基于改進TLBO算法的刮板輸送機伸縮機尾PID控制系統(tǒng)優(yōu)化

胡坤，張長建，王爽，韓盛

?

基于改進TLBO算法的刮板輸送機伸縮機尾PID控制系統(tǒng)優(yōu)化

胡坤1，張長建1，王爽1，韓盛2

(1. 安徽理工大學(xué)煤礦安全高效開采教育部重點實驗室，安徽淮南，232001；2. 香港大學(xué)電機電子工程系，香港，999077)

為了提高刮板輸送機伸縮機尾控制系統(tǒng)的工作性能，將一種新的群智能優(yōu)化算法，即教學(xué)與學(xué)習(xí)算法(TLBO)應(yīng)用于機尾PID控制器的參數(shù)優(yōu)化中，并提出新的自適應(yīng)教學(xué)因子計算方法，其利用完整學(xué)習(xí)階段前、后學(xué)生群體成績的變化來決定教學(xué)因子的取值。研究結(jié)果表明：改進后的TLBO算法的精度及穩(wěn)定性均比原TLBO算法的優(yōu)。在建立刮板輸送機伸縮機尾控制系統(tǒng)模型的基礎(chǔ)上，利用改進的TLBO方法進行PID參數(shù)整定，并引入超調(diào)量控制指標(biāo)對適應(yīng)度函數(shù)再次完善，二次優(yōu)化后的刮板輸送機伸縮機尾控制系統(tǒng)具有良好控制品質(zhì)和魯棒性。

刮板輸送機；伸縮機尾；TLBO；教學(xué)因子；PID參數(shù)優(yōu)化

刮板輸送機是一種由繞過機頭鏈輪和機尾鏈輪(滾筒)的無極刮板鏈作為牽引機構(gòu)的連續(xù)輸送機械，它主要用于采煤工作面的運輸，具有機身矮、結(jié)構(gòu)緊湊，沿輸送機全長可任意位置裝煤，機身可彎曲且長度調(diào)整方便，機體結(jié)構(gòu)強度高等優(yōu)點，是目前長壁式采煤工作面唯一的運輸設(shè)備。長距離、大運量、高功率的重型刮板輸送機在運行時由于工作位置改變、物料特性變化、采煤機移動割煤、刮板鏈變形伸長等原因引起刮板鏈張力變化的問題日益突出，調(diào)節(jié)不即時易出現(xiàn)掉鏈、卡鏈、斷鏈?zhǔn)鹿?，?yán)重影響人員安全及設(shè)備正常運行。伸縮機尾是近年來出現(xiàn)的一種刮板鏈張力調(diào)節(jié)設(shè)備，其主要功能是通過伸縮油缸推動活動機尾架以改變機尾長度(頭尾鏈輪中心距離)，以控制刮板鏈張力變化。它的性能直接關(guān)系到重型刮板輸送機以及采煤工作面的正常運轉(zhuǎn)[1]。本文作者擬對刮板帶式輸送機伸縮機尾PID控制系統(tǒng)進行建模，并利用改進的TLBO算法進行參數(shù)整定優(yōu)化，以提高系統(tǒng)性能及穩(wěn)定性，為刮板帶式輸送機的設(shè)計與維護提供理論參考。

1 TLBO算法及其改進

TLBO(teaching-learning-based optimization)算法，又稱教學(xué)與學(xué)習(xí)算法，是由RAO等[2?3]于2011年提出的一種新型基于群體的智能優(yōu)化算法。和粒子群算法(PSO)[4?5]，人工蜂群算法(ABC)[6]等其他自然啟發(fā)式算法模擬某個自然最優(yōu)過程相類似，TLBO算法模擬教師課堂教學(xué)與學(xué)生互學(xué)的教學(xué)過程，利用教師對學(xué)生的影響，來提高學(xué)生個體水平，從而來求取全局最優(yōu)解。與其他算法相比較，TLBO優(yōu)化算法具有方法簡單，步驟簡潔，參數(shù)少，求解精度高等優(yōu)點。

1.1 基本概念

對于一個維優(yōu)化問題，TLBO算法的群體由一組或一班學(xué)生構(gòu)成，群體規(guī)模即為學(xué)生個數(shù)；每個學(xué)生又由維設(shè)計變量組成，每維變量分別表示該學(xué)生的一門課程；學(xué)生的成績好壞通過優(yōu)化問題給定的適應(yīng)度函數(shù)來進行考核；教師由目前群體中的最優(yōu)解來充當(dāng)。整個優(yōu)化過程可分為2個階段：教師教學(xué)階段(學(xué)生個體向教師學(xué)習(xí))和學(xué)生互學(xué)階段(不同學(xué)生個體之間互相學(xué)習(xí))。

1.2 教師教學(xué)階段

在此階段，教師通過教學(xué)向?qū)W生個體教授知識，學(xué)生通過向教師學(xué)習(xí)，縮小與教師之間的差距，提高全班學(xué)生的平均水平。設(shè)為當(dāng)前迭代次數(shù)，其中一個學(xué)生學(xué)習(xí)前后的成績分別為old,i和new,i，整個班級學(xué)生平均水平為M，當(dāng)前學(xué)生與教師之間的水平差距為if_mean，通過差異教學(xué)努力使學(xué)生的水平提高到教師的水平teahcer，則整個教師教學(xué)過程可以由式(1)和(2)所示：

(2)

式中：r表示0~1之間的一個隨機數(shù)；T為教學(xué)因子，取1或2，由式T=round[1+rand(0,1){2-1}]定義。

1.3 學(xué)生互學(xué)階段

教師完成教學(xué)以后，學(xué)生的知識水平都有所提高，但個體水平不同，學(xué)生間仍然可通過交流討論等方式，從其他優(yōu)勢個體中汲取新的知識。在學(xué)生互學(xué)階段，學(xué)生個體X在整個群體范圍內(nèi)隨機選擇另一位學(xué)生X(≠)進行對比學(xué)習(xí)，進行對比分析后通過個體間差異進行學(xué)習(xí)調(diào)整。學(xué)生互學(xué)過程如下式所示：

TLBO算法步驟如圖1所示。

1.4 改進的TLBO算法

在標(biāo)準(zhǔn)TLBO算法計算過程中，教師教學(xué)階段表征教師教學(xué)效果的教學(xué)因子T會在每次啟發(fā)迭代時發(fā)生改變，其值由系統(tǒng)隨機選取1或2。這使教學(xué)過程帶有很大的不確定性和極端化，會造成教學(xué)效果的單一性，要么教學(xué)效果好學(xué)生全部接受教學(xué)內(nèi)容，要么全盤否定，這與群體的自然多樣性相悖。在TLBO的優(yōu)化計算中，T過小會使低次迭代的搜索更加精細(xì)，但會使收斂速度變慢；T過大則加快搜索速度，但會降低最優(yōu)化解的搜索能力。對于T的取值，RAO等[2?3]認(rèn)識到教學(xué)因子T適當(dāng)取值的重要性，提出了他們的見解，在一定程度上改進了TLBO算法。于坤杰等[7]提出教學(xué)因子T應(yīng)當(dāng)前期搜索時大，后期搜索小，并建立了隨著迭代次數(shù)等差減小的T表達式T=Tmax?(Tmax?Tmin)max；TAHER等[8]認(rèn)為教學(xué)因子與當(dāng)前學(xué)生的平均成績以及教師水平相關(guān)，具體數(shù)值應(yīng)當(dāng)為第迭代時學(xué)生群體平均值與教師的比值，即T=M/T；RAO等[9]也給出了類似的教學(xué)因子計算公式T=M/Mnew,i，其中，new,i為教學(xué)過程可使學(xué)生達到的新成績水平，即本次迭代中教師的水平。

圖1 TLBO流程圖

在綜合前人的研究的基礎(chǔ)上，本文提出了一種新的自適應(yīng)教學(xué)因子計算方法，教學(xué)因子如下式所示：

式中：opt,i為在次迭代經(jīng)過教學(xué)與互學(xué)優(yōu)化后，學(xué)生的平均成績；Tmin=1；當(dāng)(M)為0時，T取1。

初次迭代時，教學(xué)因子T可取最大值Tmax=2，可保證教學(xué)因子在1~2間變化。由公式可以看出，式(4)通過比較一個完整學(xué)習(xí)階段(教學(xué)階段和互學(xué)階段)前、后學(xué)生群體成績的變化來決定教學(xué)因子的取值，其成績優(yōu)劣利用評價函數(shù)()來進行判定。若優(yōu)化前后評價函數(shù)變化幅度較大，則說明學(xué)生還有學(xué)習(xí)上升的空間，則選取較大的T，以加快搜索速度；若變化幅度較小，則說學(xué)生總體成績已近最大化，優(yōu)化解已接近最優(yōu)值，則應(yīng)當(dāng)降低T進行精細(xì)搜索，保證搜索質(zhì)量。

1.5 測試算例

為了驗證改進TLBO算法的有效性，選取3組測試函數(shù)進行仿真，測試函數(shù)的選取包含了約束優(yōu)化、無約束優(yōu)化、簡單二次規(guī)劃以及復(fù)雜高維優(yōu)化問題，如表1所示。設(shè)置群體數(shù)目P=10，教學(xué)因子最大值Tmax=2，最小值Tmin=1，1和2迭代數(shù)為150次，高維函數(shù)3迭代數(shù)為1 000次。每個函數(shù)都分別運行30次，然后求取其最優(yōu)值、平均值及標(biāo)準(zhǔn)差，并與標(biāo)準(zhǔn)TLBO算法，以及粒子群算法(PSO)進行對比，比較結(jié)果如表2所示。

由表2可知：改進的TLBO算法和原TLBO算法一樣，可以以較少的迭代次數(shù)快速地逼近優(yōu)化問題的最優(yōu)解，并且解的精度及穩(wěn)定性均比原TLBO算法的優(yōu)，達到了提高求解質(zhì)量的預(yù)期目標(biāo)。此外，對于高維復(fù)雜優(yōu)化問題3，改進的TLBO算法仍然達到了較好的優(yōu)化水平。由于初始群體數(shù)較小，P=10，PSO算法經(jīng)過1 000次迭代計算后沒有收斂；待加大群體數(shù)目P，增加迭代次數(shù)后，PSO算法也達到了較高的求解精度。

表1 測試函數(shù)

表2 測試結(jié)果比較

2 刮板輸送機伸縮機尾控制系統(tǒng)優(yōu)化

2.1 系統(tǒng)模型的建立

刮板輸送機伸縮機尾系統(tǒng)主要由活動機尾架、液壓缸、尾部鏈輪、張力傳感器、液壓控制系統(tǒng)及電氣控制系統(tǒng)等部分組成，其簡化模型如圖2所示。

1—頭部鏈輪；2—張力傳感器；3—活動機尾架；4—尾部鏈輪；5—液壓缸。

根據(jù)液壓傳動知識可知式(5)~(7)這3個相關(guān)方程。

控制閥的線性化流量方程為

式中：q為流量增益；V為控制閥閥芯位移；c為流量壓力系數(shù)；L為液壓缸壓力。

執(zhí)行機構(gòu)液壓缸的流量連續(xù)性方程可表示為

式中：p為液壓缸進油腔活塞的有效面積；p為活塞位移；tp為液壓缸內(nèi)、外泄露系數(shù)之和；t為進油腔容積；e為有效體積彈性模量。

式：t為系統(tǒng)等效總質(zhì)量；t=1.2，為刮板鏈剛度系數(shù)。

對式(5)~(7)進行拉氏變換，可得

對式(8)進行化簡，令ct=c?tp，可得刮板輸送機伸縮機尾的傳遞函數(shù)：

查閱相關(guān)資料[10?12]，代入具體模型參數(shù)后可得

(10)

為了提高刮板輸送機伸縮機尾系統(tǒng)性能，加入PID控制環(huán)節(jié)，并對系統(tǒng)進行校正，其控制系統(tǒng)模型如圖3所示[13]。

圖3 控制系統(tǒng)SIMULINK模型

2.2 PID參數(shù)優(yōu)化與仿真

1.創(chuàng)新高校辦學(xué)培養(yǎng)模式，專業(yè)技術(shù)與創(chuàng)業(yè)能力相結(jié)合。高校鼓勵大學(xué)生創(chuàng)新精神的不斷提升需要與大學(xué)生自身的專業(yè)能力相結(jié)合，大學(xué)生的專業(yè)培養(yǎng)是進行了社會細(xì)分，根據(jù)某一種能力進行專門的培養(yǎng)，而創(chuàng)新創(chuàng)業(yè)的能力培訓(xùn)也單單是為了培養(yǎng)大學(xué)生的某一種謀生手段。高校在大學(xué)生創(chuàng)新能力的培養(yǎng)過程中，應(yīng)該與其專業(yè)能力相結(jié)合，讓學(xué)生在學(xué)習(xí)創(chuàng)業(yè)技能的同時將自身的專業(yè)知識和興趣結(jié)合起來，發(fā)揮他們更大的創(chuàng)造力和創(chuàng)新性。將創(chuàng)新創(chuàng)業(yè)能力結(jié)合到專業(yè)能力的培養(yǎng)中，也使得專業(yè)技能具有最大程度的價值，不脫離社會。

利用改進的TLBO方法對PID控制器的p，i和d3個參數(shù)進行整定優(yōu)化[14?15]。選用常用的PID參數(shù)整定性能指標(biāo)ITAE來構(gòu)成適應(yīng)度函數(shù)，

則所求適應(yīng)度函數(shù)即為min。對ITAE指標(biāo)進行離散化處理，設(shè)時間，為一足夠大的正整數(shù)，則連續(xù)時域內(nèi)的ITAE可化簡為

(12)

式中：()；=1, 2, …,。

利用改進的TLBO方法進行迭代計算，設(shè)置搜索范圍[0.01 100]，群體數(shù)目P=30，進行50次迭代后，可得PID控制器參數(shù)分別為p=76.090 0，i=51.023 2，d=91.554 7，其階躍響應(yīng)下的系統(tǒng)超調(diào)量為58%，迭代過程如圖4(a)所示。

為了進一步改善系統(tǒng)性能，引用系統(tǒng)超調(diào)量做為輔助指標(biāo)來構(gòu)新的適應(yīng)度函數(shù)：

計算條件及設(shè)置不變，再次進行計算，可得p= 58.553 4，i=44.127 8，d=97.616 9 ，其階躍響應(yīng)下的系統(tǒng)超調(diào)量為1%。迭代過程如圖4(b)所示；2次優(yōu)化的計算結(jié)果如表3所示。

由圖4可以看出：用改進后的TLBO算法進行PID優(yōu)化時初始階段最優(yōu)值下降速度快，并快速達到收斂；后期最優(yōu)值變化平緩，教學(xué)因子T變化相應(yīng)減慢，有助于提高優(yōu)化質(zhì)量。

將適應(yīng)度函數(shù)改進前后的計算結(jié)果分別代入PID系統(tǒng)中，進行仿真分析，其系統(tǒng)階躍響應(yīng)曲線如圖5所示。

由圖5可知：經(jīng)過PID整定后的伸縮機尾控制系統(tǒng)能迅速對單位階躍信號進行響應(yīng)，在經(jīng)歷幾次振蕩后，于1.1 s處達到穩(wěn)態(tài)；引入超調(diào)量做為輔助優(yōu)化指標(biāo)后，系統(tǒng)的超調(diào)量得到明顯改善，體現(xiàn)了機尾控制系統(tǒng)的良好控制品質(zhì)和魯棒性。

(a) 原優(yōu)化迭代過程；(b) 引入超調(diào)量后迭代過程

表3 優(yōu)化結(jié)果比較

1—原優(yōu)化方案的階躍響應(yīng)；2—引入超調(diào)量后的系統(tǒng)階躍響應(yīng)。

3 結(jié)論

1) 基于新的群智能優(yōu)化算法，即教學(xué)與學(xué)習(xí)算法(TLBO)提出了一種新的自適應(yīng)教學(xué)因子計算方法，經(jīng)過函數(shù)測試，改進后的TLBO算法精度及穩(wěn)定性上均優(yōu)于原算法，達到了提高求解質(zhì)量的預(yù)期目標(biāo)。

2) 建立了刮板輸送機伸縮機尾控制系統(tǒng)模型，并利用改進的TLBO算法進行PID參數(shù)整定，引入超調(diào)量指標(biāo)對適應(yīng)度函數(shù)進行完善，二次優(yōu)化后的控制系統(tǒng)超調(diào)量明顯改善，具備了良好控制品質(zhì)和魯棒性。

[1] 孟國營, 李國平, 沃磊, 等. 重型刮板輸送機成套裝備智能化關(guān)鍵技術(shù)[J]. 煤炭科學(xué)技術(shù), 2014, 42(9): 57?60. MENG Guoying, LI Guoping, WO Lei, et al. Intellingent key technologies of complete heavy scraper conveyor equipment[J]. Coal Science and Technology, 2014, 42(9): 57?60.

[2] RAO R V, SAVSANI V, VAKHARIA D. Teaching-learning based optimization: A novel method for constrained mechanical design optimization problems[J]. Computer-Aided Design, 2011, 43(3): 303?315.

[3] RAO R V, SAVSANI V, VAKHARIA D. Teaching-learning- based optimization: an optimization method for continuous non-linear large scale problems[J]. Information Sciences, 2012, 183(1): 1?15.

[4] WANG Gaige, GANDOMI A H, YANG Xinshe, et al. A novel improved accelerated particle swarm optimization algorithm for global numerical optimization[J]. Engineering Computations, 2014, 33(7): 1198?1220.

[5] GHAMISI P, COUCEIRO M S, MARTINS F M L, et al. Multilevel image segmentation based on fractional-order darwinian particle swarm optimization[J]. Geoscience and Remote Sensing, 2014, 52(5): 2382?2394.

[6] OZTURK C, HANCER E, KARABOGA D. A novel binary artificial bee colony algorithm based on genetic operators[J]. Information Sciences, 2015, 297(10): 154?170.

[7] 于坤杰, 王昕, 王振雷. 改進的教學(xué)優(yōu)化算法及其應(yīng)用[J]. 化工進展, 2014, 33(4): 850?854. YU Kunjie, WANG Xin, WANG Zhenlei.Study and application of improved teaching-learning-based optimization algorithm[J].Chemical Industry and Engineering Progress, 2014, 33(4): 850?854.

[8] TAHER N, RASOUL A A, MOHAMMAD R N. A new multi objective optimization approach based on TLBO for location of automatic voltage regulators in distribution systems[J]. Engineering Applications of Artificial Intelligence, 2012, 25(8): 1577?1588.

[9] RAO R V, PATEL V. Multi-objective optimization of two stage thermoelectric cooler using a modified teaching–learning-based optimization algorithm[J]. Engineering Applications of Artificial Intelligence, 2013, 26(1): 430?445.

[10] 毛君, 張東升, 師建國. 刮板輸送機張力自動控制系統(tǒng)的仿真研究[J]. 系統(tǒng)仿真學(xué)報, 2008, 20(16): 4474?4484. MAO Jun, ZHANG Dongsheng, SHI Jianguo. Simulation research of tension automatic control system of scraper conveyor[J]. Journal of System Simulation, 2008, 20(16): 4474?4484.

[11] 董立紅, 趙鵬兵. 帶式輸送機拉緊裝置張力的灰色預(yù)測PID控制[J]. 煤炭學(xué)報, 2013, 38(2): 342?347. DONG Lihong, ZHAO Pengbing. Grey predictive PID control of the tensioning device system in belt conveyor[J]. Journal of China Coal Society, 2013, 38(2): 342?347.

[12] 王文斌. 機械設(shè)計手冊:液壓傳動與控制[M]. 北京: 機械工業(yè)出版社, 2007: 190?225. WANG Wenbin. Mechanical design handbook: pneumatic drive and control[M]. Beijing: China Machine Press, 2007: 190?225.

[13] 王晶. 基于PID 控制的帶式輸送機液壓拉緊系統(tǒng)[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版), 2010, 29(S): 102?104. WANG Jing. Study on hydraulic tensioning system of belt conveyors based on PID control[J]. Journal of Liaoning Technical University (Natural Science), 2008, 20(16): 4474?4484.

[14] 劉道. 基于改進粒子群優(yōu)化算法的PID參數(shù)整定研究[D]. 衡陽: 南華大學(xué)電氣工程學(xué)院, 2012: 30?34. LIU Dao. Research on PID parameters tuning based on improved PSO algorithm[D]. Hengyang: University of South China. School of Electrical Engineering, 2012: 30?34.

[15] 拓守恒, 雍龍泉. 一種用于PID控制的教與學(xué)優(yōu)化算法[J]. 智能系統(tǒng)學(xué)報, 2014, 9(6): 740?746. TOU Shouheng, YONG Longquan. A modified teaching- learning-based optimization algotithm for parameter tuning of a PID controller[J]. CAAI Transactions on Intelligent Systems, 2014, 9(6): 740?746.

(編輯 楊幼平)

Optimization of scraper conveyor extensible tail PID control system based on improved TLBO algorithm

HU Kun1, ZHANG Changjian1, WANG Shuang1, HAN Sheng2

(1. Key Laboratory of Safety and High Efficiency Mining of Ministry of Education, Anhui University of Science and Technology, Huainan 232001, China;2. Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong 999077, China)

In order to improve the work performance of scraper conveyor extensible tail control system, a new swarm intelligence optimization algorithm, i.e. teaching learning based optimization (TLBO) algorithm was used to optimize the tail's PID controller parameters. And a new adaptive calculation method of teaching factor was proposed, making use of the variation of the marks obtained by the learners before and after a complete learning phase to determine the values of teaching factors. The results show that the precision and stability of improved TLBO algorithm are superior to those of standard TLBO. On the basis of the established model of scraper conveyor extensible tail control system, the PID controller parameters are tuned by the improved TLBO algorithm. Furthermore the overshoot volume control index is introduced to the fitness function to improve the PID optimization. The secondary optimized control system of scraper conveyor extensible tail has good control quality and robustness.

scraper conveyor; extensible tail; TLBO; teaching factor; PID parameters optimization

10.11817/j.issn.1672-7207.2017.01.015

TH222

A

1672?7207(2017)01?0106?06

2016?01?17；

2016?03?12

國家自然科學(xué)基金資助項目(51475001)；中國博士后科學(xué)基金資助項目(2013M540506)；安徽省博士后基金資助項目(2014B037) (Project(51475001) supported by the National Natural Science Foundation of China; Project(2013M540506) supported by China Postdoctoral Science Foundation; Project(2014B037) supported by the Postdoctoral Foundation of Anhui Province)

胡坤，博士，副教授，從事運輸機械的研究；E-mail: hk924@126.com