CN113759697A - 基于pso智能整定带式输送机pid控制器参数的优化方法 - Google Patents
基于pso智能整定带式输送机pid控制器参数的优化方法 Download PDFInfo
- Publication number
- CN113759697A CN113759697A CN202110978240.9A CN202110978240A CN113759697A CN 113759697 A CN113759697 A CN 113759697A CN 202110978240 A CN202110978240 A CN 202110978240A CN 113759697 A CN113759697 A CN 113759697A
- Authority
- CN
- China
- Prior art keywords
- value
- coefficient
- optimization
- acceleration
- speed
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000002245 particle Substances 0.000 title claims abstract description 34
- 230000004069 differentiation Effects 0.000 title description 5
- 230000010354 integration Effects 0.000 title description 3
- 230000001133 acceleration Effects 0.000 claims description 117
- 230000033228 biological regulation Effects 0.000 claims description 67
- 230000001629 suppression Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000004044 response Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 29
- 230000010355 oscillation Effects 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 18
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- KZVPFSJPLBOVLO-UHFFFAOYSA-N trimethyl(2-methylprop-1-enoxy)silane Chemical compound CC(C)=CO[Si](C)(C)C KZVPFSJPLBOVLO-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 description 20
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000007363 regulatory process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及带式输送机PID控制器技术领域,尤其涉及基于PSO智能整定带式输送机PID控制器参数的优化方法,包括以下步骤:首先初始化粒子群,随机产生所有粒子的速度和位置;然后将粒子所处位置依次赋值给PID控制器参数并运行PID控制器的SIMULINK模型;接着进行个体最优和全局最优更新;最后判断是否满足退出条件,如果满足则退出优化,否则继续迭代更新粒子的速度和位置,直至满足退出条件,得到最优解;退出条件设定为适应度函数值小于或等于预设的最小适应度值或达到预设的最大迭代次数,本发明中,通过对带式输送机调速性能优化,能够避免或者减少调速过程中存在的超调、振荡和过大的平均加速度可对带式输送机和电网造成一定的损坏,保证运行安全。
Description
技术领域
本发明涉及带式输送机PID控制器技术领域,尤其涉及基于PSO带式输送机PID控制器参数智能整定的优化方法。
背景技术
带式输送机是现代化生产中的一种连续运输设备,具有运量大、运距远、运费低、运行平稳、装卸方便、适合于散料运输等优点,与汽车、火车一起成为三大主力工业运输工具,已被广泛应用于煤炭、港口、电力、矿山、冶金、化工、农业等领域。
作为大耗电量的柔性体,带式输送机调速过程的平均加速度过大会对其造成损坏并对电网造成冲击,平均加速度过小会影响工作效率,故需对平均加速度做合理设定。为此,《带式输送机工程设计规范》(GB50431-2008)明确规定了不同工况下带式输送机所允许采用的最大平均加速度。另外,带式输送机采用的调速算法应能确保其响应速度具有较小的超调量、振荡和稳态误差,使其既保证运行安全又保持较高的工作效率。
PID算法原理简单、鲁棒性好、可靠性高、应用广泛,控制效果主要取决于参数整定的结果。PID控制器参数整定一般分为人工整定和智能优化算法整定两类,前者费时费力且不能保证获得最佳控制性能,后者则因整定过程简单、效果明显而被广泛使用。
适应度函数通常分为两类,一类是反映被控系统输出响应特性的单一性适应度函数,如上升时间、超调量和稳态误差等;另一类是以误差积分型函数为代表的综合性适应度函数。一般来说,后者的优化效果优于前者,因此综合性适应度函数被广泛使用。适应度函数对智能优化算法参数整定效果起着决定性作用。
现有适应度函数大多以最小化调整时间为首要目标以提高调整效率从而造成调速过程的平均加速度过大、存在明显的超调和振荡,对带式输送机和电网均造成了一定的损害。
PSO算法是一种基于群体智能的进化优化算法,由Kennedy和Eberhart于1995年提出。PSO算法以其结构简单、快速收敛、鲁棒性好、易于实现的优点,被广泛应用于各类工程优化问题。
粒子群由一组粒子组成,粒子在搜索空间中以一定的速度运动。粒子的位置和速度根据其自身和同伴的历史经验进行动态调整。每个粒子的位置与待优化问题的一个候选解相关联,通过进化得到最优解。解决方案的性能由给定的适应度函数来判断,适应度函数值越小代表优化效果越好。
为了使带式输送机调速过程的平均加速度符合要求且大小可调,同时达到被控对象响应速度无超调、无振荡、无稳态误差的控制目标,本文从带式输送机对调速控制算法的需求入手,通过在现有适应度函数中加入约束性条件的方式设计变权综合型适应度函数,并采用基于该适应度函数的PSO算法整定PID控制器参数,最后分析了不同适应度函数在带式输送机调速过程中的控制效果。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的基于PSO带式输送机PID控制器参数智能整定的优化方法。
为了实现上述目的,本发明采用了如下技术方案:
基于PSO带式输送机PID控制器参数智能整定的优化方法,包括以下步骤:首先初始化粒子群,随机产生所有粒子的速度和位置;然后将粒子所处位置依次赋值给PID控制器参数并运行PID控制器的SIMULINK模型;采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数,即采用基于IAE、ISE、ITAE、ITSE和变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数,接着进行个体最优和全局最优更新;最后判断是否满足退出条件,如果满足则退出优化,否则继续迭代更新粒子的速度和位置,直至满足退出条件,得到最优解;
退出条件设定为适应度函数值小于或等于预设的最小适应度值或达到预设的最大迭代次数。
优选的,所述适应度函数各组成部分的取值取决于两方面,一是各部分函数本身取值:调速时间越短、响应速度与输入速度相差越小,IAE部分的取值越小;平均加速度越接近加权后的最大加速度,加速度部调节部分的取值越小,当aaver=σ amax时,加速度调节部分的取值为零;超调量越小,超调量抑制部分的取值也越小,当超调量为零时,超调量抑制部分的取值为零,稳态误差越小,稳态误差抑制部分的取值也越小,当稳态误差为零时,稳态误差抑制部分的取值为零,二是各部分系数取值:适应度函数各组成部分的系数越大则各部分的取值越大,反之越小;
设计由IAE、加速度调节、超调量抑制和稳态误差抑制四部分组成的变权综合型适应度函数,其表达式为:
式中,amax为调速过程最大平均加速度;aaver为调速过程欲达到的平均加速度;vmp为响应速度峰值;vss为响应速度稳态值;Δv为调速前后速度差;α为IAE系数;β为加速度系数;γ为优化系数;λ为稳定系数;σ为校准系数。
优选的,所述适应度函数参数设置包括:IAE系数设置、优化系数设置、加速度系数设置、稳定系数设置和校准系数设置。
优选的,在IAE系数设置中,IAE系数应为正数且将其设置为一个数值区间,如1≤α≤9,通过智能优化算法确定最佳数值。
优选的,在优化系数设置中,优化系数的取值应为IAE系数最大值的2-3倍,以适当增大加速度调节部分取值在适应度函数值中的相对比例,因此,优化系数的取值为20≤γ≤30。
优选的,在加速度系数设置中,为了优化程序在适应度函数的加速度调节、超调量抑制和稳态误差抑制三部分取值均非常小时仍能对其继续优化以达到平均加速度准确、无超调、无振荡、无稳态误差的设计目标,应保证此时三部分的取值不小于IAE部分。
优选的,在稳定系数设置中,当稳定系数的数量级为4时,超调量抑制和稳态误差抑制部分取值与IAE部分大致相当,可保证优化程序继续对此两部分进行优化,因此,稳定系数的数量级可定为4,其尾数可根据实际情况加以调整;
在确定加速度系数和稳定系数的数值时,应保证在整个优化过程中加速度调节部分的取值始终大于超调量抑制和稳态误差抑制部分,以确保实现调整平均加速度这一首要设计目标。
优选的,在校准系数设置中,校准系数与平均加速度成正比,计算公式为:
式中,σ0为略小于1的常数,T为调速时间,Tmin为最短调速时间,调速时间可按下式计算:
平均加速度相同的前提下,速度差越大调速时间越长,反之越短,当速度差大到可以保证调速时间大于最短调速时间时,校准系数取略小于1的常数,以确保在平均加速度不大于最大值的前提下被控对象的响应速度具有良好的控制性能和较高的工作效率,反之,校准系数的取值应随着速度差的减小而减小,以降低平均加速度,保证调速时间不小于最短调速时间,从而在适度降低工作效率的前提下,确保调速过程具有良好的控制性能。
优选的,对带式输送机进行仿真实验,针对不同的最大平均加速度在整个带速范围内进行了仿真实验。
本发明的有益效果是:
1、调速过程的平均加速度符合现行设计规范,确保带式输送机运行安全;
2、调速过程的平均加速度大小可调,可满足不同工况的实际需求且保持较高的工作效率;
3、无超调、无振荡、无稳态误差,确保良好的控制性能,降低调速过程对带式输送机和对电网的冲击损坏;
4、适应度函数的参数容易获取、PID控制器的初始参数可随机设置,简化参数整定过程、提高整定效率和效果,有利于工程应用;
本发明中,通过对带式输送机调速性能优化,能够避免或者减少调速过程中存在的超调、振荡和过大的平均加速度可对带式输送机和电网造成一定的损坏,保证运行安全。
附图说明
图1为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的调速过程响应速度曲线;
图2为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的PSO算法整定PID控制器参数仿真原理图;
图3为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的响应速度曲线(amax=0.1m·s-2);
图4为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的响应速度曲线(amax=0.2m·s-2);
图5为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的响应速度曲线(amax=0.3m·s-2);
图6为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的校准系数与速度差的关系图;
图7为本发明提出的基于PSO带式输送机PID控制器参数智能整定的优化方法的基于不同适应度函数的响应速度曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-7,PSO算法是一种基于群体智能的进化优化算法,由Kennedy和Eberhart于1995年提出。PSO算法以其结构简单、快速收敛、鲁棒性好、易于实现的优点,被广泛应用于各类工程优化问题。
粒子群由一组粒子组成,粒子在搜索空间中以一定的速度运动。粒子的位置和速度根据其自身和同伴的历史经验进行动态调整。每个粒子的位置与待优化问题的一个候选解相关联,通过进化得到最优解。解决方案的性能由给定的适应度函数来判断,适应度函数值越小代表优化效果越好。
PSO算法整定PID控制器参数的主要步骤是:首先初始化粒子群,随机产生所有粒子的速度和位置;然后将粒子所处位置依次赋值给PID控制器参数并运行PID控制器的SIMULINK模型;接着进行个体最优和全局最优更新;最后判断是否满足退出条件,如果满足则退出优化,否则继续迭代更新粒子的速度和位置,直至满足退出条件,得到最优解。
退出条件设定为适应度函数值小于或等于预设的最小适应度值或达到预设的最大迭代次数。
粒子的速度和位置根据下式进行更新:
vt+1=ωvt+c1r1(Pt-xt)+c2r2(Gt-xt) (1)
xt+1=xt+vt+1 (2)
式中,ω为惯性因子;c1、c2为加速常数;r1、r2为区间[0,1]中的随机数;v为粒子的速度;x为粒子的位置;Pt为粒子目前的最优位置;Gt为粒子群中所有粒子目前的最优位置。
变权综合型适应度函数设计
适应度函数通常分为两类,一类是反映被控系统输出响应特性的单一性适应度函数,如上升时间、超调量和稳态误差等;另一类是以误差积分型函数为代表的综合性适应度函数。一般来说,后者的优化效果优于前者,因此综合性适应度函数被广泛使用。
基本误差积分型适应度函数简介
目前常用的基本误差积分型适应度函数主要有误差平方积分(Integral SquareError,ISE)、时间乘以误差平方积分(Integral Time Square Error,ITSE)、误差绝对值积分(Integral Absolute Error,IAE)和时间乘以误差绝对值积分(ITAE),分别定义为:
式中,e(t)为被优化系统的输入与响应之差。
ISE对较大误差有较强的抑制作用,响应速度快,峰值时间短,但超调量大,调节时间长,相对稳定性差。ITSE兼顾了快速性与平稳性,动态性能较ISE有所改进,但超调量仍然较大。IAE对超调量的抑制能力较ISE更强,但调节时间较长。ITAE超调量最小,上升时间最短。
适应度函数是智能优化算法的核心,合理设计适应度函数可有效引导优化过程、提升优化效果。按照平均加速度大小合理且可调、无超调、无振荡、无稳态误差、适应度函数所需参数容易获取的要求设计适合带式输送机使用的适应度函数以满足对最大平均加速度的规定并有利于工程应用。
平均加速度大小合理且可调
适应度函数应能确保带式输送机调速过程的平均加速度略低于规定的最大值,以保证带式输送机在安全运行的前提下具有较高的工作效率。另外,适应度函数还要在确保运行安全和控制性能良好的前提下以不同的平均加速度完成相同的速度调整,以适应不同工况。因此,适应度函数中应包含加速度调节部分以满足上述要求。
无超调和振荡
适应度函数应确保被控对象获得无超调和振荡的响应速度,以减小调速过程对带式输送机和电网带来的冲击损坏。考虑到在现有基本误差积分型适应度函数中,IAE对超调量的抑制效果较好且调节时间较长,因此适应度函数中应包含IAE部分以优化整体控制性能。另外,为了确保实现无超调和振荡的设计目标,适应度函数中应包含超调量抑制部分,以便在IAE对超调进行抑制的基础上强化优化算法对超调和振荡的抑制作用。
无稳态误差
适应度函数应确保被控对象的响应速度无稳态误差,以提高算法的控制精度和稳态性能。因此,需要在适应度函数中增加稳态误差抑制部分。
适应度函数参数易求
适应度函数的参数应易于获取,以利于工程应用。因此,对于适应度函数涉及到的参数,一部分应通过优化算法加以自动确定,另一部分应给出通过计算或实验确定参数的方法。
按照上述四方面要求,本申请设计了由IAE、加速度调节、超调量抑制和稳态误差抑制四部分组成的变权综合型适应度函数,其表达式为:
式中,amax为调速过程最大平均加速度;aaver为调速过程欲达到的平均加速度;vmp为响应速度峰值;vss为响应速度稳态值;Δv为调速前后速度差;α为IAE系数;β为加速度系数;γ为优化系数;λ为稳定系数;σ为校准系数。
参数作用
适应度函数中各参数的主要作用是在优化过程中动态调整适应度函数各组成部分的取值,从而合理引导优化过程,使得PID控制器参数整定的结果符合设计目标。
IAE系数的作用是调节IAE部分取值在适应度函数值中所占的比例,使得该部分取值处于相对合理的状态。
优化系数的作用是调节IAE和加速度调节两部分取值的相对比例。优化系数将IAE和加速度调节两部分的系数相关联,通过智能优化算法以适应度函数值最小为目标优化两部分的系数,由此达到提高算法控制性能的目的。
加速度系数的作用是调节加速度调节部分取值在适应度函数值中所占的比例。按照要求调整平均加速度是适应度函数设计的首要目标,因此,加速度调节部分的取值应大于适应度函数的其它部分,以利于优化算法将加速度调节部分作为最重要的优化对象,突出适应度函数对平均加速度的调节功能。当平均加速度偏离设定值较大时,加速度调节部分取值在适应度函数值中所占比例较大,优化算法引导平均加速度逐渐接近设定值,达到调节平均加速度的目的。当平均加速度接近设定值后,适应度函数值取决于其它三部分,优化算法将以降低其它部分取值为主要目标,进而获得较理想的控制性能。
稳定系数的作用是调节超调量抑制和稳态误差抑制两部分取值在适应度函数值中所占的比例。考虑到无超调、无稳态误差是适应度函数设计的重要目标,此两部分的取值应与IAE部分大致相当且略小于加速度调节部分。在充分考虑加速度调节的前提下,当超调量或(和)稳态误差非零时,超调量抑制和稳态误差抑制两部分的取值在适应度函数值中的比重较大,优化算法对超调量和稳态误差进行抑制以获得无超调、无稳态误差的控制效果;当超调量和稳态误差均为零时,此两部分取值为零,优化程序着重对IAE部分进行优化。
校准系数的作用是实现平均加速度符合相关规定且大小可调。在保证获得被控对象响应速度无超调、无振荡、无稳态误差的良好控制性能的前提下,调速时间存在一个极限值,即最短调速时间,调速时间应不小于最短调速时间。
合理设置适应度函数各参数值是实现适应度函数设计目标的关键。适应度函数各组成部分的取值取决于两方面,一是各部分函数本身取值:调速时间越短、响应速度与输入速度相差越小,IAE部分的取值越小;平均加速度越接近加权后的最大加速度,加速度部调节部分的取值越小,当aaver=σ amax时,加速度调节部分的取值为零;超调量越小,超调量抑制部分的取值也越小,当超调量为零时,超调量抑制部分的取值为零。稳态误差越小,稳态误差抑制部分的取值也越小,当稳态误差为零时,稳态误差抑制部分的取值为零。二是各部分系数取值:适应度函数各组成部分的系数越大则各部分的取值越大,反之越小。
IAE系数应为正数且将其设置为一个数值区间(如1≤α≤9),通过智能优化算法确定最佳数值。
优化系数的取值应为IAE系数最大值的2-3倍,以适当增大加速度调节部分取值在适应度函数值中的相对比例。因此,优化系数的取值为20≤γ≤30。
为了优化程序在适应度函数的加速度调节、超调量抑制和稳态误差抑制三部分取值均非常小时仍能对其继续优化以达到平均加速度准确、无超调、无振荡、无稳态误差的设计目标,应保证此时三部分的取值不小于IAE部分。
带式输送机速度变化如图1所示,实线部分为速度的实际变化趋势。为方便估算IAE函数值的数量级,将被控对象响应速度曲线中加速段用斜率为最大平均加速度的线性函数替换,如图1中的点划线所示。
因此,IAE函数值可按照下式粗略估算:
式中,Δv0为速度差取值,t0为调速时间取值。
在不同工况条件下,带式输送机调速过程的最大平均加速度分别为0.1m·s-2、0.2m·s-2和0.3m·s-2,带式输送机的最大带速为7.1m·s-1。由式(8)得不同最大平均加速度条件下IAE估值如表1所示。
表1 IAE估值
由表1可知,IAE函数本身取值的最大数量级为2。假设加速度调节、超调量抑制和稳态误差抑制三部分函数本身取值很小的情况下(如数量级为-2)仍继续优化以实现设计目标,则此三部分取值的数量级不能低于2,以确保取值不小于IAE部分。
根据IAE系数和优化系数的取值,由式(7)可知加速度调节部分总系数的取值范围为[11β,29β]。当加速度系数的数量级为3时,可通过调整系数的尾数使加速度调节部分取值比IAE部分大1个数量级,保证优化程序将加速度调节部分作为首要优化对象以实现适应度函数设计的最重要目标。因此,加速度系数的数量级可定为3,其尾数可根据实际情况加以调整。
当稳定系数的数量级为4时,超调量抑制和稳态误差抑制部分取值与IAE部分大致相当,可保证优化程序继续对此两部分进行优化。因此,稳定系数的数量级可定为4,其尾数可根据实际情况加以调整。
在确定加速度系数和稳定系数的数值时,应保证在整个优化过程中加速度调节部分的取值始终大于超调量抑制和稳态误差抑制部分,以确保实现调整平均加速度这一首要设计目标。
校准系数与平均加速度成正比,计算公式为:
式中,σ0为略小于1的常数,T为调速时间,Tmin为最短调速时间。
调速时间可按下式计算:
平均加速度相同的前提下,速度差越大调速时间越长,反之越短。当速度差大到可以保证调速时间大于最短调速时间时,校准系数取略小于1的常数,以确保在平均加速度不大于最大值的前提下被控对象的响应速度具有良好的控制性能和较高的工作效率。反之,校准系数的取值应随着速度差的减小而减小,以降低平均加速度,保证调速时间不小于最短调速时间,从而在适度降低工作效率的前提下,确保调速过程具有良好的控制性能。
仿真分析
带式输送机可近似看作由惯性环节和纯滞后环节构成,其传递函数为:
经典PID控制器的微分环节只作用于第一个周期,易造成噪声抑制能力下降、响应速度降低的缺陷。为此,引入一个一阶惯性环节构成不完全微分PID控制器以增强噪声抑制能力、提高响应速度、减少超调和振荡。不完全微分PID控制器的传递函数为:
式中,Kp为比例系数;Ki为积分系数;Kd为微分系数;Tf为滤波器系数。
比例系数成比例的反映控制系统的偏差,积分系数可降低系统稳态误差,微分系数可改善系统的动态特性。Tf的值越大,微分环节在初始时刻的作用就越小,衰减越慢,作用时间越长;Tf的值越小,则反之。当Tf=0+时,相当于完全微分。
设置PID控制器微分环节滤波器系数Tf=0.02,PSO算法整定PID控制器参数仿真原理图如图2所示,PSO算法和适应度函数主要参数设置分别如表2和表3所示。
表2 PSO算法主要参数
表3 适应度函数主要参数
变权综合型适应度函数控制效果分析
针对不同的最大平均加速度在整个带速范围内进行了仿真实验。采用基于变权综合型适应度函数的PSO算法整定所得带式输送机PID控制器参数及控制效果如表4-表6所示,响应速度曲线如图3-图5所示。
表4-表6和图3-图5表明,采用基于变权综合型适应度函数的PSO算法整定PID控制器参数取得了良好的控制性能。
表4 基于不同速度差的PID控制算法优化效果(amax=0.1m·s-2)
表5 基于不同速度差的PID控制算法优化效果(amax=0.2m·s-2)
表6 基于不同速度差的PID控制算法优化效果(amax=0.3m·s-2)
(1)便于应用:适应度函数的参数可通过智能优化算法、实验或计算公式获取,PID控制器各参数初值无需人工预设,较好地简化了参数整定过程,工程应用方便快捷。
(2)无超调:响应速度无超调可确保带式输送机不因超速运行而带来安全问题。
(3)无振荡:响应速度无震荡可确保不因速度的频繁变化而对带式输送机和电网造成冲击损坏。
(4)无稳态误差:响应速度无稳态误差可确保控制算法的速度控制精度高、稳态性能好。
(5)平均加速度大小合理且可调:调速过程的平均加速度均未超过规定的最大值,当速度差较大时,平均加速度略小于规定的最大值,从而确保带式输送机在安全运行的基础上保持良好的控制性能和较高的工作效率;当速度差较小导致调速时间小于最短调速时间(Tmin=8.50s)时,通过调整校准系数,使得调速时间基本控制在8.50s左右,降低了平均加速度、获得了良好的控制性能。根据实验结果总结校准系数与速度差的关系如图6所示,仿真结果符合理论设计。
不同适应度函数控制效果比较
在相同仿真环境下,以带式输送机常用带速(5m·s-1)为例,在最大平均加速度分别为0.1m·s-2、0.2m·s-2和0.3m·s-2时分别采用基于IAE、ISE、ITAE、ITSE和变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数所获得的控制性能如表7所示,响应速度曲线如图7所示。由于前四种适应度函数以追求最快调整速度为主要目标,无法设定最大平均加速度,故在表7中未针对前四种适应度函数设置最大平均加速度。
由表7和图7可以看出:
表7 基于不同适应度函数的PID控制器参数和控制性能
适应度函数不同,平均加速度也不同。
采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数可根据需要灵活调整平均加速度以获得较为理想的控制效果,而由于其它四种适应度函数追求更短的调速时间且无法根据需要调整平均加速度,故采用此类适应度函数所获得的平均加速度过大且不可调节,明显不符平均加速度的规定,无法保证带式输送机安全运行。
适应度函数不同,超调量也不同。
采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数所获得响应速度的超调量为零,采用其它四种适应度函数所获得响应速度的超调量均非零,其由大到小依次为:ISE、ITSE、IAE、ITAE。
适应度函数不同,振荡情况也不同。
采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数所获得的响应速度无振荡,采用其它四种适应度函数所获得响应速度均存在一定程度的振荡。
由此可见,与其它四种适应度函数相比,采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数可以便捷地获得平均加速度大小合理且可调、无超调、无振荡、无稳态误差的控制性能,其综合性能明显优于采用其它四种基本误差积分型适应度函数所获得的控制性能,更适合带式输送机调速控制使用。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,包括以下步骤:首先初始化粒子群,随机产生所有粒子的速度和位置;然后将粒子所处位置依次赋值给PID控制器参数并运行PID控制器的SIMULINK模型;采用基于变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数,即采用基于IAE、ISE、ITAE、ITSE和变权综合型适应度函数的PSO算法整定带式输送机PID控制器参数,接着进行个体最优和全局最优更新;最后判断是否满足退出条件,如果满足则退出优化,否则继续迭代更新粒子的速度和位置,直至满足退出条件,得到最优解;
退出条件设定为适应度函数值小于或等于预设的最小适应度值或达到预设的最大迭代次数。
2.根据权利要求1所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,所述适应度函数各组成部分的取值取决于两方面,一是各部分函数本身取值:调速时间越短、响应速度与输入速度相差越小,IAE部分的取值越小;平均加速度越接近加权后的最大加速度,加速度部调节部分的取值越小,当aaver=σamax时,加速度调节部分的取值为零;超调量越小,超调量抑制部分的取值也越小,当超调量为零时,超调量抑制部分的取值为零,稳态误差越小,稳态误差抑制部分的取值也越小,当稳态误差为零时,稳态误差抑制部分的取值为零,二是各部分系数取值:适应度函数各组成部分的系数越大则各部分的取值越大,反之越小;
设计由IAE、加速度调节、超调量抑制和稳态误差抑制四部分组成的变权综合型适应度函数,其表达式为:
式中,amax为调速过程最大平均加速度;aaver为调速过程欲达到的平均加速度;vmp为响应速度峰值;vss为响应速度稳态值;Δv为调速前后速度差;α为IAE系数;β为加速度系数;γ为优化系数;λ为稳定系数;σ为校准系数。
3.根据权利要求2所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,所述适应度函数参数设置包括:IAE系数设置、优化系数设置、加速度系数设置、稳定系数设置和校准系数设置。
4.根据权利要求3所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,在IAE系数设置中,IAE系数应为正数且将其设置为一个数值区间,如1≤α≤9,通过智能优化算法确定最佳数值。
5.根据权利要求4所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,在优化系数设置中,优化系数的取值应为IAE系数最大值的2-3倍,以适当增大加速度调节部分取值在适应度函数值中的相对比例,因此,优化系数的取值为20≤γ≤30。
6.根据权利要求5所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,在加速度系数设置中,为了优化程序在适应度函数的加速度调节、超调量抑制和稳态误差抑制三部分取值均非常小时仍能对其继续优化以达到平均加速度准确、无超调、无振荡、无稳态误差的设计目标,应保证此时三部分的取值不小于IAE部分。
7.根据权利要求6所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,在稳定系数设置中,当稳定系数的数量级为4时,超调量抑制和稳态误差抑制部分取值与IAE部分大致相当,可保证优化程序继续对此两部分进行优化,因此,稳定系数的数量级可定为4,其尾数可根据实际情况加以调整;
在确定加速度系数和稳定系数的数值时,应保证在整个优化过程中加速度调节部分的取值始终大于超调量抑制和稳态误差抑制部分,以确保实现调整平均加速度这一首要设计目标。
8.根据权利要求7所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,在校准系数设置中,校准系数与平均加速度成正比,计算公式为:
式中,σ0为略小于1的常数,T为调速时间,Tmin为最短调速时间,调速时间可按下式计算:
平均加速度相同的前提下,速度差越大调速时间越长,反之越短,当速度差大到可以保证调速时间大于最短调速时间时,校准系数取略小于1的常数,以确保在平均加速度不大于最大值的前提下被控对象的响应速度具有良好的控制性能和较高的工作效率,反之,校准系数的取值应随着速度差的减小而减小,以降低平均加速度,保证调速时间不小于最短调速时间,从而在适度降低工作效率的前提下,确保调速过程具有良好的控制性能。
9.根据权利要求1所述的基于PSO带式输送机PID控制器参数智能整定的优化方法,其特征在于,对带式输送机进行仿真实验,针对不同的最大平均加速度在整个带速范围内进行了仿真实验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978240.9A CN113759697B (zh) | 2021-08-21 | 2021-08-21 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978240.9A CN113759697B (zh) | 2021-08-21 | 2021-08-21 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759697A true CN113759697A (zh) | 2021-12-07 |
CN113759697B CN113759697B (zh) | 2023-03-10 |
Family
ID=78791073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978240.9A Active CN113759697B (zh) | 2021-08-21 | 2021-08-21 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759697B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115847786A (zh) * | 2023-02-27 | 2023-03-28 | 太原理工大学 | 一种多束缠绕设备联合驱动系统及其张力控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009097605A1 (en) * | 2008-01-31 | 2009-08-06 | Basler Electric Company | Digital excitation control system for an electrical generator and an associated method of use |
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速系统参数辨识方法 |
CN106773649A (zh) * | 2016-12-21 | 2017-05-31 | 成都千嘉科技有限公司 | 一种基于pso‑pid算法的燃气自动控制阀门智能调控方法 |
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 |
CN107863910A (zh) * | 2017-12-21 | 2018-03-30 | 浙江工业大学 | 具有强跟踪性的永磁同步电机最优分数阶pid控制方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
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 |
CN110888317A (zh) * | 2019-11-27 | 2020-03-17 | 广东技术师范大学 | 一种pid控制器参数智能优化方法 |
CN111522225A (zh) * | 2020-05-11 | 2020-08-11 | 重庆邮电大学 | 基于改进的粒子群算法对调阻机pid控制系统参数优化方法 |
KR102279956B1 (ko) * | 2020-04-29 | 2021-07-21 | 인하대학교 산학협력단 | 감시영역 우선도 기반 소수무리최적화 이론을 활용한 복수 무인항공기의 3차원 감시경로설정 최적화 방법 및 장치 |
-
2021
- 2021-08-21 CN CN202110978240.9A patent/CN113759697B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009097605A1 (en) * | 2008-01-31 | 2009-08-06 | Basler Electric Company | Digital excitation control system for an electrical generator and an associated method of use |
US20110257800A1 (en) * | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
CN103529698A (zh) * | 2013-10-17 | 2014-01-22 | 广东电网公司电力科学研究院 | 发电机调速系统参数辨识方法 |
CN106773649A (zh) * | 2016-12-21 | 2017-05-31 | 成都千嘉科技有限公司 | 一种基于pso‑pid算法的燃气自动控制阀门智能调控方法 |
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 |
CN107863910A (zh) * | 2017-12-21 | 2018-03-30 | 浙江工业大学 | 具有强跟踪性的永磁同步电机最优分数阶pid控制方法 |
CN109038643A (zh) * | 2018-06-20 | 2018-12-18 | 中国南方电网有限责任公司 | 多机系统调速器pid参数优化方法、装置、设备及介质 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
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 |
CN110888317A (zh) * | 2019-11-27 | 2020-03-17 | 广东技术师范大学 | 一种pid控制器参数智能优化方法 |
KR102279956B1 (ko) * | 2020-04-29 | 2021-07-21 | 인하대학교 산학협력단 | 감시영역 우선도 기반 소수무리최적화 이론을 활용한 복수 무인항공기의 3차원 감시경로설정 최적화 방법 및 장치 |
CN111522225A (zh) * | 2020-05-11 | 2020-08-11 | 重庆邮电大学 | 基于改进的粒子群算法对调阻机pid控制系统参数优化方法 |
Non-Patent Citations (4)
Title |
---|
HONGHAO ZHONG: "Adaptive PID Controller Design Method based on PSO", 《2020 CHINESE CONTROL AND DECISION CONFERENCE》 * |
PALWINDER KAUR: "Speed control of hybrid electric vehicle using PSO based fractional order PID controller", 《2016 1ST INDIA INTERNATIONAL CONFERENCE ON INFORMATION PROCESSING (IICIP)》 * |
YOGENDRA KUMAR SONI: "BF-PSO optimized PID Controller designusing ISE, IAE, IATE and MSE error criteria", 《INTERNATIONAL JOURNAL OF ADVANCED RESEARCH IN COMPUTER ENGINEERING & TECHNOLOGY (IJARCET)》 * |
王长涛: "粒子群优化PID在变风量空调系统中的应用", 《自动化仪表》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115847786A (zh) * | 2023-02-27 | 2023-03-28 | 太原理工大学 | 一种多束缠绕设备联合驱动系统及其张力控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113759697B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113759697B (zh) | 基于pso智能整定带式输送机pid控制器参数的优化方法 | |
JPH04233001A (ja) | 未知ダイナミックスを含むプラントの制御装置および方法 | |
Xakimovich et al. | The research on the dynamics of the three-impulse system of automatic control of water supply to the steam generator when the load changes | |
CN108757192B (zh) | 一种基于模糊变结构的柴油发动机电控调速及测试方法 | |
JP4901486B2 (ja) | Pid制御方法及びpid制御装置 | |
CN109981103B (zh) | 一种双二阶广义积分器锁频环的参数优化方法及系统 | |
CN110824927B (zh) | 具有自适应学习特征的火电机组一次调频精确调节方法 | |
US20200073343A1 (en) | Machine learning device, control system, and machine learning method | |
CN106707753A (zh) | 一种泵用直线电机自适应控制方法 | |
KR101918101B1 (ko) | 궤도 추적 에러의 최대 진폭을 줄이기 위한 제어기 설계 방법 및 이를 이용한 제어기 | |
Druzhinina et al. | Modeling of the belt conveyor control system using artificial intelligence methods | |
CN110361964B (zh) | 一种伺服驱动控制器参数整定方法 | |
CN110262246B (zh) | 基于滑模自适应鲁棒控制的立式物料传送装置控制方法 | |
CN111027178A (zh) | 一种抽水蓄能机组调频参数优化方法 | |
CN115877712A (zh) | 考虑输入饱和的基于时延的机械臂多变量螺旋控制方法 | |
CN115167111A (zh) | 基于改进型分数阶pid的伺服电机控制方法及系统 | |
CN110018634B (zh) | 一种提升控制力矩陀螺带宽的自适应框架控制系统及方法 | |
CN104811113B (zh) | 基于mandani模糊控制器的感应电机调速方法 | |
CN107769652B (zh) | 一种永磁同步电机分步反推滑模控制方法 | |
CN114614490A (zh) | 无功电压控制方法和装置、介质以及计算装置 | |
CN107991651B (zh) | 一种雷达伺服系统的预定角度自适应步进控制方法 | |
He et al. | PID auto-tuning controller design via fuzzy logic | |
CN110671260A (zh) | 一种水轮发电机组调节系统的非线性广义预测控制方法 | |
Wang et al. | Improved control of pneumatic lumber-handling systems | |
CN117914216B (zh) | 一种自动变频设备的节能调速控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |