CN114839859A - 一种张力控制的适应度计算方法及存储介质 - Google Patents

一种张力控制的适应度计算方法及存储介质 Download PDF

Info

Publication number
CN114839859A
CN114839859A CN202210272993.2A CN202210272993A CN114839859A CN 114839859 A CN114839859 A CN 114839859A CN 202210272993 A CN202210272993 A CN 202210272993A CN 114839859 A CN114839859 A CN 114839859A
Authority
CN
China
Prior art keywords
calculating
function
fitness
tau
steps
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
Application number
CN202210272993.2A
Other languages
English (en)
Inventor
季霞
黄希扬
庞静珠
闫红霞
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 CN202210272993.2A priority Critical patent/CN114839859A/zh
Publication of CN114839859A publication Critical patent/CN114839859A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00Automatic controllers
    • G05B11/01Automatic controllers electric
    • G05B11/36Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42Automatic 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.
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total 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

一种张力控制器的适应度计算方法及存储介质,其中方法包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),由PID控制器控制的张力控制器的输出y(τ),计算得到PID控制器的输入系统误差e(τ)=r(τ)‑y(τ),计算系统的适应度函数:通过上述方案,能够解决现有技术中没有合适的参数指标表征系统的运行情况的问题,依靠通过上述方案,设计适应度指标,能够反映系统的工作情况是否正常。

Description

一种张力控制的适应度计算方法及存储介质
技术领域
本发明涉及工业自动控制系统装置制造领域,尤其涉及一种评价控制伺服机构输出效能的适应度计算方法。
背景技术
随着科学技术的进步,在生产生活中对技术提出了更高的要求,特别是在控制工程中,对控制参数的选择、对控制结果的好坏起到举重若轻的作用。在络筒机的纱线卷绕过程当中,纱线的张力和张力波动会对产品的质量产生明显的影响。因此,在技术的推动下,诞生了闭环控制和模糊控制方法;他们能够有效地控制张力的大小和波动。张力控制器可以是有跟随作用的伺服机构。但是,这些控制方法的参数选择都依赖于专家的经验,依赖于人们对问题背景的认识。一旦面临新的设备、环境以及工况,又需要重新设计控制的参数;因此,传统的络筒机张力控制方案中存在着诸多弊端。
现行的诸多系统都采用PID控制方案。对于PID控制而言,PID参数整定显得尤为重要。为了满足自动化调参的需求,需要制定一种能够衡量PID参数控制效能的适应度计算方法。
发明内容
为此,需要提供一种新的适应度的计算方法,解决PID控制器的量化评价问题。
为实现上述目的,发明人提供了一种张力控制器的适应度计算方法,所述张力控制器为受PID控制器控制的伺服机构,包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure BDA0003554548710000021
其中ω1、ω2为权值,τ为系统阶跃响应时间。
进一步地,当e(τ)<0时,增加超调量e1(τ),适应度函数包括:
Figure BDA0003554548710000022
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。
进一步地,还包括步骤,采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure BDA0003554548710000023
进行如下迭代步骤:计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
进一步地,所述步长的计算方法为包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure BDA0003554548710000024
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uij为第i个个体的适应度函数在j维搜索空间中的隶属度:
uij=rand(ui,1),j=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αij
Figure BDA0003554548710000031
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure BDA0003554548710000032
ω=(Tmax-t)/Tmax
其中,
Figure BDA0003554548710000033
Figure BDA0003554548710000034
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
进一步地,所述搜索方向的计算方法为包括如下步骤:
计算任意第i个个体中各微粒搜索的利己方向
Figure BDA0003554548710000035
利他方向
Figure BDA0003554548710000036
及预动方向
Figure BDA0003554548710000037
Figure BDA0003554548710000038
Figure BDA0003554548710000039
Figure BDA00035545487100000310
其中,t1和t2∈{t,t-1,t-2};
Figure BDA00035545487100000311
Figure BDA00035545487100000312
分别为
Figure BDA00035545487100000313
Figure BDA00035545487100000314
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再采用三个方向随机加权几何平均的办法确定搜索方向:
Figure BDA00035545487100000315
其中,sign()为符号函数;
Figure BDA0003554548710000041
Figure BDA0003554548710000042
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线性递减到0.1。
一种张力控制器的适应度计算存储介质,存储有计算机程序,所述计算机程序在被运行时进行包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),所述张力控制器为受PID控制器控制的伺服机构,计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure BDA0003554548710000043
其中ω1、ω2为权值,τ为系统阶跃响应时间。
进一步地,所述计算机程序在被运行时还执行步骤:
当e(t)<0时,增加超调量e1(τ),适应度函数包括:
Figure BDA0003554548710000044
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。
进一步地,所述计算机程序在被运行时还执行包括步骤,采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure BDA0003554548710000045
进行如下迭代步骤:计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
进一步地,所述计算机程序执行步长的计算方法具体包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure BDA0003554548710000051
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uii为第i个个体的适应度函数在j维搜索空间中的隶属度:
uij=rand(ui,1),j=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αij
Figure BDA0003554548710000052
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure BDA0003554548710000053
ω=(Tmax-t)/Tmax
其中,
Figure BDA0003554548710000054
Figure BDA0003554548710000055
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
进一步地,所述搜索方向的计算方法为包括如下步骤:
计算任意第i个个体中各微粒搜索的利己方向
Figure BDA0003554548710000056
利他方向
Figure BDA0003554548710000057
及预动方向
Figure BDA0003554548710000058
Figure BDA0003554548710000059
Figure BDA00035545487100000510
Figure BDA00035545487100000511
其中,t1和t2∈{t,t-1,t-2};
Figure BDA0003554548710000061
Figure BDA0003554548710000062
分别为
Figure BDA0003554548710000063
Figure BDA0003554548710000064
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再采用三个方向随机加权几何平均的办法确定搜索方向:
Figure BDA0003554548710000065
其中,sign()为符号函数;
Figure BDA0003554548710000066
Figure BDA0003554548710000067
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线性递减到0.1。
通过上述方案,能够解决现有技术中没有合适的参数指标表征系统的运行情况的问题,依靠通过上述方案,设计适应度指标,能够反映系统的工作情况是否正常。上述发明内容相关记载仅是本申请技术方案的概述,为了让本领域普通技术人员能够更清楚地了解本申请的技术方案,进而可以依据说明书的文字及附图记载的内容予以实施,并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解,以下结合本申请的具体实施方式及附图进行说明。
附图说明
附图仅用于示出本申请具体实施方式以及其他相关内容的原理、实现方式、应用、特点以及效果等,并不能认为是对本申请的限制。
图1为本发明一实施方式所述的适应度计算方法流程图;
图2为本发明一实施方式所述的系统模块图;
图3为本发明一实施方式所述的步长计算流程示意图;
图4为本发明一实施方式所述的方向计算流程示意图;
图5为本发明一实施方式所述的仿真结果示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例,亦不特别限定其与其它实施例之间的独立性或关联性。原则上,在本申请中,只要不存在技术矛盾或冲突,各实施例中所提到的各项技术特征均可以以任意方式进行组合,以形成相应的可实施的技术方案。
除非另有定义,本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同;本文中对相关术语的使用只是为了描述具体的实施例,而不是旨在限制本申请。
在本申请的描述中,用语“和/或”是一种用于描述对象之间逻辑关系的表述,表示可以存在三种关系,例如A和/或B,表示:存在A,存在B,以及同时存在A和B这三种情况。另外,本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。
在本申请中,诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。
在没有更多限制的情况下,在本申请中,语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述,意在涵盖非排他性的包含,这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素,从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素,而且还可以包括没有明确列出的其他要素,或者还包括为这种过程、方法或者产品所固有的要素。
与《审查指南》中的理解相同,在本申请中,“大于”、“小于”、“超过”等表述理解为不包括本数;“以上”、“以下”、“以内”等表述理解为包括本数。此外,在本申请实施例的描述中“多个”的含义是两个以上(包括两个),与之类似的与“多”相关的表述亦做此类理解,例如“多组”、“多次”等,除非另有明确具体的限定。
在本申请实施例的描述中,所使用的与空间相关的表述,诸如“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“垂直”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等,所指示的方位或位置关系是基于具体实施例或附图所示的方位或位置关系,仅是为了便于描述本申请的具体实施例或便于读者理解,而不是指示或暗示所指的装置或部件必须具有特定的位置、特定的方位、或以特定的方位构造或操作,因此不能理解为对本申请实施例的限制。
除非另有明确的规定或限定,在本申请实施例的描述中,所使用的“安装”“相连”“连接”“固定”“设置”等用语应做广义理解。例如,所述“连接”可以是固定连接,也可以是可拆卸连接,或成一体设置;其可以是机械连接,也可以是电连接,也可以是通信连接;其可以是直接相连,也可以通过中间媒介间接相连;其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言,可以根据具体情况理解上述用语在本申请实施例中的具体含义。
本文介绍一种张力控制器的适应度计算方法,在如图1所示的实施例中,方法包括如下步骤,S1获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),所述张力控制器为受PID控制器控制的伺服机构,S2计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure BDA0003554548710000081
其中ω1、ω2为权值,τ为系统阶跃响应时间。
在如图2所示的某些应用场景中,外部输入连入PID控制器,再通过PID控制机连入张力控制器(槽筒步进电机),所述张力控制器为受PID控制器控制的伺服机构,最终输出到外部设备。在该些应用场景中,PID控制器的输入和输出可以是测量值,也可以是通过系统仿真得到的虚拟值。通过获取系统的输入和输出可以计算得到输入系统误差。对于一个可靠的系统来说,输入系统误差的值是越小越好,因此比较适应度函数的大小就能够表征系统的运行情况,适应度值越小的将越为可靠。通过上述方案,设计适应度指标,能够反映系统的工作情况是否正常。
进一步的一些实施例中,当e(τ)<0时,增加超调量e1(τ),适应度函数包括:
Figure BDA0003554548710000091
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。通过设计超调量能够降低适应度函数的波动。
本申请的一些如图3所示的实施例中,还包括步骤,S3采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
S31随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure BDA0003554548710000092
进行如下迭代步骤:S32计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
S33在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
进一步地,所述步长的计算方法为包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure BDA0003554548710000101
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uij为第i个个体的适应度函数在j维搜索空间中的隶属度:
uij=rand(ui,1),j=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αij
Figure BDA0003554548710000102
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure BDA0003554548710000103
ω=(Tmax-t)/Tmax
其中,
Figure BDA0003554548710000104
Figure BDA0003554548710000105
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
其他一些进一步的实施例中,如图4所示,所述搜索方向的计算方法为包括如下步骤:
S41计算任意第i个个体中各微粒搜索的利己方向
Figure BDA0003554548710000106
利他方向
Figure BDA0003554548710000107
及预动方向
Figure BDA0003554548710000108
Figure BDA0003554548710000111
Figure BDA0003554548710000112
Figure BDA0003554548710000113
其中,t1和t2∈{t,t-1,t-2};
Figure BDA0003554548710000114
Figure BDA0003554548710000115
分别为
Figure BDA0003554548710000116
Figure BDA0003554548710000117
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再S42采用三个方向随机加权几何平均的办法确定搜索方向:
Figure BDA0003554548710000118
其中,sign()为符号函数;
Figure BDA0003554548710000119
Figure BDA00035545487100001110
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线递减到0.1。通过上述方案,能够计算得出每一次迭代时,种群S中各个微粒所需要进行的搜索步长和方向,将步长和方向的乘积加上原来的位置即可。
在另一些进一步的实施例中,确定搜索方向和步长后,进行位置更新,其公式为:
Δxij(t+1)=αij(t)dij(t)
xij(t+1)=xij(t)+Δxij(t+1)
可以根据上述搜索结果,完成对PID参数的进一步迭代。在经过了预设的迭代次数之后,能够选取所有S种群的所有迭代次数中能能够使得适应度函数最小的取值,作为最优的PID参数。通过上述算法对驱动槽筒步进电机的PID参数进行优化整定,可以使步进电机的响应更加快速稳定,纱线的张力变异系数保持在可控范围内,从而提高纱线的质量。
在本申请的另一些实施例中,方案还进行如下设置:假设迭代次数Tmax=100的计算过程中S=30个个体在第t=50次迭代时,有种群最佳位置pi,best=[2.7 5.5 34.5]
其中第i个个体的个体最佳位置gi,best=[2.3 14.5 43]
第i个个体的位置为[101010]且他在种群中按适应值降序排列序号为10;
将其代入下式
Figure BDA0003554548710000121
Figure BDA0003554548710000122
通过下式:
uij=rand(ui,1),j=1,2,…,D
进一步得uij=[ui1 ui2 ui3]=[0.5 0.6 0.7]。
根据,
Figure BDA0003554548710000123
ω=(Tmax-t)/Tmmax
得ω=(100-50)/100=0.5
Figure BDA0003554548710000124
Figure BDA0003554548710000125
迭代的步长为αij=[8.6 7.2 7.3]·[0.8 0.7 0.6]=[6.9 5 4.4]
Figure BDA0003554548710000126
在方向计算公式中取
Figure BDA0003554548710000127
为0.5
Figure BDA0003554548710000128
Figure BDA0003554548710000129
下一步迭代的位移为:
Δxij(t+1)=αij(t)dij(t)=[-6.9 -5 4.4]
xij(t+1)=xij(t)+Δxij(t+1)=[3.1 5 14.4]
用第i个粒子的50代和51代参数计算阶跃响应输出,其结果对比如图5所示:仅通过一次迭代,超调量和调整时间都得到了很大的改善。
其他一些具体的实施例中,一种张力控制器的适应度计算存储介质,存储有计算机程序,所述计算机程序在被运行时进行包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),所述张力控制器为受PID控制器控制的伺服机构,计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure BDA0003554548710000131
其中ω1、ω2为权值,τ为系统阶跃响应时间。
进一步地,所述计算机程序在被运行时还执行步骤:
当e(t)<0时,增加超调量e1(τ),适应度函数包括:
Figure BDA0003554548710000132
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。
进一步地,所述计算机程序在被运行时还执行包括步骤,采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure BDA0003554548710000133
进行如下迭代步骤:计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
进一步地,所述计算机程序执行步长的计算方法具体包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure BDA0003554548710000141
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uij为第i个个体的适应度函数在j维搜索空间中的隶属度:
uij=rand(ui,1),j=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αij
Figure BDA0003554548710000142
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure BDA0003554548710000143
ω=(Tmax-t)/Tmnax
其中,
Figure BDA0003554548710000144
Figure BDA0003554548710000145
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
进一步地,所述搜索方向的计算方法为包括如下步骤:
计算任意第i个个体中各微粒搜索的利己方向
Figure BDA0003554548710000146
利他方向
Figure BDA0003554548710000147
及预动方向
Figure BDA0003554548710000148
Figure BDA0003554548710000149
Figure BDA0003554548710000151
Figure BDA0003554548710000152
其中,t1和t2∈{t,t-1,t-2};
Figure BDA0003554548710000153
Figure BDA0003554548710000154
分别为
Figure BDA0003554548710000155
Figure BDA0003554548710000156
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再采用三个方向随机加权几何平均的办法确定搜索方向:
Figure BDA0003554548710000157
其中,sign()为符号函数;
Figure BDA0003554548710000158
Figure BDA0003554548710000159
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线性递减到0.1。。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。

Claims (10)

1.一种张力控制器的适应度计算方法,其特征在于,所述张力控制器为受PID控制器控制的伺服机构,包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure FDA0003554548700000011
其中ω1、ω2为权值,τ为系统阶跃响应时间。
2.根据权利要求1所述的张力控制器的适应度计算方法,其特征在于,当e(τ)<0时,增加超调量e1(τ),适应度函数包括:
Figure FDA0003554548700000012
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。
3.根据权利要求1所述的张力控制器的适应度计算方法,其特征在于,还包括步骤,采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure FDA0003554548700000013
进行如下迭代步骤:计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
4.根据权利要求3所述的张力控制器的适应度计算方法,其特征在于,所述步长的计算方法为包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure FDA0003554548700000021
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uij为第i个个体的适应度函数在j维搜索空间中的隶属度:
uij=rand(ui,1),j=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αij
Figure FDA0003554548700000022
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure FDA0003554548700000023
ω=(Tmax-t)/Tmax
其中,
Figure FDA0003554548700000024
Figure FDA0003554548700000025
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
5.根据权利要求3所述的张力控制器的适应度计算方法,其特征在于,所述搜索方向的计算方法为包括如下步骤:
计算任意第i个个体中各微粒搜索的利己方向
Figure FDA0003554548700000026
利他方向
Figure FDA0003554548700000027
及预动方向
Figure FDA0003554548700000028
Figure FDA0003554548700000029
Figure FDA00035545487000000210
Figure FDA00035545487000000211
其中,t1和t2∈{t,t-1,t-2};
Figure FDA0003554548700000031
Figure FDA0003554548700000032
分别为
Figure FDA0003554548700000033
Figure FDA0003554548700000034
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再采用三个方向随机加权几何平均的办法确定搜索方向:
Figure FDA0003554548700000035
其中,sign()为符号函数;
Figure FDA0003554548700000036
Figure FDA0003554548700000037
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线性递减到0.1。
6.一种张力控制器的适应度计算存储介质,其特征在于,存储有计算机程序,所述计算机程序在被运行时进行包括如下步骤,获取PID控制器的输入r(τ),以及PID控制器的输出v(τ),张力控制器的输出y(τ),所述张力控制器为受PID控制器控制的伺服机构,计算得到PID控制器的输入系统误差e(τ)=r(τ)-y(τ),
计算系统的适应度函数:
Figure FDA0003554548700000038
其中ω1、ω2为权值,τ为系统阶跃响应时间。
7.根据权利要求6所述的张力控制器的适应度计算存储介质,其特征在于,所述计算机程序在被运行时还执行步骤:
当e(τ)<0时,增加超调量e1(τ),适应度函数包括:
Figure FDA0003554548700000039
其中ω3为权值,e1(τ)=y(τ)-y(τ-1)。
8.根据权利要求6所述的张力控制器的适应度计算存储介质,其特征在于,所述计算机程序在被运行时还执行包括步骤,采用人群搜索算法确定PID控制器的控制参数,Kp、Ki、Kd
具体包括步骤,
随机生成矩阵P,所述矩阵P的种群数量为S,列数D代表控制参数的维度,该矩阵P可表示为S×D个微粒:
Figure FDA0003554548700000041
进行如下迭代步骤:计算S个PID参数的适应度函数计算结果,根据人群搜索算法确定每次迭代的各微粒的搜索方向和步长,更新各微粒的位置。
在进行预设次数的迭代后,确定使得适应度函数取值最小的PID参数。
9.根据权利要求8所述的张力控制器的适应度计算存储介质,其特征在于,所述计算机程序执行步长的计算方法具体包括如下步骤:
计算高斯隶属函数uA(x):
uA(x)=exp[-(x-μ)2/2σ2]
其中,x为微粒位置,μ、σ为隶属函数参数;
Figure FDA0003554548700000042
ui为S个种群中第i个个体的适应度函数的隶属度;Ii是第i个个体的适应度函数值按降序排列后的排序编号,
计算uij为第i个个体的适应度函数在j维搜索空间中的隶属度:
uit=rand(ui,1),t=1,2,…,D
函数rand(ui,1)是均匀、随机分布在[ui,1]上的实数,
计算步长αit
Figure FDA0003554548700000043
其中,αij为j维搜索空间的搜索步长;δij为高斯隶属函数参数,其值可由下式确定:
Figure FDA0003554548700000051
ω=(Tmax-t)/Tmax
其中,
Figure FDA0003554548700000052
Figure FDA0003554548700000053
分别为同一子群中的具有最小和最大函数值的位置;ω是惯性权值,且随着进化代数的增加从0.9线性递减至0.1,t和Tmax分别为当前迭代的次数和最大迭代次数;函数abs(x)为取绝对值。
10.根据权利要求8所述的张力控制器的适应度计算存储介质,其特征在于,所述搜索方向的计算方法为包括如下步骤:
计算任意第i个个体中各微粒搜索的利己方向
Figure FDA0003554548700000054
利他方向
Figure FDA0003554548700000055
及预动方向
Figure FDA0003554548700000056
Figure FDA0003554548700000057
Figure FDA0003554548700000058
Figure FDA0003554548700000059
其中,t1和t2∈{t,t-1,t-2};
Figure FDA00035545487000000510
Figure FDA00035545487000000511
分别为
Figure FDA00035545487000000512
Figure FDA00035545487000000513
当中的最佳位置和次佳位置;
gi,best为第i个个体所在领域内的集体最佳位置,pi,best为第i个个体到目前位置经历的最佳位置;
再采用三个方向随机加权几何平均的办法确定搜索方向:
Figure FDA00035545487000000514
其中,sign()为符号函数;
Figure FDA00035545487000000515
Figure FDA00035545487000000516
为[0,1]内被随机选择的实数;
β是惯性权值,它随着进化代数的增加从0.9线性递减到0.1。
CN202210272993.2A 2022-03-18 2022-03-18 一种张力控制的适应度计算方法及存储介质 Pending CN114839859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210272993.2A CN114839859A (zh) 2022-03-18 2022-03-18 一种张力控制的适应度计算方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210272993.2A CN114839859A (zh) 2022-03-18 2022-03-18 一种张力控制的适应度计算方法及存储介质

Publications (1)

Publication Number Publication Date
CN114839859A true CN114839859A (zh) 2022-08-02

Family

ID=82562247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210272993.2A Pending CN114839859A (zh) 2022-03-18 2022-03-18 一种张力控制的适应度计算方法及存储介质

Country Status (1)

Country Link
CN (1) CN114839859A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116281422A (zh) * 2023-05-18 2023-06-23 青岛宏大纺织机械有限责任公司 一种络筒机张力控制器的控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105278332A (zh) * 2015-10-23 2016-01-27 盐城工业职业技术学院 一种基于soa的pmlsm进给系统pid参数优化方法
CN107367937A (zh) * 2017-08-07 2017-11-21 陕西科技大学 一种基于自适应果蝇优化算法的pid参数优化方法
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
CN113268040A (zh) * 2021-04-30 2021-08-17 河北工业大学 一种数控机床伺服进给系统控制参数的优选方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105278332A (zh) * 2015-10-23 2016-01-27 盐城工业职业技术学院 一种基于soa的pmlsm进给系统pid参数优化方法
CN107367937A (zh) * 2017-08-07 2017-11-21 陕西科技大学 一种基于自适应果蝇优化算法的pid参数优化方法
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
CN113268040A (zh) * 2021-04-30 2021-08-17 河北工业大学 一种数控机床伺服进给系统控制参数的优选方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郗欣甫: "多色多绒高簇绒地毯织机提花控制技术研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116281422A (zh) * 2023-05-18 2023-06-23 青岛宏大纺织机械有限责任公司 一种络筒机张力控制器的控制方法及系统
CN116281422B (zh) * 2023-05-18 2023-08-18 青岛宏大纺织机械有限责任公司 一种络筒机张力控制器的控制方法及系统

Similar Documents

Publication Publication Date Title
CN108133258B (zh) 一种混合全局优化方法
CN109696827B (zh) 惯性权重余弦调整粒子群优化算法的pid参数整定方法
US11586904B2 (en) Adaptive optimization with improved convergence
KR101388069B1 (ko) 퍼지 피아이디 제어기를 이용한 정압 제어 방법
CN114002946B (zh) 自适应pid参数整定方法、系统、电子设备及存储介质
JP4028384B2 (ja) エージェント学習装置、方法、プログラム
CN114839859A (zh) 一种张力控制的适应度计算方法及存储介质
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
CN115755581A (zh) 一种pid控制器的控制方法
CN113205388A (zh) 一种基于矩阵分解的协同过滤推荐优化算法和装置
CN116281422B (zh) 一种络筒机张力控制器的控制方法及系统
Bejarbaneh et al. Optimal design of adaptive and proportional integral derivative controllers using a novel hybrid particle swarm optimization algorithm
US6687554B1 (en) Method and device for controlling optimization of a control subject
CN112713830B (zh) 永磁同步电机调速系统及多目标最优状态反馈控制方法
Dos Santos et al. Tuning of pi controllers for electric drives using evolutionary multi-objective optimization algorithm
CN112327958B (zh) 一种基于数据驱动的发酵过程pH值控制方法
JP2021140216A (ja) 制御システム及び制御方法
CN114612750B (zh) 自适应学习率协同优化的目标识别方法、装置及电子设备
CN116913815B (zh) 一种高温cvd生产制程的控制方法、装置及存储介质
JP7462905B2 (ja) 制御装置、方法、プログラム及びシステム
WO2024142427A1 (ja) 予測方法、情報処理装置、及びプログラム
CN117738975B (zh) 用于电磁阀的标定方法、标定装置及存储介质
CN116418261B (zh) 一种基于径向基函数神经网络的电机pid控制方法
Morales et al. Mean-Variance Mapping Optimization for tuning scaling gains of a fuzzy control applied to a Cart-Inverted Pendulum
WO2022050426A1 (ja) 推定装置、推定方法及びプログラム

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220802