CN103488079A - 基于复杂进化全局协调算法的can数字总线控制方法及其系统 - Google Patents

Abstract

本发明公开一种基于复杂进化全局协调算法的CAN数字总线控制方法及其系统，用来对挤出成型设备的温度压力PID控制系统进行全局优化，获得最佳控制效果。发明主要包括两部分，硬件电路部分以及基于复杂进化的全局优化算法部分。挤出成型设备是一个连续的工作过程，其控制系统是多段分散控制，各个控制回路之间相互耦合，传统的算法很难得到最佳的控制参数组合，这里根据进化算法所具有的全局并行优化能力以及直接面向目标函数的特点，来对控制系统的多组参数进行优化，达到最优的控制目的。

Description

基于复杂进化全局协调算法的CAN数字总线控制方法及其系统

技术领域

本发明涉及复杂控制系统参数优化技术领域，特别涉及一种基于复杂理论进化算法进行控制系统参数全局优化协调的方法，主要用于对多层热成型挤出一体化设备的控制PID参数进行全局优化，以期获得最优的PID控制参数。

背景技术

多层热成型挤出一体化设备是集挤出设备，加热设备，压光成型设备以及其他辅助设备为一体的一类复杂大型制造设备，其特点是控制系统包括压力控制，温度控制等多种控制方式，而且由于其空间分布跨度大的特点，控制方式属于多点分散的控制，同时，多层挤出成型一体化设备是一个连续无间断的生产过程，各个子控制系统之间相互耦合。针对这种控制方式，传统技术通常是采用一对一的信号连接方式，实现温度压力数据以及命令数据的传送，而且忽略各个子控制系统之间的相互作用，简化控制模型，实现对整个挤出成型一体化装备的控制。传统的控制方式，一方面由于一对一的信号连接，大大增加了控制系统的成本，而且增加了信号传递的误差率。

多层热挤出成型一体化装备由多个子PID控制系统组成，例如多点的温度PID控制子系统，多点的压力PID子控制系统等，而且一些子PID控制系统具有时滞和大惯性的特点，考虑到各个子控制系统之间具有耦合作用，难以用普通算法对整个控制系统的PID参数进行全局优化，所以需要引入一种新的智能方法来解决此技术难点。

进化计算是模拟生物进化过程的算法，具有可操作性强，效率高等优点，在工程优化计算中已被广泛的应用，其研究起源于二十世纪五十年代末，成熟于八十年代，它是信息科学、人工智能与计算机科学的热点研究领域，求解中对连续和可微条件无要求，所以该方法能很好的解决上面的优化问题。目前，基于复杂系统进化算法的热成型机CAN总线控制技术未见有文献公开报道。

发明内容

针对上述缺陷或不足，本发明提供了一种基于复杂进化全局协调算法的数字总线控制方法及其系统，通过复杂进化全局协调算法获得控制参数，最终获得最佳的控制效果，保证生产的质量。

为达到以上目的，本发明的技术方案为：

包括以下步骤：

1）在挤出成型装备的各个温度压力位置点安装温度压力测量模块，采集各个温度、压力位置点的温度压力数据，通过CAN数字总线输入到计算机中；

2）根据采集到的温度、压力数据，在电脑上进行数据的分析，剔除掉不规则数据点，得到每个子控制系统的传递函数H_i；

3）构造基于复杂系统理论的进化计算算法：

第一步，用反映复杂系统能量分布的幂次法则构造代价函数：

$f_{x,i}^t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\∫\left(w_1\right|e_i\left(t\right)|+w_2{u}_i^2\left(t\right))\mathrm{dt}+w_3{t}_{\mathrm{ui}})+\underset{i=1,j=1}{\overset{p,q}{\mathrm{\Σ}}}{w}_{i,j}{E}_{i,j}---\left(1\right)$

其中，

表示第t代个体中第i个PID控制参数个体的代价函数值，e_i(t)表示PID控制中输入与输出的差值，u_i(t)代表第i个子PID系统的输入参数经过PID变化后的输出值，而t_ui表示PID输出达到目标值的62.3%所需要的时间，E_i,j表示在系统运行中，第i个PID控制系统的干扰对第j个控制系统造成的影响,n代表PID子系统的个数，p+q=n,w1，w2，w3为权值，分别取w1=0.999，w2=0.001，w3=2.0；

第二步，获取具有自主学习特性的环境-基因双演化交叉算子，所述环境-基因双演化交叉算子的公式为：

$T_c\left(X_k^{t+1}\right|X_i^t,X_j^t)=\left\{\begin{array}{c}{X}_i^t+r_1{E}^t\\ X_j^t+r_1{E}^t\end{array}\right.\mathrm{or}$

$E^t=\left\{\begin{array}{c}{r}_2{E}^{t-1}+r_3(X_i^t-X_j^t),f\left(X_i^t\right)>f\left(X_j^t\right)\\ r_2{E}^{t-1}+r_3(X_j^t-X_i^t),f\left(X_j^t\right)>f\left(X_i^t\right)\end{array}\right.---\left(2\right)$

其中，T_c是基因-环境交叉算子，E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数，

为第t代中PID控制参数集合，为根据选择算子计算出的第t代中第i个个体的PID参数集合的适应度值；

第三步，采用反馈机理，得到自适应的更新策略算子:

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;N{p}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array},-,-,-\right.\left(3\right)$

其中，T_r是更新策略算子，P_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体；

第四步，获得基因漂流算子；

$T_f\left(X\right)=\left[\begin{array}{c}{x}_{11},\&CenterDot;\&CenterDot;\&CenterDot;x_{1k-1},x_{1k}^{*},x_{1k+1},\&CenterDot;\&CenterDot;\&CenterDot;,x_{1l}\\ x_{21},\&CenterDot;\&CenterDot;\&CenterDot;x_{2k-1},x_{2k}^{*},x_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,x_{2l}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ x_{N1},\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{Nk}-1},x_{\mathrm{Nk}}^{*},x_{\mathrm{Nk}+1},\&CenterDot;\&CenterDot;\&CenterDot;{,x}_{\mathrm{Nl}}\end{array}\right],x_{\mathrm{ik}}^{*}\&Element;X_{\mathrm{best}},i\&SubsetEqual;[1,l],l=3n.---\left(4\right)$

其中，T_f为基因漂流算子，X_best为每一代中的PID控制参数优秀个体；

4），初始化：设定基于复杂系统理论的进化算法终止条件、运行的参数、以及初始化PID控制参数,以使得始化PID控制参数通过传递函数H_i运算后输出第1代PID控制参数，当第1代PID控制参数满足种终止条件时，则输出PID控制参数，当第1代PID控制参数不满足种终止条件时，第1代PID控制参数通过传递函数H_i以及基于复杂系统理论的进化算法运算，直到满足终止条件，输出此时PID控制参数；

5），将基于复杂系统理论的进化算法计算得到的PID控制参数带入到控制系统中进行验证。

所述步骤2）中第三步中，更新规模变量p_r的反馈修改方式如下：

$p_r=\left\{\begin{array}{c}{p}_r+\mathrm{\&alpha;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_r-\mathrm{\&beta;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)\&le;f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_r\&Element;[\frac{1}{N{p}_r},1.0]---\left(5\right)$

其中：α是递增量常数，β是递减量常数。

所述第2）步基于复杂系统理论的进化计算算法对PID控制系统参数进行全局优化的过程，包括下述步骤：

3-1、随机产生一个随机数，并与基因漂流概率进行比较，判断是否需要进行基因漂流操作，若需要进行基因漂流操作，则根据基因漂流算子T_f，选择优势基因位修改所有PID控制参数个体；

3-2、根据所述代价函数，计算当前所有个体的代价函数值，并根据幂次法则改造选择算子，通过选择算子从子代PID参数集合中选出所需PID个体参数，所述选择算子为：

$P(T_{\mathrm{sf}}\left(X_{\mathrm{ef},i}^t\right)=X_{\mathrm{mm},i}^t)=$

$\frac{{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}{\underset{j=1}{\overset{\mathrm{NP}}{\mathrm{\&Sigma;}}}{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}$

$\mathrm{rank}\left(f\left(X_{\mathrm{ef},\max }^t\right)\right)=0,---\left(6\right)$

$\mathrm{rank}\left(f\left(X_{\mathrm{ef},\min }^t\right)\right)=\mathrm{NP}-1$

其中：T_sf(.)为交配父代选择规则，c=-2.45，rank(.)为排序函数（在NP规模种群中，适应度值最大的排序函数值为0，最小的排序函数值为NP-1）；

3-3、判断是否需要进行杂交操作，若需要进行杂交操作，则使用环境——基因交叉算子计算杂交父代个体以获得子代个体；

3-4、根据构造的代价函数计算子代个体的代价函数值；

3-5、按照所述自适应更新策略更新群体。

所述采用基因漂流算子发生基因漂流事件的概率为p_f，其采用了反馈控制技术其具体如下：

$p_f=\left\{\begin{array}{c}{p}_f+k_1{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_f-k_2{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)<\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_f\&SubsetEqual;\left[\mathrm{0,1}\right]---\left(7\right)$

式中：p_f是基因漂流概率，k1是概率递增系数，k2是概率递减系数。

所述终止条件包括PID控制参数的编码，PID控制参数规模设置以及迭代次数。

包括：温度压力测量模块、数字总线传输模块、核心处理模块、以及复杂系统理论的进化计算算法模块：

其中，温度压力测量模块用于利用温度传感器和压力传感器测量挤出成型机工作过程中的温度和压力参数；

CAN数字总线传输模块传输传感器采集到的数字信号，并将核心处理模块发出的控制命令给执行机构；

复杂系统理论的进化计算算法模块通过运用进化计算算法获取各个子系统的全局最优组合的PID控制参数；

核心处理模块根据PID控制参数对挤出成型一体化设备的加热装置以及电机进控制。

所述温度压力测量模块将获取的温度和压力参数经过CAN收发器芯片PCA82C250转转成CAN数据协议。

所述核心处理模块，包括TMS320F28335处理芯片、串口通讯模块、以及FLASH存贮模块，其中，TMS320F28335芯片进行复杂的浮点运算，串口通讯模块采用MAX3232芯片进行数据格式转换以及收发，与上位机建立通讯连接，Flash存贮芯片采用SST39VF800芯片，对DSP进行外部存贮进行扩充，进行数据和程序的存贮。

所述温度压力测量模块中挤出机机筒的分段温度测量采用接触式热电偶测量；片材二次加热区温度采用非接触式的红外温度计测量；挤出机机筒内的熔体压力采用应变测量传感器，多层压光成型位置压力采用压电传感器测量，卷筒收料位置和片材冲压成型压力采用超声波压力传感器测量。

本发明的有益效果为：

本发明提供了一种基于复杂进化全局协调算法的数字总线控制方法及其系统，通过采用数字总线传输温度压力测量模块获得温度压力数据以及传输控制器命令信号，实现了各个传感器信号以及控制器命令信号的双向实时传送，节约了成本，而且保证了传送过程的正确率和及时性，同时借助数据总线的硬件优先权设定特点，可以自动裁决信号的传递顺利，保证优先权高的信号顺利传送；另外，通过复杂进化全局协调算法，能够获得PID控制参数，直接面向目标函数的特点，来对控制系统的多组参数进行优化，达到最优的控制目的。

附图说明

图1是本发明基于复杂进化全局协调算法的数字总线控制方法的流程框图；

图2是本发明基于复杂进化全局协调算法的数字总线控制方法的系统框图；

图3是本发明基于复杂进化全局协调算法的数字总线控制方法的优化方法流程框图；

图4是本发明基于复杂进化全局协调算法的数字总线控制方法的系统图。

具体实施方式

下面结合附图对本发明做详细描述。

参见图1所示，本发明提供了一种基于复杂进化全局协调算法的数字总线控制方法，包括以下步骤：

1）在挤出成型装备的各个温度压力位置点安装温度压力测量模块，采集各个温度、压力位置点的温度压力数据，通过数字总线输入到计算机中；

2）根据采集到的温度、压力数据，在电脑上进行数据的分析，剔除掉不规则数据点，得到每个子控制系统的传递函数H_i；

3）构造基于复杂系统理论的进化计算算法：

第一步，用反映复杂系统能量分布的幂次法则构造代价函数：

$f_{x,i}^t=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\&Integral;\left(w_1\right|e_i\left(t\right)|+w_2{u}_i^2\left(t\right))\mathrm{dt}+w_3{t}_{\mathrm{ui}})+\underset{i=1,j=1}{\overset{p,q}{\mathrm{\&Sigma;}}}{w}_{i,j}{E}_{i,j}---\left(1\right)$

其中，

表示第t代个体中第i个PID控制参数个体的代价函数值，e_i(t)表示PID控制中输入与输出的差值，u_i(t)代表低i个子PID系统的输入参数经过PID变化后的输出值，而t_ui表示PID输出达到目标值的62.3%所需要的时间，E_i,j表示在系统运行中，第i个PID控制系统的干扰对第j个控制系统造成的影响,n代表PID子系统的个数，p+q=n,w1，w2，w3为权值，分别取w1=0.999，w2=0.001，w3=2.0；

幂次法则(Power law)的现象在100多年前即被发现，诸如都市人口、网站规模、英文字符出现频率、国民生产总值等都符合幂次法则，该法则被认为是复杂系统自组织能力的表现，是系统能量合理分配的一种体现。在生物进化中，总是少数的高适应度个体占有更多的资源，这与幂次法则现象基本一致，所以我们在遗传算法的选择算子设计中引入幂次法则。由于数值模拟的进化计算中种群规模有限，为了充分利用种群内部模式，本发明算法对父代的选择采用幂次法，而对母代的选择则采用顺序选择。其优点在于能够充分搜索每代种群中最优个体内所含的模式，可以加速算法的收敛；缺点则是易早熟，因此基于幂次法则的选择算子必须与算法中其它算子配合使用，才能保证算法不出现早熟；

第二步，获取具有自主学习特性的环境-基因双演化交叉算子，所述环境-基因双演化交叉算子的公式为：

$T_c\left(X_k^{t+1}\right|X_i^t,X_j^t)=\left\{\begin{array}{c}{X}_i^t+r_1{E}^t\\ X_j^t+r_1{E}^t\end{array}\right.\mathrm{or}$

$E^t=\left\{\begin{array}{c}{r}_2{E}^{t-1}+r_3(X_i^t-X_j^t),f\left(X_i^t\right)>f\left(X_j^t\right)\\ r_2{E}^{t-1}+r_3(X_j^t-X_i^t),f\left(X_j^t\right)>f\left(X_i^t\right)\end{array}\right.---\left(2\right)$

其中，T_c是基因-环境交叉算子，E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数，

为第t代中PID控制参数集合，

为根据选择算子计算出的第t代中第i个个体的PID参数集合的适应度值；

一般普通的进化计算算法交叉算子只考虑父代的基因编码形式，而往往忽略了及个体学习能力以及环境对个体的影响。在自然界中的不同种类生物如果生活在条件相同的环境中，在同样选择压力的作用下，有可能产生功能相同或十分相似的形态结构，以适应环境，该现象被称为：趋同进化（Convergent Evolution），如，鲸、海豚等和鱼类的亲缘关系很远，前者是哺乳类，后者是鱼类，但都具有相似的外形，很显然这就是环境对生物进化的影响；而生物的学习能力对生物进化历程也具有非常大的影响力，虽然“魏斯曼障碍”(Weismann Barrier)从分子结构上论证了任何后天学习得到的特性无法对遗传基因产生影响，但是生物学习能力却可以通过修复自身周围的环境等方法到达加速或改变自身的进化，生物修复环境的过程被称为生态位构建（Niche Construction），比如：人类对工具的使用大大加速了人类的文明进化历程。所以，环境——基因双演化交叉算子包含了一个环境变量，每个个体能够修复自身的环境，再由环境变量反作用于自身基因编码，进而体现群体在进化过程中的学习能力，并采用“趋同进化”作为个体修改自身环境变量的规则。所述环境-基因双演化交叉算子的公式为：

第三步，采用反馈机理，得到自适应的更新策略算子:

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;N{p}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array},-,-,-\right.\left(3\right)$

其中，T_r是更新策略算子，P_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体；

环境——基因双演化交叉算子其目的有二，其一、通过交叉算子在群体中较优个体周围探索前进方向，从而改善交叉算子效率；二、通过环境变量获取进化过程中的历史经验，使算法在一定程度上具有学习能力。上式中E_t为环境变量，其能够积累个体进化过程的经验，因此通过环境——基因双演化交叉算子从某种程度上使得个体具备了学习能力。

第四步，采用反馈机理改进了更新策略。一般情况下进化计算算法的种群规模N有限，在如此小规模的种群情况下，既要保证种群的多样性，又要防止种群的“早熟”是一件非常困难任务。为此，引入了自适应更新策略，采用两种群体更新策略，具体描述如下：

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;N{p}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array},-,-,-\right.\left(3\right)$

式中：T_r是更新策略算子，p_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体。

上式中更新规模变量p_r亦采用反馈修改方式，当种群逐代进化时则较多的个体采用“优胜劣汰”更新策略，促使群体迅速收敛；但种群陷于局部最优解，进化趋势不明显时则采用“子代直接取代父代”更新策略，为群体引入更多的基因模式。p_r的修改方式如下：

$p_r=\left\{\begin{array}{c}{p}_r+\mathrm{\&alpha;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_r-\mathrm{\&beta;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)\&le;f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_r\&Element;[\frac{1}{N{p}_r},1.0]---\left(5\right)$

式中：α是递增量常数，β是递减量常数。

由于在算法对种群进行了排序，其0号个体始终是种群适应度最大的个体。所以，当Np_r的最小值为1时，实际上保证了最优个体始终采用“优胜劣汰”更新策略，其作用实质类是最优个体保存，保证了算法的收敛。

第五步，提出了基因漂流算子。通过现代人类的研究发现遗传物质DNA复杂性远远超过了人们的预期，DNA链不仅能够感知其结构的微小变化，还拥有自我修复的能力，人们对其机理与工作模式至今仍知之甚少。通过现代的DNA技术揭示全球近30亿人在Y染色体上都拥有一种被科学家称为M168的特殊变异，这就意味着他们拥有同一男性祖先。由此可见，优势基因位能够在生物进化的过程中得到传播与扩散，并进而再影响生物的进化过程。但在自然进化中，优势基因位的传播过程相对比较缓慢，需要几万年、甚至上百万年的时间，为了加速遗传算法的进化速度，借鉴于转基因技术中的基因漂流(Gene Floating)概念，让优势基因位的能够在个体基因组中得到迅速传播。

$T_f\left(X\right)=\left[\begin{array}{c}{c}_{11},\&CenterDot;\&CenterDot;\&CenterDot;c_{1k-1},c_{1k}^{*},c_{1k+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{1l}\\ c_{21},\&CenterDot;\&CenterDot;\&CenterDot;c_{2k-1},c_{2k}^{*},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{2l}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ c_{m1},\&CenterDot;\&CenterDot;\&CenterDot;c_{\mathrm{mk}-1},c_{\mathrm{mk}}^{*},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{\mathrm{ml}}\end{array}\right],c_{\mathrm{ik}}^{*}\&Element;X_{\mathrm{best}},i\&SubsetEqual;[1,l]---\left(4\right)$

式中：T_f为基因漂流算子，X_best为每一代中的PID控制参数优秀个体；。

基因漂流算子具有发现解空间内相似的待优化参数的能力，但是如果解空间内待优化的参数完全相异时则会增加算法的运算成本，因此对基因漂流事件发生概率也采用了反馈控制技术，其具体描述如下：

$p_f=\left\{\begin{array}{c}{p}_f+k_1{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_f-k_2{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)<f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_f\&SubsetEqual;\left[\mathrm{0,1}\right]---\left(7\right)$

式中：p_f是基因漂移概率，k₁是概率递增系数，k₂是概率递减系数。

通过上述改造，基于复杂进化全局协调算法的算子相互平衡、相互制约，有效抑制了“早熟”，并在很大程度上提高了算法的效率。

第六步，参见图2所示，初始化：设定基于复杂系统理论的进化算法终止条件、运行的参数、以及初始化PID控制参数,以使得始化PID控制参数通过传递函数H_i运算后输出第1代PID控制参数，当第1代PID控制参数满足种终止条件时，则输出PID控制参数，当第1代PID控制参数不满足种终止条件时，第1代PID控制参数通过传递函数H_i以及基于复杂系统理论的进化算法运算，直到满足终止条件，输出此时PID控制参数；所述终止条件包括PID控制参数的编码，PID控制参数规模设置以及迭代次数，本发明中以迭代次数为例进行说明。

参见图3所示，对各个子PID控制系统参数进行全局优化的过程，包括下述步骤：

3-1、随机产生一个随机数，并与基因漂流概率进行比较，判断是否需要进行基因漂流操作，若需要进行基因漂流操作，则根据基因漂流算子T_f，选择优势基因位修改所有个体的等基因位；

3-2、根据所述代价函数，计算当前所有个体的代价函数值，并根据幂次法则改造选择算子，通过选择算子从子代PID参数集合中选出所需PID个体参数，所述选择算子为：

$P(T_{\mathrm{sf}}\left(X_{\mathrm{ef},i}^t\right)=X_{\mathrm{mm},i}^t)=\frac{{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}{\underset{j=1}{\overset{\mathrm{NP}}{\mathrm{\&Sigma;}}}{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}$

$\mathrm{rank}\left(f\left(X_{\mathrm{ef},\max }^t\right)\right)=0,---\left(6\right)$

$\mathrm{rank}\left(f\left(X_{\mathrm{ef},\min }^t\right)\right)=\mathrm{NP}-1$

其中：T_sf(.)为交配父代选择规则，c=-2.45，rank()为排序函数（在NP规模种群中，适应度值最大的排序函数值为0，最小的排序函数值为NP-1）。

3-3、判断是否需要进行杂交操作，若需要进行杂交操作，则使用环境——基因交叉算子计算杂交父代个体以获得子代个体；

3-4、根据构造的代价函数计算子代个体的代价函数值；

3-5、按照所述自适应更新策略更新群体。

4），将基于复杂系统理论的进化算法计算得到的PID控制参数带入到控制系统中进行验证。

5）算法终止条件判断：如果满足算法的终止条件或者迭代次数，执行第7）步，否则执行第6）步。

6）采用基于复杂进化全局协调算法的数字总线控制方法法计算PID控制参数：根据基于复杂进化算法计算第t代中所有子个体的适应度值，并找到其中最优的适应度值。

7）现场试验调试：根据基于复杂系统理论的进化算法得到的一组PID控制参数，对各个子系统进行参数调节，通过实验对比分析，进行验证。

参见图4所示，本发明还包括一种基于复杂进化全局协调算法的数字总线控制系统，包括：温度压力测量模块、数字总线传输模块、核心处理模块、以及复杂系统理论的进化计算算法模块：

其中，温度压力测量模块用于利用温度传感器和压力传感器测量挤出成型机工作过程中的温度和压力参数；

数字总线传输模块传输传感器采集到的数字信号，并将核心处理模块发出的控制命令给执行机构；

复杂系统理论的进化计算算法模块通过运用进化计算算法获取各个子系统的全局最优组合的PID控制参数；

核心处理模块根据PID控制参数对挤出成型一体化设备的加热装置以及电机进控制。

其中，数字总线传输模块主要采用CAN总线，传输传感器采集到的数字信号，同时传输由核心处理器发送的控制命令给执行机构;核心处理模块主要采用TI公司TMS320F28335芯片，这是一款高精度的数字信号处理模块，可以进行高速复杂的浮点运算。

温度压力测量模块，主要用来测量挤出机机筒的分段温度，片材二次加热区温度，挤出机机筒内熔体压力，多层片材压光成型位置压力，卷筒收料位置张力以及片材冲压成型位置压力参数，挤出机机筒的分段温度测量采用接触式热电偶测量；片材二次加热区温度采用非接触式的红外温度计测量；挤出机机筒内的熔体压力采用应变测量传感器，多层压光成型位置压力采用压电传感器测量，卷筒收料位置和片材冲压成型压力采用超声波压力传感器测量。

总线传输采用CAN总线模块，传感器的输出信号经过CAN收发器芯片PCA82C250转转成CAN数据协议，同时为了解决干扰问题，在DSP和PCA82C250之间采用高速光耦6N137进行隔离。

核心处理模块，其主要由TMS320F28335处理芯片，串口通讯模块以及FLASH存贮模块组成，TMS320F28335芯片可以进行复杂的浮点运算，串口通讯模块采用MAX3232芯片进行数据格式转换以及收发，与上位机建立通讯连接，Flash存贮芯片采用SST39VF800芯片，对DSP进行外部存贮进行扩充，进行数据和程序的存贮。

Claims (9)

1.一种基于复杂进化全局协调算法的CAN数字总线控制方法，其特在于，包括以下步骤：

1）在挤出成型装备的各个温度压力位置点安装温度压力测量模块，采集各个温度、压力位置点的温度压力数据，通过CAN数字总线输入到计算机中；

2）根据采集到的温度、压力数据，在电脑上进行数据的分析，剔除掉不规则数据点，得到每个子控制系统的传递函数H_i；

3）构造基于复杂系统理论的进化计算算法：

第一步，用反映复杂系统能量分布的幂次法则构造代价函数：

$f_{x,i}^t=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\&Integral;\left(w_1\right|e_i\left(t\right)|+w_2{u}_i^2\left(t\right))\mathrm{dt}+w_3{t}_{\mathrm{ui}})+\underset{i=1,j=1}{\overset{p,q}{\mathrm{\&Sigma;}}}{w}_{i,j}{E}_{i,j}---\left(1\right)$

其中，表示第t代个体中第i个PID控制参数个体的代价函数值，e_i(t)表示PID控制中输入与输出的差值，u_i(t)代表低i个子PID系统的输入参数经过PID变化后的输出值，而t_ui表示PID输出达到目标值的62.3%所需要的时间，E_i,j表示在系统运行中，第i个PID控制系统的干扰对第j个控制系统造成的影响,n代表PID子系统的个数，p+q=n,w1，w2，w3为权值，分别取w1=0.999，w2=0.001，w3=2.0；

第二步，获取具有自主学习特性的环境-基因双演化交叉算子，所述环境-基因双演化交叉算子的公式为：

$T_c\left(X_k^{t+1}\right|X_i^t,X_j^t)=\left\{\begin{array}{c}{X}_i^t+r_1{E}^t\\ X_j^t+r_1{E}^t\end{array}\mathrm{or}\right.$

$E^t=\left\{\begin{array}{c}{r}_2{E}^{t-1}+r_3(X_i^t-X_j^t),f\left(X_i^t\right)>f\left(X_j^t\right)\\ r_2{E}^{t-1}+r_3(X_j^t-X_i^t),f\left(X_j^t\right)>f\left(X_i^t\right)\end{array}\right.---\left(2\right)$

其中，T_c是基因-环境交叉算子，E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数，

为第t代中PID控制参数集合，为根据选择算子计算出的第t代中第i个个体的PID参数集合的代价函数值；

第三步，采用反馈机理，得到自适应的更新策略算子:

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;{\mathrm{Np}}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array}\right.----\left(3\right)$

其中，T_r是更新策略算子，P_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体；

第四步，获得基因漂流算子；

$T_f\left(X\right)=\left[\begin{array}{c}{x}_{11},...x_{1k-1},x_{1k}^{*},x_{1k+1},...,x_{1l}\\ x_{21},...x_{2k-1},x_{2k}^{*},x_{\mathrm{mk}+1},...,x_{2l}\\ ...\\ x_{N1},...x_{\mathrm{Nk}-1},x_{\mathrm{Nk}}^{*},x_{\mathrm{Nk}+1},...,x_{\mathrm{Nl}}\end{array}\right],x_{\mathrm{ik}}^{*}\&Element;X_{\mathrm{best}},i\&SubsetEqual;[1,l],l=3n.---\left(4\right)$

其中，T_f为基因漂流算子，X_best为每一代中的PID控制参数优秀个体；

4），初始化：设定基于复杂系统理论的进化算法终止条件、运行的参数、以及初始化PID控制参数,以使得始化PID控制参数通过传递函数H_i运算后输出第1代PID控制参数，当第1代PID控制参数满足种终止条件时，则输出PID控制参数，当第1代PID控制参数不满足种群终止条件时，第1代PID控制参数通过传递函数H_i以及基于复杂系统理论的进化算法运算，直到满足终止条件，输出此时PID控制参数；

5），将基于复杂系统理论的进化算法计算得到的PID控制参数带入到控制系统中进行验证。

2.根据权利要求1所述的基于复杂进化全局协调算法的数字总线控制方法，其特在于，所述步骤2）中第三步中，更新规模变量p_r的反馈修改方式如下：

$p_r=\left\{\begin{array}{c}{p}_r+\mathrm{\&alpha;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_r-\mathrm{\&beta;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)\&le;f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_r\&Element;[\frac{1}{{\mathrm{Np}}_r},1.0]---\left(5\right)$

其中：α是递增量常数，β是递减量常数。

3.根据权利要求1所述的基于复杂进化全局协调算法的数字总线控制方法，其特在于，所述第2）步基于复杂系统理论的进化计算算法对PID控制系统参数进行全局优化的过程，包括下述步骤：

3-1、随机产生一个随机数，并与基因漂流概率进行比较，判断是否需要进行基因漂流操作，若需要进行基因漂流操作，根据基因漂流算子T_f，选择优势基因位修改所有PID控制参数个体；

3-2、根据所述代价函数，计算当前所有个体的代价函数值，并根据幂次法则改造选择算子，通过选择算子从子代PID参数集合中选出所需PID个体参数，所述选择算子为：

$P(T_{\mathrm{sf}}\left(X_{\mathrm{ef},i}^t\right)=X_{\mathrm{mm},i}^t)=\frac{{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}{\underset{j=1}{\overset{\mathrm{NP}}{\mathrm{\&Sigma;}}}{10}^{c\&CenterDot;\mathrm{rank}\left(f\left(X_{\mathrm{ef},i}^t\right)\right)}}$

$\begin{array}{c}\mathrm{rank}\left(f\left(X_{\mathrm{ef},\max }^t\right)\right)=0,\\ \mathrm{rank}\left(f\left(X_{\mathrm{ef},\min }^t\right)\right)=\mathrm{NP}-1\end{array}---\left(6\right)$

其中：T_sf(.)为交配父代选择规则，c=-2.45，rank(.)为排序函数（在NP规模种群中，适应度值最大的排序函数值为0，最小的排序函数值为NP-1）；

3-3、判断是否需要进行杂交操作，若需要进行杂交操作，则使用环境——基因交叉算子计算杂交父代个体以获得子代个体；

3-4、根据构造的代价函数计算子代个体的代价函数值；

3-5、按照所述自适应更新策略更新群体。

4.根据权利要求3所述的基于复杂进化全局协调算法的数字总线控制方法，其特在于，所述采用基因漂流算子发生基因漂流事件的概率为pf，其采用了反馈控制技术其具体如下：

$p_f=\left\{\begin{array}{c}{p}_f+k_1{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_f-k_2{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)<f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array},p_f\&SubsetEqual;\&lsqb;0,1\&rsqb;---\left(7\right)\right.$

式中：pf是基因漂流概率，k1是概率递增系数，k2是概率递减系数。

5.根据权利要求1所述的基于复杂进化全局协调算法的数字总线控制方法，其特在于，所述终止条件包括PID控制参数的编码，PID控制参数规模设置以及迭代次数。

6.一种基于权利要求1所述的复杂进化全局协调算法的数字总线控制系统，其特在于，包括：温度压力测量模块、数字总线传输模块、核心处理模块、以及复杂系统理论的进化计算算法模块：

其中，温度压力测量模块用于利用温度传感器和压力传感器测量挤出成型机工作过程中的温度和压力参数；

数字总线传输模块传输传感器采集到的数字信号，并将核心处理模块发出的控制命令给执行机构；

复杂系统理论的进化计算算法模块通过运用进化计算算法获取各个子系统的全局最优组合的PID控制参数；

核心处理模块根据PID控制参数对挤出成型一体化设备的加热装置以及电机进控制。

7.根据权利要求6所述的基于复杂进化全局协调算法的数字总线控制系统，其特在于，所述温度压力测量模块将获取的温度和压力参数经过CAN收发器芯片PCA82C250转转成CAN数据协议。

8.根据权利要求6所述的基于复杂进化全局协调算法的数字总线控制系统，其特在于，所述核心处理模块，包括TMS320F28335处理芯片、串口通讯模块、以及FLASH存贮模块，其中，TMS320F28335芯片进行复杂的浮点运算，串口通讯模块采用MAX3232芯片进行数据格式转换以及收发，与上位机建立通讯连接，Flash存贮芯片采用SST39VF800芯片，对DSP进行外部存贮进行扩充，进行数据和程序的存贮。

9.根据权利要求6所述的基于复杂进化全局协调算法的数字总线控制系统，其特在于，所述温度压力测量模块中挤出机机筒的分段温度测量采用接触式热电偶测量；片材二次加热区温度采用非接触式的红外温度计测量；挤出机机筒内的熔体压力采用应变测量传感器，多层压光成型位置压力采用压电传感器测量，卷筒收料位置和片材冲压成型压力采用超声波压力传感器测量。

Images