改進(jìn)遺傳算法PID參數(shù)優(yōu)化在吹貫蒸汽流速控制中的應(yīng)用

湯偉　楊潤珊　孫振宇

摘?要：紙機(jī)干燥部吹貫蒸汽流速控制是解決烘缸積水問題的一項重要措施。吹貫蒸汽流速控制通常采用PID控制器，而傳統(tǒng)的PID控制方法的控制精度較低、參數(shù)整定耗時較長，難以達(dá)到理想的控制效果。本課題在對基本遺傳算法進(jìn)行分析的基礎(chǔ)上，提出了一種改進(jìn)的遺傳算法，并將該算法用于PID控制器參數(shù)優(yōu)化，實(shí)現(xiàn)對紙機(jī)干燥部吹貫蒸汽流速的精確控制。MATLAB仿真實(shí)驗(yàn)結(jié)果表明，與常規(guī)PID控制器和基于基本遺傳算法的PID控制器相比，基于改進(jìn)遺傳算法的PID控制系統(tǒng)具有響應(yīng)速度快、超調(diào)量小、魯棒性強(qiáng)的優(yōu)點(diǎn)，能夠獲得理想的控制效果。文中所述算法已投入實(shí)際應(yīng)用，明顯提高了二次蒸汽的利用效率，能夠獲得可觀的經(jīng)濟(jì)效益。

關(guān)鍵詞：吹貫蒸汽流速;遺傳算法;PID參數(shù)優(yōu)化;干燥部

中圖分類號：TS736

文獻(xiàn)標(biāo)識碼：A

DOI：10.11981/j.issn.1000-6842.2019.01.60

在紙張的干燥過程中，烘缸內(nèi)通入蒸汽的熱量通過烘缸表面?zhèn)鬟f給紙張，紙張中水分由于吸收熱量而蒸發(fā)，達(dá)到脫除紙張水分的目的[1]。傳統(tǒng)烘缸干燥存在的最大問題就是蒸汽冷凝放熱后形成的冷凝水不能及時排出，會隨烘缸一起運(yùn)動，在烘缸內(nèi)壁形成冷凝水環(huán)，影響紙機(jī)干燥效率、紙幅干燥質(zhì)量以及烘缸運(yùn)行的穩(wěn)定性[2]。紙機(jī)干燥部吹貫蒸汽流速控制是解決烘缸積水問題的一項重要措施[3]。吹貫蒸汽是指進(jìn)入烘缸內(nèi)但沒有發(fā)生冷凝的那部分蒸汽，它在烘缸內(nèi)與冷凝水混合形成氣液兩相流，經(jīng)過虹吸管排出烘缸而進(jìn)入閃蒸罐內(nèi)，是烘缸冷凝水排除的動力[3]。吹貫蒸汽流速控制通過在閃蒸罐蒸汽出口管道水平位置上安裝孔板，測量孔板兩側(cè)蒸汽壓差，并通過控制排氣閥和熱泵開度將吹貫蒸汽流速維持在一個適當(dāng)?shù)姆秶?。然而，吹貫蒸汽流速控制過程具有時滯性、非線性、難以精確建模等特點(diǎn)，控制難度較大。因此對紙機(jī)干燥部吹貫蒸汽流速控制的優(yōu)化成為了亟待研究的問題。

目前，紙機(jī)干燥部吹貫蒸汽流速控制通常采用PID控制，由于PID控制具有結(jié)構(gòu)簡單、實(shí)現(xiàn)方便、適應(yīng)性強(qiáng)等特點(diǎn)，在我國造紙行業(yè)中被廣泛采用。但是PID控制最大的缺點(diǎn)是參數(shù)不易整定，容易產(chǎn)生振蕩，并且會出現(xiàn)超調(diào)。常規(guī)PID控制器參數(shù)整定多采用試驗(yàn)加試湊的方式進(jìn)行人工優(yōu)化[4]。這種優(yōu)化工作不僅需要熟練的技巧，而且相當(dāng)費(fèi)時。目前PID參數(shù)優(yōu)化的方法有很多，如單純形法、專家整定法、爬山法等，雖然這些方法都具有良好的尋優(yōu)特性，但存在一些弊端：單純形法對初值比較敏感，容易陷入局部最優(yōu)解;專家整定法則需要太多的經(jīng)驗(yàn)，整理知識庫困難[5]。本課題采用遺傳算法優(yōu)化PID參數(shù)，該方法是一種不需要任何初始信息，就能高效、并行、全局性地搜索最優(yōu)解的方法。近年來，國內(nèi)外學(xué)者對遺傳算法進(jìn)行了各種各樣的改進(jìn)，總的來說主要在兩個方面：一是改進(jìn)自身基因的遺傳算法[5]，二是與其他算法相結(jié)合的混合遺傳算法[6]，所有的改進(jìn)都是為了克服“早熟”問題，提高遺傳算法的全局尋優(yōu)能力以及加快算法的收斂速度。本課題引入了評價種群“早熟”程度的新指標(biāo)，對基本遺傳算法的交叉算子、變異算子進(jìn)行改進(jìn)，并增加當(dāng)前最優(yōu)追蹤策略，得到一種改進(jìn)的自適應(yīng)遺傳算法。對吹貫蒸汽流速PID控制器參數(shù)整定模型進(jìn)行仿真實(shí)驗(yàn)，通過和基于基本遺傳算法的PID參數(shù)整定法以及常規(guī)PID參數(shù)整定法的仿真對比，驗(yàn)證了改進(jìn)遺傳算法的良好效果。

1?吹貫蒸汽流速控制原理

吹貫蒸汽流速控制原理如圖1所示。由于閃蒸罐出口蒸汽壓差直接反映了烘缸內(nèi)吹貫蒸汽量，因此在閃蒸罐蒸汽出口管道水平位置上安裝孔板流量計，通過孔板兩側(cè)二次蒸汽壓差來測量吹貫蒸汽流量，并與排氣閥和熱泵組成控制回路，通過調(diào)節(jié)排氣閥和熱泵開度將吹貫蒸汽流速維持在一個適當(dāng)?shù)臄?shù)值。其中孔板流量計工作原理如圖2所示，孔板對閃蒸出來的蒸汽通過節(jié)流減壓作用產(chǎn)生前后壓差，孔板兩側(cè)的壓差在一定程度上反映了蒸汽流過孔板的流量大小，因此只要穩(wěn)定了吹貫蒸汽的流量，也就穩(wěn)定了烘缸內(nèi)的壓力和冷凝水速率。

在紙機(jī)干燥部蒸汽冷凝水系統(tǒng)運(yùn)行時，一旦烘缸積水就會降低紙張與蒸汽的熱交換效率，使得從烘缸出來的蒸汽密度變大，導(dǎo)致經(jīng)過閃蒸后的吹貫蒸汽通過孔板時形成的壓差減小，此時增大排氣

閥和熱泵開度，吹貫蒸汽經(jīng)過熱泵的增壓作用會在其出口位置形成較強(qiáng)的氣流從而對烘缸內(nèi)的積水進(jìn)行吹貫以排出冷凝水[7]。隨著冷凝水的排出和排氣閥開度的增大，吹貫蒸汽在孔板兩側(cè)形成的壓差開始回升，進(jìn)而減小排氣閥和熱泵的開度以穩(wěn)定孔板兩側(cè)的壓差，即穩(wěn)定吹貫蒸汽流速，從而提高二次蒸汽的利用效率，減少閃蒸罐二次蒸汽的浪費(fèi)。

2?遺傳算法原理及改進(jìn)方法

遺傳算法（Genetic Algorithms，簡稱GA）是1962年由美國Michigan大學(xué)Holland教授提出的模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法[8]。遺傳算法是一種隨機(jī)性全局搜索和優(yōu)化的方法，它借鑒了達(dá)爾文進(jìn)化理論和孟德爾遺傳學(xué)說，模仿了生物進(jìn)化的機(jī)制，是一種高效、并行、全局性的搜索方法。遺傳算法將適應(yīng)度函數(shù)作為一個選擇條件，通過反復(fù)的搜索，使種群不斷得到優(yōu)化[9]。遺傳算法的基本思想是把待優(yōu)化參數(shù)進(jìn)行編碼，然后由若干個位串形成初始種群作為待求問題的候選解，通過選擇（select）、交叉（crossover）、變異（mutation）進(jìn)行操作，不斷迭代優(yōu)化，直到滿足終止條件為止。

2.1?基本遺傳算法

基本遺傳算法流程如下：①隨機(jī)產(chǎn)生初始種群，個體數(shù)目一定，每個個體表示染色體的基因編碼;②計算個體適應(yīng)度，并判斷是否符合停止準(zhǔn)則，若符合，輸出最佳個體及代表的最優(yōu)解并結(jié)束計算，否則轉(zhuǎn)向③;③依據(jù)適應(yīng)度選擇再生個體，適應(yīng)度高的個體被選中的概率高，適應(yīng)度低的個體可能被淘汰;④按照一定的交叉方法和交叉概率，生成新的個體;⑤按照一定的變異方法和變異概率，生成新的個體;⑥如果由交叉和變異產(chǎn)生新的種群，則返回到步驟②。

基本遺傳算法具有全局搜索能力、潛在的并行性、可擴(kuò)展性等優(yōu)點(diǎn);但是算法的局部搜索能力較差，在進(jìn)化后期搜索效率較低，且容易產(chǎn)生“早熟”收斂[10]。

2.2?改進(jìn)遺傳算法

針對影響遺傳算法的收斂性質(zhì)及收斂速度的參數(shù)選擇，在實(shí)際應(yīng)用中應(yīng)合理選擇與設(shè)計。本課題采用的改進(jìn)遺傳算法有如下特點(diǎn)。

（1）關(guān)于染色體的編碼：在對控制器參數(shù)的優(yōu)化設(shè)計部分，由于本問題屬于連續(xù)函數(shù)的優(yōu)化問題，二進(jìn)制編碼增加了算法的復(fù)雜性，還有許多缺點(diǎn)，如精度不高、個體長度大、占用計算機(jī)內(nèi)存多、不能直接反映問題的固有結(jié)構(gòu)、用高級語言編寫程序繁瑣等不足，因此采用實(shí)數(shù)編碼。

（2）關(guān)于遺傳算法的操作程序：由于基本遺傳算法的操作程序是較為規(guī)范的進(jìn)化過程，且簡單易行，對于大部分的實(shí)際應(yīng)用問題都具有很強(qiáng)的適用性與優(yōu)越性。因此，本課題中的遺傳算法仍采用這一操作程序。

（3）關(guān)于改善遺傳算法“早熟”問題：引入了評價種群“早熟”程度的新指標(biāo)。種群發(fā)生“早熟”的主要表現(xiàn)為：種群內(nèi)適應(yīng)度暫時最大的一些個體相互重復(fù)或趨同，使得它們有較大的概率參與下一代的選擇復(fù)制操作，且它們之間交叉后的子代也不會與父代有太大的變化，導(dǎo)致遺傳算法尋優(yōu)過程十分緩慢，降低搜索效率[10]。因此，正確判斷一個種群是否會發(fā)生“早熟”主要看這個種群當(dāng)前適應(yīng)度最大的那些個體是否重復(fù)或相互趨同?；诖怂枷耄岢隽艘环N評價種群“早熟”程度的新指標(biāo)，優(yōu)良個體趨同度Δ，定義如下。

設(shè)第t代種群是由M個個體組成，平均適應(yīng)度值為Ft，最優(yōu)個體適應(yīng)度值為Ftmax，F(xiàn)tmax代表適應(yīng)度大于Ft的個體平均適應(yīng)度，則：

Δ=100（Ftmax-Ftmax）（1）

指標(biāo)Δ可以用來表征種群的早熟程度。計算Δ時不涉及那些適應(yīng)度低于平均適應(yīng)度的較差個體，從根本上避免了較差個體帶來的不利影響，可更清楚地從概念上反映種群中當(dāng)前適應(yīng)度最大的那些個體之間的趨同程度，從而能更準(zhǔn)確地描述種群個體發(fā)生“早熟”的程度。

（4）關(guān)于自適應(yīng)交叉與變異：用不變的控制參數(shù)來控制遺傳進(jìn)化，很容易導(dǎo)致“早熟”，降低算法的搜索效率。目前，調(diào)整遺傳算法控制參數(shù)較好的方法是動態(tài)自適應(yīng)技術(shù)，其基本思想是使Pc、Pm在進(jìn)化過程中根據(jù)種群的實(shí)際情況，隨機(jī)調(diào)整大小。具體做法為當(dāng)種群趨于收斂時，減小Pc、增大Pm，即降低交叉概率，提高變異概率，以保持種群的多樣性，避免“早熟”;當(dāng)種群個體發(fā)散時，增大Pc、減小Pm，即提高交叉的概率，降低變異的概率，使種群趨于收斂，增加算法的收斂速度。

基于前述評價種群早熟程度的新指標(biāo)，優(yōu)良個體趨同度Δ，提出如下的自適應(yīng)調(diào)整遺傳算法控制參數(shù)的新策略，使得交叉概率Pc、變異概率Pm在進(jìn)化過程中隨著Δ的變化而變化，數(shù)學(xué)描述如下：

Pc=11+exp（-k1·Δ）（2）

Pm=1-11+0.1exp（-k2·Δ）（3）

式中，k1、k2>0，由于Δ≥0，所以Pc的取值范圍為[0.5，1]，Pm的取值范圍為[0，0.09]。從式（2）和式（3）可見，在進(jìn)化過程中，Pc、Pm根據(jù)Δ取值的不同而動態(tài)地自適應(yīng)調(diào)整。當(dāng)種群個體趨于離散，即Δ變大時，Pc增大、Pm減小，種群開發(fā)優(yōu)良個體的能力增強(qiáng);當(dāng)種群個體趨于收斂，即Δ變小時，Pc減小、Pm增大，種群產(chǎn)生新個體的能力增強(qiáng)。

（5）增加當(dāng)前最優(yōu)追蹤策略：通過改進(jìn)遺傳算法內(nèi)部交叉和變異算子，可以增加種群的多樣性，從而更快找到最優(yōu)解，然而一定程度上也破壞了優(yōu)良種群。采用當(dāng)前最優(yōu)追蹤策略，通過保存每一代的當(dāng)前最優(yōu)解，可以對每次進(jìn)化的結(jié)果進(jìn)行修正，避免優(yōu)良基因的丟失。

3?基于改進(jìn)遺傳算法的PID參數(shù)優(yōu)化

PID控制器具有結(jié)構(gòu)原理簡單、適應(yīng)性強(qiáng)的特點(diǎn)，控制量u與偏差e=r-y（其中，r為設(shè)定值，y為系統(tǒng)的輸出值）滿足式（4）關(guān)系。

u（t）=Kpe（t）+1Ti∫t0e（t）dt+Tdde（t）dt

=Kpe（t）+Ki∫t0e（t）dt+Kdde（t）dt（4）

式中，Kp表示比例因子，Ti表示積分時間常數(shù)，Td表示微分時間常數(shù);Ki=Kp/Ti表示積分系數(shù)，Kd=Kp·Td表示微分系數(shù)。

基于改進(jìn)遺傳算法的PID控制就是在PID控制的基礎(chǔ)上引入上述改進(jìn)遺傳算法，通過改進(jìn)遺傳算法對PID控制參數(shù)Kp、Ki、Kd進(jìn)行整定，最終得到良好的控制效果。其控制框圖如圖3所示。

一般控制系統(tǒng)要求被控系統(tǒng)能夠很快跟隨系統(tǒng)的輸入并達(dá)到穩(wěn)定狀態(tài)，為了能夠獲得滿意的動態(tài)特性，本課題采用誤差絕對值時間積分性能指標(biāo)作為參數(shù)選擇的目標(biāo)函數(shù)，為了防止控制能量過大，在目標(biāo)函數(shù)中加入控制輸入的平方項，選式（5）作為最優(yōu)目標(biāo)：

J=∫∞0（w1·e（t）+w2·u2（t））dt+w3·tu（5）

式中，e（t）為系統(tǒng)誤差，u（t）為控制器輸出，tu為上升時間，w1、w2、w3為權(quán)值。

為避免超調(diào)，采用了懲罰功能，即一旦產(chǎn)生超調(diào)，將超調(diào)量作為最優(yōu)指標(biāo)的一項，此時最優(yōu)指標(biāo)為：

if ey（t）<0，J=∫∞0[w1·e（t）+w2·u2（t）+w4·ey（t）]dt+w3·tu（6）

式中，w4為權(quán)值，且w4w1，ey（t）=y（t）-y（t-1），y（t）為被控對象輸出。

首先由遺傳算法產(chǎn)生初始種群，并將種群信息賦予PID參數(shù)，然后根據(jù)適應(yīng)度函數(shù)計算每一組參數(shù)的適應(yīng)度值，接著對種群進(jìn)行遺傳操作，不斷進(jìn)化，直到找到群體中的最優(yōu)個體，輸出PID控制器的最優(yōu)參數(shù)。改進(jìn)遺傳算法優(yōu)化PID參數(shù)的具體流程如圖4所示。

4?仿真實(shí)驗(yàn)與分析

本課題運(yùn)用MATLAB中的Simulink進(jìn)行仿真實(shí)驗(yàn)，對紙機(jī)干燥部吹貫蒸汽流速控制系統(tǒng)采取簡化一階慣性加延時的環(huán)節(jié)，通過階躍響應(yīng)作圖法來獲取其數(shù)學(xué)模型為：

G（s）=1.454.7s+1e-3s（7）

下面采用常規(guī)PID整定法、基本遺傳算法、改進(jìn)遺傳算法3種方法來對PID參數(shù)進(jìn)行整定仿真對比實(shí)驗(yàn)。其中，Kp、Ki、Kd 3個待優(yōu)化參數(shù)的取值范圍為[0，1]。兩種遺傳算法中，種群規(guī)模均設(shè)為30，最大迭代次數(shù)均為100次?；具z傳算法中，設(shè)定交叉概率與變異概率分別為Pc=0.9，Pm=0.01，改進(jìn)遺傳算法中，根據(jù)公式另外設(shè)置系數(shù)k1=k2=0.8。

圖5為目標(biāo)函數(shù)值在兩種遺傳算法分別整定下的優(yōu)化曲線。對比兩條曲線可以看出，兩種遺傳算法最后優(yōu)化的指標(biāo)值幾乎一致，雖然傳統(tǒng)遺傳算法在第44代已經(jīng)接近最優(yōu)，但收斂極慢，直到進(jìn)化至第92代才達(dá)到最優(yōu);而改進(jìn)遺傳算法在第3代已經(jīng)接近最優(yōu)，在第28代就達(dá)到了最優(yōu)，表明改進(jìn)遺傳算法的收斂速度大大提高。表1為兩種遺傳算法分別進(jìn)行10次獨(dú)立運(yùn)行的運(yùn)行效果比較。

從表1可知，基本遺傳算法執(zhí)行10次的過程中，收斂的次數(shù)只有4次，且收斂代數(shù)都較大，而且Δ指標(biāo)值都較小，這表明種群中當(dāng)前適應(yīng)度最大的那些個體之間的趨同程度較大，即算法“早熟”的程度較嚴(yán)重。而本課題提出的改進(jìn)遺傳算法在執(zhí)行10次的過程中，收斂的次數(shù)為8次，其收斂代數(shù)也比基本遺傳算法有較大的改進(jìn)，而且Δ指標(biāo)值都較大，這表明種群中當(dāng)前適應(yīng)度最大的那些個體之間的趨同程度較小，即算法“早熟”的現(xiàn)象明顯改善。由此可見，改進(jìn)遺傳算法無論在算法的穩(wěn)定性還是收斂速度上都較基本遺傳算法有了很大改善，并且較好地抑制了算法“早熟”現(xiàn)象。

圖6為在總仿真時間為100 s條件下的不同PID參數(shù)整定方法的響應(yīng)曲線。由圖6可知，經(jīng)兩種遺傳算法優(yōu)化后的PID模型，在調(diào)節(jié)時間和超調(diào)量上都得到了很大的改善;而改進(jìn)遺傳算法的調(diào)節(jié)時間比基本遺傳算法縮短了9 s，響應(yīng)速度更快，而且無超調(diào)，顯然改進(jìn)遺傳算法能夠更有效地優(yōu)化出較好的PID控制參數(shù)。

3種方法整定的PID參數(shù)及控制性能指標(biāo)如表2所示。從圖6和表2中可以看出，與基本遺傳算法的PID控制系統(tǒng)和常規(guī)PID控制系統(tǒng)相比，基于改進(jìn)遺傳算法的PID控制響應(yīng)速度快，無超調(diào)量，穩(wěn)定性好，具有較優(yōu)的動態(tài)性能，并且減少了算法運(yùn)算時間，可以有效解決PID控制器參數(shù)整定難的問題。

在實(shí)際的控制過程中，吹貫蒸汽流速數(shù)學(xué)模型常常會受干擾、噪聲和非線性等因素的影響而發(fā)生變化。假設(shè)模型失配時的傳遞函數(shù)為：

G（s）=1.605.2s+1e-2.7s（8）

采用上述調(diào)整好的仿真模型來對此時模型失配的情況進(jìn)行仿真，并在第80 s時給系統(tǒng)加入10%的干擾。圖7為模型參數(shù)失配時在常規(guī)PID整定法、基本遺傳算法以及改進(jìn)遺傳算法優(yōu)化下的響應(yīng)曲線。

由圖7可知，當(dāng)模型參數(shù)發(fā)生變化以及出現(xiàn)較大干擾，并且失配模型的時滯現(xiàn)象更嚴(yán)重時，3種控制方案的控制效果都比模型匹配時要減弱。但是兩種遺傳算法優(yōu)化的PID模型都比常規(guī)PID整定法具有更強(qiáng)的魯棒性，并且經(jīng)改進(jìn)遺傳算法優(yōu)化的PID控制器比基本遺傳算法優(yōu)化的PID控制器的響應(yīng)速度更快。其結(jié)果充分證明了基于遺傳算法的PID控制系統(tǒng)較常規(guī)PID控制系統(tǒng)在響應(yīng)速度、超調(diào)量以及延遲時間、增強(qiáng)系統(tǒng)抗干擾能力等特性上均有明顯優(yōu)勢。并且經(jīng)改進(jìn)的遺傳算法優(yōu)化的PID控制系統(tǒng)具有更好的控制性能和魯棒性。

5?算法的實(shí)現(xiàn)及應(yīng)用

為了將基于改進(jìn)遺傳算法的PID控制系統(tǒng)應(yīng)用于工業(yè)現(xiàn)場，本系統(tǒng)采用S7-300系列PLC為開發(fā)平臺，在閃蒸罐出口安裝孔板流量計，通過孔板兩側(cè)二次蒸汽壓差來測量吹貫蒸汽流速，并使用OPC技術(shù)，通過在上位機(jī)中MATLAB與WinCC變量進(jìn)行數(shù)據(jù)交換，將現(xiàn)場采集的壓差實(shí)時數(shù)據(jù)傳輸至MATLAB，經(jīng)過MATLAB中改進(jìn)遺傳算法處理，得到優(yōu)化后的PID控制參數(shù)，之后將相應(yīng)結(jié)果送回WinCC，通過調(diào)整PID控制參數(shù)從而調(diào)節(jié)放氣閥和熱泵開度，實(shí)現(xiàn)吹貫蒸汽流速的精確控制。本系統(tǒng)已在河北某造紙廠干燥工段投入應(yīng)用。圖8為吹貫蒸汽流速控制系統(tǒng)穩(wěn)定運(yùn)行一段時間的實(shí)時運(yùn)行曲線。由圖8可知，閃蒸罐出口壓差能很好地跟蹤設(shè)定值，自調(diào)節(jié)能力較好，即表明吹貫蒸汽流速控制系統(tǒng)控制性能較好，滿足了工程實(shí)際的需要。

6?結(jié)?語

本課題提出的基于改進(jìn)遺傳算法優(yōu)化PID控制既提升了遺傳算法的收斂速度，又顯著改善了基本遺傳算法的“早熟”問題。MATLAB仿真結(jié)果表明，在吹貫蒸汽流速控制中，基于遺傳算法優(yōu)化的PID控制系統(tǒng)比常規(guī)PID控制系統(tǒng)的控制精度更高，并且基于改進(jìn)遺傳算法優(yōu)化的PID控制系統(tǒng)比基于基本遺傳算法優(yōu)化的PID控制系統(tǒng)的響應(yīng)速度更快，超調(diào)量更小，系統(tǒng)魯棒性也更好。吹貫蒸汽流速控制系統(tǒng)運(yùn)行效果表明，閃蒸罐出口壓差能很好地跟蹤設(shè)定值，自調(diào)節(jié)能力較好，滿足工程實(shí)際的需要，并且能顯著提高二次蒸汽的利用效率和造紙企業(yè)的經(jīng)濟(jì)效益。

參?考?文?獻(xiàn)

[1]?Zhong Yilian. Measurement and Control Methods of the Steam Condensate System of Paper Machine[J]. China Pulp & Paper， 2013， 32（3）： 40.

鐘益聯(lián). 紙機(jī)蒸汽冷凝水系統(tǒng)測控方法介紹[J]. 中國造紙， 2013， 32（3）： 40.

[2]?Dong Jixian， Shi Yun， Tang Wei. An analysis and research of drying mechanism of multi-channel cylinder dryer[J]. Chinese Journal of Paper Industry， 2016， 37（6）： 26.

董繼先， 史?韻， 湯?偉. 造紙機(jī)多通道烘缸干燥機(jī)理的分析與研究[J]. 中華紙業(yè)， 2016， 37（6）： 26.

[3]?Tang Wei， Wang Qi， Chen Hang， et al. Steam and Condensate System for Chinese High Speed Tissue Paper Machines[J]. Paper Science and Technology， 2014， 33（6）： 124.

湯?偉， 王?琦， 陳?航， 等. 國產(chǎn)高速衛(wèi)生紙機(jī)蒸汽冷凝水系統(tǒng)[J]. 造紙科學(xué)與技術(shù)， 2014， 33（6）： 124.

[4]?Li Qian， Pang Xiao， Tang Wei， et al. Application of Improved PSO Algorithm in Parameter Setting of Pressure Control in Paper Drying[J]. Paper and Paper Making， 2016， 35（10）： 4.

李?茜， 龐?肖， 湯?偉， 等. 基于改進(jìn)的PSO算法在紙機(jī)干燥部壓力控制PID參數(shù)整定中的應(yīng)用.[J]. 紙和造紙， 2016， 35（10）： 4.

[5]?Liu Jinkun. MATLAB simulation of advanced PID control[M]. Beijing： Electronics Industry Press， 2004： 233.

劉金琨. 先進(jìn)PID控制MATLAB仿真[M]. 北京： 電子工業(yè)出版社， 2004： 233.

[6]?LEE C H， CHANG F K. Fractional-order PID Controller Optimization via Improved Electromagnetism-like Algorithm[J]. Expert Systems with Applications， 2010， 37（12）： 8871.

[7]?Li Rui. Research on Steam and Condensate Thermo-Dynamic System Based on Adjustable Thermal Compressor[D]. Xian： Shaanxi University of Science & Technology， 2012.

李?蕊. 基于可調(diào)熱泵的蒸汽冷凝水熱力系統(tǒng)研究[D]. 西安： 陜西科技大學(xué)， 2012.

[8]?Wang Xianfang， Du Zhiyong， Pan Feng. Tuning PID parameters based on chaotic immune genetic algorithms[J]. Computer Engineering and Applications， 2010， 46（13）： 242.

王鮮芳， 杜志勇， 潘?豐. 基于混沌免疫遺傳算法整定PID參數(shù)[J]. 計算機(jī)工程與應(yīng)用， 2010， 46（13）： 242.

[9]?Zhang Jiajun. Optimization Parameters of PID Controller Parameters Based on Particle Swarm Optimization[J]. Computer Simulation， 2010， 27（10）： 191.

張家駿. 基于粒子群算法的PID控制器參數(shù)優(yōu)化研究[J]. 計算機(jī)仿真， 2010， 27（10）： 191.

[10]?Wang Xiaoping， Cao Liming. Genetic algorithm—theory， application and software implementation[M]. Xian： Xian Jiaotong University Press， 2002： 15.

王小平， 曹立明. 遺傳算法——理論、應(yīng)用與軟件實(shí)現(xiàn)[M]. 西安： 西安交通大學(xué)出版社， 2002： 15.

Application of the PID Parameters Optimization Based on Improved Genetic

Algorithm in Blow-through Steam Flow Rate Control

TANG Wei1?YANG Runshan1，*SUN Zhenyu2

（1College of Electrical and Information Engineering， Shaanxi University of Science and Technology， Xian， Shaanxi Province， 710021;

2College of Mechanical and Electrical Engineering， Shaanxi University of Science and Technology， Xian， Shaanxi Province， 710021）

（*E-mail： 576984316@qq.com）[JZ）]

Abstract：Blow-through steam flow rate control of paper machine dryer section is an important measure to solve the problem of hydrops in the steam dryerBlow-through steam flow rate control usually uses PID controller，while traditional PID control is usually inaccurate and the parameters setting method is time consuming， its difficult to achieve the ideal control effectIn this paper， on the basis of the analysis of basic genetic algorithm，an improved genetic algorithm was put foward， the algorithm was used in PID controller parameters optimization， which implemented the accurate control of blow-through steam flow rate control of paper machine dryer sectionMATLAB simulation experiments showed that the proposed control system had the characteristics of faster response speed， smaller overshoot and better robustness compared with the conventional PID controller and PID controller based on basic genetic algorithm， it could achieve the ideal control effect， the practical application of this algorithm significantly increased the utilization efficiency of secondary steam， which obtained the prominent economic benefits.

Keywords：blow-through steam flow; genetic algorithm; PID control parameters optimization; dryer sectron