一种变风量通风柜面风速的PID自整定方法与流程

本发明涉及通风柜检测及控制技术领域，特别涉及一种变风量通风柜面风速的pid自整定方法。

背景技术：

通风柜是化学、生物等实验室中重要的安全设备，主要用于排出实验过程中产生的有毒、有害、有味气体，传统的通风柜系统多为简单的机械结构，工作时通风量固定不变，或是通过人工手动控制风量的大小，不能根据实验操作的具体需要和情况自动调节通风量，达不到良好的通风效果，对实验环境的安全有一定影响。美国国家标准协会制定的标准指出，一般而言，通风柜的面风速太小，很可能导致对操作面污染物控制效果不够，柜内污染物容易溢出；而面风速太大，在通风柜角落容易产生气流而导致污染物溢出，通风柜的面风速应控制在0.4m/s-0.6m/s的范围内。而目前对通风柜面风速的控制一般采用pid(proportionalintegralderivative，比例—积分—微分控制)进行控制，但pid的参数需要通过人工调定，受整定者水平和经验以及应用时的外部环境影响大，一般难于获得好的控制效果。

技术实现要素：

本发明提供了一种变风量通风柜面风速的pid自整定方法，其目的是为了解决背景技术中对通风柜通风量自动调节通风量控制效果不好，达不到良好的通风效果的技术问题。

为了达到上述目的，本发明提供的一种变风量通风柜面风速的pid自整定方法，包括如下步骤：

步骤s1、获取变风量通风柜的面风速值和升降门的门高值：通过风速传感器获取面风速值，通过位置传感器获取门高值；

步骤s2、建立模拟用的动作模式、理想控制效果的数学评估模型和粒子运动模型，在此基础上在粒子范围内寻优，得到寻优结果：

所述动作模式为要求包括面风速值稳定，门高响应速度快的动作模式；

所述理想控制效果的数学评估模型中，理想控制效果要求为对响应时间、稳定时间及控制超调量作为适应度参数的控制效果要求；

所述粒子运动模型为，基于包括面风速值初始速度、面风速值速度变更、门高初始位置、门高位置变更的特性的粒子建立的，对应于响应时间、稳定时间及控制超调量三个pid参数维度的粒子运动模型；

所述在粒子范围内寻优为对面风速值及门高值寻优；

步骤s3、将寻优结果应用于pid参数中，供上电使用。

优选地，所述步骤s2中，所述动作模式具体为：

所述面风速值稳定的要求为：在最大值门高值的25％、50％、100％工作高度下，面风速值稳定于0.5m/s；

所述门高响应速度快的要求为：升降门处于关闭状态30s后，以0.5m/s的速度上拉升降门至50cm的工作高度，面风速值达到0.45m/s的时间，即响应时间，响应时间不大于3s；

所述动作模式具体为：使用可在相对低门高位置稳定的pid参数组，使升降门关闭30s，待面风速值稳定于0.5m/s，以0.5m/s的速度上拉升降门至相对高门高的工作高度位置30s，再关闭升降门30s，循环往复。

优选地，所述步骤s2中，所述理想控制效果的数学评估模型具体为：

数学评估模型如式(1)所示：

c＝ts+0.5tw+60(κ+0.04)(1)

其中，ts为响应时间，tw为稳定时间，κ为控制超调量；

为获得理想控制效果，所述数学评估模型的要求为：响应时间(ts)、稳定时间(tw)小，其中，控制超调量(κ)小于10％目标风量可使稳定时间(tw)最小。

优选地，所述步骤s2中，所述粒子运动模型为pso粒子运动模型，具体为：

一个三维区域内随机分布种群规模为np的粒子群，这些粒子具备初始位置、初始速度、位置变更、速度变更的特性；

迭代后粒子速度变更特性的体现如式(2)所示：

υi＝ωυi-1+random(0.5,1)c0(pbest-x)+random(0.5,1)c1(gbest-x)(2)

式(2)中，υi为变更后目标速度；ω为惯性系数；υi-1为上一代该粒子速度；pbest为个体历史最优解；gbest为全局历史最优解；c0，c1分别为个体自信度和社群信任度；random赋予粒子生物自由度；x为当前粒子位置；

迭代后粒子位置变更特性体现如式(3)所示：

xi＝xi-1+υi(3)

式(3)中xi为目标位置；xi-1为未变更粒子位置。

优选地，所述步骤s2中，所述在粒子范围内寻优为pso寻优，具体包括如下步骤：

步骤s21、初始化三维一定规模的粒子群，设置pso算法中种群活动范围、种群数量、个体速度边界；随机生成初始种群位置、个体速度：

步骤s22、每个粒子执行一次符合所述动作模式的模拟动作，并记录响应时间、稳定时间、控制超调量，通过所述理想控制效果的数学评估模型得出适应度；

步骤s23、重复步骤s22至遍历第一代粒子，记录全局最优值、个体最优值；

步骤s24、通过粒子飞行规则重复步骤s22、步骤s23计算下一代粒子，基于粒子运动模型对粒子位置、速度进行更新，记录更新后的全局最优值、个体最优值；

步骤s25、重复步骤s24至迭代结束，得出全局最优解。

优选地，所述步骤s1具体包括如下步骤：

步骤s11、在通风柜外形上安装风速传感器、位置传感器、升降门系统和可控角度的电动风阀，其中，风速传感器及可控角度的电动风阀用于采集包括面风速值的测量信息序列，升降门系统及位置传感器用于采集门高值的测量信息序列；

步骤s12、通过stm32单片机分别向风速传感器、位置传感器发送测量命令并接收返回的包括面风速值及门高值的测量信息序列；

步骤s13、将采集的测量信息序列，计算转换成统一度量值，存储到寄存器中备用。

优选地，所述步骤s13具体包括如下步骤：

步骤s131、将寄存器中存储的数值，传导至判断器；

步骤s132、通过判断器判断步骤s131所传导的数值的信息序列类别，如果该信息序列类别是位移或者风速的测量结果，则返回该数据信息序列至寄存器，并对其数值进行提取后并传导至转换器，进行度量衡转换；

步骤s133、将步骤s132所提取的数据位通过进制转换、单位缩放计算出单位为m/s的风速值和单位为cm的门高值，并将转换结果返回至寄存器。

优选地，步骤s3具体为：将步骤s2的寻优结果导至pid参数中，并保存供再次上电直接使用。

本发明能够取得下列有益效果：

本发明基于变风量控制技术自控系统，模拟实际使用时升降门的运动模式，结合pso优化算法，进行机器学习的pid参数自整定，一般情况下对硬件设备无增加需求，在新环境中无需专业人员使用仪器调参，减少了人工成本和工具成本；应用pso粒子群优化算法寻优，在同一适应度函数下，得出的最优值比原本的人工整定浮动更小，减小系统由于整定人员经验、技术的差异所受的影响。

附图说明

图1为本发明的一种变风量通风柜面风速的pid自整定方法的一较佳实施例的示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了一种变风量通风柜面风速的pid自整定方法，如图1所示，本发明的一种变风量通风柜面风速的pid自整定方法包括如下步骤：

步骤s1、获取变风量通风柜的面风速值和升降门的门高值：通过风速传感器获取面风速值，通过位置传感器获取门高值；

步骤s2、建立模拟用的动作模式、理想控制效果的数学评估模型和粒子运动模型，在此基础上在粒子范围内寻优，得到寻优结果：

所述动作模式为要求包括面风速值稳定，门高响应速度快的动作模式；

所述理想控制效果的数学评估模型中，理想控制效果要求为对响应时间、稳定时间及控制超调量作为适应度参数的控制效果要求；

所述粒子运动模型为，基于包括面风速值初始速度、面风速值速度变更、门高初始位置、门高位置变更的特性的粒子建立的，对应于响应时间、稳定时间及控制超调量三个pid参数维度的粒子运动模型；

所述在粒子范围内寻优为对面风速值及门高值寻优；

步骤s3、将寻优结果应用于pid参数中，供上电使用。

所述步骤s1具体包括如下步骤：

步骤s11、在通风柜外形上安装风速传感器、位置传感器、升降门系统和可控角度的电动风阀，其中，风速传感器及可控角度的电动风阀用于采集包括面风速值的测量信息序列，升降门系统及位置传感器用于采集门高值的测量信息序列；

步骤s12、通过stm32单片机分别向风速传感器、位置传感器发送测量命令并接收返回的包括面风速值及门高值的测量信息序列；

步骤s13、将采集的测量信息序列，计算转换成统一度量值，存储到寄存器中备用。

所述步骤s13具体包括如下步骤：

步骤s131、将寄存器中存储的数值，传导至判断器；

步骤s132、通过判断器判断步骤s131所传导的数值的信息序列类别，如果该信息序列类别是位移或者风速的测量结果，则返回该数据信息序列至寄存器，并对其数值进行提取后并传导至转换器，进行度量衡转换；

步骤s133、将步骤s132所提取的数据位通过进制转换、单位缩放计算出单位为m/s的风速值和单位为cm的门高值，并将转换结果返回至寄存器。

所述步骤s2中，所述动作模式具体为：

由于相关vav(variableairvolume，变风量控制技术)风阀检测标准要求为：所述面风速值稳定。所述面风速值稳定的要求为：在最大值门高值的25％、50％、100％工作高度下，面风速值稳定于0.5m/s；

所述门高响应速度快的要求为：升降门处于关闭状态30s后，以0.5m/s的速度上拉升降门至50cm的工作高度，面风速值达到0.45m/s的时间，即响应时间，响应时间不大于3s；

并且由于干扰和示踪测试要求稳定时间尽量短，所以得出模拟动作模式具体为：使用可在相对低门高位置稳定的pid参数组，使升降门关闭30s，待面风速值稳定于0.5m/s，以0.5m/s的速度上拉升降门至相对高门高的工作高度位置30s，再关闭升降门30s，循环往复。

采用所述动作模式对实际情况的模拟过程包括如下步骤：

s201：代入初始参数组合，关闭升降门30s待面风速稳定于0.5m/s附近，以0.5m/s的速度上拉升降门至工作高度(50cm)；

s202：使用pid控制，改变风阀开度以维持面风速，20s后关闭升降门；

s203：重复s201、s202至算法结束。

所述步骤s2中，所述理想控制效果的数学评估模型具体为：

所述理想控制效果为：对控制效果要求为响应时间(ts)、稳定时间(tw)小，控制超调量(κ)小于10％目标风量可使稳定时间最小；

数学评估模型如式(1)所示：：

c＝ts+0.5tw+60(κ+0.04)(1)

其中，ts为响应时间，tw为稳定时间，κ为控制超调量。

由检测标准可知，对控制效果要求为响应时间(ts)、稳定时间(tw)小，控制超调量(κ)小于10％目标风量可使稳定时间最小。

为获得理想控制效果，所述数学评估模型的要求为：响应时间(ts)、稳定时间(tw)小，其中，控制超调量(κ)小于10％目标风量可使稳定时间(tw)最小。

所述步骤s2中，所述粒子运动模型为pso粒子运动模型，具体为：

一个三维区域内随机分布种群规模为np的粒子群，这些粒子具备初始位置、初始速度、位置变更、速度变更的特性；

迭代后粒子速度变更特性的体现如式(2)所示：

υi＝ωυi-1+random(0.5,1)c0(pbest-x)+random(0.5,1)c1(gbest-x)(2)

式(2)中，υi为变更后目标速度；ω为惯性系数；υi-1为上一代该粒子速度；pbest为个体历史最优解；gbest为全局历史最优解；c0，c1分别为个体自信度和社群信任度；random赋予粒子生物自由度；x为当前粒子位置；

迭代后粒子位置变更特性体现如式(3)所示：

xi＝xi-1+υi(3)

式(3)中xi为目标位置；xi-1为未变更粒子位置。

所述步骤s2中，所述在粒子范围内寻优为pso寻优，具体包括如下步骤：

步骤s21、初始化三维一定规模的粒子群，设置pso算法中种群活动范围、种群数量、个体速度边界；随机生成初始种群位置、个体速度：

种群活动范围是指模型训练的数据范围，通常范围越大，训练的时间越长。不是为响应时间。tw为稳定时间，κ为控制超调量的范围，种群数量是为n、个体速度边界是为0.4-0.6；

步骤s22、每个粒子执行一次符合所述动作模式的模拟动作，并记录响应时间、稳定时间、控制超调量，通过所述理想控制效果的数学评估模型得出适应度；

步骤s23、重复步骤s22至遍历第一代粒子，记录全局最优值、个体最优值；

步骤s24、通过粒子飞行规则重复步骤s22、步骤s23计算下一代粒子，基于粒子运动模型对粒子位置、速度进行更新，记录更新后的全局最优值、个体最优值；

“粒子飞行规则”具体指模型根据最优解方向不断训练。

步骤s25、重复步骤s24至迭代结束，得出全局最优解。待迭代结束后，种群整体运动轨迹是向全局最优解的方向运动。

步骤s3具体为：将步骤s2的寻优结果导至pid参数中，并保存供再次上电直接使用。至此完成整个基于stm32单片机的vav通风柜系统的pid自整点方法。

本发明能够取得下列有益效果：

本发明基于vav自控系统，模拟实际使用时升降门的运动模式，结合pso优化算法，进行机器学习的pid参数自整定，一般情况下对硬件设备无增加需求，在新环境中无需专业人员使用仪器调参，减少了人工成本和工具成本；应用pso粒子群优化算法寻优，在同一适应度函数下，得出的最优值比原本的人工整定浮动更小，减小系统由于整定人员经验、技术的差异所受的影响。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。