基于遗传算法的PID控制在叶片模温控制中的应用

基于遗传算法的PID控制在叶片模温控制中的应用管鹏飞冯立超*（淮海工学院机械与海洋工程学院，江苏连云港222002）设计了基于摘要：针对目前叶片模温控制系统在生产过程中存在的加热时间过长以及恒温保护时温度波动性较大的问题，遗传算法优化的PID控制。随后在Matlab/Simulink中对优化前后的控制系统进行仿真对比发现仿真后的控制系统的系统控制精度以及稳定性都远远优于仿真前的系统。最后通过现场试验结果证明遗传算法优化后的PID控制使得叶片模具加热系统的升温速率以及系统稳定性都得到了很大的改善。关键词：叶片模温控制；PID控制；遗传算法中图分类号院TP202+.7,TP273文献标识码院A文章编号院2096-4390渊2019冤21-0134-02风能作为清洁能源在近些年来被应用得越来越广泛，为了提高获取风能的效率因而对风力机的质量提出了更高的要求[1]它的质量对于风。而风机叶片作为风电机组的重要组成部分，电机组能否稳定高效的运行起着至关重要的作用[2]。风机叶片通过适当模具的温度控制即在叶片的各部分模具生产过程中，的手段和方法，将温度的波动范围控制在规定的范围内。目前工厂的生产过程中通常要求在恒温控制时将温度的变化范围控制在±2℃，在温度升温的过程中要求动态误差控制在4℃以内。如果生产过程中的温度超出了允许范围，就会对最终的成型件质量造成许多负面影响，比如模具的局部烧毁以及失效，从而对生产效率造成严重影响。本文针对目前叶片模具生产中存在的控制系统精度不高，且无法适用于不同对象的问题，设计了一款基于遗传算法的稳定性好PID控制系统。该控制系统结合了传统PID结构简单、自动寻优的特点，能够很好的以及遗传算法的自组织、自适应、适用于叶片模温生产过程中不同对象的温度控制。1问题描述目前的叶片模具温控系统是一个传统的闭环系统，它主要通过PLC来控制水加热器对模具进行加热。利用PT100温度采通过PLC将传回来的电信集模块来将模具温度转换成电信号，号转换成数字量传送给CPU进行计算。再设定好目标温度以后就主要靠PID控制来改变PLC的输出从而让模具实际温度不断接近设定的温度。叶片模具温控系统是一个多回路同时进行然后的系统，它通过一个总控制器来设定各个回路的加热温度，加热、保温以及冷却工作。单个回路再进行各自进行温度采集、整个PID控制系统是温度控制系统中最关键的部分，然而目前在叶片模具温度控制中使用的控制方法还是传统的PID控制，其中的比例、积分和微分参数还是要依靠技术人员凭借经验手动进行调试。这样不仅在调试期间需要花费大量的时间精力，而且最终的温控系统的控制效果必然不太理想。2基于遗传算法的PID控制但是PID控在目前的温控领域中，虽然控制方式多种多样，制依旧凭借其鲁棒性好、原理较为简单从而得到了广泛的应用[3,4]非线性的系统，传统。叶片模温控制系统是一种时滞性较大、的PID控制方法对于这种系统的控制效果十分不理想。因此，为了解决传统PID在叶片模具生产中的温度控制精度不高问题，通过将遗传算法与PID控制相结合来实现参数的自动寻优[5]。遗传算法的基本方法是通过把种群转变成实际问题的解，交叉以及变异过然后再通过模仿生物种群进化过程中的选择、程获得更多的个体通过不断比较来获得最优解[6]。遗传算法本因此常常被用于参数的寻质上是一种并行、高效的搜索的方法，优之中。基于遗传算法的寻优特点所以它常被用于与传统控制方法相结合来获得更好的控制效果。首先是对PID参数进行编码，在参数编码完成后要选取初始种群数量，其范围一般在20~100之间，这里我们选取Size=30。接着选取适应度函数如下：式中琢的取值一般为0.5，1，1.5，茁一般取2。而a,b的取值如下所示：会随着遗传算法运行时而不断的得到调整，得到个体适应度后就要进行选择，遗传算法中的选择原则反之遗传到为优胜劣汰即适应度高的遗传到下一代的概率大，（4）下一代的概率就会小。个体被选中的概率如式所示：变异的环节。交叉就是被选择的个体得以进入之后的交叉、以一定的概率交换两个个体编码串的对应位从而产生两个新的个体。交叉的概率Pc一般取值为0.7。（BY2018219）项目1院江苏省产学研合作项目。（Z2017001）项目2院淮海工学院自然科学基金项目。“521工程”（ZKK201803）项目3院连云港市第五期科研项目。（1995，在读硕士，单位：淮海工学院，温度控制。作者简介：管鹏飞8-），男，汉族，江苏省常州市，研究方向：2019.21科学技术创新-135-

在研究遗传算法后利在一定概率下，个体编码串中某一位的值被改变从而产生在的控制精度不高、时滞性较大等问题，变异概率Pm为：积分以及新个体的过程即为变异，用遗传算法的优胜劣汰机制来对模温控制中的比例、微分三个参数进行寻优，以此来达到对整个控制系统进行优化的目的。利用仿真对优化前后的阶跃响应曲线进行对比发现优化后的PID控制效果远远优于优化前。最后通过现场的试验验根据温度证了优化后的控制系统能在当模温到达设定温度后，保证温度控制趋于平稳，误差起伏范围，实时改变加热器功率，维持在允许范围内，完全符合风电叶片模温加热工艺要求。参考文献最后添加整个循环结束的条件，如果满足要求的话就将该参数作为最优解输出，否则就重新计算适应度。在本文中当迭[1]RustamovI.DesignandStructuralstudiesofComposite

WindTurbineBladeusingFiniteElementMethod[D].2012.代次数到达100时算法结束。[2]韩超,刘晓宇,董宇翔.欧姆龙PLC在叶片成型模具多路温3仿真及试验结果度控制中的应用[J].智慧工厂,2011(5):49-51.

[3]高成,庞家腾.基于遗传算法对PID控制器参数的整定[J].现代信息科技,2019,3(2):171-172.

[4]赵广元.MATLAB与控制系统仿真实践[M].北京:北京航空航天出版社,2012:261-262.

[5]杨璐,雷菊阳.基于Matlab的参数自整定模糊PID控制器的两种设计方法[J].计算机测量与控制,2015,23(4):1212-1214.[6]MotaiY,KosakaA.SmartView:hand-eyeroboticcalibrationforactiveviewpointgenerationandobjectgrasping[J］.IEEEInternationalConfon砸oboticsandAutomation，2001.3:2183原2190.

图1遗传算法目标函数值优化曲线目标函数值通过遗传算法优化后的曲线如图1所示，从图中可以看出在迭代次数达到93时，已达到最优解。图2系统响应曲线在给定阶跃值为1的阶跃信号后，如图2所示为仿真所得的系统响应曲线。从图中可以知道传统PID控制下系统的超调量最大可以达到48%，到达期望值以后稳定下来所用的调节时间为880s。而经过遗传算法优化后的系统到达期望值所需的时遗间仅需210s，且静态误差近乎为0。根据以上仿真结果可知，传算法优化后的PID控制系统无论是控制精度还是调节时间都得到了极大的改善。4结化本文针对传统PID控制无法解决在叶片模温控制过程中存