法律状态公告日
法律状态信息
法律状态
2017-08-25
授权
授权
2015-04-01
实质审查的生效 IPC(主分类):G06F17/50 申请日:20141119
实质审查的生效
2015-03-04
公开
公开
技术领域
本发明涉及磁通变换器的优化设计领域,具体涉及一种基于遗传算法和ANSYS仿真的磁通变换器的优化设计方法。
背景技术
随着嵌入式微处理器技术的发展,越来越多的数字化控制器引入到了传统的低压电器中。在新型的低压电器中,一般通过电流互感器来感应信号,通过微处理器来分析判断,最后通过磁通变换器来驱动低压电器的触头或机构,实现低压电器的断开或跳闸。因此,磁通变换器起着传统低压电器机构与新型的数字化控制器的信号传递作用。
如图1所示,为一个典型的磁通变换器。包括有一个U型带两边对称固定爪的磁轭2,磁轭中装有线圈骨架3、顶杆4、线圈5,永磁体1被固定于U型磁轭2和线圈骨架3的一部分之间。线圈骨架3内还装有,并有设计有一台阶孔防止顶杆4脱出。顶杆4装有、卡簧8以及缓冲垫7。
图1所示状态为磁通变换器处于吸合状态,顶杆收到两个方向相反的力,分别为永磁体对顶杆的吸力和弹簧对顶杆的斥力,在吸合状态下,永磁体的吸力大于弹簧的斥力,从而使顶杆吸附在永磁体上。当线圈通电时,线圈中会产生一些磁通,对顶杆产生一个与弹簧斥力方向相同的力,当线圈对顶杆的斥力和弹簧斥力的合力大于永磁体的吸力的时候,顶杆弹出,推动相应的脱扣执行装置。
如图2所示,为磁通变换器及驱动电路的相互关系示意图。虚框表示驱动电路。该驱动电路的作用是接受来自微处理器的信号(高电平:5V/3.3V,低电平:0V),然后通过对电容的充放电,实现对磁通变换器的控制。驱动电路的稳定性和可靠性,关系整个磁通变换器,甚至整个低压电器的性能。对于磁通变换器的驱动电流,要求其抗干扰,电路稳定性高;动作可靠性高;动作迅速;磁通变换器不长时间通电;控制方法简单,不独立占用MCU的资源。
如图3所示,为磁通变换器的典型驱动电路。复位芯片的电源端与微处理器的(I/O)口相连,正常工作时,I/O口输出低电平,复位芯片(IC1)输出为低电平,MOSFET管(Q1)不导通,直流电源对电容进行充电。当发生故障时候,I/O口输出高电平(5V),复位芯片(IC1)输出240mS的高电平(5V)脉宽,MOSFET管(Q1)检测到>3.5V的电压即导通,从而使电解电容(C2)对磁通变换器进行供电,磁通变换器动作。
由图3可知,在磁通变换器确定的情况下,电容C2的容值、电容C2两端的电压、放点电阻R1直接决定流过磁通变换器线圈的电流,也直接决定了磁通变换器的动作时间和磁通变换器的性能。
在给定的R、C和U值以后,可以确定一个磁通变换器的动作状态。需要对磁通变换器进行大量复杂的磁场、电场和运动场的计算。工程上通常的做法是,对磁通变换器给定电流和气隙,计算磁通变换器动铁心的受力情况。然后分析磁通变换器的动作过程。
经过对磁通变换器工作原理图进行分析,整个动作过程可以分为两个阶段:在第一阶段,随着电容放电电流i的逐渐增大,产生的磁通逐渐削弱永磁体产生的磁通,因此动铁芯所受的电磁力Fm逐渐减小,但是此时 ,所以动铁芯保持静止状态,该阶段结束时间长度为t1。耦合线圈电路方程,得到如下的动态方程组:
(1)
第二阶段是动铁芯的运动阶段,在这个阶段,动铁芯在合力的作用下脱离永磁体运动,结合线圈电路方程和动铁心的机械运动用牛顿力学进行分析,可以得到如下的动态方程组:
(2)
式中,
――是与线圈匝链的磁链;
――初始状态下弹簧的压缩力;
k――弹簧的弹性系数,。
通过对上述方程组,得到动态计算结果(顶杆最终速度v和动作时间t)。
工程现有做法是,不停的给定R、C、U通过计算得到动态计算结果,反复进行尝试。这样做,很难得到最优的结果。遗传算法是一类借鉴生物界的进化规律演化而来的随机化搜索方法。如果能将磁通变换器驱动电流的R、C、U作为输入,将动态计算结果(顶杆最终速度v和动作时间t)作为输出,运用遗传算法,将能够得到电路的最优参数。
发明内容
本发明的目的在于提供一种基于遗传算法和ANSYS仿真的磁通变换器的优化设计方法,该方法有利于对磁通变换器进行优化设计,从而提高磁通变换器的动作性能指标。
为实现上述目的,本发明采用的技术方案是:
一种基于遗传算法和ANSYS仿真的磁通变换器的优化设计方法,具体步骤如下:
(1):选取磁通变换器驱动电路中的电阻R、电容C和驱动电路电压U作为影响磁通变换器最终动作性能的优化变量,每一组电阻R、电容C和驱动电路电压U的取值作为种群中的一个个体,设置进化代数计数器t=0,设置最大进化代数T,进行初始化,产生初始种群;
(2):定义适应函数:采用模糊函数作为适应度fi评价子程序,用于计算步骤(1)得到的初始种群P(t)中各个个体的适应度fi,衡量磁通变换器动作性能的两个指标:顶杆弹出的最终速度v和整个脱扣动作的执行时间t;
(3):对初始种群中的个体进行二进制编码,进行遗传操作,所述遗传操作包括复制交叉和变异;
(3.1)复制:一代种群中所有个体(假设共m个)按适应度fi成比例的依次组成一个圆形的轮盘,随机转动轮盘,当轮盘停下来时,轮盘上指针所指向的个体就是被选中的个体,旋转m次轮盘,选出m个个体后代;
(3.2)交叉:第一步在种群中随机抽取两个个体,作为交叉操作的父个体,第二步是随机地选择交叉点,对匹配的位串进行交叉繁殖,产生一对新的位串;具体过程如下:设个体的基因长度为n,在[0,n]的范围内,随机地选取一个整数值k作为交叉点。将两个配对位串从位置k后的所有字符进行交换,从而生成两个新的位串;
(3.3)变异:对个体进行小概率的替换,即将变异算子作用于群体,对群体中的个体串的某些基因值作变动;
(4):对个体进行二进制解码,选取个体,调用ANSYS仿真子程序得到二维数据表格,调用Runge-Kutta动态计算子程序进行动态特性计算,得到分别对应每一个个体的顶杆弹出的最终速度v和整个脱扣动作的执行时间t的结果;
(5):将新种群中不符合限制条件的个体染色体编码进行修正,对初始种群P(t)中各个个体的顶杆弹出的最终速度v和整个脱扣动作的执行时间t进行适应度fi计算,调用评价子程序,判断是否继续进行遗传操作;若否,转到步骤(7);若是,返回步骤(3);
(6):把在后代中出现的最高适应度fi的个体作为遗传算法运行的结果,储存该个体的电阻R、电容C和驱动电路电压U的取值,这一结果可以是问题的解或近似解。
本发明中,步骤(2)中,适应度fi评价子程序按以下步骤进行:
(2.1):调用适应度fi评价子程序,采集初始种群P(t)中每个个体在动态计算中得到的顶杆弹出的最终速度v和整个脱扣动作的执行时间t结果;
(2.2):求解适应度fi,目标函数适应度fi是以顶杆弹出的最终速度v和整个脱扣动作的执行时间t两个指标为参量的模糊评价算法函数。
本发明中,步骤(4)中,ANSYS仿真子程序按以下步骤进行:
(1):调用ANSYS仿真程序,根据遗传算法中的个体对电阻R、电容C和驱动电压U的取值,首先在ANSYS平台上进行磁通变换器的静态仿真。在一组确定的R、C、U取值下,ANSYS的静态仿真结果取决于在一个脱扣动作过程的不同时刻,顶杆与磁通变换器内部的永磁体之间的气隙x和线圈电流值I,在动作的每一个时刻都有一组确定的气隙与电流值相对应。根据一组气隙x和电流I的取值,通过ANSYS仿真得到在这一条件下顶杆所受到的电磁合力F和线圈磁链φ的值;
(2):磁通变换器的动作过程非常迅速,在这个过程中,顶杆与永磁体之间的气隙值x在不断变化。同时随着电容放电,线圈电流值也在不断的变化。因此,在动作过程中的每一个时刻,都有一组确定的气隙与电流值相对应。通过合理的改变气隙和电流的取值可以得到磁通变换器整个动作过程中其顶杆所受的电磁合力F的变化过程。最终可以得到两张顶杆所受电磁合力F和线圈磁链φ关于气隙x和电流I的二维数据表格。
本发明中,在步骤(4)中,Runge-Kutta动态计算子程序按以下步骤进行:
(1):调用四阶Runge-Kutta算法子程序进行动态仿真,子程序从上一步骤中得到的二维数据表格中自动采集一系列的气隙——电流值组合下的电磁合力和线圈磁链结果,由气隙x和磁链φ计算出该气隙值时的线圈电流I;
(2):由上一步骤得到的气隙x和电流I插值计算得到电磁合力F,利用气隙值x计算得到弹簧弹力Fx;
(3):利用Runge-Kutta公式计算微分方程组的系数,然后求解微分方程组;
(4):由气隙值x判断顶杆是否已经到达脱离状态,若否,返回步骤(1);若是,转到步骤5;
(5):将微分方程组的求解结果输出,最终得到磁通变换器运动过程中顶杆受到的电磁合力F、弹簧弹力fx以及线圈电流I、顶杆速度v等参量及其变化的曲线。
本发明的有益效果是:利用ansys得到了磁通变换器的静态特性,利用四阶Runge-Kutta算法求解获得了磁通变换器的静态特性,利用遗传算法结合静态特性和动态特性,得到了磁通变换器驱动电路的最优解。从而为研发、体积小、能耗低、寿命长的新型磁通变换器奠定基础,可以使经过优化设计的磁通变换器的整体动作性能指标得到全面的提高。
附图说明
图 1 是磁通变换器的结构示意图;
图2是磁通变换器及驱动电路在系统中的位置示意图;
图3是磁通变换器驱动电路原理图;
图4、图5、图6是本发明实例的工作流程图。其中:
图4为主程序遗传算法流程图;
图5为子程序ANSYS仿真流程图;
图6为子程序Runge-Kutta算法流程图。
图中标号:1为永磁体,2为磁轭,3为线圈骨架,4为顶杆,5为线圈,6为弹簧,7为缓冲垫,8为卡簧。
具体实施方式
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
实施例1:本发明基于遗传算法和ANSYS仿真的磁通变换器的优化设计方法,结合图4、图5、图6,按以下步骤进行:
步骤1:选取磁通变换器驱动电路中的电阻R、电容C、驱动电路电压U作为影响磁通变换器最终动作性能的优化变量,每一组(R、C、U)的取值作为种群中的一个个体,设置进化代数计数器t=0,设置最大进化代数T,进行初始化,产生初始种群;
步骤2:定义适应函数。采用模糊函数作为适应度fi评价子程序,用于计算种群P(t)中各个个体的适应度fi。衡量磁通变换器动作性能的两个指标:顶杆弹出的最终速度v和整个脱扣动作的执行时间t;
步骤3:对种群中的个体进行二进制编码,进行遗传操作,包括复制交叉和变异;
a)复制:一代种群中所有个体(假设共m个)按适应度值fi成比例的依次组成一个圆形的轮盘,随机转动轮盘,当轮盘停下来时,指针所指向的个体就是被选中的个体,旋转m次轮盘,选出m个个体后代;
b)交叉:第一步在种群中随机抽取两个个体,作为交叉操作的父个体。第二步是随机地选择交叉点,对匹配的位串进行交叉繁殖,产生一对新的位串。具体过程如下:设个体的基因长度为n,在[0,n]的范围内,随机地选取一个整数值k作为交叉点。将两个配对位串从位置k后的所有字符进行交换,从而生成两个新的位串;
c)变异:对个体进行小概率的替换。即将变异算子作用于群体,对群体中的个体串的某些基因值作变动;
步骤4:对个体进行二进制的解码。选取个体,调用ANSYS仿真子程序得到二维数据表格,调用Runge-Kutta动态计算子程序进行动态特性计算,得到分别对应每一个个体的顶杆最终速度v和动作时间t的结果。对应于(R=2Ω,C=2200μF,U=12V)个体的动态计算结果为(v=2.7m/s,t=6ms)。
步骤5:将新种群中不符合限制条件的个体染色体编码进行修正。对种群P(t)中各个个体的动态计算结果(顶杆最终速度v和动作时间t)进行适应度fi计算。调用评价子程序,判断是否继续进行遗传操作。结论为否,返回步骤3;
步骤6:重复步骤3-步骤5,直至步骤5结论为是。把在后代中出现的最高适应值fi的个体作为遗传算法运行的结果,得到个体(R=2.5Ω,C=1000μF,U=12v),储存该个体的R、C、U的取值,该个体可作为近似解。
在步骤2中,适应度fi评价子程序按以下步骤进行:
步骤1:调用适应度fi评价子程序。采集种群P(t)中每个个体在动态计算中得到的顶杆最终速度v和动作时间t结果。
步骤2:求解适应度fi。目标函数适应度fi是以顶杆最终速度v和动作时间t两个指标为参量的模糊评价算法函数。根据在大量实际工作中的经验和磁通变换器的设计要求,设定评价函数中顶杆最终速度v的权重为0.6,动作时间t的权重为0.4。
在步骤4中,ANSYS仿真子程序按以下步骤进行:
步骤1:调用ANSYS仿真程序,根据遗传算法中的个体对电阻R、电容C和驱动电压U的取值,首先在ANSYS平台上进行磁通变换器的静态仿真。先取定一组R、C、U值,R=2Ω,C=2200μF,U=12V。根据气隙x和电流I的取值,ANSYS仿真采用差分标示法DSP进行求解,得到在这一条件下顶杆所受到的电磁合力F和线圈磁链φ的值;
步骤2:磁通变换器的动作过程非常迅速,在这个过程中,顶杆与永磁体之间的气隙值x在不断变化。同时随着电容放电,线圈电流值也在不断的变化。因此,在动作过程中的每一个时刻,都有一组确定的气隙与电流值相对应。通过合理的改变气隙和电流的取值可以得到磁通变换器整个动作过程中其顶杆所受的电磁合力F的变化过程。最终可以得到两张顶杆所受电磁合力F和线圈磁链φ关于气隙x和电流I的二维数据表格。
不同的电流—气隙值下电磁力F(N)的仿真结果:
表1改变电流气隙得到多组电磁合力结果
不同的电流—气隙值下线圈磁链φ(Wb)的仿真结果:
表2改变电流气隙得到多组磁链结果
在步骤4中,Runge-Kutta动态计算子程序按以下步骤进行:
步骤1:调用四阶Runge-Kutta算法子程序进行动态仿真。子程序从上一步骤中得到的二维数据表格中自动采集一系列的气隙——电流值组合下的电磁合力和线圈磁链结果,由气隙x和磁链φ计算出该气隙值时的线圈电流I;
步骤2:由上一步骤得到的气隙x和电流I插值计算得到电磁合力F,利用气隙值x计算得到弹簧弹力Fx;
步骤3:利用Runge-Kutta公式计算微分方程组的系数,然后求解微分方程组;
步骤4:由气隙值x判断顶杆是否已经到达脱离状态,若否,返回步骤1;若是,转到步骤5;
步骤5:将微分方程组的求解结果输出,最终得到顶杆的最终速度v=2.7m/s,动作时间t=6ms;
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
机译: 基于ANSYS的高温碳化炉的多场耦合应力分布仿真方法
机译: 遗传算法的催化转化器优化设计方法
机译: 基于遗传算法的交通信号仿真