CN116859711A - 一种基于iabc优化模糊pid的恒流泵控制系统 - Google Patents

Abstract

本发明公开了一种基于IABC优化模糊PID的恒流泵控制系统，通过IABC算法优化模糊PID控制器，包括首先对初始化种群采用混沌映射，生成大量的复杂多样的随机数序列，加速算法收敛速度和提高算法的全局搜索能力，然后，通过变维度梯度维度更新蜜源更新，在不同迭代范围采用不同维度的更新策略，平衡了算法的搜索和开发能力，在加快收敛速度的同时可以有效克服过早收敛的问题，最后通过以全局最优解为引导进行变范围邻域搜索对控制器比例因子智能寻优，增加了种群向优秀个体学习的概率，加快对于更好的食物源寻找，以此改良的ABC为模糊PID所寻找到的解，能够使系统的稳定性和准确性有很大的提高，远优于有人工经验所设的值。

Description

一种基于IABC优化模糊PID的恒流泵控制系统

技术领域

本发明涉及恒流泵控制系统相关技术领域，具体为一种基于IABC优化模糊PID的恒流泵控制系统。

背景技术

恒流泵是一种通过调节电流来控制流量的泵，常见于实验室中的化学、生物等应用领域。恒流泵可以输出恒定的流量或体积，通常采用微型泵或齿轮泵等形式。恒流泵的工作原理是通过调节泵电机的电流来控制泵的转速和流量，从而实现恒定的流量输出。因其精度高、稳定性好、体积小等优点，已广泛应用于实验室中的液相、气相等流体传输领域。电机控制部分负责通过调节电流来控制泵的转速和流量，驱动电源则提供稳定的电源供应。

由于传统的PID控制存在调整时间较长，超调量大，控制精度不高等问题，不能保证良好的动态性能。针对PID控制存在的问题，将自适应控制方法和预测控制方法结合起来，不仅维持了自适应控制方法本身的特性，还具备预测控制方法的控制效果好、鲁棒性强等优点，但此方法的理论研究集中于简单的线性化系统中，对于非线性的系统研究很缺乏。在PID控制中引入模糊控制，通过模糊控制对控制参数进行整定，大大的优化了参数的整定过程，但这种优化PID参数的方法过于依赖专家和操作人员的实际经验。

人工蜂群算法(Artificial Bee Colony Algorithm，简称ABC)是一种基于模拟蜜蜂觅食行为的群体智能优化算法。ABC算法通过模拟蜜蜂在采蜜过程中的行为，分为三种蜜蜂角色：工蜂、观察蜂和侦查蜂。其优化过程主要由三个阶段组成：初始化，搜索和局部搜索。其中，工蜂和观察蜂负责搜索蜜蜂养殖场(搜索空间)中的解，而侦查蜂则负责在搜索空间中的随机位置寻找新的解。ABC算法主要适用于解决连续性优化问题，例如函数优化、参数寻优等。该算法的优点在于具有较高的收敛速度和全局寻优能力，在一些实际应用中也取得了较好的效果。

人工蜂群算法虽然具有良好的全局搜索性能和较快的收敛速度，但对于复杂的多模态问题，可能会出现收敛到局部最优解的情况。

发明内容

针对上述不足，本发明通过以下技术方案：

一种基于IABC优化模糊PID的恒流泵控制系统，其特征在于包括：基于IABC算法的模糊PID的参数优化算法以及模糊PID控制器，所述基于IABC算法的模糊PID的参数优算法化包括以下步骤：

步骤10：设置ABC的参数，所述参数包括种群大小SN、最大迭代次数，maxit、最大评估次数MFE、个体维数d、阈值limit；

步骤20：生成初始种群，采用混沌映射公式如下：

x_ij＝chebyshev(d)(1)

x(i)＝cos(4acos(x(i-1))) (2)

每个解

其中和/>分别代表着第j维搜索空间的下界和上界。

chebyshev为混沌映射函数，(2)为其具体表达式。

步骤30：这边我们选取时间与绝对误差的积分(ITAE)作为适应函数，具体公式如(3)，选取适应值较大的SN/2个个体作为初始雇佣蜂种群：

其中，e(t)为系统误差。

步骤40、在由步骤30选择出来的雇佣蜂个体附近进行邻域搜索，得到新蜜源，搜索策略如公式(4)所示：

x_ij*＝best_j+r_v(x_ij*-x_kj*) (4)

r_v＝αe^{-(it-0.1maxi)/(0.3maxit)} (5)

j*＝randperm(length(b),fix(c*d)+1)； (6)

(4)中为随机选取种群中较好的个体，为自适应步长；为设定的参数值；it为当前执行的迭代次数,maxit为最大迭代次数，k为不等于i的数。j*为随机选取的多个参数的索引，b为所有参数的索引组成的数列，c为百分比，具体选择规则如下：

当迭代到在前40％时，随机选取前70％的参数更新，此时c＝0.7。

当迭代到在前60％时，随机选取前50％的参数更新，此时c＝0.5。

当迭代到在前80％时，随机选取前20％的参数更新，此时c＝0.2。

当迭代到在前90％时，随机选取前10％的参数更新，此时c＝0.1。

当迭代到在前100％时，随机选取前10％的参数更新，此时c＝0。

步骤50、

按照公式(3)计算新蜜源中新个体的适应值，记作Fit,若fiti<Fit，采用新个体替换当前雇佣蜂个体，i＝0:否则，进行随机搜索，当rand<Pi时，按照公式(7)进行搜索，若rand>Pi，i++，Pi见公式(8):

v_ij＝x_ij+r_ij(x_ij-x_kj) (7)

其中rand为0到1之间的随机数，k为不等于i的整数，r取值范围为[-1,1]；步骤60、判断i>limit是否成立，若成立，则放弃当前蜜源，进入侦查蜂阶段，根据公式(8)生成新蜜源，若不成立，则当前的解为最优解，转至步骤70；步骤70、记录最优解；

步骤80、判断评估次数≥MFE，若是，则输出最优解；否则，转至步骤40。

模糊ID控制器算法包括模糊控制规则和隶属度函数,通过模糊控制算法对PID控制器算法中的积分系数和微分系数进行整定,利用IABC对控制器比例因子智能寻优。具体的,选择输出流量偏差e与其导数ec作为模糊控制器的输入变量,经量化因子作用后输入模糊控制器得到模糊化变量E和Ec。接着,给出转速偏差e、转速偏差变化率ec的模糊论域、模糊语言值,设置偏差e、偏差变化ec和控制量U的基本论域为[-3,3],并划分为7个等级,即{-3,-2,-1,0,1,2,3},模糊语言值(负大,负中,负小,零,正小,正中,正大],即{NB,NM,NS,O,PS,PM,PB)，优选的，所用隶属度函数为三角隶属函数,分别为图3所示。

具体的，所述模糊控制规则如下所述：

通过结合e(n)以及ec(n)对(Δkp,Δki,Δkd)进行反模糊化，再结合比例因子和PID初始值，整定可以得出n时刻比例、积分和微分系数，公式如下(1)：

K_P0，K_i0，K_d0为PID初始值，UK_P、UK_i、UK_d为比例因子。恒流泵模型为num(s)/den(s)。

最终得到模糊PID控制器的输出信号如下式(2)：

本发明的有益效果是：(1)对于初始化种群采用混沌映射。混沌映射可以生成大量的随机数序列，这些序列具有高度的随机性和复杂性，可以保证种群中的初始解具有较大的多样性，有助于加速算法收敛速度和提高算法的全局搜索能力。

(2)变维度更新蜜源。由于对于食物源进行更新时每次只更新一个维度，严重影响了搜索的效率，这是人工蜂群算法收敛速度慢、精度差的主要原因。为了解决这一问题，本节提出了一种新的更新策略——变维度蜜源更新。在不同迭代范围采用不同维度的更新策略。采用这种梯度维度更新，平衡了算法的搜索和开发能力，在加快收敛速度的同时可以有效克服过早收敛的问题。

(3)以全局最优解为引导进行变范围邻域搜索。为了增加种群向优秀个体学习的概率，算法让蜜蜂始终围绕一些有着好的适应度值的食物源进行搜索，并且根据迭代次数改变搜索半径大小，加快对于更好的食物源寻找。

(4)以改良的ABC为模糊PID所寻找到的解，能够使系统的稳定性和准确性有很大的提高，远优于有人工经验所设的值。。

附图说明

图1为本发明的控制系统算法流程图示意图；

图2为本发明通过matlab中的simulink搭建的系统示意图；

图3为本发明的所用隶属度函数为三角隶属函数示意图；

图4为本发明具体实验结果图。

具体实施方式

下面将结合本发明实施例及附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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

模糊PID控制器

基于IABC优化模糊PID的恒流泵控制系统，具体的是一种利用IABC算法寻找最优的模糊PID的参数，加快恒流泵的响应速度和提高稳定性，降低系统脉动。

通过matlab中的simulink搭建系统图，如图2。

模糊ID控制器算法包括模糊控制规则和隶属度函数,通过模糊控制算法对PID控制器算法中的积分系数和微分系数进行整定,利用IABC对控制器比例因子智能寻优。具体的,选择输出流量偏差e与其导数ec作为模糊控制器的输入变量,经量化因子作用后输入模糊控制器得到模糊化变量E和Ec。接着,给出转速偏差e、转速偏差变化率ec的模糊论域、模糊语言值,设置偏差e、偏差变化ec和控制量U的基本论域为[-3,3],并划分为7个等级,即{-3,-2,-1,0,1,2,3},模糊语言值(负大,负中,负小,零,正小,正中,正大],即{NB,NM,NS,O,PS,PM,PB)。所用隶属度函数为三角隶属函数,分别为图3所示。

通过给出的(Δkp,Δki,Δkd)的模糊论域和模糊语言值[-3,3],将其划分为7个等级,即{-3,-2,-1,0,1,2,3},模糊语言值(负大,负中,负小,零,正小,正中,正大],即{NB,NM,NS,O,PS,PM,PB),所用隶属度函数为三角隶属函数图像分别如上图所示。

模糊控制规则是结合转速偏差e(n)、转速偏差ec(n)的情况下(Δkp,Δki,Δkd)的控制规则，通过结合e(n)以及ec(n)对(Δkp,Δki,Δkd)进行反模糊化，再结合比例因子和PID初始值，整定可以得出n时刻比例、积分和微分系数，公式如下(1)：

K_P0，K_i0，K_d0为PID初始值，UK_P、UK_i、UK_d为比例因子。恒流泵模型为num(s)/den(s)。

通过式(2)模糊输出PID控制器的信号为：

IABC优化算法

本优化算法通过对于初始化种群采用混沌映射，可以保证种群中的初始解具有较大的多样性，加速算法收敛速度和提高算法的全局搜索能力。在不同迭代范围采用不同维度的更新策略，可以有效克服过早收敛的问题。同时以全局最优解为引导，为了增加种群向优秀个体学习的概率，算法让蜜蜂始终围绕一些有着好的适应度值的食物源进行搜索，并且根据迭代次数改变搜索半径大小，加快对于更好的食物源寻找。

具体步骤如下：

步骤10：设置ABC的参数，所述参数包括种群大小SN、最大迭代次数，maxit、最大评估次数MFE、个体维数d、阈值limit；

步骤20：生成初始种群，采用混沌映射公式如下：

x_ij＝chebyshev(d) (1)

x(i)＝cos(4acos(x(i-1))) (2)

每个解

其中和/>分别代表着第j维搜索空间的下界和上界。

chebyshev为混沌映射函数，(2)为其具体表达式。

步骤30：这边我们选取时间与绝对误差的积分(ITAE)作为适应函数，具体公式如(3)，选取适应值较大的SN/2个个体作为初始雇佣蜂种群：

其中，e(t)为系统误差。

步骤40、在由步骤30选择出来的雇佣蜂个体附近进行邻域搜索，得到新蜜源，搜索策略如公式(4)所示：

x_ij*＝best_j+r_v(x_ij*-x_kj*) (4)

r_v＝αe^{-(it-0.1maxi)/(0.3maxit)} (5)

j*＝randperm(length(b),fix(c*d)+1)； (6)

(4)中为随机选取种群中较好的个体，为自适应步长；为设定的参数值；it为当前执行的迭代次数,maxit为最大迭代次数，k为不等于i的数。j*为随机选取的多个参数的索引，b为所有参数的索引组成的数列，c为百分比，具体选择规则如下：

当迭代到在前40％时，随机选取前70％的参数更新，此时c＝0.7。

当迭代到在前60％时，随机选取前50％的参数更新，此时c＝0.5。

当迭代到在前80％时，随机选取前20％的参数更新，此时c＝0.2。

当迭代到在前90％时，随机选取前10％的参数更新，此时c＝0.1。

当迭代到在前100％时，随机选取前10％的参数更新，此时c＝0。

步骤50、

按照公式(3)计算新蜜源中新个体的适应值，记作Fit,若fiti<Fit，采用新个体替换当前雇佣蜂个体，i＝0:否则，进行随机搜索，当rand<Pi时，按照公式(7)进行搜索，若rand>Pi，i++，Pi见公式(8)：

v_ij＝x_ij+r_ij(x_ij-x_kj) (7)

其中rand为0到1之间的随机数，k为不等于i的整数，r取值范围为[-1,1]；

步骤60、判断i>limit是否成立，若成立，则放弃当前蜜源，进入侦查蜂阶段，根据公式(8)生成新蜜源，若不成立，则当前的解为最优解，转至步骤70；

步骤70、记录最优解；

步骤80、判断评估次数≥MFE，若是，则输出最优解；否则，转至步骤40。

步骤90、将输出的值赋给系统，对模糊控制器进行仿真实验，输入为阶跃信号，PID初值为：P＝2，I＝3，D＝0.1，得到最终系统的响应图，实验结果如图3及表1所示。

表1：阶跃响应控制策略结果对比

由上图和表1结果可知，改进ABC优化的模糊PID的超调量(控制精度)相比于PID和模糊PID降低了很多，表明系统的稳定性和精度有了很大的提升。从调节时间和上升时间来看，改进ABC优化的模糊PID有着快的响应速度。从峰值时间和峰值来看，改进ABC优化的模糊PID的系统震荡幅度更小，系统更加稳定，系统的抗干扰能力也有了很大的提升。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于IABC优化模糊PID的恒流泵控制系统，其特征在于包括：基于IABC算法的模糊PID的参数优化算法以及模糊PID控制器，所述基于IABC算法的模糊PID的参数优算法化包括以下步骤：

步骤10：设置ABC的参数，所述参数包括种群大小SN、最大迭代次数，maxit、最大评估次数MFE、个体维数d、阈值limit；

步骤20：生成初始种群，采用混沌映射公式如下：

x_ij＝chebyshev(d) (1)

x(i)＝cos(4acos(x(i-1))) (2)

每个解

其中和/>分别代表着第j维搜索空间的下界和上界。

chebyshev为混沌映射函数，(2)为其具体表达式。

步骤30：这边我们选取时间与绝对误差的积分(ITAE)作为适应函数，具体公式如(3)，选取适应值较大的SN/2个个体作为初始雇佣蜂种群：

其中，e(t)为系统误差。

步骤40、在由步骤30选择出来的雇佣蜂个体附近进行邻域搜索，得到新蜜源，搜索策略如公式(4)所示：

x_ij*＝best_j+r_v(x_ij*-x_kj*) (4)

r_v＝αe^{-(it-0.1maxit)/(0.3ma)} (5)

j*＝randperm(length(b),fix(c*d)+1)； (6)

(4)中为随机选取种群中较好的个体，为自适应步长；为设定的参数值；it为当前执行的迭代次数,maxit为最大迭代次数，k为不等于i的数。j*为随机选取的多个参数的索引，b为所有参数的索引组成的数列，c为百分比，具体选择规则如下：

当迭代到在前40％时，随机选取前70％的参数更新，此时c＝0.7。

当迭代到在前60％时，随机选取前50％的参数更新，此时c＝0.5。

当迭代到在前80％时，随机选取前20％的参数更新，此时c＝0.2。

当迭代到在前90％时，随机选取前10％的参数更新，此时c＝0.1。

当迭代到在前100％时，随机选取前10％的参数更新，此时c＝0。

步骤50、

按照公式(3)计算新蜜源中新个体的适应值，记作Fit,若fiti<Fit，采用新个体替换当前雇佣蜂个体，i＝0:否则，进行随机搜索，当rand<Pi时，按照公式(7)进行搜索，若rand>Pi，i++，Pi见公式(8)：

v_ij＝x_ij+r_ij(x_ij-x_kj) (7)

其中rand为0到1之间的随机数，k为不等于i的整数，r取值范围为[-1,1]；步骤60、判断i>limit是否成立，若成立，则放弃当前蜜源，进入侦查蜂阶段，根据公式(8)生成新蜜源，若不成立，则当前的解为最优解，转至步骤70；步骤70、记录最优解；

步骤80、判断评估次数≥MFE，若是，则输出最优解；否则，转至步骤40。

所述模糊PID控制器通过模糊控制算法对PID控制器算法中的积分系数和微分系数进行整定,利用IABC对控制器比例因子智能寻优。通过选择输出流量偏差e与其导数ec作为模糊控制器的输入变量,经量化因子作用后输入模糊控制器得到模糊化变量E和Ec。接着给出转速偏差e、转速偏差变化率ec的模糊论域、模糊语言值,设置偏差e、偏差变化ec和控制量U的基本论域为[-3,3],并划分为7个等级,即{-3,-2,-1,0,1,2,3},模糊语言值(负大,负中,负小,零,正小,正中,正大],即{NB,NM,NS,O,PS,PM,PB)。

所述模糊PID控制器算法包括模糊控制规则和隶属度函数,所述隶属度函数为三角隶属度函数，

所述模糊控制规则如下所述：

通过结合e(n)以及ec(n)对(Δkp,Δki,Δkd)进行反模糊化，再结合比例因子和PID初始值，整定可以得出n时刻比例、积分和微分系数，公式如下(1)：

K_P0，K_i0，K_d0为PID初始值，UK_P、UK_i、UK_d为比例因子。

通过下式(2)输出模糊PID控制器的信号为：

。