一种基于PSO的定型机模糊PID张力控制参数自整定方法与流程

本发明涉及定型机张力控制领域，更具体地，涉及一种基于pso的定型机模糊pid张力控制参数自整定方法。

背景技术：

随着我国经济和科技的迅速发展，生产生活中各行各业对纸的需求越来越大，对纸质量的要求越来越高。稀释后的纸浆纤维经过聚酯纤维网脱水后形成湿纸，因此聚酯纤维网的质量直接决定了纸的好坏。聚酯纤维网是聚酯单丝由织机织成初网，初网经热定型机一、二次定型之后变成了可以用在造纸业中的聚酯纤维网。因此在定型聚酯纤维网时，定型机张力控制系统的实时性和精度决定了纸质量的好坏。

目前的定型机张力控制系统多数采用pid控制算法，由于pid控制算法只能滞后调节、不能预判扰动的出现、无法提前补偿扰动，造成了定型机张力控制系统不能实时调节。针对传统pid控制算法的缺点，又分别研制出了基于神经网络控制的定型机张力控制系统、基于模糊控制的定型机张力控制系统，但是基于神经网络控制的定型机张力控制系统需要在线学习，从而造成了过渡过程缓慢，不能快速的实现调节，且工程上不容易实现；基于模糊控制的定型机张力控制系统，其模糊规则人为设定，导致控制精度低、难以控制张力达到期望的目标值。

因此，急需一种具有实时调节、稳定精度高且在工程上易于实现的控制算法，应用在定型机的张力控制系统中，解决目前定型机张力控制系统的时滞性、控制精度低、不宜在工程实现的问题。

技术实现要素：

本发明提供一种基于pso的定型机模糊pid张力控制参数自整定方法，解决目前定型机张力控制系统的时滞性、控制精度低、不宜在工程实现的问题。

为解决上述技术问题，本发明的技术方案如下：

一种基于pso的定型机模糊pid张力控制参数自整定方法，包括以下步骤：

s1：根据定型机张力控制系统的特点，选择离散pid控制算法；

s2：设置带有调整因子的模糊控制规制，使用粒子群算法(pso)对调整因子寻优；

s3：得到全局最优位置，并且得到相应的pid值，将此值代入离散pid控制算法中对定型机张力进行控制。

优选地，步骤s1中的离散pid控制算法为：

式中，u(k)为输出，e(j)为第j次采样误差，0≤j≤k,e(k)为第k次采样误差，e(k-1)为第k-1次采样误差，t为采样时间，k为采样序号，kp为离散pid的比例值，ki为离散pid的积分值，kd为离散pid的微分值。

优选地，步骤s2中带有调整因子的模糊控制规则为：

式中，u为输出，u＝u(k)，e为误差，e＝e(k)，ec为误差变化量,δ1、δ2、δ3、δ4为修正因子，区间是(0,1)。

优选地，步骤s2中使用粒子群算法对调整因子寻优，具体为：

s2.1：使用粒子群算法算法寻优时，一组δ1、δ2、δ3、δ4便是一个粒子；

s2.2：初始化定型机张力控制系统的pid控制器的值、目标函数的自变量个数、粒子群的个数、每个粒子的速度和位置以及最大迭代次数；

s2.3：设置适应度函数，计算每个粒子在定型机张力控制系统中的适应度函数值；

s2.4：根据设置的适应度函数更新粒子的当前最佳位置和粒子的全局最佳位置，再根据模糊控制规则和离散pid控制算法更新每个粒子对应的pid值、更新每个粒子的位置值和速度值；

s2.5：判断当前迭代次数是否小于最大迭代次数，若是，转回s2.3，继续循环；若否，则结束循环，执行s2.6步骤；

s2.6：得到全局最优位置，并且得到相应的pid控制器的值，此值即为期望的kp、ki、kd值。

优选地，步骤s2.4中更新每个粒子对应的pid值、更新每个粒子的位置值和速度值：

式中，是第i个粒子、第k次迭代的位置矢量的分量，是第i个粒子、第k次迭代的速度矢量的分量，α1、α2是加速系数，根据实际情况取值，r1、r2是随机函数，取值范围在[0,1]，w是惯性系数，是第i个粒子第k次迭代时找到的粒子的历史最佳位置值，是第i个粒子第k次迭代时找到的全局最优值。

优选地，步骤s2.3中的适应度函数为：

f＝|yout-y|

式中，yout是定型机输出的实际张力值，y是定型机张力的设定值。

优选地，s3中全局最优值的获取为：

计算当前每个粒子的适应度函数值，对当前每个粒子的适应度函数值与更新前粒子的历史最佳位置所对应的适应度函数值作比较，如果更新前粒子的历史最佳位置所对应的适应度函数值更高，则更新粒子的历史最佳位置值为当前粒子所处的位置值；对当前每个粒子的适应度函数值与更新前粒子的全局最佳位置所对应的适应度函数值作比较，如果更新前粒子的全局最佳位置所对应的适应度函数值更高，则更新当前粒子的位置值为全局最优值。

与现有技术相比，本发明技术方案的有益效果是：

本发明将pso算法与传统的模糊pid算法结合，应用到定型机的张力控制系统中；针对定型机非线性离散系统的模糊pid控制算法，对其建立具有修正因子的模糊规则，为取得最优的模糊规则，采用pso算法对模糊规则中的修正因子进行寻优，继而得出最优的模糊规则，这样定型机的张力控制系统便具有了实时调节、控制精度高、在工程上易于实现的特点。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的原理图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1至2，本实施例提供一种基于pso的定型机模糊pid张力控制参数自整定方法，包括以下步骤：

s1：根据定型机张力控制系统的特点，选择离散pid控制算法；

s2：设置带有调整因子的模糊控制规制，使用粒子群算法(pso)对调整因子寻优；

s3：得到全局最优位置，并且得到相应的pid值，将此值代入离散pid控制算法中对定型机张力进行控制。

优选地，步骤s1中的离散pid控制算法为：

式中，u(k)为输出，e(j)为第j次采样误差，0≤j≤k,e(k)为第k次采样误差，e(k-1)为第k-1次采样误差，t为采样时间，k为采样序号，kp为离散pid的比例值，ki为离散pid的积分值，kd为离散pid的微分值。

优选地，步骤s2中带有调整因子的模糊控制规则为：

式中，u为输出，u＝u(k)，e为误差，e＝e(k)，ec为误差变化量,δ1、δ2、δ3、δ4为修正因子，区间是(0,1)。

优选地，步骤s2中使用粒子群算法对调整因子寻优，具体为：

s2.1：使用粒子群算法算法寻优时，一组δ1、δ2、δ3、δ4便是一个粒子；

s2.2：初始化定型机张力控制系统的pid控制器的值、目标函数的自变量个数、粒子群的个数、每个粒子的速度和位置以及最大迭代次数；

s2.3：设置适应度函数，计算每个粒子在定型机张力控制系统中的适应度函数值；

s2.4：根据设置的适应度函数更新粒子的当前最佳位置和粒子的全局最佳位置，再根据模糊控制规则和离散pid控制算法更新每个粒子对应的pid值、更新每个粒子的位置值和速度值；

s2.5：判断当前迭代次数是否小于最大迭代次数，若是，转回s2.3，继续循环；若否，则结束循环，执行s2.6步骤；

s2.6：得到全局最优位置，并且得到相应的pid控制器的值，此值即为期望的kp、ki、kd值。

优选地，步骤s2.4中更新每个粒子对应的pid值、更新每个粒子的位置值和速度值：

式中，是第i个粒子、第k次迭代的位置矢量的分量，是第i个粒子、第k次迭代的速度矢量的分量，α1、α2是加速系数，根据实际情况取值，r1、r2是随机函数，取值范围在[0,1]，w是惯性系数，是第i个粒子第k次迭代时找到的粒子的历史最佳位置值，是第i个粒子第k次迭代时找到的全局最优值。

优选地，步骤s2.3中的适应度函数为：

f＝|yout-y|

式中，yout是定型机输出的实际张力值，y是定型机张力的设定值。

优选地，s3中全局最优值的获取为：

计算当前每个粒子的适应度函数值，对当前每个粒子的适应度函数值与更新前粒子的历史最佳位置所对应的适应度函数值作比较，如果更新前粒子的历史最佳位置所对应的适应度函数值更高，则更新粒子的历史最佳位置值为当前粒子所处的位置值；对当前每个粒子的适应度函数值与更新前粒子的全局最佳位置所对应的适应度函数值作比较，如果更新前粒子的全局最佳位置所对应的适应度函数值更高，则更新当前粒子的位置值为全局最优值。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。