基于PSO-NP算法的广义预测PID控制及应用.pdfVIP

务l 匐 似 基于PSO—NP算法的广义预测PID控制及应用 Generalized predictive PID controlbased onPSO -NP algorithm and itsapplication 曹晋宏，李国勇 CA0 Jin—hong．LlGUO—yong (太原理工大学信息工程学院，太原030024) 摘 要：针对目前炼钢厂加热炉的温度调节存在约束、大延迟、非线性、精确度不高等特点，提出了一 种复合式控制方案——将采用粒子群算法对多目标搜索的优势和具有较强局部搜索的非线性 规划共同优化广义预测算法中滚动优化的环节，再利用该算法与PID的模型相似性而自动调整 PID温度控制器参数，从而提高温度控制的精度。仿真实验表明，该算法对加热炉温度控制中 的滞后性、准确性、约束能力都有明显的改善。 关键词：广义预测；粒子群算法；非线性规划；PIE) 中图分类号：TP13 文献标识码：A 文章编号：1009-0134(2014)06(下)一0034—05 Doi：10．3969／J．issn．1009-0134．2014．o6(下)．09 0 引言 在着控制约束，因此传统的广义预测中滚动优化 随着钢铁产业竞争的 日益激烈，不断降低加 中求导取零求解的 目标函数最小值，便不一定能 热炉对钢坯的损耗成为炼钢厂必须面对 的挑战， 得到满意效果 ，因此本文提 出采用粒子群与非线 因此对加热炉的温度控制要求势必越来越高。传 性规划共 同改善广义预测中滚动优化环节，从而 统的PID温度控制器光靠人为操作是无法在加工过 提高广义预测的预测效率和精度 ，再利用广义预 程中根据材料的变化程度不同而改变PID控制器参 测与PID模型相似性来快速确定PID控制器中参数 数 ，从而减少不必要的损耗，因此，众多学者将 的变化 ，从而对加热炉温度控制 的改进起到 了借 智能算法引入控制器中，但光凭借单一智能算法 鉴作用。 造成的误差仍然无法解决加热炉温度调节过程 中 1 改进广义预测PID控制算法 出现的大延迟和精度差的问题，因此，研究新的 1．1粒子群算法简介 复合型智能控制算法并应用在加热炉PID控制器中 粒子群算法 (ParticleSwarm Optimization， 对提高加热炉炼钢效率有极其重要的意义。 PSO)是由Kennedy和Eberhart通过观察鸟群觅食 加热炉的控制系统 由预热、加热、均热、炉 的方式在1995年提出来的一种新的智能算法 。 压、废气温度、排烟温度等六个控制环节组成， 它采用位置、速度和适应度值三项性能指标来定 期间，温度控制是每个环节不可或缺的一部分…。 位粒子的特征，即通过粒子在解集的空间中跟踪 而燃料是否能充分燃烧则是加热炉内的温度控制 个体极值和群体极值来不断更新个体位置 ，在经 中至关重要的因素，虽然炼钢厂一般采用操作简 过其适应度值来判断是否为最佳值，从而寻找到 单的PID控制器来控制加热炉的燃料和空气的输入