文摘
两个成对的精馏过程是一个复杂的系统在许多方面。具体地说,系统输入和输出之间的嵌套关系构成的一个系统控制设计的重大挑战。大多数情况下,这样一个过程是分离成几个输入/输出配对(循环),这样一个控制器可以被指定为每个循环。在本研究的框架,基于大脑情感学习的智能控制器(BELBIC)形式为每个解耦循环控制结构。论文的主要目标是开发一个参数化技术解耦控制方案,确保鲁棒控制的行为。在这方面,这部小说优化技术细菌群优化(BSO)是利用积分时间的平方的总和最小化错误(一米)控制回路。这种优化技术构成混合两种技术之间的粒子群和细菌觅食算法。根据仿真结果,这种杂化技术确保低数学负担和高分离和控制精度。此外,提出BELBIC的行为分析在时域行为显示了一个显著的改善传统PID控制器和鲁棒性。
1。介绍
控制器设计多输入多输出(MIMO)系统具有十分重要的意义,他们构成了多数的物理系统。然而,这种控制器的设计面临的挑战,克服影响嵌套系统输入和输出之间的相互关系。基于系统输入和输出之间的相互关系,选择控制结构。的系统,具有温和的控制回路之间的相互作用,可以控制与分散控制结构,这样一个控制器被指定为每个控制回路(1- - - - - -5]。另一方面,一个集中控制器是专为有更高层次的系统控制回路之间的相互关系(6- - - - - -9),这样的核心矩阵控制器是整个分布式天线系统分配。尽管如此,集中控制器由于其高的复杂性并不普及。或者,可以缓解高相互关系脱钩的问题对于MIMO系统分成几个相对独立的单输入控制回路的输出(10- - - - - -15]。因此,基于独立控制的多变量过程可以循环结构。本文提出的解耦控制结构是用于控制分布式天线系统。的解耦设计,适当的输入-输出组合主要是通过系统的评价相对收益(16- - - - - -19]。因此,解耦网络设计,控制回路之间的交互是最小化20.,21]。用于控制目的,传统控制方案可以利用PID (22- - - - - -24]。是提到的非线性和模型不精确描述物理系统的大部分减少控制器的鲁棒性和准确性。
控制设计方法基于智能算法作为模糊逻辑、神经网络和遗传算法是提高传播由于其能力来克服系统模型的不确定性(25- - - - - -27]。在哺乳动物大脑情感学习的计算模型,这是介绍(28,29日),激发了一种新的学习算法。后来,这种学习方法是部署在系统控制设计提出基于新颖的大脑情感学习智能控制器(BELBIC) [30.]。因此,基于大脑情感学习的智能控制器(BELBIC)显示控制的鲁棒性的非线性和不确定性系统,如范德堡尔振荡器,达芬强迫振荡和自动自动平衡量表(31日,洗衣机32],microheat换热器[33),开关磁阻电机(34,无人驾驶飞行器35),路径跟踪的车辆(36),两个成对的蒸馏塔的过程(37),multiple-area电力系统(38),和连续搅拌釜反应器39,40]。
解耦补偿网络的参数化和BELBIC仍开放研究课题。目前,详细的参数化分析方法用于目的解耦补偿网络的成本过度数学负担。关于BELBIC参数化的,尝试和错误是广泛用于控制器参数估计。因此,利用基于人工智能的各种优化技术引入了一种有效的替代在这两种情况下(11,37]。
利用生物启发算法,蚁群优化(ACO) [41)、遗传算法(GA) [42)和粒子群优化(PSO) (43,44在优化问题是目前一个很有前途的解决方案。最近,新的进化计算技术取决于觅食的行为大肠杆菌细菌,命名为细菌觅食优化算法(BFOA),提出了(45]。这种技术被成功部署在许多应用程序中为电力系统(46- - - - - -49),股票市场预测(50,51PI / PID控制器[的],和设计52,53]。的主要缺点BFOA延迟达到全球解决方案,因为它是基于随机搜索的方向。对于这个延迟被克服,BFOA与粒子群优化(PSO)集成技术,介绍了细菌群优化(BSO)算法(54]。算法技术的主要特征之一,是继承了BSO算法,速度更新的想法。因此,寻找全球解决方案的过程中BSO技术同时取决于个人和全球最佳位置。如前所述(55- - - - - -58),细菌群优化资助(BSO)算法更好的性能在决定最优解相比,PSO和BFOA算法。
这个研究报告的目的是调查的可行性应用细菌群优化(BSO)算法领域的MIMO控制系统。为例对MIMO系统,两个成对的蒸馏塔是研究。首先,系统的数学模型解耦成几个独立的循环。解耦补偿网络的参数确定基于积分时间的平方的总和最小化输出(itso)未配对的关于一个特定的输入输出。在这方面,利用BSO技术。另一方面,一个最优BELBIC设计为每个解耦控制回路通过积分时间的平方的总和最小化错误(一米)的循环使用BSO。PID控制器比较的目的是也为相同的应用程序来实现,这样的力量被认为是控制结构可以研究。
2。两个成对的蒸馏塔的过程
正如以前所说的,两个成对的蒸馏塔处理本文作为MIMO系统的一个例子。在本节中,讨论了物理系统。首先,系统及其组件的功能。之后,系统数学建模和分离处理。
2.1。系统描述
蒸馏单元主要是利用液体混合物分离的组件。蒸馏塔主要组件可以列出如下:(我)垂直壳完成液体物质的分离(2)一连串的托盘改善组件分离(3)一个重沸器维护所需的热能蒸馏过程(iv)冷凝器液化蒸气离开列(v)回流罐,部分冷凝液回收到垂直的外壳。
这个研究的物理过程被认为是由两个成对的蒸馏塔,如图1。因此,三元石化混合物可以分离。虽然主要的玻璃柱是由40泡帽托盘不包括锅炉和冷凝器、玻璃列包含10个泡帽托盘。在22日阶段,系统进气口,液体混合物的美联储。三个分离液组件中提取的过程,所以最重和最轻的组件可以提供从底部和顶部的主要列,分别和中间组件是来自边柱的顶部。
2.2。数学建模的两个成对的蒸馏塔
首先,确定的操纵变量。因此,选择的操纵变量是热重沸器的输入(),蒸汽的蒸汽流量传输线路(),主要的回流比列(),第二列的回流比()[59]。关于系统的技术限制,输入热能和蒸汽流量必须不超过8.2千瓦的值3.953分别/ h,为了避免洪水较小的边柱(59]。其次,价值选择是流体温度控制的四个不同的阶段。这些阶段的选择是基于下列条件:(我)温度应该是敏感的主要干扰作为饲料率和饲料的浓度的变化。(2)温度应该表现出一个相当线性行为。(3)他们应该准确的产品质量。
因此,温度在11日,30日,34,48托盘选择形成了控制变量(59]。现实的数学模型,两个成对的蒸馏塔,[中提到59),是用于这项研究。考虑分布式天线系统的传递函数矩阵(所1)。
传递函数矩阵所示,物理系统的特点是高所有系统输入和输出之间的相互关系。正如简介中所讨论的,本文中采用的控制结构是基于数学模型解耦,因此每个输出独立控制通过一个输入,形成四个独立的输出控制循环。
首先,之前不相互影响的设计是一个相对增益分析来确定最合适的输入-输出配对。在这方面,相对增益阵列(RGA)方法使用。之后,一个解耦补偿网络的设计减少残余相互作用[11]。
2.2.1。的相对增益阵列
的RGA矩阵系统中(2)用于输入影响每个系统输出的估值(16- - - - - -19),所以输出”“是搭配输入””这是一个积极的价值,尽可能接近统一。 在哪里传递函数矩阵的MIMO过程和““运营商意味着元素的乘法。
2.2.2。解耦补偿网络设计过程
稳态解耦补偿矩阵所示(3)是集成到给定的MIMO系统中演示的方式(4),所以,每个输入之间相互关系和未配对输出是最小化20.,21]。本文解耦补偿矩阵的简单的形式介绍了之前的研究(11),联合对角元素,被替换为提出的一般形式(3)。这一修改引入了一个显著的改善系统响应部分中讨论5。图2说明了网络解耦补偿方案集成所需的控制器。 在哪里是输出向量,是输入向量,是传递函数矩阵的MIMO过程,然后呢是稳态解耦补偿矩阵的MIMO过程。
2.2.3。适应度函数的设计
作为讨论的前两个部分,确定适当的系统的输入/输出配对以及解耦补偿矩阵的元素的值定义之间的相互关系的有效性最小化系统输入和输出。选择合适的输入/输出配对已经解决的相对增益阵的概念。元素的值的解耦补偿矩阵估计使用优化技术,健身功能设计,减少系统输入和未配对输出之间的相互关系。
适应度函数设计的四个常用的性能标准是绝对误差(IAE)的积分,积分平方误差(伊势),时间加权平方误差积分(ITSE),时间加权绝对误差和积分(ITAE)。的上下文中提到的解耦系统设计、性能标准是关心最小化系统的输出对未配对的输入而不是控制系统错误。因此,相应的标准积分绝对输出(IAO),积分平方输出(ISO),时间加权平方积分输出(ITSO),和时间加权绝对积分输出(ITAO)。虽然标准ISO和IAO格兰特不超过系统动力学,采用这些标准在本研究由于长时间解决56]。这个缺点可以通过利用ITAO被克服。然而,这一标准是不习惯在这个研究的困难分析跟踪60]。因此,ITSO性能标准是从事这项工作,以确保稳定时间的最小化,而遭遇不必要的并发症分析。
前研究[11),解耦补偿矩阵元素估计通过应用算法技术,以便平方积分输出(iso)的未配对输出对一个特定的输入被最小化。另一方面,本文提出的技术是基于最小化时间加权平方的积分输出(itso)利用BSO技术。
时间加权平方积分等计算每个输入输出(itso)如果和是0,那么 如果和是0,那么 连续,如果和是0,那么
因此适应度函数为特定的输入可以描述如下: 在哪里是特定的输出下标,是特定的输入下标,是输出的下标搭配输入。
3所示。耦合精馏过程的控制
在本节中,提出BELBIC处理和常规PID控制器控制结构。
3.1。基于大脑情感学习的智能控制器(BELBIC)模型
正如以前所说,认为分布式天线系统分为若干个解耦的输出系统与它们之间的最小可能的相互关系。因此,这些系统可以独立控制。在本研究中,BELBIC自适应控制结构是用于每一个控制回路。这个控制结构是基于功能的大脑情感学习模型引入了(28,29日]。在过去的十年中,这种控制方案已被证明其鲁棒性在许多复杂的控制应用程序(31日- - - - - -40]。除了应用在控制系统中,大脑情感学习的计算模型,讨论了离散和连续的形式,分别。的方法之后,提出BSO-BELBIC计划,分配一个BELBIC每个解耦循环,。
情感学习设计的计算模型(28,29日图形如图3。在哺乳动物的大脑,情感学习过程发生在大脑边缘系统的一部分,它由四个主要的组件对应于杏仁核、眶额叶皮层、丘脑,感觉皮层。如图,感官输入信号主要是通过丘脑模型,该继电器的感官信息外围感官系统感觉皮质。此外,感官输入最大值直接传递到杏仁核快速响应的保险。然后,可用感官感觉皮层要处理的数据模型。因此,高度分析数据将发送到杏仁核和前额皮质模型。的情感评价刺激和长期记忆的形成是由杏仁核。最后,眼窝前额皮质是应该抑制不适当反应的杏仁核。
模型的输出两个主要组件描述的杏仁核和前额皮质(9)和(10),分别。元素的反馈定义在(11)的减法眼窝前额皮质抑制输出(从杏仁核节点(的总和)不包括节点。见的关系(12),输出(MO)的大脑情感学习模型(贝尔)构成的减法眼窝前额皮质抑制输出(从杏仁核节点(的总和),包括节点。 在哪里形成了th感官输入,和是塑料连接权重的杏仁核和前额皮质,分别。这些塑料连接权重负责情感变化对特定对象的特征。因此,他们构成了自适应组件的模型结构,他们的价值观是不断更新。虽然公式(13)和(14)表示的离散形式的改变塑料连接权重,(15)和(16)构成连续的。提到连续形式是利用在这个研究。 在哪里和学习速率常数,象征奖励的信号形式。操作符“max”公式(13)是负责维护杏仁核的单调的学习改变。这个特征模型的无能扁桃体忘掉以前学到的情绪(28,29日]。在连续的形式,分析简单的操作符“max”是消除(61年]。
BELBIC内部结构以及其接口与控制物理装置见图4。如图所示,感官输入块以及奖励的信号生成器操纵眶额皮层和杏仁核的基础上,根据控制误差信号(17)和(18),分别。 在哪里,,,除了学习速率常数(和)构成了控制器参数,描述动态系统行为控制。
BELBIC参数化是当前面临的挑战这样一个新的控制结构。在这方面,利用优化技术的粒子群优化(PSO)显示一个健壮的行为(37]。在本研究的框架,应用细菌群优化的可行性(BSO)算法的优化过程BELBIC参数研究。上一节中提到的,时间加权平方误差积分(一米)的控制回路将会被最小化,而不是integral-squared-errors更快的解决响应(是)。因此,在适应度函数(19)。
24参数为每个循环(6)应同时调整适应度函数最小化的目的。
3.2。PID控制
的主要条款,构成了传统PID控制器的比例、积分和微分项。这三个方面相互补充,如图5。传统的PID控制器的传递函数是在(20.)。 在哪里,,比例增益、积分增益和微分增益。
细菌群优化(BSO)算法是利用PID控制器的参数化BELBICs一样的政策。
4所示。细菌群优化算法
细菌群优化算法(BSO)形成一个混合的两个有效的优化技术。这些粒子群优化算法(PSO)和细菌觅食优化算法(BFOA)。
算法是一种随机优化方法从群鸟的行为的启发,昆虫,和鱼。每一个粒子在搜索空间中调整自己的方向根据自己的经验以及最成功的经验的粒子群(43,44]。然而,基于PSO算法的优化技术可能导致截留在局部最优解,而不是抓住全球由于速度和简单的算法(62年]。
另一方面,BFOA是一种新的仿生算法根据觅食的行为大肠杆菌(大肠杆菌)的细菌45]。细菌在营养丰富的倾向组区域的活动命名的趋化作用。细菌无法达到营养丰富的地区可能因营养缺乏而死。然而,那些幸存下来的繁殖下一代在营养丰富的地区。一旦当前生活环境变得不便的细菌,它往往分散随机搜索另一个环境。因此,优化技术,模拟这些细菌的觅食行为需要很长一段时间内实现全球最佳解决方案由于依赖随机搜索方向(57]。
所消耗的时间BFOA找到全局最优的解决方案可以减少发放大肠杆菌细菌交换社会信息的能力。这种能力是继承了PSO的技术形成了BSO算法。因此,BSO算法需要更少的时间来确定最优解,同时保持BFOA能力找到新的解决方案消除和传播。因此,BSO算法解决不足的散射问题,面对PSO算法。此外,趋化性一步BSO技术防范PSO的缺点对弱者的搜索能力。
如前所述,BSO技术是利用参数化的解耦补偿网络以及BELBIC。概述、应用该技术的程序的案例研究证明过程图6。后来,BSO算法的基本流程图如图7。此外,BSO算法的伪代码表示提供更多细节。
BSO算法的伪代码如下。
步骤1。所有规定的初始化参数:,,,,,,,,,,,,,,,在那里(我) 维搜索空间,(2) 是细菌的数量,(3) 是细菌的数量每一代分裂,(iv) 趋化现象的步骤的数目,(v) 是游泳的长度的限制,(vi) 是复制的步骤数,(七) elimination-dispersal事件的数量,(八) 是elimination-dispersal概率,(第九) 是细菌步长长度,(x) 每一个细菌的方向,(十一) 是惯性的重量,(十二) 是当地的重量信息,(十三) 是全球信息的重量,(十四) ,是两个随机数。
步骤2。消除循环和分散:。
步骤3。再生产的循环:。
步骤4。趋化作用的循环:。
子步骤4.1。为每一个细菌走势趋药性的步骤如下。(一)计算成本函数,。(b)让节省的成本函数的当前值才能比较它与一个确定下游泳。(c)让;更好的成本每细菌是当地最好的选择。(d)更新位置。(e)计算成本函数,。(f)游泳(我)让(计数器长度)游泳。(2)而(如果没有爬下太长时间)。(1)让。(2)如果(如果做得更好),让
并使用这计算新。(3)为每个细菌估计当前位置和当地费用
(4)其他的,让
(5)虽然声明结束。(g)去下一个细菌如果(即。,go to (b) to execute the next bacterium).子步骤4.2。对于每一个细菌估计当地的最佳位置()和全球最佳位置()。
子步骤4.3。对于每一个细菌估计的新方向
第五步(如果请转到步骤4)。在这种情况下继续趋化作用由于细菌的生命不是终止。
步骤6(繁殖)。
子步骤6.1。为和对于每个,健康的细菌是由
这种细菌的成本按升序(更大的显示低成本健康)。
子步骤6.2。的最低的细菌值分割和其余的细菌死亡。
步骤7(如果,回到步骤3)。在这种情况下,指定的最大数量的复制步骤并没有结束;因此,细菌开始新一代的趋化现象的循环。
步骤8(消除传播)。为的概率消除,然后分散到一个随机的地方之一。如果,然后去一步2,否则结束。
5。仿真和结果
解耦的物理系统及其控制器设计和模拟与MATLAB™Simulnik®。
RGA法应用于耦合精馏过程的数学模型,并给出了矩阵
根据RGA矩阵适当的输入-输出配对
根据合适的配对,健身的功能1日,2日,3日,4日输入描述(28),(29日),(30.)和(31日),分别。
BSO算法参数的值是用来实现一个优化解耦网络以及优化BELBIC表进行了总结1。由此产生的稳态解耦补偿元素值最小化归纳在表格上面的健身功能2。
由此产生的最佳收益的值不同BELBICs最小化时间加权平方误差积分的总和(一米)不同解耦循环展示在表3。的最佳收益的价值传统PID控制器设计如表所示4。PID控制器的参数决定利用相同的算法用于BELBICs的设计。在这方面,提出BSO算法相同的收益表1用于减少相同的适应度函数。
分析系统的动态行为根据其阶跃响应基于顺序步骤输入如图8。在图9的解耦系统响应给定的步骤序列。如图所示,实验结果证明设计解耦技术的效率。因此,系统输入和未配对输出之间的相互关系是明显的最小化相比以前部署技术(11]。因此,响应的峰值在未配对的输入输出解耦系统的显著降低。设计了闭环控制系统的阶跃响应图所示10。
为了验证,设计控制方案的响应,基于最小化之间的控制循环利用BSO算法,比较的最新研究,认为相同的应用程序。提到的控制方案是先前的研究主要是基于最小化的伊势使用PSO算法(37]。在图11与前者相比,该技术是研究在阶跃响应。此外,控制器的稳态误差在桌子上5。
如图所示,本研究提出的控制方案提供了一个宝贵的改进在过去的三个控制回路(,,)的稳态误差最小化。
BELBICs提议的阶跃响应和传统的PID控制器相比在存在扰动步的最终值“1”在第500届第二次在第一和第三个解耦循环。并给出了仿真结果图12。图中很明显识别的鲁棒性提出BELBICs高于传统的PID控制器对于处理意想不到的障碍。控制系统使用BELBICs也是更好的阻尼。另一方面,各控制回路的PID控制器实现显著减少稳态误差。
比较的目的,利用设计的PID控制器算法技术的总和最小化时间加权平方误差积分(一米)的系统控制回路。这个控制器与一个设计使用BSO算法对时间加权平方误差积分(一米)对于每一个控制回路,如表所示6。一米的显著区别两种算法对于表明BSO技术更有效的在决定全球最佳解决方案领域的MIMO控制系统。
6。结论
解耦的挑战和控制高阶多输入multioutput (MIMO)过程是本研究解决。细菌群优化(BSO)技术是用于开发一个优化解耦方案高度交互的4输入/输出两个成对的蒸馏塔流程。该计划包括两个阶段。在第一阶段,确定了最佳的健身功能通过预先计算的正确配对的分析,基于派生相对增益阵列(RGA)。RGA的推导是基于物理过程的传递函数矩阵。在第二阶段,解耦补偿元素的值()最小化估计基于以前的交互驱动的健身功能。设计解耦系统基于解耦补偿矩阵的一般形式显示显著改善系统动力学相比,利用简单的矩阵形式的补偿。仿真结果表明提出的效率BSO技术估计稳态解耦补偿元素值。为控制目的方案的大脑情感学习智能控制器(BELBIC)是设计和优化使用BSO算法获得最优控制器的参数值。此外,PID控制器开发使用相同的优化技术,为了验证BELBIC的鲁棒性。设计的鲁棒控制行为BELBIC-based控制方案仿真结果验证。BELBIC设计使用BSO算法显示出显著改善瞬态和稳态误差的最后三个控制回路控制器设计利用PSO的技术。
符号列表
| 热重沸器的输入 | |
| 蒸汽在蒸汽流量传输线路 | |
| 回流比在主列 | |
| 第二列的回流比 | |
| 温度在11日托盘 | |
| 温度在30日托盘 | |
| 温度在34托盘 | |
| 温度在48托盘 | |
| 传递函数矩阵的过程域 | |
| 之间的相对增益输出””,输入“” | |
| 稳态解耦补偿矩阵 | |
| 输出之间的解耦补偿元素””,输入“” | |
| 过程的输出向量 | |
| 解耦网络的输入向量 | |
| 莫: | 模型输出的大脑情感学习智能控制器(BELBIC) |
| 眼窝前额皮质节点 | |
| 杏仁核节点 | |
| 的th感官输入 | |
| 塑料连接权重的杏仁核 | |
| 眼窝前额皮质的塑料连接权重 | |
| 杏仁核学习速率 | |
| 眼窝前额皮质学习速率 | |
| 奖励的信号 | |
| 误差信号 | |
| ,,, | 控制器参数 |
| 参考信号输出 | |
| 参考信号输出 | |
| 参考信号输出 | |
| 参考信号输出 | |
| 维度的搜索空间 | |
| 细菌的数量 | |
| 细菌的数量每一代分裂 | |
| 趋化现象的措施 | |
| 游泳的长度的极限 | |
| 复制的步骤数 | |
| elimination-dispersal事件的数量 | |
| Elimination-dispersal概率 | |
| 细菌的步长长度 | |
| 每一个细菌的方向 | |
| 重量的本地信息 | |
| 全球信息的重量 | |
| , | 两个随机数。 |
相互竞争的利益
作者宣称没有利益冲突。