CN117608327A - 一种用于反应釜温度控制系统的控制器优化方法及装置 - Google Patents

Abstract

本申请公开了一种用于反应釜温度控制系统的控制器优化方法及装置。首先获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数，设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；然后通过Simulink模型计算鲸鱼优化算法的当前适应值，进行计算直至模型运行达到最大迭代次数，最后将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。本申请相比传统PID控制和模糊PID控制更优。将设计的控制器用于化学反应釜温度控制能有效地提高生产效率及降低生产成本。

Description

一种用于反应釜温度控制系统的控制器优化方法及装置

技术领域

本发明涉及工业自动化过程控制技术领域，特别涉及一种用于反应釜温度控制系统的控制器优化方法及装置。

背景技术

搅拌釜式反应器在化工领域的应用广泛，其中釜内温度是衡量放热反应稳定性的重要参数，直接决定了产品的质量，且系统有非线性、时变性、大延迟、大惯性等特征。

对于上述特性的反应釜温度控制系统，严重依赖于被控对象的准确数学模型的传统PID控制的控制效果并不理想，而模糊控制与PID相结合的模糊自适应PID控制相比传统PID控制和其他模糊控制，在超调量、响应速度、适应性和鲁棒性等方面都更好，但模糊自适应PID需要根据经验设置的参数过多，人工设置参数会影响控制精度，不易调试且很难找到最优的参数达到更好地控制效果，需要花费大量时间在参数调试上也会导致生产成本高，不利于产品在是市场中的竞争。

发明内容

基于此，本申请实施例提供了一种用于反应釜温度控制系统的控制器优化方法及装置，能够克服现有模糊自适应PID控制人工设置参数控制精度不高，参数不易调节且很难达到更好响应时间和控制效果的问题。

第一方面，提供了一种用于反应釜温度控制系统的控制器优化方法，该方法包括：

获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数；其中，参数至少包括量化因子和比例因子；

设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；其中，所述适应度函数选用ITAE指标；

将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

可选地，所述量化因子具体包括Ke、Kec，其中：

Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；

Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

可选地，所述比例因子具体包括Kp、Ki、Kd，其中：

Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；

Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；

Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

可选地，将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，包括：

初始化参数；初始化鲸鱼群体的位置；

判断是否满足终止条件；所述终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

可选地，判断是否满足终止条件之后，所述方法还包括：

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。

第二方面，提供了一种用于反应釜温度控制系统的控制器优化装置，该装置包括：

获取模块，用于获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数；其中，参数至少包括量化因子和比例因子；

设定模块，用于设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；其中，所述适应度函数选用ITAE指标；

计算模块，用于将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

更新模块，用于获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

可选地，所述量化因子具体包括Ke、Kec，其中：

Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；

Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

可选地，所述比例因子具体包括Kp、Ki、Kd，其中：

Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；

Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；

Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

可选地，计算模块包括：

初始化参数；初始化鲸鱼群体的位置；

判断是否满足终止条件；所述终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

可选地，判断是否满足终止条件之后，所述装置还包括：

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。

本申请实施例基于鲸鱼优化模糊自适应PID控制器，相比于常规PID控制和常规模糊PID控制在控制的响应速度和控制精度上都有较好的表现，控制器在保持较快的响应速度的同时，能保持较好的控制精度，综合比较相比传统PID控制和模糊PID控制更优，将设计的控制器用于化学反应釜温度控制能有效地提高生产效率及降低生产成本。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。

图1为本申请实施例提供的一种用于反应釜温度控制系统的控制器优化方法流程图；

图2是基于鲸鱼优化的模糊自适应PID参数优化结构图；

图3是鲸鱼优化模糊自适应PID流程图；

图4是鲸鱼优化算法流程图；

图5是三种控制方式的对比仿真曲线。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本发明的描述中，术语“包括”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元，而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元，或者基于本发明构思进一步的优化方案所增加的步骤或单元。

搅拌釜式反应器在化工领域的应用广泛，其中釜内温度是衡量放热反应稳定性的重要参数，直接决定了产品的质量，且系统有非线性、时变性、大延迟、大惯性等特征。对于上述特性的反应釜温度控制系统，严重依赖于被控对象的准确数学模型的传统PID控制的控制效果并不理想，而模糊控制与PID相结合的模糊自适应PID控制相比传统PID控制和其他模糊控制，在超调量、响应速度、适应性和鲁棒性等方面都更好，但模糊自适应PID需要根据经验设置的参数过多，人工设置参数会影响控制精度，不易调试且很难找到最优的参数达到更好地控制效果，需要花费大量时间在参数调试上也会导致生产成本高，不利于产品在是市场中的竞争。

本申请目的在于克服现有模糊自适应PID控制人工设置参数控制精度不高，参数不易调节且很难达到更好响应时间和控制效果的不足，提出了一种基于鲸鱼优化的模糊自适应PID参数优化的控制器设计方法。具体地，请参考图1，其示出了本申请实施例提供的一种用于反应釜温度控制系统的控制器优化方法的流程图，该方法可以包括以下步骤：

步骤101，获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数。

其中，参数至少包括量化因子和比例因子。本申请的系统是指反应釜温度控制系统。

量化因子具体包括Ke、Kec，Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

比例因子具体包括Kp、Ki、Kd，其中：Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

步骤102，设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数。

其中，适应度函数选用ITAE指标。

步骤103，将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

在本申请实施例中，初始化参数；初始化鲸鱼群体的位置；判断是否满足终止条件；终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。

步骤104，获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

基于鲸鱼优化的模糊自适应PID参数优化结构框图如图2所示，鲸鱼优化模糊自适应PID流程图如图3所示，需优化的参数分别为量化因子Ke、Kec和比例因子Kp、Ki、Kd，具体实现过程可分为以下三个步骤。

(1)鲸鱼优化算法中种群规模和迭代次数影响着最终优化效果，一般种群规模越大，优化效果越好，但过大的种群规模反而会导致收敛速度变慢，解决不了问题。因此为便于优化需选取合适的种群数和迭代数，另外寻优的上下限也需要选取合适的。

(2)传统模糊自适应PID控制中的量化因子Ke、Kec和比例因子Kp、Ki、Kd参数是依靠人工经验进行设置，无法确定最优值，因此达不到最优控制效果。因此采用ITAE指标作为适应度函数进行适应值计算，已使本设计的基于鲸鱼优化的模糊PID控制器的超调量小、响应速度快，调节时间短，达到最佳的控制效果。其中ITAE指标是误差绝对值乘以时间项对时间的积分，兼顾了控制精度和收敛速度。

(3)在图3中，利用Simulink模型对当前适应值进行计算，再将适应值传入鲸鱼优化算法中，并通过图4中算法流程进行运算。且当算法运行达到最大迭代次数或者适应值指标时，算法运行结束，并将最终获取到的量化和比例因子参数传入到模糊自适应PID控制器中，即可得到最终的优化仿真结果。

综上可以看出，本申请的基于鲸鱼优化模糊自适应PID控制器，通过优化算法迭代优化模糊自适应PID控制的量化因子Ke、Kec和比例因子Kp、Ki、Kd，使该控制器对系统的控制效果更佳，可有效的提高系统对非线性、时变性和时滞性的处理能力。本申请的创新点在于控制器优化设计方法的保护，即基于鲸鱼优化模糊PID控制器的设计，也即利用鲸鱼优化算法优化模糊PID中的量化和比例因子控制器的优化设计，也即该优化后的控制器应用于化学反应釜温度控制系统范围。

以下给出利用上述方法的具体优化对比结果，基于鲸鱼优化模糊自适应PID控制器，相比于常规PID控制和常规模糊PID控制在控制的响应速度和控制精度上都有较好的表现，如图5不同控制方式的对比仿真曲线和表1不同控制系统参数对比表所示，本申请设计的基于鲸鱼优化模糊自适应PID控制器上升时间和稳定时间分别为55s和123s，超调量为0.67％是三种控制其中第二小的，可以看出本申请设计的控制器在保持较快的响应速度的同时，能保持较好的控制精度，综合比较相比传统PID控制和模糊PID控制更优。将设计的控制器用于化学反应釜温度控制能有效地提高生产效率及降低生产成本。

表1不同控制系统参数对比表

控制系统	超调量(％)	上升时间(s)	稳定时间(s)
				传统PID	8.61	80	256
模糊PID	0.028	64	165
				鲸鱼优化模糊PID	0.67	55	123

本申请实施例还提供的一种用于反应釜温度控制系统的控制器优化装置。装置包括：

获取模块，用于获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数；其中，参数至少包括量化因子和比例因子；

设定模块，用于设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；其中，适应度函数选用ITAE指标；

计算模块，用于将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

更新模块，用于获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

在本申请可选的实施例中，量化因子具体包括Ke、Kec，其中：

Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；

Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

比例因子具体包括Kp、Ki、Kd，其中：

Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；

Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；

Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

在本申请可选的实施例中，计算模块包括：

初始化参数；初始化鲸鱼群体的位置；

判断是否满足终止条件；终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

在本申请可选的实施例中，判断是否满足终止条件之后，装置还包括：

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。

关于用于反应釜温度控制系统的控制器优化装置的具体限定可以参见上文中对于用于反应釜温度控制系统的控制器优化方法的限定，在此不再赘述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用于反应釜温度控制系统的控制器优化方法，其特征在于，所述方法包括：

获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数；其中，参数至少包括量化因子和比例因子；

设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；其中，所述适应度函数选用ITAE指标；

将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

2.根据权利要求1所述的方法，其特征在于，所述量化因子具体包括Ke、Kec，其中：

Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；

Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

3.根据权利要求1所述的方法，其特征在于，所述比例因子具体包括Kp、Ki、Kd，其中：

Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；

Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；

Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

4.根据权利要求1所述的方法，其特征在于，将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，包括：

初始化参数；初始化鲸鱼群体的位置；

判断是否满足终止条件；所述终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

5.根据权利要求1所述的方法，其特征在于，判断是否满足终止条件之后，所述方法还包括：

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。

6.一种用于反应釜温度控制系统的控制器优化装置，其特征在于，所述装置包括：

获取模块，用于获取PID控制系统的初始值，设置模糊自适应PID控制器的初始参数；其中，参数至少包括量化因子和比例因子；

设定模块，用于设定鲸鱼优化算法的种群规模和迭代次数，并确定适应度函数；其中，所述适应度函数选用ITAE指标；

计算模块，用于将PID控制系统的初始值以及模糊自适应PID控制器的初始参数通过Simulink模型计算鲸鱼优化算法的当前适应值，并将当前适应值迭代到下一训练批次进行计算直至模型运行达到最大迭代次数；

更新模块，用于获取最终迭代批次中的参数，并将参数传入到模糊自适应PID控制器中，利用得到的参数优化模糊自适应PID控制器。

7.根据权利要求6所述的装置，其特征在于，所述量化因子具体包括Ke、Kec，其中：

Ke负责调整系统的比例增益，影响系统的响应速度和稳定性；

Kec负责调整系统的微分增益，影响系统的阻尼比，从而影响系统的超调量和收敛速度。

8.根据权利要求6所述的装置，其特征在于，所述比例因子具体包括Kp、Ki、Kd，其中：

Kp负责比例调节，根据期望输出与实际输出的差值来调整系统的输出；

Ki负责积分调节，累积差值并加入到输出调节过程中，以消除系统的静差；

Kd负责微分调节，通过计算前后两次差值的变化率来调节系统输出，以优化系统的响应趋势。

9.根据权利要求6所述的装置，其特征在于，计算模块包括：

初始化参数；初始化鲸鱼群体的位置；

判断是否满足终止条件；所述终止条件至少包括训练是否达到最大迭代次数；

当未满足终止条件时，计算鲸鱼群体的适应值；更新鲸鱼群体中所有鲸鱼个体的位置，并更新鲸鱼群体的适应值，并进行下一训练批次的终止条件判断。

10.根据权利要求9所述的装置，其特征在于，判断是否满足终止条件之后，所述装置还包括：

当满足终止条件时，输出最优鲸鱼个体的位置，进而输出最优鲸鱼个体的适应值，并结束训练。