CN116466563A - 基于改进量子粒子群算法整定pid的泵车节能控制方法 - Google Patents

Abstract

本发明公开基于改进量子粒子群算法整定PID的泵车节能控制方法，包括如下步骤：确定不同工况下发动机最佳工作点，以最佳工作点为目标值，基于改进量子粒子群算法自适应整定PID控制器参数不断调整油门控制器的油门开度，从而调整发动机转速，使得发动机的输出功率和泵车出口负载输出功率匹配；同时基于改进量子粒子群算法自适应整定PID控制器参数不断调整液压泵比例阀控制电流大小，从而调整液压泵排量，使得发动机的输出功率和液压泵吸收功率相互匹配。本发明实现发动机转速、液压泵排量和泵车出口压力整体匹配，有效地解决泵车在实际工作时系统功率不匹配而导致的能源浪费问题。

Description

基于改进量子粒子群算法整定PID的泵车节能控制方法

技术领域

本发明涉及工程机械技术领域，尤其涉及基于改进量子粒子群算法整定PID的泵车节能控制方法。

背景技术

混凝土泵车是一种连续进行混凝土泵送作业的工程机械，广泛应用于高铁桥梁、隧道和高层建筑等工程施工中，在工程机械中占据着非常重要的地位。混凝土泵车作为一种具有大功率、高油耗等工作特性的功能工程机械，其节能效果好坏直接影响到能源消耗和环境污染。因此，开展对混凝土泵车的节能减排研究具有十分重要的意义。

混凝土泵车能耗分布主要来自于三个方面，即操作人员熟练程度影响、机械和液压元件摩擦损耗和发动机-泵功率匹配不合理造成的损耗。其中，能耗损失的主要来源是由于发动机-泵功率匹配不合理造成的。根据其工作原理可知，柴油发动机以转速和扭矩等动力形式将机械能传递给液压泵，进而转化成液压能，通过液压缸带动泵送输送缸实现泵送作业。在实际的生产环境中，一般直接将发动机转速设定为额定转速值，不考虑具体的负载工况，这种工作模式下动力系统的输出功率会远远高于泵送系统所需实际功率值，造成多余的输出功率以热能的形式释放到空气中，既增加了能源消耗和环境污染，又降低了泵车的使用寿命。

PID控制作为一种常用的控制策略，被广泛使用在工程机械液压系统的控制模块。但是在PID控制系统中，比例系数、微分系数和积分系数的优化程度决定能否达到最优化控制输出的关键。面对不同的控制系统，这三个系数需要设置大小不同。而智能优化算法作为一种参数自适应的选择过程，常常被用在控制系统的参数整定环节。量子粒子群算法(Quantum particle swarm optimization，QPSO)作为一种量子行为的模拟自然生物鸟群捕食的群体优化算法，具有收敛速度快、参数设置少、简单易行等优点，被广泛应用于参数优化的技术中，但其在迭代后期易陷入局部最优解从而降低了算法结果的精度。

发明内容

为了解决上述技术问题，本发明提出基于改进量子粒子群算法整定PID的泵车节能控制方法，建立泵车不同工况情况下，通过对QPSO算法引入微分演化(Differentialevolution，DE)算子和交叉(Crossover，CO)算子整定PID控制器参数，通过控制调节的方式，实现发动机转速、液压泵排量和泵车出口压力整体匹配，有效地解决泵车在实际工作时系统功率不匹配而导致的能源浪费问题。

为了达到上述目的，本发明的技术方案如下：

基于改进量子粒子群算法整定PID的泵车节能控制方法，包括如下步骤：

判断当前泵车的工作模式，并确定当前工作模式下发动机的最佳工作点；

以最佳工作点为目标值，基于改进量子粒子群算法自适应整定PID控制器参数不断调整油门控制器的油门开度，从而调整发动机转速，使得发动机的输出功率和泵车出口负载输出功率匹配；

同时基于改进量子粒子群算法自适应整定PID控制器参数不断调整液压泵比例阀控制电流大小，从而调整液压泵排量，使得发动机的输出功率和液压泵吸收功率相互匹配。

优选地，所述判断当前泵车的工作模式，并确定对应工作模式下发动机的最佳工作点，具体包括如下步骤：

根据泵车臂架与地面的角度关系自定义泵车的工作模式，所述工作模式包括轻载模式、中载模式和重载模式，所述轻载模式下泵车负载压力临界值为P₁₁；中载模式下泵车负载压力区间值为[P₁₁,P₂₂]；重载模式下泵车负载压力临界值为P₂₂；

采集当前泵车出口压力P_l，若P_l＜P₁₁，则说明泵车工作在轻载模式，以最低功率作为发动机最佳工作点；若P₁₁＜P_l＜P₂₂，说明泵车工作在中载模式，则根据最佳油耗曲线确定功率并作为发动机最佳工作点；当压力传感器检测到负载压力P₂₂＜P_l，说明泵车工作在重载模式，则以最大输出功率作为发动机最佳工作点。

优选地，泵车臂架与地面的角度关系处于水平状态下作业时为轻载模式；泵车臂架与地面的角度关系呈45°作业时为中载模式；泵车臂架与地面的角度关系呈垂直作业时为重载模式。

优选地，所述最佳油耗曲线依据发动机的万有特性曲线、等功率曲线、等油耗曲线绘制而成。

优选地，所述基于改进量子粒子群算法自适应整定PID控制器参数，具体包括如下步骤：

初始化粒子空间中各粒子群的当前位置其中/>三个参数组成向量，定义粒子当前位置，分别表示为K_p比例系数、K_I积分系数和K_D微分系数；/>表示粒子i在t次迭代后的局部最优位置，gbest^j(t)表示粒子种群中的全局最优位置，更新规则分别为：

式中的CI(·)为适应度函数，

计算膨胀因子ω和平均位置mbest^j(t)；

引入微分演化算子和交叉算子，并更新粒子局部最优位置和全局最优位置：

粒子位置的更新规则，如下式：

由式7可知，当和gbest^1,2,3(t)接近时，/>进而使粒子位置更新陷入局部最优，从当前粒子群中随机选择除粒子i之外的另外两个粒子m和n(m≠n≠i)，提出一种粒子m和n之间的位置差分公式，定义为：

用式8替换式7中的并将gbest^1,2,3(t)乘以随机权重(1-φ)以减小上一代全局最优粒子位置的约束、增强随机性，进而将式7改写为：

提出一种概率阈值CR＝0.5以提高粒子种群中每个维度的全局搜索随机性，将引入微分演化算子后的粒子位置更新规则确定为：

其中，rand^1,2,3(0,1)表示在K_P、K_I和K_D进行三个维度更新前生成的[0,1[间的随机数，

在引入微分演化算子后，粒子位置坐标的更新通过式10得到，引入交叉概率F，新的粒子进化规则，定义为：

其中，表示粒子i在经过维度交叉运算后形成的新粒子，F_i(t+1)为粒子i在(t+1)代的交叉概率，j_rand表示K_P、K_I和K_D三个维度中随机挑选一个维度，

将F_i(t+1)直接编码至每个粒子中，得到编码后的粒子位置向量：

X_i(t+1)＝[K_Pi(t+1),K_Ii(t+1),K_Di(t+1)|F_i(t+1)] (14)

改进交叉概率修复方法来描述粒子更新过程，构造一种新的自适应交叉概率更新规则：

式中，μ_i(t)为粒子i在t代时产生的[0.9,1]间的随机数，

为二值变量，定义为：

判断当前迭代次数i是否大于最大迭代次数i_max，若是，则停止迭代，输出最优的参数组合[K_Poptimal,K_Ioptimal,K_Doptimal]反馈至PID控制器；若否，则重新计算膨胀因子和平均位置。

优选地，所述适应度函数为误差绝对值时间积分函数ITAE。

基于上述技术方案，本发明的有益效果是：本发明建立泵车不同工况情况下，通过对QPSO算法引入微分演化(Differential evolution，DE)算子和交叉(Crossover，CO)算子的改进量子粒子群算法自适应整定PID控制器对发动机油门精确控制达到对发动机转速的调整目的，同时基于改进量子粒子群算法自适应整定PID控制器对液压泵比例阀的电流控制达到对液压泵排量的调整目的，保证发动机-液压泵-泵负载功率匹配合理，改善了PID控制的系统输出精度，而且提高泵车输送作业的效率并减少能量损耗，有效地解决泵车在实际工作时系统功率不匹配而导致的能源浪费问题。

附图说明

图1是一个实施例中基于改进量子粒子群算法整定PID控制的泵车节能控制流程示意图；

图2是一个实施例中确定发动机最佳工作点的流程示意图；

图3是采用改进量子粒子群算法和QPSO算法在优化PID参数时控制响应曲线的对比图；

图4是一个实施例中基于改进量子粒子群算法的PID控制系统框图；

图5是一个实施例中自适应整定PID控制参数算法流程示意图；

图6是一个实施例中PID控制的系统框图；

图7是一个实施例中自适应整定PID控制油门开度的流程示意图；

图8是一个实施例中自适应整定PID控制液压泵比例阀控制电流的流程示意图。

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。

如图1所示，本实施例提供了一种基于改进量子粒子群算法整定PID的泵车节能控制方法，具体实施步骤为：

步骤1，根据泵车出口处压力和流量传感器，获取出口压力P_l。根据实际泵车作业需求，将泵车水平送混凝土作业时为轻载工况；将泵车的臂架与地面呈45°作业时为中载工况；将泵车的臂架与地面呈垂直作业是为重载工况。泵车的工作模式根据其工况，一般设为轻载模式，中载模式和重载模式。

根据液压泵出口处压力和流量传感器获取液压泵的出口压力P_h和流量Q_h，通过泵车的CAN总线获取油门开度μ和发动机转速n_c。

步骤2，在泵车的实际作业时，根据泵车臂架与地面的角度关系确定工作模式，并确定每种工作模式下负载压力的临界值，分别为轻载模式下负载压力临界值为P₁₁；中载模式下负载压力区间值为[P₁₁,P₂₂]；重载模式下负载压力临界值为P₂₂。基于步骤1传感器获取泵车的出口压力P_l，使用负载传递系统将负载压力P_l反馈给发动机ECU，选择不同的功率模式，在不同的范围内调整发动机转速，保证发动机工作在最佳油耗曲线附近。

步骤3，基于步骤2自定义工况模式，将出口压力P_l和临界负载压力作比较，确定当前的实际工况。当压力传感器检测到负载压力P_l＜P₁₁，说明泵车工作在轻载模式，此时发动机的输出功率需要满足泵车的最低负荷要求即可；当压力传感器检测到负载压力P₁₁＜P_l＜P₂₂，说明泵车工作在中载模式，此时依据发动机的万有特性曲线、等功率曲线、等油耗曲线绘制最佳油耗曲线，使用本发明提出的自适应整定PID控制器，不断调整发动机和液压泵参数，保证发动机工作在最佳油耗曲线附近；当压力传感器检测到负载压力P₂₂＜P_l，说明泵车工作在重载模式，此时发动机输出功率为最大输出功率，转速达到最大转速附近。具体流程如图2所示。

步骤4，上述步骤3确定泵车的处于不同工况时，应该使用哪种节能措施。接下来，泵车依据发动机ECU反馈的转速信号，使用基于DC-QPSO(改进量子粒子群)算法整定PID控制器参数不断调整油门开度，具体操作如下：以[K_p,K_I,K_D]作为参数优化的目标，并使用误差绝对值时间积分函数ITAE作为适应度函数，分别对QPSO算法引入微分演化(Differential evolution，DE)算子和交叉(Crossover，CO)算子，提高了QPSO算法扩大粒子搜索范围，提高了的全局搜索能力，并且对不同维度粒子的交叉运算，提高了算法的收敛速度。最后将优化得到的[K_Poptimal,K_Ioptimal,K_Doptimal]参数组合反馈给PID控制器，以便于更加精准且无振荡的调节油门开度。达到调整发动机转速的目的，实现发动机输出功率与泵车出口负载的匹配。

参见图3提供了采用DC-QPSO算法和QPSO算法在优化PID参数时控制响应曲线的对比图，从图中能够看出，采用DC-QPSO算法进行优化PID系统控制响应的调节时间更短，稳定性更高，几乎没有超量；然而，QPSO算法优化过程振荡强烈，调节时间更强，由此可知，采用DC-QPSO算法改善了PID控制的系统输出精度，而且能够提高泵车输送作业的效率。

具体使用DC-QPSO算法优化PID控制器参数的流程如下：

步骤4.1，初始化粒子空间中各粒子群的当前位置其中/>三个参数组成向量，定义粒子当前位置，分别表示为K_p比例系数、K_I积分系数和K_D微分系数；QPSO算法中每个粒子的位置由波函数确定，与PSO相比具有更强随机性。QPSO中的粒子只有位置信息，位置更新规则为：

其中，为j(j＝1,2,…,D)维粒子种群中第i(i＝1,2,…,i_max)个粒子在t(t＝1,2,…,t_max)次迭代后的位置。D为维度数，i_max为粒子种群数量，t_max为最大迭代次数，u＝rand(0,1)。/>表示粒子i在t次迭代后，居于局部最优和全局最优位置间的随机位置，定义为：

其中，φ＝rand(0,1)。表示粒子i在t次迭代后的局部最优位置，gbest^j(t)表示粒子种群中的全局最优位置，更新规则分别为：

式中CI(·)为适应度函数。

步骤4.2，计算膨胀因子和平均位置：

式1中ω为膨胀因子，用来控制算法收敛速度，定义为：

ω＝ω_max-(ω_max-ω_min)·t/t_max (5)

其中，ω_max＝1.0和ω_min＝0.7分别为ω的上、下限。

式1中的mbest^j(t)表示t代粒子种群的平均局部最优位置，定义为：

维度数D＝3，并令j＝1、j＝2、j＝3三个个维度分别对应PID控制算法中的K_P、K_I和K_D。由此，可用表示在由K_P、K_I和K_D构成的三维粒子种群中，第i个粒子在t次迭代后的位置，而其中的/>和/>

步骤4.3，引入DE算子和CO算子，并更新粒子局部最优位置和全局最优位置：

一、引入DE算子

将式2代入式1，可在本问题范畴内得：

由式7可知，当和gbest^1,2,3(t)接近时，/>进而使粒子位置更新陷入局部最优。为了扩大粒子搜索范围，提高最优粒子的全局搜索能力，从当前粒子群中随机选择除粒子i之外的另外两个粒子m和n(m≠n≠i)，提出一种粒子m和n之间的位置差分公式，定义为：

用式8替换式7中的并将gbest^1,2,3(t)乘以随机权重(1-φ)以减小上一代全局最优粒子位置的约束、增强随机性，进而将式7改写为：

另一方面，提出一种概率阈值CR＝0.5以提高粒子种群中每个维度的全局搜索随机性，将引入DE算子后的粒子位置更新规则确定为：

其中，rand^1,2,3(0,1)表示在K_P、K_I和K_D进行三个维度更新前生成的[0,1]间的随机数。

二、引入CO算子

在引入DE算子后，粒子位置坐标的更新通过式10得到。而针对QPSO更新所有维度粒子，导致算法收敛速度慢的问题，提出自适应交叉算子。具体地，引入交叉概率F，实现对不同维度粒子的交叉运算，提出一种新的粒子进化规则，定义为：

其中，表示粒子i在经过维度交叉运算后形成的新粒子。/>由式10计算得到，F_i(t+1)为粒子i在(t+1)代的交叉概率，j_rand表示K_P、K_I和K_D三个维度中随机挑选一个维度。而/>为粒子i在t代的最优个体位置，可表示为：

式12中，由于不同优化问题在不同演化阶段的最优参数不同，因此要得到同一个适用于所有问题的F_i(t+1)值是无法做到的。为此，将F_i(t+1)直接编码至每个粒子中，得到编码后的粒子位置向量：

X_i(t+1)＝[K_Pi(t+1),K_Ii(t+1),K_Di(t+1)|F_i(t+1)] (14)

改进交叉概率修复方法来描述粒子更新过程，构造一种新的自适应交叉概率更新规则

式中，μ_i(t)为粒子i在t代时产生的[0.9,1]间的随机数， 为二值变量，定义为：

将式15定义的自适应交叉概率更新规则用于式11，实现较高的收敛精度，也能保证较快的收敛速度。

步骤4.4，判断比较当前迭代次数i和最大迭代次数i_max的关系，若i≥i_max则停止迭代，输出最优的参数组合[K_Poptimal,K_Ioptimal,K_Doptimal]反馈至PID控制器；若否，则重新计算膨胀因子和平均位置。具体自适应优化流程如图4和图5所示。

步骤5、PID控制是一个比例+积分+滞后的系统，控制系统如公式7所示。在发动机转速的调节过程中，控制器将通过CAN总线读取的油门实际值μ和理想条件下的油门设定值μ_s作比较，基于步骤4详细描述的使用DC-QPSO算法自适应优化PID参数的流程，搜索得到最优的参数组合[K_Poptimal,K_Ioptimal,K_Doptimal]。

PID控制系统框图如图6所示。图6中，r(t)为系统的输入；y(t)为系统的输出；e(t)为系统的误差，也是PID控制器输入，e(t)＝r(t)-y(t)；u(t)为PID控制器的输出。PID控制算法计算为：

式中，K_p为比例增益；T_I为积分时间常数；T_D为微分时间常数。

积分分离算法在计算偏差减少时，会屏蔽掉积分作用，避免出现超调；在小偏差的时候，加大积分作用，消除静差，提高控制精度。具体控制流程流程图7所示。其中控制模型为：

式中，e(k)为目标值与实际值的油门偏差；u(k)为目标控制量；e(k)-e(k-1)为控制油门偏差增量；K_P为比例系数；K_I为积分系数；K_D为微分系数；α为加权系数，0＜α＜1，可根据偏差大小取值，改变积分作用大小。

步骤6，在步骤5优化油门开度的同时，同样使用步骤4相同的方式使用DC-QPSO算法整定PID控制器参数不调液压泵比例阀控制电流，调节比例阀的开度大小，调整液压泵排量，实现排量随着发动机的转速改变而改变，保证发动机的输出功率和液压泵的需求功率相互匹配。

(1)发动机参数

p_c＝m_cn_c (19)

式中：p_c为发动机输出功率；m_c为发动机输出扭矩；n_c为发动机转速。

(2)液压泵输出流量和压力

Q_h＝qn₁η_pv (20)

P_h＝m₁η_pm/q (21)

式中：Q_h为液压泵输出流量；P_h为液压泵出口压力；q为液压泵排量；n₁为泵转速；m₁为泵扭矩；η_pv为泵容积效率；η_pm为泵机械效率。

(3)发动机-液压泵之间的参数关系

m_c＝m₁/(iη_m) (22)

n_c＝in₁ (23)

p_c＝m_cn_c＝m₁n₁/η_π＝P_hqn₁/(η_mη_pm)＝P_hQ_h/(η_mη_pmη_pv) (24)

式中：i为发动机-液压泵之间的传动比；η_m为发动机-液压泵传动效率。

发动机和液压泵在能量传递的过程，很难保证能量百分之百利用，存在一定的能量损失，这是难以避免的情况。但是，可以通过控制调节的方式，使发动机和液压泵的功率匹配，提高能量的利用率。

同样采用自适应整定PID控制方法，实现液压泵排量调节。具体调节流程如图8所示，其中控制模型为：

式中，u(G)为控制器的输出值；eg(G)为控制电流偏差；[eg(G)-eg(G-1)]为控制电流偏差增量；K_P为比例系数；K_I为积分系数；K_D为微分系数。

以上所述仅为本发明所公开的基于改进量子粒子群算法整定PID的泵车节能控制方法的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。

Claims (6)

1.基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，包括如下步骤：

判断当前泵车的工作模式，并确定当前工作模式下发动机的最佳工作点；

以最佳工作点为目标值，基于改进量子粒子群算法自适应整定PID控制器参数不断调整油门控制器的油门开度，从而调整发动机转速，使得发动机的输出功率和泵车出口负载输出功率匹配；

同时基于改进量子粒子群算法自适应整定PID控制器参数不断调整液压泵比例阀控制电流大小，从而调整液压泵排量，使得发动机的输出功率和液压泵吸收功率相互匹配。

2.根据权利要求1所述的基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，所述判断当前泵车的工作模式，并确定对应工作模式下发动机的最佳工作点，具体包括如下步骤：

根据泵车臂架与地面的角度关系自定义泵车的工作模式，所述工作模式包括轻载模式、中载模式和重载模式，所述轻载模式下泵车负载压力临界值为P₁₁；中载模式下泵车负载压力区间值为[P₁₁,P₂₂]；重载模式下泵车负载压力临界值为P₂₂；

采集当前泵车出口压力P_l，若P_l＜P₁₁，则说明泵车工作在轻载模式，以最低功率作为发动机最佳工作点；若P₁₁＜P_l＜P₂₂，说明泵车工作在中载模式，则根据最佳油耗曲线确定功率并作为发动机最佳工作点；当压力传感器检测到负载压力P₂₂＜P_l，说明泵车工作在重载模式，则以最大输出功率作为发动机最佳工作点。

3.根据权利要求2所述基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，泵车臂架与地面的角度关系处于水平状态下作业时为轻载模式；泵车臂架与地面的角度关系呈45°作业时为中载模式；泵车臂架与地面的角度关系呈垂直作业时为重载模式。

4.根据权利要求2所述的基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，所述最佳油耗曲线依据发动机的万有特性曲线、等功率曲线、等油耗曲线绘制而成。

5.根据权利要求1所述的基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，所述基于改进量子粒子群算法自适应整定PID控制器参数，具体包括如下步骤：

初始化粒子空间中各粒子群的当前位置其中/>三个参数组成向量，定义粒子当前位置，分别表示为K_p比例系数、K_I积分系数和K_D微分系数；/>表示粒子i在t次迭代后的局部最优位置，gbest^j(t)表示粒子种群中的全局最优位置，更新规则分别为：

式中的CI(·)为适应度函数，

计算膨胀因子ω和平均位置mbest^j(t)；

引入微分演化算子和交叉算子，并更新粒子局部最优位置和全局最优位置：

粒子位置的更新规则，如下式：

由式7可知，当和gbest^1,2,3(t)接近时，/>进而使粒子位置更新陷入局部最优，从当前粒子群中随机选择除粒子i之外的另外两个粒子m和n(m≠n≠i)，提出一种粒子m和n之间的位置差分公式，定义为：

用式8替换式7中的并将gbest^1,2,3(t)乘以随机权重(1-φ)以减小上一代全局最优粒子位置的约束、增强随机性，进而将式7改写为：

提出一种概率阈值CR＝0.5以提高粒子种群中每个维度的全局搜索随机性，将引入微分演化算子后的粒子位置更新规则确定为：

其中，rand^1,2,3(0,1)表示在K_P、K_I和K_D进行三个维度更新前生成的[0,1]间的随机数，

在引入微分演化算子后，粒子位置坐标的更新通过式10得到，引入交叉概率F，新的粒子进化规则，定义为：

其中，表示粒子i在经过维度交叉运算后形成的新粒子，F_i(t+1)为粒子i在(t+1)代的交叉概率，j_rand表示K_P、K_I和K_D三个维度中随机挑选一个维度，

将F_i(t+1)直接编码至每个粒子中，得到编码后的粒子位置向量：

X_i(t+1)＝[K_Pi(t+1),K_Ii(t+1),K_Di(t+1)|F_i(t+1)] (14)

改进交叉概率修复方法来描述粒子更新过程，构造一种新的自适应交叉概率更新规则：

式中，μ_i(t)为粒子i在t代时产生的[0.9,1]间的随机数，

为二值变量，定义为：

判断当前迭代次数i是否大于最大迭代次数i_max，若是，则停止迭代，输出最优的参数组合[K_Poptimal,K_Ioptimal,K_Doptimal]反馈至PID控制器；若否，则重新计算膨胀因子和平均位置。

6.根据权利要求5所述的基于改进量子粒子群算法整定PID的泵车节能控制方法，其特征在于，所述适应度函数为误差绝对值时间积分函数ITAE。