CN111221245B - 一种基于pso的定型机模糊pid张力控制参数自整定方法 - Google Patents

一种基于pso的定型机模糊pid张力控制参数自整定方法 Download PDF

Info

Publication number
CN111221245B
CN111221245B CN202010089971.3A CN202010089971A CN111221245B CN 111221245 B CN111221245 B CN 111221245B CN 202010089971 A CN202010089971 A CN 202010089971A CN 111221245 B CN111221245 B CN 111221245B
Authority
CN
China
Prior art keywords
value
particle
pid
setting machine
fuzzy
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
CN202010089971.3A
Other languages
English (en)
Other versions
CN111221245A (zh
Inventor
王传伟
曾启杰
黄建平
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010089971.3A priority Critical patent/CN111221245B/zh
Publication of CN111221245A publication Critical patent/CN111221245A/zh
Application granted granted Critical
Publication of CN111221245B publication Critical patent/CN111221245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于PSO的定型机模糊PID张力控制参数自整定方法，包括以下步骤：S1：根据定型机张力控制系统的特点，选择离散PID控制算法；S2：设置带有调整因子的模糊控制规制，使用粒子群算法对调整因子寻优；S3：得到全局最优位置，并且得到相应的PID值，将此值代入离散PID控制算法中对定型机张力进行控制。本发明将PSO算法与传统的模糊PID算法结合，应用到定型机的张力控制系统中；针对定型机非线性离散系统的模糊PID控制算法，对其建立具有修正因子的模糊规则，为取得最优的模糊规则，采用PSO算法对模糊规则中的修正因子进行寻优，继而得出最优的模糊规则，这样定型机的张力控制系统便具有了实时调节、控制精度高、在工程上易于实现的特点。

Description

一种基于PSO的定型机模糊PID张力控制参数自整定方法
技术领域
本发明涉及定型机张力控制领域，更具体地，涉及一种基于PSO的定型机模糊PID张力控制参数自整定方法。
背景技术
随着我国经济和科技的迅速发展，生产生活中各行各业对纸的需求越来越大，对纸质量的要求越来越高。稀释后的纸浆纤维经过聚酯纤维网脱水后形成湿纸，因此聚酯纤维网的质量直接决定了纸的好坏。聚酯纤维网是聚酯单丝由织机织成初网，初网经热定型机一、二次定型之后变成了可以用在造纸业中的聚酯纤维网。因此在定型聚酯纤维网时，定型机张力控制系统的实时性和精度决定了纸质量的好坏。
目前的定型机张力控制系统多数采用PID控制算法，由于PID控制算法只能滞后调节、不能预判扰动的出现、无法提前补偿扰动，造成了定型机张力控制系统不能实时调节。针对传统PID控制算法的缺点，又分别研制出了基于神经网络控制的定型机张力控制系统、基于模糊控制的定型机张力控制系统，但是基于神经网络控制的定型机张力控制系统需要在线学习，从而造成了过渡过程缓慢，不能快速的实现调节，且工程上不容易实现；基于模糊控制的定型机张力控制系统，其模糊规则人为设定，导致控制精度低、难以控制张力达到期望的目标值。
因此，急需一种具有实时调节、稳定精度高且在工程上易于实现的控制算法，应用在定型机的张力控制系统中，解决目前定型机张力控制系统的时滞性、控制精度低、不宜在工程实现的问题。
发明内容
本发明提供一种基于PSO的定型机模糊PID张力控制参数自整定方法，解决目前定型机张力控制系统的时滞性、控制精度低、不宜在工程实现的问题。
为解决上述技术问题，本发明的技术方案如下：
一种基于PSO的定型机模糊PID张力控制参数自整定方法，包括以下步骤：
S1：根据定型机张力控制系统的特点，选择离散PID控制算法；
S2：设置带有调整因子的模糊控制规制，使用粒子群算法(PSO)对调整因子寻优；
S3：得到全局最优位置，并且得到相应的PID值，将此值代入离散PID控制算法中对定型机张力进行控制。
优选地，步骤S1中的离散PID控制算法为：
Figure BDA0002383348940000021
式中，u(k)为输出，e(j)为第j次采样误差，0≤j≤k,e(k)为第k次采样误差，e(k-1)为第k-1次采样误差，T为采样时间，k为采样序号，kp为离散PID的比例值，ki为离散PID的积分值，kd为离散PID的微分值。
优选地，步骤S2中带有调整因子的模糊控制规则为：
Figure BDA0002383348940000022
式中，u为输出，u＝u(k)，E为误差，E＝e(k)，EC为误差变化量,δ1、δ2、δ3、δ4为修正因子，区间是(0,1)。
优选地，步骤S2中使用粒子群算法对调整因子寻优，具体为：
S2.1：使用粒子群算法算法寻优时，一组δ1、δ2、δ3、δ4便是一个粒子；
S2.2：初始化定型机张力控制系统的PID控制器的值、目标函数的自变量个数、粒子群的个数、每个粒子的速度和位置以及最大迭代次数；
S2.3：设置适应度函数，计算每个粒子在定型机张力控制系统中的适应度函数值；
S2.4：根据设置的适应度函数更新粒子的当前最佳位置和粒子的全局最佳位置，再根据模糊控制规则和离散PID控制算法更新每个粒子对应的PID值、更新每个粒子的位置值和速度值；
S2.5：判断当前迭代次数是否小于最大迭代次数，若是，转回S2.3，继续循环；若否，则结束循环，执行S2.6步骤；
S2.6：得到全局最优位置，并且得到相应的PID控制器的值，此值即为期望的kp、ki、kd值。
优选地，步骤S2.4中更新每个粒子对应的PID值、更新每个粒子的位置值和速度值：
Figure BDA0002383348940000031
Figure BDA0002383348940000032
式中，
Figure BDA0002383348940000033
是第i个粒子、第k次迭代的位置矢量的分量，
Figure BDA0002383348940000034
是第i个粒子、第k次迭代的速度矢量的分量，α1、α2是加速系数，根据实际情况取值，r1、r2是随机函数，取值范围在[0,1]，w是惯性系数，
Figure BDA0002383348940000035
是第i个粒子第k次迭代时找到的粒子的历史最佳位置值，
Figure BDA0002383348940000036
是第i个粒子第k次迭代时找到的全局最优值。
优选地，步骤S2.3中的适应度函数为：
F＝|yout-y|
式中，yout是定型机输出的实际张力值，y是定型机张力的设定值。
优选地，S3中全局最优值的获取为：
计算当前每个粒子的适应度函数值，对当前每个粒子的适应度函数值与更新前粒子的历史最佳位置所对应的适应度函数值作比较，如果更新前粒子的历史最佳位置所对应的适应度函数值更高，则更新粒子的历史最佳位置值为当前粒子所处的位置值；对当前每个粒子的适应度函数值与更新前粒子的全局最佳位置所对应的适应度函数值作比较，如果更新前粒子的全局最佳位置所对应的适应度函数值更高，则更新当前粒子的位置值为全局最优值。
与现有技术相比，本发明技术方案的有益效果是：
本发明将PSO算法与传统的模糊PID算法结合，应用到定型机的张力控制系统中；针对定型机非线性离散系统的模糊PID控制算法，对其建立具有修正因子的模糊规则，为取得最优的模糊规则，采用PSO算法对模糊规则中的修正因子进行寻优，继而得出最优的模糊规则，这样定型机的张力控制系统便具有了实时调节、控制精度高、在工程上易于实现的特点。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的原理图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1至2，本实施例提供一种基于PSO的定型机模糊PID张力控制参数自整定方法，包括以下步骤：
S1：根据定型机张力控制系统的特点，选择离散PID控制算法；
S2：设置带有调整因子的模糊控制规制，使用粒子群算法(PSO)对调整因子寻优；
S3：得到全局最优位置，并且得到相应的PID值，将此值代入离散PID控制算法中对定型机张力进行控制。
优选地，步骤S1中的离散PID控制算法为：
Figure BDA0002383348940000041
式中，u(k)为输出，e(j)为第j次采样误差，0≤j≤k,e(k)为第k次采样误差，e(k-1)为第k-1次采样误差，T为采样时间，k为采样序号，kp为离散PID的比例值，ki为离散PID的积分值，kd为离散PID的微分值。
优选地，步骤S2中带有调整因子的模糊控制规则为：
Figure BDA0002383348940000042
式中，u为输出，u＝u(k)，E为误差，E＝e(k)，EC为误差变化量,δ1、δ2、δ3、δ4为修正因子，区间是(0,1)。
优选地，步骤S2中使用粒子群算法对调整因子寻优，具体为：
S2.1：使用粒子群算法算法寻优时，一组δ1、δ2、δ3、δ4便是一个粒子；
S2.2：初始化定型机张力控制系统的PID控制器的值、目标函数的自变量个数、粒子群的个数、每个粒子的速度和位置以及最大迭代次数；
S2.3：设置适应度函数，计算每个粒子在定型机张力控制系统中的适应度函数值；
S2.4：根据设置的适应度函数更新粒子的当前最佳位置和粒子的全局最佳位置，再根据模糊控制规则和离散PID控制算法更新每个粒子对应的PID值、更新每个粒子的位置值和速度值；
S2.5：判断当前迭代次数是否小于最大迭代次数，若是，转回S2.3，继续循环；若否，则结束循环，执行S2.6步骤；
S2.6：得到全局最优位置，并且得到相应的PID控制器的值，此值即为期望的kp、ki、kd值。
优选地，步骤S2.4中更新每个粒子对应的PID值、更新每个粒子的位置值和速度值：
Figure BDA0002383348940000051
Figure BDA0002383348940000052
式中，
Figure BDA0002383348940000053
是第i个粒子、第k次迭代的位置矢量的分量，
Figure BDA0002383348940000054
是第i个粒子、第k次迭代的速度矢量的分量，α1、α2是加速系数，根据实际情况取值，r1、r2是随机函数，取值范围在[0,1]，w是惯性系数，
Figure BDA0002383348940000055
是第i个粒子第k次迭代时找到的粒子的历史最佳位置值，
Figure BDA0002383348940000056
是第i个粒子第k次迭代时找到的全局最优值。
优选地，步骤S2.3中的适应度函数为：
F＝|yout-y|
式中，yout是定型机输出的实际张力值，y是定型机张力的设定值。
优选地，S3中全局最优值的获取为：
计算当前每个粒子的适应度函数值，对当前每个粒子的适应度函数值与更新前粒子的历史最佳位置所对应的适应度函数值作比较，如果更新前粒子的历史最佳位置所对应的适应度函数值更高，则更新粒子的历史最佳位置值为当前粒子所处的位置值；对当前每个粒子的适应度函数值与更新前粒子的全局最佳位置所对应的适应度函数值作比较，如果更新前粒子的全局最佳位置所对应的适应度函数值更高，则更新当前粒子的位置值为全局最优值。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于PSO的定型机模糊PID张力控制参数自整定方法，其特征在于，包括以下步骤：
S1：根据定型机张力控制系统的特点，选择离散PID控制算法；
S2：设置带有调整因子的模糊控制规制，使用粒子群算法对调整因子寻优；
S3：得到全局最优位置，并且得到相应的PID值，将此值代入离散PID控制算法中对定型机张力进行控制；
步骤S1中的离散PID控制算法为：
Figure FDA0004051944890000011
式中，u(k)为输出，e(j)为第j次采样误差，0≤j≤k,e(k)为第k次采样误差，e(k-1)为第k-1次采样误差，T为采样时间，k为采样序号，kp为离散PID的比例值，ki为离散PID的积分值，kd为离散PID的微分值；
步骤S2中带有调整因子的模糊控制规则为：
Figure FDA0004051944890000012
式中，u为输出，u＝u(k)，E为误差，E＝e(k)，EC为误差变化量,δ1、δ2、δ3、δ4为修正因子，区间是(0,1)；
步骤S2中使用粒子群算法对调整因子寻优，具体为：
S2.1：使用粒子群算法寻优时，一组δ1、δ2、δ3、δ4便是一个粒子；
S2.2：初始化定型机张力控制系统的PID控制器的值、目标函数的自变量个数、粒子群的个数、每个粒子的速度和位置以及最大迭代次数；
S2.3：设置适应度函数，计算每个粒子在定型机张力控制系统中的适应度函数值；
S2.4：根据设置的适应度函数更新粒子的当前最佳位置和粒子的全局最佳位置，再根据模糊控制规则和离散PID控制算法更新每个粒子对应的PID值、更新每个粒子的位置值和速度值；
S2.5：判断当前迭代次数是否小于最大迭代次数，若是，转回S2.3，继续循环；若否，则结束循环，执行S2.6步骤；
S2.6：得到全局最优位置，并且得到相应的PID控制器的值，此值即为期望的kp、ki、kd值。
2.根据权利要求1所述的基于PSO的定型机模糊PID张力控制参数自整定方法，其特征在于，步骤S2.4中更新每个粒子对应的PID值、更新每个粒子的位置值和速度值：
Figure FDA0004051944890000021
Figure FDA0004051944890000022
式中，
Figure FDA0004051944890000023
是第i个粒子、第k次迭代的位置矢量的分量，
Figure FDA0004051944890000024
是第i个粒子、第k次迭代的速度矢量的分量，α1、α2是加速系数，根据实际情况取值，r1、r2是随机函数，取值范围在[0,1]，w是惯性系数，
Figure FDA0004051944890000025
是第i个粒子第k次迭代时找到的粒子的历史最佳位置值，
Figure FDA0004051944890000026
是第i个粒子第k次迭代时找到的全局最优值。
3.根据权利要求2所述的基于PSO的定型机模糊PID张力控制参数自整定方法，其特征在于，步骤S2.3中的适应度函数为：
F＝yout-y
式中，yout是定型机输出的实际张力值，y是定型机张力的设定值。
4.根据权利要求3所述的基于PSO的定型机模糊PID张力控制参数自整定方法，其特征在于，S3中全局最优值的获取为：
计算当前每个粒子的适应度函数值，对当前每个粒子的适应度函数值与更新前粒子的历史最佳位置所对应的适应度函数值作比较，如果更新前粒子的历史最佳位置所对应的适应度函数值更高，则更新粒子的历史最佳位置值为当前粒子所处的位置值；对当前每个粒子的适应度函数值与更新前粒子的全局最佳位置所对应的适应度函数值作比较，如果更新前粒子的全局最佳位置所对应的适应度函数值更高，则更新当前粒子的位置值为全局最优值。
CN202010089971.3A 2020-02-13 2020-02-13 一种基于pso的定型机模糊pid张力控制参数自整定方法 Active CN111221245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089971.3A CN111221245B (zh) 2020-02-13 2020-02-13 一种基于pso的定型机模糊pid张力控制参数自整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089971.3A CN111221245B (zh) 2020-02-13 2020-02-13 一种基于pso的定型机模糊pid张力控制参数自整定方法

Publications (2)

Publication Number Publication Date
CN111221245A CN111221245A (zh) 2020-06-02
CN111221245B true CN111221245B (zh) 2023-04-07

Family

ID=70826018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089971.3A Active CN111221245B (zh) 2020-02-13 2020-02-13 一种基于pso的定型机模糊pid张力控制参数自整定方法

Country Status (1)

Country Link
CN (1) CN111221245B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834215A (zh) * 2015-03-24 2015-08-12 浙江师范大学 一种变异粒子群优化的bp神经网络pid控制算法
CN105281615A (zh) * 2015-11-12 2016-01-27 广西师范大学 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法
CN107272403A (zh) * 2017-06-14 2017-10-20 浙江师范大学 一种基于改进粒子群算法的pid控制器参数整定算法
CN109947124A (zh) * 2019-04-25 2019-06-28 南京航空航天大学 改进粒子群算法优化模糊pid无人直升机姿态控制方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法
CN110412863A (zh) * 2019-07-25 2019-11-05 常熟理工学院 基于改进离散蝙蝠算法的模糊pid控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834215A (zh) * 2015-03-24 2015-08-12 浙江师范大学 一种变异粒子群优化的bp神经网络pid控制算法
CN105281615A (zh) * 2015-11-12 2016-01-27 广西师范大学 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法
CN107272403A (zh) * 2017-06-14 2017-10-20 浙江师范大学 一种基于改进粒子群算法的pid控制器参数整定算法
CN109947124A (zh) * 2019-04-25 2019-06-28 南京航空航天大学 改进粒子群算法优化模糊pid无人直升机姿态控制方法
CN110308649A (zh) * 2019-07-11 2019-10-08 东南大学 一种基于pso-soa融合算法的pid参数优化方法
CN110412863A (zh) * 2019-07-25 2019-11-05 常熟理工学院 基于改进离散蝙蝠算法的模糊pid控制方法

Also Published As

Publication number Publication date
CN111221245A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
US7846299B2 (en) Apparatus and method for controlling product grade changes in a paper machine or other machine
CN110262582B (zh) 一种基于改进rbf神经网络的高温高压卷染机温度控制方法
CN111413872B (zh) 基于扩张状态观测器的空气容腔压力快速主动抗扰方法
Pal et al. Self-tuning fuzzy PI controller and its application to HVAC systems
CN108490790A (zh) 一种基于多目标优化的过热汽温自抗扰串级控制方法
CN110413601B (zh) 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法
CN113253779A (zh) 一种基于粒子群模糊pid算法的热泵温度控制系统
CN113093526A (zh) 一种基于强化学习的无超调pid控制器参数整定方法
CN117784852B (zh) 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法
CN111221245B (zh) 一种基于pso的定型机模糊pid张力控制参数自整定方法
CN105595391A (zh) 一种关于ctd气流式烘丝机的先进控制方法
CN109062030A (zh) 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法
CN112365099B (zh) 一种非确定性分离的web服务器集群伸缩方法
CN105720574A (zh) 基于spsa的电力系统单区域负荷频率的数据驱动控制方法
CN112856014A (zh) 一种智能阀门电动执行机构的控制系统构建方法
CN106647247B (zh) 一种适用于伺服控制器的控制算法
CN113110061B (zh) 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统
CN114839873A (zh) 一种基于模糊增益调度的变循环发动机全包线鲁棒控制方法
Ma et al. Inverse control for the coordination system of supercritical power unit based on dynamic fuzzy neural network modeling
CN112132428A (zh) 基于大数据的蒸汽热网配汽站预测性调控决策方法
CN113641153A (zh) 亚临界火电机组协调控制系统参数寻优方法
Tang et al. PSO-based Parameter Tuning for a Two Degree-of-freedom IMC Scheme and Its Application to Paper Basis Weight Control
CN105117530B (zh) 一种粗细结合调节实现汽轮机及其调速系统参数辨识方法
CN111273563B (zh) 一种基于供热机组agc综合指标的预测控制方法
CN115877811B (zh) 流程工艺处理方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant