基于FPGA的屏蔽泵电机线圈温度鲁棒性设计

郑书林，郝成旭，王 睿，周雅兰

（1.合肥工业大学 工业与装备技术研究院，合肥 230009；2.航空结构件成型制造与装备安徽省重点实验室，合肥 230009；3.合肥工业大学 仪器科学与光电工程学院，合肥 230009）

0 引言

在生产和生活中，屏蔽泵作为一种运输装置，因其具有无泄漏的独特优点，被广泛用来输送易燃、易爆、腐蚀性、剧毒、易挥发等液体[1]。在屏蔽泵电机工作过程中，常会出现泵内循环管路或入口过滤网等堵塞，使得循环量不足，或者介质气蚀，导致介质干转，造成电机定子局部温度升高等问题。对于屏蔽泵目前的温度范围指标，主要根据其电机绝缘等级，一般设置为H级，即最高允许温度是180℃，温升限值为125K，定子线圈绕组温度控制指标设在170℃，允许温度偏差为±5℃[2]。

目前，国内外多数屏蔽泵公司在其生产的泵上都采用了以PTC热敏电阻为基础的热过载保护装置，在定子绕组中每相埋入一只热敏电阻，与保护开关一起对电动机进行热过载保护[3]。该保护装置功能简单，但泵内电机的现场温度情况无法判断或实时采集，发生故障问题时得不到有关人员及时有效地处理，存在一定不足之处。对此，有必要制定一套对屏蔽泵电机定子线圈温度状态参数实时显示的高精度检测系统，能够及时发现定子线圈内部存在的问题，以便有针对地对屏蔽泵电机线圈热保护部分进行改进。

1 检测系统整体框架及设计原理

如图1所示是屏蔽泵内部结构框图，通过对某屏蔽泵电机内部的几何尺寸测量后，选择在屏蔽泵内电机屏蔽层放置温度传感器。本设计需要通过对传感器进行选型，设计调理电路对输出信号进行调理、滤波、放大，设计FPGA板卡和相关接口总线，完成与上位机的通信，利用FPGA强大的逻辑算法，最终实现温度参数的实时采集，并显示出温度数据波形。

图1 屏蔽泵内部结构框图Fig.1 Internal structure block diagram of canned motor pump

同时，铂电阻温度传感器在中高温接触式测量中会存在一定程度非线性误差，为了能够提高设计系统的测量精度，本系统采用神经网络的数据处理方式在温度测量环节进行非线性补偿，并用神经网络训练验证该温度数据的有效精度。

2 检测系统硬件设计和关键器件选择

检测系统硬件包括铂电阻温度传感器和FPGA处理板卡，前者主要负责温度信号的采集和预处理，后者用于数据采集过程中的信号控制以及与上位机通信。

2.1 温度传感器及芯片外围电路设计

图2 恒流源式测温电路Fig.2 Constant current source temperature measurement circuit

图3 FPGA处理板卡Fig.3 FPGA Processing board

相比一般温度传感器采集范围较小、测量温度上限小等缺点，结合屏蔽泵电机工作温度，最终选用Pt100铂电阻温度传感器进行电路设计，设计所选铂电阻传感器类型为三线制[4]。如图2所示是恒流源式测温电路，采用单电源供电的运放产生恒流源激励Pt100温度传感器，通过运放U1A将基准电压转换为恒流源，电流流过Pt100时产生压降，再通过运放U1B将该微弱压降信号放大，输出期望的电压信号[5]。该信号可直接连接后续的AD转换芯片，经过信号放大、滤波、去耦等预处理模块，进入到信号采样模块。

采样模块是将采集和预处理的温度模拟信号转化为数字信号，该模块采用FPGA主控芯片内部集成的TLV1544芯片驱动设计。本系统设计待采样信号输出阻抗为100Ω，输入阻抗为10KΩ，供电电压为5V，供电参考电压为3.3V，使I/O CLK的频率达到2.5MHz（周期为400ns）。配置采样时钟信号是按照FPGA线性序列机的设计思想，得到每个采样信号发生变化时对应的时刻以及此时对应计数器的值，最后将温度数据输出到FPGA中进行下一步操作。

2.2 FPGA处理板卡

如图3所示，围绕FPGA搭建了电源模块、数据采集的控制接口模块和通信模块。

FPGA主控芯片采用Altera公司Cyclone系列的EP4CE6F17C8N器件，使用QuartusⅡ和Modelsim软件进行编译和联合仿真，最终进行板级验证并在上位机上显示。

器件电源模块是根据FPGA内部工作电源要求，首先将程序可控电压源产生24V直流电压，输入24V直流电源用DC-DC芯片转换成5V初始电压；同时，5V初始电压通过相应的LDO转换成FPGA和外接芯片的适配电压。其中，3.3V电压为FPGA的I/O管脚及所有外接芯片供电，也作为铂电阻温度传感器电路的供电电压。

数据采集模块是通过FPGA产生控制芯片内部ADC的时钟信号，片选信号和通道控制信号采集传感器温度信号，通过ADC串行外设接口（SPI）进行采样，在这里接口配置成SPI主模式，并为外部从设备提供通信时钟（SCK）[5]。信号传输方式采用TTL传输的方式传输信号。

通信模块包括FPGA内部测试的JTAG通信以及板卡与上位机之间的通信。设计过程中使用的是Altera公司生产商生产的JTAG下载器来进行内部节点的测试和调试。FPGA板卡与上位机之间通过RS-485总线通信，通过RS-485驱动芯片将处理后的温度数据配置成相应的数据格式，最终采用UART通信协议将温度数据信息从RJ45端口输出上传至上位机。

3 FPGA逻辑设计和神经网络算法分析

3.1 基于FPGA的AD采样和通信模块逻辑设计

本文采用了一种基于FPGA的AD采样设计，FPGA逻辑模块是整个控制系统的核心。通过FPGA对温度传感器AD采样模块配置相应的时钟和控制信号，从而将模拟温度信号转换为数字温度信号，便于FPGA处理和通信。

本文采用TLV1544ADC器件进行采样工作。本系统中该芯片与FPGA板卡采用串行接口，INV CLK接高电平，当主机把CS拉低（低电平有效）时，数据输入、输出和I/O时钟有效。在I/O时钟的前4个上升沿将4位地址选通编码送入芯片内部的寄存器。接下来的6个时钟周期提供模拟输入采样控制时序，模拟输入采样结束后，在第10个I/O时钟上升沿开始数据转换，转换结束后，EOC输出转换结束信号（高电平），之后在新的读写周期内可进行下一次的采样，同时微处理器也可从串行输出端口读出数据。

温度数据经过FPGA后，需要匹配数据上传到上位机的通信速率。数据上传时将采用UART上传方式，FPGA逻辑模块主要由波特率发生模块、发送模块和接收模块组成[6]。本文设计中采用的波特率是9600Bd，格式为“1位起始位+8位数据位+1位停止位”，在这里不采用校验位校验。数据发送模块在接收到发送命令后，按照一定的速率，将数据进行并串转换，将数据按UART协议的数据帧格式输出，先输出一个低电平的起始位，然后从低到高输出8个数据位，最后是高电平的停止位。数据接收模块负责实时检测数据传输线路上的时序状态，当数据传输线路上产生下降沿时，即认为线路上有数据传输，启动接收数据进程按从低位到高位接收数据，然后将接收到的串行数据转换成并行数据进行输出，最终输出至上位机。

3.2 神经网络误差补偿分析

依次将铂金属温度传感器分别放置在实验室温控箱中和屏蔽泵温度系统中。用万用表记录同一温度下温控箱电阻值和调理电路输出电压值，根据传感器调理电路电压与电阻的关系，计算出此时电机线圈上铂电阻电阻值，与刚才记录的电阻-温度关系曲线做比对。这样以电阻值为中间变量测量出补偿前的温度和真实温度的拟合曲线。然后，补偿之前的温度和真实的温度数据两两成对，对神经网络进行训练。这里采用全连接神经网络，其中，输入层输入待补偿的温度数据，神经元数量是1个，隐含层的神经元数量为5个，输出层补偿之后的温度数据，数量为1个。

为了能够拟合非线性数据关系，通过ReLU激活函数将结果传递下去，它给神经网络引入了“非线性成分”[7]。ReLU激活函数表达式如下：

在训练时，输入拟合之前的数据，通过构建的神经网络进行计算。将网络输出与实际正确的数值代入到MSE损失函数中，计算差异值“loss”，并通过链式法则逐步计算出前面一层的梯度。通过反向传播更新相应的网络参数权重，达到优化神经网络的目的[8]。经过数次重复优化后，神经网络将记忆并拟合出铂金属电极温度传感器的补偿曲线，并输出正确的结果。

4 仿真与实验结果分析

4.1 硬件系统仿真与实验

通过温度状态检测实验平台模型，将铂电阻温度传感器安装在屏蔽泵屏蔽层定子线圈绕组上。计算机用于发送和接收数据命令，并控制FPGA信号采集，上位机用于显示温度波形，并将温度数据导入到存储设备中。使用QuartusⅡ13.1软件内部的Signal TapⅡ进行命令和数据信号的时序检查[9]，对数据采集、串口测试、起始停止位检测等功能进行时序仿真，可基本满足所要求的时序关系。

通过使用在Windows平台下以Qt为开发工具，设计了一个具有实时显示电机定子绕组温度状态，能与FPGA板卡串口通信，跨平台运行等功能的上位机检测系统。本实验中对电机在启动80s之后进行了温度波形检测，得到如图4所示的实验结果。图4中，波形左侧为温度检测系统的串口方式选择。这里选择了COM2通道串口通讯，通过该平台可以实时显示电机绕组当前的温度值，在100s左右看出当前温度值为108.8℃，可以直观反映出电机工作是否正常，能够做到交互性、智能性和实时性，有利于生产厂家和用户在检测平台对电机的稳定运行进行有效的监控。

4.2 神经网络仿真与实验

1）训练数据的准备：考虑到传感器的灵敏度，在0℃～160℃范围下，每隔2℃设定1次采样点。每个采样点分别采样上位机采集温度和温控箱设定的准确温度，共采集81组数据。将所有组数据按照8:1的比重随机分为训练集和验证集。

图5 神经网络训练过程loss曲线Fig.5 Loss curve of neural network training process

2）神经网络的训练：设定总训练次数epoch为20次，学习率lr为0.002。用MATLAB工具进行神经网络在训练过程中，loss值的变化情况如图5所示。曲线A是训练集，曲线B是验证集。本设计借用MSE的数值变化来体现神经网络输出的准确度变化[10]。训练集上的loss值持续下降，并且测试数据集的准确度也在不断提升，在第14次训练之后达到最优化。该准确度结果已经可以满足温度测量任务的准确度要求。

根据神经网络训练结果，记录实验中补偿之后的和补偿之前的温度误差值，得到图6所示的曲线图。可以看出，经神经网络补偿之后，温度误差基本趋近于0，通过在最后一步的神经网络的补偿运算，有效地抵消掉铂金属电极温度传感器的非线性偏差，输出准确的温度参数。

5 结束语

图6 补偿前后温度误差对比Fig.6 Comparison of temperature error before and after compensation

通过对该系统设计，设计了基于FPGA的温度采集系统，能够及时有效地采集屏蔽泵电机定子绕组的温度参数。相比于单片机等器件而言，本系统具有传输数据较快、成本较低、精度高，可以实现屏蔽泵电机定子绕组的在线检测，改变了以往屏蔽泵电机定子温度无法采集并实时显示的瓶颈，在技术创新上具有一定的优越性。

通过FPGA硬件系统设计、波形仿真和实验验证，本系统能够及时有效地获得屏蔽泵电机工作时的温度信息，测量范围满足屏蔽泵工作环境要求。借助神经网络的算法补偿，使温度测量系统准确度可达 0.5℃，极大地提高了测量精度，并为提高系统鲁棒性提供了先决条件，对屏蔽泵智能化及稳定性评估和改进提供了一定的参考，本设计具有较高的实际工程意义。