公开/公告号CN115629537A
专利类型发明专利
公开/公告日2023-01-20
原文格式PDF
申请/专利权人 南京净环热冶金工程有限公司;
申请/专利号CN202211652249.1
申请日2022-12-22
分类号G05B11/42(2006.01);
代理机构南京华恒专利代理事务所(普通合伙) 32335;
代理人高春涛
地址 211134 江苏省南京市江宁区汤山工业集中区上峰片区
入库时间 2023-06-19 18:24:15
法律状态公告日
法律状态信息
法律状态
2023-02-14
实质审查的生效 IPC(主分类):G05B11/42 专利申请号:2022116522491 申请日:20221222
实质审查的生效
2023-01-20
公开
发明专利申请公布
技术领域
本发明涉及加热炉燃烧控制技术领域,具体涉及基于子群改进粒子群优化PID的加热炉燃烧控制方法及系统。
背景技术
加热炉是轧钢工序中的重要环节,其燃料消耗占该工序能源消耗总量的80%~85%,而且加热炉内温度会直接影响后续钢坯轧制的质量。因此对加热炉内温度进行有效控制,提高燃料燃尽率,降低燃料消耗量一直是加热炉研究的重要方向。
加热炉内的高温环境主要来自于燃烧器中燃气与空气燃烧之后产生的高温气体,其燃烧温度与效率是通过控制燃烧系统中的空气与燃气的比例(即空燃比)来调节。目前国内许多轧钢企业由于设备尚未更新,空燃比的调节仍然采用人工手动方式,这种方式灵活性差,响应时间不及时,会造成炉内温度波动大,从而直接影响钢坯的加热质量和后续轧制生产;而且不合适的空燃比也会增加燃料消耗和污染物排放。因此有部分钢铁企业开始使用智能燃烧控制技术,通过PLC(可编程逻辑控制器)对燃烧系统中的空气或者燃气的流量进行自动控制,从而保持加热炉内温度相对稳定。
加热炉燃烧系统的PLC常用控制算法是PID,即比例(Proportional)、积分(Integral)、微分(Derivative)控制。PID控制具有结构简单、稳定性好、工作可靠、调整方便等优点,是工业控制领域的主要技术之一。由于加热炉燃烧系统控制的温度存在大滞后、大惯性和慢响应等特点,传统PID控制难以很好的满足加热工艺要求,因此,实际工程中先后提出了各种优化算法对PID控制进行改进,包括:“基于模糊PID的加热炉炉温控制系统”(霍振宇,化工自动化及仪表,2011);“神经元PID加热炉温度控制”(杨天博,等,制造业自动化,2014);“基于改进粒子群算法在加热炉温度控制中的应用”(张志响,等,工业控制计算机,2020)以及“基于人工蜂群算法的加热炉温度分数阶PID控制系统及方法”(赵宇翔,等,公开号:CN114721253A)。上述提出的各种不同算法对PID参数都有一定程度的优化,但考虑到具体工程应用的特殊性,目前加热炉内温度控制上存在的大滞后、大惯性和慢响应等问题,仍有必要进一步地提出新的算法。
Chang和Shin于2010年首次提出的添加子群影响的改进粒子群算法(Chang W D ,Shih S P. PID controller design of nonlinear systems using an improvedparticle swarm optimization approach. Communications in Nonlinear Science andNumerical Simulation, 2010, 15(11): 3632-3639)对非线性系统具有很好的优化效果,其中子群是一个建立在粒子个体与群体之间的概念,举例来说若将学生看成个体,学校看成群体,子群则可看成班级,因此子群可以更好地连接个体与群体,从而加快寻优速度,这种算法物理意义明确、形式简单、易于植入,目前尚未有该算法在加热炉燃烧系统控制方面的应用报道。因此本发明提出了子群改进粒子群算法(sub-population Particle SwarmOptimization,sPSO)PID控制的加热炉燃烧系统。
发明内容
发明目的:为了解决目前加热炉内温度控制上存在的大滞后、大惯性和慢响应等问题,本发明提供了基于子群改进粒子群(sub-population Particle SwarmOptimization,sPSO)优化PID的加热炉燃烧控制方法及系统,用于调节加热炉内温度变化,有效地提高燃烧系统控制的灵活性和响应的及时性。
技术方案:本发明所述基于子群改进粒子群优化PID的加热炉燃烧控制方法,包括如下步骤:
步骤1:初始化PID控制器的控制参数
步骤2:生成粒子群,包括粒子的个体、子群、群体的随机初始速度、位置以及相应的适应度值,其中个体数目为
步骤3:根据子群改进粒子群公式更新粒子的速度和位置,判断更新后的粒子位置是否在给定范围内,若超出范围则强制修改为对应的上限值或者下限值;
步骤4:获取加热炉内温度测量值作为PID控制器的输入参数,同时将输入参数与温度设定值的差值生成的ITAE作为目标函数,计算出粒子的个体、子群、群体的适应度值;
步骤5:比较当前粒子的个体、子群、群体的适应度值与对应的上一次适应度值的大小,判断之后将两者中较好的一方更新为适应度值和对应的位置;
步骤6:判断是否满足优化停止条件,若不满足条件,则返回步骤2继续进行优化;若满足条件,则停止优化,将当前群体最优值对应的位置作为最优参数输出至PID控制器;
步骤7:将最优参数作为PID控制器的控制参数
进一步完善上述技术方案,所述步骤1中PID控制器的控制参数包括:比例增益
其中,
进一步地,所述步骤1中粒子群参数包括:惯性权重
进一步地,所述步骤1中加热炉温度特性数学模型根据加热炉获得的总热量和炉内温度之间关系获得,考虑到温度的滞后效应,得到一阶惯性滞后的模型传递函数
其中,
进一步地,所述步骤3中子群改进粒子群中的参数设置如下:
因此,更新粒子速度(
其中,n为当前迭代步数,
进一步地,所述步骤4中目标函数ITAE的表达式为:
其中,
进一步地,所述步骤6中优化停止条件预设为最大迭代次数和/或收敛因子
用于实现上述基于子群改进粒子群优化PID的加热炉燃烧控制方法的系统,包括:
温度测量装置,设于加热炉内,用于获取加热炉内模拟温度信号;
PLC,所述PLC包括A/D转换器、滤波器、目标函数模块、子群改进粒子群算法模块、PID控制器、D/A转化器,所述A/D转换器用于获取温度测量装置传输的模拟温度信号并转化为数字温度信号,数字温度信号经所述滤波器处理后生成PID控制器的输入参数;所述目标函数模块获取温度设定值、输入参数,将输入参数与温度设定值的差值生成的ITAE作为目标函数输入所述子群改进粒子群算法模块,所述子群改进粒子群算法模块对PID控制器的控制参数进行寻优,寻优得到的最优参数作为PID控制器的控制参数,PID控制器输出数字控制信号,数字控制信号经D/A转化器转化成模拟控制信号;
执行器,用于接收模拟控制信号的输入并对燃烧系统中煤气和/或空气的流量进行调节,以实现加热炉内温度的控制。
有益效果:与现有技术相比,本发明的优点在于:利用sPSO对PID控制器参数进行寻优,该算法形式简单,容易使用C、C++、Java、Python等程序语言编写代码;而且算法的收敛速度快,例如当子群数量为个体数量的1/10时,sPSO的收敛速度为PSO的3~5倍;结果精确度高;可以有效地提高燃烧系统控制的灵活性和响应的及时性,改善燃烧系统的超调量、滞后性,均衡燃烧器的工作负荷,提高燃料的燃尽率,节约燃料消耗量。
附图说明
图1为本发明的加热炉燃烧系统控制流程示意图;
图2为本发明的sPSO对PID控制器参数(
图3为本发明的sPSO对PID控制器参数(
图4为本发明的sPSO得到的PID控制器最佳参数得出的仿真曲线图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示的基于子群改进粒子群优化PID的加热炉燃烧控制系统,包括:温度测量装置(一般为热电偶),A/D转换器、滤波器、sPSO优化后的PID控制器、D/A转换器(位于PLC中)以及执行器(一般为控制阀),燃烧器。工作过程包括:首先使用温度测量装置获得加热炉内模拟温度信号,通过PLC中的A/D转换器接收模拟温度信号并转化为数字数字信号,再经过滤波器处理后的数据作为PID控制器的输入参数,接着根据输入参数与设定值的差值计算出ITAE作为目标函数,使用子群改进粒子群优化算法对PID控制器的
本实施例提供了一种基于sPSO-PID控制方法的实施步骤流程如下:
步骤1:初始化PID控制器参数,包括:比例增益
其中,
将控制参数
建立加热炉温度特性数学模型,数学模型是根据加热炉获得的总热量和炉内温度之间关系获得,并且考虑到温度的滞后效应,得到一阶惯性滞后的模型传递函数
其中,
步骤2:生成粒子群,包括粒子的个体、子群、群体随机初始速度、位置以及相应的适应度值,其中个体数目为
步骤3:子群改进粒子群中的参数设置如下:
因此,更新粒子速度(
其中,n为当前迭代步数,
判断更新后的粒子位置是否在给定围内,若超出范围则强制修改为对应的上限值或者下限值。
步骤4:使用ITAE(误差绝对值乘以时间项对时间的积分)作为目标函数,表达式为:
其中,
步骤5:比较当前粒子的个体、子群、群体的适应度值与对应的上一次适应度值的大小,判断之后将其更新为两者中较好一方的适应度值和对应的位置;
步骤6:判断是否满足优化停止条件,优化停止条件通常预设为最大迭代次数或者收敛因子;若不满足条件,则返回步骤2继续进行优化;若满足条件,则停止优化,输出当前群体最优值对应的位置作为PID控制器的最优参数。
图3所示为本发明所述sPSO对PID控制器的
图4所示为本发明所述sPSO得到的PID控制器最佳参数得出的仿真曲线图,本实施例中设定目标温度值为900℃,从图中可以看出,大约在前20s存在小的波动,之后快速上升,到4000s开始接近温度设定值,之后一直保持稳定,说明本发明的sPSO算法对温度的调节时间短,超调量小,调节精度高,能够快速跟踪目标温度。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
机译: 基于改进粒子群优化算法的混合储能系统容量规划方法
机译: 基于粒子群优化的SMT焊点质量控制方法和系统
机译: 基于粒子群优化的预测控制方法,系统和服务器,可确保机器人稳定的形成