基于AMESim―Simulink联合仿真的风电回转支承实验台液压加载系统研究

风电回转支承是风电机组中关键部件之-，-般用于偏航和变桨系统中，由于其造价昂贵，拆装费用高、时间长，并且受载复杂，使用环境相对恶劣，对其动静载性能和可靠性指标提出了严格的要求，-般要求其寿命与风电机组的寿命相同，且在20年以上 J。南京工业大学机电-体化研究所研制的风电回转支承实验台，能够按照-定的模型，对转盘轴承进行静态加载和动态加载，从而模拟其在运行中所承受的载荷，进行疲劳寿命实验、模拟工况实验。风电转盘轴承实验台模拟加载的原理是，用马达驱动回转支承的动圈转动和可产生轴向、径向力 的液油缸组实施对回转支承的加载，用不同转速与不同大孝不同方向的加载力模拟回转支承在实际工况下工作 。

风电转盘轴承在实际使用过程中，受到极端天气的影响，所承受的复杂载荷有突发性的狂风、连续性狂风以及在旋转过程中叶片交替旋转产生的交变力，实验台在模拟工况的实验过程中进行加载，类似于对液压系统输入冲击信号、阶跃信号和正弦信号。实际加载过程中由于物理参数的不稳定性造成了液压系统的不确定性，将会使液压系统产生振荡、滞后和跟随性差。为了使模拟加载效果满足实际应用要求，本文采用基于 BP神经网络的 PID控制器，并在 AMESim软件下建立风电转盘轴承的加载系统的仿真模型，利用在 Simulink下搭建的 BP神经网络 PID控制器进行联合仿真，对该加载系统的性能进行仿真研究。

1 仿真环境及控制算法介绍1.1 基于 AMEsim的液压加载系统模型AMESim是基于物理模型的图形化建模高级仿真软件，具有丰富的液压元件库，可以快速建立系统模型 -6]。

本实验台液压加载系统主要是对转盘轴承进行轴向、径向加载，实现复杂工况模拟，三个油源独立互不干扰，单个加载回路工作原理如图 1所示，采用限压变收稿日期：2013-02-04基金项目：国家科技支撑计划 (2011BAF09B02)作者简介：杨春(1989-)，男，江苏东台人，硕士研究生，主要研究方向为机电液控制及控制技术。

2013年第8期 液压与气动 17量泵保压回路，可以长期保持液压缸的压力，这种泵的工作原理是输出油量 自动减到补偿泄漏所需的流量，并能随泄漏量的变化 自动调整，加载油路中采用三位四通 O形电磁换向阀，此方案从静止到启动较平稳，而换向过程由于运动惯性引起的冲击较大，但是换向点重复位置较精确。为了便于对液压加载系统进行分析研究，只对其中-路进行仿真，主要研究液压系统输出压力对模拟信号的动态响应能力，基于 AMESim液压系统模型如图2所示。

图2 基于 AMESim液压系统模型图1.2 基于 BP神经网络的 PID控制器的建立经典的闭环加载控制系统原理图如图3所示，传统的PID控制由于其局限性，使用效果不能满足本系统的要求，采腮于 BP神经网络的 PID控制器 I9对加载系统进行控制，以期获得较好的控制效果。

图 3 加载控制 系统原理 图神经网络控制是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络，是模拟人脑神经中枢系统智能活动的-种控制方式；BP神经网络算法的学习原则是梯度最速下降法，通过误差的逆向传播不断调整权值，使网络总误差最小，也就是采用梯度搜索技术，以使网络的实际输出值与期望输出值的误差均方值最小，BP神经网络的PID控制如图4所示。

图4 基于 BP神经 网络 的 PID控制 系统结构图BP神经网络算法不依赖于求解问题的模型。只需要确定相应的输入层、隐含层节点数和初始权值等，通过神经网络的自学习，就能得到相关性能指标要求的最佳组合 PID参数。BP神经网络 PID控制器的如图5所示。

BP网络的 PID控制器通过 S函数与 Simulink内部参数联合仿真，s函数是 Simulink中的高级功能模块 ，利用 Simulink提供的 S函数来设计 BP神经网络PID控制器，可以避免在 MATLAB中编写大量复杂而烦琐的源程序，编程速度更快、程序界面清晰，系统调Unit Delay2图5 BP神经网络 PID控制器18 液压与气动 2013年第8期试灵活，能极大减少编程所要完成的工作量。本控制器中所使用的部分 s函数源程序如下所示：function[sys，x0，str，ts]nnbp-pid(t，x，u，flag，T，nh，xite，alfa，kF1，kF2)switch flag，case 0，[sys，x0，str，ts]mdlInitializeSizes(T，nh)；case 3，sysmdlOutputs(t，x，u，T，nh，xite，alfa，kF1，kF2)；case1，2，4，9，sys[]；otherwise，eror([ Unhandledflag ，num2str(flag)])；end；function[sys，x0，str，ts]mdlnitializeSizes(T，nh)sizessimsizes；sizes.NumContStates0； %拈连续状态变量的个数0sizes.NumDiscStates：0； %拈离散状态变量的个数0sizes.NumOutputs47 nh；%拈输出变量的个数(47 nh)39个输出量sizes.NumInputs7十14 nh；%拈输入变量的个数(714 nh)77个输入量sizes.DirFeedthrough1； %直接贯通sizes.NumsampleTimes1； %采样时间个数 1syssimsizes(sizes)； %赋值输出xO[]；str[]；ts[T 0]； %初始状态0，采样周期 T，偏置02 基于 AMESim和Simulink联合仿真基于AMESim和 Simulink联合仿真的思路如图6所示 。

2.1 软件设置AMESim与 MATLAB的联合仿真，主要由 MAT。

LAB/Simulink中的 S-Function函数将两者结合起来，通过修改文件名和设置系统参数，将 AMESim模型编译成 Simulink可执行的MEX文件，来完成液压系统在联合环境中的仿真。在标准 AMESim与Simulink接口中 ，AMESim和 Simulink使用各 自独立的积分求解器。联合仿真时，AMESim得到状态变量(State Varia。

bles)、输入变量(Input Variables)、输出状态偏移量(State Derivatives)和输出变量(Output Variables)，仿真时开始首先给物理模型-个期望输 出信号后开始仿真，图6 建模与仿真过程由AMESim模型中的压力表读出此时的压力值，再通过二者的联合接 口，将压力值作为 Simulink的输入信号，然后控制器开始工作，将工作后的结果即 Simulink的电流输出信号传递给 AMESim，作为 AMESim比例溢流阀的输入信号，如此循环，不断调节输出压力。

2.2 联合仿真利用上文所得液压系统模型与 BP神经网络 PID控制器，得图7所示的联合仿真系统。图6中 Hydrau-lic System拈为液压系统模型，Controler拈为 BP神经网络 PID控制器，Expected Output拈为液压系统的期望输出压力～期望输出压力 r(k)作为控制器的输入，采用增量式 PID控制算法得出 (k)，并将( )做液压系统模型的输入。液压系统模型通过Simulink与AMESim联合仿真 ，计算 (k)控制下的系统实际压力输出y( )。

图7 联合仿真系统图2013年第8期 液压与气动 192.3 应用举例--模拟交变力正弦响应仿真风机叶片通常允许的最大旋转速度为 25转/分，为模拟风机叶片旋转过程中产生的交变力对回转支承的影响。在联合仿真中，AMESim输人频率为 0.15Hz，中值为36 bar，幅值为 28.3 bar的正弦信号，在没有输入负载干扰的工况下，BP神经网络 PID控制器在不同目标输人下得跟踪情况。神经网络的结构采用 3- 5-3，参数调整中的学习速率 叼0.3，惯性系数 0.1，加权系数初始值取区间 [-0.5 0.5]之间的随机数。仿真曲线如图8、9所示，结果如表 1所示。

t/s1.实际输出 2.理论输出图8 PID控制正弦响应图1.实际输出 2.理论输出图9 BP神经网络 PID控制正弦响应图表 1 正弦信号仿真结果性能指标 PID控制 BP.PID控制上升时间/s 2.4 2.1相位差/(。) 约9 约 5峰值/bar 67.269 65.763稳态误差/% 3.26 1.4从表 1正弦信号仿真结果可以看出，采用 BP神经网络PID控制器的液压加载系统的上升时间要快于PID控制作用下的上升时间，特别是对于稳态误差，采用 BP神经网络 PID控制器的液压加载系统对于信号源的响应要明显优于 PID控制作用下的液压加载系统，其稳态误差只有1.4%，几乎复现了信号源的信号。

该仿真结果表明对于风电变桨转盘实验台控制系统，BP神经网络 PID控制方法与传统 PID控制相比，具有很强的自适应能力，在很大程度上克服了系统的超调量大，响应速度明显加快，控制精度更高，能够改善风电转盘实验台控制系统的动态特性。

3 结论在 AMESim中建立风电转盘实验台加载控制系统的仿真模型，再借助于仿真工具 Simulink中搭建的控制器系统，对其加载控制系统进行联合仿真。仿真结果证明了所设计的液压加载控制系统是可行的，并且采用 BP神经网络 PID控制器的加载系统，能够很好地模拟转盘轴承在受到连续性狂风等实际恶劣工况作用下的受载，确保转盘轴承疲劳寿命实验的顺利进行。

本实验系统在某回转支承生产厂商连续运行 70天实验，稳定可靠。