本發(fā)明涉及pid控制技術優(yōu)化領域，尤其涉及一種胎面壓延機轉速pid控制方法、系統(tǒng)、存儲介質及設備。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構成在先技術。

2、pid控制器作為工業(yè)生產過程中廣泛應用的控制器，它基于誤差的比例、積分和微分三個部分，通過調節(jié)控制器的輸出來實現(xiàn)對系統(tǒng)的穩(wěn)定性、精度和響應速度的控制；其比例系數(shù)（）、積分系數(shù)（）、微分系數(shù)（）三個參數(shù)的設定直接影響控制效果的優(yōu)劣，因此，pid控制器參數(shù)的整定也一直受到人們的關注。大多數(shù)輪胎企業(yè)在胎面纏繞過程中對膠條寬度控制所采用的方法為傳統(tǒng)pid控制方式，在參數(shù)整定正確且工況不發(fā)生改變時膠條寬度可以進行很好地控制，但是當工況發(fā)生變化時，如比如膠料、溫度、口型尺寸、擠出機壓延機間距、測寬位置變化時，會造成較大的誤差，原有的pid參數(shù)無法繼續(xù)使用，需要重新整定pid參數(shù)。目前大多數(shù)企業(yè)采用的整定方式一般為人工經驗整定法，這都非常依賴工程師的知識水平，需要工程師懂得一些控制原理，工程師到現(xiàn)場整定pid控制參數(shù)，效率十分低，調節(jié)時間長，調節(jié)效果差，且整定期間會產生許多不滿足寬度要求的廢膠料，這些膠料無法返工，從而造成了大量的膠料浪費。因此，優(yōu)化胎面壓延機轉速pid控制方法，提升其在實際生產中的控制精度與穩(wěn)定性，是提高生產效率和產品質量的關鍵。

技術實現(xiàn)思路

1、為了解決上述背景技術中存在的技術問題，本發(fā)明提供一種胎面壓延機轉速pid控制方法、系統(tǒng)、存儲介質及設備，本發(fā)明使得胎面壓延機轉速控制系統(tǒng)具有較快的響應速度、較低的超調量以及較強的魯棒性；通過改進沙貓群優(yōu)化算法，解決初始解精度不足，收斂速度慢，易陷入局部最優(yōu)的問題，通過改進沙貓群優(yōu)化算法對pid參數(shù)的尋優(yōu)，加強胎面壓延機轉速控制系統(tǒng)的機械魯棒性與響應速度，并加快三個參數(shù)的尋優(yōu)速度。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

3、本發(fā)明的第一個方面提供一種胎面壓延機轉速pid控制方法。

4、一種胎面壓延機轉速pid控制方法，包括：

5、獲取胎面壓延機轉速pid控制器的多個待優(yōu)化參數(shù)；

6、基于logistic-tent混沌映射與動態(tài)反向學習對多個待優(yōu)化參數(shù)的初始解空間進行處理，得到改進沙貓群算法的初始種群矩陣；根據評價函數(shù)計算沙貓群個體初始適應度，將適應度最優(yōu)的沙貓個體全局最優(yōu)位置更新為當前最優(yōu)位置；執(zhí)行沙貓群算法，通過模擬沙貓的搜索行為或攻擊行為進行對待優(yōu)化參數(shù)的搜索；執(zhí)行沙貓群算法過程中，若判定算法進入開發(fā)停滯狀態(tài)，執(zhí)行橫向交叉策略與縱向交叉策略使算法擺脫開發(fā)停滯狀態(tài)；

7、在設定終止條件滿足時，輸出當前最優(yōu)位置對應的解，作為待優(yōu)化參數(shù)的目標值，以控制直流無刷電機。

8、進一步地，所述橫向交叉策略采用以下公式表示：

9、

10、

11、其中，與表示配對成功的兩個父代個體的第維，，代表求解問題的維度；與表示其父代個體與在第維上進行橫向交叉策略所產生的子代個體；與為分布在（0，1）之間的隨機數(shù)；與為分布在[-1，1]之間的隨機數(shù)；

12、所述縱向交叉策略采用以下公式表示：

13、

14、其中，與表示縱向交叉策略中與兩個維度的父代個體；為父代通過在兩個不同維度通過縱向交叉策略生成的子代個體，為分布在（0，1）之間的隨機數(shù)。

15、進一步地，判定進入開發(fā)停滯狀態(tài)采用以下公式：

16、

17、

18、其中，，為觸發(fā)判定機制的連續(xù)迭代次數(shù)；為一無窮小量；為第次迭代中種群中適應度最優(yōu)個體；為第次迭代中種群中適應度最優(yōu)個體的適應度值；為開發(fā)停滯判定因子；為最大迭代次數(shù)；為一正整數(shù)。

19、進一步地，所述評價函數(shù)采用以下公式：

20、

21、其中，表示itae評價指標，是真實轉速與期望轉速之間的反饋偏差，為時間。

22、進一步地，多個待優(yōu)化參數(shù)包括胎面壓延機轉速pid控制器的比例系數(shù)、積分系數(shù)和微分系數(shù)。

23、進一步地，算法通過開發(fā)判定因子來判定沙貓進行搜索或是攻擊。

24、

25、

26、

27、其中，為沙貓聽覺參數(shù)，取2；為當前迭代次數(shù)，為最大迭代次數(shù)；為沙貓的靈敏度參數(shù)；代表沙貓的靈敏度范圍；為[0，1]之間的隨機數(shù)。

28、進一步地，當時，算法進入搜索階段，在搜索階段，每只沙貓根據當前最優(yōu)位置、當前自身位置及其對應的圈子系數(shù)和靈敏度范圍通過雙曲三角慣性加權策略更新自身位置；當時，算法進入攻擊階段；在攻擊階段，每只沙貓根據當前最優(yōu)位置、當前自身位置、靈敏度范圍、移動距離和移動方向角度，更新自身位置。

29、沙貓在雙曲三角慣性加權策略下的位置更新公式為：

30、

31、

32、

33、其中，代表沙貓更新后的位置；為當前迭代中的全局最優(yōu)位置；為當前迭代中沙貓的位置；代表沙貓的靈敏度范圍；,,為[0，1]之間的隨機數(shù)；為控制該策略勘探精度的系數(shù)，取0.3；為一單調遞減函數(shù)；代表當前迭代次數(shù)，代表最大迭代次數(shù)；

34、所述沙貓在攻擊階段的位置更新公式為：

35、

36、

37、其中，為0°到360°之間的隨機角度，其中，代表沙貓更新后的位置，為當前迭代中的全局最優(yōu)位置，為當前迭代中沙貓的位置，代表沙貓與獵物間的距離。

38、進一步地，在初始化階段，算法使用logistic-tent混沌映射與動態(tài)反向學習策略對多個待優(yōu)化參數(shù)的初始解空間進行處理，得到改進沙貓群算法的初始種群矩陣；

39、進一步地，所述logistic-tent混沌映射采用如下公式表示：

40、

41、其中，=0.3，為原種群中第個沙貓個體，為logistic-tent混沌映射生成的種群中的第個沙貓個體；，為種群個體數(shù)；為0到1之間的隨機數(shù)，代表取余數(shù)運算；

42、進一步地，所述動態(tài)反向學習策略，采用如下公式表示：

43、

44、其中，表示動態(tài)反向學習策略生成的種群；表示通過logistic-tent混沌映射生成的初始化種群；與為分布在[0，1]之間的隨機數(shù)；為沙貓種群位置的上界；為沙貓種群位置的下界；

45、進一步地，得到改進沙貓群算法初始種群矩陣的方法如下：

46、

47、

48、其中，表示包含與全部個體的新種群，為中沙貓個體的適應度值，計算新種群中所有沙貓個體的適應度值，使其內部充分競爭，選取適應度最優(yōu)的只沙貓個體作為最終的初始化種群。

49、本發(fā)明的第二個方面提供一種胎面壓延機轉速pid控制系統(tǒng)。

50、一種胎面壓延機轉速pid控制系統(tǒng)，包括：

51、數(shù)據獲取模塊，其被配置為：獲取胎面壓延機轉速pid控制器的多個待優(yōu)化參數(shù)；

52、改進沙貓算法模塊，其被配置為：基于logistic-tent混沌映射與動態(tài)反向學習對多個待優(yōu)化參數(shù)進行處理，得到沙貓群初始位置；根據評價函數(shù)計算沙貓群個體初始適應度，將適應度最優(yōu)的沙貓個體全局最優(yōu)位置更新為當前最優(yōu)位置；執(zhí)行沙貓群算法，通過模擬沙貓的搜索行為或攻擊行為進行對待優(yōu)化參數(shù)的搜索；執(zhí)行沙貓群算法過程中，若判定算法進入開發(fā)停滯狀態(tài)，執(zhí)行橫向交叉策略與縱向交叉策略使算法擺脫開發(fā)停滯狀態(tài)；

53、輸出控制模塊，其被配置為：在設定終止條件滿足時，輸出當前最優(yōu)位置對應的解，作為待優(yōu)化參數(shù)的目標值，以控制直流無刷電機。

54、本發(fā)明的第三個方面提供一種計算機可讀存儲介質。

55、一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上述第一個方面所述的胎面壓延機轉速pid控制方法中的步驟。

56、本發(fā)明的第四個方面提供一種計算機設備。

57、一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述第一個方面所述的胎面壓延機轉速pid控制方法中的步驟。

58、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

59、本發(fā)明通過改進沙貓群優(yōu)化算法對胎面壓延機轉速控制器pid參數(shù)進行優(yōu)化整定，實現(xiàn)對壓延機轉速控制系統(tǒng)的最優(yōu)化控制；使壓延機轉速控制系統(tǒng)具備較快的響應速度以及較高的控制精度，且系統(tǒng)具有較好的魯棒性。

60、本發(fā)明在沙貓群優(yōu)化算法中利用融合logistic-tent混沌映射及動態(tài)反向學習策略對種群個體進行更新，在可行域內增加初始種群的隨機性和遍歷性，增加了初始種群的質量，提高了初始解的精度。

61、本發(fā)明在沙貓的探索階段引入雙曲三角慣性加權策略，使得算法在探索前期能夠進行大范圍搜索，在探索后期縮小搜索范圍，同時加快收斂速度，從而提升了算法的搜索能力。

62、本發(fā)明在沙貓群優(yōu)化算法中引入基于開發(fā)停滯判定的縱橫交叉策略對算法進行改進，在算法陷入開發(fā)停滯時，利用橫向交叉增強算法的全局搜索能力，利用縱向交叉保持沙貓種群的多樣性并防止算法陷入局部最優(yōu)。

63、本發(fā)明解決了標準沙貓群算法初始種群質量不高導致初始解精度不足，收斂速度慢，且在迭代過程中易陷入局部最優(yōu)的問題。算法可以快速的尋找到最優(yōu)的、、三個參數(shù)，提升了便捷性，且壓延機轉速控制系統(tǒng)具備較快的響應速度以及較高的控制精度，且系統(tǒng)具有較好的魯棒性。