馈信息进行闭环调整，根据误差实时优化控制策略，维持高度同步的绞线作业。

9、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述配备高精度编码器于各电机以实时监测转速和位置信息，并安装传感器网络监测线材状态和机械动力学参数，具体步骤为：

10、在绞线机的关键部位安装压电式力传感器和激光测距仪，监测线材张力和位移量；

11、通过温湿度传感器监测工作环境；

12、通过电机转速、位置、线材张力和位移的信息构建综合指标函数，表达式为：

13、；

14、其中，is表示综合指标函数，n表示电机数量，vm,i表示第i台电机的实时转速，表示所有电机转速的平均值，pm,i表示第i台电机的位置信息，表示电机位置的平均值，σp表示电机位置的标准差，ft,i表示第i根线材的实时张力，表示线材张力的平均值，σf表示张力的标准差，di表示第i根线材的实时位移，表示线材位移的平均值，σd表示位移的标准差，λ表示张力影响因子，η表示位移偏差的权重参数。

15、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述构建绞线机多电机的非线性动力学模型，运用非线性模型预测控制nmpc技术，根据非线性动力学模型预测未来系统状态并计算控制指令序列，具体步骤为：

16、基于电机转矩、线材张力、摩擦力、惯性力和非线性动力学函数构建非线性动力学模型，表达式为：

17、；

18、其中，表示系统状态随时间的变化率，f表示一个非线性函数，x(t)表示当前状态的所有必要变量，u(t)表示控制向量，d(t)为外部扰动向量；

19、基于非线性动力学模型，构建预测控制模型，用于预测未来时间步np的状态，表达式为：

20、；

21、其中，k表示当前时间步，tk表示当前时间步的时间点，xk+e|k表示在时间步k时，基于当前状态预测到未来第e个时间步的状态，xk表示系统在时间步k的实际状态，△t表示采样时间间隔；

22、基于预测控制模型构建目标函数，表达式为：

23、；

24、其中，j表示目标函数的值，rk+i表示未来第k+i个时间步的目标状态，u表示控制向量，uk+i-1|k表示在时间步k时预测的在执行第i-1个控制动作时的控制输入，w1和w2分别为状态误差和控制输入的权重系数；

25、采用序列二次规划sqp，在给定的约束条件下，求解出使得目标函数j最小的控制序列，控制指令表达式为：

26、；

27、其中，nc为控制horizon，表示在优化过程中考虑的未来时间步数，uk|k表示在时间k时，为时间k瞬间制定的控制指令，表示在时间k时，为未来第步预先计算的控制指令；

28、根据优化得到的首步控制指令uk|k，将其发送至电机控制器，实施控制。

29、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述基于历史数据的深度神经网络并结合机器学习算法，预测控制策略，具体步骤为：

30、收集绞线机在不同工况下的运行数据，包括电机转速、位置、线材张力、位移以及环境参数；

31、将采集的数据按时间戳进行排序，存储为时间序列数据集；

32、从时间序列数据集中提取出电机转速变化率和张力波动幅度；

33、电机转速变化率，表达式为：

34、；

35、其中，△v表示电机转速变化率，v(t)表示当前时刻t的电机转速，v(t-△t)表示前一时刻t-△t的电机转速，△t表示两个采样时间点之间的时间间隔；

36、张力波动幅度，表达式为：

37、；

38、其中，δf表示张力波动幅度，f(t)表示在时间t时刻的张力值，△t表示时间间隔，f(t-△t)表示在时间t之前的一个小时间段△t的张力值；

39、结合长短时记忆网络lstm与卷积神经网络cnn构建sn模型；

40、将提取的电机转速变化率、张力波动幅度、历史的控制指令和外部扰动输入到sn模型，输出得到电机的期望转速和目标张力；

41、设定前一时刻的历史控制指令为cp，当前时刻的外部扰动为d；

42、计算处理后的输入向量，sn模型表达式为：

43、；

44、其中，ip表示经过预处理的综合输入向量，w△v,wδf,wc,wd分别对应电机转速变化率、张力波动幅度、历史控制指令、外部扰动的权重系数，sgn为符号函数；

45、sn模型输出层，表达式为：

46、；

47、其中，vd表示期望的电机转速输出，td表示目标张力输出。

48、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述对负载突变和非线性效应的自适应调整，具体步骤为：

49、收集实时数据，对电机转速、位置、线材张力、位移及环境参数进行精确监控；

50、通过监测电机电流的变化率，来判断是否发生负载，变化率表达式为：

51、；

52、其中，△i/△t表示瞬时变化率，△i表示电流的变化率，△t表示时间间隔，i(t)表示在时间t时刻的电流值，i(t-△t)表示在时间t-△t时刻的电流值；

53、计算所有瞬时变化率△i/△t的平均值和标准差σ△i/△t；

54、一旦检测到负载突变，立即触发非线性动力学模型的参数重估，根据当前工况调整模型中的摩擦系数和材料硬度系数；

55、根据最新数据迭代优化模型中的参数f(x(t),u(t),d(t)。

56、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述设计动态权重分配算法，依据实时工况分析结果，动态调整各电机控制策略的权重参数，具体步骤为：

57、从传感器网络中实时提取关键参数；

58、根据提取的参数，将实时工况分为正常运行、轻度负载突变、重度负载突变三个类别；

59、为每个类别构建特征向量，表达式为：

60、<mi>x=[h,</mi><msub><mi>v</mi><mi>m</mi></msub><mi>,t,</mi><mover><mrow><mi>δ</mi><mi>i/</mi><mi>δ</mi><mi>t</mi></mrow><mo stretchy="true">¯</mo></mover><mi>,</mi><msub><mi>σ</mi><mrow><mi>δ</mi><mi>i/</mi><mi>δ</mi><mi>t</mi></mrow></msub><mi>,δf]</mi>；

61、其中，x表示绞线机当前工况的特征向量，h表示线材硬度，vm表示电机的运行速度，t表示环境温度；

62、基于x并结合动态权重分配函数构建mlp模型，自动调整各控制策略的权重参数w△v,wδf,wc,wd，mlp模型表达式为：

63、<mi>w</mi><mi>(</mi><mi>x</mi><mi>)=</mi><mi>mlp</mi><mi>([</mi><msub><mi>w</mi><mrow><mi>δ</mi><mi>v</mi></mrow></msub><mi>,</mi><msub><mi>w</mi><mi>δf</mi></msub><mi>,</mi><msub><mi>w</mi><mi>c</mi></msub><mi>,</mi><msub><mi>w</mi><mi>d</mi></msub><msub><mi>]</mi><mn>0</mn></msub><mi>;</mi><mi>x</mi><mi>)</mi>；

64、其中，w(x)表示动态权重分配函数，mlp表示多层感知器，[w△v,wδf,wc,wd]0表示初始权重向量；

65、利用历史工况数据和已知的最优控制策略输入mlp模型完成训练；

66、将动态调整的权重输入到sn模型中，得到新的输入向量ipa，调整后sn模型表达式为：

67、<mi>i</mi><msub><mi>p</mi><mi>a</mi></msub><mi>=w(x)</mi><mi>⋅</mi><mi>[</mi><msub><mi>w</mi><mrow><mi>δ</mi><mi>v</mi></mrow></msub><mi>⋅</mi><mi>log</mi><mi></mi><mi>(1+|</mi><mi>δ</mi><mi>v|),</mi><msub><mi>w</mi><mi>δf</mi></msub><mi>⋅</mi><msqrt><mi>δf</mi></msqrt><mi>,</mi><msub><mi>w</mi><mi>c</mi></msub><mi>⋅</mi><msub><mi>c</mi><mi>prev</mi></msub><mi>,</mi><msub><mi>w</mi><mi>d</mi></msub><mi>⋅</mi><mi>sgn(d)</mi><mi>⋅</mi><mi>ln</mi><mi></mi><mi>(1+|d|)]</mi>。

68、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述实施所计算的控制指令至电机控制器，同时利用编码器和传感器网络的反馈信息进行闭环调整，具体步骤为；

69、将通过非线性模型预测控制nmpc技术和深度学习辅助优化后得到的控制指令发送至各电机的控制器；

70、通过高精度编码器、力传感器和位移传感器，实时采集电机的转速、位置、线材张力、位移以及环境参数。

71、作为本发明所述绞线机多电机同步控制方法的一种优选方案，其中：所述根据误差实时优化控制策略，维持高度同步的绞线作业，具体步骤为：

72、将实时数据输入非线性动力学模型得到系统当前状态，将系统当前状态与目标状态进行比较得到实际误差e(t)，更新综合指标函数is的值；

73、利用动态权重分配算法，根据当前工况特征向量x，通过mlp模型自动优化控制策略的权重参数；

74、结合更新的权重参数和sn模型，重新计算并传输优化后的控制指令至电机控制器，确保控制指令与当前系统状态的最佳匹配；

75、实施控制指令后，根据编码器和传感器网络的实时信息，连续调整控制策略直至误差减小，使系统维持高度同步状态。

76、第二方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的绞线机多电机同步控制方法的任一步骤。

77、第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的绞线机多电机同步控制方法的任一步骤。

78、本发明有益效果为：本发明通过集成高精度传感与非线性动力学建模，实现了电机和线材状态的精密实时监控，并借助nmpc技术预测系统状态，生成了最优控制指令序列，同时，创新融合深度学习与机器学习算法，根据历史数据动态预测控制策略，有效应对突变负载与非线性挑战，提高了系统适应性和控制精确度，通过动态权重算法能根据工况变化即时调整控制权重，确保策略与实际情况高度契合，闭环反馈系统持续优化控制策略，保障绞线作业的卓越同步性，克服了传统方法在复杂环境下同步不准确、适应性不佳的难题。