CN116520909A - 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 - Google Patents
哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 Download PDFInfo
- Publication number
- CN116520909A CN116520909A CN202310501035.2A CN202310501035A CN116520909A CN 116520909 A CN116520909 A CN 116520909A CN 202310501035 A CN202310501035 A CN 202310501035A CN 116520909 A CN116520909 A CN 116520909A
- Authority
- CN
- China
- Prior art keywords
- temperature
- fuzzy pid
- value
- prey
- optimizing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000013139 quantization Methods 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000011161 development Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000001816 cooling Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 230000008844 regulatory mechanism Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000009189 diving Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,属于高值耗材管理技术领域;方法包括:温度采集模块采集数据,通过串口通信模块发送给上位机和STM32控制器,计算得到高值耗材柜内部温度的数学模型;利用数学模型基于设计模糊PID温度控制器,使用模糊PID温度控制器对柜内温度的实际输出值与期望值之间的误差、误差变化率进行控制得到模糊PID温度控制器的参数值,利用改进哈里斯鹰算法对模糊PID温度控制器的量化因子和输出比例因子进行优化;将因子更新后通过模糊PID温度控制器实时控制柜内温度;本发明利用改进哈里斯鹰优化算法对模糊PID参数进行优化,减少了因过分依赖专家经验设置参数造成的仿真结果不理想的情况。
Description
技术领域
本发明属于高值耗材管理技术领域,具体涉及哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法。
背景技术
随着人们生活水平的提高以及医疗技术的发展,医院在工作时需要使用到大量的高值耗材,而医用高值耗材的使用都必须严格控制,高值耗材作为一种消耗品,储存方法和管理越来越受到重视。
温度对高值耗材的效期和药效有关键的影响。温度过高,可能会让高值耗材的药性减弱,因而温度不能过高。对于高值耗材而言,一般的高值耗材储存方法是将其放置于智能柜中,最理想的情况是高值耗材柜内部温度恒定,这样有助于提高高值耗材的药效和延长效期。
现有的温度控制方法应用最多的是传统PID控制,其控制器的三个参数Kp、Ki和Kd是固定不变的,P、I、D三者为线性组合关系,系统会出现“超调”、“震荡”等问题,抗干扰性差;模糊PID具有较好的控制性能,但其也有缺点,量化和比例因子的确定、隶属度函数选择和模糊规则的制定都只能依靠专家经验获得,控制精度降低,缺乏系统性,控制效果不理想。
本发明提供了一种哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,能根据检测数据调节参数,实现对高值耗材柜温度的有效控制。
发明内容
本发明的目的在于提供一种哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,以解决上述背景技术中提出的现有技术中系统存在抗干扰性差或只能依靠专家经验获得,控制精度降低,缺乏系统性,控制效果不理想等问题。
为实现上述目的,本发明提供如下技术方案:
哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,包括以下步骤:
S1,温度采集模块采集高值耗材柜内的温度,将信息通过串口通信模块发送给上位机和STM32控制器,计算得到高值耗材柜内部温度的数学模型;
S2,针对数学模型基于MATLAB/Simulink仿真平台设计模糊PID温度控制器,使用模糊PID温度控制器对高值耗材柜内温度的实际输出值与期望值之间的误差、误差变化率进行控制得到模糊PID温度控制器的参数值;
S3,利用改进哈里斯鹰算法对模糊PID温度控制器的量化因子和输出比例因子进行优化;
S4,将因子更新后通过模糊PID温度控制器对升温模块和降温模块驱动工作,从而实时控制高值耗材柜内温度。
优选地,所述步骤S2中,选用高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)和其偏差变化率ec(t)作为模糊PID温度控制器的输入变量,将模糊PID温度控制器的参数值Kp、Ki和Kd作为输出变量,Kp、Ki和Kd分别为比例系数,积分系数和微分系数,经PID公式叠加后乘上输出比例因子输出。
优选地,所述步骤S3中,采用改进哈里斯鹰算法对模糊PID温度控制器的温度偏差量化因子Ke、温度偏差变化率量化因子Kec和输出比例因子Ku进行优化,优化包括以下步骤:
S301,初始化改进哈里斯鹰算法参数,设在一个d维搜索空间中,初始化种群数量为N,最大迭代次数为T,搜索空间每一维的上、下边界为Ub、Lb,初始化哈里斯鹰种群每一个个体;
S302,选择适应度函数为寻找模糊PID因子所编写的函数,以积分性能指标(ITAE)作为寻优目标函数,ITAE性功能指标的实用性和选择性较好,可以很好地评价系统的动态性能和稳态性能。ITAE公式表示为:
JITAE=∫t|e(t)|dt
S303,输入系统控制参数,即用于寻优的哈里斯鹰种群数量N,寻优过程中的最大迭代次数T,寻优因子的维度dim,维度应与寻优因子数相同,以及上、下边界Ub、Lb;
S304,计算种群所有个体的适应度值并选择适应度最佳的个体位置,把它的位置设为当前猎物位置;
S305,位置更新过程模拟哈里斯鹰的捕猎过程。主要分为勘探阶段、从勘探到开发的转换阶段和开发阶段:首先对猎物的逃逸能量进行更新,然后根据逃跑能量E来选择执行勘探或开发行为中所对应的位置更新策略;
S3051,勘探阶段:模拟哈里斯鹰对猎物的搜索,用其敏锐的眼睛跟踪和发现猎物;考虑了猎物不容易被发现的情况,设计了两种策略模拟哈里斯鹰对猎物的搜索,并认为两种策略采用的概率是相同的;具体搜索策略公式如下:
式中:分别为下一次和当前迭代中第i个个体的位置,t表示当前迭代次数;/>为第t次迭代时从种群中随机选择的一个个体rand的位置;ri(i=1,2,3,4)均为[0,1]范围内的一个随机数;/>代表第t次迭代时种群中猎物位置,也就是最优个体的位置;/>是第t次迭代时种群的平均位置,计算公式如下:
式中:为当前迭代中第i个个体的位置,N表示种群数量;
S3052,从勘探到开发的转换阶段:哈里斯鹰会根据猎物的逃跑能量E在勘探和开发行为之间进行转换,猎物的逃跑能量设计如下:
E=2E0(1-t/T)
式中:E0为猎物的初始逃跑能量,每次迭代中,在[-1,1]范围内随机取值,t表示当前迭代次数,T表示最大迭代次数;当|E|≥1时进行勘探,当|E|<1时进行开发;
在计算逃跑能量过程中加入修正能量线性递减调控机制,将随机收缩指数函数融入逃跑能量E的递减过程,其对应的能量方程为:
式中:rand2为[一2,2]范围内随机数;
S3053,开发阶段:在实际的开发过程中,根据哈里斯鹰的捕食行为,又设计了多种位置更新方式;首先定义一个[0,1]范围内的一个随机数r;
当0.5≤|E|<1且r≥0.5时,采用软包围策略进行位置更新:
式中:J为猎物在逃跑过程中的随机跳跃强度,是[0,2]范围内的随机数,Δxt表示当前最优个体位置(猎物位置)和当前个体之间的差值;
当|E|<0.5且r≥0.5时,采用硬包围策略进行位置更新:
当0.5≤|E|<1且r<0.5时,认为猎物具有足够的能量逃跑,在软包围下,哈里斯鹰需要进行突袭,即快速俯冲;采用渐进快速俯冲的软包围策略进行位置更新:
首先采用类似软包围策略评估下一步行动:
然后哈里斯鹰会检测是否可行,如果不行,会在接近猎物时做不规则的、突然且快速的俯冲,使用Levy飞行来定义这种俯冲方式:
Z=Y+S·Levy(D)
式中:S是一个D维随机向量,每一元素[0,1]范围内;D是指寻优问题的维度;Levy(D)表示使用Levy飞行生成的符合Levy分布的D维随机向量;Levy(*)代表Levy飞行函数,公式如下:
Π(y)=(y-1)!
式中:μ、v均为(0,1)范围内随机数,β为常数1.5;
将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
当|E|<0.5且r<0.5时,认为猎物没有足够的能量逃跑,哈里斯鹰在硬包围下,进行俯冲以捕捉并杀死猎物;采用渐进快速俯冲的硬包围策略进行位置更新:
首先采用类似硬包围策略评估下一步行动:
然后哈里斯鹰会检测猎物是否存在欺骗行为,如果存在,就会改变其下一步行动,采用下式调整:
Z=Y+S·Levy(D)
同样地,将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
在前面四种围捕机制中,引入一种自适应权重方法,哈里斯鹰搜索猎物时会使用较小的自适应权重更新位置,提高哈里斯鹰局部寻优能力;自适应权重公式和猎物位置更新如下:
S306,计算位置更新后种群的个体适应度,并与猎物适应度值进行比较,若位置更新后的个体适应度值优于猎物,则以适应度值更优的个体位置作为新的猎物位置;
S307,判断寻优结果是否满足终止条件,若满足则输出最优解,结束程序;否则,则重复步骤S304到S306;当迭代次数达到最大迭代次数时,输出当前猎物位置作为输出最优解;
S308,根据S307寻优得到的输出最优解分别把它对应的维度数据代入模糊PID温度控制器中。
优选地,所述步骤S3053中,D=3。
优选地,所述步骤S303中,dim=3。
优选地,所述步骤S4中,包括以下步骤:
S401,对模糊PID温度控制器的参数进行配置,优化后的量化因子和输出比例因子会保存在工作空间中,模糊PID温度控制器中的对应变量名的增益器会自动赋值;模糊PID温度控制器的输入变量有2个,一个是高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)=Tε(t)-T(t),另一个是其偏差变化率ec(t)。
S402,当柜内的实际温度高于期望设定温度时,需要开启降温模块风扇,达到降温的目的;当柜内的实际温度低于期望设定温度时,需要开启升温模块加热器,达到降温的目的。
S403,将模糊PID温度控制器中的模糊模块的输入输出e(t)、ec(t)、Kp、Ki和Kd划分为7个模糊集:NB(负大),NM(负中),NS(负小),ZE(零),PS(正小),PM(正中),PB(正大),对其隶属度函数采用三角型函数f(x,a,b,c)模糊化变量,表达式如下:
式中:a,c为三角型函数在横坐标轴上的值,b为三角型函数的顶点。
一种哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制系统,包括温度采集模块,所述温度采集模块均匀分布在高值耗材柜内,所述温度采集模块与串口通信模块连接,用于将采集的温度数据发送给上位机和STM32控制器;
所述上位机通过计算获得数学模型,然后基于改进哈里斯鹰算法优化模糊PID温度控制器参数,用于将参数通过STM32控制器发送给模糊PID温度控制器;
所述模糊PID温度控制器,用于控制升温模块和降温模块工作。
优选地,所述升温模块为加热器,所述降温模块为风扇。
与现有技术相比,本发明的有益效果是:
1、本发明以高值耗材柜作为研究对象,使用温度采集模块采集数据,通过串口模块将数据传递给上位机和控制器,其次结合改进哈里斯鹰优化算法,对模糊PID温度控制器因子参数进行优化,避免了模糊PID参数选取过分依赖专家经验的缺点,提高了控制性能;具体地,控制器能更快达到稳态温度,超调量更小;同时,有效实现对高值耗材柜的环境温度控制和设备管理。
2、本发明对哈里斯鹰优化算法进行改进,提高哈里斯鹰优化算法的性能。首先在哈里斯鹰优化算法过度阶段中加入修正能量线性递减调控机制,更好地划分全局搜索和局部搜索;其次在开发阶段,引入自适应权重因子更新猎物位置,提高局部开发能力,防止哈里斯鹰优化算法陷入局部最优。相比于其他传统的优化算法,改进的算法在收敛速度和精确度上有所提升,同时利用哈里斯鹰优化算法对模糊PID参数进行优化,减少了因过分依赖专家经验设置参数造成的仿真结果不理想的情况,为高值耗材柜的温度控制提供了较为准确的管理服务。
附图说明
图1为本发明中高值耗材柜温度控制系统的结构框图;
图2为本发明中模糊PID温度控制器的控制程序流程图;
图3本发明实施例1中输入输出e(t)、ec(t)、Kp、Ki和Kd的隶属度函数曲线图;
图4为本发明实施例1中被控温度动态响应示意图。
附图标记:1、温度采集模块;2、串口通信模块;3、上位机;4、STM32控制器;5、模糊PID温度控制器;6、升温模块;7、降温模块。
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、完整的描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1,高值耗材柜温度控制系统包括均匀分布在柜内的温度采集模块1,温度采集模块1与串口通信模块2连接,将温度数据发送给上位机3和STM32控制器4,STM32控制器4采用STM32单片机,上位机3通过计算获得数学模型,然后基于改进哈里斯鹰算法优化模糊PID参数,将参数通过STM32控制器4发送给模糊PID温度控制器5,模糊PID温度控制器5控制升温模块6和降温模块7工作,升温模块6为加热器,降温模块7为风扇。
哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,包括以下步骤:
S1,温度采集模块1采集高值耗材柜内的温度,将信息通过串口通信模块2发送给上位机3和STM32控制器4,计算得到高值耗材柜内部温度的数学模型;
S2,针对数学模型基于MATLAB/Simulink仿真平台设计模糊PID温度控制器5,使用模糊PID温度控制器5对柜内温度的实际输出值与期望值之间的误差、误差变化率进行控制得到模糊PID温度控制器5的参数值;
步骤S2中,选用高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)和其偏差变化率ec(t)作为模糊PID温度控制器5的输入变量,将模糊PID温度控制器的参数值Kp、Ki和Kd作为输出变量,Kp、Ki和Kd分别为比例系数,积分系数和微分系数,经PID公式叠加后乘上输出比例因子输出。
S3,利用改进哈里斯鹰算法对模糊PID温度控制器5的量化因子和输出比例因子进行优化;
采用改进哈里斯鹰算法对模糊PID温度控制器5的温度偏差量化因子Ke、温度偏差变化率量化因子Kec和输出比例因子Ku进行优化,优化包括以下步骤:
S301,初始化改进哈里斯鹰算法参数,设在一个d维搜索空间中,初始化种群数量为N,最大迭代次数为T,搜索空间每一维的上、下边界为Ub、Lb,初始化哈里斯鹰种群每一个个体;
S302,选择适应度函数为寻找模糊PID因子所编写的函数,以积分性能指标(ITAE)作为寻优目标函数,ITAE性功能指标的实用性和选择性较好,可以很好地评价系统的动态性能和稳态性能。ITAE公式表示为:
JITAE=∫t|e(t)|dt
S303,输入系统控制参数,即用于寻优的哈里斯鹰种群数量N,寻优过程中的最大迭代次数T,寻优因子的维度dim,维度应与寻优因子数相同,具体地,dim=3,以及上、下边界Ub、Lb;
S304,计算种群所有个体的适应度值并选择适应度最佳的个体位置,把它的位置设为当前猎物位置;
S305,位置更新过程模拟哈里斯鹰的捕猎过程。主要分为勘探阶段、从勘探到开发的转换阶段和开发阶段:首先对猎物的逃逸能量进行更新,然后根据逃跑能量E来选择执行勘探或开发行为中所对应的位置更新策略;
S3051,勘探阶段:模拟哈里斯鹰对猎物的搜索,用其敏锐的眼睛跟踪和发现猎物;考虑了猎物不容易被发现的情况,设计了两种策略模拟哈里斯鹰对猎物的搜索,并认为两种策略采用的概率是相同的;具体搜索策略公式如下:
式中:分别为下一次和当前迭代中第i个个体的位置,t表示当前迭代次数;/>为第t次迭代时从种群中随机选择的一个个体rand的位置;ri(i=1,2,3,4)均为[0,1]范围内的一个随机数;/>代表第t次迭代时种群中猎物位置,也就是最优个体的位置;/>是第t次迭代时种群的平均位置,计算公式如下:
式中:为当前迭代中第i个个体的位置,N表示种群数量;
S3052,从勘探到开发的转换阶段:哈里斯鹰会根据猎物的逃跑能量E在勘探和开发行为之间进行转换,猎物的逃跑能量设计如下:
E=2E0(1-t/T)
式中:E0为猎物的初始逃跑能量,每次迭代中,在[-1,1]范围内随机取值,t表示当前迭代次数,T表示最大迭代次数;当|E|≥1时进行勘探,当|E|<1时进行开发;
在计算逃跑能量过程中加入修正能量线性递减调控机制,将随机收缩指数函数融入逃跑能量E的递减过程,其对应的能量方程为;
式中:rand2为[-2,2]范围内随机数;
S3053,开发阶段:在实际的开发过程中,根据哈里斯鹰的捕食行为,又设计了多种位置更新方式;首先定义一个[0,1]范围内的一个随机数r;
当0.5≤|E|<1且r≥0.5时,采用软包围策略进行位置更新:
式中:J为猎物在逃跑过程中的随机跳跃强度,是[0,2]范围内的随机数,Δxt表示当前最优个体位置(猎物位置)和当前个体之间的差值;
当|E|<0.5且r≥0.5时,采用硬包围策略进行位置更新:
当0.5≤|E|<1且r<0.5时,认为猎物具有足够的能量逃跑,在软包围下,哈里斯鹰需要进行突袭,即快速俯冲;采用渐进快速俯冲的软包围策略进行位置更新:
首先采用类似软包围策略评估下一步行动:
然后哈里斯鹰会检测是否可行,如果不行,会在接近猎物时做不规则的、突然且快速的俯冲,使用Levy飞行来定义这种俯冲方式:
Z=Y+S·Levy(D)
式中:S是一个D维随机向量,每一元素[0,1]范围内;D是指寻优问题的维度,具体地,D=3;Levy(D)表示使用Levy飞行生成的符合Levy分布的D维随机向量;Levy(*)代表Levy飞行函数,公式如下:
Π(y)=(y-1)!
式中:μ、v均为(0,1)范围内随机数,β为常数1.5;
将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
当|E|<0.5且r<0.5时,认为猎物没有足够的能量逃跑,哈里斯鹰在硬包围下,进行俯冲以捕捉并杀死猎物;采用渐进快速俯冲的硬包围策略进行位置更新:
首先采用类似硬包围策略评估下一步行动:
然后哈里斯鹰会检测猎物是否存在欺骗行为,如果存在,就会改变其下一步行动,采用下式调整:
Z=Y+S·Levy(D)
同样地,将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
在前面四种围捕机制中,引入一种自适应权重方法,哈里斯鹰搜索猎物时会使用较小的自适应权重更新位置,提高哈里斯鹰局部寻优能力;自适应权重公式和猎物位置更新如下:
S306,计算位置更新后种群的个体适应度,并与猎物适应度值进行比较,若位置更新后的个体适应度值优于猎物,则以适应度值更优的个体位置作为新的猎物位置;
S307,判断寻优结果是否满足终止条件,若满足则输出最优解,结束程序;否则,则重复步骤S304到S306;当迭代次数达到最大迭代次数时,输出当前猎物位置作为输出最优解;
S308,根据S307寻优得到的输出最优解分别把它对应的维度数据代入模糊PID温度控制器5中。
哈里斯鹰优化模糊PID温度控制器5的具体流程图如图2所示。
S4,将因子更新后通过模糊PID温度控制器5对升温模块6和降温模块7驱动工作,从而实时控制柜内温度;
包括以下步骤:
S401,对模糊PID温度控制器5的参数进行配置,优化后的量化因子和输出比例因子会保存在工作空间中,模糊PID温度控制器5中的对应变量名的增益器会自动赋值;模糊PID温度控制器5的输入变量有2个,一个是高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)=Tε(t)-T(t),另一个是其偏差变化率ec(t)。
S402,对根据规定的模糊规则进行模糊化得到模糊控制量,然后通过重心法对其进行反模糊化,得到适合高值耗材柜内温度的精确控制值。具体地,当柜内的实际温度高于期望设定温度时,需要开启降温模块7风扇,达到降温的目的;当柜内的实际温度低于期望设定温度时,需要开启升温模块6加热器,达到降温的目的。
S403,将模糊PID温度控制器5中的模糊模块的输入输出e(t)、ec(t)、Kp、Ki和Kd划分为7个模糊集:NB(负大),NM(负中),NS(负小),ZE(零),PS(正小),PM(正中),PB(正大),对其隶属度函数采用三角型函数f(x,a,b,c)模糊化变量,表达式如下:
式中:a,c为三角型函数在横坐标轴上的值,b为三角型函数的顶点,对应各个输入输出变量的隶属度函数曲线如图3所示;
S5,仿真所得到的哈里斯鹰优化模糊PID的控制结果和模糊PID控制结果的比较图,如图4所示。由此可见,在优化后的PID温度控制器5作用下,能更快达到稳态温度,超调量更小。
以上所述,仅用于帮助理解本发明的方法及其核心要义,但本发明的保护范围并不局限于此,对于本技术领域的一般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。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,包括以下步骤:
S1,温度采集模块(1)采集高值耗材柜内的温度,将信息通过串口通信模块(2)发送给上位机(3)和STM32控制器(4),计算得到高值耗材柜内部温度的数学模型;
S2,利用数学模型设计模糊PID温度控制器(5),使用模糊PID温度控制器(5)对高值耗材柜内温度的实际输出值与期望值之间的误差、误差变化率进行控制得到模糊PID温度控制器(5)的参数值;
S3,利用改进哈里斯鹰算法对模糊PID温度控制器(5)的量化因子和输出比例因子进行优化;
S4,将因子更新后通过模糊PID温度控制器(5)对升温模块(6)和降温模块(7)驱动工作,从而实时控制高值耗材柜内温度。
2.根据权利要求1所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,
所述步骤S2中,选用高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)和其偏差变化率ec(t)作为模糊PID温度控制器(5)的输入变量,将模糊PID温度控制器(5)的参数值Kp、Ki和Kd作为输出变量,Kp、Ki和Kd分别为比例系数,积分系数和微分系数,经PID公式叠加后乘上输出比例因子输出。
3.根据权利要求2所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,
所述步骤S3中,采用哈里斯鹰算法对模糊PID温度控制器(5)的温度偏差量化因子Ke、温度偏差变化率量化因子Kec和输出比例因子Ku进行优化,优化包括以下步骤:
S301,初始化改进哈里斯鹰算法参数,设在一个d维搜索空间中,初始化种群数量为N,最大迭代次数为T,搜索空间每一维的上、下边界为Ub、Lb,初始化哈里斯鹰种群每一个个体;
S302,选择适应度函数为寻找模糊PID因子所编写的函数,以积分性能指标ITAE作为寻优目标函数,ITAE公式表示为:
JITAE=∫t|e(t)|dt
S303,输入系统控制参数,即用于寻优的哈里斯鹰种群数量N,寻优过程中的最大迭代次数T,寻优因子的维度dim,维度应与寻优因子数相同,以及上、下边界Ub、Lb;
S304,计算种群所有个体的适应度值并选择适应度最佳的个体位置,把其位置设为当前猎物位置;
S305,位置更新过程模拟哈里斯鹰的捕猎过程;主要分为勘探阶段、从勘探到开发的转换阶段和开发阶段:首先对猎物的逃逸能量进行更新,然后根据逃跑能量E来选择执行勘探或开发行为中所对应的位置更新策略;
S306,计算位置更新后种群的个体适应度,并与猎物适应度值进行比较,若位置更新后的个体适应度值优于猎物,则以适应度值更优的个体位置作为新的猎物位置;
S307,判断寻优结果是否满足终止条件,若满足则输出最优解,结束程序;否则,则重复步骤S304到S306;当迭代次数达到最大迭代次数时,输出当前猎物位置作为输出最优解;
S308,根据S307寻优得到的输出最优解分别把其对应的维度数据代入模糊PID温度控制器(5)中。
4.根据权利要求3所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,所述步骤S305中位置更新过程模拟哈里斯鹰的捕猎过程,包括以下步骤:
S3051,勘探阶段:模拟哈里斯鹰对猎物的搜索,用其敏锐的眼睛跟踪和发现猎物;考虑猎物不容易被发现的情况,设计两种策略模拟哈里斯鹰对猎物的搜索,并认为两种策略采用的概率是相同的;具体搜索策略公式如下:
式中:分别为下一次和当前迭代中第i个个体的位置,t表示当前迭代次数;/>为第t次迭代时从种群中随机选择的一个个体rand的位置;ri(i=1,2,3,4)均为[0,1]范围内的一个随机数;/>代表第t次迭代时种群中猎物位置,也就是最优个体的位置;/>是第t次迭代时种群的平均位置,计算公式如下:
式中:为当前迭代中第i个个体的位置,N表示种群数量;
S3052,从勘探到开发的转换阶段:哈里斯鹰会根据猎物的逃跑能量E在勘探和开发行为之间进行转换,猎物的逃跑能量设计如下:
E=2E0(1-t/T)
式中:E0为猎物的初始逃跑能量,每次迭代中,在[-1,1]范围内随机取值,t表示当前迭代次数,T表示最大迭代次数;当|E|≥1时进行勘探,当|E|<1时进行开发;
在计算逃跑能量过程中加入修正能量线性递减调控机制,将随机收缩指数函数融入逃跑能量E的递减过程,其对应的能量方程为:
式中:rand2为[-2,2]范围内随机数;
S3053,开发阶段:在实际的开发过程中,根据哈里斯鹰的捕食行为,又设计多种位置更新方式;首先定义一个[0,1]范围内的一个随机数r;
当0.5≤|E|<1且r≥0.5时,采用软包围策略进行位置更新:
式中:J为猎物在逃跑过程中的随机跳跃强度,是[0,2]范围内的随机数,Δxt表示当前最优个体位置和当前个体之间的差值,当前最优个体位置即猎物位置;
当|E|<0.5且r≥0.5时,采用硬包围策略进行位置更新:
当0.5≤|E|<1且r<0.5时,认为猎物具有足够的能量逃跑,在软包围下,哈里斯鹰需要进行突袭,即快速俯冲;采用渐进快速俯冲的软包围策略进行位置更新:
首先采用类似软包围策略评估下一步行动:
然后哈里斯鹰会检测是否可行,如果不行,会在接近猎物时做不规则的、突然且快速的俯冲,使用Levy飞行来定义这种俯冲方式:
ZY+SLevy(D)
式中:S是一个D维随机向量,每一元素[0,1]范围内;D是指寻优问题的维度;Levy(D)表示使用Levy飞行生成的符合Levy分布的D维随机向量;Levy(*)代表Levy飞行函数,公式如下:
∏(y)=(y-l)!
式中:μ、v均为(0,1)范围内随机数,β为常数1.5;
将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
当|E|<0.5且r<0.5时,认为猎物没有足够的能量逃跑,哈里斯鹰在硬包围下,进行俯冲以捕捉并杀死猎物;采用渐进快速俯冲的硬包围策略进行位置更新:
首先采用类似硬包围策略评估下一步行动:
然后哈里斯鹰会检测猎物是否存在欺骗行为,如果存在,就会改变其下一步行动,采用下式调整:
Z=Y+S·Levy(D)
同样地,将这种俯冲方式的选择设计为基于哈里斯鹰当前位置的适应度,选择如下:
在前面四种围捕机制中,引入一种自适应权重方法,哈里斯鹰搜索猎物时会使用较小的自适应权重更新位置,提高哈里斯鹰局部寻优能力;自适应权重公式和猎物位置更新如下:
5.根据权利要求3所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,所述步骤S3053中,D=3。
6.根据权利要求3所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,所述步骤S303中,dim=3。
7.根据权利要求1所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,所述步骤S4中,包括以下步骤:
S401,对模糊PID温度控制器(5)的参数进行配置,优化后的量化因子和输出比例因子会保存在工作空间中,模糊PID温度控制器(5)中的对应变量名的增益器会自动赋值;模糊PID温度控制器(5)的输入变量有2个,一个是高值耗材柜期望温度值Tε(t)和实际温度值T(t)的温度偏差e(t)=Tε(t)-T(t),另一个是其偏差变化率ec(t);
S402,当柜内的实际温度高于期望设定温度时,需要开启降温模块(7)风扇,达到降温的目的;当柜内的实际温度低于期望设定温度时,需要开启升温模块(6)加热器,达到降温的目的;
S403,将模糊PID温度控制器(5)中的模糊模块的输入输出e(t)、ec(t)、Kp、Ki和Kd划分为7个模糊集:NB,NM,NS,ZE,PS,PM,PB,NB为负大,NM为负中,NS为负小,ZE为零,PS为正小,PM为正中,PB为正大,对其隶属度函数采用三角型函数f(x,a,b,c)模糊化变量,表达式如下:
式中:a,c为三角型函数在横坐标轴上的值,b为三角型函数的顶点。
8.根据权利要求1所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制方法,其特征在于,所述步骤S2中,针对数学模型基于MATLAB/Simulink仿真平台设计模糊PID温度控制器(5)。
9.一种应用权利要求1所述方法的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制系统,其特征在于,包括温度采集模块(1),所述温度采集模块(1)均匀分布在高值耗材柜内,所述温度采集模块(1)与串口通信模块(2)连接,用于将采集的温度数据发送给上位机(3)和STM32控制器(4);
所述上位机(3)通过计算获得数学模型,基于改进哈里斯鹰算法优化模糊PID温度控制器(5)参数,用于将参数通过STM32控制器(4)发送给模糊PID温度控制器(5);
所述模糊PID温度控制器(5),用于控制升温模块(6)和降温模块(7)工作。
10.根据权利要求9所述的哈里斯鹰算法优化模糊PID参数的高值耗材柜温度控制系统,其特征在于,所述升温模块(6)为加热器,所述降温模块(7)为风扇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501035.2A CN116520909A (zh) | 2023-05-05 | 2023-05-05 | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501035.2A CN116520909A (zh) | 2023-05-05 | 2023-05-05 | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520909A true CN116520909A (zh) | 2023-08-01 |
Family
ID=87395615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310501035.2A Pending CN116520909A (zh) | 2023-05-05 | 2023-05-05 | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520909A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170250A (zh) * | 2023-10-31 | 2023-12-05 | 山东舜水信息科技有限公司 | 一种基于元启发式算法的水利监测设备控制优化方法 |
CN117492359A (zh) * | 2024-01-02 | 2024-02-02 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
CN117784852A (zh) * | 2024-02-28 | 2024-03-29 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
-
2023
- 2023-05-05 CN CN202310501035.2A patent/CN116520909A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117170250A (zh) * | 2023-10-31 | 2023-12-05 | 山东舜水信息科技有限公司 | 一种基于元启发式算法的水利监测设备控制优化方法 |
CN117170250B (zh) * | 2023-10-31 | 2024-01-30 | 山东舜水信息科技有限公司 | 一种基于元启发式算法的水利监测设备控制优化方法 |
CN117492359A (zh) * | 2024-01-02 | 2024-02-02 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
CN117492359B (zh) * | 2024-01-02 | 2024-03-22 | 济南大学 | 一种自适应pid控制器的参数优化方法 |
CN117784852A (zh) * | 2024-02-28 | 2024-03-29 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
CN117784852B (zh) * | 2024-02-28 | 2024-05-14 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116520909A (zh) | 哈里斯鹰算法优化模糊pid参数的高值耗材柜温度控制方法 | |
Li et al. | Thermal error modeling of machine tool spindle based on the improved algorithm optimized BP neural network | |
CN111695690B (zh) | 基于合作式强化学习与迁移学习的多智能体对抗决策方法 | |
CN113283156B (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN112963946B (zh) | 一种面向共享办公区域的暖通空调系统控制方法及装置 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN112670984A (zh) | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 | |
CN113241762B (zh) | 基于事件触发的回声状态网络自适应负荷频率控制方法 | |
CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
CN112012875A (zh) | 一种水轮机调节系统pid控制参数的优化方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN116760047A (zh) | 基于安全强化学习算法的配电网电压无功控制方法及系统 | |
CN115356919A (zh) | 一种二氧化氯消毒机pid控制器自适应调整方法 | |
CN109507891B (zh) | 一种半主动模糊控制方法 | |
CN113885324A (zh) | 一种建筑智能用电控制方法及系统 | |
CN112787331B (zh) | 基于深度强化学习的潮流收敛自动调整方法及系统 | |
CN112987572A (zh) | 一种基于先验知识的自适应球杆系统粒子群优化方法 | |
CN117350165A (zh) | 一种基于深度强化学习的3d芯片动态热管理方法 | |
Saber et al. | Real-time optimization for an AVR system using enhanced Harris Hawk and IIoT | |
CN114063438B (zh) | 一种数据驱动的多智能体系统pid控制协议自学习方法 | |
CN115393108A (zh) | 一种金融风险控制方法、装置及设备 | |
CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 |
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 |