本發(fā)明屬于自動控制領(lǐng)域，特別是涉及一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法。
背景技術(shù)：
：聚酯短纖維主要用于棉紡行業(yè)，單獨(dú)紡紗或與棉、粘膠纖維、麻、毛、維綸等混紡，所得紗線用于服裝織布為主，還可用于家裝面料，包裝用布，充填料和保暖材料。生產(chǎn)聚酯短纖維時，多根線條集合在一起，經(jīng)給濕上油后落入盛絲桶。再經(jīng)集束、拉伸、卷曲、熱定形、切斷等工序得到成品。拉伸環(huán)節(jié)在纖維生產(chǎn)后加工過程中扮演著極其重要的作用，直接決定著纖維最終的性能。傳統(tǒng)控制方法分別對拉伸環(huán)節(jié)過程中的受變量利用PID控制器形成若干獨(dú)立閉環(huán)回路進(jìn)行控制，沒有考慮變量之間的相互影響對綜合控制效果的影響，調(diào)節(jié)手段單一，有其局限性，不利于產(chǎn)出高質(zhì)量的纖維產(chǎn)品。針對這種情況，采用數(shù)據(jù)驅(qū)動控制方法對碳纖維凝固過程進(jìn)行控制。數(shù)據(jù)驅(qū)動控制是一種利用受控系統(tǒng)的在線和離線I/O數(shù)據(jù)以及經(jīng)過數(shù)據(jù)處理而得到的知識來設(shè)計(jì)控制器的一種控制方法，有收斂性、穩(wěn)定性保障和魯棒性結(jié)論?；谑芸叵到y(tǒng)的在線數(shù)據(jù)主要有同步擾動隨機(jī)逼近控制(SPSA)、無模型自適應(yīng)控制(MFAC)、和去偽控制(UC)這三種數(shù)據(jù)驅(qū)動控制方法。SPSA控制器設(shè)計(jì)較復(fù)雜(函數(shù)逼近器)，收斂速度較慢，且在閉環(huán)實(shí)驗(yàn)中要對控制器參數(shù)進(jìn)行擾動，可能會導(dǎo)致廢產(chǎn)品的出現(xiàn)。MFAC首先要對非線性系統(tǒng)建立動態(tài)線性化模型，根據(jù)控制輸入準(zhǔn)則函數(shù)得到控制律，再根據(jù)參數(shù)估計(jì)準(zhǔn)則函數(shù)得到偽偏導(dǎo)數(shù)，繼而得到控制方案，但是MFAC控制器參數(shù)變化對控制系統(tǒng)穩(wěn)定性有較大影響。本發(fā)明引入另一種基于在線數(shù)據(jù)的數(shù)據(jù)驅(qū)動方法——去偽控制。技術(shù)實(shí)現(xiàn)要素：本發(fā)明在數(shù)據(jù)驅(qū)動基礎(chǔ)上，采用兩級拉伸工藝對聚酯初生纖維進(jìn)行拉伸，對于第二拉伸輥與定型輥之間的二級拉伸環(huán)節(jié)，引入去偽控制算法對聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)進(jìn)行控制，該算法在候選控制器集合基礎(chǔ)上，計(jì)算虛擬參考信號，根據(jù)性能指標(biāo)辨識出當(dāng)前采樣時刻的非偽控制器，切換到控制回路中，既可以使系統(tǒng)具有較好的瞬時響應(yīng)性能，還能夠維持閉環(huán)系統(tǒng)的穩(wěn)定性。免疫優(yōu)化算法是一種比較新穎的智能優(yōu)化算法，利用免疫系統(tǒng)的多樣性產(chǎn)生和維持機(jī)制來保持群體的多樣性，求得全局最優(yōu)解。因?yàn)槠湓硪锥?，收斂速度快且?yōu)化效果好而在實(shí)際工程項(xiàng)目優(yōu)化技術(shù)中得到了極大的應(yīng)用。在去偽控制基礎(chǔ)上對其進(jìn)行免疫優(yōu)化，進(jìn)一步優(yōu)化了控制效果。一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述拉伸環(huán)節(jié)中的拉伸方式為兩級拉伸工藝，對于兩級拉伸工藝中的第二拉伸輥與定型輥之間的二級拉伸環(huán)節(jié)，其纖維拉伸時的速度和溫度采用去偽控制的速度-溫度耦合控制方法，其具體控制步驟為：(1)初始條件：a、初始輸入：速度實(shí)際輸出y1(k)在采樣時刻1～3的值y1(1)～y1(3)；溫度實(shí)際輸出y2(k)在采樣時刻1～3的值y2(1)～y2(3)；速度非偽控制器輸出u1(k)在采樣時刻1～2的值u1(1)～u1(2)；溫度非偽控制器輸出u2(k)在采樣時刻1～2的值u2(1)～u2(2)；初始化：速度期望輸出y1*(k)，初始化時將其設(shè)定為常值a，即為實(shí)際生產(chǎn)過程需要的速度目標(biāo)值，在任何采樣時刻k，y1*(k)＝a；溫度期望輸出y2*(k)，初始化時將其設(shè)定為常值b，即為實(shí)際生產(chǎn)過程需要的溫度目標(biāo)值，在任何采樣時刻k，y2*(k)＝b；對速度-溫度耦合控制系統(tǒng)進(jìn)行PID參數(shù)工程整定，得到X組PID參數(shù)：比例系數(shù)KP候選值，從X組PID參數(shù)中提取出KP值，共有l(wèi)個不同的取值：KP1,KP2,...,KPl；積分系數(shù)KI候選值，從X組PID參數(shù)中提取出KI值，共有m個不同的取值：KI1,KI2,...,KIm；微分系數(shù)KD候選值，從X組PID參數(shù)中提取出KD值，共有n個不同的取值：KD1,KD2,...,KDn；在初始化中每次分別從l個比例系數(shù)KP候選值、m個積分系數(shù)KI候選值以及n個微分系數(shù)KD候選值中各自按序選擇一個候選值組成一組候選控制器參數(shù)，將每組候選控制器參數(shù)依次賦值到一個矩陣的相應(yīng)行，組成一個候選控制器集合矩陣：KP1KI1KD1KP2KI2KD2.........KPiKIiKDi.........KPNKINKDN;]]>其中，N＝l×m×n，則排列組合后有N組候選控制器參數(shù)，最終形成一個N×3矩陣，即候選控制器集合矩陣為一個N×3矩陣；形成的候選控制器集合矩陣中，KPi為第i組控制器的KP參數(shù)值，KIi為第i組控制器的KI參數(shù)值，KDi為第i組控制器的KD參數(shù)值；速度誤差e1(k)，為任一采樣時刻k速度期望輸出y1*(k)與速度實(shí)際輸出y1(k)之間的差值，即：e1(k)＝y(tǒng)1*(k)-y1(k)；溫度誤差e2(k)，為任一采樣時刻k溫度期望輸出y2*(k)與溫度實(shí)際輸出y2(k)之間的差值，即：e2(k)＝y(tǒng)2*(k)-y2(k)；(2)在采樣時刻k，結(jié)合候選控制器集合矩陣中每組候選控制器的參數(shù)，分別計(jì)算出相應(yīng)的速度和溫度虛擬參考信號和計(jì)算公式如下：r~1(i,k)=y1(k)+u1(k)-u1(k-1)+(KPi+2KDi)×e1(k-1)-KDi×e1(k-2)KPi+KIi+KDi]]>r~2(i,k)=y2(k)+u2(k)-u2(k-1)+(KPi+2KDi)×e2(k-1)-KDi×e2(k-2)KPi+KIi+KDi]]>；其中，k≥2且k取正整數(shù)；e1(k-1)為k-1時刻纖維的速度誤差；e1(k-2)為k-2時刻纖維的速度誤差；e2(k-1)為k-1時刻纖維的溫度誤差；e2(k-2)為k-2時刻纖維的溫度誤差；u1(k-1)為k-1時刻纖維的速度非偽控制器輸出；u2(k-1)為k-1時刻纖維的溫度非偽控制器輸出；(3)在采樣時刻k，計(jì)算候選控制器集合矩陣中每組候選控制器參數(shù)的速度和溫度性能指標(biāo)J1(i,k)和J2(i,k)，計(jì)算公式如下：J1(i,k)=J(u1,y1,r~1,k)=maxτ∈[0,k]||u1(τ)||2+||r~1(i,τ)-y1(τ)||2||r~1(i,τ)||2+β,0<β<0.01]]>J2(i,k)=J(u2,y2,r~2,k)=maxτ∈[0,k]||u2(τ)||2+||r~2(i,τ)-y2(τ)||2||r~2(i,τ)||2+β,0<β<0.01]]>其中，τ是在0～k之間的任意一個采樣時刻；u1(τ)為τ時刻速度非偽控制器輸出；u2(τ)為τ時刻溫度非偽控制器輸出；為τ時刻第i組控制器的速度虛擬參考信號；為τ時刻第i組控制器的溫度虛擬參考信號；y1(τ)為τ時刻的速度實(shí)際輸出；y2(τ)為τ時刻的溫度實(shí)際輸出；在采樣時刻k，比較候選控制器矩陣中所有組候選控制器參數(shù)相應(yīng)的速度性能指標(biāo)J1(i,k)，使得速度性能指·標(biāo)最小的一組相應(yīng)序號記為速度非偽控制器序號也是候選控制器參數(shù)對應(yīng)在候選控制器集合矩陣中的行號：i^1(k)=argmin(J1(i,k)),i∈[1,N];]]>在采樣時刻k，比較候選控制器矩陣中所有組候選控制器參數(shù)相應(yīng)的溫度性能指標(biāo)J2(i,k)，使得溫度性能指標(biāo)最小的一組相應(yīng)序號記為溫度非偽控制器序號也是候選控制器參數(shù)對應(yīng)在候選控制器集合矩陣中的行號：i^2(k)=argmin(J2(i,k)),i∈[1,N];]]>(4)滯后切換：當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小速度性能指標(biāo)值min(J1(i,k))與前采樣時刻k-1的速度非偽控制器器序號的當(dāng)前采樣時刻性能指標(biāo)之間的差值小于等于滯后切換閾值e時，拉伸機(jī)的速度非偽控制器序號和前一采樣時刻的相同，仍然采用前一采樣時刻的速度非偽控制器序號；當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小速度性能指標(biāo)值min(J1(i,k))與前采樣時刻k-1的速度非偽控制器器序號的當(dāng)前采樣時刻性能指標(biāo)之間的差值大于滯后切換閾值e時，拉伸機(jī)的速度非偽控制器序號為當(dāng)前采樣時刻速度性能指標(biāo)最小的一組相應(yīng)序號，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的速度非偽控制器序號；當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小溫度性能指標(biāo)值min(J2(i,k))與前采樣時刻k-1的溫度非偽控制器器序號的當(dāng)前采樣時刻性能指標(biāo)之間的差值小于等于滯后切換閾值e時，溫度非偽控制器序號和前一采樣時刻的相同，仍然采用前一采樣時刻的溫度非偽控制器序號；當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小溫度性能指標(biāo)值min(J2(i,k)與前采樣時刻k-1的溫度非偽控制器器序號的當(dāng)前采樣時刻性能指標(biāo)之間的差值大于滯后切換閾值e時，溫度非偽控制器序號為當(dāng)前采樣時刻速度性能指標(biāo)最小的一組相應(yīng)序號，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的溫度非偽控制器序號；(5)根據(jù)得到的非偽控制器序號和對應(yīng)在候選控制器集合矩陣中的行號，得到相應(yīng)的候選控制器參數(shù)，從而得到相應(yīng)的速度非偽控制器和溫度非偽控制器其中：為候選控制器集合矩陣中第行第一列的KP值；為候選控制器集合矩陣中第行第二列的KI值；為候選控制器集合矩陣中第行第三列的KD值；為候選控制器集合矩陣中第行第一列的KP值；為候選控制器集合矩陣中第行第二列的KI值；為候選控制器集合矩陣中第行第三列的KD值；(6)根據(jù)步驟(6)中得到的速度非偽控制器和溫度非偽控制器得到采樣時刻k的速度非偽控制器輸出u1(k)和溫度非偽控制器輸出u2(k)如下，u1(k)=u1(k-1)+KPi^1×(e1(k)-e1(k-1))+KIi^1×e1(k)+KDi^1×(e1(k)-2·e1(k-1)+e1(k-2));]]>u2(k)=u2(k-1)+KPi^2·(e2(k)-e2(k-1))+KIi^2·e2(k)+KDi^2·(e2(k)-2·e2(k-1)+e2(k-2));]]>其中，k＞3；(7)根據(jù)速度-溫度控制系統(tǒng)，得到采樣時刻k的速度實(shí)際輸出y1(k)和溫度實(shí)際輸出y2(k)，計(jì)算公式如下：y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；其中，k>3；y1(k-1)是采樣時刻k-1的速度實(shí)際輸出；y2(k-1)是采樣時刻k-1的溫度實(shí)際輸出；u1(k-3)是采樣時刻k-3的速度非偽控制器輸出；u2(k-6)是采樣時刻k-6的溫度非偽控制器輸出；(8)若當(dāng)前采樣時刻k<TotalTime，其中的TotalTime為總采樣時間，則k＝k+1，開始下一采樣時刻的去偽控制，重復(fù)上述步驟中的(2)～(8)；否則，結(jié)束聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的速度-溫度去偽控制過程。如上述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，其特征在于，對速度非偽控制器和溫度非偽控制器組成的非偽控制器參數(shù)在采樣時刻k，采用免疫優(yōu)化算法進(jìn)行免疫優(yōu)化，免疫優(yōu)化算法是受免疫系統(tǒng)啟發(fā)形成的算法，該算法將待求解的問題視作免疫系統(tǒng)中的抗原，將問題的解視作人和動物體內(nèi)針對抗原形成的抗體細(xì)胞，當(dāng)有抗原入侵時，抗體大量生成，識別抗原過程即是問題的求解過程；免疫系統(tǒng)又有二次應(yīng)答功能即生物免疫系統(tǒng)遭受初次的外來病原入侵后，免疫系統(tǒng)發(fā)揮記憶效應(yīng)，當(dāng)再次遭受同樣的病原體或者抗原入侵時，能快速、高效地產(chǎn)生大量抗體，將抗原清除，免疫優(yōu)化算法中借鑒該機(jī)制，建立記憶庫，保留每一次迭代中優(yōu)秀的抗體存入記憶庫，其求解具體步驟如下：(1)初始化抗體種群參數(shù)：在當(dāng)前采樣時刻k，速度和溫度非偽控制器組成的非偽控制器參數(shù)中每一維變量的最大取值和最小取值構(gòu)成初始種群的上界約束矢量和下界約束矢量，設(shè)置種群規(guī)模SP，記憶庫容量O、最大迭代次數(shù)IM、當(dāng)前迭代數(shù)G、交叉概率PC、變異概率PM、多樣性評價參數(shù)PS和變量維數(shù)D的初始值；所述最大取值為：在當(dāng)前采樣時刻k，非偽控制器參數(shù)在進(jìn)行免疫優(yōu)化前取值的110％，即上界約束矢量為：所述最小取值為：在當(dāng)前采樣時刻k，非偽控制器參數(shù)在進(jìn)行免疫優(yōu)化優(yōu)化前取值的90％，即下界約束矢量為：所述種群規(guī)模SP為進(jìn)行免疫優(yōu)化參數(shù)矢量的組數(shù)；所述記憶庫容量O為免疫優(yōu)化中保留精英后代的組數(shù)；所述最大迭代次數(shù)IM為整個免疫優(yōu)化迭代進(jìn)行的次數(shù)；取值為100；所述交叉概率PC的閾值為0.5；所述變異概率PM的閾值為0.4；所述多樣性評價參數(shù)PS的閾值為0.95；所述變量維數(shù)D為進(jìn)行免疫優(yōu)化的參數(shù)的維數(shù)，在對非偽控制器參數(shù)進(jìn)行免疫優(yōu)化的過程中取值D＝6；(2)初始化抗體種群矩陣：根據(jù)初始化抗體種群的上、下界約束矢量，生成(SP+O)×D維矩陣，即為初始化抗體種群矩陣，其中，初始化抗體種群矩陣中的每個行向量為上、下界約束矢量間的隨機(jī)值，每個行向量代表一個抗體；如：初始化第一個行向量即第一個抗體為：X→1,G=(xi,G1,xi,G2,...,xi,Gj),j=1,2,...,D;]]>(3)抗體的多樣性評價：對初始化抗體種群矩陣中的抗體進(jìn)行多樣性評價，共有四個指標(biāo)，具體如下：a)抗體的適應(yīng)度：根據(jù)適應(yīng)度函數(shù)計(jì)算抗體的適應(yīng)度F為：F=f(X→i,G)=||u1(τ)||2+||r~1(X→i,G,1)-y1(1)||2||r~1(X→i,G,1)||2+γ+||u2(1)||2+||r~2(X→i,G,1)-y2(1)||2||r~2(X→i,G,1)||2+γ,γ>0]]>其中，r~1(X→i,G,k)=y1(k)+u1(k)-u1(k-1)+(xi,G1+2xi,G3)·e1(k-1)-xi,G3·e1(k-2)xi,G1+xi,G2+xi,G3;]]>r~2(X→i,G,k)=y2(k)+u2(k)-u2(k-1)+(xi,G4+2xi,G6)·e2(k-1)-xi,G6·e2(k-2)xi,G4+xi,G5+xi,G6;]]>b)抗體與抗體間親和度，即抗體間的相似度：初始化抗體種群矩陣中的抗體間的相似度利用評價，其中，v和s代表初始化抗體種群矩陣中兩個不同的抗體，kv,s指的是v和s的抗體間含有相同數(shù)值的個數(shù)，L是抗體的長度，比如v＝[131540117]，s＝[21203340715]，比較發(fā)現(xiàn)，有三個值是相同的，可以計(jì)算出其抗體親和度為0.5；c)抗體濃度：抗體濃度為抗體群中相似抗體所占的比例，表達(dá)式為其中N為抗體總數(shù)，j指N中的每個抗體；當(dāng)該比例超過預(yù)設(shè)的閾值時，濃度增加1，閾值T設(shè)置為0.7；相似抗體越多說明很多解都是相似的，即某種抗體過于集中，抗體多樣性差，易陷入局部極值；d)期望繁殖概率P由抗體的適應(yīng)度F和抗體濃度Cv共同決定：P=psFΣF+(1-ps)CvΣCv;]]>(4)形成父代抗體群：將步驟(2)中生成的SP+O個抗體，按照期望繁殖率P進(jìn)行降序排列，并取前SP個抗體構(gòu)成父代抗體群，同時取前O個抗體作為記憶個體存入記憶庫中；然后對父代抗體群中每一個抗體進(jìn)行免疫操作，具體包括選擇、交叉、變異操作以產(chǎn)生新的抗體，不斷產(chǎn)生新個體可以增加解的多樣性，現(xiàn)有的初始化個體不一定是最好的解，只有不斷產(chǎn)生新的抗體才能更好地尋找優(yōu)秀的解；a)選擇操作：根據(jù)適應(yīng)度函數(shù)計(jì)算上述父代抗體群每個抗體的適應(yīng)度，然后根據(jù)抗體的適應(yīng)度，采用輪盤賭法選擇期望繁衍的抗體，總共轉(zhuǎn)SP次輪盤，得到經(jīng)歷自然選擇后的群體，即適應(yīng)度高的群體；讓父代抗體群中適應(yīng)度高的抗體以更大的概率被選中為期望繁衍的個體，對應(yīng)著達(dá)爾文理論中適者生存理論，抗體被選中的概率與其適應(yīng)度成正比，抗體的適應(yīng)度越高，其被選中的概率的就越大；b)交叉操作：從上述步驟中得到的適應(yīng)度高的群體中隨機(jī)選擇兩個抗體，采用實(shí)數(shù)交叉法進(jìn)行交叉，然后判斷其交叉概率PC是否超過設(shè)置的閾值，如果是，則隨機(jī)選擇交叉位置進(jìn)行個體交叉；SP次循環(huán)后得到經(jīng)過交叉之后的群體，交叉算子有助于將優(yōu)良個體的片段遺傳給后代，也可增加解的多樣性；以隨機(jī)選取第二位為交叉位置為例，則有兩組參數(shù)采用實(shí)數(shù)交叉法進(jìn)行交叉，和交叉之后為：c)變異操作：隨機(jī)選擇上述交叉后的群體內(nèi)任一抗體六個元素中的一位進(jìn)行變異，采用實(shí)數(shù)變異法進(jìn)行變異，在每一輪for循環(huán)中是否進(jìn)行變異由變異概率PM決定，PM是預(yù)先設(shè)定的閾值，當(dāng)每次迭代中產(chǎn)生的變異概率PM高于設(shè)置的閾值時，就進(jìn)行變異，SP次循環(huán)后得到產(chǎn)生變異后的新群體；變異操作過程類似人類遺傳進(jìn)化過程中發(fā)生基因突變，解產(chǎn)生變異，有助于保持種群的多樣性，因?yàn)楫?dāng)變異之后的個體更優(yōu)秀則變異為群體引入好的個體，該個體將被保留，若變異后個體適應(yīng)度差自然會在下一次選擇時以較小概率被選中；(5)新抗體群的產(chǎn)生：在對父代抗體群進(jìn)行上述選擇、交叉和變異操作后得到新群體，再從記憶庫中提取出O個記憶個體，共同生成了新一代的抗體群；(6)當(dāng)達(dá)到最大迭代次數(shù)IM或者當(dāng)前最優(yōu)目標(biāo)函數(shù)值f(S)達(dá)到優(yōu)化目標(biāo)值時，根據(jù)此時的最優(yōu)抗體S得到當(dāng)前采樣時刻的非偽控制器優(yōu)化參數(shù)[KPi^1_DE,KIi^1_DE,KDi^1_DE,KPi^2_DE,KIi^2_DE,KDi^2_DE].]]>如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述的候選控制器參數(shù)組數(shù)N的取值范圍為10～500。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述的滯后切換閾值e＝5.0×10-5。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述的PID參數(shù)工程整定依據(jù)衰減曲線法，即當(dāng)速度-溫度控制系統(tǒng)在運(yùn)行時的實(shí)際速度輸出和溫度輸出分別出現(xiàn)4:1衰減振蕩過程時，根據(jù)衰減曲線法的經(jīng)驗(yàn)公式計(jì)算記錄此時的KP1、KI1和KD1，KP2、KI2和KD2值，將其記為一組PID參數(shù)，通過這種方法得到X組PID參數(shù)，其中X≥2。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述的速度-溫度控制系統(tǒng)在運(yùn)行時分別出現(xiàn)4:1衰減振蕩過程是兩個相鄰?fù)较虿ǚ宓某{(diào)量之比為4：1。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述的在初始化中每次分別從l個比例系數(shù)KP候選值、m個積分系數(shù)KI候選值以及n個微分系數(shù)KD候選值中各自按序選擇一個候選值組成一組候選控制器參數(shù)，其中各自按序是指按從大到小的順序。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述常值a為纖維二級拉伸速度的期望輸出，初始化設(shè)定為160m/min，常值b為纖維二級拉伸溫度的期望輸出，初始化設(shè)定為165℃。有益效果本發(fā)明聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，在數(shù)據(jù)驅(qū)動基礎(chǔ)上，采用兩級拉伸工藝對聚酯初生纖維進(jìn)行拉伸，對于第二拉伸輥與定型輥之間的二級拉伸環(huán)節(jié)，引入去偽控制算法對聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)進(jìn)行控制，該算法在候選控制器集合基礎(chǔ)上，計(jì)算虛擬參考信號，根據(jù)性能指標(biāo)辨識出當(dāng)前采樣時刻的非偽控制器，切換到控制回路中，既可以使系統(tǒng)具有較好的瞬時響應(yīng)性能，還能夠維持閉環(huán)系統(tǒng)的穩(wěn)定性。本發(fā)明聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，引入的免疫優(yōu)化算法是一種比較新穎的智能優(yōu)化算法，其利用免疫系統(tǒng)的多樣性產(chǎn)生和維持機(jī)制來保持群體的多樣性，求得全局最優(yōu)解。因?yàn)槠湓硪锥?，收斂速度快且?yōu)化效果好而在實(shí)際工程項(xiàng)目優(yōu)化技術(shù)中得到了極大的應(yīng)用。在去偽控制基礎(chǔ)上對其進(jìn)行免疫優(yōu)化，進(jìn)一步優(yōu)化了控制效果。附圖說明圖1是聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法結(jié)構(gòu)框圖；圖2是聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制算法流程圖；圖3是聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的纖維拉伸速度控制實(shí)例；圖4是聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的纖維拉伸溫度控制實(shí)例。具體實(shí)施方式下面結(jié)合具體實(shí)施方式，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，所述拉伸環(huán)節(jié)中的拉伸方式為兩級拉伸工藝，對于兩級拉伸工藝中的第二拉伸輥與定型輥之間的二級拉伸環(huán)節(jié)，其纖維拉伸時的速度和溫度采用去偽控制的速度-溫度耦合控制方法，其具體控制步驟為(1)初始條件：a、初始輸入：速度實(shí)際輸出y1(k)在采樣時刻1～3的值y1(1)～y1(3)＝0；溫度實(shí)際輸出y2(k)在采樣時刻1～3的值y2(1)～y2(3)＝0.1；速度非偽控制器輸出u1(k)在采樣時刻1～2的值u1(1)～u1(2)＝5；溫度非偽控制器輸出u2(k)在采樣時刻1～2的值u2(1)～u2(2)＝0.1；初始化：速度期望輸出y1*(k)，初始化時將其設(shè)定為常值a，即為實(shí)際生產(chǎn)過程需要的速度目標(biāo)值，在任何采樣時刻k，y1*(k)＝160；溫度期望輸出y2*(k)，初始化時將其設(shè)定為常值b，即為實(shí)際生產(chǎn)過程需要的溫度目標(biāo)值，在任何采樣時刻k，y2*(k)＝165；對速度-溫度耦合控制系統(tǒng)進(jìn)行PID參數(shù)工程整定，得到40組PID參數(shù)：比例系數(shù)KP候選值，從40組PID參數(shù)中提取出KP值，共有4個不同的取值：0.1,0.15,0.2,0.25；積分系數(shù)KI候選值，從40組PID參數(shù)中提取出KI值，共有5個不同的取值：0.01,0.02,0.03,0.04,0.05；微分系數(shù)KD候選值，從40組PID參數(shù)中提取出KD值，共有2個不同的取值：0.01,0.05；在初始化中每次分別從4個比例系數(shù)KP候選值，5個積分系數(shù)KI候選值以及2個微分系數(shù)KD候選值中各自按序選擇一個候選值組成一組候選控制器參數(shù)，將每組候選控制器參數(shù)依次賦值到一個矩陣的相應(yīng)行，組成一個候選控制器集合矩陣：0.10.010.010.10.010.05.........0.20.030.01.........0.250.050.05;]]>其中，4×5×2＝40，則排列組合后有40組候選控制器參數(shù)，最終形成一個40×3矩陣，即候選控制器集合矩陣為一個40×3矩陣；形成的候選控制器集合矩陣中，KPi為第i組控制器的KP參數(shù)值，KIi為第i組控制器的KI參數(shù)值，KDi為第i組控制器的KD參數(shù)值；速度誤差e1(k)，為任一采樣時刻k速度期望輸出y1*(k)與速度實(shí)際輸出y1(k)之間的差值，即：e1(k)＝y(tǒng)1*(k)-y1(k)；溫度誤差e2(k)，為任一采樣時刻k溫度期望輸出y2*(k)與溫度實(shí)際輸出y2(k)之間的差值，即：e2(k)＝y(tǒng)2*(k)-y2(k)；(2)在采樣時刻k，結(jié)合候選控制器集合矩陣中每組候選控制器的參數(shù)，分別計(jì)算出相應(yīng)的速度和溫度虛擬參考信號和計(jì)算公式如下：r~1(i,k)=y1(k)+u1(k)-u1(k-1)+(KPi+2KDi)×e1(k-1)-KDi×e1(k-2)KPi+KIi+KDi;]]>r~2(i,k)=y2(k)+u2(k)-u2(k-1)+(KPi+2KDi)×e2(k-1)-KDi×e2(k-2)KPi+KIi+KDi;]]>(3)在采樣時刻k，計(jì)算候選控制器集合矩陣中每組候選控制器參數(shù)的速度和溫度性能指標(biāo)J1(i,k)和J2(i,k)，計(jì)算公式如下：J1(i,k)=J(u1,y1,r~1,k)=maxτ∈[0,k]||u1(τ)||2+||r~1(i,τ)-y1(τ)||2||r~1(i,τ)||2+β,0<β<0.01;]]>J2(i,k)=J(u2,y2,r~2,k)=maxτ∈[0,k]||u2(τ)||2+||r~2(i,τ)-y2(τ)||2||r~2(i,τ)||2+β,0<β<0.01;]]>(4)在采樣時刻k，比較候選控制器矩陣中所有組候選控制器參數(shù)相應(yīng)的速度性能指標(biāo)J1(i,k)，使得速度性能指標(biāo)最小的一組相應(yīng)序號記為速度非偽控制器序號也是候選控制器參數(shù)對應(yīng)在候選控制器集合矩陣中的行號：i^1(k)=argmin(J1(i,k)),i∈[1,N];]]>在采樣時刻k，比較候選控制器矩陣中所有組候選控制器參數(shù)相應(yīng)的溫度性能指標(biāo)J2(i,k)，使得溫度性能指標(biāo)最小的一組相應(yīng)序號記為溫度非偽控制器序號也是候選控制器參數(shù)對應(yīng)在候選控制器集合矩陣中的行號：i^2(k)=argmin(J2(i,k)),i∈[1,N];]]>(5)滯后切換：當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小速度性能指標(biāo)值min(J1(i,k))與上一采樣時刻k-1的速度非偽控制器的性能指標(biāo)之間的差值小于等于滯后切換閾值e時，拉伸機(jī)的速度非偽控制器序號和前一采樣時刻的相同，仍然采用前一采樣時刻的速度非偽控制器序號；當(dāng)時，即在當(dāng)前采樣時刻k相應(yīng)的最小速度性能指標(biāo)值min(J1(i,k))與上一采樣時刻k-1的速度非偽控制器的性能指標(biāo)之間的差值大于滯后切換閾值e時，拉伸機(jī)的速度非偽控制器序號為當(dāng)前采樣時刻速度性能指標(biāo)最小的一組相應(yīng)序號，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的速度非偽控制器序號；在采樣時刻k＝21時，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的拉伸速度非偽控制器序號，即在采樣時刻k＝300時，仍然采用上一時刻的拉伸速度非偽控制器，即當(dāng)時，即在當(dāng)前采樣時刻的最小溫度性能指標(biāo)值與上一采樣時刻的溫度非偽控制器的當(dāng)前性能指標(biāo)值之間的差值小于等于滯后切換閾值e時，溫度非偽控制器序號和上一采樣時刻的相同，仍然采用上一采樣時刻的溫度非偽控制器序號；當(dāng)時，即在當(dāng)前采樣時刻的最小溫度性能指標(biāo)值與上一采樣時刻的性能指標(biāo)之間的差值大于滯后切換閾值e時，溫度非偽控制器序號為當(dāng)前采樣時刻速度性能指標(biāo)最小的一組相應(yīng)序號，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的溫度非偽控制器序號；在采樣時刻k＝224時，采用當(dāng)前采樣時刻的最小性能指標(biāo)值對應(yīng)的拉伸溫度非偽控制器序號，即在采樣時刻k＝300時，仍然采用上一時刻的拉伸溫度非偽控制器，即(6)根據(jù)(5)得到的非偽控制器序號和對應(yīng)在候選控制器集合矩陣中的行號，得到相應(yīng)的候選控制器參數(shù)，從而得到相應(yīng)的速度非偽控制器和溫度非偽控制器分別為：和(7)根據(jù)(6)中得到的速度非偽控制器和溫度非偽控制器得到采樣時刻k的速度非偽控制器輸出u1(k)和溫度非偽控制器輸出u2(k)如下，u1(k)=u1(k-1)+KPi^1×(e1(k)-e1(k-1))+KIi^1×e1(k)+KDi^1×(e1(k)-2·e1(k-1)+e1(k-2));]]>u2(k)=u2(k-1)+KPi^2·(e2(k)-e2(k-1))+KIi^2·e2(k)+KDi^2·(e2(k)-2·e2(k-1)+e2(k-2));]]>其中，k>3；采樣時刻k＝224時，u1(224)＝0.1，u2(224)＝0.8436，采樣時刻k＝300時，u1(300)＝0.1，u2(300)＝0.8436；(8)根據(jù)速度-溫度控制系統(tǒng)，得到采樣時刻k的速度實(shí)際輸出y1(k)和溫度實(shí)際輸出y2(k)，計(jì)算公式如下：y1(k)＝0.001273·y1(k-1)+0.9987·u1(k-3)+0.9987·u2(k-6)；y2(k)＝0.001273·y2(k-1)-6.4817·u1(k-3)+1.4981·u2(k-6)；其中，k>3；y1(k-1)是采樣時刻k-1的速度實(shí)際輸出；y2(k-1)是采樣時刻k-1的溫度實(shí)際輸出；u1(k-3)是采樣時刻k-3的速度非偽控制器輸出；u2(k-6)是采樣時刻k-6的溫度非偽控制器輸出；采樣時刻k＝224時、y1(224)＝1.00和y2(224)＝0.25，采樣時刻k＝300時，y1(300)＝1.00，y2(300)＝0.25；(9)總采樣時間TotalTime＝300，采樣時刻k＝224時，k<TotalTime，開始下一采樣時刻的去偽控制，重復(fù)上述步驟中的(2)～(8)；否則，結(jié)束聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的速度-溫度去偽控制過程。如上所述的一種聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的免疫優(yōu)化去偽控制方法，對速度非偽控制器和溫度非偽控制器組成的非偽控制器參數(shù)在采樣時刻k，進(jìn)行免疫優(yōu)化，具體步驟如下：(1)初始化抗體種群參數(shù)：：種群規(guī)模SP＝50，記憶庫容量O＝10、最大迭代次數(shù)IM＝100、交叉概率PC＝0.5、變異概率PM＝0.4、多樣性評價參數(shù)PS＝0.95和變量維數(shù)D＝6初始化種群上界約束為：下界約束為：(2)初始化抗體種群矩陣：根據(jù)初始化抗體種群的上、下界約束矢量，生成(SP+O)×D＝(50+10)×6維矩陣，即為初始化抗體種群矩陣，其中，初始化抗體種群矩陣中的每個行向量為上、下界約束矢量間的隨機(jī)值，每個行向量代表一個抗體；如：初始化第一個行向量即第一個抗體為：X→i,G=(xi,G1,xi,G2,...,xi,Gj),j=1,2,...,D;]]>(3)抗體的多樣性評價：對初始化抗體種群矩陣中的抗體進(jìn)行多樣性評價，共有四個指標(biāo)，具體如下：a)抗體的適應(yīng)度：根據(jù)適應(yīng)度函數(shù)計(jì)算抗體的適應(yīng)度F為：F=f(X→i,G)=||u1(τ)||2+||r~1(X→i,G,1)-y1(1)||2||r~1(X→i,G,1)||2+γ+||u2(1)||2+||r~2(X→i,G,1)-y2(1)||2||r~2(X→i,G,1)||2+γ,γ>0]]>其中，r~1(X→i,G,k)=y1(k)+u1(k)-u1(k-1)+(xi,G1+2xi,G3)·e1(k-1)-xi,G3·e1(k-2)xi,G1+xi,G2+xi,G3;]]>r~2(X→i,G,k)=y2(k)+u2(k)-u2(k-1)+(xi,G4+2xi,G6)·e2(k-1)-xi,G6·e2(k-2)xi,G4+xi,G5+xi,G6;]]>b)抗體間的相似度：初始化抗體種群矩陣中的抗體間的相似度利用評價，其中，v和s代表初始化抗體種群矩陣中兩個不同的抗體，kv,s指的是v和s的抗體間含有相同數(shù)值的個數(shù)，L是抗體的長度；c)抗體濃度：抗體濃度為抗體群中相似抗體所占的比例，表達(dá)式為其中N為抗體總數(shù)，j是指N中的每個抗體；當(dāng)該比例超過預(yù)設(shè)的閾值時，濃度增加1，閾值T設(shè)置為0.7；d)期望繁殖概率P:由抗體的適應(yīng)度F和抗體濃度Cv共同決定：P=psFΣF+(1-ps)CvΣCv;]]>(4)形成父代群體：將步驟(2)中生成的SP+O＝50+10＝60個抗體，按照期望繁殖率P進(jìn)行降序排列，并取前50個抗體構(gòu)成父代抗體群，同時取前10個抗體作為記憶個體存入記憶庫中；然后對父代抗體群中每一個抗體進(jìn)行免疫操作，具體包括選擇、交叉、變異操作以產(chǎn)生新的群體；a)選擇操作：讓父代群體中適應(yīng)度高的個體以更大的概率被選中為期望繁衍的個體，對應(yīng)著達(dá)爾文理論中適者生存理論，根據(jù)適應(yīng)度函數(shù)計(jì)算上述每個個體的適應(yīng)度，然后根據(jù)個體的適應(yīng)度采用輪盤賭法選擇個體：個體被選中的概率與其適應(yīng)度成正比，個體的適應(yīng)度越高，其被選中的概率的就越大，總共轉(zhuǎn)50次輪盤，得到經(jīng)歷自然選擇后的群體，即適應(yīng)度高的新群體；b)交叉操作：采用實(shí)數(shù)交叉法進(jìn)行交叉，在第G次迭代中，初始化種群中第i個參數(shù)組為每一次for循環(huán)中可能會進(jìn)行一次交叉操作，是否進(jìn)行交叉操作由交叉概率PC決定，首先隨機(jī)選擇兩個抗體，然后判斷其交叉概率PC是否超過設(shè)置的閾值，如果是則隨機(jī)選擇交叉位置進(jìn)行個體交叉。以隨機(jī)選取第二位為交叉位置為例，則有兩組參數(shù)和交叉之后為：和c)變異操作：采用實(shí)數(shù)變異法進(jìn)行變異：隨機(jī)選擇變異位進(jìn)行變異，同樣進(jìn)行50次循環(huán)，在每一輪for循環(huán)中是否進(jìn)行變異由變異概率PM決定，當(dāng)每次迭代中產(chǎn)生的變異概率PM高于設(shè)置的閾值時，就進(jìn)行變異，然后隨機(jī)選取一位進(jìn)行變異；(5)新抗體群體的產(chǎn)生：在對父代抗體群進(jìn)行上述選擇、交叉、變異后得到的新群體，再從記憶庫中提取出10個記憶個體，共同生成了新一代的抗體群；(6)當(dāng)達(dá)到最大迭代次數(shù)IM＝100或者當(dāng)前最優(yōu)目標(biāo)函數(shù)值f(S)達(dá)到優(yōu)化目標(biāo)值時，根據(jù)此時的最優(yōu)種群個數(shù)S得到當(dāng)前采樣時刻的非偽控制器優(yōu)化參數(shù)[KPi^1_DE,KIi^1_DE,KDi^1_DE,KPi^2_DE,KIi^2_DE,KDi^2_DE].]]>仿真運(yùn)行過程如圖1、2所示，分別使用去偽控制和基于免疫優(yōu)化算法的去偽控制對聚酯短纖維生產(chǎn)過程中拉伸環(huán)節(jié)的拉伸速度和拉伸溫度進(jìn)行控制，其仿真結(jié)果如圖3、4所示，從圖中可以看出，系統(tǒng)實(shí)際輸出能快速到達(dá)控制目標(biāo)，且超調(diào)量小，具備消除時滯和解耦的能力。仿真表明免疫優(yōu)化算法收斂速度快，具有較好的優(yōu)化效果。本發(fā)明在數(shù)據(jù)驅(qū)動的基礎(chǔ)上，引入去偽控制算法對拉伸環(huán)節(jié)進(jìn)行控制，該算法在候選控制器集合基礎(chǔ)上，計(jì)算虛擬參考信號，根據(jù)性能指標(biāo)辨識出當(dāng)前采樣時刻的非偽控制器，與其他數(shù)據(jù)驅(qū)動控制方法相比，去偽控制使系統(tǒng)具有較好的瞬時響應(yīng)性能，還能夠維持閉環(huán)系統(tǒng)的穩(wěn)定性。根據(jù)去偽控制得到的非偽控制器參數(shù)，對其進(jìn)行免疫優(yōu)化，經(jīng)過免疫選擇、交叉和變異操作后，再將改進(jìn)后的非偽控制器切換至閉環(huán)控制回路，可達(dá)到更好的控制效果。當(dāng)前第1頁1 2 3