一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法与流程

本发明属于自动控制领域，特别是涉及一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法。
背景技术：
：聚酯短纤维主要用于棉纺行业，单独纺纱或与棉、粘胶纤维、麻、毛、维纶等混纺，所得纱线用于服装织布为主，还可用于家装面料，包装用布，充填料和保暖材料。生产聚酯短纤维时，多根线条集合在一起，经给湿上油后落入盛丝桶。再经集束、拉伸、卷曲、热定形、切断等工序得到成品。拉伸环节在纤维生产后加工过程中扮演着极其重要的作用，直接决定着纤维最终的性能。传统控制方法分别对拉伸环节过程中的受变量利用PID控制器形成若干独立闭环回路进行控制，没有考虑变量之间的相互影响对综合控制效果的影响，调节手段单一，有其局限性，不利于产出高质量的纤维产品。针对这种情况，采用数据驱动控制方法对碳纤维凝固过程进行控制。数据驱动控制是一种利用受控系统的在线和离线I/O数据以及经过数据处理而得到的知识来设计控制器的一种控制方法，有收敛性、稳定性保障和鲁棒性结论。基于受控系统的在线数据主要有同步扰动随机逼近控制(SPSA)、无模型自适应控制(MFAC)、和去伪控制(UC)这三种数据驱动控制方法。SPSA控制器设计较复杂(函数逼近器)，收敛速度较慢，且在闭环实验中要对控制器参数进行扰动，可能会导致废产品的出现。MFAC首先要对非线性系统建立动态线性化模型，根据控制输入准则函数得到控制律，再根据参数估计准则函数得到伪偏导数，继而得到控制方案，但是MFAC控制器参数变化对控制系统稳定性有较大影响。本发明引入另一种基于在线数据的数据驱动方法——去伪控制。技术实现要素：本发明在数据驱动基础上，采用两级拉伸工艺对聚酯初生纤维进行拉伸，对于第二拉伸辊与定型辊之间的二级拉伸环节，引入去伪控制算法对聚酯短纤维生产过程中拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，切换到控制回路中，既可以使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。免疫优化算法是一种比较新颖的智能优化算法，利用免疫系统的多样性产生和维持机制来保持群体的多样性，求得全局最优解。因为其原理易懂，收敛速度快且优化效果好而在实际工程项目优化技术中得到了极大的应用。在去伪控制基础上对其进行免疫优化，进一步优化了控制效果。一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述拉伸环节中的拉伸方式为两级拉伸工艺，对于两级拉伸工艺中的第二拉伸辊与定型辊之间的二级拉伸环节，其纤维拉伸时的速度和温度采用去伪控制的速度-温度耦合控制方法，其具体控制步骤为：(1)初始条件：a、初始输入：速度实际输出y1(k)在采样时刻1～3的值y1(1)～y1(3)；温度实际输出y2(k)在采样时刻1～3的值y2(1)～y2(3)；速度非伪控制器输出u1(k)在采样时刻1～2的值u1(1)～u1(2)；温度非伪控制器输出u2(k)在采样时刻1～2的值u2(1)～u2(2)；初始化：速度期望输出y1*(k)，初始化时将其设定为常值a，即为实际生产过程需要的速度目标值，在任何采样时刻k，y1*(k)＝a；温度期望输出y2*(k)，初始化时将其设定为常值b，即为实际生产过程需要的温度目标值，在任何采样时刻k，y2*(k)＝b；对速度-温度耦合控制系统进行PID参数工程整定，得到X组PID参数：比例系数KP候选值，从X组PID参数中提取出KP值，共有l个不同的取值：KP1,KP2,...,KPl；积分系数KI候选值，从X组PID参数中提取出KI值，共有m个不同的取值：KI1,KI2,...,KIm；微分系数KD候选值，从X组PID参数中提取出KD值，共有n个不同的取值：KD1,KD2,...,KDn；在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，将每组候选控制器参数依次赋值到一个矩阵的相应行，组成一个候选控制器集合矩阵：KP1KI1KD1KP2KI2KD2.........KPiKIiKDi.........KPNKINKDN;]]>其中，N＝l×m×n，则排列组合后有N组候选控制器参数，最终形成一个N×3矩阵，即候选控制器集合矩阵为一个N×3矩阵；形成的候选控制器集合矩阵中，KPi为第i组控制器的KP参数值，KIi为第i组控制器的KI参数值，KDi为第i组控制器的KD参数值；速度误差e1(k)，为任一采样时刻k速度期望输出y1*(k)与速度实际输出y1(k)之间的差值，即：e1(k)＝y1*(k)-y1(k)；温度误差e2(k)，为任一采样时刻k温度期望输出y2*(k)与温度实际输出y2(k)之间的差值，即：e2(k)＝y2*(k)-y2(k)；(2)在采样时刻k，结合候选控制器集合矩阵中每组候选控制器的参数，分别计算出相应的速度和温度虚拟参考信号和计算公式如下：r~1(i,k)=y1(k)+u1(k)-u1(k-1)+(KPi+2KDi)×e1(k-1)-KDi×e1(k-2)KPi+KIi+KDi]]>r~2(i,k)=y2(k)+u2(k)-u2(k-1)+(KPi+2KDi)×e2(k-1)-KDi×e2(k-2)KPi+KIi+KDi]]>；其中，k≥2且k取正整数；e1(k-1)为k-1时刻纤维的速度误差；e1(k-2)为k-2时刻纤维的速度误差；e2(k-1)为k-1时刻纤维的温度误差；e2(k-2)为k-2时刻纤维的温度误差；u1(k-1)为k-1时刻纤维的速度非伪控制器输出；u2(k-1)为k-1时刻纤维的温度非伪控制器输出；(3)在采样时刻k，计算候选控制器集合矩阵中每组候选控制器参数的速度和温度性能指标J1(i,k)和J2(i,k)，计算公式如下：J1(i,k)=J(u1,y1,r~1,k)=maxτ∈[0,k]||u1(τ)||2+||r~1(i,τ)-y1(τ)||2||r~1(i,τ)||2+β,0<β<0.01]]>J2(i,k)=J(u2,y2,r~2,k)=maxτ∈[0,k]||u2(τ)||2+||r~2(i,τ)-y2(τ)||2||r~2(i,τ)||2+β,0<β<0.01]]>其中，τ是在0～k之间的任意一个采样时刻；u1(τ)为τ时刻速度非伪控制器输出；u2(τ)为τ时刻温度非伪控制器输出；为τ时刻第i组控制器的速度虚拟参考信号；为τ时刻第i组控制器的温度虚拟参考信号；y1(τ)为τ时刻的速度实际输出；y2(τ)为τ时刻的温度实际输出；在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的速度性能指标J1(i,k)，使得速度性能指·标最小的一组相应序号记为速度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：i^1(k)=argmin(J1(i,k)),i∈[1,N];]]>在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的温度性能指标J2(i,k)，使得温度性能指标最小的一组相应序号记为温度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：i^2(k)=argmin(J2(i,k)),i∈[1,N];]]>(4)滞后切换：当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，拉伸机的速度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的速度非伪控制器序号；当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与前采样时刻k-1的速度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，拉伸机的速度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的速度非伪控制器序号；当时，即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k))与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值小于等于滞后切换阈值e时，温度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的温度非伪控制器序号；当时，即在当前采样时刻k相应的最小温度性能指标值min(J2(i,k)与前采样时刻k-1的温度非伪控制器器序号的当前采样时刻性能指标之间的差值大于滞后切换阈值e时，温度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的温度非伪控制器序号；(5)根据得到的非伪控制器序号和对应在候选控制器集合矩阵中的行号，得到相应的候选控制器参数，从而得到相应的速度非伪控制器和温度非伪控制器其中：为候选控制器集合矩阵中第行第一列的KP值；为候选控制器集合矩阵中第行第二列的KI值；为候选控制器集合矩阵中第行第三列的KD值；为候选控制器集合矩阵中第行第一列的KP值；为候选控制器集合矩阵中第行第二列的KI值；为候选控制器集合矩阵中第行第三列的KD值；(6)根据步骤(6)中得到的速度非伪控制器和温度非伪控制器得到采样时刻k的速度非伪控制器输出u1(k)和温度非伪控制器输出u2(k)如下，u1(k)=u1(k-1)+KPi^1×(e1(k)-e1(k-1))+KIi^1×e1(k)+KDi^1×(e1(k)-2·e1(k-1)+e1(k-2));]]>u2(k)=u2(k-1)+KPi^2·(e2(k)-e2(k-1))+KIi^2·e2(k)+KDi^2·(e2(k)-2·e2(k-1)+e2(k-2));]]>其中，k＞3；(7)根据速度-温度控制系统，得到采样时刻k的速度实际输出y1(k)和温度实际输出y2(k)，计算公式如下：y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；其中，k>3；y1(k-1)是采样时刻k-1的速度实际输出；y2(k-1)是采样时刻k-1的温度实际输出；u1(k-3)是采样时刻k-3的速度非伪控制器输出；u2(k-6)是采样时刻k-6的温度非伪控制器输出；(8)若当前采样时刻k<TotalTime，其中的TotalTime为总采样时间，则k＝k+1，开始下一采样时刻的去伪控制，重复上述步骤中的(2)～(8)；否则，结束聚酯短纤维生产过程中拉伸环节的速度-温度去伪控制过程。如上述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，其特征在于，对速度非伪控制器和温度非伪控制器组成的非伪控制器参数在采样时刻k，采用免疫优化算法进行免疫优化，免疫优化算法是受免疫系统启发形成的算法，该算法将待求解的问题视作免疫系统中的抗原，将问题的解视作人和动物体内针对抗原形成的抗体细胞，当有抗原入侵时，抗体大量生成，识别抗原过程即是问题的求解过程；免疫系统又有二次应答功能即生物免疫系统遭受初次的外来病原入侵后，免疫系统发挥记忆效应，当再次遭受同样的病原体或者抗原入侵时，能快速、高效地产生大量抗体，将抗原清除，免疫优化算法中借鉴该机制，建立记忆库，保留每一次迭代中优秀的抗体存入记忆库，其求解具体步骤如下：(1)初始化抗体种群参数：在当前采样时刻k，速度和温度非伪控制器组成的非伪控制器参数中每一维变量的最大取值和最小取值构成初始种群的上界约束矢量和下界约束矢量，设置种群规模SP，记忆库容量O、最大迭代次数IM、当前迭代数G、交叉概率PC、变异概率PM、多样性评价参数PS和变量维数D的初始值；所述最大取值为：在当前采样时刻k，非伪控制器参数在进行免疫优化前取值的110％，即上界约束矢量为：所述最小取值为：在当前采样时刻k，非伪控制器参数在进行免疫优化优化前取值的90％，即下界约束矢量为：所述种群规模SP为进行免疫优化参数矢量的组数；所述记忆库容量O为免疫优化中保留精英后代的组数；所述最大迭代次数IM为整个免疫优化迭代进行的次数；取值为100；所述交叉概率PC的阈值为0.5；所述变异概率PM的阈值为0.4；所述多样性评价参数PS的阈值为0.95；所述变量维数D为进行免疫优化的参数的维数，在对非伪控制器参数进行免疫优化的过程中取值D＝6；(2)初始化抗体种群矩阵：根据初始化抗体种群的上、下界约束矢量，生成(SP+O)×D维矩阵，即为初始化抗体种群矩阵，其中，初始化抗体种群矩阵中的每个行向量为上、下界约束矢量间的随机值，每个行向量代表一个抗体；如：初始化第一个行向量即第一个抗体为：X→1,G=(xi,G1,xi,G2,...,xi,Gj),j=1,2,...,D;]]>(3)抗体的多样性评价：对初始化抗体种群矩阵中的抗体进行多样性评价，共有四个指标，具体如下：a)抗体的适应度：根据适应度函数计算抗体的适应度F为：F=f(X→i,G)=||u1(τ)||2+||r~1(X→i,G,1)-y1(1)||2||r~1(X→i,G,1)||2+γ+||u2(1)||2+||r~2(X→i,G,1)-y2(1)||2||r~2(X→i,G,1)||2+γ,γ>0]]>其中，r~1(X→i,G,k)=y1(k)+u1(k)-u1(k-1)+(xi,G1+2xi,G3)·e1(k-1)-xi,G3·e1(k-2)xi,G1+xi,G2+xi,G3;]]>r~2(X→i,G,k)=y2(k)+u2(k)-u2(k-1)+(xi,G4+2xi,G6)·e2(k-1)-xi,G6·e2(k-2)xi,G4+xi,G5+xi,G6;]]>b)抗体与抗体间亲和度，即抗体间的相似度：初始化抗体种群矩阵中的抗体间的相似度利用评价，其中，v和s代表初始化抗体种群矩阵中两个不同的抗体，kv,s指的是v和s的抗体间含有相同数值的个数，L是抗体的长度，比如v＝[131540117]，s＝[21203340715]，比较发现，有三个值是相同的，可以计算出其抗体亲和度为0.5；c)抗体浓度：抗体浓度为抗体群中相似抗体所占的比例，表达式为其中N为抗体总数，j指N中的每个抗体；当该比例超过预设的阈值时，浓度增加1，阈值T设置为0.7；相似抗体越多说明很多解都是相似的，即某种抗体过于集中，抗体多样性差，易陷入局部极值；d)期望繁殖概率P由抗体的适应度F和抗体浓度Cv共同决定：P=psFΣF+(1-ps)CvΣCv;]]>(4)形成父代抗体群：将步骤(2)中生成的SP+O个抗体，按照期望繁殖率P进行降序排列，并取前SP个抗体构成父代抗体群，同时取前O个抗体作为记忆个体存入记忆库中；然后对父代抗体群中每一个抗体进行免疫操作，具体包括选择、交叉、变异操作以产生新的抗体，不断产生新个体可以增加解的多样性，现有的初始化个体不一定是最好的解，只有不断产生新的抗体才能更好地寻找优秀的解；a)选择操作：根据适应度函数计算上述父代抗体群每个抗体的适应度，然后根据抗体的适应度，采用轮盘赌法选择期望繁衍的抗体，总共转SP次轮盘，得到经历自然选择后的群体，即适应度高的群体；让父代抗体群中适应度高的抗体以更大的概率被选中为期望繁衍的个体，对应着达尔文理论中适者生存理论，抗体被选中的概率与其适应度成正比，抗体的适应度越高，其被选中的概率的就越大；b)交叉操作：从上述步骤中得到的适应度高的群体中随机选择两个抗体，采用实数交叉法进行交叉，然后判断其交叉概率PC是否超过设置的阈值，如果是，则随机选择交叉位置进行个体交叉；SP次循环后得到经过交叉之后的群体，交叉算子有助于将优良个体的片段遗传给后代，也可增加解的多样性；以随机选取第二位为交叉位置为例，则有两组参数采用实数交叉法进行交叉，和交叉之后为：c)变异操作：随机选择上述交叉后的群体内任一抗体六个元素中的一位进行变异，采用实数变异法进行变异，在每一轮for循环中是否进行变异由变异概率PM决定，PM是预先设定的阈值，当每次迭代中产生的变异概率PM高于设置的阈值时，就进行变异，SP次循环后得到产生变异后的新群体；变异操作过程类似人类遗传进化过程中发生基因突变，解产生变异，有助于保持种群的多样性，因为当变异之后的个体更优秀则变异为群体引入好的个体，该个体将被保留，若变异后个体适应度差自然会在下一次选择时以较小概率被选中；(5)新抗体群的产生：在对父代抗体群进行上述选择、交叉和变异操作后得到新群体，再从记忆库中提取出O个记忆个体，共同生成了新一代的抗体群；(6)当达到最大迭代次数IM或者当前最优目标函数值f(S)达到优化目标值时，根据此时的最优抗体S得到当前采样时刻的非伪控制器优化参数[KPi^1_DE,KIi^1_DE,KDi^1_DE,KPi^2_DE,KIi^2_DE,KDi^2_DE].]]>如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述的候选控制器参数组数N的取值范围为10～500。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述的滞后切换阈值e＝5.0×10-5。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述的PID参数工程整定依据衰减曲线法，即当速度-温度控制系统在运行时的实际速度输出和温度输出分别出现4:1衰减振荡过程时，根据衰减曲线法的经验公式计算记录此时的KP1、KI1和KD1，KP2、KI2和KD2值，将其记为一组PID参数，通过这种方法得到X组PID参数，其中X≥2。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述的速度-温度控制系统在运行时分别出现4:1衰减振荡过程是两个相邻同方向波峰的超调量之比为4：1。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述的在初始化中每次分别从l个比例系数KP候选值、m个积分系数KI候选值以及n个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，其中各自按序是指按从大到小的顺序。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述常值a为纤维二级拉伸速度的期望输出，初始化设定为160m/min，常值b为纤维二级拉伸温度的期望输出，初始化设定为165℃。有益效果本发明聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，在数据驱动基础上，采用两级拉伸工艺对聚酯初生纤维进行拉伸，对于第二拉伸辊与定型辊之间的二级拉伸环节，引入去伪控制算法对聚酯短纤维生产过程中拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，切换到控制回路中，既可以使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。本发明聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，引入的免疫优化算法是一种比较新颖的智能优化算法，其利用免疫系统的多样性产生和维持机制来保持群体的多样性，求得全局最优解。因为其原理易懂，收敛速度快且优化效果好而在实际工程项目优化技术中得到了极大的应用。在去伪控制基础上对其进行免疫优化，进一步优化了控制效果。附图说明图1是聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法结构框图；图2是聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制算法流程图；图3是聚酯短纤维生产过程中拉伸环节的纤维拉伸速度控制实例；图4是聚酯短纤维生产过程中拉伸环节的纤维拉伸温度控制实例。具体实施方式下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，所述拉伸环节中的拉伸方式为两级拉伸工艺，对于两级拉伸工艺中的第二拉伸辊与定型辊之间的二级拉伸环节，其纤维拉伸时的速度和温度采用去伪控制的速度-温度耦合控制方法，其具体控制步骤为(1)初始条件：a、初始输入：速度实际输出y1(k)在采样时刻1～3的值y1(1)～y1(3)＝0；温度实际输出y2(k)在采样时刻1～3的值y2(1)～y2(3)＝0.1；速度非伪控制器输出u1(k)在采样时刻1～2的值u1(1)～u1(2)＝5；温度非伪控制器输出u2(k)在采样时刻1～2的值u2(1)～u2(2)＝0.1；初始化：速度期望输出y1*(k)，初始化时将其设定为常值a，即为实际生产过程需要的速度目标值，在任何采样时刻k，y1*(k)＝160；温度期望输出y2*(k)，初始化时将其设定为常值b，即为实际生产过程需要的温度目标值，在任何采样时刻k，y2*(k)＝165；对速度-温度耦合控制系统进行PID参数工程整定，得到40组PID参数：比例系数KP候选值，从40组PID参数中提取出KP值，共有4个不同的取值：0.1,0.15,0.2,0.25；积分系数KI候选值，从40组PID参数中提取出KI值，共有5个不同的取值：0.01,0.02,0.03,0.04,0.05；微分系数KD候选值，从40组PID参数中提取出KD值，共有2个不同的取值：0.01,0.05；在初始化中每次分别从4个比例系数KP候选值，5个积分系数KI候选值以及2个微分系数KD候选值中各自按序选择一个候选值组成一组候选控制器参数，将每组候选控制器参数依次赋值到一个矩阵的相应行，组成一个候选控制器集合矩阵：0.10.010.010.10.010.05.........0.20.030.01.........0.250.050.05;]]>其中，4×5×2＝40，则排列组合后有40组候选控制器参数，最终形成一个40×3矩阵，即候选控制器集合矩阵为一个40×3矩阵；形成的候选控制器集合矩阵中，KPi为第i组控制器的KP参数值，KIi为第i组控制器的KI参数值，KDi为第i组控制器的KD参数值；速度误差e1(k)，为任一采样时刻k速度期望输出y1*(k)与速度实际输出y1(k)之间的差值，即：e1(k)＝y1*(k)-y1(k)；温度误差e2(k)，为任一采样时刻k温度期望输出y2*(k)与温度实际输出y2(k)之间的差值，即：e2(k)＝y2*(k)-y2(k)；(2)在采样时刻k，结合候选控制器集合矩阵中每组候选控制器的参数，分别计算出相应的速度和温度虚拟参考信号和计算公式如下：r~1(i,k)=y1(k)+u1(k)-u1(k-1)+(KPi+2KDi)×e1(k-1)-KDi×e1(k-2)KPi+KIi+KDi;]]>r~2(i,k)=y2(k)+u2(k)-u2(k-1)+(KPi+2KDi)×e2(k-1)-KDi×e2(k-2)KPi+KIi+KDi;]]>(3)在采样时刻k，计算候选控制器集合矩阵中每组候选控制器参数的速度和温度性能指标J1(i,k)和J2(i,k)，计算公式如下：J1(i,k)=J(u1,y1,r~1,k)=maxτ∈[0,k]||u1(τ)||2+||r~1(i,τ)-y1(τ)||2||r~1(i,τ)||2+β,0<β<0.01;]]>J2(i,k)=J(u2,y2,r~2,k)=maxτ∈[0,k]||u2(τ)||2+||r~2(i,τ)-y2(τ)||2||r~2(i,τ)||2+β,0<β<0.01;]]>(4)在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的速度性能指标J1(i,k)，使得速度性能指标最小的一组相应序号记为速度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：i^1(k)=argmin(J1(i,k)),i∈[1,N];]]>在采样时刻k，比较候选控制器矩阵中所有组候选控制器参数相应的温度性能指标J2(i,k)，使得温度性能指标最小的一组相应序号记为温度非伪控制器序号也是候选控制器参数对应在候选控制器集合矩阵中的行号：i^2(k)=argmin(J2(i,k)),i∈[1,N];]]>(5)滞后切换：当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与上一采样时刻k-1的速度非伪控制器的性能指标之间的差值小于等于滞后切换阈值e时，拉伸机的速度非伪控制器序号和前一采样时刻的相同，仍然采用前一采样时刻的速度非伪控制器序号；当时，即在当前采样时刻k相应的最小速度性能指标值min(J1(i,k))与上一采样时刻k-1的速度非伪控制器的性能指标之间的差值大于滞后切换阈值e时，拉伸机的速度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的速度非伪控制器序号；在采样时刻k＝21时，采用当前采样时刻的最小性能指标值对应的拉伸速度非伪控制器序号，即在采样时刻k＝300时，仍然采用上一时刻的拉伸速度非伪控制器，即当时，即在当前采样时刻的最小温度性能指标值与上一采样时刻的温度非伪控制器的当前性能指标值之间的差值小于等于滞后切换阈值e时，温度非伪控制器序号和上一采样时刻的相同，仍然采用上一采样时刻的温度非伪控制器序号；当时，即在当前采样时刻的最小温度性能指标值与上一采样时刻的性能指标之间的差值大于滞后切换阈值e时，温度非伪控制器序号为当前采样时刻速度性能指标最小的一组相应序号，采用当前采样时刻的最小性能指标值对应的温度非伪控制器序号；在采样时刻k＝224时，采用当前采样时刻的最小性能指标值对应的拉伸温度非伪控制器序号，即在采样时刻k＝300时，仍然采用上一时刻的拉伸温度非伪控制器，即(6)根据(5)得到的非伪控制器序号和对应在候选控制器集合矩阵中的行号，得到相应的候选控制器参数，从而得到相应的速度非伪控制器和温度非伪控制器分别为：和(7)根据(6)中得到的速度非伪控制器和温度非伪控制器得到采样时刻k的速度非伪控制器输出u1(k)和温度非伪控制器输出u2(k)如下，u1(k)=u1(k-1)+KPi^1×(e1(k)-e1(k-1))+KIi^1×e1(k)+KDi^1×(e1(k)-2·e1(k-1)+e1(k-2));]]>u2(k)=u2(k-1)+KPi^2·(e2(k)-e2(k-1))+KIi^2·e2(k)+KDi^2·(e2(k)-2·e2(k-1)+e2(k-2));]]>其中，k>3；采样时刻k＝224时，u1(224)＝0.1，u2(224)＝0.8436，采样时刻k＝300时，u1(300)＝0.1，u2(300)＝0.8436；(8)根据速度-温度控制系统，得到采样时刻k的速度实际输出y1(k)和温度实际输出y2(k)，计算公式如下：y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；其中，k>3；y1(k-1)是采样时刻k-1的速度实际输出；y2(k-1)是采样时刻k-1的温度实际输出；u1(k-3)是采样时刻k-3的速度非伪控制器输出；u2(k-6)是采样时刻k-6的温度非伪控制器输出；采样时刻k＝224时、y1(224)＝1.00和y2(224)＝0.25，采样时刻k＝300时，y1(300)＝1.00，y2(300)＝0.25；(9)总采样时间TotalTime＝300，采样时刻k＝224时，k<TotalTime，开始下一采样时刻的去伪控制，重复上述步骤中的(2)～(8)；否则，结束聚酯短纤维生产过程中拉伸环节的速度-温度去伪控制过程。如上所述的一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法，对速度非伪控制器和温度非伪控制器组成的非伪控制器参数在采样时刻k，进行免疫优化，具体步骤如下：(1)初始化抗体种群参数：：种群规模SP＝50，记忆库容量O＝10、最大迭代次数IM＝100、交叉概率PC＝0.5、变异概率PM＝0.4、多样性评价参数PS＝0.95和变量维数D＝6初始化种群上界约束为：下界约束为：(2)初始化抗体种群矩阵：根据初始化抗体种群的上、下界约束矢量，生成(SP+O)×D＝(50+10)×6维矩阵，即为初始化抗体种群矩阵，其中，初始化抗体种群矩阵中的每个行向量为上、下界约束矢量间的随机值，每个行向量代表一个抗体；如：初始化第一个行向量即第一个抗体为：X→i,G=(xi,G1,xi,G2,...,xi,Gj),j=1,2,...,D;]]>(3)抗体的多样性评价：对初始化抗体种群矩阵中的抗体进行多样性评价，共有四个指标，具体如下：a)抗体的适应度：根据适应度函数计算抗体的适应度F为：F=f(X→i,G)=||u1(τ)||2+||r~1(X→i,G,1)-y1(1)||2||r~1(X→i,G,1)||2+γ+||u2(1)||2+||r~2(X→i,G,1)-y2(1)||2||r~2(X→i,G,1)||2+γ,γ>0]]>其中，r~1(X→i,G,k)=y1(k)+u1(k)-u1(k-1)+(xi,G1+2xi,G3)·e1(k-1)-xi,G3·e1(k-2)xi,G1+xi,G2+xi,G3;]]>r~2(X→i,G,k)=y2(k)+u2(k)-u2(k-1)+(xi,G4+2xi,G6)·e2(k-1)-xi,G6·e2(k-2)xi,G4+xi,G5+xi,G6;]]>b)抗体间的相似度：初始化抗体种群矩阵中的抗体间的相似度利用评价，其中，v和s代表初始化抗体种群矩阵中两个不同的抗体，kv,s指的是v和s的抗体间含有相同数值的个数，L是抗体的长度；c)抗体浓度：抗体浓度为抗体群中相似抗体所占的比例，表达式为其中N为抗体总数，j是指N中的每个抗体；当该比例超过预设的阈值时，浓度增加1，阈值T设置为0.7；d)期望繁殖概率P:由抗体的适应度F和抗体浓度Cv共同决定：P=psFΣF+(1-ps)CvΣCv;]]>(4)形成父代群体：将步骤(2)中生成的SP+O＝50+10＝60个抗体，按照期望繁殖率P进行降序排列，并取前50个抗体构成父代抗体群，同时取前10个抗体作为记忆个体存入记忆库中；然后对父代抗体群中每一个抗体进行免疫操作，具体包括选择、交叉、变异操作以产生新的群体；a)选择操作：让父代群体中适应度高的个体以更大的概率被选中为期望繁衍的个体，对应着达尔文理论中适者生存理论，根据适应度函数计算上述每个个体的适应度，然后根据个体的适应度采用轮盘赌法选择个体：个体被选中的概率与其适应度成正比，个体的适应度越高，其被选中的概率的就越大，总共转50次轮盘，得到经历自然选择后的群体，即适应度高的新群体；b)交叉操作：采用实数交叉法进行交叉，在第G次迭代中，初始化种群中第i个参数组为每一次for循环中可能会进行一次交叉操作，是否进行交叉操作由交叉概率PC决定，首先随机选择两个抗体，然后判断其交叉概率PC是否超过设置的阈值，如果是则随机选择交叉位置进行个体交叉。以随机选取第二位为交叉位置为例，则有两组参数和交叉之后为：和c)变异操作：采用实数变异法进行变异：随机选择变异位进行变异，同样进行50次循环，在每一轮for循环中是否进行变异由变异概率PM决定，当每次迭代中产生的变异概率PM高于设置的阈值时，就进行变异，然后随机选取一位进行变异；(5)新抗体群体的产生：在对父代抗体群进行上述选择、交叉、变异后得到的新群体，再从记忆库中提取出10个记忆个体，共同生成了新一代的抗体群；(6)当达到最大迭代次数IM＝100或者当前最优目标函数值f(S)达到优化目标值时，根据此时的最优种群个数S得到当前采样时刻的非伪控制器优化参数[KPi^1_DE,KIi^1_DE,KDi^1_DE,KPi^2_DE,KIi^2_DE,KDi^2_DE].]]>仿真运行过程如图1、2所示，分别使用去伪控制和基于免疫优化算法的去伪控制对聚酯短纤维生产过程中拉伸环节的拉伸速度和拉伸温度进行控制，其仿真结果如图3、4所示，从图中可以看出，系统实际输出能快速到达控制目标，且超调量小，具备消除时滞和解耦的能力。仿真表明免疫优化算法收敛速度快，具有较好的优化效果。本发明在数据驱动的基础上，引入去伪控制算法对拉伸环节进行控制，该算法在候选控制器集合基础上，计算虚拟参考信号，根据性能指标辨识出当前采样时刻的非伪控制器，与其他数据驱动控制方法相比，去伪控制使系统具有较好的瞬时响应性能，还能够维持闭环系统的稳定性。根据去伪控制得到的非伪控制器参数，对其进行免疫优化，经过免疫选择、交叉和变异操作后，再将改进后的非伪控制器切换至闭环控制回路，可达到更好的控制效果。当前第1页1 2 3