CN106707745B - 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法 - Google Patents

一种聚酯短纤维生产过程中拉伸环节的去伪控制方法 Download PDF

Info

Publication number
CN106707745B
CN106707745B CN201611026230.0A CN201611026230A CN106707745B CN 106707745 B CN106707745 B CN 106707745B CN 201611026230 A CN201611026230 A CN 201611026230A CN 106707745 B CN106707745 B CN 106707745B
Authority
CN
China
Prior art keywords
value
speed
temperature
control device
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611026230.0A
Other languages
English (en)
Other versions
CN106707745A (zh
Inventor
陈磊
丁永生
王伟凯
任立红
郝矿荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201611026230.0A priority Critical patent/CN106707745B/zh
Publication of CN106707745A publication Critical patent/CN106707745A/zh
Application granted granted Critical
Publication of CN106707745B publication Critical patent/CN106707745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，初生纤维在经过集束环节形成工艺规定粗度的大股丝束后喂入集束拉伸机，集束拉伸机的纤维拉伸时的速度和温度采用去伪控制的速度‑温度耦合控制方法。在数据驱动的基础上，引入去伪控制算法对拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，与其他数据驱动控制方法相比，去伪控制使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。根据去伪控制得到的非伪控制器参数，对其进行差分进化优化，经过差分变异、交叉和选择操作后，再将改进后的非伪控制器切换至闭环控制回路，可达到更好的控制效果。

Description

一种聚酯短纤维生产过程中拉伸环节的去伪控制方法
技术领域
本发明属于自动控制技术领域，特别是涉及一种聚酯短纤维生产过程中拉伸环节的去伪控制方法。
背景技术
聚酯短纤维主要用于棉纺行业，单独纺纱或与棉、粘胶纤维、麻、毛、维纶等混纺，所得纱线用于服装织布为主，还可用于家装面料，包装用布，充填料和保暖材料。生产聚酯短纤维时，多根线条集合在一起，经给湿上油后落入盛丝桶。再经集束、拉伸、卷曲、热定形、切断等工序得到成品。拉伸环节在纤维生产后加工过程中扮演着极其重要的作用，直接决定着纤维最终的性能。传统控制方法分别对拉伸环节过程中的受变量利用PID控制器形成若干独立闭环回路进行控制，没有考虑变量之间的相互影响对综合控制效果的影响，调节手段单一，有其局限性，不利于产出高质量的纤维产品。
针对这种情况，采用数据驱动控制方法对碳纤维凝固过程进行控制。数据驱动控制是一种利用受控系统的在线和离线I/O数据以及经过数据处理而得到的知识来设计控制器的一种控制方法，有收敛性、稳定性保障和鲁棒性结论。基于受控系统的在线数据主要有同步扰动随机逼近控制(SPSA)、无模型自适应控制(MFAC)、和去伪控制(UC)这三种数据驱动控制方法。SPSA控制器设计较复杂(函数逼近器)，收敛速度较慢，且在闭环实验中要对控制器参数进行扰动，可能会导致废产品的出现。MFAC首先要对非线性系统建立动态线性化模型，根据控制输入准则函数得到控制律，再根据参数估计准则函数得到伪偏导数，继而得到控制方案，但是MFAC控制器参数变化对控制系统稳定性有较大影响。本发明引入另一种基于在线数据的数据驱动方法——去伪控制。
发明内容
本发明在数据驱动基础上，采用两级拉伸工艺对聚酯初生纤维进行拉伸，对于第二拉伸辊与定型辊之间的二级拉伸环节，引入去伪控制算法对聚酯短纤维生产过程中拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，切换到控制回路中，既可以使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。差分进化算法(Differential Evolution,DE)是一种比较新颖的智能优化算法，对当前代数的种群在全局进行随机并行直接搜索。因为其原理易懂，结构简单，收敛速度快且优化效果出色而在实际工程项目优化技术中得到了极大的应用。在去伪控制基础上对其进行差分进化优化，进一步优化了控制效果。
一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述拉伸环节中的拉伸方式为两级拉伸工艺，对于两级拉伸工艺中的第二拉伸辊与定型辊之间的二级拉伸环节，其纤维拉伸时的速度和温度采用去伪控制的速度-温度耦合控制方法，具体控制步骤为：
(1)初始条件：
a、初始输入：
速度实际输出y1(k)在采样时刻1～3的值y1(1)～y1(3)；
温度实际输出y2(k)在采样时刻1～3的值y2(1)～y2(3)；
速度非伪控制器输出u1(k)在采样时刻1～2的值u1(1)～u1(2)；
温度非伪控制器输出u2(k)在采样时刻1～2的值u2(1)～u2(2)；
初始化：
速度期望输出y1*(k)，初始化时将其设定为常值a，即为实际生产过程需要的速度目标值，在任何采样时刻k，y1*(k)＝a；
温度期望输出y2*(k)，初始化时将其设定为常值b，即为实际生产过程需要的温度目标值，在任何采样时刻k，y2*(k)＝b；
对速度-温度耦合控制系统进行PID参数工程整定，得到X组PID参数：
比例系数KP候选值，从X组PID参数中提取出KP值，共有l个不同的取值：KP1,KP2,...,KPl；
积分系数KI候选值，从X组PID参数中提取出KI值，共有m个不同的取值：KI1,KI2,...,KIm；
微分系数KD候选值，从X组PID参数中提取出KD值，共有n个不同的取值：KD1,KD2,...,KDn；
在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，将每组候选控制器参数依次赋值到一个矩阵的相应行，组成一个候选控制器集合矩阵：
其中，N＝l×m×n，则排列组合后有N组候选控制器参数，最终形成一个N×3矩阵，即候选控制器集合矩阵为一个N×3矩阵；形成的候选控制器集合矩阵中，KPi为第i组控制器的KP参数值，KIi为第i组控制器的KI参数值，KDi为第i组控制器的KD参数值；
速度误差e1(k)，为任一采样时刻k速度期望输出y1*(k)与速度实际输出y1(k)之间的差值，即：
e1(k)＝y1*(k)-y1(k)；
温度误差e2(k)，为任一采样时刻k温度期望输出y2*(k)与温度实际输出y2(k)之间的差值，即：
e2(k)＝y2*(k)-y2(k)；
(2)在采样时刻k，结合候选控制器集合矩阵中每组候选控制器的参数，分别计算出相应的速度和温度虚拟参考信号和计算公式如下：
其中，k≥2且k取正整数；
e1(k-1)为k-1时刻纤维的速度误差；
e1(k-2)为k-2时刻纤维的速度误差；
e2(k-1)为k-1时刻纤维的温度误差；
e2(k-2)为k-2时刻纤维的温度误差；
u1(k-1)为k-1时刻纤维的速度非伪控制器输出；
u2(k-1)为k-1时刻纤维的温度非伪控制器输出；
(3)在采样时刻k，计算候选控制器集合矩阵中每组候选控制器参数的速度和温度性能指标J1(i,k)和J2(i,k)，计算公式如下：
其中，
τ是在0～k之间的任意一个采样时刻；
u1(τ)为τ时刻速度非伪控制器输出；
u2(τ)为τ时刻温度非伪控制器输出；
为τ时刻第i组控制器的速度虚拟参考信号；
为τ时刻第i组控制器的温度虚拟参考信号；
y1(τ)为τ时刻的速度实际输出；
y2(τ)为τ时刻的温度实际输出；
(4)在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的速度性能指标J1(i,k)，使得速度性能指标最小的一组相应序号记为速度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的温度性能指标J2(i,k)，使得温度性能指标最小的一组相应序号记为温度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
(5)滞后切换：
当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，拉伸机的速度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的速度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，拉伸机的速度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的速度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k))与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，温度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的温度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k)与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，温度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的温度非伪控制器序号；
(6)根据得到的非伪控制器序号和对应在候选控制器集合矩阵中的行号，得到相应的候选控制器参数，从而得到相应的速度非伪控制器和温度非伪控制器
其中：
为候选控制器集合矩阵中第行第一列的KP值；
为候选控制器集合矩阵中第行第二列的KI值；
为候选控制器集合矩阵中第行第三列的KD值；
为候选控制器集合矩阵中第行第一列的KP值；
为候选控制器集合矩阵中第行第二列的KI值；
为候选控制器集合矩阵中第行第三列的KD值；
(7)根据步骤(6)中得到的速度非伪控制器和温度非伪控制器得到采样时刻k的速度非伪控制器输出u1(k)和温度非伪控制器输出u2(k)如下，
其中，k＞3；
(8)根据速度-温度控制系统，得到采样时刻k的速度实际输出y1(k)和温度实际输出y2(k)，计算公式如下：
y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；
y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；
其中，k>3；
y1(k-1)是采样时刻k-1的速度实际输出；
y2(k-1)是采样时刻k-1的温度实际输出；
u1(k-3)是采样时刻k-3的速度非伪控制器输出；
u2(k-6)是采样时刻k-6的温度非伪控制器输出；
(9)若当前采样时刻k<TotalTime，其中的TotalTime为总采样时间，则k＝k+1，开始下一采样时刻的去伪控制，重复上述步骤中的(2)～(8)；否则，结束聚酯短纤维生产过程中拉伸环节的速度-温度去伪控制过程。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，对速度非伪控制器和温度非伪控制器组成的非伪控制器参数在采样时刻k，进行差分进化优化，具体包括以下步骤：
(1)初始化种群参数：初始化种群上下界约束，在当前采样时刻k，速度和温度非伪控制器组成的非伪控制器参数中每一维变量的最大取值和最小取值构成初始种群的上界约束矢量和下界约束矢量，设置种群数NP、决策变量维数D、变异策略、最大迭代次数IM、当前迭代数G、变异尺度因子F和交叉概率因子Cr的初始值；
所述最大取值为：在当前采样时刻k，非伪控制器参数在进行差分进化优化前取值的110％，即上界约束矢量为
所述最小取值为：在当前采样时刻k，非伪控制器参数在进行差分进化优化前取值的90％，即上界约束矢量为
所述种群NP为进行差分进化优化的参数矢量的组数；所述决策变量维数D为进行差分进化优化的参数矢量的维数，在对非伪控制器参数进行差分进化优化的过程中取值D＝6；所述最大迭代次数IM为整个差分进化优化迭代进行的次数；所述变异尺度因子F的取值范围为[0,2]；所述交叉概率因子Cr的取值范围为[0,1]；
(2)初始化种群：根据初始化种群的上下界约束，在上、下界约束矢量间的随机值构成的NP×D维的种群矩阵为初始化种群，在第G次迭代中，对初始化种群中的每一个个体参数矢量先初始化第一个个体参数矢量为最优种群个体S，初始化后第一个个体参数矢量根据适应度函数得到的适应度函数值为最优目标函数值；所述中，i＝1,2,...,NP；G＝1,2,...,IM；
适应度函数为：
其中，
(3)差分变异操作产生变异矢量在第G次迭代中，在DE/rand/1的变异策略下其中，和是从初始化种群矩阵中随机选择的3个不同于父代且互不相同的个体参数矢量，即r1＝1,2,...,NP，r2＝1,2,...,NP，r3＝1,2,...,NP，r1≠r2≠r3≠i，F为变异尺度因子；
交叉操作产生实验矢量在第G次迭代中，初始化种群中第i个个体参数矢量为变异矢量为采用二项式交叉操作，即生成NP×D阶由0～1之间均匀取值的数值组成的矩阵，生成的随机数数值小于等于交叉概率因子Cr时，结果为0，此时得到实验矢量
(4)选择操作产生下一代参数矢量在第G次迭代中，生成与实验矢量相对应的速度虚拟参考信号和温度虚拟参考信号在第G次迭代中，生成与个体参数矢量相对应的速度虚拟参考信号和温度虚拟参考信号计算公式如下：
其次，根据适应度函数：
计算出实验矢量和个体参数矢量相应的适应度函数值和计算公式如下：
(5)比较选择较优者保存到下一代，即：当时，当时，并且，当时更新最优种群个体，即最优种群个体最优目标函数值返回步骤(3)的差分变异操作，直到达到优化目标值；
(6)当达到最大迭代次数IM或者当前最优目标函数值f(S)达到优化目标值，即时，根据此时的最优种群个数S得到当前采样时刻的非伪控制器优化参数
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述的候选控制器参数N的取值范围为10～500。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述的滞后切换阈值e＝5.0×10-5。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述的PID参数工程整定依据衰减曲线法，即当速度-温度控制系统在运行时的实际速度输出和温度输出分别出现4:1衰减振荡过程时，根据衰减曲线法的经验公式计算记录此时的KP1、KI1和KD1；
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述的速度-温度控制系统在运行时分别出现4:1衰减振荡过程是两个相邻同方向波峰的超调量之比为4：1。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述的在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，其中的各自按序是指按从大到小的顺序。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述常值a为纤维二级拉伸速度的期望输出，初始化设定为160m/min，常值b为纤维二级拉伸温度的期望输出，初始化设定为165℃。
有益效果
本发明的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，在数据驱动基础上，采用两级拉伸工艺对聚酯初生纤维进行拉伸，对于第二拉伸辊与定型辊之间的二级拉伸环节，引入去伪控制算法对聚酯短纤维生产过程中拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，切换到控制回路中，既可以使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。
本发明的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，引入的差分进化算法(Differential Evolution,DE)是一种比较新颖的智能优化算法，对当前代数的种群在全局进行随机并行直接搜索。因为其原理易懂，结构简单，收敛速度快且优化效果出色而在实际工程项目优化技术中得到了极大的应用。在去伪控制基础上对其进行差分进化优化，进一步优化了控制效果。
附图说明
图1是聚酯短纤维生产过程中拉伸环节的去伪控制方法结构框图；
图2是聚酯短纤维生产过程中拉伸环节的去伪控制算法流程图；
图3是聚酯短纤维生产过程中拉伸环节的纤维拉伸速度控制实例；
图4是聚酯短纤维生产过程中拉伸环节的纤维拉伸温度控制实例。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
实施例1
本发明涉及一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，该方法结构框图如图1所示，拉伸方式采用两级拉伸工艺，初生纤维在经过集束环节形成工艺规定粗度的大股丝束后喂入集束拉伸机，集束拉伸机对于第二拉伸辊与定型辊之间的二级拉伸环节的纤维拉伸速度和拉伸温度采用去伪控制的速度-温度耦合控制方法。在数据驱动的基础上，引入去伪控制算法对拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，与其他数据驱动控制方法相比，去伪控制使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。根据去伪控制得到的非伪控制器参数，对其进行差分进化优化，经过差分变异、交叉和选择操作后，再将改进后的非伪控制器切换至闭环控制回路，可达到更好的控制效果。
一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，所述拉伸环节中的拉伸方式为两级拉伸工艺，对于两级拉伸工艺中的第二拉伸辊与定型辊之间的二级拉伸环节，其纤维拉伸时的速度和温度采用去伪控制的速度-温度耦合控制方法，具体控制步骤为：
(1)初始条件：
a、初始输入：
速度实际输出y1(k)在采样时刻1～3的值y1(1)～y1(3)＝0；
温度实际输出y2(k)在采样时刻1～3的值y2(1)～y2(3)＝0.1；
速度非伪控制器输出u1(k)在采样时刻1～2的值u1(1)～u1(2)＝5；
温度非伪控制器输出u2(k)在采样时刻1～2的值u2(1)～u2(2)＝0.1；
b、初始化：
速度期望输出y1*(k)，初始化时将其设定为常值a，即为实际生产过程需要的速度目标值，在任何采样时刻k，y1*(k)＝160；
温度期望输出y2*(k)，初始化时将其设定为常值b，即为实际生产过程需要的温度目标值，在任何采样时刻k，y2*(k)＝165；
对速度-温度耦合控制系统进行PID参数工程整定，得到40组PID参数：
比例系数KP候选值，从40组PID参数中提取出KP值，共有4个不同的取值：0.1,0.15,0.2,0.25；
积分系数KI候选值，从40组PID参数中提取出KI值，共有5个不同的取值：0.01,0.02,0.03,0.04,0.05；
微分系数KD候选值，从40组PID参数中提取出KD值，共有2个不同的取值：0.01,0.05；
在初始化中每次分别从4个比例系数KP候选值，5个积分系数KI候选值以及2个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，将每组候选控制器参数依次赋值到一个矩阵的相应行，组成一个候选控制器集合矩阵：
其中，4×5×2＝40，则排列组合后有40组候选控制器参数，最终形成一个40×3矩阵，即候选控制器集合矩阵为一个40×3矩阵；形成的候选控制器集合矩阵中，KPi为第i组控制器的KP参数值，KIi为第i组控制器的KI参数值，KDi为第i组控制器的KD参数值；
速度误差e1(k)，为任一采样时刻k速度期望输出y1*(k)与速度实际输出y1(k)之间的差值，即：
e1(k)＝y1*(k)-y1(k)；
温度误差e2(k)，为任一采样时刻k温度期望输出y2*(k)与温度实际输出y2(k)之间的差值，即：
e2(k)＝y2*(k)-y2(k)；
(2)在采样时刻k，结合候选控制器集合矩阵中每组候选控制器的参数，分别计算出相应的速度和温度虚拟参考信号和计算公式如下：
(3)在采样时刻k，计算候选控制器集合矩阵中每组候选控制器参数的速度和温度性能指标J1(i,k)和J2(i,k)，计算公式如下：
(4)在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的速度性能指标J1(i,k)，使得速度性能指标最小的一组相应序号记为速度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的温度性能指标J2(i,k)，使得温度性能指标最小的一组相应序号记为温度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
(5)滞后切换：
当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与上一采样时刻k-1的速度非伪控制器的性能指标之间的差值小于等于滞后切换阈值e时，拉伸机的速度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的速度非伪控制器序号；
当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与上一采样时刻k-1的速度非伪控制器的性能指标之间的差值大于滞后切换阈值e时，拉伸机的速度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的速度非伪控制器序号；
在采样时刻k＝21时，采用当前采样时刻的最小性能指标值对应的拉伸速度非伪控制器序号，即在采样时刻k＝300时，仍然采用上一时刻的拉伸速度非伪控制器，即
当时，即在当前采样时刻的最小温度性能指标值与上一采样时刻的温度非伪控制器的当前性能指标值之间的差值小于等于滞后切换阈值e时，温度非伪控制器序号和上一采样时刻的相同，仍然采用上一采样时刻的温度非伪控制器序号；
当时，即在当前采样时刻的最小温度性能指标值与上一采样时刻的性能指标之间的差值大于滞后切换阈值e时，温度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的温度非伪控制器序号；
在采样时刻k＝224时，采用当前采样时刻的最小性能指标值对应的拉伸温度非伪控制器序号，即在采样时刻k＝300时，仍然采用上一时刻的拉伸温度非伪控制器，即
(6)根据(5)得到的非伪控制器序号和对应在候选控制器集合矩阵中的行号，得到相应的候选控制器参数，从而得到相应的速度非伪控制器和温度非伪控制器分别为：和
(7)根据(6)中得到的速度非伪控制器和温度非伪控制器得到采样时刻k的速度非伪控制器输出u1(k)和温度非伪控制器输出u2(k)如下，
其中，k>3；采样时刻k＝224时，u1(224)＝0.1，u2(224)＝0.8436，采样时刻k＝300时，u1(300)＝0.1，u2(300)＝0.8436
(8)根据速度-温度控制系统，得到采样时刻k的速度实际输出y1(k)和温度实际输出y2(k)，计算公式如下：
y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；
y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；
其中，k>3；
y1(k-1)是采样时刻k-1的速度实际输出；
y2(k-1)是采样时刻k-1的温度实际输出；
u1(k-3)是采样时刻k-3的速度非伪控制器输出；
u2(k-6)是采样时刻k-6的温度非伪控制器输出；
采样时刻k＝224时、y1(224)＝1.00、y2(224)＝0.25，采样时刻k＝300时，y1(300)＝1.00，y2(300)＝0.25；
(9)总采样时间TotalTime＝300，采样时刻k＝224时，k<TotalTime，开始下一采样时刻的去伪控制，重复上述步骤中的(2)～(8)；否则，结束聚酯短纤维生产过程中拉伸环节的速度-温度去伪控制过程。
如上所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，对速度非伪控制器和温度非伪控制器组成的非伪控制器参数在采样时刻k，进行差分进化优化，具体包括以下步骤：
(1)本实例中初始化种群参数如下：种群数NP＝60，决策变量维数D＝6，变异策略为DE/rand/1，最大迭代次数IM＝500，变异尺度因子F＝0.85，交叉概率因子Cr＝0.1，初始化种群上界约束矢量为下界约束矢量为
(2)初始化种群：根据初始化种群的上下界约束，在上、下界约束矢量间的随机值构成的NP×D维的种群矩阵为初始化种群，在第G次迭代中，对初始化种群中的每一个个体参数矢量先初始化最优种群个体最优目标函数值
(3)差分变异操作产生变异矢量在第G次迭代中，在DE/rand/1的变异策略下其中，和是从初始化种群矩阵中随机选择的3个不同于父代且互不相同的个体参数矢量，即r1＝1,2,...,NP，r2＝1,2,...,NP，r3＝1,2,...,NP，r1≠r2≠r3≠i，F为变异尺度因子；
(4)交叉操作产生实验矢量在第G次迭代中，初始化种群中第i个个体参数矢量为变异矢量为采用二项式交叉操作，即生成NP×D阶由0～1之间均匀取值的数值组成的矩阵，生成的随机数数值小于等于交叉概率因子Cr时结果为1，此时生成的随机数数值大于交叉概率因子Cr时结果为0，此时得到实验矢量
(5)选择操作产生下一代参数矢量在第G次迭代中，生成与实验矢量相对应的速度虚拟参考信号和温度虚拟参考信号在第G次迭代中，生成与个体参数矢量相对应的速度虚拟参考信号和温度虚拟参考信号计算公式如下：
其次，根据适应度函数：
比较选择较优者保存到下一代，当时，当时，并且，当时更新最优种群个体，即最优种群个体最优目标函数值返回步骤(3)的差分变异操作，直到达到优化目标值；
(6)当达到最大迭代次数IM或者当前最优目标函数值f(S)达到优化目标值，即时，根据此时的最优种群个数S得到当前采样时刻的非伪控制器优化参数
仿真运行过程如图1、2所示，分别使用去伪控制和基于差分进化的去伪控制对聚酯短纤维生产过程中拉伸环节的拉伸速度和拉伸温度进行控制，仿真结果如图3、4所示，由图中可以看出，系统实际输出能快速到达控制目标，且超调量小，具备消除时滞和解耦的能力。仿真表明该优化方法收敛速度快，具有较出色的优化效果。

Claims (8)

1.一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征是：所述拉伸环节中的拉伸方式为两级拉伸工艺，对于两级拉伸工艺中的第二拉伸辊与定型辊之间的二级拉伸环节，其纤维拉伸时的速度和温度采用去伪控制的速度-温度耦合控制方法，具体控制步骤为：
(1)初始条件：
a、初始输入：
速度实际输出y1(k)在采样时刻1～3的值y1(1)～y1(3)；
温度实际输出y2(k)在采样时刻1～3的值y2(1)～y2(3)；
速度非伪控制器输出u1(k)在采样时刻1～2的值u1(1)～u1(2)；
温度非伪控制器输出u2(k)在采样时刻1～2的值u2(1)～u2(2)；
b、初始化：
速度期望输出y1*(k)，初始化时将其设定为常值a，即为实际生产过程需要的速度目标值，在任何采样时刻k，y1*(k)＝a；
温度期望输出y2*(k)，初始化时将其设定为常值b，即为实际生产过程需要的温度目标值，在任何采样时刻k，y2*(k)＝b；
对速度-温度耦合控制系统进行PID参数工程整定，得到X组PID参数：
比例系数KP候选值，从X组PID参数中提取出KP值，共有l个不同的取值：KP1,KP2,...,KPl；
积分系数KI候选值，从X组PID参数中提取出KI值，共有m个不同的取值：KI1,KI2,...,KIm；
微分系数KD候选值，从X组PID参数中提取出KD值，共有n个不同的取值：KD1,KD2,...,KDn；
在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，将每组候选控制器参数依次赋值到一个矩阵的相应行，组成一个候选控制器集合矩阵：
其中，N＝l×m×n，则排列组合后有N组候选控制器参数，最终形成一个N×3矩阵，即候选控制器集合矩阵为一个N×3矩阵；形成的候选控制器集合矩阵中，KPi为第i组控制器的KP参数值，KIi为第i组控制器的KI参数值，KDi为第i组控制器的KD参数值；
速度误差e1(k)，为任一采样时刻k速度期望输出y1*(k)与速度实际输出y1(k)之间的差值，即：
e1(k)＝y1*(k)-y1(k)；
温度误差e2(k)，为任一采样时刻k温度期望输出y2*(k)与温度实际输出y2(k)之间的差值，即：
e2(k)＝y2*(k)-y2(k)；
(2)在采样时刻k，结合候选控制器集合矩阵中每组候选控制器的参数，分别计算出相应的速度和温度虚拟参考信号和计算公式如下：
其中，k≥2且k取正整数；
e1(k-1)为k-1时刻纤维的速度误差；
e1(k-2)为k-2时刻纤维的速度误差；
e2(k-1)为k-1时刻纤维的温度误差；
e2(k-2)为k-2时刻纤维的温度误差；
u1(k-1)为k-1时刻纤维的速度非伪控制器输出；
u2(k-1)为k-1时刻纤维的温度非伪控制器输出；
(3)在采样时刻k，计算候选控制器集合矩阵中每组候选控制器参数的速度和温度性能指标J1(i,k)和J2(i,k)，计算公式如下：
其中，
β为常数；
τ是在0～k之间的任意一个采样时刻；
u1(τ)为τ时刻速度非伪控制器输出；
u2(τ)为τ时刻温度非伪控制器输出；
为τ时刻第i组控制器的速度虚拟参考信号；
为τ时刻第i组控制器的温度虚拟参考信号；
y1(τ)为τ时刻的速度实际输出；
y2(τ)为τ时刻的温度实际输出；
(4)在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的速度性能指标J1(i,k)，使得速度性能指标最小的一组相应序号记为速度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的温度性能指标J2(i,k)，使得温度性能指标最小的一组相应序号记为温度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：
(5)滞后切换：
当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，拉伸机的速度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的速度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，拉伸机的速度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的速度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k))与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，温度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的温度非伪控制器序号；
当时，
即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k)与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，温度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的温度非伪控制器序号；
(6)根据得到的非伪控制器序号和对应在候选控制器集合矩阵中的行号，得到相应的候选控制器参数，从而得到相应的速度非伪控制器和温度非伪控制器
其中：
为候选控制器集合矩阵中第行第一列的KP值；
为候选控制器集合矩阵中第行第二列的KI值；
为候选控制器集合矩阵中第行第三列的KD值；
为候选控制器集合矩阵中第行第一列的KP值；
为候选控制器集合矩阵中第行第二列的KI值；
为候选控制器集合矩阵中第行第三列的KD值；
(7)根据步骤(6)中得到的速度非伪控制器和温度非伪控制器得到采样时刻k的速度非伪控制器输出u1(k)和温度非伪控制器输出u2(k)如下，
其中，k＞3；
(8)根据速度-温度控制系统，得到采样时刻k的速度实际输出y1(k)和温度实际输出y2(k)，计算公式如下：
y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；
y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；
其中，k＞3；
y1(k-1)是采样时刻k-1的速度实际输出；
y2(k-1)是采样时刻k-1的温度实际输出；
u1(k-3)是采样时刻k-3的速度非伪控制器输出；
u2(k-6)是采样时刻k-6的温度非伪控制器输出；
(9)若当前采样时刻k＜TotalTime，其中的TotalTime为总采样时间，则k＝k+1，开始下一采样时刻的去伪控制，重复上述步骤中的(2)～(8)；否则，结束聚酯短纤维生产过程中拉伸环节的速度-温度去伪控制过程。
2.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，对速度非伪控制器和温度非伪控制器组成的非伪控制器参数在采样时刻k，进行差分进化优化，具体包括以下步骤：
(1)初始化种群参数：初始化种群上下界约束，在当前采样时刻k，速度和温度非伪控制器组成的非伪控制器参数中每一维变量的最大取值和最小取值构成初始种群的上界约束矢量和下界约束矢量，设置种群数NP、决策变量维数D、变异策略、最大迭代次数IM、当前迭代数G、变异尺度因子F和交叉概率因子Cr的初始值；
所述最大取值为：在当前采样时刻k，非伪控制器参数在进行差分进化优化前取值的110％，即上界约束矢量为：
所述最小取值为：在当前采样时刻k，非伪控制器参数在进行差分进化优化前取值的90％，即上界约束矢量为：
所述种群NP为进行差分进化优化的参数矢量的组数；所述决策变量维数D为进行差分进化优化的参数矢量的维数，在对非伪控制器参数进行差分进化优化的过程中取值D＝6；所述最大迭代次数IM为整个差分进化优化迭代进行的次数；所述变异尺度因子F的取值范围为[0,2]；所述交叉概率因子Cr的取值范围为[0,1]；
(2)初始化种群：根据初始化种群的上下界约束，在上、下界约束矢量间的随机值构成的NP×D维的种群矩阵为初始化种群，在第G次迭代中，对初始化种群中的每一个个体参数矢量先初始化第一个个体参数矢量为最优种群个体S，初始化后第一个个体参数矢量根据适应度函数得到的适应度函数值为最优目标函数值；
所述中，i＝1,2,...,NP；G＝1,2,...,IM；
所述适应度函数为：
其中，
γ为常数；
(3)差分变异操作产生变异矢量在第G次迭代中，在DE/rand/1的变异策略下其中，和是从初始化种群矩阵中随机选择的3个不同于父代且互不相同的个体参数矢量，即r1＝1,2,...,NP，r2＝1,2,...,NP，r3＝1,2,...,NP，r1≠r2≠r3≠i，F为变异尺度因子；
(4)交叉操作产生实验矢量在第G次迭代中，初始化种群中第i个个体参数矢量为变异矢量为采用二项式交叉操作，即生成NP×D阶由0～1之间均匀取值的数值组成的矩阵，生成的随机数数值小于等于交叉概率因子Cr时，该随机数数值结果置0，此时得到实验矢量
(5)选择操作产生下一代参数矢量在第G次迭代中，生成与实验矢量相对应的速度虚拟参考信号和温度虚拟参考信号在第G次迭代中，生成与个体参数矢量相对应的速度虚拟参考信号和温度虚拟参考信号计算公式如下：
其次，根据适应度函数：
计算出实验矢量和个体参数矢量相应的适应度函数值和计算公式如下：
比较选择较优者保存到下一代，即：当时，当时，并且，当时更新最优种群个体，即最优种群个体最优目标函数值返回步骤(3)的差分变异操作，直到达到优化目标值；
(6)当达到最大迭代次数IM或者当前最优目标函数值f(S)达到优化目标值，即时，根据此时的最优种群个数S得到当前采样时刻的非伪控制器优化参数
3.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述的候选控制器参数内N的取值范围为10～500。
4.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述的滞后切换阈值e＝5.0×10-5。
5.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述的PID参数工程整定依据衰减曲线法，即当速度-温度控制系统在运行时的实际速度输出和温度输出分别出现4:1衰减振荡过程时，根据衰减曲线法的经验公式计算记录此时的KP1、KI1、KD1、KP2、KI2和KD2值，将其记为一组PID参数，通过这种方法得到X组PID参数，其中X≥2。
6.根据权利要求书5所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述的速度-温度控制系统在运行时分别出现4:1衰减振荡过程是两个相邻同方向波峰的超调量之比为4:1。
7.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述的在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，其中的各自按序是指按从大到小的顺序。
8.根据权利要求书1所述的一种聚酯短纤维生产过程中拉伸环节的去伪控制方法，其特征在于，所述常值a为纤维二级拉伸速度的期望输出，初始化设定为160m/min，常值b为纤维二级拉伸温度的期望输出，初始化设定为165℃。
CN201611026230.0A 2016-11-22 2016-11-22 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法 Active CN106707745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611026230.0A CN106707745B (zh) 2016-11-22 2016-11-22 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611026230.0A CN106707745B (zh) 2016-11-22 2016-11-22 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法

Publications (2)

Publication Number Publication Date
CN106707745A CN106707745A (zh) 2017-05-24
CN106707745B true CN106707745B (zh) 2019-04-16

Family

ID=58940223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611026230.0A Active CN106707745B (zh) 2016-11-22 2016-11-22 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法

Country Status (1)

Country Link
CN (1) CN106707745B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106325076B (zh) * 2016-11-22 2019-05-07 东华大学 一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法
CN108107855B (zh) * 2017-12-15 2019-09-17 东华大学 类脑分层记忆机制下纤维拉伸环节的智能化控制方法
CN108538065B (zh) * 2018-04-24 2020-10-02 浙江工业大学 一种基于自适应迭代学习控制的城市主干道协调控制方法
CN114859722B (zh) * 2022-05-09 2023-06-02 电子科技大学 一种时滞非线性凝固过程系统模糊自适应容错控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286044A (zh) * 2008-05-12 2008-10-15 杭州电子科技大学 一种燃煤锅炉系统混合建模方法
CN101382773A (zh) * 2008-10-17 2009-03-11 东华大学 抗时滞伪比例积分控制系统和方法
US8712559B2 (en) * 2010-02-10 2014-04-29 The Board Of Trustees Of The University Of Illionois Adaptive control for uncertain nonlinear multi-input multi-output systems
CN103984234A (zh) * 2014-05-15 2014-08-13 张万军 一种电液伺服系统自修正模糊pid控制的方法
CN104062903A (zh) * 2014-06-16 2014-09-24 东华大学 一种基于免疫机制的碳纤维凝固浴重构控制器
CN204089882U (zh) * 2014-05-30 2015-01-07 东华大学 一种碳纤维生产数据实时预测云平台
CN106325076A (zh) * 2016-11-22 2017-01-11 东华大学 一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286044A (zh) * 2008-05-12 2008-10-15 杭州电子科技大学 一种燃煤锅炉系统混合建模方法
CN101286044B (zh) * 2008-05-12 2010-06-16 杭州电子科技大学 一种燃煤锅炉系统蒸汽温度混合建模方法
CN101382773A (zh) * 2008-10-17 2009-03-11 东华大学 抗时滞伪比例积分控制系统和方法
US8712559B2 (en) * 2010-02-10 2014-04-29 The Board Of Trustees Of The University Of Illionois Adaptive control for uncertain nonlinear multi-input multi-output systems
CN103984234A (zh) * 2014-05-15 2014-08-13 张万军 一种电液伺服系统自修正模糊pid控制的方法
CN204089882U (zh) * 2014-05-30 2015-01-07 东华大学 一种碳纤维生产数据实时预测云平台
CN104062903A (zh) * 2014-06-16 2014-09-24 东华大学 一种基于免疫机制的碳纤维凝固浴重构控制器
CN106325076A (zh) * 2016-11-22 2017-01-11 东华大学 一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于去伪控制的PID适应参数调节;姚烯;《电光与控制》;20140531;第21卷(第5期);第29-32页

Also Published As

Publication number Publication date
CN106707745A (zh) 2017-05-24

Similar Documents

Publication Publication Date Title
CN106707745B (zh) 一种聚酯短纤维生产过程中拉伸环节的去伪控制方法
CN106325076B (zh) 一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法
CN105629735B (zh) 一种航空发动机在线自适应最优pid控制器设计方法
CN106549394B (zh) 基于双鱼群算法的电力无功优化系统及方法
CN103888044B (zh) 一种模糊pid控制器的参数自整定方法
CN106054596B (zh) 一种基于改进性能指标的pid控制器参数优化整定方法
CN105751470B (zh) 一种注塑机温度实时控制方法
CN106765052A (zh) 一种电站锅炉蒸汽温度的智能计算预测控制方法
CN105955026A (zh) 模糊pid控制方法和装置及系统
Chiha et al. Tuning PID controller with multi-objective differential evolution
CN107100741A (zh) 一种提高涡扇发动机控制系统性能的方法及其系统
Eslami et al. Optimal design of PID-based low-pass filter for gas turbine using intelligent method
CN108448659A (zh) 一种基于hacs算法求解电力系统无功优化的方法
CN106940526B (zh) 一种去伪控制的碳纤维凝固浴工艺
CN104527009A (zh) 基于高斯预测的注塑成型工艺参数优化调控方法
CN110535396A (zh) 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN105511270B (zh) 一种基于协同进化的pid控制器参数优化方法和系统
Sette et al. Using genetic algorithms to design a control strategy of an industrial process
Teng et al. Neural network PID decoupling control based on chaos particle swarm optimization
CN106802554A (zh) 二自由度内模pid控制器参数整定方法
Chen et al. Research on adaptive genetic algorithm based on multi-population elite selection strategy
Li et al. Application of Improved Artificial Bee Colony Algorithm in constant pressure water supply system
CN106295150B (zh) 一种基因调控网络的优化控制方法
Nie et al. A PID parameter tuning method for air conditioning system based on annealing genetic algorithm
Sun et al. Optimization of FOPID controller based on MPFGA

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant