CN101833314A - 污水处理控制系统及污水处理控制方法 - Google Patents

Abstract

本发明涉及一种污水处理控制系统，包括操作站计算机、数据分析站计算机、可编程控制器PLC主站和远程PLC站，其中：操作站计算机，用于采集污水调节池进水水质指标数据，并发送到数据分析站计算机；数据分析站计算机，用于根据遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站；可编程控制器PLC主站与远程PLC站，用于根据遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。本发明还提供一种污水处理控制方法。本发明提供的污水处理控制系统及污水处理控制方法，可以快速地找到与变参数模型对应的合适的控制参数，使污水处理控制系统能够得到快速稳定高精度的控制，并可降低能耗。

Description

污水处理控制系统及污水处理控制方法

技术领域

本发明涉及污水处理领域，尤其涉及污水处理控制系统及污水处理控制方法。

背景技术

随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未有的发展机遇。国家中长期科技发展规划中提出要研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用前景。溶解氧(DO)浓度是目前污水处理中应用最为广泛的运转控制参数，当溶解氧不足或过量时都会导致污泥生存环境恶化：当氧气不足时，一方面由于好氧池中丝状菌会大量繁殖，最终产生污泥膨胀，发生异常工况；另一方面由于好氧菌的生长速率降低从而引起出水水质的下降。而氧气过量(即过量曝气)则会引起悬浮固体沉降性能变差，影响污水处理系统的正常运行。溶解氧的控制涉及到微生物的生长环境以及处理过程的能耗，因此，溶解氧控制一直是研究的重点。

优良的控制可以节省污水处理运行费用，同时也是减少和应对异常工况发生、保障污水处理过程正常运行的关键。此外，通过提高污水处理过程自动化水平，还可以有效地减少运行管理和操作人员，降低运行费用。目前的污水控制系统多使用PID控制，PID控制的主要问题就是参数整定问题。目前PID控制参数的整定多是依靠工作人员的工程经验，采用试凑等经验方法，这样的参数整定方法存在着花费时间长，容易造成事故，整定质量不高，整定期间影响生产等问题。而对于污水处理系统模型，由于其本身就是一个变参数系统，随着进水水质水量的不同，系统的具体模型是变化的。对于这样的系统，PID控制参数的整定问题就更为突出，使得无法进行精确的控制和无法降低能耗。

发明内容

本发明的目的在于提供一种污水处理控制系统和污水处理控制方法，解决现有技术中无法快速地找到与变参数模型对应的合适的控制参数，以及无法快速稳定高精度的控制的问题。

本发明提供一种污水处理控制系统，包括操作站计算机、数据分析站计算机、可编程控制器PLC主站和远程PLC站，其中：

操作站计算机，用于采集污水调节池进水水质指标数据，并发送到数据分析站计算机；

数据分析站计算机，用于根据遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站；

可编程控制器PLC主站与远程PLC站，用于根据遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

进一步的，上述数据分析站计算机还用于：

对数据进行预处理；

确定辅助变量和遗传神经网络GABP的结构；

基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

进一步的，上述数据分析站计算机还用于：

剔除异常数据；

对余下的数据进行数据标准化。

进一步的，上述数据分析站计算机还用于：

对样本集数据用零均值标准化方法进行归一化处理；

将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码；

将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出；

设定适应度函数为均方误差性能函数；

设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

进一步的，上述可编程控制器PLC主站与远程PLC站还用于：

确定编码方案；

确定适应度函数；

确定遗传算法的参数。

本发明还提供一种污水处理控制方法，包括：

操作站计算机采集污水调节池进水水质指标数据，并发送到数据分析站计算机；

数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站；

可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

进一步的，上述数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站的步骤具体包括：

数据分析站计算机对数据进行预处理；

数据分析站计算机确定辅助变量和遗传神经网络GABP的结构；

数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

进一步的，上述数据分析站计算机对数据进行预处理的步骤具体包括：

数据分析站计算机剔除异常数据；

数据分析站计算机对余下的数据进行数据标准化。

进一步的，上述数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO测量的步骤具体包括：

数据分析站计算机对样本集数据用零均值标准化方法进行归一化处理；

数据分析站计算机将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码；

数据分析站计算机将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出；

数据分析站计算机设定适应度函数为均方误差性能函数；

数据分析站计算机设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

进一步的，上述可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO的步骤具体包括：

可编程控制器PLC主站与远程PLC站确定编码方案；

可编程控制器PLC主站与远程PLC站确定适应度函数；

可编程控制器PLC主站与远程PLC站确定遗传算法的参数。

本发明污水处理控制系统和污水处理控制方法，用遗传算法对PID参数进行寻优，可以快速地找到与变参数模型对应的合适的控制参数，使污水处理控制系统能够得到快速稳定高精度的控制，并可降低能耗。

附图说明

图1为本发明污水处理控制系统的结构示意图；

图2为本发明污水处理控制方法的流程图；

图3为辅助变量和遗传神经网络；

图4为GABP神经网络权值编码方案；

图5为PID控制系统的结构图；

图6为GABP算法遗传迭代的适应值曲线；

图7为目标设置为0.001时自适应学习速率动量GABP算法的训练误差性能曲线；

图8为GABP神经网络算法的DO预测情况。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

图1为本发明污水处理控制系统的结构示意图。

本发明污水处理控制系统的运行管理实行无人值守，其中该污水处理控制系统包括工程师站计算机101、操作站计算机102、数据分析站计算机103，可编程控制器PLC主站104、PLC主站105、PLC主站106，远程PLC站107、远程PLC站108、远程PLC站109组成。工程师站计算机101、操作站计算机102、数据分析站计算机103也可称为上位计算机。当然在另一实施例中，本发明污水处理控制系统还设置有现场仪表，工程师站计算机101、操作站计算机102和数据分析站计算机103可整合为同一计算机。

在本实例中，工程师站计算机101、操作站计算机102、数据分析站计算机103、可编程控制器PLC主站104、PLC主站105、PLC主站106、远程PLC站107、远程PLC站108和远程PLC站109之间通过工业以太网连接。

上位计算机采用SIEMENS的WinCC 6.2软件，WinCC 6.2软件是提供有开放的、可扩展的人机界面，可灵活开发应用程序，以完成对现场数据的分析处理、存储、显示、报警，以及对整个污水处理控制系统的数据进行远程控制。

可编程控制器PLC主站与远程PLC站采用SIMATIC S7300系列计算机，该系列计算机的特点是易于组态和维护，并提供对结构与模块的灵活选择，具有综合电子控制(Integrated Electronic Control，IEC)编程及开放式的网络结构，通过主站与远程I/O站完成各种现场信号，如液位、设备启动、停止、故障报警等数据采集、转换及上位计算机控制命令的接收转发，从而实现对工艺设备的逻辑自动控制。现场仪表实现工艺过程信号的采集及上传。

工程师站计算机101和操作站计算机102对可编程控制器PLC主站与远程PLC站数据进行采集后，通过工业以太网发送给数据分析站计算机103。具体为，操作站计算机102用于采集污水调节池进水水质指标数据，并发送到数据分析站计算机103。数据分析站计算机103用于基于遗传神经网络GABP对指标数据进行溶解氧DO测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站。可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

进一步的，数据分析站计算机103还用于：

对数据进行预处理；

确定辅助变量和遗传神经网络GABP的结构；

基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

进一步的，数据分析站计算机103还用于：

剔除异常数据；

对余下的数据进行数据标准化。

进一步的，数据分析站计算机103还用于：

对样本集数据用零均值标准化方法进行归一化处理；

将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码；

将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出；

设定适应度函数为均方误差性能函数；

设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

进一步的，可编程控制器PLC主站与远程PLC站还用于：

确定编码方案；

确定适应度函数；

确定遗传算法的参数。

图2为本发明污水处理控制方法的流程图。

步骤S201，操作站计算机102采集污水调节池进水水质指标数据，并发送到数据分析站计算机103。

步骤S202，数据分析站计算机103基于遗传神经网络GABP对指标数据进行溶解氧DO测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站。

步骤S203，可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

进一步的，上述步骤S202包括：

步骤S2021，数据分析站计算机103对数据进行预处理，具体为：

首先，数据分析站计算机103剔除异常数据，对于异常数据的剔除采用的是统计假设检验法中的拉依达准则(3σ准则)，设样本数据为x1，x2...xn，平均值为x，偏差为vi＝xi-x(i＝1，2，...n)，按照Bessel公式计算出标准偏差：

$S=\mathrm{\σ}={[\mathrm{\Σ}{v}_i^2/(n-1)]}^{1/2}$

如果样本数据xi的偏差vi≤i≤n满足：|v_i|＞3σ

则认为xi是异常数据，应予剔除。

其次，数据分析站计算机103对余下的数据进行数据标准化。由于污水处理过程中所测量的数据有不同的工程单位，各变量的大小在数值上差异很大，直接使用原始测量数据进行计算可能丢失信息和引起数值计算的不稳定，因此需要对各参数作标准化处理。对样本数据零均值标准化方法进行归一化处理。所谓对数据的归一化处理，是对数据同时进行中心化和压缩处理，其数学表达式为：

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{S_j},$ i＝1，2，…，n；j＝1，2，…，p

经过数据的归一化处理后，可使得各变量的均值为0，标准差为1，进而消除由于不同特征因子量纲不同和数量级不同所带来的影响。

步骤S2022，数据分析站计算机103确定辅助变量和遗传神经网络GABP的结构。

本实施例中所确定的辅助变量和遗传神经网络GABP如图3所示。由于与DO耦合和关联关系最大的几个辅助变量分别为COD、SS、DO和PH，因此本实施例中所确定的遗传神经网络GABP的输入层的神经元为4个，分别为COD、SS、DO和PH；隐含层的神经元为8个，输出层的神经元为一个，即DO，建立一个MISO系统模型以实现主导变量DO的软测量。其中隐含层和输出层的激励函数分别为双曲正切Sigmoid函数和线性函数。

步骤S2023，数据分析站计算机103基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

由于标准BP算法收敛速度慢，容易陷入局部极小，数值稳定性差。本实施例所使用的是GABP算法，图4为GABP神经网络权值编码方案。在图4中的GABP算法采用遗传算法优化神经网络权值，并采用自适应学习速率动量BP算法对神经网络进行训练，计算适应度函数，最后用与最小适应度函数对应的优化的权值作为神经网络的初始权值和阈值，计算神经网络输出。数据分析站计算机103进行GABP算法具体过程如下：

步骤1，数据分析站计算机103对样本集数据用零均值标准化方法进行归一化处理：

$x_{\mathrm{ij}}^{*}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{S_{\mathrm{ij}}},i=\mathrm{1,2},\·\·\·n;j=\mathrm{1,2},\·\·\·,p$

其中，i为样本数；j为样本分量；xij为第i个样本的第j个分量；xj为第j个分量样本的均值。Sij为变量xj的标准差。

步骤2，数据分析站计算机103将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码，其中阈值是输入为-1的连接权。本实施例中采用的是实数编码，将40个权值和9个阈值串联在一起，得到一个很长的字符串，即一个基因链(染色体)(图4)，代表网络的一种权值组合，即一个个体。设定种群规模为N，随机产生一个初始种群。

步骤3，数据分析站计算机103将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出，若经过训练后的N组权值至少已有一组满足精度要求，则算法结束；否则转入程序(4)。

步骤4，数据分析站计算机103设定适应度函数为均方误差性能函数：

perf＝mse(E，net，PP)

其中，E为网络输出误差；net为所使用的网络(可以从中获得权值和阈值向量X)；PP为误差性能调整率。

步骤5，数据分析站计算机103设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

上述步骤需达到遗传算法设置的终止条件才停止。

进一步的，上述步骤S203包括：

步骤S2031，可编程控制器PLC主站与远程PLC站确定编码方案。

由于采用二进制编码会不可避免的涉及到量化误差及编码长度的权衡，而且将连续的优化空间离散化时会导致目标函数的失真，因此溶解氧浓度的PID控制参数编码采用实数编码方式。本文确定Kp、Ki、Kd均在[0 2]范围内寻优。

步骤S2032，可编程控制器PLC主站与远程PLC站确定适应度函数。

图5为PID控制系统的结构图，其中虚线框内为经状态反馈镇定的系统模型。

对各种控制系统的性能好坏的评价，一般采用控制系统的超调量σ％和调节时间TS来进行评价。为了获得满意的过渡过程动态特性，采用绝对值时间积分性能指标作为参数选择的最小目标函数；为了防止控制能量过大，在目标函数中加入控制输出的平方项。选用如下公式作为参数选择的最优指标：

$J=\underset{0}{\overset{\∞}{\∫}}\left({\mathrm{\ω}}_1\right|e\left(t\right)|+{\mathrm{\ω}}_2{u}^2\left(t\right))\mathrm{dt}+{\mathrm{\ω}}_3{t}_u$

在上式中：e(t)为系统误差；u(t)为控制器输出；tu为上升时间；ω1，ω2，ω3为对应参数的权值。

为了避免超调，在评价函数中加入了惩罚功能，即一旦产生超调，就将超调量作为最优指标的一项，此时最优指标为：

$J=\underset{0}{\overset{\∞}{\∫}}\left({\mathrm{\ω}}_1\right|e\left(t\right)|+{\mathrm{\ω}}_2{u}^2\left(t\right)+{\mathrm{\ω}}_4|e\left(t\right)\left|\right)\mathrm{dt}+{\mathrm{\ω}}_3{t}_u$

上式中：ω4为超调量的权值，且ω4＞＞ω1；本文设定ω1＝ω2＝ω3＝1，ω4＝100。

步骤S2033，可编程控制器PLC主站与远程PLC站确定遗传算法的参数。

根据经验及本文实际情况，设定各参数分别为：种群规模Population size为30，交叉概率Crossover ratio为0.9，变异概率Mutation ratio为0.1，进化代数T为100。

图6为GABP算法遗传迭代的适应值曲线。

本实施例采用MATLAB对GABP神经网络软测量模型进行仿真实验。为了清楚地说明遗传算法在神经网络权值优化设计中的性能，将数据预处理剔除异常数据后剩下的66组数据样本分为两部分：其中46组数据用作为训练样本，其余20组数据作为校验样本。从图6可以看出，GABP算法经过11次遗传操作，即找到最优权值阈值组合，之后的50次迭代适应值都没有改进，达到遗传算法设置的终止条件才停止。

图7为目标设置为0.001时自适应学习速率动量GABP算法的训练误差性能曲线。由图7可以看出，GABP算法只需要经过26633次迭代误差性能计算就可到达0.001的水平。

图8为GABP神经网络算法的DO预测情况。从图7至8的实验结果可以看出，针对污水处理过程中关键出水水质无法在线测量的问题，运用软测量技术来对DO进行模拟预测，GABP算法收敛性好。GABP算法建立的软测量模型既能体现出全局收敛的优越性又具有表现出BP算法的局部搜索能力，收敛性能要远远超过单纯的BP算法。同时从图7可以看出GABP算法的收敛速度快。遗传算法在遇到局部极值时，搜索并没有停止，而是不断得到新的最优个体(神经网络权值)，克服了单纯BP算法容易陷入局部极小、收敛速度慢、精度低的缺陷，实现了对DO的软测量。

以下为应用本发明污水处理控制系统及污水处理方法在某污水处理厂进行污水处理的概况。

该污水处理厂的工程设计规模为处理污水量8万m3/d，实际运行规模为10万m3/d，总变化系数Kz＝1.3，设计期内近期按100％合流制，截流倍数取N＝1，预处理流量(雨季流量)为16万m3/d。进水水质如表4-1所示，设计出水水质如表2所示：

表1

表2

该污水处理厂的主要生产构筑物主要包括：粗格栅、提升泵房、细格栅、旋流沉砂池、改良型A2/O生化池、变配电间、配水井及污泥泵房、二沉池、紫外线消毒池、鼓风机房和污泥浓缩脱水机房等。各工序主要构筑物和机电设备可见表3所示：

表3

根据表统计数据可看出，该污水处理厂主要耗能设备为：4台提升潜污泵、4台混合液回流泵及3台鼓风机。通过对该污水处理厂正常运行时连续1周电耗情况进行统计如下表4所示：

表4

序号	日处理量(万m3/d)	总装机容量(kW)	电耗(kW.h/m3)	设备利用率
					1	10(实际)	1654.85	0.213	53.63％
2	10(实际)	1654.85	0.196	49.35％
					3	10(实际)	1654.85	0.216	54.39％
4	10(实际)	1654.85	0.221	55.64％
					5	10(实际)	1654.85	0.192	48.34％
6	10(实际)	1654.85	0.223	56.15％
					7	10(实际)	1654.85	0.205	51.62％
8	平均	1654.85	0.209429	52.73％

从上表看出，该污水处理厂在利用本发明污水处理控制系统和污水处理控制方法后，其吨水电耗在0.2kW.h/m3左右，且设备利用率在53％左右。目前，国内大多数污水处理厂吨水电耗在0.204～0.364kW.h/m之间，设备利用率在50％～88％之间。可见，本发明污水处理控制系统和污水处理控制方法后可降低能耗。因此，也同时说明本发明污水处理控制系统和污水处理控制方法还可同时解决现有技术中的无法降低能耗的问题。

总之，本发明污水处理控制系统和污水处理控制方法，用遗传算法对PID参数进行寻优，可以快速地找到与变参数模型对应的合适的控制参数，使污水处理控制系统能够得到快速稳定高精度的控制，并可降低能耗。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种污水处理控制系统，其特征在于，包括操作站计算机、数据分析站计算机、可编程控制器PLC主站和远程PLC站，其中：

操作站计算机，用于采集污水调节池进水水质指标数据，并发送到数据分析站计算机；

数据分析站计算机，用于根据遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站；

可编程控制器PLC主站与远程PLC站，用于根据遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

2.如权利要求1所述的污水处理控制系统，其特征在于，所述数据分析站计算机还用于：

对数据进行预处理；

确定辅助变量和遗传神经网络GABP的结构；

基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

3.如权利要求2所述的污水处理控制系统，其特征在于，所述数据分析站计算机还用于：

剔除异常数据；

对余下的数据进行数据标准化。

4.如权利要求2所述的污水处理控制系统，其特征在于，所述数据分析站计算机还用于：

对样本集数据用零均值标准化方法进行归一化处理；

将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码；

将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出；

设定适应度函数为均方误差性能函数；

设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

5.如权利要求3或4所述的污水处理控制系统，其特征在于，所述可编程控制器PLC主站与远程PLC站还用于：

确定编码方案；

确定适应度函数；

确定遗传算法的参数。

6.一种污水处理控制方法，其特征在于，包括：

操作站计算机采集污水调节池进水水质指标数据，并发送到数据分析站计算机；

数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站；

可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO。

7.如权利要求6所述的污水处理控制方法，其特征在于，所述数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO进行测量，并输出测量后的DO到可编程控制器PLC主站与远程PLC站的步骤具体包括：

数据分析站计算机对数据进行预处理；

数据分析站计算机确定辅助变量和遗传神经网络GABP的结构；

数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO测量。

8.如权利要求7所述的污水处理控制方法，其特征在于，所述数据分析站计算机对数据进行预处理的步骤具体包括：

数据分析站计算机剔除异常数据；

数据分析站计算机对余下的数据进行数据标准化。

9.如权利要求7所述的污水处理控制方法，其特征在于，所述数据分析站计算机基于遗传神经网络GABP对指标数据进行溶解氧DO测量的步骤具体包括：

数据分析站计算机对样本集数据用零均值标准化方法进行归一化处理；

数据分析站计算机将神经网络权值和阈值进行统一，并对神经网络权值和阈值进行编码；

数据分析站计算机将给定的输入输出样本集分为训练样本和测试样本，用遗传神经网络GABP算法对多组网络权值分别进行训练，求得各个网络输出；

数据分析站计算机设定适应度函数为均方误差性能函数；

数据分析站计算机设定适应度函数为均方误差性能函数根据交叉、变异遗传算子对交配池中的个体进行操作，得到新一代种群。

10.如权利要求8或9所述的污水处理控制方法，其特征在于，所述可编程控制器PLC主站与远程PLC站基于遗传算法对PID参数进行寻优，然后根据寻优后的PID参数控制测量后的DO的步骤具体包括：

可编程控制器PLC主站与远程PLC站确定编码方案；

可编程控制器PLC主站与远程PLC站确定适应度函数；

可编程控制器PLC主站与远程PLC站确定遗传算法的参数。

Images