一种基于改进粒子群优化的加热炉炉温控制方法和系统与流程

1.本发明属于加热炉自动控制技术领域，更具体地说，涉及一种基于改进粒子群优化的加热炉炉温控制方法和系统。


背景技术：

2.在冶金工业中，加热炉是将物料或工件到轧制成锻造温度的设备。加热炉应用遍及石油、化工、冶金、机械、热处理、表面处理、建材、电子、材料、轻工、日化、制药等诸多行业领域。加热炉、各种工业炉、锅炉都是高耗能窑炉，资源耗费量大。所以如何更加精确的控制加热炉的运行，在保证正常生产的情况下，更大效率的降低能耗，是目前社会所普遍关注的问题。
3.传统的加热炉温度控制选用pid控制(比例、积分、微分控制)，将偏差的比例(p)、积分(i)、和微分(d)通过线性组合构成控制量，故称pid控制器。传统的pid控制对于明确系统能获得较好的控制效果，但对于难以用数学精确描述的系统，控制效果不好。对于被控对象的变化不能自动调整参数提供更好的控制。但随着科技的进步，人们遇到了许多传统pid控制系统不能做得很好甚至无法应用的领域，所以人们将目光看向模糊pid控制系统，人们发现模糊pid控制能够有效抑制控制初期系统超调量，可以减少计算量，系统响应速度快，精度高，可控性好。但是其对控制规则要求高，系统还不够完善，适用范围有限。
4.粒子群算法是科学家从鸟类的觅食行为中获得启发，研究出的一种群体寻优算法。pso算法可以与多种控制方式相结合，对所得结果进行寻优，使得控制精度更高。
5.中国专利申请一种改进粒子群优化模糊pid燃料电池温度控制方法，申请号：201911372127.5，公开日2020年05月08日，公开了一种改进粒子群优化模糊pid燃料电池温度控制方法，包括以下步骤：基于matlab/simulink仿真平台建立燃料电池动态模型，通过该燃料电池动态模型得到燃料电池的输出功率及相应的温度；针对所述的燃料电池动态模型设计模糊pid温度控制器，利用控制器对期望温度值和实际温度值得误差、误差变化率进行控制得到模糊pid温度控制器的参数调整量；采用改进的粒子群算法对模糊pid温度控制器中的量化因子和比例因子进行优化；将优化的量化因子和比例因子赋值给模糊pid温度控制器，从而实时控制燃料电池温度，该发明利用粒子群进行量化因子和比例因子的优化，将超调量和调节时间作为目标函数值，对于燃料电池温度进行调节，对于计算速度和计算精度不够优化，输出结果也不够精确。


技术实现要素：

6.1.要解决的问题
7.针对现有技术中加热炉炉温控制精度不高的问题，本发明提供了一种基于改进粒子群优化的加热炉炉温控制方法和系统，可以实现对加热炉炉温的精确控制，大大提高了加热炉炉温的控制精度。
8.2.技术方案
9.为了解决上述问题，本发明所采用的技术方案如下。
10.一种基于改进粒子群优化的加热炉炉温控制方法，输入信号发送至模糊控制模块，模糊控制模块根据模糊控制规则对输入信号进行处理；通过粒子群优化算法对模糊控制模块的输出信号进行优化，输出至pid控制模块，实现对加热炉炉温的温度调节控制。
11.更进一步的，通过粒子群优化算法对模糊控制模块的输出信号进行优化包括以下步骤：
12.步骤1：初始化粒子参数，对粒子的速度和位置赋值；选用误差绝对值乘以时间项对时间的积分作为粒子群优化的目标适应度方程，根据基本进化式更新粒子的速度和位置；
13.步骤2：在每一代的进化中，计算各个粒子的个体适应度值以及群体适应度值，与初始化粒子参数时的个体适应度最优值和群体适应度最优值比较，更新粒子的个体适应度最优值和群体适应度最优值；
14.达到停止条件即停止搜索优化，输出当前群体适应度最优值，若没有达到停止条件，则继续进行数据优化；
15.步骤3：判断优化结束的粒子速度是否满足要求，若不满足则返回基本进化式重新计算，若满足则对满足条件的粒子进行混沌映射处理，再计算粒子适应度值，将计算的粒子适应度值与步骤2中粒子的个体适应度最优值和群体适应度最优值比较，若当前计算值优于步骤2中数值，则输出当前计算的适应度值，否则，将混沌迭代次数加一，返回步骤3.1中的基本进化式继续优化搜索。
16.更进一步的，步骤1中的粒子群优化的目标适应度方程表达式为：
[0017][0018]
其中，t为系统调节时间，e(t)为物料加热目标值与物料出炉温度的差值；
[0019]
基本进化式的表达式为：
[0020]
v
i
(t 1)＝ω
·
v
i
(t) c1·
r1·
(p
best
(t)
‑
x
i
(t)) c2·
r2·
(g
best
(t)
‑
x
i
(t))
[0021]
x
i
(t 1)＝x
i
(t) v
i
(t 1)
[0022]
其中，v
i
(t 1)是粒子群中第i个粒子在迭代到第t 1代时的速度；ω为惯性权重因子；c1、c2为粒子的加速系数，r1、r2为范围在[0,1]的随机数；p
best
(t)为粒子的个体最优值，g
best
(t)为粒子群的最优值，即各个粒子最优值中最好的那个；x
i
(t)为第i个粒子在第t代时的位置。
[0023]
更进一步的，步骤2所述的搜索优化停止条件包括适应度值达到要求或者迭代次数达到最大迭代次数。
[0024]
更进一步的，步骤3中的速度满足条件即速度是否满足对满足速度要求的粒子计算，
[0025]
其中，f
i
表示第i个粒子的适应度值，f
avg
表示整体粒子群的平均适应度值，f是归一化定标因子用以限制σ2的大小；
[0026]
粒子的速度表达式更新为：
[0027]
v
i
(t 1)＝ω
·
v
i
(t) c1·
r1·
(p
best
(t)
‑
x
i
(t)) c2·
r2·
(g
best
(t)
‑
x
i
(t)) e
d
[0028]
其中，e
d
是服从均值为0、方差为1的高斯分布的噪声。
[0029]
更进一步的，模糊控制模块根据模糊控制规则进行控制，所述模糊控制规则中，将模糊控制模块的输入信号划分为n个等级，将模糊控制模块的输出信号划分为m个等级，n、m为大于零的自然数。
[0030]
更进一步的，模糊控制模块根据模糊控制规则进行控制，所述模糊控制规则中，将模糊控制模块的输入信号划分为七个等级，将模糊控制模块的输出信号划分为七个等级，七个等级包括nb负大、nm负中、ns负小、ze零、ps正小、pm正中和pb正大。
[0031]
更进一步的，模糊控制模块在模糊控制规则的负边界处使用z型隶属度函数，在模糊控制规则的正边界处使用s型隶属度函数，在中间部分使用三角形隶属度函数。
[0032]
更进一步的，所述输入信号包括第一参数和第二参数，所述第一参数为加热炉出料口实际温度与设定温度的差值，所述第二参数为第一参数的变化率。
[0033]
一种基于改进粒子群优化的加热炉炉温控制系统，使用所述的一种基于改进粒子群优化的加热炉炉温控制方法，所述系统包括模糊控制模块、增益模块、pid控制模块、控制阀、寻优模块和温度变送模块，模糊控制模块和寻优模块的输出端均连接增益模块的输入端，增益模块的输出端连接pid控制模块的输入端，pid控制模块的输出端连接控制阀，控制阀输出温度至被控对象，调整被控对象加热炉的炉出口温度；所述加热炉炉出口温度通过温度变送模块反馈至输入的温度设定值端。
[0034]
本发明利用改进的粒子群优化模糊pid控制利用混沌映射使得粒子群克服早熟现象，结构简单，设计合理，易于制造，避免陷入局部寻优，具有响应速度快，稳定性强，具有很强的抗干扰性。
[0035]
3.有益效果
[0036]
相比于现有技术，本发明的有益效果为：
[0037]
本发明利用粒子群直接对模糊pid输出的kp、ki、kd的参数寻优，相对于通过量化因子和比例因子的进行优化的方法，本发明响应速度更快，调节精度更高。并且选用itae指标作为目标函数值，既能体现出误差的大小，即控制精度，又能体现误差收敛的速度。
[0038]
本发明针对粒子群的早熟现象，容易陷入局部收敛特性利用混沌映射进行改进，将陷入局部寻优的粒子利用混沌映射摆脱停滞状态，继续进行最优值的搜寻，能够使得粒子群寻优速度更快，且输出结果更精确。
附图说明
[0039]
图1为本发明粒子群优化模糊pid控制程序流程图；
[0040]
图2为本发明中一实施方式中加热炉温度控制动态过程示意图；
[0041]
图3为本发明基于改进粒子群优化模糊pid控制系统结构流程示意图。
具体实施方式
[0042]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
[0044]
实施例
[0045]
一种基于改进粒子群优化模糊pid的加热炉温度控制系统结构如图3所示，包括模糊控制模块、增益模块、pid控制模块、控制阀、寻优模块和温度变送模块，如图3所示流程图，模糊控制模块的输入端输入加热炉炉出口温度与温度设定值的误差，以及该误差变化率，模糊控制模块和寻优模块的信号发送至增益模块，然后通过增益模块发送至pid控制模块，实现对控制阀的控制，控制阀控制输出的温度至被控对象，调整被控对象加热炉的炉出口温度；所述加热炉炉出口温度通过温度变送模块反馈至输入的温度设定值端。
[0046]
本实施例温控系统通过改进的粒子群算法对模糊pid控制模块的输出端的比例因子进行优化，选取最优值赋值给增益模块，再将初始计算的参数与经过增益模块的模糊控制模块的输出参数进行组合，实现对加热炉温度曲线的调节。
[0047]
本实施例利用改进的粒子群优化模糊pid控制利用混沌映射使得粒子群克服早熟现象，避免陷入局部寻优，具有响应速度快，稳定性强，能够克服干扰等特点。
[0048]
下面具体对加热炉炉温控制方法进行详细描述，描述时，模糊控制模块使用模糊控制器，pid控制模块使用pid控制器。
[0049]
结合图1和图3所示，炉温控制时基于matlab/simulink仿真平台构建加热炉温度模型，进行模拟计算，包括以下步骤：
[0050]
步骤1：通过仿真软件构建加热炉炉温模型，采集加热炉运行时数据，对采集数据进行预处理。
[0051]
采集若干组现场运行加热炉的炉温数据，本实施例采集一千组数据，实际应用中根据需要确定采集的数据量。采用多项逼近和滑动平均值数字滤波法对采集的数据进行数据预处理，剔除样本数据的奇异项和趋势项，消除因干扰而引起的原始数据的重大畸变；在此基础上，利用遗忘因子递推最小二乘(forgetting factor recursive least squares，ffrls)算法辨识系统参数通过采集现场运行数据，并通过对模型进行解耦，得到加热炉炉温模型。
[0052]
在matlab仿真软件中搭建simulink仿真模型，得到加热炉中炉温变化曲线，设置加热炉出料口的目标温度。
[0053]
步骤2：输入信号至模糊模块的模糊控制器，模糊控制器结合pid控制器进行温度调节。
[0054]
根据构建的加热炉炉温模型通过matlab仿真软件的单位阶跃输入得到单位阶跃输出曲线，根据临界比例度法计算初始pid控制参数，并构建表1所述模糊控制规则，将通过测温装置测得的加热炉炉出口温度t1与加热炉炉出口的目标温度t0(也就是温度设定值)之间的误差以及误差变化率作为模糊控制的输入量，将模糊控制器的三个输出δkp，δki和δkd与pid控制器的初始值结合从而对温度模型进行调节，kp表示pid控制器的比例系数，ki表示pid控制器的积分系数，kd表示pid控制器的微分系数。
[0055]
表1
[0056][0057]
模糊控制规则如表1所示，e表示炉温设定值与加热炉出料口温度的差值，ec表示该差值的变化率；输入输出均划分七个等级，包括nb负大，nm负中，ns负小，ze零，ps正小，pm正中和pb正大。为了可以调节尽可能多的系统，控制器选定在负边界处和正边界处分别选用平滑连续的z型隶属度函数和s型隶属度函数，在中间部分采用灵敏度较强的三角形隶属度函数，此处所述的正负边界即指的是模糊规则能调节范围的最大值和最小值。将温度差值以及温度差值变化率的范围分为七个部分，每一部分对应一小段温度范围，当模糊控制器接收到系统输入的温度差值以及温度差值变化率的数值时，会自动根据模糊规则表中的标准进行自动匹配。确认输出参数的范围，在利用反模糊化公式计算得到具体数值进行输出。此时，当模糊控制器输入的数值较大时，说明实际温度离目标温度差距较大，选用较为平滑连续的隶属度函数，调节效果较强，能使得温度更加快速的进行改变；当模糊控制器输入数值较小时，选择灵敏度较强的三角形隶属度函数，进行更加精确细微的调节，保证实际温度与目标温度一致。
[0058]
步骤3：实现粒子群优化，影响模糊控制器的输出数据，进而实现加热炉炉出口温度的优化。
[0059]
利用粒子群优化程序与simulink仿真相结合，通过对步骤2中在模糊控制下得到的参数δkp，δki，δkd的比例因子进行优化，选择最优解返回到仿真系统中，从而达到优化效果。
[0060]
具体粒子群优化过程如下：
[0061]
步骤3.1：先进行粒子群算法的参数初始化，初始化参数包括种群规模s、最大迭代次数t、粒子维数d、惯性权重ω、加速系数c1、c2，粒子群终止条件x，粒子可能存在位置区间的最小值x
min
和最大值x
max
，以及粒子“早熟”条件：群体适应度最小方差等。
[0062]
选用itae指标(误差绝对值乘以时间项对时间的积分)作为粒子群优化的目标方程，即适应度：
[0063][0064]
式中的t为整体调节时间，e(t)为物料加热目标值与物料出炉温度的差值。
[0065]
根据基本进化式更新微粒的速度和位置，基本进化式的表达式为：
[0066]
v
i
(t 1)＝ω
·
v
i
(t) c1·
r1·
(p
best
(t)
‑
x
i
(t)) c2·
r2·
(g
best
(t)
‑
x
i
(t))
[0067]
x
i
(t 1)＝x
i
(t) v
i
(t 1)
[0068]
其中，v
i
(t 1)是粒子群中第i个粒子在迭代到第t 1代时的速度；ω为惯性权重因子；c1、c2为粒子的加速系数，r1、r2为范围在[0,1]的随机数；p
best
(t)为粒子的个体最优值，g
best
(t)为粒子群的最优值，即各个粒子最优值中最好的那个；x
i
(t)为第i个粒子在第t代时的位置。
[0069]
惯性权重因子ω越大，越有利于跳出局部最优，便于全局搜索；ω越小，越有利于进行精确局部搜索，便于算法收敛。所以，本实施例算法中采用线性递减惯性权重，随着迭代的不断进行，ω开始逐步变小，如下述公式所示：
[0070][0071]
其中ω
max
值为0.9，ω
min
值为0.4，t为粒子群最大迭代次数，t为粒子群当前迭代次数。
[0072]
步骤3.2：迭代以后，计算每个微粒的适应度值p
best
(t 1)以及群体最优值g
best
(t 1)，与之前的初始化的参数个体最优值p
best
(t)以及全局最优值g
best
(t)比较，根据比较结果更新微粒的个体最优值和群体最优值。
[0073]
判断是否达到停止条件，所述停止条件即达到适应度值要求或者达到最大迭代次数，如果达到，则停止搜索，输出此时的全局最优值，如果没有达到，则继续进行数据优化。
[0074]
步骤3.3：判断粒子是否“早熟”收敛，也就是粒子的速度是否满足若不满足要求则返回前述的基本进化式，若满足要求则继续计算，
[0075]
其中，f
i
表示第i个粒子的适应度值，f
avg
表示整体粒子群的平均适应度值，f是归一化定标因子用以限制σ2的大小。群体适应度方差σ2反映了粒子群中粒子的密集程度，σ2越小，则表明算法越趋于收敛，粒子的“聚集”程度就越大；反之，则粒子群处于随机搜索状态。如果优化算法不满足终止准则，则“聚集性”将使得群体失去多样性而陷入早熟收敛状态，因此需要设定一个常数
[0076]
对早熟收敛的粒子利用公式进行logistic映射扰动。
[0077]
对早熟收敛的粒子采用新的速度更新公式：
[0078]
v
i
(t 1)＝ω
·
v
i
(t) c1·
r1·
(p
best
(t)
‑
x
i
(t)) c2·
r2·
(g
best
(t)
‑
x
i
(t)) e
d
[0079]
其中，e
d
是服从均值为0、方差为1的高斯分布的噪声，通过向早熟收敛的粒子进入随机白噪声，克服微粒子群优化算法粒子过早收敛的问题，寻找更优的解空间，并保持了种群的搜索能力。
[0080]
然后对符合的粒子随机产生一个d维且每个分量数值在(0，1)区间的向量z0＝(z
01
···
z
0d
)，根据logistic混沌映射公式求得向量所对应的混沌变量，所述logistic混沌映射公式的表达式为：
[0081][0082]
然后再根据公式计算粒子适应度值，
[0083]
[0084]
其中为logistic的迭代映射参数；x
max
和x
min
分别为粒子可能存在未知区间内的最小值和最大值；n为混沌迭代的次数。
[0085]
将混沌变量逆映射到粒子位置的取值区间，并计算每个粒子的适应度值，与之前的微粒个体的最优值p
best
(t)和全局最优值g
best
(t)进行比较，若是新得到的适应值优于之前的值，则将新得到的适应值作为最优值进行输出，相反，则将混沌迭代次数加一，即令n＝n 1,继续上述过程。
[0086]
当前进化代数加1，并返回步骤3.1中基本进化式的计算，继续优化搜索。
[0087]
图2所表示的为利用传统pid控制、模糊pid以及本文所提的改进粒子群优化模糊pid算法对同一加热炉对象进行优化的仿真模拟图，从图2可以看到本发明所用的方法温度调节时间最短，且超调量最小，能够快速跟踪目标温度，并且对于外部干扰的抗干扰能力最强。
[0088]
本发明利用粒子群直接对模糊pid输出的kp、ki、kd的参数寻优，响应速度更快，调节精度更高。并且选用itae指标作为目标函数值，兼顾控制精度和收敛速度。另一方面针对粒子群的早熟现象，容易陷入局部收敛特性，本发明利用混沌映射进行改进，将陷入局部寻优的粒子利用混沌映射摆脱停滞状态，继续进行最优值的搜寻，使得粒子群寻优速度更快，且输出结果更精确。
[0089]
在上文中结合具体的示例性实施例详细描述了本发明。但是，应当理解，可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的，而不是限制性的，如果存在任何这样的修改和变型，那么它们都将落入在此描述的本发明的范围内。此外，背景技术旨在为了说明本技术的研发现状和意义，并不旨在限制本发明或本技术和本发明的应用领域。