一种篦冷机刮板速度控制方法与流程

本发明属于水泥熟料工业生产自动控制过程领域，具体的说是一种篦冷机刮板速度控制方法。
背景技术：
：篦冷机是水泥行业熟料煅烧生产系统重要配套设备，广泛的应用于水泥工业熟料生产线上。如今，篦冷机已经发展到第四代，随着生产能力的提升，其驱动方式从机械驱动换成液压驱动。因而，调节液压控制篦冷机刮板速度以及调节过程平稳性、准确性、减小运行冲击与振动等成为水泥熟料篦冷机控制过程的主要内容。为实现篦冷机刮板速度调节与控制，本发明采用PID控制。在确定篦冷机刮板速度控制系统模型和控制策略的前提条件下，如何设计优化PID控制器的Kp(比例系数)、Ts(积分时间常数)、TD(微分时间常数)等参数成为影响本系统控制效果的关键。目前，在PID控制器参数优化的智能方法中，常用的有粒子群算法、遗传算法和人群搜索算法等，但在实际操作中往往易陷入局部最小解，出现搜索的分散性变差，全局所搜能力减弱，无法搜索到更好解的不足，从而影响被控系统的控制效果。技术实现要素：本发明提供了一种将模拟退火技术与粒子群算法相结合，采用PID控制，优化出PID控制器参数，实现对篦冷机刮板速度的更高精度的控制，并且调速过程更平稳，减小振动和冲击的基于模拟退火粒子群算法的篦冷机刮板速度控制方法，克服了现有篦冷机刮板速度得不到有效控制的问题。本发明技术方案结合附图说明如下：一种篦冷机刮板速度控制方法，该控制方法包括以下步骤：步骤一、建立篦冷机刮板速度的适应度函数；步骤二、初始化篦冷机刮板速度的适应度函数的参数；步骤三、初始化适应度函数的N个解X，其中每个解的矢量由PID控制器三个参数组成，所以解的矢量维数D＝3，每个解的速度V的维数与每个解X的维数相同；步骤四、通过步骤一中的适应度函数计算出第一代每个解的适应值，选出最小的适应值作为全局最佳适应值zbest，对应的解是全局最佳解Gbest，再把第一代每个解作为个体最佳解Pi，其适应值作为个体解最佳适应值gbest；步骤五、计算突跳概率因子T；步骤六、全局最佳适应值zbest和全局最佳位置Gbest进入迭代循环Maxlter；步骤七、得出zbest和Gbest，Gbest就是篦冷机刮板速度的适应度函数中的最优参数。所述步骤一中的适应度函数具体如下：其中e(t)为PID控制器的设定值与反馈值的系统误差，u(t)为PID控制器输出，ω2和ω1为权值，为了避免系统输出超调，采用惩罚控制，如果e(t)<0时，其中ω3为权值，通常情况下ω1＝0.999，ω2＝0.001，ω3＝100。所述步骤二中初始化的参数包括迭代数Maxlter、当前迭代数t、经验控制参数c1和c2，其中c1调节解调整向个体最佳解方向移动的步长，c2调节解向全局最佳解方向的移动的步长、收敛系数lamda、收敛系数是使突跳概率因子呈线性缩减、最大权值ωmax、最小权值ωmin、压缩因子其中压缩因子是根据公式求得的，C＝c1+c2，且C>4，其作用控制和约束解调整的大小。所述步骤三中初始化解的矩阵：Kp、Ki、Kd参数的范围[0100]；初始化速度矩阵：Vp、Vi、Vd参数的范围[01]，初始化最大速度Vmax和最小速度Vmin。所述步骤五中突跳概率因子T通过如下公式计算：T＝-Fitness(Gbest)/log(0.2)。(3)所述步骤六的具体步骤如下：(1)计算出最佳适应值Fitness(Gbest)，算出每个解的突跳概率通过如下公式：其中Δf＝Fitness(Xi)-Fitness(Gbest)，Fitness(Xi)为当前解的适应值，i＝1～N；(2)每个解的突跳概率Tu和在0-1区间内随机数random进行比较，如果解的突跳概率大于随机数random，解Xi就取代Gbest，避免了迭代寻优过程中易陷于局部最小解的问题，否则不取代，引入突跳概率是避免迭代寻优出现早熟的现象，使寻优不能找到更好的解；(3)计算权值ω，通过如下公式：权值ω作用寻优前期提高全局搜索能力和寻优后期局部搜索能力；(4)更新速度V(N，D)，通过如下公式：Vi(t+1)＝ω×Vi(t)+c1×r1×(Pi-Xi(t))+c2×r2×(Gbest-Xi(t))(6)其中t为迭代数；Vi(t)为第i个第t次迭代时的速度大小，r1,r2是在(0,1)区间上服从均匀分布的随机数；(5)更新解X(N，D)，通过如下公式：其中C＝c1+c2,且C>4，压缩因子的引入更好地控制搜索速度防止速度过快错过最佳值，Xi(t)为第i个第t次迭代时的解；(6)逻辑判断：计算出每一个解更新后的适应值Fitness(Xi)；个体最佳适应值和个体最佳位置的更新，假如更新后的适应值Fitness(Xi)小于个体最佳适应值gbest，则个体最佳适应值gbest＝Fitness(Xi)，个体最佳位置Pi就等于Xi；全局最佳适应值和个体适应值的更新，当前解的适应值Fitness(Xi)小于全局适应值zbest，则zbest＝Fitness(Xi)，全局最佳位置Gbest＝x(i)；(7)T和t的更新：T＝lamda*T，t＝t+1，其中T随着迭代次数的减小，突跳概率值也将趋近于零；(8)判断t是否等于Maxlter，假如相等则跳出步骤六，进入步骤七。本发明的有益效果是：粒子群(PSO)算法简单容易实现，然而易出现早熟等现象导致不能全局寻优。由于本发明由PID控制器控制，因此本发明篦冷机刮板速度控制可以转化成寻找PID控制器参数最优解的问题。本发明针对上述问题，引入突跳概率，它受到温度参数的控制，即概率大小随着温度的下降而减小，而温度参数随着迭代次数的增加而减小，因此能避免早熟等现象、加快求解速度和保证解的分散性。确定篦冷机刮板速度控制系统的传递函数和设定值为单位阶跃之后，仿真结果证明，本发明采用PID参数整定的模拟退火粒子群算法对系统整定出的PID的参数，与粒子群算法、遗传算法和人群搜索算法优化出的参数相比，在迭代数相等时，全局搜索能力增强，，保证了解的分散性，避免了传统粒子群算法容易陷入早熟等问题，适应值的收敛速度也加快，通过该算法优化出的PID控制参数(Kp，Ki，Kd)，对篦冷机刮板速度控制系统的控制精度提高，控制过程中冲击和振动也是最小的，有利于满足篦冷机的高冷却效率和高热回收效率的要求，有利于水泥行业的发展。附图说明图1为模拟退火粒子群对PID控制器参数整定原理图；图2为模拟退火粒子群优化曲线图；图3为模拟退火粒子群适应值曲线图；图4为粒子群优化曲线图；图5为粒子群适应值曲线图；图6为人群搜索优化曲线图；图7为人群搜索适应值曲线图；图8为遗传优化曲线图；图9为遗传适应值曲线图；图10为篦冷机刮板速度控制系统跃响应综合误差曲线图；图11为篦冷机刮板速度控制系统跃响应综合输出曲线图；图12为本发明流程图。具体实施方式下面结合附图及实施例，对本发明做进一步详细描述。本发明是基于模拟退火粒子群算法的篦冷机刮板速度控制方法。由电液控制理论可以得出一个阀控的电液位置伺服系统，选取适当参数进行仿真研究，可得出篦冷机速度控制系统的闭环传递函数并将模拟退火粒子群算法对系统函数进行PID参数优化仿真。模拟退火粒子群对PID控制器(比例-积分-微分控制器)参数整定原理图参阅图1所示。参阅图12，篦冷机刮板速度控制方法包括以下步骤：步骤一)，模拟退火粒子群算法的建立篦冷机刮板速度的适应度函数：适应度函数是用来评价寻优解的性能的，其中适应度函数引用余胜威使用的适应度函数，具体函数如下：其中e(t)为系统误差，u(t)为控制器输出，ω2和ω1为权值。为了避免系统输出超调，采用惩罚控制，如果e(t)<0时通常情况下ω1＝0.999，ω2＝0.001，ω3＝100，适应度函数反映PID三个参数的控制效果，适应值越小反映控制效果更好。步骤二)，初始化篦冷机刮板速度的适应度函数的参数，以下参数都是仿真调试期间的经验值和最佳效果值，迭代数Maxlter＝100、当前迭代数t、学习因子c1＝2.1和c2＝2.1、温度冷却系数lamda＝0.6、压缩因子其中压缩因子是引用Clerc博士提出的公式求得的，C＝c1+c2,且C>4,ωmax＝0.9、ωmin＝0.45。步骤三)，初始化种群，种群X中的个数N＝30，其中每个粒子的位置矢量由PID(比例-积分-微分)三个参数组成(位置矢量的维数D＝3)，每个粒子的速度矢量维数与每个粒子的维数相同；Kp、Ki、Kd参数的范围[0100]；Vp、Vi、Vd参数的范围[01],Vmax＝1；Vmin＝-1；步骤四)通过公式(3)和公式(2)计算出第一代每个粒子的适应值，选出最小的适应值作为全局最佳适应值zbest，对应的粒子是全局最佳位置Gbest，再把第一代每个粒子作为个体最佳位置Pi，其适应值作为个体最佳适应值gbest，其中全局最佳位置就是PID控制的最佳控制参数。步骤五)，计算突跳概率因子T，通过如下公式：T＝-Fitness(Gbest)/log(0.2)(4)该公式是来自模拟退火算法中的初始化退火温度公式。步骤六)，进入迭代循环Maxlter；(1)计算出最佳适应值Fitness(Gbest)，算出每个粒子的突跳概率通过如下公式：该公式来自引入模拟退火算法中突跳概率公式；其中Δf＝Fitness(x(i))-Fitness(Gbest)，Fitness(x(i))为当前粒子的适应值，i＝1～30。(2)每个粒子的突跳概率和0-1区间的随机数random进行比较，如果粒子的突跳概率大于随机数random，粒子x(i)就取代Gbest，否则不取代。(3)计算权重值ω，通过如下公式：该公式是由SHI博士提出权值计算公式；(4)更新速度V(30，3)，通过如下公式：vi(t+1)＝ω×vi(t)+c1×r1×(Pi-xi(t))+c2×r2×(Gbest-xi(t))(7)该公式是SHI博士提出的速度更新公式，其中t为迭代数；vi(t)为粒子i第t次迭代时的速度，r1,r2是在(0,1)区间上服从均匀分布的随机数；对vi(t+1)进行判断，ifvi(t+1)>Vmax,vi(t+1)＝Vmax；ifvi(t+1)<Vmin,vi(t+1)＝Vmin。(5)更新位置X(30，3)，通过如下公式：该公式是由Clerc博士提出的位置更新公式，其中C＝c1+c2,且C>4,xi(t)为粒子i第t次迭代时的位置。(6)逻辑判断：计算出每一个粒子更新后的适应值Fitness(x(i))，通过公式3和公式2；个体最佳适应值和个体最佳位置的更新，假如更新后的适应值Fitness(x(i))小于个体最佳适应值gbest，则个体最佳适应值gbest＝Fitness(x(i))，个体最佳位置Pi就等于x(i)；全局最佳适应值和个体适应值的更新，当前粒子的适应值Fitness(x(i))小于全局适应值zbest，则zbest＝Fitness(x(i))，全局最佳位置Gbest＝x(i)。(7)T和t的跟新：T＝lamda*T(9)，t＝t+1(10)。(8)判断t是否等于Maxlter，假如相等则跳出步骤六，进入步骤七。参阅图2是模拟退火粒子群优化曲线图、参阅图3是模拟退火粒子群适应值曲线图、参阅图4是粒子群优化曲线图、参阅图5是粒子群适应值曲线图、参阅图6是人群搜索优化曲线图、参阅图7是人群搜索适应值曲线、参阅图8是遗传优化曲线、参阅图9是遗传适应值曲线。首先进行优化曲线的对比，通过四张优化曲线图的对比得出模拟退火粒子群解的分散性大，全局搜索能力是这四种算法中最强的，这样就避免了粒子群算法容易陷入局部易小解的问题。并且适应值函数的收敛曲线没有受到突跳概率的影响而减慢，甚至还加快了收敛速度。表1是本发明与粒子群算法、遗传算法和人群搜索算法在相同被控对象(篦冷机速度控制系统的传递函数G1(s))的情况下获得PID控制器参数(Kp，Ki，Kd)和设定值与响应值之间的误差(迭代数都等于100时)的对比表。优化算法KpKiKd设定值与响应值之间的误差PSO0.109467.63680-3.784268729588e-04GA0.269567.273704.910661970256580e-04SOA0.040962.660201.287183486353705e-05模拟退火粒子群算法0.001361.472703.648913215914540e-06表1参数与误差对比表智能算法优化出来的参数应用到被控对象(篦冷机速度控制系统的传递函数G1(s))，通过图10和图11，在加上表1足可以证明，模拟退火粒子群优化出来的参数控制效果是这些算法中最好的。这符合对篦冷机刮板速度控制的高要求，即刮板速度控制精确，调速过程平稳和振动与冲击最小，保证了篦冷机高冷却效率和高回收效率。当前第1页1 2 3