基于多目標頭腦風暴的圓盤剪重疊量參數調整方法
【技術領域】
[0001] 本發明屬于控制技術領域，涉及一種基于多目標頭腦風暴的圓盤剪重疊量參數調 整方法。
【背景技術】
[0002] 在帶鋼生產線中，切邊圓盤剪的控制精度是提高帶材質量的關鍵因素。精度過低 會引起帶材的切邊質量變差及帶材跑偏的問題。
[0003] 國外高端縱剪圓盤剪重疊量的調整也大都是通過人工手動操作，而且一般將調整 機構布置在設備的操作側，這種方式對左右機架重疊量調整的一致性及設備結構的科學性 帶來了較大的負面影響。
[0004]國內現有的技術大都是在保證控制精度的前提下，采用傳統的PID來控制交流電 機和變頻調速系統，進一步實現對圓盤剪的刀盤控制。
【發明內容】
[0005] 本發明的目的是提供一種基于多目標頭腦風暴的圓盤剪重疊量參數調整方法，解 決現有技術中切邊圓盤剪重疊量控制的參數調整難以優化和調整，導致圓盤剪在對鋼板切 邊時可能產生的一些不良切割，影響產品質量的問題。
[0006] 本發明所采用的技術方案是，一種基于多目標頭腦風暴的圓盤剪重疊量參數調整 方法，按照以下步驟實施：
[0007] 步驟1:建立重疊量參數控制的數學模型
[0008] 重疊量參數控制的數學模型為：
[0009] 8 = 0-H2Rcosa, (1)
[0010] 其中，S是重疊量，O是偏心套外圓的直徑，H為機架的上、下偏心套外圓中心距 離；R為上、下偏心套的偏心距；a為上、下偏心套的旋轉角度，定義偏心套在最高位置時為 0°，重疊量調整時偏心套旋轉角度范圍為0° -180°;
[0011] 步驟2 :設置實際問題和多目標頭腦風暴優化策略的相關參數
[0012] 模型參數包括切邊圓盤剪重疊量所允許的最小偏差M;
[0013] 算法的參數包括：種群的規模N，N為整數；最大迭代次數為T_和不同的選擇概 率參數？1、？2、？3、？ 4，其中1'_為整數』1、？2、？3、？4均為{0，1}之間的數；迭代次數初值七= 〇 ；
[0014] 步驟3 :產生N組初始的PID參數
[0015] 確定N組初始的PID參數集合X，X= %，X2，…，Xi，…，XN]，
[0016] 其中的Xi=[XiP，Xn，XiD]，這N組PID參數的確定是隨機的，X^XpXiD分別為PID 控制中的比例、積分、微分系數；
[0017] 步驟4 :對PID參數進行評估
[0018] 對于穩定的控制系統，其評價方式主要有快速性和穩態誤差兩種，為此本方法設 計兩種性能來評價PID參數的好壞，一種是積分時間IT=丨tdt，另一種是圓盤剪重疊量的 偏差AE= / |e|dt;其中，e為圓盤剪重疊量的偏差大小，t是積分時間，dt是積分時間的 微分；
[0019] 因此，對重疊量控制中控制器的每一組PID參數集，分別計算出控制系統的IT和 AE兩個指標大小，作為每組及其全局最優PID參數集的評價體系；因為對同一對參數集，有 兩個指標，因此需要對N組初始PID參數集合進行非劣解排序，將互不支配的可行解保存 在一個外部集合中，稱之為外部歸檔集；
[0020] 步驟5 :基于頭腦風暴優化思想對PID參數集進行更新操作
[0021] 基于頭腦風暴優化思想的更新過程分為三個步驟：首先對當前群體中的個體根據 不同特性進行聚類操作，確定出聚類個數及其相應的個體，其目的是通過對群體中的局部 相近個體的信息進行抽取；其次是通過特有的選擇機制對當前群體中的個體進行更新；最 后對各更新個體進行局部調整和變異，以期得到更好的新個體，
[0022] 針對本發明的具體問題，對PID參數集中的各組參數，進行以下的操作：
[0023] 5. 1)對PID參數進行聚類；
[0024] 5. 2)選擇操作；
[0025] 5. 3)變異操作；
[0026] 步驟6 :判斷所有的PID參數個體是否已更新完成，若產生的新PID參數個體數目 達到N，則繼續步驟7,否則返回步驟5;
[0027] 步驟7:對外部歸檔集中的非劣PID參數解集進行更新
[0028] 利用對PID參數集中相關信息的抽取、分析結合聚類思想綜合頭腦風暴算法的方 法，來實現參數調整的優化，由于PID參數的評價為時間性能和誤差同時達到最優，因此將 每一次比較所獲得的非劣可行調度存儲在外部歸檔集中，
[0029] 外部歸檔集除了對種群中的非支配調度外的更新外，還采用擁擠距離法來進行維 護；
[0030] 步驟8、判斷迭代次數t是否達到最大迭代次數T_，若迭代次數t沒有達到最大 迭代次數T_，則需要另外設置迭代次數T_=T_+l，轉到步驟4重新處理；
[0031] 若迭代次數t達到最大迭代次數Tmax，則輸出當前非劣解集中所有的PID參數組， 即成。
[0032] 本發明的有益效果是，針對圓盤剪重疊量控制的非線性模型，將重疊量控制目標 設置為兩個互相沖突的兩個目標，基于多目標頭腦風暴優化的思想，在滿足初始設定最大 迭代次數條件下，給出了一組PID參數設置的序列，使得操作者可以根據實際需求從中選 擇最適宜的一組參數和方案，大大提高了重疊量控制的智能化程度和人機交互的能力。
【附圖說明】
[0033] 圖1是圓盤剪刀盤重疊量的控制原理圖。
【具體實施方式】
[0034] 下面結合附圖和【具體實施方式】對本發明進行詳細說明。
[0035] 本發明方法旨在通過重疊量變化與偏心套的旋轉角度之間的數學模型，采用頭腦 風暴的思想，將重疊量的控制器設計視為多目標優化問題，給出了重疊量控制器的參數調 整策略。
[0036]本發明基于多目標頭腦風暴的圓盤剪重疊量參數調整方法，按照以下步驟實施：
[0037] 步驟1 :建立重疊量參數控制的數學模型
[0038]如圖1，重疊量參數控制的數學模型為：
[0039] 8 = 0-H2Rcosa, (1)
[0040] 其中，S是重疊量，O是偏心套外圓的直徑，H為機架的上、下偏心套外圓中心距 離；R為上、下偏心套的偏心距；a為上、下偏心套的旋轉角度，定義偏心套在最高位置時為 0°，重疊量調整時偏心套旋轉角度范圍為0° -180°，
[0041] 從式⑴中可以看出重疊量的變化與偏心套的旋轉角度之間為非線性關系，采用 傳統的PID控制器的參數設置方法會造成精度較差的問題。
[0042] 在實際的操作過程中，對重疊量的控制是通過控制變頻器的給定頻率，通過調整 電機的轉速來實現的。因此本發明旨在根據頭腦風暴的優化思路尋求合適的PID參數來控 制變頻器給定頻率，來解決現有的控制器參數依據經驗設置而導致重疊量控制精度較差的 問題。
[0043] 步驟2 :設置實際問題和多目標頭腦風暴優化策略的相關參數
[0044] 模型參數包括切邊圓盤剪重疊量所允許的最小偏差M，優選值0. 015 ;
[0045] 算法的參數包括：種群的規模N，N為整數；最大迭代次數為T_和不同的選擇概 率參數口1、？2、？3、？ 4，其中1'_為整數』1、？2、？3、？4均為{0，1}之間的數；迭代次數初值七= 〇 ；
[0046] 步驟3 :產生N組初始的PID參數
[0047] 確定N組初始的PID參數集合X，X= %，X2，…，Xi，? ? ?，XN]，
[0048] 其中的Xi=[XiP，Xn，XiD]，這N組PID參數的確定是隨機的，X^XpXiD分別為PID 控制中的比例、積分、微分系數；
[0049] 步驟4 :對PID參數進行評估
[0050] 對于穩定的控制系統，其評價方式主要有快速性和穩態誤差兩種，為此本方法設 計兩種性能來評價PID參數的好壞，一種是積分時間IT=丨tdt，另一種是圓盤剪重疊量的 偏差AE= / |e|dt;其中，e為圓盤剪重疊量的偏差大小，t是積分時間，dt是積分時間的 微分；
[0051] 因此，對重疊量控制中控制器的每一組PID參數集，分別計算出控制系統的IT和 AE兩個指標大小，作為每組及其全局最優PID參數集的評價體系。因為對同一對參數集， 有兩個指標，因此需要對N組初始PID參數集合進行非劣解排序，將互不支配的可行解保存 在一個外部集合中，稱之為外部歸檔集；
[0052] 步驟5:基于頭腦風暴優化思想對PID參數集進行更新操作
[0053] 基于頭腦風暴優化思想的更新過程分為三個步驟：首先對當前群體中的個體根據 不同特性進行聚類操作，確定出聚類個數及其相應的個體，其目的是通過對群體中的局部 相近個體的信息進行抽取；其次是通過特有的選擇機制對當前群體中的個體進行更新；最 后對各更新個體進行局部調整和變異，以期得到更好的新個體，
[0054]針對本發明的具體問題，對PID參數集中的各組參數，進行以下的操作：
[0055] 5. 1)對PID參數進行聚類
[0056] 首先隨機選取m(m為整數，建議取3-6)個不同的PID參數作為m個類的類中心，根 據其他PID參數到各個