采用社交粒子群辨识的回潮工艺模糊控制研究_邬剑升.pdf

（）年 第 卷 第 期 收稿日期：基金项目：国家科技部重点研发计划（）；重庆市科委一般自然基金项目（）作者简介：邬剑升，男，硕士，工程师，主要从事电气自动化研究，：；通信作者 王华秋，男，博士，教授，主要从事节能优化与智能控制研究，：。本文引用格式：邬剑升，桂腾跃，张旷世，等 采用社交粒子群辨识的回潮工艺模糊控制研究 重庆理工大学学报（自然科学），（）：，（），（）：（）采用社交粒子群辨识的回潮工艺模糊控制研究邬剑升，桂腾跃，张旷世，余 数，王华秋，向 力（浙江中烟工业有限责任公司，浙江 宁波；重庆理工大学 两江人工智能学院，重庆；重庆太和空调自控有限公司，重庆）摘 要：在烟叶回潮过程中，补偿蒸汽阀门开度通常会影响工艺气温度，而工艺气温度与产品感官质量显著相关，如果采用 算法对补偿蒸汽阀门开度进行控制，容易引起控制器输出振荡。提出了一种基于参数辨识的模糊控制器，对松散回潮工艺气温度实现过程控制。利用结构简单、易于实现和适应能力强的社交粒子群算法对被控对象进行参数辨识，建立基于输入输出的对象模型，采用斐波拉契搜索法对模糊控制变量的输出量化因子进行搜索，根据模糊控制规则对补偿蒸汽阀门开度进行调整，实现过程稳态控制。通过和其他重要的控制方法相比，所提的基于参数辨识的模糊控制方法能减小工艺气温度的波动，提高控制性能。关 键 词：工艺气温度；补偿蒸汽阀门开度；社交粒子群辨识；斐波拉契搜索；模糊控制中图分类号：；文献标识码：文章编号：（）引言松散回潮是烟叶加工的首道核心工序，确保工艺气温度稳定可以保证该工序工艺质量，而且工艺气温度会影响烟叶质感和香气，并对后续各工序工艺指标有着直接的影响。因此，要稳定控制工艺气温度，保证烟叶的质量和感官。由于车间温湿度变化、测量滞后性、来料量变化等原因，工艺气温度控制存在滞后性、波动性等问题，为解决这些问题，许多学者做了相关研究。俞仁皓等对松散回潮机回风温度控制使用 控制方法，由于 控制算法的设定值变化会引起误差的微分操作，因而会造成控制器输出振荡次数增加，稳定性也会下降，调节时间加长。张丽娟等通过加热蒸汽电磁阀周期性开关动作优化回风温度的控制，减少了回风温度的波动性，提高回潮工艺质量。陈杰等通过减少直喷蒸汽比例和增加热风管道内蒸汽比例稳定了回风温度，提升了片烟感官质量和舒展率。容秀英等采用最大值 最小值控制图的热风温度控制技术，解决了叶片松散回潮工艺的热风温度控制的极值问题，将回风温度控制波动范围显著缩小，提高控制精度。段荣华将专家系统、模糊推理与常规 控制相结合，实现了松散回潮出口水分的自动控制。朱文魁等采用入口介质温湿度控制，通过改变风机频率对进口介质湿含量进行控制，改善了片烟的出口温度和含水率的稳定性，减小了出口温度的波动。欧阳江子等采用广义预测控制方法，建立了具备工况自适应能力的加水量动态预测和调整模型，实践表明，该系统有效提高了松散回潮工序出口含水率稳定性。针对这些特点，本文对某烟厂历史数据进行分析，确定了补偿蒸汽阀门开度是影响工艺气温度的主要因素，作为系统的输入和输出，运用社交粒子群优化算法辨识被控对象模型，提高了辨识精度。然后使用模糊控制方法，采用斐波拉契搜索对控制变量的量化因子进行搜索，采用模糊控制规则对松散回潮调节补偿蒸汽阀门开度，提高松散回潮工艺气温度的稳定性，减小工艺气温度的波动。卷烟回潮工艺 回潮工艺气温度控制原理松散回潮的工艺任务是对叶片进行加温和加湿。松散回潮机工艺气温度控制原理如图 所示。图 松散回潮机工艺气温度控制 回潮机通过注入回风管的蒸汽和热交换器进行加热、加湿烟叶，同时引入新空气补偿循环热风，切片后的烟块进入松散回潮筒被松散为烟片。整个过程，水通过蒸汽雾化后喷射在待松散的烟块上。同时检测松散回潮回风管道后端的工艺气温度，通过调节补充蒸汽流量，以保证满足工艺气温度工艺指标的要求，提高回风系统热交换能力。这样在热风和蒸汽流的作用下，松散后的烟片被软化并增强了韧性，有利于提升烟片的舒展率，温度和水分达到工艺指标后输送到烟叶储柜暂存，以备进入后续工序加工。如前所述，由于回潮工艺的复杂性，回风系统热交换能力已不能满足工艺气温度工艺指标的要求，通过调整补偿蒸汽开度可以提高回风系统热交换能力，因此将补偿蒸汽施加量作为工艺气温度的控制输入量。现存问题松散回潮机工艺气温度控制方法是传统的 控制，即运用 控制追踪工艺气温度，在该过程控制中，借助可编程控制器软件自带的 控制器，调用连续 控制来实现，通过输出值的转化，配合补偿蒸汽阀的开度来实现对工艺气温度的控制。但是该工艺气温度 控制方法未能提前对入口参数变化做出判断，明显存在着滞后性，无法保证工艺气温度过程的稳定控制。解决方案提出一种与被控对象辨识相关联的模糊控制器。首先采用社交粒子群算法建立补偿蒸汽阀门开度和工艺气温度之间的辨识模型，然后建立系统辨识的模糊控制器，从而找到某一最优控制律下的补偿蒸汽阀门开度参数值，使工艺气温度快速准确地达到设定值。模糊控制器以误差 和误差变化率 作为输入，其输出状态对应于模糊控制器的补偿蒸汽阀门开度增量，而使烟叶回潮过程控制达到期望要求。控制系统总体结构如图 所示。图 基于系统辨识的模糊控制系统 社交粒子群辨识器设计将影响工艺气温度的补偿蒸汽阀门开度辨识转化为最优化问题，并且考虑到标准粒子群算法邬剑升，等：采用社交粒子群辨识的回潮工艺模糊控制研究的过早收敛的问题，提出了社交粒子群算法（）的工艺气温度控制模型参数辨识算法，利用最优化准则和社交粒子群算法实现对该问题的求解。社交网络搜索算法（，）是由 等 于 年提出的一种新型智能优化算法。该算法主要模拟了群体表达意见时的行为：模仿、对话、争论和创新，这些行为被用作优化操作符，模拟用户如何受到影响并且被激励分享他们的新观点，具有寻优能力强、收敛速度快等特点。对社交网络搜索算法的 种行为进行分析，模仿行为类似于粒子群的协作行为，因此就不再重复，而是将创新行为运用于粒子群的惯性权值迭代，对话和争论行为用于粒子之间的交流，这也是群体在进行社交时的真实行为。这样在每次迭代过程中，粒子群之间采用不同的对话和争论机制，模拟了群体如何受到影响并被激励形成新种群，通过增加的粒子的社交成分，增强其后期搜索的全局探索能力，避免过早收敛于局部最优解。标准粒子群算法粒子群算法的粒子代表优化问题的搜索对象，每个粒子的位置代表求解的参数，随机产生一组初始位置作为第一代初值种群，通过速度造成位置变化，从而产生新的种群。个体最优解 和全局最优解 将会被替换或者保留，这要根据适应度值来进行判断，采用式（）更新粒子速度。（）（）（）（）（）式中：，；、为加速度；、为，的随机数；为惯性权值。最终粒子位置更新表达式为：（）（）（）（）粒子的位置范围为，。根据上述公式更新粒子的个体最优值和全体最优值，直到算法收敛。辨识优化的适应度回潮工艺中，工艺气温度参数辨识线性离散输入输出方程可写为：（）（）（）（）（）（）（）（）式中：（）为系统的输出序列工艺气温度；（）为系统的输入序列补偿蒸汽阀门开度；和 分别为未知参数向量；输入输出的延迟时间均取为。要想实现对回潮工艺中工艺气温度参数的辨识，可采用最小二乘准则计算种群各粒子的适应度。其具体形式如下：（）（）（）式中：为选定时间段内第 个实际值；（）为第 个估计值；为所选取的数据个数。因此，回潮工艺气温度参数的辨识问题可转化为改变参数 的数值，使上式的值达到最大。群体惯性权值的创新行为为了使群体惯性权值 可以在前期进行全局搜索，后期进行局部搜索，采用社交网络的创新行为对其进行迭代。考虑到惯性权值在迭代过程中传递它的新取值，会影响对后续惯性权值的取值。因此，通过改变前一个的惯性权值，后一个惯性权值会按照一定的创新行为发生变化，从而实现一种新颖的惯性权值。（）（）（）（）（）式中：、为，的随机数；、分别对应 取值的上、下限。这样设置 可以使算法在前期主要进行全局搜索，后期主要进行局部搜索。粒子位置的对话行为在位置更新之前，将社交网络算法融入粒子群算法中，可以改善其后期收敛较慢、易陷入局部最优等缺陷。粒子在寻优过程中，下一代粒子可以和当前粒子进行对话，粒子之间可以就不同的解空间进行对话交流，在这种状态下，粒子群之间相互学习，并以相互交流的形式提升求解问题的能力。下一代粒子就可以基于前两代粒子的不同状态产生不同的反馈效果，根据式（）得出问题的新位置。（）（）（）（）（）（）（）式中：是符号函数，用正负符号来指出前两代粒子的大小关系；（）、（）分别是当前粒子和上一代粒子的适应度值。粒子群之间的争论行为增加粒子群之间的争论行为，在这个环节中，计算下一代粒子时，当前粒子与随机挑选出来的其他粒子的平均位置相比较，会受到平均粒子的争论影响，根据式（）得出新位置。（）（）（，）（）（）（）（）式中：是随机挑选出来的其他粒子的平均位置。这样，通过粒子群间的对话和争论可以改变自身状态，从而增强粒子的局部搜索能力。根据适应度调整群体数量先根据速度更新粒子位置，在利用最小二乘准则计算此时的适应度，然后根据对话和争论进一步更新粒子位置，计算新的社交粒子的适应度，比较前后 次的适应度是否有一定范围的增加，如果适应度提高不大，则说明这些粒子给其他粒子提供的有价值的信息有限，可以不参与下一次迭代，这样参与运算的粒子数量就可以减少，从而减少算法的运行时间。而且剔除了信息量较低的群体，还可以避免其他粒子受其影响而陷入局部最优解，从而提高了算法收敛精度。社交粒子群算法参数辨识流程如图 所示。算法收敛性分析粒子群的惯性权值采用简单的线性下降方式改进算法，在解决系统辨识这一类需要长时间迭代的问题时具有一定的缺陷，由于迭代次数较长，粒子在辨识前期非常容易汇集到惯性权值范围的上界，破坏了粒子种群的多样性，导致辨识后期寻优结果较差。虽然创新行为的加入使粒子惯性权值出现一定的随机振荡，但均为有界振荡。由于创新行为的加入，粒子对局部最优和全局最优的周围进行了充分搜索，最终的收敛精度也较高。在标准粒子群优化算法中，前后 代粒子仅通过速度联系，导致计算过程中当速度变化不够快时，下一代粒子的变化就比较小，从而降低了粒子群优化算法的收敛速度。对粒子位置进行对话行为改进，从而得到新位置，使粒子位置随着对话次数的增加而变化，在搜索前期快速到达全局最优，提高了收敛效率。图 社交粒子群算法参数辨识流程 标准粒子群算法后期局部最优位置上升不够快，从而降低了粒子群优化算法的后期收敛速度。本文利用群体之间的争论来保留种群最优解，由于群体之间的位置轨迹各不相同，粒子之间的相互交换信息的空间越大，群体轨迹收敛的幅度就会越大，粒子群后期收敛速度就会加快，由于保留了种群最优解，算法的收敛精度也得到了提高。根据社交变换后群体的适应度增加程度抛弃一些粒子，从而降低了下一次迭代的运行时间，避免搜索陷入局部最优解，提高了算法收敛精度。算法复杂度分析令社交粒子群算法的种群规模为，最大迭代数为。决定算法时间的是粒子之间有效的位置交换次数，如果群体的适应度提高速度较快，那么就会减少运行时间，如果群体的适应度提升速度较慢，算法运行时间就会变长。假设标准粒子群算法每个粒子每一次迭代需要的运算时间为（），则可以得出进行优化所需要的总的运行时间为 （）。邬剑升，等：采用社交粒子群辨识的回潮工艺模糊控制研究假设社交粒子群算法每个粒子每一次迭代需要的运算时间为（），因此社交粒子群优化所需要的总的运行时间为 （）。由于对于社交粒子群算法粒子的适应度增大的速度高于标准粒子算法，每次迭代时所需的运行时间就有以下关系：（）（），对于总体运行时间而言 （）（）。因此社交粒子群算法的总体运行时间更短。考虑到每次迭代时，社交粒子群增加了对话、争论和创新 个步骤，会增加一点时间复杂度，但是这只是线性时间复杂度，随着迭代次数的增加，社交粒子群算法参与运算的粒子数量会根据适应度变化程度而适当减少，而标准粒子群算法每次迭代中的粒子数量都保持不变，因此社交粒子群算法的收敛精度更高、运行时间更少。采用斐波拉契搜索的模糊控制器模糊控制可以实现对复杂对象的有效控制，实现步骤可以概括