CN106950826A - 一种基于蚁群算法的气化装置pid参数整定方法 - Google Patents
一种基于蚁群算法的气化装置pid参数整定方法 Download PDFInfo
- Publication number
- CN106950826A CN106950826A CN201710054047.XA CN201710054047A CN106950826A CN 106950826 A CN106950826 A CN 106950826A CN 201710054047 A CN201710054047 A CN 201710054047A CN 106950826 A CN106950826 A CN 106950826A
- Authority
- CN
- China
- Prior art keywords
- pid parameter
- model
- group algorithm
- ant group
- setting method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000002309 gasification Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000009434 installation Methods 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 18
- 239000003245 coal Substances 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000013432 robust analysis Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 8
- 239000003016 pheromone Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B13/042—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 parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于蚁群算法的气化装置PID参数整定方法,包括建模分析、参数优化和仿真验证,具体包括以下步骤:第一步,模型辨识:采用带遗忘因子的递推增广最小二乘法,对气化装置控制回路进行模型辨识;第二步,采用蚁群算法对建模后的控制回路进行PID参数优化:其通过得到优化后的控制器参数,使气化装置控制回路能够平稳地投用自动控制,控制回路正常运行时不需人为干预,让操作员解放双手,节约人力成本,提高生产效率,同时降低生产成本,节约能源。
Description
技术领域
本发明属于自动控制技术领域,涉及一种基于蚁群算法的气化装置PID(P是比例增益,I是积分时间,D是微分时间)参数整定方法。
背景技术
目前,粉煤加压气化技术是一种重要的清洁能源生产方式。以粉煤为原料的气化技术具有煤种适应性广、原料消耗低、碳转化率高等技术优势,有更强的市场竞争力。粉煤加压气化工艺是以粉煤和纯氧为原料,在高温、高压、非催化条件下在气化炉内进行部分氧化反应, 生成以一氧化碳和氢气为有效成分的粗合成气。煤气化装置含有多条控制回路,大部分采用PID控制。PID控制回路的正常工作,是保证煤气化装置安全稳定运行的基础,也是采用先进过程控制、操作优化、质量管理、节能策略的基础。PID参数的优化与否直接影响着控制效果。优化方法一般分为工程整定法和理论计算法。工程整定法,主要依赖工程经验,直接在控制系统的试验中进行,虽然方法简单,但往往控制效果不理想。理论计算法,依据系统的数学模型,经过理论计算确定控制器参数。该类算法得出的结果具有很高的可信度和代表性,控制效果也很理想。
现有的煤气化装置的控制回路参数,多采用工程整定法,由于整定的参数不具有代表性,导致存在现场的很多控制回路都停留在手动状态,耗费大量人力,控制效果不佳,造成了生产原料的浪费等问题。
发明内容
本发明的目的在于,提供一种基于蚁群算法的气化装置PID参数整定方法,解决现有技术中由于整定的参数不具有代表性,导致存在的控制回路都停留在手动状态,耗费大量人力,控制效果不佳,造成了生产原料的浪费等问题,通过得到优化后的控制器参数,使气化装置控制回路能够平稳地投用自动控制,控制回路正常运行时不需人为干预,让操作员解放双手,节约人力成本,提高生产效率,同时降低生产成本,节约能源。
为实现上述目的,本发明提供一种基于蚁群算法的气化装置PID 参数整定方法,包括建模分析、参数优化和仿真验证,具体包括以下步骤:
第一步,模型辨识:采用带遗忘因子的递推增广最小二乘法,对气化装置控制回路进行模型辨识;建模步骤如下:
一、选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理;
二、采用最大最小之法进行归一化处理;
三、采用带遗忘因子的递推增广最小二乘法进行系统辨识;
四、根据平均值误差判断模型收敛性;
五、模型仿真和验证;
第二步,采用蚁群算法对建模后的控制回路进行PID参数优化:
利用蚁群算法对煤气化装置各回路进行PID参数寻优,目标函数为:J=∫(e(t)2+λu(t)2)dt,J为目标函数值,e(t)为偏差量,u(t)为控制量,λ为控制量加权;寻优步骤如下:
一、确定模型;
二、得出寻优后修正结果比例增益Kp和积分时间Ti;
三、绘制仿真曲线图;
四、进行鲁棒性分析。
在以上方案中优选的是,第一步中第三项中,采用递推增广最小二乘法获得CARIMA模型,再转化为传递函数模型。
在以上任一方案中优选的是,第二步第三项中,绘制现场运行曲线图。
在以上任一方案中优选的是,第二步第三项中,绘制优化后的 PID参数控制效果图。
在以上任一方案中优选的是,第二步第三项中,绘制同一偏差调节曲线对比图。
在以上任一方案中优选的是,第一步第五项中,绘制模型输出跟踪曲线图。
在以上任一方案中优选的是,第二步第四项中,先令模型增益增加100%,得出变化后的模型及其仿真结果,然后再令模型增益减小 20%,得出变化后的模型及其仿真结果。
在以上任一方案中优选的是,第二步第四项中,绘制增益增加 100%后仿真结果图和增益减少20%后仿真结果图。
在以上任一方案中优选的是,该方法应用于高压闪蒸罐液位调节回路。
在以上任一方案中优选的是,该方法应用于对液位控制器PID 参数进行整定。
与现有技术相比,本发明具有以下优点:
本发明的一种基于蚁群算法的气化装置PID参数整定方法,能够解决现有技术中由于整定的参数不具有代表性,导致存在的控制回路都停留在手动状态,耗费大量人力,控制效果不佳,造成了生产原料的浪费等问题,通过得到优化后的控制器参数,使气化装置控制回路能够平稳地投用自动控制,控制回路正常运行时不需人为干预,让操作员解放双手,节约人力成本,提高生产效率,同时降低生产成本,节约能源,使控制回路能够自动运行,提高装置自动投用率,取得满意的控制效果。
附图说明
下面结合附图和实施方式对本发明作进一步说明:
图1是本发明的基于蚁群算法的气化装置PID参数整定方法的蚁群算法流程图;
图2是本发明的基于蚁群算法的气化装置PID参数整定方法的系统辨识原理图;
图3是本发明的基于蚁群算法的气化装置PID参数整定方法的高压闪蒸罐液位控制流程示意图;
图4是本发明的基于蚁群算法的气化装置PID参数整定方法的实施装置结构示意图;
图5是本发明的基于蚁群算法的气化装置PID参数整定方法的 l8LC-1003模型输出跟踪曲线图;
图6是本发明的基于蚁群算法的气化装置PID参数整定方法的现场运行曲线图;
图7是本发明的基于蚁群算法的气化装置PID参数整定方法的优化后的PID参数控制效果图;
图8是本发明的基于蚁群算法的气化装置PID参数整定方法的同一偏差调节曲线对比图;
图9是本发明的基于蚁群算法的气化装置PID参数整定方法的增益增加100%后仿真结果图;
图10是本发明的基于蚁群算法的气化装置PID参数整定方法的增益减少20%后仿真结果图。
具体实施方式
现有的气化装置控制回路主要采用工程整定法或经验法获得 PID参数,但控制效果不佳,导致控制回路无法长时间稳定运行,需要操作人员手动调节,无法获得令人满意的控制效果,浪费大量人力成本和生产资源。本发明采用蚁群算法对气化炉PID控制器参数进行优化,使控制回路能够自动运行,提高装置自动投用率,取得满意的控制效果。
本发明的一种基于蚁群算法的气化装置PID参数整定方法,其通过PID参数优化方法中的理论计算法依据系统的数学模型,经过理论计算确定控制器参数。蚁群算法是一种PID参数整定理论计算法的,是一种新型模拟进化算法,可有效解决连续空间优化问题。本发明采用蚁群算法对煤气化装置控制回路进行PID参数优化,从而得到一组相对优化的参数,使各个回路能够做到及时准确的自动控制。
本发明采用的蚁群算法是一种新型的模拟进化算法,是对自然界蚂蚁的寻径方式进行模拟而得出的一种仿生算法。蚂蚁在运动过程中,能够在它所经过的路径上留下一种称之为外激素的物质进行信息传递,而且蚂蚁在运动过程中能够感知这种物质,并以此指导自己的运动方向,因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大。
参见图1,基本的蚁群算法可以简单表述如下:在0时刻进行初始化过程,蚂蚁放置在不同的城市,每一条边都有一个初始化外激素强度值,设为τij(0)。每一只蚂蚁禁忌表的第一个元素置为它的开始城市。然后,每一只蚂蚁从城市i移动到城市j,依据两个变量的概率函数选择移动城市(包括参数α和β,见公式(1.4))。在n次循环后,所有蚂蚁都完成了一次周游,同时他们的禁忌表将满,这时,计算每一只蚂蚁k的路径长度Lk,依据公式(1.3)更新。而且,保存由蚂蚁找到的最短路径(即minLk,k=1,…,m)置空所有禁忌表。重复这一过程直到周游计数器达到最大(用户定义)周游数max NC,或者所有蚂蚁都走同一路线。后一种情况被称为停滞状态。如果算法在NC次循环后结束,蚂蚁算法的复杂度为O(NC·n2·m)。
信息素更新公式:
τij(t+n)=ρ·τij(t)+Δτij (1.1)
其中,ρ是一个参数,1-ρ表示在时刻t和t+n之间外激素的蒸发,
是单位长度上在时刻t和t+n之间第k只蚂蚁在边e(i,j)留下的外激素的数量,其中:
Q是一个常数,Lk是第k只蚂蚁周游的路程长度。
第k只蚂蚁从城市i移动到城市j的跃迁概率为:
其中Φk={N-tabuk},N为一组城市,tabuk表示第k只蚂蚁的禁忌表,α和β分别为控制外激素与可见度的相对重要程度,跃迁概率是可见度和t时刻外激素强度的权衡。
本发明采用的PID控制回路的模型辨识采用带遗忘因子的递推最小二乘法。模型辨识的目的就是建立能够描述系统动态及稳态特性的数学模型,最小二乘法原理简单易懂,计算方便。递推增广最小二乘法是最小二乘法的改进算法,能够在有色噪声的情况下给出参数的一致估计量,并能够减少计算量,满足在线估计与自适应校正的要求。同时引入遗忘因子,以避免数据饱和现象,使模型能够及时跟踪参数变化,参见图2;
对于SISO(single input single output,单输入单输出系统)系统:
其中,yk和uk分别表示线性系统输出和输入,ek表示系统噪声。表示系统参数。
可写成:
A(z-1)yk=z-dB(z-1)uk+ek (2.2)
其中:
噪声{ek}为白噪声,满足:
E(ek),Cov(ek,uj)表示噪声的均值和协方差。
SISO系统可以写成最小二乘格式LSF:
其中:
当进行了L次量测,得到{yk}和{uk},k=1,2,…,L时,可将批量最小二乘格式写为:
YL=ΦLθ+EL (2.8)
定义:
则递推增广最小二乘法公式为:
初始估计:P0=γ2I,γ2是一个充分大的正数,I为单位矩阵。
引入遗忘因子λ,修改目标函数Jk,对残差平方加指数权λ,则
其中λ越小,遗忘越快。本发明选择带遗忘因子的递推增广最小二乘法进行煤气化装置控制回路模型辨识。
为了更好地理解本发明,下面结合具体实施例对本发明作了详细说明。但是,显然可对本发明进行不同的变型和改型而不超出后附权利要求限定的本发明更宽的精神和范围。因此,以下实施例具有例示性的而没有限制的含义。
实施例1:
一种基于蚁群算法的气化装置PID参数整定方法,包括建模分析、参数优化和仿真验证,具体包括以下步骤:
第一步,模型辨识:参见图2,采用带遗忘因子的递推增广最小二乘法,对气化装置控制回路进行模型辨识;建模步骤如下:
一、选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理;
二、采用最大最小之法进行归一化处理;
三、采用带遗忘因子的递推增广最小二乘法进行系统辨识;
四、根据平均值误差判断模型收敛性;
五、模型仿真和验证;
第二步,参见图1,采用蚁群算法对建模后的控制回路进行PID 参数优化:
利用蚁群算法对煤气化装置各回路进行PID参数寻优,目标函数为:J=∫(e(t)2+λu(t)2)dt,J为目标函数值,e(t)为偏差量,u(t)为控制量,λ为控制量加权;寻优步骤如下:
一、确定模型;
二、得出寻优后修正结果比例增益Kp和积分时间Ti;
三、绘制仿真曲线图;
四、进行鲁棒性分析。
实施例2:
一种基于蚁群算法的气化装置PID参数整定方法,同实施例1,所不同的是,第一步中第三项中,采用递推增广最小二乘法获得 CARIMA模型(CARIMA模型:Controlled Auto-Regressive Integral Moving Average,受控自回归积分滑动平均模型),再转化为传递函数模型。第二步第三项中,绘制现场运行曲线图、优化后的PID参数控制效果图和同一偏差调节曲线对比图。第一步第五项中,绘制模型输出跟踪曲线图。第二步第四项中,先令模型增益增加100%,得出变化后的模型及其仿真结果,然后再令模型增益减小20%,得出变化后的模型及其仿真结果。第二步第四项中,绘制增益增加100%后仿真结果图和增益减少20%后仿真结果图。
实施例3:
一种基于蚁群算法的气化装置PID参数整定方法,同实施例2,所不同的是,参见图3,该方法应用于高压闪蒸罐液位调节回路,以对液位控制器PID参数进行整定;具体包括以下步骤:
第一步,模型辨识:采用带遗忘因子的递推增广最小二乘法,对气化装置控制回路进行模型辨识;
建模步骤如下:
一、选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理;
二、采用最大最小之法进行归一化处理;
三、采用带遗忘因子的递推增广最小二乘法进行系统辨识;
四、根据平均值误差判断模型收敛性;
五、进行模型仿真和验证;
采用递推增广最小二乘法获得参数模型:a1=-0.722,b0=0.043,转化为传递函数模型为:
参见图4为辨识出的模型对输入的跟踪情况,可以看出,模型跟踪快速准确。注:横坐标为时间,单位为秒s,纵坐标为归一化后的液位值,单位为1;
第二步,采用蚁群算法对建模后的控制回路进行PID参数优化;
利用蚁群算法对煤气化装置各回路进行PID参数寻优,目标函数为:J=∫(e(t)2+λu(t)2)dt,λ为控制量加权;
对于一般工业过程来说,PI控制器已足够,微分控制器容易引进震荡,因此,本发明也仅对PI控制器进行优化;
一、建立传递函数模型G(s):
传递函数是复变量s的有理真分式函数,通过模型辨识,本实例模型为时间常数T为15,增益为0.16的一阶惯性环节,即:
二、寻优后修正结果为:
Kp=9.5,Ti=12;
三、绘制仿真曲线图,图5为现场运行曲线,可以看出,现场运行振荡较大,控制效果不佳;图6为PID参数优化后的控制仿真曲线,控制过程无超调,稳态余差很小,跟踪快速,效果良好;图7为同一偏差下的优化前后控制曲线,可见,优化后控制效果远远优于优化前控制效果。注:图5至图7横坐标为时间,单位为秒s,纵坐标为液位,单位为百分比%;
四、鲁棒性分析,
令模型增益增加100%,模型变为:
仿真效果参见图8,注:横坐标为时间,单位为秒s,纵坐标为液位,单位为百分比%;
令模型增益减小20%,模型变为:
仿真效果参见图9,注:横坐标为时间,单位为秒s,纵坐标为液位,单位为百分比%;;
可以看出,即使模型失配,优化后的PID参数仍然能够准确的跟踪输入,说明该控制器的鲁棒性很强。可见,将采用蚁群算法对煤气化装置控制回路进行PID参数优化,从而得到一组相对优化的参数,使各个回路能够做到及时准确的自动控制。
参见图3,本发明的基于蚁群算法的气化装置PID参数整定方法,其中高压闪蒸装置作为气化装置典型回路,包括高压闪蒸罐101,高压闪蒸罐101的上部与进料组件102相连接,高压闪蒸罐101的下部通过液位调节阀103与出料组件104相连接;高压闪蒸罐101的侧面设置有液位测量组件105,液位测量组件105与液位调节阀103之间通过液位控制器106相连接。
参见图4,本发明的基于蚁群算法的气化装置PID参数整定方法,其实施装置包括依次连接的现场测量变送器201、第一安全栅202、 AI(模拟量输入)信号卡件203、控制器204、AO(模拟量输出信号) 信号卡件207和第二安全栅208;控制器204通过服务器205与上位机206相连接。
第二安全栅208和液位调节阀103相连接;
优选的,液位调节阀103设置在气化装置的高压闪蒸罐101与其出料组件104之间,出料组件104设置在高压闪蒸罐101的下部;液位调节阀103与高压闪蒸罐101侧面设置的液位测量组件105之间连接设置有液位控制器106,基于蚁群算法的液位控制器106在控制器204中实现。
优选的,液位控制器106为PID控制器。
优选的,现场测量变送器201将4~20mA信号通过第一安全栅 202和AI信号卡件203传输至控制器204中,并进行信号处理,且在控制器204中完成对回路的控制过程。
优选的,上位机206设置有人机交互界面。
优选的,蚁群算法优化后的参数在上位机206中进行优化修改,并通过服务器205及网络与控制器204进行数据交换,控制器204将运算后的数据通过AO信号卡件207和第二安全栅208传输至现场阀门定位器,以控制现场的液位调节阀103。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于蚁群算法的气化装置PID参数整定方法,包括建模分析、参数优化和仿真验证,具体包括以下步骤:
第一步,模型辨识:采用带遗忘因子的递推增广最小二乘法,对气化装置控制回路进行模型辨识;建模步骤如下:
一、选用限幅滤波和递推平均滤波法两者相结合的数据预处理方法对数据进行预处理;
二、采用最大最小之法进行归一化处理;
三、采用带遗忘因子的递推增广最小二乘法进行系统辨识;
四、根据平均值误差判断模型收敛性;
五、模型仿真和验证;
第二步,采用蚁群算法对建模后的控制回路进行PID参数优化:
利用蚁群算法对煤气化装置各回路进行PID参数寻优,目标函数为:J=∫(e(t)2+λu(t)2)dt,J为目标函数值,e(t)为偏差量,u(t)为控制量,λ为控制量加权;寻优步骤如下:
一、确定模型;
二、得出寻优后修正结果比例增益Kp和积分时间Ti;
三、绘制仿真曲线图;
四、进行鲁棒性分析。
2.如权利要求1所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第一步中第三项中,采用递推增广最小二乘法获得CARIMA模型,再转化为传递函数模型。
3.如权利要求2所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第二步第三项中,绘制现场运行曲线图。
4.如权利要求3所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第二步第三项中,绘制优化后的PID参数控制效果图。
5.如权利要求4所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第二步第三项中,绘制同一偏差调节曲线对比图。
6.如权利要求5所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第一步第五项中,绘制模型输出跟踪曲线图。
7.如权利要求6所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第二步第四项中,先令模型增益增加100%,得出变化后的模型及其仿真结果,然后再令模型增益减小20%,得出变化后的模型及其仿真结果。
8.如权利要求7所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:第二步第四项中,绘制增益增加100%后仿真结果图和增益减少20%后仿真结果图。
9.如权利要求1-8中任一项所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:该方法应用于高压闪蒸分离罐液位调节回路。
10.如权利要求9所述的基于蚁群算法的气化装置PID参数整定方法,其特征在于:该方法应用于对液位控制器PID参数进行整定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710054047.XA CN106950826A (zh) | 2017-01-22 | 2017-01-22 | 一种基于蚁群算法的气化装置pid参数整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710054047.XA CN106950826A (zh) | 2017-01-22 | 2017-01-22 | 一种基于蚁群算法的气化装置pid参数整定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106950826A true CN106950826A (zh) | 2017-07-14 |
Family
ID=59466175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710054047.XA Pending CN106950826A (zh) | 2017-01-22 | 2017-01-22 | 一种基于蚁群算法的气化装置pid参数整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106950826A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107332479A (zh) * | 2017-08-29 | 2017-11-07 | 南京信息工程大学 | 一种无刷直流电动机的复合控制方法 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN114488780A (zh) * | 2022-03-21 | 2022-05-13 | 浙江中控技术股份有限公司 | 一种pid控制方法以及pid控制器 |
-
2017
- 2017-01-22 CN CN201710054047.XA patent/CN106950826A/zh active Pending
Non-Patent Citations (2)
Title |
---|
李国友;张乐天;王红帅;: "基于GA的闪蒸罐压力模糊自适应PID控制", 计算机与应用化学, no. 09, pages 995 - 998 * |
鞠云鹏: "马蹄焰玻璃窑炉系统关键技术研究", 中国博士学位论文全文数据库 工程科技Ⅰ辑, no. 8, pages 015 - 77 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107332479A (zh) * | 2017-08-29 | 2017-11-07 | 南京信息工程大学 | 一种无刷直流电动机的复合控制方法 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN114488780A (zh) * | 2022-03-21 | 2022-05-13 | 浙江中控技术股份有限公司 | 一种pid控制方法以及pid控制器 |
CN114488780B (zh) * | 2022-03-21 | 2022-07-26 | 浙江中控技术股份有限公司 | 一种pid控制方法以及pid控制器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105068515B (zh) | 一种基于自学习算法的智能家居设备语音控制方法 | |
CN103676881B (zh) | 一种半导体生产线动态瓶颈分析方法 | |
CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN108052007B (zh) | 火电机组运行优化方法、装置、设备及计算机存储介质 | |
CN104216783B (zh) | 云游戏中虚拟gpu资源自主管理与控制方法 | |
CN107430398A (zh) | 用于调谐工艺模型的系统和方法 | |
CN103440368B (zh) | 一种多模型动态软测量建模方法 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN103268069B (zh) | 基于Hammerstein模型的自适应预测控制方法 | |
CN110134165B (zh) | 一种用于环境监测与控制的强化学习方法及系统 | |
CN106950826A (zh) | 一种基于蚁群算法的气化装置pid参数整定方法 | |
CN104102212A (zh) | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 | |
CN108827386A (zh) | 一种建筑模型室内自然通风测试装置及测试方法 | |
CN117421618B (zh) | 一种建筑能耗监测方法及系统 | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN117270483B (zh) | 化工生产装置全流程动态优化控制方法、装置、电子设备 | |
CN103941701A (zh) | 一种双网环境下浮选工业过程运行控制系统及方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
Ke et al. | Data‐Driven Predictive Control of Building Energy Consumption under the IoT Architecture | |
CN109144099A (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
US20230297736A1 (en) | Hardware-in-loop simulation experiment platform of multiple input and multiple output loop control for MSWI process | |
CN108121207A (zh) | 同时满足跟踪性和鲁棒性的燃气锅炉最优分数阶pid控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |