感应淬火工件磁导率谐振逆变器控制方法的研究

工程科学与技术，国际期刊27（2022）101006完整文章感应淬火应用中工件磁导率效应下串联谐振逆变器控制的增强频率自适应方法Chabane Hammouma，Houcine Zeroug阿尔及利亚阿尔及尔Bab-Ezzouar，BP 32，Houari-Boumediene科技大学电气系统表征与诊断实验室阿提奇莱因福奥文章历史记录：收到2020年2021年1月10日修订2021年5月19日接受2021年6月09日网上发售保留字：感应淬火谐振逆变器最大效率跟踪深度学习神经网络A B S T R A C T感应淬火（IH）工艺有助于提高钢的机械性能。在这种应用中，逆变器以谐振频率工作，以获得高工作性能。然而，这通常伴随着在温度影响下钢的特性变化，特别是磁导率。本文提出了两种谐振频率自适应方法。第一种是基于最大效率跟踪（MET）方案。在这种情况下，开发了具有控制算法的仿真，以基于电流和电压传感器实时找到适当的频率。这种方法被发现是有效的，但需要一个恒定的输入和输出功率的确定。因此，它使执行变得困难。为了缓解这一缺点，提出了基于深度学习（DL）算法的先进技术。因此，建立了一个实验原型，以确定实验的温度-频率数据的轮廓，直到两个金属棒的硬化。因此，神经网络（NN）为基础的模型控制阐述。经过仔细选择的神经网络参数，训练模型得到了令人满意的精度导致的预测模型。这很容易在raspberry pi 3 +上实时实现，并允许系统在高效率下连续执行，以达到强化目的。©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍金属行业越来越多地使用感应加热系统技术，因为其具有吸引人的加热性能，本质上与加热时间短，清洁环境，高可控性和效率等优点有关[1]。在硬化应用中，该系统在中/高频下运行，以进行明确的深度处理。这提高了钢的机械性能，特别是从耐磨性方面[2]。温度上升到目标材料是引起共振转换使用感应电流由于一个可变的磁场的影响，如图中突出显示。1.一、尽管IH系统具有许多优点，但存在包括电磁和热方面的多物理问题，它们之间具有相互依赖的影响，对于建模和过程控制，必须从理论和实验方面解决一些挑战。*通讯作者。电子邮件地址：hzeroug@usthb.dz（H. Zeroug）。由Karabuk大学负责进行同行审查实现接近820 °C的温度所需的逆变器功率取决于待处理样品的电阻。 为此，为了满足各种金属材料的硬化要求，引入了不同的调制策略来 控制 典型 的高频 并联 或串联 谐振 逆变 器[3] 。脉 冲密 度调 制（PDM）在加热速率和效率方面似乎优于其他技术，但在这些特性变化的情况下不能确保谐振操作。事实上，当金属加热时，材料的变化会影响-在工件的表面层处出现误差，特别是电阻率Q和相对磁导率MR[45]。因此，这无疑修改了逆变器输出馈送的等效电路阻抗。因此，这导致逆变器远离操作点，因此这导致系统效率恶化。因此，必须获得新的开关频率以优化感应系统的操作。为了满足这些条件，IH系统基于高变频器需要零电压和/或零电流条件来消除或显著减小晶体管开关损耗。通常使用几种解决该问题的方法，特别是，这些方法基于插入锁相环（PLL）。https://doi.org/10.1016/j.jestch.2021.05.0102215-0986/©2021 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchC. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010062Fig. 1.感应加热原理电路，以消除逆变器电流和电压之间的相移在这方面，广泛使用的配置[6-该电路的设计考虑要求精确调整其参数，应考虑稳定裕度、抗干扰能力和对相位跳变的瞬态响应【8在[12]中，为了烹饪目的，串联谐振逆变器以由各种锅电阻定义的不同模式操作，因此谐振频率通过继电器的三种组合来选择，继电器与适当的谐振电容器进行交换。这些技术可能不适合于连续频率变化，如在硬化处理中的情况因此，对其他频率跟踪替代方案的研究是高度可行的，特别是为了克服渗透率变化。逆变器效率跟踪是跟踪谐振频率的方法之一这种方法的思想类似于太阳能应用和无线功率传输应用中使用的技术[13该方案用于搜索最大输出功率的换向损耗显着降低。为了突出这种控制方法的优点，本文的第一部分在这里，这种技术被识别和指定为MET已通过在Matlab/Simulink环境中的模型仿真进行。这种技术的优点是，在实践中，它允许独立于待加热材料的规格的相当好的频率适应然而，这仍然取决于电力设备和实时测量的仔细和准确的选择，以及在实践中可能发生的任何干扰或差异利用描述等效电路阻抗随温度变化的预定义材料分布可以是执行频率自适应的另一种替代技术[15]。该方法已在这项工作中进行了研究，其目的是覆盖不是一种材料，而是几种材料的表面硬度。这种创新的方法有助于找到合适的函数近似，可以很好地适应轮廓变化，而不管它们根据每种材料规格直到硬化温度呈现的非线性用多个非线性函数组合逼近可能解决这一问题，但系数计算复杂，处理时间长。求助于现代和智能技术似乎是适当的，并准确识别的负载参数方面良好的耦合，温度依赖性，和材料规格。如今，深度学习正在成为人工智能的一个突出发展，将工程特征表示到机器学习过程中[16，17]。根据文献调查，尝试将这些技术应用于金属表面硬化应用看起来非常有前途，并且逐渐部署以有效地覆盖该领域。在这方面，通过粒子群优化和伪能量法[18，19]，对基于识别负载电参数的方法进行了离线分析。然而，通过监测谐振电容器电压进行分析评估，以计算谐振回路品质因数，并基于电容器电压的频谱分量采用DFT技术进行在线识别[20，21]。深度学习方法在电力电子感应加热领域得到了应用。在烹饪区域[22]中，卷积神经网络（CNN）用于执行由磁耦合检测组成的任务，并且在这种情况下，烹饪表面由多线圈结构组成该技术的目的是提供器具与线圈的重叠的估计。研究表明，他们提出的基于CNN的负载区域检测技术在计算成本和不同材料的准确性此外，在[23]中的实现中，作者研究了预测控制模型（MPC）来预测系统状态的轨迹，以便通过最小化所选目标来解决数值优化问题然而，由于存储控制器所需的内存量，这种类型的控制对于非线性问题是复杂的，作者提出应用深度学习来学习控制策略，就像在MPC中所做的那样。[24]提出的另一项工作是通过提取物理参数来执行罐材料的在线识别。在他们的方法中，分类模型用于基于光谱估计和MLP的罐材料检测。在这项工作中，研究了深度学习技术，以产生相当准确的模型，这些模型能够计算出表征硬化过程中金属磁导率随温度变化的曲线这里的重点是能够产生模型，以一方面拟合频率-温度曲线用于频率自适应，另一方面导致成本有效的实现硬件在平滑和连续的在本文中，NN模型是基于监督式深度学习算法，基于Tensorflow（TF）开源工具，基于从测试床获得的实验数据集创建模型。这些数据涉及与两种金属材料样品即Z200和XC 48相关的温度-频率分布。该方法提出了多层感知器（MLP）学习这些配置文件，并估计逆变器控制的谐振频率。所获得的模型在微计算机上实现，即Raspberry Pi套件，用于相对于温度产生信号类似地，也重复并测试该过程以体现组合在一起的两种材料数据，以产生用于预测的模型，该模型能够执行连续的谐振频率，而不管IH负载中引入的材料如何。本文的组织如下，首先MET技术是通过模拟模型进行研究和评估，然后通过实验确定材料剖面，以产生用于DL模型细化的数据集。经过适当的数据训练和模型生成预测，后者是基于适当的设置工具包实施。最后，实验结果证明了所提出的创新DL方法的有效性2. 感应淬火分析2.1. 系统建模图2中突出显示了所研究的IH系统的框图。电源经三相二极管整流滤波电路处理后，将直流母线电压提供给谐振逆变器，为负载提供高频电流和电压2.2. 开关换向损耗其功率逆变器的效率g取决于传导，特别是换向损耗。后者变得非常C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010063.Σ图二. IH系统配置。在高频开关方面很重要。在我们的例子中，开关的静态和动态特性被引入功率器件模型。传导和换向损耗通过如下给出的表达式确定。对于传导损耗，我们有：P对 1/4 Von：Iavg 开关开启：I2rms开关100其中Von和Ron是饱和电压和导通电阻。Iavg和Irms分别为平均电流和RMS电流。至于开关损耗，表示为：Psw¼EonEoff：fsw2其中Eon和Eoff分别是在接通和关断时间期间消耗的能量，并且fsw是切换。图四、包括Transformer的等效电路这些是由以下等式表示的：1 .一、 x2M2R！2.3. 负荷建模R0方程式1/2Rx2L2ð4ÞL01。Lx2LMΣ5谐振回路由串联电容器Ceq组成，工件内的工作线圈。这可以表示为图3所示的Transformer电路。图3所示的等效电路表示了为阻抗自适应而引入的匹配Transformer。 4，匝数比n = N2/N1。计算等效电路的方程为Eq.（三）、等式1/4 n2 线圈 -R2x2L2其中L、R分别为工件的电感和电阻。M是互感。因此，包括上述电路的Ceq的负载的电气方程为：jxL线圈i秒j xMip¼V秒ð3ÞR0eqitL0eqdit1Zitdtvprt6jxMi秒jxL件，R件，第i节，第1/40dt Ceq当引入Transformer时，等效电路在谐振模式下，逆变器频率表示为：负荷的非线性模型可以用R '表示，和L’图中的猫。四、eq eqfr¼2pqL0eqCeqð7Þ其中fr为谐振频率，x= 2p f。2.4. 频率选择图三. 线圈与工件的等效电路。根据金属试样规格，选择中频范围10-（八）、C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010064fplrl0d<$rq使用：q：材料电阻率[O.m]。ð8Þ3. 基于MET技术的3.1. 拟议方法如第1节所述，金属特性易于m：磁导率[H/m]：m0=真空，mr=相对。f：激励频率[Hz]。此外，为了巩固这些发现，在这些平台上使用序列d中考虑的245个数据集进行模拟，其中考虑了磁和热方面，表明对于该频率范围，该深度在1 mm和3 mm之间。为了说明，图中给出了一些结果。 五、温度效应这将导致负载等效电感的变化，从而影响功率输出，如图所示。 六、在这种方法MET所涉及的原则是由功率频率的变化图说明。 6和图6所示的框图。 7分别。反馈控制回路包括感测逆变器的输入和输出电压和电流。图五.模拟结果概述了15 kHz和25 kHz时的穿透深度dC. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010065中P见图6。输出功率（蓝色）和变频器效率（红色）与归一化频率。逆变器馈入谐振RLC负载，其值如表所示。1 .一、所传输的最大功率出现在接近谐振频率的频率处，在此由区域2表示。当该负载变为由区域1标记的电容性或在区域3中变为电感性时，该功率减小在基于MET原理的搜索开始之前，由算法定义应当达到的可接受的效率阈值这对应于最佳效率，因此对应于谐振频率。然后，该搜索在区域1或区域3中开始，这取决于负载的性质一旦如图6所示确定了逆变器的区域，就执行系统在输出和输入处的功率测量。之后，该过程继续通过整个区域，其中频率增量Df作为频率阶跃增量，直到达到最大功率，其中效率大于90%。负载被认为是一个可变电感，类似于加热循环期间发生的趋势，如图所示。8.第八条。在这里，我们考虑了9秒的仿真时间，以达到与温度相对应的电感最终值 图 9描述了MET方案实现的算法。计算每个开关间隔的平均功率，可以计算为：Pin¼Vdc：Idc1000表1电气系统参数符号组件值V在输入电压25 VR等效电阻器1OC当量槽路电容器1m F莱初始电感99.95m HFC初始谐振频率16 kHz见图8。电感随温度的变化。MET算法基于根据以下等式计算的效率g% ¼P输出：100 11因此，新的频率f（k + 1）根据等式（1）中给出的表达式计算。（12）.fk 1fkr：Df： SignP outk-Poutk-1 123.2. 仿真结果通过Matlab/Simulink仿真模型对算法进行了详细阐述。在这项研究中，如图10（b）所示，MET方法的效率有所提高，没有MET的系统，如图所示。 10（a）.总的来说，该技术在理论上能够确保高效率，因为在硬化过程P1Zvt i t dt循环，而不管负载参数的变化。 但其10输出¼Tc联系人：Tc测量的优点在很大程度上取决于适当的测量设备和技术。这无疑将导致更复杂的其中Vdc、Idc为直流母线电流和电压的平均值，v（t）和i（t）为通过傅立叶级数分解得到的基波电压和可能影响其功能的维持适当的运作因此，需要寻求更有效方法以满足频率跟踪-图7.第一次会议。频率自适应MET框图C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010066公司简介8VpR20¼¼该系统是防止过流，开关短路和低驱动器功率损失.所有相关的故障都被接线，以便在运行操作期间发生这些故障时停止控制信号该设备还在电源入口处配备了全套保护电路。通过这样做，该系统确保了高度的可靠性。温度通过K热电偶测量和监控然后，传感器信号连接到微控制器中的ADC进行测量。（c）中所示的负载包括铁氧体磁芯中的匹配Transformer，其初级侧具有12匝，次级侧具有4匝。后者连接到具有21匝的感应线圈，水流过该感应线圈用于冷却目的。 工件为长50 mm、直径19 mm的圆柱体。在加热过程中进行实验测试，以收集所提出的控制方案的数据集。通过由系统的输入和输出进行的测量来检查提供给负载的功率。这些都是使用分析仪福禄克范围192 B和福禄克1730米，如图所示。 12个。4.2. 功率控制策略：实验测试与PDM控制进行输送到负载的功率P_out相对于D_Pdm变化，由等式（1）给出。（13）和（14）。图9.第九条。使用MET的频率自适应流程图满足不同的材料要求，并能满足多种材料规格。把重点放在智能技术上似乎是合适的D吨TPdm2PoutDPdm：dceqð13Þð14Þ在我们的例子中，设计工具的可用性使得它们的应用变得广泛，从而导致成本有效的技术解决方案。在这项工作中，对深度学习的应用进行了研究。此外，对其可行性和性能进行了评估。4. 使用深度神经网络实现Ton是PDM脉冲长度，Vdc是直流电压。特性的变化需要负载的谐振模式的可变频率。因此，我们引入了一个由等式给出的比率。（15）在控制算法中使其能够保持温度以线性方式上升，恒定的加热速率接近1.5 °C/s，如图所示。 13岁我们的第一次尝试是构建一个具有深度学习的监督NN系统。这应该能够产生一个模型来预测比率fð15Þ相对于温度的频率。最初，该系统需要确定来自试验台的实验数据本节描述了为确定合适的频率-温度曲线而进行的实验工作，该曲线作为逆变器在谐振模式下运行的数据，同时考虑了硬化周期期间的磁导率变化。被称为数据集的数据正在被利用来制定可以实施的模型，从而使逆变器稍后运行，确保连续运行，并实时关注温度影响下的所有参数变化。在该方法中考虑两种材料样品Z200和XC 484.1. 实验装置描述实验套件的主要组件分别在图11（a）和（b）中突出显示。主电源由三相不可控整流器，其基于IGBT模块（MG100Q2YS 42）为全桥逆变器供电。通过DSP板执行控制，DSP板向驱动器电路即SKHI23/12提供信号。为了解决金属渗透率温度效应引起的频率自适应问题，设计了锁相环电路。其中fr是可变谐振频率，fPdm是可变谐振频率，PDM频率。4.3. Z200工件的数据确定：在这种情况下，在谐振条件下，几个Z200简单的频率-温度的轮廓被预先确定。我们注意到，这种变化几乎是相同的相似标本。实验曲线在图中突出显示。第4.5.1节中的21（蓝色）。在适应期间，监测共振模式。使用Fluke 192B检索逆变器电压和电流输出波形。图14中突出显示了该过程中25和26 kHz两个频率的情况。此外，当评估系统效率时，通过根据图11所示的实验设置的系统功率测量。根据图15，测量的系统效率估计为逆变器接近92%，整流器和逆变器一起接近71%。当然，这个数字会受到整流器损耗的轻微影响，因为测量中会考虑这些损耗。这个数字在整个加热过程中几乎是恒定的。C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010067见图10。逆变器效率与时间。(a)无MET对照。4.4. XC48工件的数据确定：对XC 48样品，用同样的实验方法测定了其频率-温度曲线。我们注意到，相对于温度，频率略有不同，但趋势几乎相似 图图16示出了在D Pdm = 8的谐振期间的电流波形和控制信号。所实施的控制能够照顾到两个参数的影响。通过这样做，系统效率被发现是最佳的，如图所示。 十七岁4.5. 深度学习在频率自适应中的应用正如在弯曲截面中确定的特性所示，频率随温度的变化是高度非线性的。通过适当拟合的函数进行近似并不简单。再次，这些趋势表明，基于模型的深度学习可以是适当的，因为有一个精心的NN架构设计。理论进步和实践成功表明，使用深度NN提供了更大灵活性的解决方案，从而更好地近似函数以学习数据表示[16，25]。该NN涉及标准C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010068图十一岁感应加热系统的实验设置：（a）：控制和接口电路，（b）：电源电路组件，（c）：匹配Transformer与线圈内的工件。由少层序列组成的b激活前馈网络。这些执行非线性变换，可以表示如下：图十三. 工件表面的温度FxAL1bLAL. . .b其中，×是NN的输入，L是层数，A是在等式中表示的仿射变换。（17）b是非线性函数，称为激活函数。Al fl-1 Wl fl-1bl 17其中，fl-1是前一层的输出，Wl和bl被称为层l处的权重和偏置，并且它们的值是通过利用已知输入-输出对的反向传播过程通过NN进行训练来确定的在人工网络中，发现MLP比卷积神经网络（CNN）或递归神经网络（RNN）更适合非线性系统中的数据拟合。它的体系结构更适合表格数据，并直接影响系统的收敛性和网络的性能。在这项工作中，我们选择了一个由4层组成的网络。第一个由温度作为输入神经元，2个隐藏层和一个输出神经元表示的频率输出。NN架构如图所示。 十八岁图19中的框图描述了我们的NN设计的步骤。 在这个架构中，67%的数据用于训练，33%用于测试。超参数的选择和训练是以这样的方式进行的，即在每次迭代中预测值和实际实验值之间的误差最小化。建议的NN模型是从Keras设计和训练的，Keras是用Python编写的开源深度学习数学库。它允许定义标准的深度学习模型，，并在短短几行代码中进行了评估。其中，即Tensorflow库，它以简单而干净的界面变得非常受欢迎[26]。为了学习网络，Z200和XC48样本的数据集由134和111个值组成图12. 实验测试框图。C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）1010069-×图14. 15和26 kHz时的逆变器电压和电流波形。图17. XC48感应加热系统的效率图18. 用2个隐藏层表示神经网络架构。是通过实验收集的。这些数据在[-1，1]范围内进行归一化处理，然后选择合适的激活函数构建神经网络模型。在这方面，整流器线性单元（ReLU）的目标是隐藏层，而双曲正切（Tanh）函数专用于输出层。这些表达式由Eq定义。（18）和（19）。ReLU：b ¼maxf0;xg ≤18 mmTanhexe-x：bexe-x19Þ图15.系统效率包括整流器和逆变器。与是神经元的输入。基于RMSprop算法优化器[27]的训练用于测试和训练数据集。在这里，目标和数据输出之间的差异是用均方根误差（RMSE）计算的，并由等式给出。（20）.为了融合和图16. DPdm = 8时谐振模式下的逆变器输出电流和控制信号。C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）10100610BnB联系我们一起使用之前使用的相同数据集，新的训练模型由相同数量的隐藏层组成然而，在这方面，图19. 深度学习和模型预测的块图。为了最小化该差异，在每次迭代中，相应地调整网络的权重W[1]和偏置b[1]vuPN。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi2ffiffiNð20Þ图21. Z200曲线：实验（蓝线）和神经模式预测（红线）。图 21的曲线以突出训练的MLP的RMSE误差和反映用于预测Z200材料样品的模型的曲线。它们清楚地表明NN预测模型与实验数据集趋势吻合良好。通过在训练阶段结束时发现的错误因此，这意味着该模型已经被很好地训练以学习待处理的钢的频率-温度曲线在训练参数达到10401的情况下，产生的RMSE值为0.019此外，通过评价剩余的33%数据集巩固了模型验证在此阶段，生成的模型被保存以进行预测。另一个训练模型也进行了调查和阐述.特yn-yn使用与Z200和XC 48样品相关的两组曲线其中，N是训练样本的总数，y是预训练样本dicted值，yn是每个输入h的已知输出值。4.5.1. 模型模拟结果：进行模拟以产生每个样品的模型。学习曲线图提供了对模型的学习动态的洞察，无论它是欠拟合训练模型数据集，还是过拟合数据集。图20和图20. 训练NN模型的RMSE。基于不同的优化器，即Adadelta[28]。 后者是发现更适合用一个数字来建立一个精确的模型，最多配置7000个epoch。这里，模型收敛在300个时期之后开始。为了达到接近0.017的令人满意的误差，网络需要大约6500个历元，如图所示。 22岁图图23示出了实验数据的演变，其中一个是训练后由模型趋势预测的。预测模型与两个数据集拟合良好，误差较小。图22. 训练MLP模型的RMSE。RMSEbhC. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）10100611图23. 对Z200和XC48两种钢的预测。4.5.2. 实时模型实现：仿真模型结果表明，该预测模型可以很容易地作为嵌入式解决方案在我们的实验感应加热系统中实现，而无需在相同的环境下进一步训练数据。在Linux环境下运行的微型计算机的可用性，与TF工具，使这种方法成为可能。在此范围内，为了评估所提出的DL方案控制的可行性，使用具有1.4 GHz处理器的Raspberry Pi微计算机技术实现了类似的方法，用于测量、DL预测模型开发和PWM信号生成。事实上，它的处理器是能够以与模型仿真类似的方式利用TF软件工具在Python编程中容易地处理NN系统。图24给出了控制方案的框图。它由3B +和3A +配置的两个套件组成，通过SPI通信以主模式和从模式运行。一个用于DL预测模型的详细说明，第二个用于通过ADC外围设备进行温度测量，使用热电偶作为模拟输入，使用具有适当频率的PWM信号作为输出。事实上，我们为后者配备了一个接口电路，以支持ADC和通用数字输出，从而为高频信号工作范围提供令人满意的PWM输出。 实验试剂盒测试如图所示。 二十五下表2总结了训练之前和之后的代码记忆，确保使用1个配置文件的均方根误差小于0.019和2个不同配置文件的均方根误差小于0.017的可接受准确度很明显，生成的预测模型代码与温度输入向量和神经输出向量相关联，可以看出，预测模型的实现需要在树莓派套件上使用低得多的数字资源。这导致了较低的处理时间，并通过加热过程中的系统响应时间使用图21中突出显示的序列中考虑的245个数据集在这些平台上执行的实验表明，在使用多达10，402个可训练参数的适当参数配置进行训练之后，以相同的准确度产生了类似的结果这两个预测模型是在Python编码中实现的，并且与训练周期的2mn相比，显示出非常短的处理时间，大约不到几毫秒，并且具有非常少的内存空间。此外他们Fig.24.用于实验评估的方块图。图二十五MLP在Raspberry Pi 3+中的实现和验证。C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）10100612表2用于DL实现的计算资源。金属材料样品数据集编号可训练参数时间/步骤训练和预测时间用于训练的Python代码存储器，用于温度向量输入和神经向量输出Z20013410,402117m s/步1mn48s小行星1462 Kb5KbyteXC4813410,401116m s/步1分钟50秒小行星1444 KB5 KbyteXC48 + Z20024510,60267m s/步2mn35s小行星1445815Kbyte不仅对一个样本，而且对同时采集的两个样本，都能很好地拟合数据集的趋势事实上，根据加热循环处理，通过选择接近0.5 s的采样时间，从热电偶传感器校准的模拟输入的变化已经实时产生了PWM信号频率，该PWM信号频率根据图21所示的期望曲线很好地适应温度。然后将该平台安装并连接到逆变器，以执行实时控制方案，用于进一步测试。初步的实验结果表明，在高温加热过程中，特别是在金属参数变化的情况下，此外，这使得系统能够以接近2°C/s的平稳温度梯度运行，并大大减少瞬态干扰。此外，为了指出DL在响应时间方面的优势，通过PLL和DL实现之间的比较明确强调了这一点事实上，8%电感的变化导致在DL控制下频率从21 kHz变化到22kHz，持续时间小于1 ms，而对于相同的变化量，PLL的频率响应需要超过40ms。5. 结论在这项研究中，提出了两种实现谐振频率跟踪控制的技术，并根据仿真和实验测定进行了研究。这两种方法都能够在硬化周期内计算出谐振模式，对于具有各种规格的几种金属，在此期间工件会随温度而发生参数变化，而无需额外的硬件调整或重新设计。仿真结果证实了依赖于效率最大化的方法的优点。这使得保持效率高达91%。然而，在实践中，这种方法需要具有实时测量的复杂硬件设计。第二种方法，基于DL的设计似乎是一个有前途的解决方案用于感应系统中的频率自适应。通过对实验数据集的精心选择和神经网络结构参数的合理配置，表明基于MLP的预测模型能够较好地考虑淬火循环过程中金属性能的非线性，并具有较好的预测精度。该模型具有很短的处理时间和相当大的存储空间，很容易在专用硬件上实现，作为一种低效率的数字成本解决方案。因此，该方法表明，它是很容易能够抵消PLL的短路，ings，并增加系统的可靠性。此外，它可以扩展到体现几个实验的配置文件，以产生一个高效和有效的控制方案，硬化应用提供足够的和准确的数据集。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] O. Lucia，P.Maurisson，E.J.Dede，J.M.Burdio，感应加热技术及其应用：过去的发展，当前的技术和未来的挑战，IEEE工业电子学报。61（5）（2014）2509-2520。[2] F. Shang、黄毛菊E. Sekiya，Y.中山，高频感应加热设备在6061铝合金热处理中的应用，材料运输日本轻金属研究所。 52（11）（2011）2052-2060。[3] B. Meziane，H.陈志华，感应淬火系统之功率控制，国立成功大学电机工程研究所硕士论文。63（10）（2016）6086-6096。[4] H. Kurose，D. Miyagi，N. Takahashi，N.内田，感应加热设备的三维涡流分析，考虑热辐射、热传导和磁特性的温度依赖性，IEEE磁性学报。45（3）（2009）1847-1850。[5] T. Szelitzky，E.H.杜福，自适应控制在串联负载PWM感应加热逆变器中的应用，国际电子期刊。 100（12）（2013）1714-1723。[6] M. Roy，M. Sengupta，基于FPGA的PLL在CSI馈电感应加热原型中的应用，IEEE电力电子驱动和能源系统国际会议，2014年。[7] M.莫拉迪，M。陈晓，一种基于模糊控制器的智能数字锁相环，工程科学与技术，国际期刊。 23（2020）821-830。[8] A.纳玛德马兰，串联谐振感应加热应用的通用调谐系统，IEEE工业电子学报。64（4）（2017）2801-2808。[9] S.陈文，一种新的单相信号快速跟踪D-估计方法，电力电子学报。26（4）（2011）1081-1088。[10] T. Thacker，D.博罗耶维奇河布尔戈斯湾Wang，Phase-locked loop noisereductionvia phase detector implementation for single-phase systems ， IEEETrans onIndustrial Electronics 58（6）（2011）2482-2490.[11] Q.X. Zhang，L.孙永国Zhong，M. 松井，B.Y. 单相并网数字锁相环的分析与设计功率转换系统，IEEE工业电子学报58（8）（2011）3581-3592。[12] H. Park，J. Jung，全金属感应加热应用中串联谐振逆变器的负载自适应调制，IEEE工业电子学报65（9）（2018）6983-6993。[13] H.Özbay，基于PDM-MPPT的太阳能感应加热系统，工程科学与技术，国际期刊，https：//doi。org/10.1016/j.jestch.2020.06.005。[14] H. Fathabadi，用于风能转换系统的新型最大电气和机械功率跟踪控制器，IEEE电力电子新兴和选定主题杂志5（4）（2017）1739-1745。[15] C.哈穆马湾Zeroug，A. Attab，将PDM与感应金属淬火的频率-温度曲线自适应控制相结合，IEEE工业电子学会第44届年会，2018年。[16] Y. 莱昆湾，巴西-地本焦湾Hinton，Deep learning，Nature 521（2015）436-444.[17] Daswin de Siva 等 ， Toward Intelligent Industrial Informatics ， Review ofCurrentDevelopmentsandFutureDirectionsofArtificial IntelligenceinIndustrial Applications ， IEEE Industrial Electronics Magazine ， 14 （ 2 ）（2020）。[18] A.Dominguez等，基于粒子群优化的家用感应加热负载识别，IEEE第15届电力电子控制和建模研讨会（COMPEL）（2014）。[19] B.A.Nguyen ， Q. D. Phan ， D. M. Nguyen ， K. L. Nguyen ， O.Durrieu P.Mastenham，三相感应加热系统的参数识别方法，IEEE工业应用学报，51（6）（（2015）：4853[20] H.萨尔纳戈岛Lucia，J.M. Burdio，感应加热系统的通用谐振回路识别方法，IEEE电力电子学报33（3）（2018）1897-1901。[21] H.萨尔纳戈岛Lucia，J.M. Burdio，基于FPGA的柔性感应加热设备谐振负载识别技术，IEEE工业电子学报65（12）（2018）9421-9428。[22] O. Lucia，D. Navarro，P. Guillén，H. Sarnago，S. Lucia，基于深度学习的先进感应加热设备磁耦合检测，IEEE访问7（2019）181668-181677。[23] S. Lucia，D.纳瓦罗湾Karg，H.萨尔纳戈岛Lucia，基于深度学习的谐振功率转换器模型预测控制，IEEE工业信息学学报（2020）。[24] A. Bono-Nuez等，感应器作为智能传感器用于家庭感应烹饪中的材料识别IEEESensors Journal 18 6 2018 2462 2470C. Hammouma和H. 泽鲁工程科学与技术，国际期刊27（2022）10100613[25] B.Hanin ， UniversalFunctionApproximationbyDeepNeuralNetswithBounded Width and ReLU Activations ， Mathematics 。 7 （ 992 ）（2019）1-9.[26] M. Abadi al，TensorFlow，大规模机器学习系统。2016年TensorFlow论文集，大规模机器学习系统[27] N.Dauphin，Harm de veries，J.Chung和Y.Bengio，RMSProp和非凸优化的平衡自适应学习率，（2015）。arxiv.org/abs/ 1502.04390.[28] M.D.ZeilerAdadelta，AnAdaptiveLearningRateMethod（2012）.arxiv.org/abs/ 1212.5701.