基于IGWO 的臺車輪注油系統注油量控制方法研究

李洪濤 ，庫濤 ，王二林 ，劉金鑫，林樂新

(1.沈陽工業大學機械工程學院，遼寧沈陽 110870；2.中國科學院網絡化控制系統重點實驗室，遼寧沈陽 110016；3.中國科學院機器人與智能制造創新研究院，遼寧沈陽 110069；4.中國科學院沈陽自動化研究所，遼寧沈陽 110016；5.北京首鋼股份有限公司，河北遷安 064404)

0 前言

燒結臺車是燒結機的主要部件，在運行過程中始終伴隨著燒結作業，因此燒結機臺車輪不僅要承受行駛過程中彎道處的沖擊，還要承受燒結礦的重力、高溫[1]。恰當的注油可以有效降低燒結機臺車輪工作溫度，減少不必要的機械零件磨損，有效延長機械使用壽命，因此注油系統對于臺車輪的有效工作十分重要。注油系統的注油量直接影響燒結機工作性能，若注油量過小會加大摩擦程度，甚至可能造成停機[2]；若注油量過大不僅會造成軸承溫升加快[3]，還造成資源浪費。因此，注油系統注油量的智能控制是燒結機亟待解決的問題。

目前，對于注油系統常見的注油量控制方法有傳統PID控制、內模控制、BP-PID控制等[4]。由于注油系統工作期間會受到較大的擾動，同時注油控制具有非線性和滯后性，傳統PID控制存在控制精度低及魯棒性差的問題，很難達到精確控制。內模控制需要對被控對象搭建精確的數學模型[5]，而注油控制系統構成較為復雜，傳遞函數計算困難，精確建模并不現實。傳統BP神經網絡的初始權值和閾值具有隨機性，存在易陷入局部最優解和收斂速度慢等問題，影響算法的最終結果，需要借助其他優秀的算法與BP神經網絡組合，得到穩定的初始權值和閾值。大量研究表明：灰狼算法較粒子群算法[6]、遺傳算法[7]等大多數智能控制算法有更好的全局尋優能力。

為提高注油系統的注油精度，本文作者以某鋼廠使用的燒結機為背景，提出一種基于改進灰狼算法的燒結機臺車輪自動注油系統注油量智能控制方法。優化灰狼算法的收斂因子和權重系數，利用改進灰狼算法優秀的全局尋優能力優化BP神經網絡，完成PID參數的自整定，以優化傳統PID算法超調量大及BP-PID算法易陷入局部最優解的不足，實現注油量的精確控制。

1 自動注油系統注油量控制

根據某鋼廠使用的360 m2燒結機設計了一款燒結機臺車輪自動注油系統，主要由潤滑模塊、檢測模塊、注油執行模塊等組成，如圖1所示。

圖1 臺車輪自動注油系統組成

注油執行模塊主要由工業機器人、浮動式加油槍等組成，用于跟蹤臺車輪的位置，并將潤滑系統提供的潤滑脂注入燒結機臺車輪注油孔；檢測模塊主要由相機、傳感器等組成，對臺車輪進行識別、定位，并預測該車輪所需的注油量；潤滑模塊主要由壓力傳感器、電磁比例溢流閥、流量傳感器等組成，輸出實際所需的注油量，確保最終的注油。若注油量控制精度不到位，則無法滿足臺車輪的注油需求，影響其工作性能。

注油量控制結構如圖2所示。使用傳感器監控管路中的流量、壓力等信息，并上傳至PLC控制器，根據信息調整電液比例溢流閥的開度，改變管路中的壓力。由于電控噴嘴處流量與管路中壓力呈線性關系，進而通過控制電液比例溢流閥的開度實現控制注油量的目的。

圖2 注油量控制結構

2 注油量控制器設計

傳統PID控制算法只能人工調整參數，對于注油量控制這類具有非線性特點的復雜系統控制性能較差。將具有自學習能力的BP神經網絡與傳統PID算法結合，對參數進行動態微調，可以很好地解決魯棒性問題。但由于BP神經網絡對權值過于依賴，易陷入局部最優解，影響最終控制結果。因此，采用改進灰狼算法對BP神經網絡參數進行優化，其控制框圖如圖3所示。

圖3 IGWO-BP神經網絡PID控制框圖

2.1 BP神經網絡PID控制器設計

BP神經網絡作為一種廣泛使用的反饋網絡，憑借其特性通過自學習能力可以擬合任意非線性函數[8]，將BP神經網絡與傳統PID算法相結合，通過對控制系統的不斷學習，達到最優PID控制的需求。因此，BP神經網絡PID控制器利用BP神經網絡的自學習能力，實現PID控制器中Kp、Ki、Kd3個參數的自整定[9]。

增量式PID控制算法的數學公式如下：

u(k)=u(k-1)+Kp[e(k)-e(k-1)]+

Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]

(1)

式中：u表示控制器輸出；e表示系統實際輸出y與真實值r的差值；k為采樣次數。

BP神經網絡主要由輸入層、隱含層和輸出層組成，根據增量式PID算法要求，設定BP神經網絡的拓撲結構為4-5-3。將采樣得到的rin(k)、yout(k)、e(k)、1作為神經網絡輸入，PID控制器的3個參數Kp、Ki、Kd作為輸出，拓撲結構如圖4所示。

圖4 BP神經網絡結構

2.2 IGWO-BP神經網絡PID控制器

2.2.1 灰狼優化算法

灰狼優化算法是由意大利學者MIRJALILI等[10]提出的一種新的元啟發式算法，它通過模仿灰狼捕食獵物尋找最優解，具有參數少、易實現的優點[11]。

灰狼優化算法設計中將狼群按社會支配關系從高到低依次劃分為α、β、δ、ω 4個等級，其中，每代種群中等級較高的3個解α、β、δ對優化過程進行引導，可以將算法分為包圍、追捕、攻擊3個階段[12]。由于原始灰狼優化算法中既沒有平衡全局搜索和局部搜索，也沒有體現出狼群等級的優勢，導致在搜尋過程中容易陷入局部最優，收斂速度慢，影響算法性能[13]。文中通過引入非線性收斂因子和動態權重策略對原始灰狼算法進行改進，幫助算法尋找全局最優解，提高算法收斂速度及精度。

2.2.2 灰狼算法的改進

2.2.2.1 非線性收斂因子策略

全局搜索能力與局部搜索能力的平衡是群智能優化算法的重要問題[14]。在原始灰狼優化算法中，收斂因子隨著迭代次數從2到0線性遞減，但實際迭代過程呈非線性分布，線性收斂因子無法平衡兩者間的關系，影響算法的收斂速度。針對該問題，提出一種非線性收斂因子策略，計算公式如下：

(2)

式中：t為當前迭代次數；tmax為最大迭代次數；λ為衰減系數。

取最大迭代次數tmax為500，衰減系數λ為0.9，改進前后收斂因子對比如圖5所示。可以看出：收斂因子a隨著迭代次數的增加而非線性遞減。在迭代初期，a的變化幅度平緩，提高全局搜索能力；迭代中后期a變化幅度加劇，加快算法收斂速度，提高搜索精度。因此，通過引入非線性收斂因子，實現了對算法全局搜索能力與局部搜索能力的平衡。

圖5 收斂因子對比

2.2.2.2 動態權重策略

在原始灰狼算法中，α、β、δ狼對灰狼個體的引導權重相同，使得算法容易陷入局部最優，影響算法收斂速度[15]。針對該問題，通過引入高斯變異算子，提出一種基于適應的動態權重策略，數學模型如下：

(3)

X(t+1)=(w1X1+w2X2+w3X3)·

(1+a/2·N(0，1))

(4)

式中：w1、w2、w3分別為α、β、δ狼所占的權重；fα、fβ、fδ分別為α、β、δ狼的適應度值；a為式(2)得到的非線性收斂因子；N(0,1)為高斯分布；X(t+1)為灰狼當前回合的最終位置。

通過以上優化，在迭代初期，高斯變異算子可以提供給灰狼一個擾動，使得算法容易跳出局部最優解，優化全局搜索能力；在迭代中后期，擾動逐漸變小，加快算法收斂速度，穩定局部尋優能力，使得算法更好地尋找全局最優解，提高算法精度。

2.2.3 IGWO-BP神經網絡PID控制器流程設計

根據以上研究，基于IGWO-BP-PID控制器主要由BP神經網絡PID和IGWO 優化算法兩部分組成。IGWO優化算法用于對BP神經網絡的初始值及閾值進行尋優，進而動態輸出PID的參數，其優化流程如圖6所示。

圖6 IGWO-BP神經網絡PID算法流程

3 實驗仿真與分析

由于臺車輪注油量控制系統中涉及電液比例溢流閥、二位四通閥、輸油管道等環節，控制較為復雜，通過理論分析建立數學模型較為困難，因此采用試驗測定方式確定數學模型，得到傳遞函數。文中通過系統辨識法，以管道壓力p為操作變量、電控噴嘴處流量Q為被控對象，通過某注油系統提供的實驗數據，利用MATLAB對該組數據辨識，得到控制系統傳遞函數如下：

(5)

根據得到的傳遞函數，利用MATLAB中的M函數及傳統BP神經網絡PID控制器進行仿真。注油量目標值設為rin并設定其值為40 mL，BP神經網絡中慣性因子α=0.02，學習速率η=0.1，權重及閾值采用隨機初始化的方式進行賦值，訓練4次后系統輸出響應曲線如圖7所示。

圖7 BP神經網絡PID輸出響應曲線

由圖7可以看出：采用隨機初始化的方式對BP神經網絡PID進行訓練，得到的控制效果不穩定，難以保證控制結果的穩定性。因此文中使用改進灰狼算法對BP神經網絡的權值進行尋優，來提高控制性能。

將改進灰狼算法應用至BP神經網絡PID控制器中，并與傳統PID控制器及BP神經網絡PID控制器的控制效果進行對比。其中傳統PID控制器的參數為Kp=6.832、Ki=0.005 1 、Kd=8.594；IGWO算法中種群數量為30，最大迭代次數為50；BP神經網絡中慣性因子α=0.02，學習速率η=0.1。

圖8所示為引入改進灰狼算法尋優后適應度曲線，適應度在迭代25次后趨于穩定。經過IGWO算法優化后的BP-PID算法的相關參數Kp、Ki、Kd變化曲線如圖 9所示。

由圖9可以看出：經過IGWO算法優化后的BP神經網絡能夠對PID控制器參數實現快速整定，整定結果為Kp=0.679 635 、Ki=0.060 189 5 、Kd=0.857 869。同時，在4 s時添加幅值為41 mL的擾動信號，控制參數在短暫的波動后快速恢復穩定，表明算法有較強的魯棒性。

圖9 IGWO-BP神經網絡PID參數整定

各算法控制器相應信號下的響應曲線如圖 10所示。

由圖10可以看出：與傳統PID控制器及BP神經網絡PID控制器相比，IGWO-BP-PID控制器的超調量為2.13%，穩態誤差為零，受到脈沖干擾后注油量幅度控制在±1 mL以內，且恢復穩定速度快，體現出良好的抗干擾能力。實驗結果表明：文中提出的IGWO-BP-PID注油量控制方法能夠滿足燒結機潤滑系統的控制性能要求。

圖10 不同控制器響應曲線

4 結束語

針對目前燒結機臺車輪自動注油系統注油量控制算法的不足，提出一種基于IGWO的BP神經網絡PID控制器，通過引入IGWO算法對BP神經網絡進行優化，完成了PID參數自整定。研究結果表明：與傳統PID控制器和BP-PID控制器相比，基于IGWO的BP神經網絡PID控制器不僅超調量大幅度減小，且在面對擾動時也能快速收斂，具有較高的控制精度和良好的魯棒性。