本發明屬于水泥熟料工業生產自動控制過程領域,具體的說是一種篦冷機刮板速度控制方法。
背景技術:
:篦冷機是水泥行業熟料煅燒生產系統重要配套設備,廣泛的應用于水泥工業熟料生產線上。如今,篦冷機已經發展到第四代,隨著生產能力的提升,其驅動方式從機械驅動換成液壓驅動。因而,調節液壓控制篦冷機刮板速度以及調節過程平穩性、準確性、減小運行沖擊與振動等成為水泥熟料篦冷機控制過程的主要內容。為實現篦冷機刮板速度調節與控制,本發明采用PID控制。在確定篦冷機刮板速度控制系統模型和控制策略的前提條件下,如何設計優化PID控制器的Kp(比例系數)、Ts(積分時間常數)、TD(微分時間常數)等參數成為影響本系統控制效果的關鍵。目前,在PID控制器參數優化的智能方法中,常用的有粒子群算法、遺傳算法和人群搜索算法等,但在實際操作中往往易陷入局部最小解,出現搜索的分散性變差,全局所搜能力減弱,無法搜索到更好解的不足,從而影響被控系統的控制效果。技術實現要素:本發明提供了一種將模擬退火技術與粒子群算法相結合,采用PID控制,優化出PID控制器參數,實現對篦冷機刮板速度的更高精度的控制,并且調速過程更平穩,減小振動和沖擊的基于模擬退火粒子群算法的篦冷機刮板速度控制方法,克服了現有篦冷機刮板速度得不到有效控制的問題。本發明技術方案結合附圖說明如下:一種篦冷機刮板速度控制方法,該控制方法包括以下步驟:步驟一、建立篦冷機刮板速度的適應度函數;步驟二、初始化篦冷機刮板速度的適應度函數的參數;步驟三、初始化適應度函數的N個解X,其中每個解的矢量由PID控制器三個參數組成,所以解的矢量維數D=3,每個解的速度V的維數與每個解X的維數相同;步驟四、通過步驟一中的適應度函數計算出第一代每個解的適應值,選出最小的適應值作為全局最佳適應值zbest,對應的解是全局最佳解Gbest,再把第一代每個解作為個體最佳解Pi,其適應值作為個體解最佳適應值gbest;步驟五、計算突跳概率因子T;步驟六、全局最佳適應值zbest和全局最佳位置Gbest進入迭代循環Maxlter;步驟七、得出zbest和Gbest,Gbest就是篦冷機刮板速度的適應度函數中的最優參數。所述步驟一中的適應度函數具體如下:其中e(t)為PID控制器的設定值與反饋值的系統誤差,u(t)為PID控制器輸出,ω2和ω1為權值,為了避免系統輸出超調,采用懲罰控制,如果e(t)<0時,其中ω3為權值,通常情況下ω1=0.999,ω2=0.001,ω3=100。所述步驟二中初始化的參數包括迭代數Maxlter、當前迭代數t、經驗控制參數c1和c2,其中c1調節解調整向個體最佳解方向移動的步長,c2調節解向全局最佳解方向的移動的步長、收斂系數lamda、收斂系數是使突跳概率因子呈線性縮減、最大權值ωmax、最小權值ωmin、壓縮因子其中壓縮因子是根據公式求得的,C=c1+c2,且C>4,其作用控制和約束解調整的大小。所述步驟三中初始化解的矩陣:Kp、Ki、Kd參數的范圍[0100];初始化速度矩陣:Vp、Vi、Vd參數的范圍[01],初始化最大速度Vmax和最小速度Vmin。所述步驟五中突跳概率因子T通過如下公式計算:T=-Fitness(Gbest)/log(0.2)。(3)所述步驟六的具體步驟如下:(1)計算出最佳適應值Fitness(Gbest),算出每個解的突跳概率通過如下公式:其中Δf=Fitness(Xi)-Fitness(Gbest),Fitness(Xi)為當前解的適應值,i=1~N;(2)每個解的突跳概率Tu和在0-1區間內隨機數random進行比較,如果解的突跳概率大于隨機數random,解Xi就取代Gbest,避免了迭代尋優過程中易陷于局部最小解的問題,否則不取代,引入突跳概率是避免迭代尋優出現早熟的現象,使尋優不能找到更好的解;(3)計算權值ω,通過如下公式:權值ω作用尋優前期提高全局搜索能力和尋優后期局部搜索能力;(4)更新速度V(N,D),通過如下公式:Vi(t+1)=ω×Vi(t)+c1×r1×(Pi-Xi(t))+c2×r2×(Gbest-Xi(t))(6)其中t為迭代數;Vi(t)為第i個第t次迭代時的速度大小,r1,r2是在(0,1)區間上服從均勻分布的隨機數;(5)更新解X(N,D),通過如下公式:其中C=c1+c2,且C>4,壓縮因子的引入更好地控制搜索速度防止速度過快錯過最佳值,Xi(t)為第i個第t次迭代時的解;(6)邏輯判斷:計算出每一個解更新后的適應值Fitness(Xi);個體最佳適應值和個體最佳位置的更新,假如更新后的適應值Fitness(Xi)小于個體最佳適應值gbest,則個體最佳適應值gbest=Fitness(Xi),個體最佳位置Pi就等于Xi;全局最佳適應值和個體適應值的更新,當前解的適應值Fitness(Xi)小于全局適應值zbest,則zbest=Fitness(Xi),全局最佳位置Gbest=x(i);(7)T和t的更新:T=lamda*T,t=t+1,其中T隨著迭代次數的減小,突跳概率值也將趨近于零;(8)判斷t是否等于Maxlter,假如相等則跳出步驟六,進入步驟七。本發明的有益效果是:粒子群(PSO)算法簡單容易實現,然而易出現早熟等現象導致不能全局尋優。由于本發明由PID控制器控制,因此本發明篦冷機刮板速度控制可以轉化成尋找PID控制器參數最優解的問題。本發明針對上述問題,引入突跳概率,它受到溫度參數的控制,即概率大小隨著溫度的下降而減小,而溫度參數隨著迭代次數的增加而減小,因此能避免早熟等現象、加快求解速度和保證解的分散性。確定篦冷機刮板速度控制系統的傳遞函數和設定值為單位階躍之后,仿真結果證明,本發明采用PID參數整定的模擬退火粒子群算法對系統整定出的PID的參數,與粒子群算法、遺傳算法和人群搜索算法優化出的參數相比,在迭代數相等時,全局搜索能力增強,,保證了解的分散性,避免了傳統粒子群算法容易陷入早熟等問題,適應值的收斂速度也加快,通過該算法優化出的PID控制參數(Kp,Ki,Kd),對篦冷機刮板速度控制系統的控制精度提高,控制過程中沖擊和振動也是最小的,有利于滿足篦冷機的高冷卻效率和高熱回收效率的要求,有利于水泥行業的發展。附圖說明圖1為模擬退火粒子群對PID控制器參數整定原理圖;圖2為模擬退火粒子群優化曲線圖;圖3為模擬退火粒子群適應值曲線圖;圖4為粒子群優化曲線圖;圖5為粒子群適應值曲線圖;圖6為人群搜索優化曲線圖;圖7為人群搜索適應值曲線圖;圖8為遺傳優化曲線圖;圖9為遺傳適應值曲線圖;圖10為篦冷機刮板速度控制系統躍響應綜合誤差曲線圖;圖11為篦冷機刮板速度控制系統躍響應綜合輸出曲線圖;圖12為本發明流程圖。具體實施方式下面結合附圖及實施例,對本發明做進一步詳細描述。本發明是基于模擬退火粒子群算法的篦冷機刮板速度控制方法。由電液控制理論可以得出一個閥控的電液位置伺服系統,選取適當參數進行仿真研究,可得出篦冷機速度控制系統的閉環傳遞函數并將模擬退火粒子群算法對系統函數進行PID參數優化仿真。模擬退火粒子群對PID控制器(比例-積分-微分控制器)參數整定原理圖參閱圖1所示。參閱圖12,篦冷機刮板速度控制方法包括以下步驟:步驟一),模擬退火粒子群算法的建立篦冷機刮板速度的適應度函數:適應度函數是用來評價尋優解的性能的,其中適應度函數引用余勝威使用的適應度函數,具體函數如下:其中e(t)為系統誤差,u(t)為控制器輸出,ω2和ω1為權值。為了避免系統輸出超調,采用懲罰控制,如果e(t)<0時通常情況下ω1=0.999,ω2=0.001,ω3=100,適應度函數反映PID三個參數的控制效果,適應值越小反映控制效果更好。步驟二),初始化篦冷機刮板速度的適應度函數的參數,以下參數都是仿真調試期間的經驗值和最佳效果值,迭代數Maxlter=100、當前迭代數t、學習因子c1=2.1和c2=2.1、溫度冷卻系數lamda=0.6、壓縮因子其中壓縮因子是引用Clerc博士提出的公式求得的,C=c1+c2,且C>4,ωmax=0.9、ωmin=0.45。步驟三),初始化種群,種群X中的個數N=30,其中每個粒子的位置矢量由PID(比例-積分-微分)三個參數組成(位置矢量的維數D=3),每個粒子的速度矢量維數與每個粒子的維數相同;Kp、Ki、Kd參數的范圍[0100];Vp、Vi、Vd參數的范圍[01],Vmax=1;Vmin=-1;步驟四)通過公式(3)和公式(2)計算出第一代每個粒子的適應值,選出最小的適應值作為全局最佳適應值zbest,對應的粒子是全局最佳位置Gbest,再把第一代每個粒子作為個體最佳位置Pi,其適應值作為個體最佳適應值gbest,其中全局最佳位置就是PID控制的最佳控制參數。步驟五),計算突跳概率因子T,通過如下公式:T=-Fitness(Gbest)/log(0.2)(4)該公式是來自模擬退火算法中的初始化退火溫度公式。步驟六),進入迭代循環Maxlter;(1)計算出最佳適應值Fitness(Gbest),算出每個粒子的突跳概率通過如下公式:該公式來自引入模擬退火算法中突跳概率公式;其中Δf=Fitness(x(i))-Fitness(Gbest),Fitness(x(i))為當前粒子的適應值,i=1~30。(2)每個粒子的突跳概率和0-1區間的隨機數random進行比較,如果粒子的突跳概率大于隨機數random,粒子x(i)就取代Gbest,否則不取代。(3)計算權重值ω,通過如下公式:該公式是由SHI博士提出權值計算公式;(4)更新速度V(30,3),通過如下公式:vi(t+1)=ω×vi(t)+c1×r1×(Pi-xi(t))+c2×r2×(Gbest-xi(t))(7)該公式是SHI博士提出的速度更新公式,其中t為迭代數;vi(t)為粒子i第t次迭代時的速度,r1,r2是在(0,1)區間上服從均勻分布的隨機數;對vi(t+1)進行判斷,ifvi(t+1)>Vmax,vi(t+1)=Vmax;ifvi(t+1)<Vmin,vi(t+1)=Vmin。(5)更新位置X(30,3),通過如下公式:該公式是由Clerc博士提出的位置更新公式,其中C=c1+c2,且C>4,xi(t)為粒子i第t次迭代時的位置。(6)邏輯判斷:計算出每一個粒子更新后的適應值Fitness(x(i)),通過公式3和公式2;個體最佳適應值和個體最佳位置的更新,假如更新后的適應值Fitness(x(i))小于個體最佳適應值gbest,則個體最佳適應值gbest=Fitness(x(i)),個體最佳位置Pi就等于x(i);全局最佳適應值和個體適應值的更新,當前粒子的適應值Fitness(x(i))小于全局適應值zbest,則zbest=Fitness(x(i)),全局最佳位置Gbest=x(i)。(7)T和t的跟新:T=lamda*T(9),t=t+1(10)。(8)判斷t是否等于Maxlter,假如相等則跳出步驟六,進入步驟七。參閱圖2是模擬退火粒子群優化曲線圖、參閱圖3是模擬退火粒子群適應值曲線圖、參閱圖4是粒子群優化曲線圖、參閱圖5是粒子群適應值曲線圖、參閱圖6是人群搜索優化曲線圖、參閱圖7是人群搜索適應值曲線、參閱圖8是遺傳優化曲線、參閱圖9是遺傳適應值曲線。首先進行優化曲線的對比,通過四張優化曲線圖的對比得出模擬退火粒子群解的分散性大,全局搜索能力是這四種算法中最強的,這樣就避免了粒子群算法容易陷入局部易小解的問題。并且適應值函數的收斂曲線沒有受到突跳概率的影響而減慢,甚至還加快了收斂速度。表1是本發明與粒子群算法、遺傳算法和人群搜索算法在相同被控對象(篦冷機速度控制系統的傳遞函數G1(s))的情況下獲得PID控制器參數(Kp,Ki,Kd)和設定值與響應值之間的誤差(迭代數都等于100時)的對比表。優化算法KpKiKd設定值與響應值之間的誤差PSO0.109467.63680-3.784268729588e-04GA0.269567.273704.910661970256580e-04SOA0.040962.660201.287183486353705e-05模擬退火粒子群算法0.001361.472703.648913215914540e-06表1參數與誤差對比表智能算法優化出來的參數應用到被控對象(篦冷機速度控制系統的傳遞函數G1(s)),通過圖10和圖11,在加上表1足可以證明,模擬退火粒子群優化出來的參數控制效果是這些算法中最好的。這符合對篦冷機刮板速度控制的高要求,即刮板速度控制精確,調速過程平穩和振動與沖擊最小,保證了篦冷機高冷卻效率和高回收效率。當前第1頁1 2 3