CN115629537A - 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统 - Google Patents

基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统 Download PDF

Info

Publication number
CN115629537A
CN115629537A CN202211652249.1A CN202211652249A CN115629537A CN 115629537 A CN115629537 A CN 115629537A CN 202211652249 A CN202211652249 A CN 202211652249A CN 115629537 A CN115629537 A CN 115629537A
Authority
CN
China
Prior art keywords
heating furnace
subgroup
particle swarm
temperature
pid
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
CN202211652249.1A
Other languages
English (en)
Inventor
许礼飞
贾峰
严志翔
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.)
Nanjing Jinghuanre Metallurgy Engineering Co ltd
Original Assignee
Nanjing Jinghuanre Metallurgy Engineering Co ltd
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 Nanjing Jinghuanre Metallurgy Engineering Co ltd filed Critical Nanjing Jinghuanre Metallurgy Engineering Co ltd
Priority to CN202211652249.1A priority Critical patent/CN115629537A/zh
Publication of CN115629537A publication Critical patent/CN115629537A/zh
Pending legal-status Critical Current

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.

Landscapes

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

Abstract

本发明公开的基于子群改进粒子群优化PID的加热炉燃烧控制方法及系统，包括：初始化PID控制器的控制参数、粒子群参数，建立加热炉温度特性数学模型；生成粒子群；根据子群改进粒子群公式更新粒子的速度和位置；获取加热炉内温度测量值作为PID控制器的输入参数，将输入参数与温度设定值的差值生成的ITAE作为目标函数，计算出粒子的个体、子群、群体的适应度值；比较当前粒子的适应度值与对应的上一次适应度值，将两者中较好的一方更新为适应度值和对应的位置；优化停止后，将当前群体最优值对应的位置作为最优参数输出至PID控制器作为控制参数，以实现加热炉内温度的控制。本发明有效地提高燃烧系统控制的灵活性和响应的及时性。

Description

基于子群改进粒子群优化PID的加热炉燃烧控制方法及系统
技术领域
本发明涉及加热炉燃烧控制技术领域，具体涉及基于子群改进粒子群优化PID的加热炉燃烧控制方法及系统。
背景技术
加热炉是轧钢工序中的重要环节，其燃料消耗占该工序能源消耗总量的80%~85%，而且加热炉内温度会直接影响后续钢坯轧制的质量。因此对加热炉内温度进行有效控制，提高燃料燃尽率，降低燃料消耗量一直是加热炉研究的重要方向。
加热炉内的高温环境主要来自于燃烧器中燃气与空气燃烧之后产生的高温气体，其燃烧温度与效率是通过控制燃烧系统中的空气与燃气的比例（即空燃比）来调节。目前国内许多轧钢企业由于设备尚未更新，空燃比的调节仍然采用人工手动方式，这种方式灵活性差，响应时间不及时，会造成炉内温度波动大，从而直接影响钢坯的加热质量和后续轧制生产；而且不合适的空燃比也会增加燃料消耗和污染物排放。因此有部分钢铁企业开始使用智能燃烧控制技术，通过PLC（可编程逻辑控制器）对燃烧系统中的空气或者燃气的流量进行自动控制，从而保持加热炉内温度相对稳定。
加热炉燃烧系统的PLC常用控制算法是PID，即比例（Proportional）、积分（Integral）、微分（Derivative）控制。PID控制具有结构简单、稳定性好、工作可靠、调整方便等优点，是工业控制领域的主要技术之一。由于加热炉燃烧系统控制的温度存在大滞后、大惯性和慢响应等特点，传统PID控制难以很好的满足加热工艺要求，因此，实际工程中先后提出了各种优化算法对PID控制进行改进，包括：“基于模糊PID的加热炉炉温控制系统”（霍振宇，化工自动化及仪表，2011）；“神经元PID加热炉温度控制”（杨天博，等，制造业自动化，2014）；“基于改进粒子群算法在加热炉温度控制中的应用”（张志响，等，工业控制计算机，2020）以及“基于人工蜂群算法的加热炉温度分数阶PID控制系统及方法”（赵宇翔，等，公开号：CN114721253A）。上述提出的各种不同算法对PID参数都有一定程度的优化，但考虑到具体工程应用的特殊性，目前加热炉内温度控制上存在的大滞后、大惯性和慢响应等问题，仍有必要进一步地提出新的算法。
Chang和Shin于2010年首次提出的添加子群影响的改进粒子群算法（Chang W D ,Shih S P. PID controller design of nonlinear systems using an improvedparticle swarm optimization approach. Communications in Nonlinear Science andNumerical Simulation, 2010, 15(11): 3632-3639）对非线性系统具有很好的优化效果，其中子群是一个建立在粒子个体与群体之间的概念，举例来说若将学生看成个体，学校看成群体，子群则可看成班级，因此子群可以更好地连接个体与群体，从而加快寻优速度，这种算法物理意义明确、形式简单、易于植入，目前尚未有该算法在加热炉燃烧系统控制方面的应用报道。因此本发明提出了子群改进粒子群算法（sub-population Particle SwarmOptimization，sPSO）PID控制的加热炉燃烧系统。
发明内容
发明目的：为了解决目前加热炉内温度控制上存在的大滞后、大惯性和慢响应等问题，本发明提供了基于子群改进粒子群（sub-population Particle SwarmOptimization，sPSO）优化PID的加热炉燃烧控制方法及系统，用于调节加热炉内温度变化，有效地提高燃烧系统控制的灵活性和响应的及时性。
技术方案：本发明所述基于子群改进粒子群优化PID的加热炉燃烧控制方法，包括如下步骤：
步骤1：初始化PID控制器的控制参数K p、K i、K d，将控制参数K p、K i、K d作为粒子群中基本粒子的三个元素，初始化粒子群参数，并建立加热炉温度特性数学模型；
步骤2：生成粒子群，包括粒子的个体、子群、群体的随机初始速度、位置以及相应的适应度值，其中个体数目为N，个体位置随机排列并分为M个子群，M<N；
步骤3：根据子群改进粒子群公式更新粒子的速度和位置，判断更新后的粒子位置是否在给定范围内，若超出范围则强制修改为对应的上限值或者下限值；
步骤4：获取加热炉内温度测量值作为PID控制器的输入参数，同时将输入参数与温度设定值的差值生成的ITAE作为目标函数，计算出粒子的个体、子群、群体的适应度值；
步骤5：比较当前粒子的个体、子群、群体的适应度值与对应的上一次适应度值的大小，判断之后将两者中较好的一方更新为适应度值和对应的位置；
步骤6：判断是否满足优化停止条件，若不满足条件，则返回步骤2继续进行优化；若满足条件，则停止优化，将当前群体最优值对应的位置作为最优参数输出至PID控制器；
步骤7：将最优参数作为PID控制器的控制参数K p、K i、K d，采用PID控制器的输出值对加热炉温度特性数学模型进行控制，加热炉温度特性数字模型输出驱动信号至执行器，以实现加热炉内温度的控制。
进一步完善上述技术方案，所述步骤1中PID控制器的控制参数包括：比例增益K p、积分增益K i、微分增益K d，控制参数与传递函数G c(s)的关系如下：
Figure 815136DEST_PATH_IMAGE001
其中，T i为积分时间，T d为微分时间，K i= K p/T i，K d= K p T d，s为拉普拉斯变换算子。
进一步地，所述步骤1中粒子群参数包括：惯性权重w，学习因子c 1、c 2、c 3，最大迭代次数N max，收敛因子σ。
进一步地，所述步骤1中加热炉温度特性数学模型根据加热炉获得的总热量和炉内温度之间关系获得，考虑到温度的滞后效应，得到一阶惯性滞后的模型传递函数G p(s)如下：
Figure 589057DEST_PATH_IMAGE002
其中，K为模型增益，T为模型惯性时间常数，τ为模型滞后时间。
进一步地，所述步骤3中子群改进粒子群中的参数设置如下：
Figure 532874DEST_PATH_IMAGE003
，表示第i个子群中第j个粒子的速度；
Figure 311211DEST_PATH_IMAGE004
，表示第i个子群中第j个粒子的位置；
Figure 629060DEST_PATH_IMAGE005
，表示第i个子群中第j个粒子的历史最佳位置；
Figure 941093DEST_PATH_IMAGE006
，表示第i个子群的历史最佳位置；
Figure 473837DEST_PATH_IMAGE007
，表示全局历史最佳位置；
因此，更新粒子速度（v）和位置（x）的子群改进公式为：
Figure 845912DEST_PATH_IMAGE008
Figure 228221DEST_PATH_IMAGE009
其中，n为当前迭代步数，r 1、r 2、r 3为[0, 1]的随机数。
进一步地，所述步骤4中目标函数ITAE的表达式为：
Figure 343944DEST_PATH_IMAGE010
其中，t为系统调节时间，e(t) = T m – T s，其中T m为温度测量值，温度设定值T s由G c(s)·G p(s)确定。
进一步地，所述步骤6中优化停止条件预设为最大迭代次数和/或收敛因子σ。
用于实现上述基于子群改进粒子群优化PID的加热炉燃烧控制方法的系统，包括：
温度测量装置，设于加热炉内，用于获取加热炉内模拟温度信号；
PLC，所述PLC包括A/D转换器、滤波器、目标函数模块、子群改进粒子群算法模块、PID控制器、D/A转化器，所述A/D转换器用于获取温度测量装置传输的模拟温度信号并转化为数字温度信号，数字温度信号经所述滤波器处理后生成PID控制器的输入参数；所述目标函数模块获取温度设定值、输入参数，将输入参数与温度设定值的差值生成的ITAE作为目标函数输入所述子群改进粒子群算法模块，所述子群改进粒子群算法模块对PID控制器的控制参数进行寻优，寻优得到的最优参数作为PID控制器的控制参数，PID控制器输出数字控制信号，数字控制信号经D/A转化器转化成模拟控制信号；
执行器，用于接收模拟控制信号的输入并对燃烧系统中煤气和/或空气的流量进行调节，以实现加热炉内温度的控制。
有益效果：与现有技术相比，本发明的优点在于：利用sPSO对PID控制器参数进行寻优，该算法形式简单，容易使用C、C++、Java、Python等程序语言编写代码；而且算法的收敛速度快，例如当子群数量为个体数量的1/10时，sPSO的收敛速度为PSO的3~5倍；结果精确度高；可以有效地提高燃烧系统控制的灵活性和响应的及时性，改善燃烧系统的超调量、滞后性，均衡燃烧器的工作负荷，提高燃料的燃尽率，节约燃料消耗量。
附图说明
图1为本发明的加热炉燃烧系统控制流程示意图；
图2为本发明的sPSO对PID控制器参数（K p、K i、K d）寻优原理与计算流程图；
图3为本发明的sPSO对PID控制器参数（K p、K i、K d）的迭代过程图；
图4为本发明的sPSO得到的PID控制器最佳参数得出的仿真曲线图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示的基于子群改进粒子群优化PID的加热炉燃烧控制系统，包括：温度测量装置（一般为热电偶），A/D转换器、滤波器、sPSO优化后的PID控制器、D/A转换器（位于PLC中）以及执行器（一般为控制阀），燃烧器。工作过程包括：首先使用温度测量装置获得加热炉内模拟温度信号，通过PLC中的A/D转换器接收模拟温度信号并转化为数字数字信号，再经过滤波器处理后的数据作为PID控制器的输入参数，接着根据输入参数与设定值的差值计算出ITAE作为目标函数，使用子群改进粒子群优化算法对PID控制器的K p、K i、K d参数进行寻优，选取最优参数作为PID控制器的输出数字信号，传递给D/A转换器并转化为模拟信号，从PLC给到控制执行器，最后执行器调节燃烧系统中的煤气或者空气的流量，从而实现对加热炉内温度的闭环控制。
本实施例提供了一种基于sPSO-PID控制方法的实施步骤流程如下：
步骤1：初始化PID控制器参数，包括：比例增益K p，积分增益K i，微分增益K d，其与其控制传递函数G c(s)的关系如下：
Figure 590249DEST_PATH_IMAGE001
其中，T i为积分时间，T d为微分时间，K i= K p/T i，K d= K p T d，s为拉普拉斯变换算子。
将控制参数K p、K i、K d将作为粒子群中基本粒子的三个元素，初始化粒子群参数，包括：惯性权重w，学习因子c 1、c 2、c 3，粒子数量p N，最大迭代次数N max，收敛因子σ。
建立加热炉温度特性数学模型，数学模型是根据加热炉获得的总热量和炉内温度之间关系获得，并且考虑到温度的滞后效应，得到一阶惯性滞后的模型传递函数G p(s)如下：
Figure 648073DEST_PATH_IMAGE002
其中，K为模型增益，T为模型惯性时间常数，τ为模型滞后时间。
步骤2：生成粒子群，包括粒子的个体、子群、群体随机初始速度、位置以及相应的适应度值，其中个体数目为N，个体位置随机排列并分为M个子群，且M<N；
步骤3：子群改进粒子群中的参数设置如下：
Figure 2831DEST_PATH_IMAGE003
，表示第i个子群中第j个粒子的速度；
Figure 672977DEST_PATH_IMAGE004
，表示第i个子群中第j个粒子的位置；
Figure 429581DEST_PATH_IMAGE005
，表示第i个子群中第j个粒子的历史最佳位置；
Figure 392727DEST_PATH_IMAGE006
，表示第i个子群的历史最佳位置；
Figure 500360DEST_PATH_IMAGE007
，表示全局历史最佳位置；
因此，更新粒子速度（v）和位置（x）的子群改进公式为：
Figure 911881DEST_PATH_IMAGE011
Figure 522991DEST_PATH_IMAGE009
其中，n为当前迭代步数，r 1、r 2、r 3为[0, 1]的随机数，本实施例中N=100、M = 10；
判断更新后的粒子位置是否在给定围内，若超出范围则强制修改为对应的上限值或者下限值。
步骤4：使用ITAE（误差绝对值乘以时间项对时间的积分）作为目标函数，表达式为：
Figure 922617DEST_PATH_IMAGE010
其中，t为系统调节时间e(t) = T m – T s，其中，T m为温度测量值，温度设定值T s可以由Gc(s)·Gp(s)确定。
步骤5：比较当前粒子的个体、子群、群体的适应度值与对应的上一次适应度值的大小，判断之后将其更新为两者中较好一方的适应度值和对应的位置；
步骤6：判断是否满足优化停止条件，优化停止条件通常预设为最大迭代次数或者收敛因子；若不满足条件，则返回步骤2继续进行优化；若满足条件，则停止优化，输出当前群体最优值对应的位置作为PID控制器的最优参数。
图3所示为本发明所述sPSO对PID控制器的K p、K i、K d进行寻优的迭代过程曲线，大约在第10次迭代就找到最优参数，本实施例中最优参数为K p= 1.083、K i = 1×10-7、K d=4.6，说明该算法的收敛速度很快，适合用于PID的参数寻优。
图4所示为本发明所述sPSO得到的PID控制器最佳参数得出的仿真曲线图，本实施例中设定目标温度值为900℃，从图中可以看出，大约在前20s存在小的波动，之后快速上升，到4000s开始接近温度设定值，之后一直保持稳定，说明本发明的sPSO算法对温度的调节时间短，超调量小，调节精度高，能够快速跟踪目标温度。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (8)

1.基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于，包括如下步骤：
步骤1：初始化PID控制器的控制参数K p、K i、K d，将控制参数K p、K i、K d作为粒子群中基本粒子的三个元素，初始化粒子群参数，并建立加热炉温度特性数学模型；
步骤2：生成粒子群，包括粒子的个体、子群、群体的随机初始速度、位置以及相应的适应度值，其中个体数目为N，个体位置随机排列并分为M个子群，M<N；
步骤3：根据子群改进粒子群公式更新粒子的速度和位置，判断更新后的粒子位置是否在给定范围内，若超出范围则强制修改为对应的上限值或者下限值；
步骤4：获取加热炉内温度测量值作为PID控制器的输入参数，同时将输入参数与温度设定值的差值生成的ITAE作为目标函数，计算出粒子的个体、子群、群体的适应度值；
步骤5：比较当前粒子的个体、子群、群体的适应度值与对应的上一次适应度值的大小，判断之后将两者中较好的一方更新为适应度值和对应的位置；
步骤6：判断是否满足优化停止条件，若不满足条件，则返回步骤2继续进行优化；若满足条件，则停止优化，将当前群体最优值对应的位置作为最优参数输出至PID控制器；
步骤7：将最优参数作为PID控制器的控制参数K p、K i、K d，采用PID控制器的输出值对加热炉温度特性数学模型进行控制，加热炉温度特性数字模型输出驱动信号至执行器，以实现加热炉内温度的控制。
2.根据权利要求1所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤1中PID控制器的控制参数包括：比例增益K p、积分增益K i、微分增益K d，所述PID控制器的控制参数与其传递函数G c(s)的关系如下：
Figure 865296DEST_PATH_IMAGE001
其中，T i为积分时间，T d为微分时间，K i= K p/T i，K d= K p T d，s为拉普拉斯变换算子。
3.根据权利要求2所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤1中粒子群参数包括：惯性权重w，学习因子c 1、c 2、c 3，最大迭代次数N max，收敛因子σ。
4.根据权利要求3所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤1中加热炉温度特性数学模型根据加热炉获得的总热量和炉内温度之间关系获得，考虑到温度的滞后效应，得到一阶惯性滞后的模型传递函数G p(s)如下：
Figure 288187DEST_PATH_IMAGE002
其中，K为模型增益，T为模型惯性时间常数，τ为模型滞后时间。
5.根据权利要求4所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤3中子群改进粒子群中的参数设置如下：
Figure 347410DEST_PATH_IMAGE003
，表示第i个子群中第j个粒子的速度；
Figure 232058DEST_PATH_IMAGE004
，表示第i个子群中第j个粒子的位置；
Figure 450550DEST_PATH_IMAGE005
，表示第i个子群中第j个粒子的历史最佳位置；
Figure 60654DEST_PATH_IMAGE006
，表示第i个子群的历史最佳位置；
Figure 731807DEST_PATH_IMAGE007
，表示全局历史最佳位置；
用于更新粒子速度和位置的子群改进粒子群公式为：
Figure 240321DEST_PATH_IMAGE008
Figure 391948DEST_PATH_IMAGE009
其中，n为当前迭代步数，r 1、r 2、r 3为[0, 1]的随机数。
6.根据权利要求5所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤4中目标函数ITAE的表达式为：
Figure 422221DEST_PATH_IMAGE010
其中，t为系统调节时间，e(t) = T m – T s，其中T m为温度测量值，温度设定值T s由G c(s)·G p(s)确定。
7.根据权利要求6所述的基于子群改进粒子群优化PID的加热炉燃烧控制方法，其特征在于：所述步骤6中优化停止条件预设为最大迭代次数和/或收敛因子σ。
8.用于实现权利要求1所述基于子群改进粒子群优化PID的加热炉燃烧控制方法的系统，其特征在于，包括：
温度测量装置，设于加热炉内，用于获取加热炉内模拟温度信号；
PLC，所述PLC包括A/D转换器、滤波器、目标函数模块、子群改进粒子群算法模块、PID控制器、D/A转化器，所述A/D转换器用于获取温度测量装置传输的模拟温度信号并转化为数字温度信号，数字温度信号经所述滤波器处理后生成PID控制器的输入参数；所述目标函数模块获取温度设定值、输入参数，将输入参数与温度设定值的差值生成的ITAE作为目标函数输入所述子群改进粒子群算法模块，所述子群改进粒子群算法模块对PID控制器的控制参数进行寻优，寻优得到的最优参数作为PID控制器的控制参数，PID控制器输出数字控制信号，数字控制信号经D/A转化器转化成模拟控制信号；
执行器，用于接收模拟控制信号的输入并对燃烧系统中煤气和/或空气的流量进行调节，以实现加热炉内温度的控制。
CN202211652249.1A 2022-12-22 2022-12-22 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统 Pending CN115629537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211652249.1A CN115629537A (zh) 2022-12-22 2022-12-22 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211652249.1A CN115629537A (zh) 2022-12-22 2022-12-22 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统

Publications (1)

Publication Number Publication Date
CN115629537A true CN115629537A (zh) 2023-01-20

Family

ID=84910374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211652249.1A Pending CN115629537A (zh) 2022-12-22 2022-12-22 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统

Country Status (1)

Country Link
CN (1) CN115629537A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116293718A (zh) * 2023-05-24 2023-06-23 中城院(北京)环境科技股份有限公司 基于蛇优化算法的自适应pid焚烧炉温度控制方法及装置
CN117784590A (zh) * 2024-02-28 2024-03-29 齐鲁工业大学(山东省科学院) 一种微生物燃料电池的pid控制方法及系统
CN117930912A (zh) * 2024-03-22 2024-04-26 山东天力科技工程有限公司 一种基于粒子群算法的电加热焙烧窑温度控制方法
CN118577223A (zh) * 2024-07-29 2024-09-03 山东凯裕达新材料科技有限公司 聚羧酸粉体生产设备的智能控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336855A (zh) * 2013-05-24 2013-10-02 浙江工业大学 一种基于多子群粒子群算法的二维不规则排样方法
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
CN113106243A (zh) * 2021-03-11 2021-07-13 唐山钢铁集团有限责任公司 一种连续退火炉温度自动控制方法
CN113552797A (zh) * 2021-07-21 2021-10-26 安徽工业大学 一种基于改进粒子群优化的加热炉炉温控制方法和系统
CN113757685A (zh) * 2021-07-26 2021-12-07 广州广钢气体能源股份有限公司 一种飞灰处置的局部富氧燃烧装置及控制方法
CN114721253A (zh) * 2022-04-02 2022-07-08 安徽工业大学 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法
CN115169520A (zh) * 2022-08-24 2022-10-11 南京工业大学 一种采用自适应性粒子群算法对pid参数进行整定优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336855A (zh) * 2013-05-24 2013-10-02 浙江工业大学 一种基于多子群粒子群算法的二维不规则排样方法
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
CN113106243A (zh) * 2021-03-11 2021-07-13 唐山钢铁集团有限责任公司 一种连续退火炉温度自动控制方法
CN113552797A (zh) * 2021-07-21 2021-10-26 安徽工业大学 一种基于改进粒子群优化的加热炉炉温控制方法和系统
CN113757685A (zh) * 2021-07-26 2021-12-07 广州广钢气体能源股份有限公司 一种飞灰处置的局部富氧燃烧装置及控制方法
CN114721253A (zh) * 2022-04-02 2022-07-08 安徽工业大学 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法
CN115169520A (zh) * 2022-08-24 2022-10-11 南京工业大学 一种采用自适应性粒子群算法对pid参数进行整定优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI-DER CHANG 等: ""PID controller design of nonlinear systems using an improved particle swarm optimization approach"" *
辛斌 等, 北京理工大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116293718A (zh) * 2023-05-24 2023-06-23 中城院(北京)环境科技股份有限公司 基于蛇优化算法的自适应pid焚烧炉温度控制方法及装置
CN117784590A (zh) * 2024-02-28 2024-03-29 齐鲁工业大学(山东省科学院) 一种微生物燃料电池的pid控制方法及系统
CN117784590B (zh) * 2024-02-28 2024-05-10 齐鲁工业大学(山东省科学院) 一种微生物燃料电池的pid控制方法及系统
CN117930912A (zh) * 2024-03-22 2024-04-26 山东天力科技工程有限公司 一种基于粒子群算法的电加热焙烧窑温度控制方法
CN118577223A (zh) * 2024-07-29 2024-09-03 山东凯裕达新材料科技有限公司 聚羧酸粉体生产设备的智能控制方法及系统

Similar Documents

Publication Publication Date Title
CN115629537A (zh) 基于子群改进粒子群优化pid的加热炉燃烧控制方法及系统
CN107726358B (zh) 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法
CN101876449B (zh) 加热炉内氧量气氛场的控制方法
CN102224380B (zh) 在燃烧系统调试运行期间氧气微调控制器的调节
CN105423334B (zh) 热风炉燃烧过程智能控制系统及方法
CN101881563B (zh) 加热炉热效率多区域智能在线优化控制方法
CN102453792B (zh) 连续退火炉炉压控制方法及控制设备
CN103939938B (zh) 脉冲燃烧式燃气及助燃气压力前馈优化控制方法
CN104734588B (zh) 一种生物质气内燃发电机组转速控制方法
CN106292785A (zh) 基于神经网络的铝棒加热炉燃烧温度自动控制装置
JPS61130729A (ja) プロセスヒータの制御方法
CN108803327A (zh) 基于自适应模糊控制的锅炉引风调节系统及控制方法
CN108488831B (zh) 锅炉燃烧控制系统和方法
CN114721253A (zh) 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法
CN211554672U (zh) 一种自调整模糊Smith-PID温度控制系统
CN116203830A (zh) 一种空气流量不受控型加热炉温度pid优化控制方法
CN115576194B (zh) 基于脉冲燃烧连续退火炉的煤气总管压力控制方法
CN110684547A (zh) 一种生物质热解炭化窑优化控制方法
CN109055640B (zh) 一种精确控制高炉热风炉烧炉烟道温度的方法及装置
CN103937957B (zh) 脉冲燃烧式炉膛压力前馈优化控制方法
CN112240566B (zh) 锅炉偏烧在线调整系统及方法
CN113887130A (zh) 一种基于集成学习的工业锅炉运行优化方法
CN113110034A (zh) 一种基于dcs的引风机模糊pid控制系统
CN113739196A (zh) 加热锅炉炉温燃料流量与空气流量空燃比比值控制系统
Gao et al. Simulation and research of fuzzy immune adaptive PID control in coke oven temperature control system

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