基于FPGA的屏蔽泵電機線圈溫度魯棒性設計

鄭書林，郝成旭，王 睿，周雅蘭

（1.合肥工業大學 工業與裝備技術研究院，合肥 230009；2.航空結構件成型制造與裝備安徽省重點實驗室，合肥 230009；3.合肥工業大學 儀器科學與光電工程學院，合肥 230009）

0 引言

在生產和生活中，屏蔽泵作為一種運輸裝置，因其具有無泄漏的獨特優點，被廣泛用來輸送易燃、易爆、腐蝕性、劇毒、易揮發等液體[1]。在屏蔽泵電機工作過程中，常會出現泵內循環管路或入口過濾網等堵塞，使得循環量不足，或者介質氣蝕，導致介質干轉，造成電機定子局部溫度升高等問題。對于屏蔽泵目前的溫度范圍指標，主要根據其電機絕緣等級，一般設置為H級，即最高允許溫度是180℃，溫升限值為125K，定子線圈繞組溫度控制指標設在170℃，允許溫度偏差為±5℃[2]。

目前，國內外多數屏蔽泵公司在其生產的泵上都采用了以PTC熱敏電阻為基礎的熱過載保護裝置，在定子繞組中每相埋入一只熱敏電阻，與保護開關一起對電動機進行熱過載保護[3]。該保護裝置功能簡單，但泵內電機的現場溫度情況無法判斷或實時采集，發生故障問題時得不到有關人員及時有效地處理，存在一定不足之處。對此，有必要制定一套對屏蔽泵電機定子線圈溫度狀態參數實時顯示的高精度檢測系統，能夠及時發現定子線圈內部存在的問題，以便有針對地對屏蔽泵電機線圈熱保護部分進行改進。

1 檢測系統整體框架及設計原理

如圖1所示是屏蔽泵內部結構框圖，通過對某屏蔽泵電機內部的幾何尺寸測量后，選擇在屏蔽泵內電機屏蔽層放置溫度傳感器。本設計需要通過對傳感器進行選型，設計調理電路對輸出信號進行調理、濾波、放大，設計FPGA板卡和相關接口總線，完成與上位機的通信，利用FPGA強大的邏輯算法，最終實現溫度參數的實時采集，并顯示出溫度數據波形。

圖1 屏蔽泵內部結構框圖Fig.1 Internal structure block diagram of canned motor pump

同時，鉑電阻溫度傳感器在中高溫接觸式測量中會存在一定程度非線性誤差，為了能夠提高設計系統的測量精度，本系統采用神經網絡的數據處理方式在溫度測量環節進行非線性補償，并用神經網絡訓練驗證該溫度數據的有效精度。

2 檢測系統硬件設計和關鍵器件選擇

檢測系統硬件包括鉑電阻溫度傳感器和FPGA處理板卡，前者主要負責溫度信號的采集和預處理，后者用于數據采集過程中的信號控制以及與上位機通信。

2.1 溫度傳感器及芯片外圍電路設計

圖2 恒流源式測溫電路Fig.2 Constant current source temperature measurement circuit

圖3 FPGA處理板卡Fig.3 FPGA Processing board

相比一般溫度傳感器采集范圍較小、測量溫度上限小等缺點，結合屏蔽泵電機工作溫度，最終選用Pt100鉑電阻溫度傳感器進行電路設計，設計所選鉑電阻傳感器類型為三線制[4]。如圖2所示是恒流源式測溫電路，采用單電源供電的運放產生恒流源激勵Pt100溫度傳感器，通過運放U1A將基準電壓轉換為恒流源，電流流過Pt100時產生壓降，再通過運放U1B將該微弱壓降信號放大，輸出期望的電壓信號[5]。該信號可直接連接后續的AD轉換芯片，經過信號放大、濾波、去耦等預處理模塊，進入到信號采樣模塊。

采樣模塊是將采集和預處理的溫度模擬信號轉化為數字信號，該模塊采用FPGA主控芯片內部集成的TLV1544芯片驅動設計。本系統設計待采樣信號輸出阻抗為100Ω，輸入阻抗為10KΩ，供電電壓為5V，供電參考電壓為3.3V，使I/O CLK的頻率達到2.5MHz（周期為400ns）。配置采樣時鐘信號是按照FPGA線性序列機的設計思想，得到每個采樣信號發生變化時對應的時刻以及此時對應計數器的值，最后將溫度數據輸出到FPGA中進行下一步操作。

2.2 FPGA處理板卡

如圖3所示，圍繞FPGA搭建了電源模塊、數據采集的控制接口模塊和通信模塊。

FPGA主控芯片采用Altera公司Cyclone系列的EP4CE6F17C8N器件，使用QuartusⅡ和Modelsim軟件進行編譯和聯合仿真，最終進行板級驗證并在上位機上顯示。

器件電源模塊是根據FPGA內部工作電源要求，首先將程序可控電壓源產生24V直流電壓，輸入24V直流電源用DC-DC芯片轉換成5V初始電壓；同時，5V初始電壓通過相應的LDO轉換成FPGA和外接芯片的適配電壓。其中，3.3V電壓為FPGA的I/O管腳及所有外接芯片供電，也作為鉑電阻溫度傳感器電路的供電電壓。

數據采集模塊是通過FPGA產生控制芯片內部ADC的時鐘信號，片選信號和通道控制信號采集傳感器溫度信號，通過ADC串行外設接口（SPI）進行采樣，在這里接口配置成SPI主模式，并為外部從設備提供通信時鐘（SCK）[5]。信號傳輸方式采用TTL傳輸的方式傳輸信號。

通信模塊包括FPGA內部測試的JTAG通信以及板卡與上位機之間的通信。設計過程中使用的是Altera公司生產商生產的JTAG下載器來進行內部節點的測試和調試。FPGA板卡與上位機之間通過RS-485總線通信，通過RS-485驅動芯片將處理后的溫度數據配置成相應的數據格式，最終采用UART通信協議將溫度數據信息從RJ45端口輸出上傳至上位機。

3 FPGA邏輯設計和神經網絡算法分析

3.1 基于FPGA的AD采樣和通信模塊邏輯設計

本文采用了一種基于FPGA的AD采樣設計，FPGA邏輯模塊是整個控制系統的核心。通過FPGA對溫度傳感器AD采樣模塊配置相應的時鐘和控制信號，從而將模擬溫度信號轉換為數字溫度信號，便于FPGA處理和通信。

本文采用TLV1544ADC器件進行采樣工作。本系統中該芯片與FPGA板卡采用串行接口，INV CLK接高電平，當主機把CS拉低（低電平有效）時，數據輸入、輸出和I/O時鐘有效。在I/O時鐘的前4個上升沿將4位地址選通編碼送入芯片內部的寄存器。接下來的6個時鐘周期提供模擬輸入采樣控制時序，模擬輸入采樣結束后，在第10個I/O時鐘上升沿開始數據轉換，轉換結束后，EOC輸出轉換結束信號（高電平），之后在新的讀寫周期內可進行下一次的采樣，同時微處理器也可從串行輸出端口讀出數據。

溫度數據經過FPGA后，需要匹配數據上傳到上位機的通信速率。數據上傳時將采用UART上傳方式，FPGA邏輯模塊主要由波特率發生模塊、發送模塊和接收模塊組成[6]。本文設計中采用的波特率是9600Bd，格式為“1位起始位+8位數據位+1位停止位”，在這里不采用校驗位校驗。數據發送模塊在接收到發送命令后，按照一定的速率，將數據進行并串轉換，將數據按UART協議的數據幀格式輸出，先輸出一個低電平的起始位，然后從低到高輸出8個數據位，最后是高電平的停止位。數據接收模塊負責實時檢測數據傳輸線路上的時序狀態，當數據傳輸線路上產生下降沿時，即認為線路上有數據傳輸，啟動接收數據進程按從低位到高位接收數據，然后將接收到的串行數據轉換成并行數據進行輸出，最終輸出至上位機。

3.2 神經網絡誤差補償分析

依次將鉑金屬溫度傳感器分別放置在實驗室溫控箱中和屏蔽泵溫度系統中。用萬用表記錄同一溫度下溫控箱電阻值和調理電路輸出電壓值，根據傳感器調理電路電壓與電阻的關系，計算出此時電機線圈上鉑電阻電阻值，與剛才記錄的電阻-溫度關系曲線做比對。這樣以電阻值為中間變量測量出補償前的溫度和真實溫度的擬合曲線。然后，補償之前的溫度和真實的溫度數據兩兩成對，對神經網絡進行訓練。這里采用全連接神經網絡，其中，輸入層輸入待補償的溫度數據，神經元數量是1個，隱含層的神經元數量為5個，輸出層補償之后的溫度數據，數量為1個。

為了能夠擬合非線性數據關系，通過ReLU激活函數將結果傳遞下去，它給神經網絡引入了“非線性成分”[7]。ReLU激活函數表達式如下：

在訓練時，輸入擬合之前的數據，通過構建的神經網絡進行計算。將網絡輸出與實際正確的數值代入到MSE損失函數中，計算差異值“loss”，并通過鏈式法則逐步計算出前面一層的梯度。通過反向傳播更新相應的網絡參數權重，達到優化神經網絡的目的[8]。經過數次重復優化后，神經網絡將記憶并擬合出鉑金屬電極溫度傳感器的補償曲線，并輸出正確的結果。

4 仿真與實驗結果分析

4.1 硬件系統仿真與實驗

通過溫度狀態檢測實驗平臺模型，將鉑電阻溫度傳感器安裝在屏蔽泵屏蔽層定子線圈繞組上。計算機用于發送和接收數據命令，并控制FPGA信號采集，上位機用于顯示溫度波形，并將溫度數據導入到存儲設備中。使用QuartusⅡ13.1軟件內部的Signal TapⅡ進行命令和數據信號的時序檢查[9]，對數據采集、串口測試、起始停止位檢測等功能進行時序仿真，可基本滿足所要求的時序關系。

通過使用在Windows平臺下以Qt為開發工具，設計了一個具有實時顯示電機定子繞組溫度狀態，能與FPGA板卡串口通信，跨平臺運行等功能的上位機檢測系統。本實驗中對電機在啟動80s之后進行了溫度波形檢測，得到如圖4所示的實驗結果。圖4中，波形左側為溫度檢測系統的串口方式選擇。這里選擇了COM2通道串口通訊，通過該平臺可以實時顯示電機繞組當前的溫度值，在100s左右看出當前溫度值為108.8℃，可以直觀反映出電機工作是否正常，能夠做到交互性、智能性和實時性，有利于生產廠家和用戶在檢測平臺對電機的穩定運行進行有效的監控。

4.2 神經網絡仿真與實驗

1）訓練數據的準備：考慮到傳感器的靈敏度，在0℃～160℃范圍下，每隔2℃設定1次采樣點。每個采樣點分別采樣上位機采集溫度和溫控箱設定的準確溫度，共采集81組數據。將所有組數據按照8:1的比重隨機分為訓練集和驗證集。

圖5 神經網絡訓練過程loss曲線Fig.5 Loss curve of neural network training process

2）神經網絡的訓練：設定總訓練次數epoch為20次，學習率lr為0.002。用MATLAB工具進行神經網絡在訓練過程中，loss值的變化情況如圖5所示。曲線A是訓練集，曲線B是驗證集。本設計借用MSE的數值變化來體現神經網絡輸出的準確度變化[10]。訓練集上的loss值持續下降，并且測試數據集的準確度也在不斷提升，在第14次訓練之后達到最優化。該準確度結果已經可以滿足溫度測量任務的準確度要求。

根據神經網絡訓練結果，記錄實驗中補償之后的和補償之前的溫度誤差值，得到圖6所示的曲線圖。可以看出，經神經網絡補償之后，溫度誤差基本趨近于0，通過在最后一步的神經網絡的補償運算，有效地抵消掉鉑金屬電極溫度傳感器的非線性偏差，輸出準確的溫度參數。

5 結束語

圖6 補償前后溫度誤差對比Fig.6 Comparison of temperature error before and after compensation

通過對該系統設計，設計了基于FPGA的溫度采集系統，能夠及時有效地采集屏蔽泵電機定子繞組的溫度參數。相比于單片機等器件而言，本系統具有傳輸數據較快、成本較低、精度高，可以實現屏蔽泵電機定子繞組的在線檢測，改變了以往屏蔽泵電機定子溫度無法采集并實時顯示的瓶頸，在技術創新上具有一定的優越性。

通過FPGA硬件系統設計、波形仿真和實驗驗證，本系統能夠及時有效地獲得屏蔽泵電機工作時的溫度信息，測量范圍滿足屏蔽泵工作環境要求。借助神經網絡的算法補償，使溫度測量系統準確度可達 0.5℃，極大地提高了測量精度，并為提高系統魯棒性提供了先決條件，對屏蔽泵智能化及穩定性評估和改進提供了一定的參考，本設計具有較高的實際工程意義。