鄔劍升,桂騰躍,張曠世,余 數(shù),王華秋,向 力

(1.浙江中煙工業(yè)有限責(zé)任公司,浙江 寧波 315504;2.重慶理工大學(xué) 兩江人工智能學(xué)院,重慶 401135;3.重慶太和空調(diào)自控有限公司,重慶 400030)

0 引言

松散回潮是煙葉加工的首道核心工序,確保工藝氣溫度穩(wěn)定可以保證該工序工藝質(zhì)量,而且工藝氣溫度會(huì)影響煙葉質(zhì)感和香氣[1],并對(duì)后續(xù)各工序工藝指標(biāo)有著直接的影響。因此,要穩(wěn)定控制工藝氣溫度,保證煙葉的質(zhì)量和感官[2]。

由于車(chē)間溫濕度變化、測(cè)量滯后性、來(lái)料量變化等原因,工藝氣溫度控制存在滯后性、波動(dòng)性等問(wèn)題,為解決這些問(wèn)題,許多學(xué)者做了相關(guān)研究。俞仁皓等[3]對(duì)松散回潮機(jī)回風(fēng)溫度控制使用PID控制方法,由于PID控制算法的設(shè)定值變化會(huì)引起誤差的微分操作,因而會(huì)造成控制器輸出振蕩次數(shù)增加,穩(wěn)定性也會(huì)下降,調(diào)節(jié)時(shí)間加長(zhǎng)。張麗娟等[4]通過(guò)加熱蒸汽電磁閥周期性開(kāi)關(guān)動(dòng)作優(yōu)化回風(fēng)溫度的控制,減少了回風(fēng)溫度的波動(dòng)性,提高回潮工藝質(zhì)量。陳杰等[5]通過(guò)減少直噴蒸汽比例和增加熱風(fēng)管道內(nèi)蒸汽比例穩(wěn)定了回風(fēng)溫度,提升了片煙感官質(zhì)量和舒展率。容秀英等[6]采用最大值-最小值控制圖的熱風(fēng)溫度控制技術(shù),解決了葉片松散回潮工藝的熱風(fēng)溫度控制的極值問(wèn)題,將回風(fēng)溫度控制波動(dòng)范圍顯著縮小,提高控制精度。段榮華[7]將專(zhuān)家系統(tǒng)、模糊推理與常規(guī) PID控制相結(jié)合,實(shí)現(xiàn)了松散回潮出口水分的自動(dòng)控制。朱文魁等[8]采用入口介質(zhì)溫濕度控制,通過(guò)改變風(fēng)機(jī)頻率對(duì)進(jìn)口介質(zhì)濕含量進(jìn)行控制,改善了片煙的出口溫度和含水率的穩(wěn)定性,減小了出口溫度的波動(dòng)。歐陽(yáng)江子等[9]采用廣義預(yù)測(cè)控制方法,建立了具備工況自適應(yīng)能力的加水量動(dòng)態(tài)預(yù)測(cè)和調(diào)整模型,實(shí)踐表明,該系統(tǒng)有效提高了松散回潮工序出口含水率穩(wěn)定性。

針對(duì)這些特點(diǎn),本文對(duì)某煙廠歷史數(shù)據(jù)進(jìn)行分析,確定了補(bǔ)償蒸汽閥門(mén)開(kāi)度是影響工藝氣溫度的主要因素,作為系統(tǒng)的輸入和輸出,運(yùn)用社交粒子群優(yōu)化算法辨識(shí)被控對(duì)象模型,提高了辨識(shí)精度。然后使用模糊控制方法,采用斐波拉契搜索對(duì)控制變量的量化因子進(jìn)行搜索,采用模糊控制規(guī)則對(duì)松散回潮調(diào)節(jié)補(bǔ)償蒸汽閥門(mén)開(kāi)度,提高松散回潮工藝氣溫度的穩(wěn)定性,減小工藝氣溫度的波動(dòng)。

1 卷煙回潮工藝

1.1 回潮工藝氣溫度控制原理

松散回潮的工藝任務(wù)是對(duì)葉片進(jìn)行加溫和加濕。松散回潮機(jī)工藝氣溫度控制原理如圖1所示。

圖1 松散回潮機(jī)工藝氣溫度控制

回潮機(jī)通過(guò)注入回風(fēng)管的蒸汽和熱交換器進(jìn)行加熱、加濕煙葉,同時(shí)引入新空氣補(bǔ)償循環(huán)熱風(fēng),切片后的煙塊進(jìn)入松散回潮筒被松散為煙片。整個(gè)過(guò)程,水通過(guò)蒸汽霧化后噴射在待松散的煙塊上。同時(shí)檢測(cè)松散回潮回風(fēng)管道后端的工藝氣溫度,通過(guò)調(diào)節(jié)補(bǔ)充蒸汽流量,以保證滿足工藝氣溫度工藝指標(biāo)的要求,提高回風(fēng)系統(tǒng)熱交換能力。這樣在熱風(fēng)和蒸汽流的作用下,松散后的煙片被軟化并增強(qiáng)了韌性,有利于提升煙片的舒展率,溫度和水分達(dá)到工藝指標(biāo)后輸送到煙葉儲(chǔ)柜暫存,以備進(jìn)入后續(xù)工序加工。

如前所述,由于回潮工藝的復(fù)雜性,回風(fēng)系統(tǒng)熱交換能力已不能滿足工藝氣溫度工藝指標(biāo)的要求,通過(guò)調(diào)整補(bǔ)償蒸汽開(kāi)度可以提高回風(fēng)系統(tǒng)熱交換能力,因此將補(bǔ)償蒸汽施加量作為工藝氣溫度的控制輸入量。

1.2 現(xiàn)存問(wèn)題

松散回潮機(jī)工藝氣溫度控制方法是傳統(tǒng)的PID控制,即運(yùn)用PID控制追蹤工藝氣溫度,在該過(guò)程控制中,借助可編程控制器軟件自帶的PID控制器,調(diào)用連續(xù)PID控制來(lái)實(shí)現(xiàn),通過(guò)輸出值的轉(zhuǎn)化,配合補(bǔ)償蒸汽閥的開(kāi)度來(lái)實(shí)現(xiàn)對(duì)工藝氣溫度的控制。但是該工藝氣溫度PID控制方法未能提前對(duì)入口參數(shù)變化做出判斷,明顯存在著滯后性,無(wú)法保證工藝氣溫度過(guò)程的穩(wěn)定控制。

1.3 解決方案

提出一種與被控對(duì)象辨識(shí)相關(guān)聯(lián)的模糊控制器。首先采用社交粒子群算法建立補(bǔ)償蒸汽閥門(mén)開(kāi)度和工藝氣溫度之間的辨識(shí)模型,然后建立系統(tǒng)辨識(shí)的模糊控制器,從而找到某一最優(yōu)控制律下的補(bǔ)償蒸汽閥門(mén)開(kāi)度參數(shù)值,使工藝氣溫度快速準(zhǔn)確地達(dá)到設(shè)定值。模糊控制器以誤差e和誤差變化率ec作為輸入,其輸出狀態(tài)對(duì)應(yīng)于模糊控制器的補(bǔ)償蒸汽閥門(mén)開(kāi)度增量,而使煙葉回潮過(guò)程控制達(dá)到期望要求。控制系統(tǒng)總體結(jié)構(gòu)如圖2所示。

圖2 基于系統(tǒng)辨識(shí)的模糊控制系統(tǒng)

2 社交粒子群辨識(shí)器設(shè)計(jì)

將影響工藝氣溫度的補(bǔ)償蒸汽閥門(mén)開(kāi)度辨識(shí)轉(zhuǎn)化為最優(yōu)化問(wèn)題,并且考慮到標(biāo)準(zhǔn)粒子群算法的過(guò)早收斂的問(wèn)題,提出了社交粒子群算法(social particle swarm optimization)的工藝氣溫度控制模型參數(shù)辨識(shí)算法,利用最優(yōu)化準(zhǔn)則和社交粒子群算法實(shí)現(xiàn)對(duì)該問(wèn)題的求解。

社交網(wǎng)絡(luò)搜索算法(social network search,SNS)是由Talatahari等[10-11]于2021年提出的一種新型智能優(yōu)化算法。該算法主要模擬了群體表達(dá)意見(jiàn)時(shí)的行為：模仿、對(duì)話、爭(zhēng)論和創(chuàng)新,這些行為被用作優(yōu)化操作符,模擬用戶(hù)如何受到影響并且被激勵(lì)分享他們的新觀點(diǎn),具有尋優(yōu)能力強(qiáng)、收斂速度快等特點(diǎn)。

對(duì)社交網(wǎng)絡(luò)搜索算法的4種行為進(jìn)行分析,模仿行為類(lèi)似于粒子群的協(xié)作行為,因此就不再重復(fù),而是將創(chuàng)新行為運(yùn)用于粒子群的慣性權(quán)值迭代,對(duì)話和爭(zhēng)論行為用于粒子之間的交流,這也是群體在進(jìn)行社交時(shí)的真實(shí)行為。這樣在每次迭代過(guò)程中,粒子群之間采用不同的對(duì)話和爭(zhēng)論機(jī)制,模擬了群體如何受到影響并被激勵(lì)形成新種群,通過(guò)增加的粒子的社交成分,增強(qiáng)其后期搜索的全局探索能力,避免過(guò)早收斂于局部最優(yōu)解。

2.1 標(biāo)準(zhǔn)粒子群算法

粒子群算法的粒子代表優(yōu)化問(wèn)題的搜索對(duì)象,每個(gè)粒子的位置代表求解的參數(shù),隨機(jī)產(chǎn)生一組初始位置作為第一代初值種群,通過(guò)速度造成位置變化,從而產(chǎn)生新的種群。

個(gè)體最優(yōu)解xbest和全局最優(yōu)解xgbest將會(huì)被替換或者保留,這要根據(jù)適應(yīng)度值來(lái)進(jìn)行判斷,采用式(1)更新粒子速度。

v(t+1)=w*v(t)+c1r1(xbest-x(t))+

c2r2(xgbest-x(t))

(1)

式中：v∈[-Vmax,Vmax];c1、c2為加速度;r1、r2為[0,1]的隨機(jī)數(shù);w為慣性權(quán)值。

最終粒子位置更新表達(dá)式為：

x(t+1)=x(t)+v(t+1)

(2)

粒子的位置范圍為[xmin,xmax]。根據(jù)上述公式更新粒子的個(gè)體最優(yōu)值和全體最優(yōu)值,直到算法收斂。

2.2 辨識(shí)優(yōu)化的適應(yīng)度

回潮工藝中,工藝氣溫度參數(shù)辨識(shí)線性離散輸入輸出方程可寫(xiě)為：

y(k)=a1y(k-1)+a2y(k-2)+

a3y(k-3)+b1u(k-1)+

b2u(k-2)+b3u(k-3)

(3)

式中：y(k)為系統(tǒng)的輸出序列工藝氣溫度;u(k)為系統(tǒng)的輸入序列補(bǔ)償蒸汽閥門(mén)開(kāi)度;ai和bi分別為未知參數(shù)向量;輸入輸出的延遲時(shí)間均取為3。

要想實(shí)現(xiàn)對(duì)回潮工藝中工藝氣溫度參數(shù)的辨識(shí),可采用最小二乘準(zhǔn)則計(jì)算種群各粒子的適應(yīng)度。其具體形式如下：

(4)

2.3 群體慣性權(quán)值的創(chuàng)新行為

為了使群體慣性權(quán)值w可以在前期進(jìn)行全局搜索,后期進(jìn)行局部搜索,采用社交網(wǎng)絡(luò)的創(chuàng)新行為對(duì)其進(jìn)行迭代。考慮到慣性權(quán)值在迭代過(guò)程中傳遞它的新取值,會(huì)影響對(duì)后續(xù)慣性權(quán)值的取值。因此,通過(guò)改變前一個(gè)的慣性權(quán)值,后一個(gè)慣性權(quán)值會(huì)按照一定的創(chuàng)新行為發(fā)生變化,從而實(shí)現(xiàn)一種新穎的慣性權(quán)值。

w(t+1)=r3*w(t)+(1-r3)·

(wmin+r4*(wmax-wmin))

(5)

式中：r3、r4為[0,1]的隨機(jī)數(shù);wmax、wmin分別對(duì)應(yīng)w取值的上、下限。這樣設(shè)置w可以使算法在前期主要進(jìn)行全局搜索,后期主要進(jìn)行局部搜索。

2.4 粒子位置的對(duì)話行為

在位置更新之前,將社交網(wǎng)絡(luò)算法融入粒子群算法中,可以改善其后期收斂較慢、易陷入局部最優(yōu)等缺陷。粒子在尋優(yōu)過(guò)程中,下一代粒子可以和當(dāng)前粒子進(jìn)行對(duì)話,粒子之間可以就不同的解空間進(jìn)行對(duì)話交流,在這種狀態(tài)下,粒子群之間相互學(xué)習(xí),并以相互交流的形式提升求解問(wèn)題的能力。下一代粒子就可以基于前兩代粒子的不同狀態(tài)產(chǎn)生不同的反饋效果,根據(jù)式(6)得出問(wèn)題的新位置。

x(t+1)=x(t)+rand*sign(f(t)-f(t-1))*

(x(t)-x(t-1))

(6)

式中：sign是符號(hào)函數(shù),用正負(fù)符號(hào)來(lái)指出前兩代粒子的大小關(guān)系;f(t)、f(t-1)分別是當(dāng)前粒子和上一代粒子的適應(yīng)度值。

2.5 粒子群之間的爭(zhēng)論行為

增加粒子群之間的爭(zhēng)論行為,在這個(gè)環(huán)節(jié)中,計(jì)算下一代粒子時(shí),當(dāng)前粒子與隨機(jī)挑選出來(lái)的其他粒子的平均位置相比較,會(huì)受到平均粒子的爭(zhēng)論影響,根據(jù)式(7)得出新位置。

x(t+1)=x(t)+rand(0,1)*(M-x(t))

(7)

(8)

式中：M是隨機(jī)挑選出來(lái)的其他粒子的平均位置。這樣,通過(guò)粒子群間的對(duì)話和爭(zhēng)論可以改變自身狀態(tài),從而增強(qiáng)粒子的局部搜索能力。

2.6 根據(jù)適應(yīng)度調(diào)整群體數(shù)量

先根據(jù)速度更新粒子位置,在利用最小二乘準(zhǔn)則計(jì)算此時(shí)的適應(yīng)度,然后根據(jù)對(duì)話和爭(zhēng)論進(jìn)一步更新粒子位置,計(jì)算新的社交粒子的適應(yīng)度,比較前后2次的適應(yīng)度是否有一定范圍的增加,如果適應(yīng)度提高不大,則說(shuō)明這些粒子給其他粒子提供的有價(jià)值的信息有限,可以不參與下一次迭代,這樣參與運(yùn)算的粒子數(shù)量就可以減少,從而減少算法的運(yùn)行時(shí)間。而且剔除了信息量較低的群體,還可以避免其他粒子受其影響而陷入局部最優(yōu)解,從而提高了算法收斂精度。社交粒子群算法參數(shù)辨識(shí)流程如圖3所示。

2.7 算法收斂性分析

粒子群的慣性權(quán)值采用簡(jiǎn)單的線性下降方式改進(jìn)算法,在解決系統(tǒng)辨識(shí)這一類(lèi)需要長(zhǎng)時(shí)間迭代的問(wèn)題時(shí)具有一定的缺陷,由于迭代次數(shù)較長(zhǎng),粒子在辨識(shí)前期非常容易匯集到慣性權(quán)值范圍的上界,破壞了粒子種群的多樣性,導(dǎo)致辨識(shí)后期尋優(yōu)結(jié)果較差。雖然創(chuàng)新行為的加入使粒子慣性權(quán)值出現(xiàn)一定的隨機(jī)振蕩,但均為有界振蕩。由于創(chuàng)新行為的加入,粒子對(duì)局部最優(yōu)和全局最優(yōu)的周?chē)M(jìn)行了充分搜索,最終的收斂精度也較高。

在標(biāo)準(zhǔn)粒子群優(yōu)化算法中,前后2代粒子僅通過(guò)速度聯(lián)系,導(dǎo)致計(jì)算過(guò)程中當(dāng)速度變化不夠快時(shí),下一代粒子的變化就比較小,從而降低了粒子群優(yōu)化算法的收斂速度。對(duì)粒子位置進(jìn)行對(duì)話行為改進(jìn),從而得到新位置,使粒子位置隨著對(duì)話次數(shù)的增加而變化,在搜索前期快速到達(dá)全局最優(yōu),提高了收斂效率。

圖3 社交粒子群算法參數(shù)辨識(shí)流程

標(biāo)準(zhǔn)粒子群算法后期局部最優(yōu)位置上升不夠快,從而降低了粒子群優(yōu)化算法的后期收斂速度。本文利用群體之間的爭(zhēng)論來(lái)保留種群最優(yōu)解,由于群體之間的位置軌跡各不相同,粒子之間的相互交換信息的空間越大,群體軌跡收斂的幅度就會(huì)越大,粒子群后期收斂速度就會(huì)加快,由于保留了種群最優(yōu)解,算法的收斂精度也得到了提高。

根據(jù)社交變換后群體的適應(yīng)度增加程度拋棄一些粒子,從而降低了下一次迭代的運(yùn)行時(shí)間,避免搜索陷入局部最優(yōu)解,提高了算法收斂精度。

2.8 算法復(fù)雜度分析

令社交粒子群算法的種群規(guī)模為N,最大迭代數(shù)為T(mén)max。決定算法時(shí)間的是粒子之間有效的位置交換次數(shù),如果群體的適應(yīng)度提高速度較快,那么就會(huì)減少運(yùn)行時(shí)間,如果群體的適應(yīng)度提升速度較慢,算法運(yùn)行時(shí)間就會(huì)變長(zhǎng)。

考慮到每次迭代時(shí),社交粒子群增加了對(duì)話、爭(zhēng)論和創(chuàng)新3個(gè)步驟,會(huì)增加一點(diǎn)時(shí)間復(fù)雜度,但是這只是線性時(shí)間復(fù)雜度,隨著迭代次數(shù)的增加,社交粒子群算法參與運(yùn)算的粒子數(shù)量會(huì)根據(jù)適應(yīng)度變化程度而適當(dāng)減少,而標(biāo)準(zhǔn)粒子群算法每次迭代中的粒子數(shù)量都保持不變,因此社交粒子群算法的收斂精度更高、運(yùn)行時(shí)間更少。

3 采用斐波拉契搜索的模糊控制器

模糊控制可以實(shí)現(xiàn)對(duì)復(fù)雜對(duì)象的有效控制,實(shí)現(xiàn)步驟可以概括為：確定輸入輸出、模糊化、模糊推理、反模糊化[12-13]。根據(jù)本文的控制對(duì)象,模糊控制器設(shè)計(jì)主要由以下部分組成。

3.1 確定控制對(duì)象

設(shè)第二節(jié)得到的工藝氣溫度辨識(shí)模型為：

y(k)=0.96y(k-1)-0.19y(k-2)+

0.18y(k-3)+0.19u(k-1)+

0.05u(k-2)-0.19u(k-3)

(9)

式中：輸入u(k)為補(bǔ)償蒸汽閥門(mén)開(kāi)度;輸出y(k)為工藝氣溫度。

3.2 設(shè)計(jì)模糊控制器

模糊控制器結(jié)構(gòu)如圖4所示。模糊控制器以被控對(duì)象的輸出誤差e(k)和輸出誤差變化率ec(k)為輸入量,以施加于被控對(duì)象的控制增量uc(k)作為輸出量,而不是傳統(tǒng)的控制量u(k)。

輸入量為：

(10)

輸出量為：

uc(k)=u(k)-u(k-1)

(11)

圖4 模糊控制器結(jié)構(gòu)

3.3 變量模糊化

模糊控制數(shù)據(jù)庫(kù)包括各模糊語(yǔ)言變量的隸屬函數(shù)、量化因子及其模糊空間的分級(jí)數(shù)等。

首先將變量的測(cè)量值離散化為模糊值。實(shí)際的工藝氣溫度變化范圍為[55,65],模糊離散域?yàn)閇-6,6],通過(guò)輸入量化因子ke=kec=2×12/(65-55) =2.4,將工藝氣溫度的輸出誤差e和輸出誤差變化率ec變換為7個(gè)等級(jí)的模糊離散域,分別為{負(fù)大NB,負(fù)中NM,負(fù)小NS,零Z,正小PS,正中PM,正大PB},同理,將補(bǔ)償蒸汽閥門(mén)開(kāi)度的控制量uc也轉(zhuǎn)換成上述7個(gè)等級(jí)的離散論域。輸入和輸出隸屬函數(shù)均取為三角形隸屬函數(shù)。

當(dāng)kuc過(guò)大時(shí),調(diào)節(jié)動(dòng)作較大,但容易出現(xiàn)震蕩;當(dāng)kuc過(guò)小時(shí),調(diào)節(jié)速度較慢,且存在較大靜差,因此輸出量化因子kuc需要優(yōu)化確定。

3.4 斐波那契法尋優(yōu)輸出量化因子

如果采用湊試法,會(huì)影響運(yùn)行速度,無(wú)法在線調(diào)節(jié),而且控制精度也會(huì)受影響。考慮到這是一個(gè)單變量的尋優(yōu)問(wèn)題,為了不影響控制速度,采用斐波拉契搜索算法對(duì)模糊控制器的輸出量化因子kuc在一定范圍內(nèi)進(jìn)行尋優(yōu)。斐波拉契搜索算法針對(duì)只含有一個(gè)獨(dú)立變量的非線性?xún)?yōu)化問(wèn)題求解非常有效,已經(jīng)用于許多控制工程領(lǐng)域[14-15],提高了控制精度和控制速率。

首先定義斐波拉契搜索算法的適應(yīng)度,其具體形式如下：

(12)

執(zhí)行步驟如下：

1) 選取初始隱含層節(jié)點(diǎn)數(shù),下限a1=0.01,上限b1=1.00,由此確定搜索區(qū)間為[0.01,1.00],由于隱含層個(gè)數(shù)均為整數(shù),因此給出搜索步長(zhǎng)ε=0.001,求出搜索次數(shù)n,使得：

(13)

式中：Fn為斐波拉契數(shù)列,F0=F1=1。

2) 當(dāng)k=1時(shí),計(jì)算最初2個(gè)搜索點(diǎn)：

(14)

3) 如果f(p1)>f(q1)時(shí),

(15)

4) 如果f(p1)

(16)

5) 在新的搜索區(qū)間中更新試驗(yàn)點(diǎn),再根據(jù)試驗(yàn)點(diǎn)的適應(yīng)值來(lái)縮小搜索區(qū)間,反復(fù)迭代,直至搜索區(qū)間長(zhǎng)度小于給定的精度為止。

6) 當(dāng)進(jìn)行至k=n-2時(shí),就無(wú)法通過(guò)比較函數(shù)值f(p1)和f(q1)的大小來(lái)確定最終區(qū)間。為此得到：

pn=pn-1,qn=pn-1+δ

(17)

式中：δ為搜索精度。以pn和qn兩者的平均值為近似極小值點(diǎn),相應(yīng)的函數(shù)值為近似極小值。

3.5 模糊控制規(guī)則

模糊控制規(guī)則庫(kù)包含一系列操作經(jīng)驗(yàn)和專(zhuān)家知識(shí)的總結(jié)[16]。在總結(jié)專(zhuān)家經(jīng)驗(yàn)和控制工程知識(shí)的基礎(chǔ)上,采用表1所示的模糊控制規(guī)則。

表1 模糊規(guī)則庫(kù)

3.6 模糊推理

當(dāng)給定輸入模糊量,根據(jù)模糊規(guī)則邏輯,就可以得到輸出模糊量。設(shè)已知模糊控制器的輸入模糊量為：

Eis NB andECis NS.

根據(jù)表1 可以形成“IF-THEN”結(jié)構(gòu)的模糊控制規(guī)則語(yǔ)句：

R1：ifEis NB andECis NS thenUCis NM.

進(jìn)行近似推理,可以得出輸出模糊量UC為NM。

對(duì)于一般情況,可以通過(guò)以下公式推理。

Ri=(Ai∧Bi)→Ci

(18)

(19)

C′=(A′∧B′)°R

(20)

式中：∧為取小運(yùn)算;° 為最大-最小運(yùn)算;→為求交運(yùn)算。

3.7 輸出量的反模糊化

由以上模糊推理得到的是模糊量UC=C′,這是一個(gè)矩陣,并不能直接應(yīng)用在工程上,因此必須先將其轉(zhuǎn)換成清晰量,這個(gè)過(guò)程即為輸出量的反模糊化。本文采用了輸出更平滑的區(qū)域重心法。

綜上所述,模糊控制算法流程如圖5所示。

4 仿真研究

4.1 辨識(shí)性能分析

為驗(yàn)證社交粒子群算法對(duì)松散回潮過(guò)程的參數(shù)模型辨識(shí)效果,將歷史數(shù)據(jù)中的補(bǔ)償蒸汽閥門(mén)開(kāi)度作為輸入,工藝氣溫度作為輸出,粒子群算法參數(shù)設(shè)置如表2所示。

圖5 模糊控制算法流程

表2 粒子群算法參數(shù)設(shè)置

進(jìn)行多次辨識(shí)測(cè)試實(shí)驗(yàn),然后取平均值,得到式(9)的辨識(shí)結(jié)果。圖6為求出的工藝氣溫度估計(jì)值與對(duì)應(yīng)的實(shí)際值曲線。

評(píng)價(jià)辨識(shí)模型的擬合程度的指標(biāo)有很多,考慮到相對(duì)誤差更能反映辨識(shí)的可信度,采用平均相對(duì)誤差(MAPE)、均方根誤差(RMSE)和決定系數(shù)(R2)作為工藝氣溫度辨識(shí)模型的誤差指標(biāo)。計(jì)算公式為：

(21)

(22)

(23)

采用標(biāo)準(zhǔn)粒子群算法、社交粒子群算法得到的工藝氣溫度辨識(shí)模型的誤差如表3所示。

圖6 辨識(shí)估計(jì)值與實(shí)際值曲線

表3 工藝氣溫度辨識(shí)模型的誤差

采用社交粒子群的辨識(shí)模型得到的平均相對(duì)誤差、均方根誤差、決定系數(shù)均低于標(biāo)準(zhǔn)粒子群辨識(shí)模型,由于增加了優(yōu)化步驟,辨識(shí)時(shí)間略長(zhǎng),但不影響整體控制過(guò)程,因此可以將社交粒子群算法用于回潮過(guò)程控制模型辨識(shí)。圖7為標(biāo)準(zhǔn)粒子群算法、社交粒子群算法的收斂曲線。

將標(biāo)準(zhǔn)粒子群算法、社交粒子群算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比,標(biāo)準(zhǔn)粒子群算法在收斂的過(guò)程中也能較好地收斂,但收斂后期辨識(shí)性能幾乎沒(méi)有提升。本文中提出的社交粒子群算法對(duì)過(guò)早收斂的問(wèn)題進(jìn)行了有效改善,對(duì)模型的辨識(shí)精度有很大提升。

圖7 粒子群算法收斂曲線

4.2 控制指標(biāo)分析

傳統(tǒng)的模糊控制器采用人工試驗(yàn)法選取不同的輸出量化因子kuc值,執(zhí)行效率比較低。本文采用斐波拉契搜索算法自動(dòng)尋找最優(yōu)的輸出量化因子kuc,設(shè)置該算法的參數(shù)如表4所示。

表4 斐波拉契搜索算法參數(shù)設(shè)置

采用斐波拉契搜索算法得到最優(yōu)輸出量化因子kuc=0.121。根據(jù)這個(gè)最優(yōu)輸出量化因子,進(jìn)行模糊控制仿真,其參數(shù)選取如表5所示。分析系統(tǒng)的穩(wěn)定性,階躍響應(yīng)曲線如圖8所示。

表5 模糊控制器穩(wěn)定性測(cè)試參數(shù)

圖8 階躍響應(yīng)曲線

為了對(duì)比各種控制器的性能,選擇2種比較新型且有代表性的控制算法和本文算法進(jìn)行對(duì)比,即文獻(xiàn)[7]的專(zhuān)家模糊PID控制和文獻(xiàn)[9]的廣義預(yù)測(cè)控制。各種控制器的性能指標(biāo)如表6所示,可以看出,本文的斐波拉契模糊控制得到的超調(diào)量、調(diào)整時(shí)間、峰值時(shí)間和上升時(shí)間都較少,表明本文的控制器可以對(duì)煙葉松散回潮這種復(fù)雜系統(tǒng)進(jìn)行更加有效的控制。

對(duì)系統(tǒng)的跟蹤性進(jìn)行分析,根據(jù)煙葉的口感不同,設(shè)定不同工藝氣溫度,其余控制參數(shù)不變,如表7所示。

表6 3種控制器的性能指標(biāo)

表7 模糊控制器跟蹤性測(cè)試參數(shù)

采用本文的控制器進(jìn)行仿真后,得到的工藝氣溫度跟蹤控制效果如圖9所示。圖中直線為工藝氣溫度設(shè)定值,曲線為控制值,可以看出,采用本文的控制器得到的跟蹤時(shí)間最短,超調(diào)時(shí)間也最短。

圖9 跟蹤性控制效果曲線

4.3 工藝指標(biāo)分析

為了研究本文的控制器對(duì)生產(chǎn)過(guò)程是否有影響,使用制程能力指數(shù)(CpK)及其相關(guān)參數(shù)作為指標(biāo),將實(shí)施各種控制后的生產(chǎn)數(shù)據(jù)進(jìn)行對(duì)比分析。各控制器得到的工藝指標(biāo)如表8所示。

表8 各控制器得到的工藝指標(biāo)

由表8可知,斐波拉契模糊控制得到的工藝氣溫度的西格瑪水平(Sigma)和制程能力指數(shù)(CpK)均有不同程度的提高,說(shuō)明采用本文的控制器可以提高工藝氣溫度的穩(wěn)定性,滿足工藝平穩(wěn)性的要求。

5 結(jié)論

針對(duì)回潮工藝中的補(bǔ)償蒸汽閥門(mén)開(kāi)度和工藝氣溫度的參數(shù)辨識(shí)所存在的一些問(wèn)題,提出社交粒子群算法的辨識(shí)方法,實(shí)現(xiàn)了對(duì)補(bǔ)償蒸汽閥門(mén)開(kāi)度和工藝氣溫度的參數(shù)辨識(shí)。將其與標(biāo)準(zhǔn)粒子群算法的辨識(shí)結(jié)果進(jìn)行比較,結(jié)果表明,該方法在辨識(shí)精度上優(yōu)于標(biāo)準(zhǔn)粒子群算法。采用基于斐波拉契搜索的模糊控制器進(jìn)行煙葉回潮過(guò)程的控制,由仿真結(jié)果可知,本文的模糊控制器的控制效果優(yōu)于常規(guī)模糊控制器和PID控制器,達(dá)到更好的控制指標(biāo)和工藝指標(biāo)。

由于本文是通過(guò)調(diào)節(jié)補(bǔ)償蒸汽閥門(mén)開(kāi)度實(shí)現(xiàn)對(duì)工藝氣溫度波動(dòng)的反饋?lái)憫?yīng),該工藝氣溫度控制方法未能提前對(duì)加水量變化做出判斷,存在一定的滯后性,下一步將對(duì)此問(wèn)題進(jìn)行研究。