CN114510092B - 基于预测变论域模糊pid的过渡包内温度控制系统及方法 - Google Patents

Abstract

本发明涉及超薄非晶合金生产领域，具体涉及一种基于预测变论域模糊PID的过渡包内温度控制系统及方法。包括热电偶、PLC控制器和加热执行机构，热电偶设置在过渡包内用于采集过渡包内的实时温度，其采集的温度信号反馈到PLC控制器中，PLC控制器与WinCC上位机数据传输，实现数据显示和存储，WinCC上位机与Matlab实现数据传输，所述的加热执行机构包括功率调节器和硅碳棒，PLC控制器将过渡包内温度预测模型和预测变论域控制器仿真计算的结果转化为电流驱动功率调节器，改变功率调节器的输出功率，功率调节器控制硅碳棒发热，实现过渡包内温度调节。本发明解决PID控制存在的参数不能自整定，造成控制效果变差，不稳定等问题，从而使控制器能够满足不同状态的控制过程。

Description

基于预测变论域模糊PID的过渡包内温度控制系统及方法

技术领域

本发明涉及超薄非晶合金生产领域，具体涉及一种基于预测变论域模糊PID的过渡包内温度控制系统及方法。

背景技术

超薄非晶合金是具有新型微观组织结构的功能材料。它的制备技术完全不同于传统的方法，而是采用了冷却速度大约每秒钟一百万度的超急冷凝固技术，从钢液到薄带一次成形，由于超急冷凝固,合金凝固的原子来不及有序排列，得到的固态合金是长程无序结构，与通常情况下金属材料的原子排布呈周期性和对称性不同，没有晶态合金的晶粒、晶界存在。由于成分和无序结构的特点，超薄非晶合金具有许多独特的性能,如优异的磁性、耐腐蚀性、高的强度和韧性、高的电阻率等等。

过渡包是超薄非晶合金生产前最后需要经过的冶金容器，在生产过程中，熔融状态的母合金熔液从熔炼炉中一次性浇注到过渡包内，浇注完成后，密封进液口，使过渡包内成密闭状态。在制带时，开启塞杆则可以控制母合金熔液流入喷嘴包，经由喷嘴喷出，骤冷成带。

在超薄非晶合金的生产过程中，过渡包内温度能否稳定控制是影响后续超薄非晶合金质量的重要因素。过渡包内温度直接影响制带时合金熔液的流动性，进而影响超薄非晶合金的厚度。利用传统PID控制器对过渡包内温度进行控制时，由于过渡包内温度变化具有较大的时滞性且生产过程中受多种因素的影响，固定不变的系数难以适应复杂系统的变化，使系统保持稳定控制。因此，针对过渡包内温度控制过程存在大滞后和控制过程较为复杂的特性，设计出具有超前预测控制和自适应控制特点的控制器尤为重要。

发明内容

本发明为了解决超薄非晶合金的生产过程中，过渡包内温度控制过程存在的大滞后和复杂性的问题，提供一种基于预测变论域模糊PID的过渡包内温度控制系统及方法。

本发明采取以下技术方案：一种基于预测变论域模糊PID的过渡包内温度控制系统，包括热电偶、PLC控制器和加热执行机构，热电偶设置在过渡包内用于采集过渡包内的实时温度，其采集的温度信号反馈到PLC控制器中，PLC控制器与WinCC上位机数据传输，实现数据显示和存储，WinCC上位机与Matlab实现数据传输，所述的加热执行机构包括功率调节器和硅碳棒，PLC控制器将过渡包内温度预测模型和预测变论域控制器仿真计算的结果转化为电流驱动功率调节器，改变功率调节器的输出功率，功率调节器控制硅碳棒发热，实现过渡包内温度调节。

一种基于预测变论域模糊PID的过渡包内温度控制系统的控制方法，包括以下步骤，

S1～通过热电偶将过渡包内的实时温度进行采集，其采集的温度信号反馈到PLC控制器中，得到过渡包内温度测量值，将过渡包内温度设定值与测量值进行比较得到温度偏差e，温度偏差e经过微分运算得到温度偏差变化率ec；

S2～PLC控制器与WinCC上位机实现数据连接，实现数据上传，WinCC上位机与Matlab连接；

S3～在Matlab上利用过渡包内温度预测模型计算得到过渡包内温度预测值；过渡包内温度设定值和预测值做比较，得到预测温度的偏差e _p ，再通过微分运算得到预测温度的偏差变化率ec _p ；

S4～根据预测温度的偏差e _p 和偏差变化率ec _p ，运用论域调整器，得到具有预测特性的模糊论域伸缩因子α(x)、β(x)，并据此调整模糊控制器的输入和输出论域；

S5～过渡包内温度设定值和测量值做比较，得到温度偏差e和温度偏差变化率ec，运用模糊控制器，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，并据此对PID参数进行在线整定；

S6～根据温度偏差e，计算得到控制量u；

S7～功率调节器接收控制器送来的控制信号u，改变输出功率，最后控制硅碳棒发热，实现过渡包内温度调节。

所述的建立S3中过渡包内温度预测模型的方法包括以下步骤，

S31～对生产离线数据进行预处理，采用邻近数据平均值插补法对数据的异常值进行插补；

S32～构建离线数据库，以数组的形式的存储数据，数组结构为：

式中，N为第N次生产编号；t为生产时间；P _ladle 为过渡包内压力；T _ladle 为过渡包内温度；Last_T _ladle 为上一时刻的过渡包内温度；H ₁…H ₅为5个位置的超薄非晶合金厚度数据；

S33～筛选训练样本集：神经网络的训练样本选择与预设工况下的数据相似度最大的离线数据；预设工况下的数据包括预设的超薄非晶合金厚度、预设的过渡包内压力曲线和过渡包内设定温度，相似度计算公式如下所示，

式中，

为离线数据数组；

为预设工况下数组；

S34～确定BP神经网络拓扑结构，通过对超薄非晶合金生产过程的分析，确定以过渡包内压力、上一时刻过渡包内温度以及超薄非晶合金横向五个位置的厚度作为网络输入，输入层神经元个数为7；网络输出为过渡包内温度，输出层神经元个数为1；通过多次实验，确定隐含层为1层，隐含层神经元个数为5；

S35～以BP神经网络的权值和阈值为遗传算法优化对象，首先统计BP神经网络输入、输出和隐含层神经元个数总和为13，然后，随机产生长度为13的随机数组，实现对个体实数编码；

S36～将BP神经网络前向传播得到的输出结果误差平方和作为遗传算法的适应度值；

S37～设置遗传算法初始参数，通过交叉验证的实验方法，多次实验对比结果，确定最大进化次数、种群规模、交叉和变异概率；

S38～遗传进化操作，包括选择、交叉以及引导变异；

S39～当遗传算法进化次数达到最大时，选择最优适应度值对应的个体，解码获得最优权值和阈值；将最优权值和阈值带入BP神经网络，开始神经网络训练，当达到设定精度或者最大迭代次数时，训练完成，用训练好的网络模型预测结果。

所述的步骤S31中生产离线数据进行预处理的过程为，

S311～首先对样本数据进行升序排列，得到样本数据的下分位数Q ₁、中分位数Q ₂和上分位数Q ₃；

S312～计算上四分位数与下四分位数之差IQR，得到四分位距的阈值Q ₁-1.5×IQR与Q₁+1.5×IQR；

S313～根据四分位距的阈值，保留阈值内的数据，标记记录范围外的数据为异常数据；

S314～根据异常数据位置，求取对异常数据位置前后两个正常数据的平均值，替换异常数据，实现对异常数据插补。

所述的步骤S4中论域调整器将预测温度偏差e _p 和预测温度偏差变化率ec _p 作为论域调整器的输入，通过函数计算和规则推理的方式，输出论域伸缩因子，具体步骤如下；

S41～首先利用函数形式计算输入变量的模糊论域伸缩因子；模糊控制器的输入变量e和ec论域伸缩因子α(x)计算采用函数形式，计算公式如下所示；

式中，x为温度预测值的偏差e _p 或者偏差变化率ec _p ；w、k为比例常数；

S42～利用规则推理的形式得到模糊控制器输出变量ΔK _p 、ΔK _i 、ΔK _d 的伸缩因子β(x)；首先对论域调整器输入变量过渡包内预测温度偏差e _p 和预测温度偏差变化率ec _p 的值划分为7个等级，为{NB，NM，NM，ZO，PS，PM，PB}，分别对应正大、正中、正小、零、负小、负中、负大；对应模糊论域伸缩因子β(x)在固定范围内同样也划分为7个等级，但伸缩因子均为正数，因此划分的等级为{VB，B，M，MS，S，VS，ZO}，对应超大、正大、正中、中小、正小、超小、零；然后根据推理规则表，如图5所示，推理得到等级对应的伸缩因子β(x)的值。

所述的步骤S5中模糊控制器的步骤如下，

S51～以过渡包内温度偏差e和温度偏差率ec为模糊控制器输入变量，以PID控制参数的修正量ΔK _p 、ΔK _i 、ΔK _d 为输出变量，首先将输入输出变量模糊化，将变量分别划分为7个模糊等级，模糊集合为{NB，NM，NS，ZO，PS，PM，PB}，分别对应负大、负中、负小、零、正小、正中、正大；并利用三角隶属函数，计算隶属度；

S52～通过分析生产过程中过渡包内温度偏差e和温度偏差率ec变化规律和对应的PID参数调整规律，制定ΔK _p 、ΔK _i 、ΔK _d 模糊规则表，如图4所示；

S53～利用模糊规则表，输入过渡包内温度偏差e和温度偏差率ec后，进行模糊推理得到对应模糊控制器输出变量的模糊量，然后利用重心法对模糊推理得到的模糊量解模糊化，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，对PID参数进行在线整定，其中，

式中，K _p0、K _i0、K _d0为PID参数初值；K _p 、K _i 、K _d 为PID修正后参数值。

所述的步骤S6中，具体计算过程为，

式中，K _p 为比例系数；K _i 为积分系数；K _d 为微分系数；e(k)为当前k时刻的过渡包内温度误差；

为控制器输出变量增量。

与现有技术相比，本发明具有以下有益效果：在过渡包内温度控制过程中，引入了模糊控制器，对PID三个参数进行在线修改，解决了PID控制存在的参数不能自整定，造成控制效果变差，不稳定等问题，从而使控制器能够满足不同状态的控制过程。利用引导变异改进的GA-BP算法建立过渡包内温度预测模型，然后将过渡包内温度预测值与模糊控制器中论域调整器相结合，实现模糊控制器论域的超前调整，最后改进的变论域模糊PID 控制方法进行过渡包内温度控制。相较于PID控制和传统模糊PID控制，本发明提出的控制方法效果更佳，主要表现在调节时间短、超调量小、稳态情况下误差小。

附图说明

图1为本发明实施例提供的过渡包内示意图；

图2为本发明实施例提供的过渡包内温度预测模型建立流程图；

图3为本发明实施例提供的过渡包内温度控制系统框图；

图4为本发明实施例提供的模糊PID(ΔK _p /ΔK _i /ΔK _d )推理规则表；

图5为本发明实施例提供的伸缩因子β(x)推理规则表；

图6为本发明实施例提供的系统通讯连接示意图；

图7为本发明实施例提供的控制结果性能指标对比表；

图8为本发明实施例提供的硅碳棒安装位置；

图中1-硅碳棒，2-进液口，3-温度传感器，4-塞杆，5-外壳，6-内胆，7-喷嘴，8-喷嘴包。

具体实施方式

一种基于预测变论域模糊PID的过渡包内温度控制系统，包括热电偶（铂铑30-铂铑6）、PLC控制器（SIEMENS-S7-200CN）和加热执行机构，热电偶设置在过渡包内用于采集过渡包内的实时温度，其采集的温度反馈到PLC控制器中，PLC控制器与WinCC上位机数据传输，实现数据显示和存储，WinCC上位机与Matlab实现数据传输，所述的加热执行机构包括功率调节器（PAD26-SERIES）和硅碳棒（Φ20*820R500），PLC控制器将过渡包内温度预测模型和预测变论域控制器仿真计算的结果转化为4~20mA电流驱动功率调节器，改变功率调节器的输出功率，功率调节器控制硅碳棒发热，实现过渡包内温度调节。

其中1个热电偶安装在过渡包上方中间部位，热电偶端部插入钢液，12根硅碳棒安装在过渡包侧面和下方。安装位置和安装方式如图8所示。

热电偶与PLC控制器中模拟量输入端口连接，将采集的温度模拟信号传递给PLC，经PLC转换成温度值。PLC控制器模拟量输出端口与功率调节器的电流驱动端口连接，功率调节器电源端口连接三相交流电，功率调节器输出端口连接硅碳棒，当功率调节器电流驱动端口电流从4~20mA变化时，功率调节器输出端口上的交流电压从10V到320V线性变化。

PLC控制器与WinCC上位机通过PROFIBUS-MPI实现数据传输，实现数据显示和存储，WinCC上位机通过OPC技术与Matlab实现数据传输，实现过渡包内温度预测模型和预测变论域控制器仿真。

如图3所示，一种基于预测变论域模糊PID的过渡包内温度控制系统的方法，包括以下步骤。

S1～通过热电偶将过渡包内的实时温度进行采集，其采集的温度反馈到PLC控制器中，得到过渡包内温度测量值，将过渡包内温度设定值与测量值进行比较得到温度偏差e，温度偏差e经过微分运算得到温度偏差变化率ec。

S2～PLC控制器与WinCC上位机实现数据连接，实现数据上传，WinCC上位机与Matlab连接。

S3～在Matlab上利用过渡包内温度预测模型计算得到过渡包内温度预测值；过渡包内温度设定值和预测值做比较，得到预测温度的偏差e _p ，再通过微分运算得到预测温度的偏差变化率ec _p 。

其中，建立S3中过渡包内温度预测模型的方法包括以下步骤，

S31～对生产离线数据进行预处理，采用邻近数据平均值插补法对数据的异常值进行插补。

步骤S31中生产离线数据进行预处理的过程为，S311～首先对样本数据进行升序排列，得到样本数据的下分位数Q ₁、中分位数Q ₂和上分位数Q ₃；S312～计算上四分位数与下四分位数之差IQR，得到四分位距的阈值Q ₁-1.5×IQR与Q₁+1.5×IQR；S313～根据四分位距的阈值，保留阈值内的数据，标记记录范围外的数据为异常数据；S314～根据异常数据位置，求取对异常数据位置前后两个正常数据的平均值，替换异常数据，实现对异常数据插补。

S32～构建离线数据库，以数组的形式的存储数据，数组结构为：

式中，N为第N次生产编号；t为生产时间；P _ladle 为过渡包内压力；T _ladle 为过渡包内温度；Last_T _ladle 为上一时刻的过渡包内温度；H ₁…H ₅为5个位置的超薄非晶合金厚度数据。

S33～筛选训练样本集：神经网络的训练样本选择与预设工况下的数据相似度最大的离线数据；预设工况下的数据包括预设的超薄非晶合金厚度、预设的过渡包内压力曲线和过渡包内设定温度，相似度计算公式如下所示，

式中，

为离线数据数组；

为预设工况下数组。

S34～确定BP神经网络拓扑结构，通过对超薄非晶合金生产过程的分析，确定以过渡包内压力、上一时刻过渡包内温度以及超薄非晶合金横向五个位置的厚度作为网络输入，输入层神经元个数为7；网络输出为过渡包内温度，输出层神经元个数为1；通过多次实验，确定隐含层为1层，隐含层神经元个数为5。

S35～以BP神经网络的权值和阈值为遗传算法优化对象，首先统计BP神经网络输入、输出和隐含层神经元个数总和为13，然后，随机产生长度为13的随机数组，实现对个体实数编码。

S36～将BP神经网络前向传播得到的输出结果误差平方和作为遗传算法的适应度值，并通过交叉验证实验，确定遗传算法最大进化次数为100，种群规模为20，交叉概率范围为[0.3,0.8]，变异概率范围为[0.2，0.6]。

S37～设置遗传算法初始参数，通过交叉验证的实验方法，多次实验对比结果，确定最大进化次数、种群规模、交叉和变异概率。

S38～遗传进化操作，包括选择、交叉以及引导变异。

遗传算法首先对产生的初始个体进化选择操作，利用轮盘赌算法，从20个个体中选择10个个体。个体被选中的概率公式如下所示。

式中，给定种群规模为20的种群X{a ₁,a ₂,…,a _n },个体a _j 的适应度值为fit(a _j )。

然后对选中的个体进行交叉操作，从选择好的个体中随机取出一对个体；然后选取交叉位置，最后根据交叉概率实施交叉操作，配对个体在交叉位置处，相互交换的内容，从而形成新的个体。最后将获得的新种群最优个体与较差个体的相似度的作为变异因子，个体之间的适应度差值为引导方向因子，对种群中个体进行引导变异。计算公式如下所示。

式中，f _m (a ₁, a ₂)为种群中最优个体与较差个体之间的相似度；a ₁(i)、a ₂(i)为个体a ₁、a ₂中第i个基因；n为个体中的基因总数。

式中，d为个体变异的引导因子；fit为个体的适应度值。

式中，newa ₂为引导变异产生的新个体；newX为产生的新种群，为保证种群不劣化，保留了最优个体。

S39～当遗传算法进化次数达到最大时，选择最优适应度值对应的个体，解码获得最优权值和阈值；将最优权值和阈值带入BP神经网络，开始神经网络训练，当达到设定精度或者最大迭代次数时，训练完成，用训练好的网络模型预测结果。

本发明的过渡包内温度预测模型的方法，通过建立离线数据库，将数据库中的离线数据与预设工况下的数据进行相似度检索，获取最大相似度的离线数据作为预测模型的训练样本，以过渡包内压力、上一时刻过渡包内温度、超薄非晶合金厚度作为输入、过渡包内温度作为输出，对BP神经网络进行训练，并利用引导变异遗传算法对网络权值阈值进行寻优。

S4～以预测温度的偏差e _p 和偏差变化率ec _p 为论域调整器输入变量，运用论域调整器，得到具有预测特性的模糊论域伸缩因子α(x)、β(x)，并据此调整模糊控制器的输入和输出论域。

步骤S4中论域调整器将预测温度偏差e _p 和预测温度偏差变化率ec _p 作为论域调整器的输入，通过函数计算和规则推理的方式，输出论域伸缩因子，具体步骤如下。

S41～首先利用函数形式计算输入变量的模糊论域伸缩因子；模糊控制器的输入变量e和ec论域伸缩因子α(x)计算采用函数形式，计算公式如下所示；

式中，x为温度预测值的偏差e _p 或者偏差变化率ec _p ；w、k为比例常数。

具体计算，模糊控制器输入变量论域伸缩因子α(e)和α(ec)；

式中，w、k的取值范围为0~1之间的小数，通过网格搜索的方式，多次实验，确定参数为0.4和0.3时结果最优。

S42～模糊控制器输出变量的伸缩因子β(x)通过图5所示的推理规则表，推理得到β(ΔK _p )、β(ΔK _i )、β(ΔK _d )。首先通过交叉验证实验，确定伸缩因子β(ΔK _p )范围为1.5~3.0，β(ΔK _i )范围为1.4~1.7，β(ΔK _d )范围为5.5~2.5。然后将伸缩因子范围划分为{VB，B，M，MS，S，VS，ZO}，对应超大、正大、正中、中小、正小、超小、零。然后根据论域调整器输入变量过渡包内预测温度偏差e _p 和预测温度偏差变化率ec _p 的值划分的7个等级，为{NB，NM，NM，ZO，PS，PM，PB}，分别对应正大、正中、正小、零、负小、负中、负大。利用推理规则表进行推理得到对应的β(x)的值。

在得到模糊论域的伸缩因子后，对模糊控制器的初始论域进行伸缩调整，初始论域为：e的初始论域范围为{-30，30}，ec的初始论域为{-25，25}，ΔK _p 的初始论域为{-0.003,0.003}，ΔK _i 的初始论域为{-0.03,0.025}，ΔK _d 的初始论域为{-0.001,0.001}。

S5～根据温度偏差e和温度偏差变化率ec，运用模糊控制器，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，并据此对PID参数进行在线整定。

模糊控制器的步骤如下，

S51～以过渡包内温度偏差e和温度偏差率ec为模糊控制器输入变量，以PID控制参数的修正量ΔK _p 、ΔK _i 、ΔK _d 为输出变量，将输入输出变量模糊化，将变量分别划分为7个模糊等级，模糊集合为{NB，NM，NS，ZO，PS，PM，PB}，分别对应负大、负中、负小、零、正小、正中、正大；并利用三角隶属函数，计算隶属度。

S52～通过分析生产过程中过渡包内温度偏差e和温度偏差率ec变化规律和对应的PID参数调整规律，制定ΔK _p 、ΔK _i 、ΔK _d 模糊规则表，如图4所示。

S53～利用模糊规则表，输入过渡包内温度偏差e和温度偏差率ec后，进行模糊推理得到对应模糊控制器输出变量的模糊量，然后利用重心法对模糊推理得到的模糊量解模糊化，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，对PID参数进行在线整定，其中，

式中，K _p 、K _i 、K _d 为PID调整后参数，K _p0、K _i0、K _d0为PID参数初值，通过Z-N法确定，K _p0 =0.00025，K _i0 = 0.012，K _d0 = 0.009。

S6～根据温度偏差e，计算得到控制量u。

步骤S6中模糊控制器输出PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，通过增量式PID控制算法得到过渡包内温度控制器输出量，过渡包内温度控制器输出量为PLC输出电流，计算过程为，

式中，K _p 为比例系数；K _i 为积分系数；K _d 为微分系数；e(k)为当前k时刻的过渡包内温度误差；为控制器输出变量增量。

S7～功率调节器接收控制器送来的控制信号u，改变输出功率，最后控制硅碳棒发热，实现过渡包内温度调节。

步骤S7中对过渡包内温度控制系统的进行仿真。在本实施例中过渡包内温度设定值为1350℃，控制系统采样时间为1s。过渡包内温度控制系统传递函数如下所示：

最后对系统输出结果的上升时间、超调量、调节时间和稳态误差四种指标进行对比，结果对比表如图7所示。

Claims (3)

1.一种基于预测变论域模糊PID的过渡包内温度控制系统，其特征在于：包括热电偶、PLC控制器和加热执行机构，热电偶设置在过渡包内用于采集过渡包内的实时温度，其采集的温度信号反馈到PLC控制器中，PLC控制器与WinCC上位机数据传输，实现数据显示和存储，WinCC上位机与Matlab实现数据传输，所述的加热执行机构包括功率调节器和硅碳棒，PLC控制器将过渡包内温度预测模型和预测变论域控制器仿真计算的结果转化为电流驱动功率调节器，改变功率调节器的输出功率，功率调节器控制硅碳棒发热，实现过渡包内温度调节；

所述系统的控制方法，包括以下步骤，

S1～通过热电偶将过渡包内的实时温度进行采集，其采集的温度信号反馈到PLC控制器中，得到过渡包内温度测量值，将过渡包内温度设定值与测量值进行比较得到温度偏差e，温度偏差e经过微分运算得到温度偏差变化率ec；

S2～PLC控制器与WinCC上位机实现数据连接，实现数据上传，WinCC上位机与Matlab连接；

S3～在Matlab上利用过渡包内温度预测模型计算得到过渡包内温度预测值；过渡包内温度设定值和预测值做比较，得到预测温度的偏差e _p ，再通过微分运算得到预测温度的偏差变化率ec _p ；

建立S3中过渡包内温度预测模型的方法包括以下步骤，

S31～对生产离线数据进行预处理，采用邻近数据平均值插补法对数据的异常值进行插补；

步骤S31中生产离线数据进行预处理的过程为：

S311～首先对样本数据进行升序排列，得到样本数据的下分位数Q ₁、中分位数Q ₂和上分位数Q ₃；

S312～计算上四分位数与下四分位数之差IQR，得到四分位距的阈值Q ₁-1.5×IQR与Q₁+1.5×IQR；

S313～根据四分位距的阈值，保留阈值内的数据，标记记录范围外的数据为异常数据；

S314～根据异常数据位置，求取异常数据位置前后两个正常数据的平均值，替换异常数据，实现对异常数据插补；

S32～构建离线数据库，以数组的形式存储数据，数组结构为：

式中，N为第N次生产编号；t为生产时间；P _ladle 为过渡包内压力；T _ladle 为过渡包内温度；Last_T _ladle 为上一时刻的过渡包内温度；H ₁…H ₅为5个位置的超薄非晶合金厚度数据；

S33～筛选训练样本集：神经网络的训练样本选择与预设工况下的数据相似度最大的离线数据；预设工况下的数据包括预设的超薄非晶合金厚度、预设的过渡包内压力曲线和过渡包内设定温度，相似度计算公式如下所示，

式中，

为离线数据数组；

为预设工况下数组；

S34～确定BP神经网络拓扑结构，通过对超薄非晶合金生产过程的分析，确定以过渡包内压力、上一时刻过渡包内温度以及超薄非晶合金横向五个位置的厚度作为网络输入，输入层神经元个数为7；网络输出为过渡包内温度，输出层神经元个数为1；隐含层为1层，隐含层神经元个数为5；

S35～以BP神经网络的权值和阈值为遗传算法优化对象，首先统计BP神经网络输入、输出和隐含层神经元个数总和为13，然后，随机产生长度为13的随机数组，实现对个体实数编码；

S36～将BP神经网络前向传播得到的输出结果误差平方和作为遗传算法的适应度值；

S37～设置遗传算法初始参数，通过交叉验证的实验方法，多次实验对比结果，确定最大进化次数、种群规模、交叉和变异概率；

S38～遗传进化操作，包括选择、交叉以及引导变异；

S39～当遗传算法进化次数达到最大时，选择最优适应度值对应的个体，解码获得最优权值和阈值；将最优权值和阈值带入BP神经网络，开始神经网络训练，当达到设定精度或者最大迭代次数时，训练完成，用训练好的网络模型预测结果；

S4～根据预测温度的偏差e _p 和偏差变化率ec _p ，运用论域调整器，得到具有预测特性的模糊论域伸缩因子α(x)、β(x)，并据此调整模糊控制器的输入和输出论域；

步骤S4中论域调整器将预测温度偏差e _p 和预测温度偏差变化率ec _p 作为论域调整器的输入，通过函数计算和规则推理的方式，输出论域伸缩因子，具体步骤如下；

S41～首先利用函数形式计算输入变量的模糊论域伸缩因子；模糊控制器的输入变量e和ec论域伸缩因子α(x)计算采用函数形式，计算公式如下所示；

式中，x为温度预测值的偏差e _p 或者偏差变化率ec _p ；w、k为比例常数；

S42～利用规则推理的形式得到模糊控制器输出变量ΔK _p 、ΔK _i 、ΔK _d 的伸缩因子β(x)；首先对论域调整器输入变量过渡包内预测温度偏差e _p 和预测温度偏差变化率ec _p 的值划分为7个等级，为{NB，NM，NM，ZO，PS，PM，PB}，分别对应正大、正中、正小、零、负小、负中、负大；对应模糊论域伸缩因子β(x)在固定范围内同样也划分为7个等级，划分的等级为{VB，B，M，MS，S，VS，ZO}，对应超大、正大、正中、中小、正小、超小、零；然后根据推理规则表，推理得到等级对应的伸缩因子β(x)的值；

S5～根据温度偏差e和温度偏差变化率ec，运用模糊控制器，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，并据此对PID参数进行在线整定；

S6～根据温度偏差e，计算得到控制量u；

S7～功率调节器接收控制器送来的控制信号u，改变输出功率，最后控制硅碳棒发热，实现过渡包内温度调节。

2.根据权利要求1所述的基于预测变论域模糊PID的过渡包内温度控制系统的控制方法，其特征在于：建立所述的步骤S5中模糊控制器的步骤如下，

S51～以过渡包内温度偏差e和温度偏差率ec为模糊控制器输入变量，以PID控制参数的修正量ΔK _p 、ΔK _i 、ΔK _d 为输出变量，首先将输入输出变量模糊化，将变量分别划分为7个模糊等级，模糊集合为{NB，NM，NS，ZO，PS，PM，PB}，分别对应负大、负中、负小、零、正小、正中、正大；并利用三角隶属函数，计算隶属度；

S52～通过分析生产过程中过渡包内温度偏差e和温度偏差率ec变化规律和对应的PID参数调整规律，制定ΔK _p 、ΔK _i 、ΔK _d 模糊规则表；

S53～利用模糊规则表，输入过渡包内温度偏差e和温度偏差率ec后，进行模糊推理得到对应模糊控制器输出变量的模糊量，然后利用重心法对模糊推理得到的模糊量解模糊化，得到PID参数修正量ΔK _p 、ΔK _i 、ΔK _d ，对PID参数进行在线整定，其中，

式中，K _p0、K _i0、K _d0为PID参数初值；K _p 、K _i 、K _d 为PID修正后参数值。

3.根据权利要求2所述的基于预测变论域模糊PID的过渡包内温度控制系统的控制方法，其特征在于：所述的步骤S6中，具体计算过程为，

式中，K _p 为比例系数；K _i 为积分系数；K _d 为微分系数；e(k)为当前k时刻的过渡包内温度误差；

为控制器输出变量增量。

Images