基于cpso的压铸机快速压射pid控制参数优化.docxVIP

基于cpso的压铸机快速压射pid控制参数优化 压铸机的快速压射指的是压铸机定模型腔中的金属液从速度填充到一定位置的高速填充，主要由主缸的二通比例插装阀控制。 粒子群优化 (PSO) 算法概念简单, 易于实现, 适于求解大量非线性、不可微和多峰值的复杂优化问题, 具有良好的全局搜索能力, 可以有效地进行PID参数寻优 1 压铸机快速压射模型的描述 1.1 流量系数的确定 压铸机快速压射系统中的手调二通插装阀由于缺乏必要的参数, 其数学模型很难建立, 依据相关资料近似估算其阶跃响应曲线即: A (x) 为流量系数, 其值与雷诺数、液流状态、阀口形式、有关;ρ为油液密度, kg/m 1.2 压射腔的连续性方程 Q 1.3 压裂动态方程 m为压射活塞及负载等效质量, kg;B为压射活塞的粘性阻尼系数, Ngs/m;F为等效负载, N;p 2 cpss-pid控制器的设计 2.1 局部极值p 其基本原理如下, 在D维解空间随机初始化一个种群, 其中含有若干个粒子, 这些粒子在解空间中的位置x 式中, c 另外, 也可以不用整个种群, 而只是用其中一部分作为粒子的邻居, 那么在所有邻居中的极值就是局部极值p 2.2 混合突变pmo算法 2.2.1 混沌变异惯性权重 压铸机快速压射过程是一个复杂、非线性运动过程, 线性递减权重不能很好的适应, 将惯性权重因子进行混沌变异: 式中w 由式 (9) 产生的混沌序列在 (0, 2) 之间对称分布, 由于混沌序列的随机性, 在粒子群初期迭代时不需要进行扰动运算, 混沌变异的惯性权重在迭代前期权值较大, 后期迅速收敛, 算法运行效率较高。但是在迭代过程中, 粒子会发生聚集现象, 导致种群进化出现停滞。为了增强算法的局部搜索能力, 利用式 (9) 生成的混沌序列对粒子群进行扰动。 2.2.2 混沌搜索算法 式中, p L S为比例系数, 根据L 添加完扰动项的速度更新方程为: 本文提出的CPSO算法在进化初期的迭代时, 由于有混沌变异幂指数惯性权重, 会迅速收敛, 粒子群陷入局部最优值, 在经过混沌扰动后, 粒子群进行混沌搜索, 聚集的种群被驱散, 从而实现粒子在更大的范围内精细搜索。 2.2.3 cpss适应性函数 为了使控制效果更好, 在目标函数中加入控制量的平方项、调节时间, ITAE指标可以表示为: e (t) 为传感器反馈锁模力偏差;X 2.3 计算适应度函数值 步骤1根据3个控制参数的经验解空间范围, 初始化粒子解空间, 包括种群规模N、候选解的位置x 步骤2根据式 (14) 计算当前种群中所有粒子的适应度函数值, 并比较各粒子的适应度值, 将当前代具有最佳适应度值粒子的位置和目标值存储于该代粒子的个体最优位置p 步骤3随机选取n 步骤4计算并判断L 步骤5按照式 (5) 、式 (13) 更新各候选解的位置及速度; 步骤6如果终止准则满足 (达到进化迭代上限) , 则输出最优结果, 否则转到步骤2继续执行。 3 速压射系统仿真模型 压射腔连续性子模块仿真模型和压射活塞受力平衡模块仿真模型分别如图1、图2所示, 压铸机快速压射系统仿真模型如图3所示由CPSO-PID控制器级控制单元、机械动作仿真模块和锁模压力反馈传感器组成。由仿真系统可知, 压铸机快速压射系统是一个四阶强非线性系统, 利用普通的PID控制器难以达到理想的控制效果。 设定CPSO参数为:粒子种群N=500;加速因子c 4 优化算法有效性对比 输入阶跃信号, 通过仿真对比分析标准带线性递减惯性权重PSO算法及本文提出的CPSO算法结果, 验证CPSO算法相对于带线性递减惯性权重PSO算法的优越性。 图4为采用两种不同PSO算法进行PID参数优化得到的阶跃响应曲线。图5为两种不同优化算法进行参数优化得到的收敛过程。通过比较明显可以发现, 在迭代过程中CPSO收敛快速性大大高于带线性递减惯性权重PSO。 表1给出了采用两种不同PSO优化算法进行压铸机快速压射系统控制参数优化的结果及精度, 分别将这两种算法进行200、300和400次迭代并寻找其最优参数, 为了保证可靠性, 取40次实验结果的平均值。试验结果显示, 得到的结果中, 采用CPSO算法在进行PID控制器参数优化时效果最好, 值为最小的0.011, 超调量为0.02%, 计算时间为20.1 ms, 明显优于带线性递减惯性权重PSO优化算法, 且随着迭代次数的增多, 参数寻优精度和等性能指标呈现愈加优良的态势, 从而验证了CPSO算法在压铸机快速压射系统控制参数寻优中具有更好的优化特性。 5 cpso-pid算法快速响应特性 为了优化压铸机快速压射控制器中比例-积分—微分控制参数, 在介绍了标准带惯性权重PSO算法的基础上, 不但将惯性权重进行混沌变异, 而且通过添加混沌扰