MPCVD裝置冷卻水溫度的自抗擾控制策略

摘" 要： 針對(duì)MPCVD裝置冷卻水溫度控制中存在的調(diào)節(jié)時(shí)間長、穩(wěn)定性能差的弊端，提出一種將改進(jìn)后的混沌蛇鷲優(yōu)化算法（CSBOA）與自抗擾控制（ADRC）算法結(jié)合的控制策略。首先，給出了冷卻水溫度控制系統(tǒng)的結(jié)構(gòu)及數(shù)學(xué)模型，設(shè)計(jì)自抗擾控制器；其次，通過混沌蛇鷲優(yōu)化算法對(duì)自抗擾控制器的部分參數(shù)迭代尋優(yōu)，解決人工調(diào)整參數(shù)的問題。對(duì)系統(tǒng)進(jìn)行了仿真和實(shí)驗(yàn)驗(yàn)證，結(jié)果表明：相比于傳統(tǒng)PID控制，該控制系統(tǒng)穩(wěn)態(tài)時(shí)的溫度誤差更小，具有更好的溫度控制效果，有效避免了冷卻水溫度波動(dòng)對(duì)金剛石薄膜制備產(chǎn)生的不良影響。

關(guān)鍵詞： MPCVD； 冷卻水溫度； 自抗擾控制； 蛇鷲優(yōu)化算法； 參數(shù)整定； 金剛石薄膜制備

中圖分類號(hào)： TN876?34； TP273" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）03?0104?07

Active disturbance rejection control strategy for cooling water

temperature of MPCVD unit

ZHANG Hebin， REN Tianping， SU Yufeng

（School of Mechanical and Power Engineering， Zhengzhou University， Zhengzhou 450001， China）

Abstract： In view of the disadvantages of long adjustment time and poor stability of cooling water temperature control in MPCVD unit， a control strategy combining the improved chaotic secretary bird optimization algorithm （CSBOA） with the active disturbance rejection control （ADRC） algorithm is proposed. Firstly， the structure and mathematical model of the cooling water temperature control system are given， and the ADRC is designed. Secondly， the CSBOA is used to iteratively optimize some parameters of the ADRC to adjust the parameters manually. The simulation and experimental verification of the system show that in comparison with the traditional PID control， the temperature error of the proposed control system in steady state is smaller， and it has better temperature control effect， and can effectively avoid the adverse influence of the fluctuation of cooling water temperature on the preparation of diamond film.

Keywords： MPCVD; cooling water temperature; ADRC; SBOA; parameter setting; preparation of diamond film

0" 引" 言

MPCVD（微波等離子體化學(xué)氣相沉積）裝置是一種優(yōu)異的金剛石薄膜培育設(shè)備[1]。它通過將氣體化學(xué)物質(zhì)注入反應(yīng)室并在微波等離子體中激發(fā)，從而在襯底表面沉積出薄膜材料。研究表明，薄膜生長對(duì)溫度的變化十分敏感，一旦MPCVD裝置的基底出現(xiàn)短時(shí)高溫將極大影響金剛石薄膜的質(zhì)量[2]。實(shí)際操作中，通常采用水冷的方式對(duì)基底進(jìn)行冷卻，使晶種生長維持在一定的溫度范圍內(nèi)。在長時(shí)間的沉積過程中，精準(zhǔn)控制冷卻水溫度有利于制備高品質(zhì)的金剛石薄膜。

文獻(xiàn)[3]提出一種模糊自適應(yīng)PID控制溫度的方法，但模糊PID的待調(diào)節(jié)參數(shù)更多，且受系統(tǒng)的建模誤差、外部擾動(dòng)影響較大；文獻(xiàn)[4]提出一種將改進(jìn)鯨魚算法與神經(jīng)網(wǎng)絡(luò)PID控制算法相結(jié)合的控制方法，但整體控制系統(tǒng)的復(fù)雜性增加，影響實(shí)時(shí)性和響應(yīng)速度。

文獻(xiàn)[5]提出了自抗擾控制（Active Disturbance Rejection Control， ADRC）策略，該控制通過預(yù)先估計(jì)和補(bǔ)償系統(tǒng)的擾動(dòng)，實(shí)現(xiàn)無超調(diào)、高精度的效果。ADRC控制器耦合參數(shù)過多，實(shí)際中往往由于參數(shù)整定不合理而影響控制精度。目前多采用智能優(yōu)化算法（如遺傳算法、粒子群算法等）對(duì)ADRC控制器的參數(shù)進(jìn)行優(yōu)化[6]，使系統(tǒng)性能達(dá)到最優(yōu)。蛇鷲優(yōu)化算法（Secretary Bird Optimization Algorithm， SBOA）是一種受自然啟發(fā)的群智能優(yōu)化算法，靈感來自于蛇鷲在自然環(huán)境中的生存行為[7]。SBOA在解決方案質(zhì)量、收斂速度和穩(wěn)定性方面有出色的性能，擬采用改進(jìn)后的蛇鷲算法整定ADRC的參數(shù)。

針對(duì)MPCVD設(shè)備冷卻水溫控系統(tǒng)的優(yōu)化需求，本文提出一種改進(jìn)型蛇鷲優(yōu)化算法的ADRC控制器，實(shí)現(xiàn)近乎無超調(diào)、高精度的控制效果，并設(shè)計(jì)相應(yīng)的硬件電路，提高了溫控系統(tǒng)的響應(yīng)速度和穩(wěn)定性。

1" 冷卻水溫控系統(tǒng)模型

MPCVD設(shè)備采用循環(huán)水冷系統(tǒng)進(jìn)行散熱，如圖1所示。冷卻水通過管道流經(jīng)MPCVD設(shè)備內(nèi)部腔體，以熱傳導(dǎo)的方式將基底溫度控制在一定范圍內(nèi)。

系統(tǒng)的溫度控制原理如圖2所示。溫度傳感器測量冷卻水的溫度，控制器根據(jù)設(shè)定水溫與實(shí)際測得水溫之間的偏差，利用CSBOA?ADRC控制算法得到步進(jìn)電機(jī)的位移調(diào)整量，帶動(dòng)絲杠螺母上下移動(dòng)，以改變流量調(diào)節(jié)閥的開度，對(duì)出口水溫進(jìn)行控制。

系統(tǒng)傳遞函數(shù)可表示為：

[G（s）=G1（s）G2（s）G3（s）G4（s）] （1）

式中：[G1（s）]為步進(jìn)電機(jī)環(huán)節(jié)傳遞函數(shù)；[G2（s）]為絲杠傳動(dòng)傳遞函數(shù)；[G3（s）]為流量調(diào)節(jié)閥環(huán)節(jié)傳遞函數(shù)；[G4（s）]為冷卻水管道傳遞函數(shù)。

系統(tǒng)以步進(jìn)電機(jī)為動(dòng)力原件驅(qū)動(dòng)絲杠，電機(jī)接收控制脈沖信號(hào)轉(zhuǎn)過一個(gè)步距角[θi]，轉(zhuǎn)子實(shí)際轉(zhuǎn)過的角度[7]為[θ0]。通過振蕩理論知識(shí)可以明確步進(jìn)電機(jī)的傳遞函數(shù)如式（2）所示：

[G1（s）=θ0（s）θi（s）] （2）

該步進(jìn)電機(jī)運(yùn)動(dòng)方程如式（3）所示：

[Jd2（δθ）d2t+Bd（δθ）dt-D2rLi2A2θ0=D2rLi2A2θi] （3）

等式兩邊進(jìn)行拉普拉斯變換得到：

[Js2+Bs+D2rLi2A2θ0（s）=D2rLi2A2θi（s）] （4）

式中：[θ]、[J]、[D2r]分別為步進(jìn)電機(jī)轉(zhuǎn)子的角位移、轉(zhuǎn)動(dòng)慣量、齒數(shù)；[B]為步進(jìn)電機(jī)的粘滯阻尼系數(shù)；[L]為步進(jìn)電機(jī)的自感；[iA]為步進(jìn)電機(jī)的A相電流。

整理后得到步進(jìn)電機(jī)環(huán)節(jié)的傳遞函數(shù)為：

[G1（s）=θ0（s）θi（s）=D2rLi2A 2Js2+BJs+D2rLi2A 2J] （5）

絲杠傳動(dòng)簡化為比例環(huán)節(jié)，輸入轉(zhuǎn)角[θ0]，輸出轉(zhuǎn)角[θ']，傳遞函數(shù)如式（6）所示：

[G2（s）=θ'（s）θ0（s）] （6）

采用流量閥對(duì)冷卻水的流量進(jìn)行控制。流量閥在靠近全關(guān)或全開狀態(tài)時(shí)，其流量[q]?開度[θ]特性曲線變得平緩，而在多數(shù)中間開度范圍內(nèi)趨近于線性關(guān)系[8]。基于此，流量閥調(diào)節(jié)環(huán)節(jié)簡化為比例環(huán)節(jié)，表示為：

[G3（s）=q（s）θ（s）=Kf] （7）

根據(jù)耦合傳熱數(shù)值計(jì)算理論，冷卻水管道中傳熱過程存在大滯后、大慣性等特點(diǎn)，采用的是一階慣性純滯后環(huán)節(jié)，傳遞函數(shù)為：

[G4（s）=Ke-τsTs+1] （8）

分析得出總傳遞函數(shù)為滯后的三階系統(tǒng)，以循環(huán)冷卻水的溫度為控制變量，上位機(jī)采集冷卻水溫度階躍響應(yīng)數(shù)據(jù)，使用Matlab系統(tǒng)辨識(shí)工具箱進(jìn)行參數(shù)辨識(shí)，獲得系統(tǒng)傳遞函數(shù)如式（9）所示：

[G（s）=156.48s3+0.34s2+160.23s+0.48se-2.2s] （9）

2" 自抗擾控制器算法設(shè)計(jì)

冷卻水的溫度控制過程滯后且非線性，采用傳統(tǒng)的PID控制效果不佳，而自抗擾控制將外部擾動(dòng)進(jìn)行估計(jì)并補(bǔ)償[9]，實(shí)現(xiàn)對(duì)冷卻水溫度的精準(zhǔn)控制。

2.1" ADRC控制器設(shè)計(jì)

ADRC控制器由三部分構(gòu)成：微分跟蹤器TD、非線性狀態(tài)誤差反饋控制器NLSEF和擴(kuò)張狀態(tài)觀測器ESO[10]。典型的ADRC控制器結(jié)構(gòu)如圖3所示。

TD預(yù)先對(duì)設(shè)定溫度[t]安排過渡過程[t1]及其微分信號(hào)[t2]。ESO用冷卻水的出口溫度[y]和控制器的輸出量[u]來估計(jì)系統(tǒng)的擾動(dòng)與當(dāng)前狀態(tài)，得到[v1]的跟蹤信號(hào)[z1]與[v2]的跟蹤信號(hào)[z2]以及總擾動(dòng)實(shí)時(shí)量[z3]。NLSEF通過計(jì)算輸出[u0]，再用系統(tǒng)所受總擾動(dòng)值[z3]對(duì)誤差反饋進(jìn)行補(bǔ)償，獲得最終輸出的步進(jìn)電機(jī)位移量[u]。為實(shí)現(xiàn)冷卻水溫控系統(tǒng)的干擾跟蹤和溫度補(bǔ)償，下面對(duì)三個(gè)部分進(jìn)行設(shè)計(jì)。

ADRC通過TD提前對(duì)設(shè)定溫度的過渡過程和微分信號(hào)進(jìn)行調(diào)節(jié)。其動(dòng)態(tài)方程為：

[t1（k+1）=t1（k）+T?t2（k）t2（k+1）=t2（k）+T?fh" " fh=fhant1（k）-t，v2（k），r，h] （10）

式中：[t]為設(shè)定溫度；[T]為溫控系統(tǒng)采樣周期，[T]=0.15 s；函數(shù)fhan（ ）為離散系統(tǒng)最速控制綜合函數(shù)；[r]為速度因子；[h]為濾波因子。

擴(kuò)張狀態(tài)觀測器ESO把[k]時(shí)刻冷卻水溫控系統(tǒng)計(jì)算的調(diào)整量[uk]和系統(tǒng)輸出的溫度[y（k）]作為輸入，其動(dòng)態(tài)方程為：

[ek=z1（k）-y（k）z1（k+1）=z1（k）+Tz2（k）-β01ekz2（k+1）=z2（k）+Tz3（k）-β02falek，0.4，λ+b0ukz3（k+1）=z3（k）-T?β03fal（ek，0.25，λ）] （11）

式中：[β01]、[β02]、[β03]為觀測參數(shù)；[b0]為冷卻水溫控系統(tǒng)增益；fal（ ）是一種非線性函數(shù)，防止高頻振蕩。

fal（ ）的表達(dá)式為：

[ fal（e，α，δ）=eλ1-αs+eαsgn（e）（1-s）， s=sgn（e+λ）-sgn（e-λ）2] （12）

NLSEF是利用非線性狀態(tài)反饋實(shí)現(xiàn)高效控制，解決了PID調(diào)節(jié)器的缺陷。具體是由TD產(chǎn)生的跟蹤信號(hào)[v1]及其微分[v2]與ESO給出的狀態(tài)估計(jì)[z1]、[z2]，分別形成了誤差[e1]、[e2]作為NLSEF的輸入信號(hào)，通過內(nèi)部線性組合輸出[u0]，結(jié)合控制擾動(dòng)[z3]，除以冷卻水溫控系統(tǒng)的控制器增益[b0]，得到最終輸出信號(hào)[u]，其動(dòng)態(tài)方程為：

[e1（k）=t1（k）-z1（k）e2（k）=t2（k）-z2（k）u0=β1?fale1，0.75，λ0+β2?fale2，1.5，λ0u（k）=u0-z3（k）b0] （13）

式中：[β1]、[β2]分別為比例因子和微分因子。

2.2" ADRC參數(shù)整定

TD有[h]、[r]兩個(gè)參數(shù)，其中[r]越大，快速性越好，但容易導(dǎo)致超調(diào)和振蕩；[h]越大，靜態(tài)誤差越小，但會(huì)導(dǎo)致上升過慢，快速性不好。根據(jù)文獻(xiàn)[11]，通常可以取[r]=30，[h]=0.01。

ESO參數(shù)[β01]、[β02]、[β03]、[b0]決定了冷卻水溫控系統(tǒng)的動(dòng)態(tài)特性。[β01]、[β02]、[β03]越小，系統(tǒng)的響應(yīng)速度越快。[β03]越大，跟蹤速度越快，但系統(tǒng)輸出的振蕩變大。[b0]在冷卻水溫控系統(tǒng)模型不精確時(shí)作為調(diào)整參數(shù)[12]。

NLSEF的[β1]、[β2]與PID中的比例系數(shù)和微分系數(shù)相似。[β1]適當(dāng)增大可減小系統(tǒng)的超調(diào)現(xiàn)象，但會(huì)降低快速性；[β2]增大會(huì)增加快速性，但過大會(huì)引起振蕩。

綜上所述，ADRC控制器最終需要最優(yōu)化整定的參數(shù)有[β01， β02， β03， b0， β1， β2]。針對(duì)ADRC的參數(shù)難整定以至于影響控制精度的問題，蛇鷲算法因其在解決復(fù)雜、非線性優(yōu)化問題中的顯著優(yōu)勢而逐漸受到研究人員的青睞[13]。

3" CSBOA?ADRC控制算法設(shè)計(jì)

3.1" 基本SBOA算法

蛇鷲優(yōu)化算法利用蛇鷲的生存能力，以解決現(xiàn)實(shí)世界的優(yōu)化問題[13]。該算法在種群初始化后，先后進(jìn)入探索階段和開發(fā)階段。探索階段模擬蛇鷲捕獵，開發(fā)階段模擬蛇鷲逃離捕食者，這兩個(gè)階段不斷迭代，以找到優(yōu)化問題的最優(yōu)解。

3.1.1" 種群初始化

在SBOA中，優(yōu)化從候選解的種群開始，蛇鷲集合矩陣如式（14）所示：

[X=x11x12…x1dx21x22…x2d????xn1xn2…xnd] （14）

式中：[d]為蛇鷲種群維度；[n]為種群數(shù)量。

SBOA種群的適應(yīng)度矩陣表示如下：

[Fx=f[x11x12…x1d]f[x21x22…x2d]????f[xn1xn2…xnd]] （15）

式中[f]為蛇鷲個(gè)體的適應(yīng)度值。

個(gè)體在搜索空間中的位置決定了決策變量的值，式（16）用于隨機(jī)初始化搜索空間中蛇鷲的位置。

[Xi，j=Lbj+r?Ubj-Lbj] （16）

式中：[Xi，j]為第[i]只蛇鷲在第[j]維的位置；[Lbj]和[Ubj]分別是給定問題的下限和上限。

3.1.2" 捕獵階段

蛇鷲以蛇為食時(shí)的捕獵行為有三個(gè)階段：尋找獵物、消耗獵物和攻擊獵物。

蛇鷲從尋找潛在的獵物開始，位置更新如下：

[Xi=Xnew，P1i，" " Fnew，P1ilt;FiXi，" " 其他 ] （17）

[xnew，P1i，j=xi，j+xr1-xr2?R1] （18）

式中：[Xi]為第[i]個(gè)蛇鷲個(gè)體；[Xnew，P1i]為第[i]只蛇鷲的新位置；[xr1]和[xr2]是第一階段迭代的隨機(jī)候選解；[R1]為（0，1）中隨機(jī)生成1×[d]的數(shù)組；[xnew，P1i，j]表示捕獵階段第[j]維的值；[Fnew，P1i]表示目標(biāo)函數(shù)的適應(yīng)度值。

蛇鷲發(fā)現(xiàn)獵物后不直接戰(zhàn)斗，而是逐漸激怒它，從而消耗對(duì)手的耐力。在此階段，引入布朗運(yùn)動(dòng)（[Rb]）來模擬蛇鷲的隨機(jī)運(yùn)動(dòng)。消耗獵物的位置更新如下：

[Rb=randn（1，d）] （19）

[xnew，P1i，j=xbest+expt4T4?（Rb-0.5）?xbest-xi，j] （20）

式中：[xbest]表示當(dāng)前最優(yōu)適應(yīng)度值；[randn（1，d）]表示從標(biāo)準(zhǔn)正態(tài)分布中生成的1×[d]的數(shù)組。

當(dāng)獵物無力掙脫時(shí)，蛇鷲迅速發(fā)動(dòng)攻擊，位置更新如下：

[xnew，P1i，j=xbest+1-t T2t T?xi，j?R1] （21）

式中[1-t T2t T]為引入的非線性擾動(dòng)因子。

3.1.3" 逃生階段

當(dāng)出現(xiàn)大型食肉動(dòng)物后，蛇鷲有兩種方式保護(hù)自身：逃跑或偽裝，兩種情況等概率發(fā)生。

[xnew，P2i，j=C1：xbest+（2Rb-1）?xi，j，" " "randlt;12C2：xi，j+R2?xr-K?xi，j，" " "其他] （22）

[Xi=Xnew，P2i，" " " Fnew，P2ilt;FiXi，" " " 其他] （23）

式中：C1對(duì)應(yīng)環(huán)境偽裝；C2對(duì)應(yīng)逃跑；[Xnew，P2i]表示逃生階段第[i]維的值；[R2]表示隨機(jī)生成維度為1×[d]的數(shù)組；[xr]表示當(dāng)前迭代的隨機(jī)候選解；[K]表示整數(shù)為1或2的隨機(jī)選擇。[K]可由式（24）計(jì)算：

[K=round1+rand（0，1）] （24）

式中[rand（0，1）]表示在（0，1）之間的均勻隨機(jī)數(shù)。

3.2" CSBOA算法

基本蛇鷲算法由于概率都是（0，1）間的隨機(jī)數(shù)，尋優(yōu)過程有較大隨機(jī)性，易使算法困于局部最優(yōu)[14]。混沌運(yùn)動(dòng)在求解函數(shù)優(yōu)化問題時(shí)能夠使算法逃離局部最優(yōu)解，從而維持種群的多樣性。為彌補(bǔ)蛇鷲優(yōu)化算法種群初始化不均，引入混沌序列生成具有混沌初始化種群的混沌蛇鷲優(yōu)化算法（CSBOA）。

生成初始化種群位置時(shí)可使用的混沌映射有多種，其中Tent混沌映射的遍歷均勻性好，能在（0，1）之間產(chǎn)生分布較均勻的初始值。首先通過映射產(chǎn)生混沌序列，再將其轉(zhuǎn)化至個(gè)體的搜索空間[15]。改進(jìn)后的Tent映射如式（25）所示：

[xn+1=2xn+1Zrand（0，1），" " "0≤x≤1221-xn+1Zrand（0，1），" " " 12lt;x≤1] （25）

式中：[xn]為第[n]個(gè)混沌數(shù)；[Z]為混沌序列的粒子數(shù)。

在Matlab環(huán)境初始化一個(gè)全0的混沌序列，然后通過迭代公式生成Tent映射混沌序列，由圖4可知，改進(jìn)后的混沌序列更加均勻，能提升初始種群的多樣性及種群解的數(shù)量，提高算法的求解效率。

3.3" 算法驗(yàn)證

為了驗(yàn)證改進(jìn)的蛇鷲算法，擬對(duì)CSBOA的尋優(yōu)精度與快速性進(jìn)行測試。測試參數(shù)設(shè)置如下：蛇鷲種群數(shù)量[n]=30，測試維數(shù)[d]=100，放棄閾值limit=100。

采用5個(gè)復(fù)雜函數(shù)測試，選取50次測試結(jié)果中的均值和方差2個(gè)指標(biāo)來代表算法的尋優(yōu)精度[16]，其結(jié)果如表1所示。

從表1的50次尋優(yōu)結(jié)果可以看出，在同一測試函數(shù)下，相較于傳統(tǒng)SBOA算法，CSBOA算法得出的解的質(zhì)量明顯優(yōu)于前者，尋優(yōu)精度更好，算法穩(wěn)定性也更高，能夠更快找到最優(yōu)解。

選取ITAE指標(biāo)作為算法的目標(biāo)函數(shù)，其數(shù)學(xué)表達(dá)式如下：

[F=0Tte（t）dt] （26）

分別采用兩種算法對(duì)ADRC參數(shù)在線優(yōu)化，其適應(yīng)度隨迭代次數(shù)變化如圖5所示。

從圖5可以看出，傳統(tǒng)SBOA算法極易收斂到局部最優(yōu)解，而引入Tent序列混沌映射后，CSBOA算法迭代至163次后穩(wěn)定收斂到全局最優(yōu)值，在保持極高的尋優(yōu)精度下，具有更快的收斂速度，驗(yàn)證了CSBOA具有較強(qiáng)的跳出局部最優(yōu)解的能力。

在人工整定的基礎(chǔ)上確定各參數(shù)的近似范圍后，將改進(jìn)后的混沌蛇鷲優(yōu)化算法與ADRC控制器結(jié)合，對(duì)ADRC的參數(shù)進(jìn)行實(shí)時(shí)優(yōu)化更新，CSBOA?ADRC控制器運(yùn)行流程圖如圖6所示。

4" 系統(tǒng)仿真與實(shí)驗(yàn)驗(yàn)證

4.1" 溫度控制系統(tǒng)仿真

在Matlab/Simulink平臺(tái)上對(duì)冷卻水溫度控制系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)。設(shè)定采樣周期為0.15 s，PID參數(shù)[Kp]、[Ki]、[Kd]分別為0.874、3.544、0.107。ADRC參數(shù)為：[b0]=22；[β1]和[β2]分別為12、4；[β01]、[β02]、[β03]分別為34、127、200。對(duì)于CSBOA?ADRC控制器，其待整定參數(shù)為[β01， β02， β03， b0， β1， β2]，可實(shí)時(shí)優(yōu)化調(diào)整，設(shè)定其最小值為{0，0，0，0，0，0}，最大值為{50，200，1 000，50，50，10}。同時(shí)，在CSBOA控制器中設(shè)置種群規(guī)模30，最大迭代次數(shù)為500。

在階躍信號(hào)的激勵(lì)下，分別采用人工整定PID控制、人工整定ADRC控制、CSBOA?ADRC控制這三種控制策略，得到系統(tǒng)仿真響應(yīng)曲線如圖7所示。

通過仿真結(jié)果看出：系統(tǒng)達(dá)到目標(biāo)溫度需要的調(diào)節(jié)時(shí)間分別為26.5 s、23.6 s、11.4 s；超調(diào)量分別為9.6%、4.2%、1.2%。比較后得出：人工整定PID參數(shù)的方式超調(diào)量過大；采用人工整定ADRC雖無明顯超調(diào)，但響應(yīng)速度過慢；而采用CSBOA?ADRC控制時(shí)，經(jīng)過迭代尋優(yōu)后獲得的參數(shù)能有效提升控制精度，且系統(tǒng)幾乎無超調(diào)量，調(diào)節(jié)速度更快。

4.2" 系統(tǒng)實(shí)驗(yàn)分析

某企業(yè)的MPCVD設(shè)備冷卻水溫度控制系統(tǒng)冷卻水裝置如圖8所示。

分別采用PID算法和CSBOA?ADRC算法對(duì)冷卻水溫度進(jìn)行控制。

為了驗(yàn)證冷卻水溫度控制系統(tǒng)的控制效果，上位機(jī)設(shè)定冷卻水溫度為44℃，對(duì)系統(tǒng)分別采用兩種控制算法進(jìn)行了對(duì)比實(shí)驗(yàn)。溫度控制效果和誤差對(duì)比如圖9、圖10所示。

從圖9和圖10可以看出，與人工調(diào)參的PID算法相比，CSBOA?ADRC算法的控制精度更好，幾乎無超調(diào)與振蕩，溫度誤差范圍最大為[±0.2 ℃]。

5" 結(jié)" 論

MPCVD設(shè)備冷卻水的溫度對(duì)合成超硬材料的質(zhì)量有不可忽視的影響，針對(duì)以往PID控制冷卻水溫度時(shí)存在調(diào)節(jié)速度慢、溫度穩(wěn)定性能差、易受干擾影響等問題，本文設(shè)計(jì)了基于CSBOA?ADRC算法的冷卻水溫控系統(tǒng)。通過仿真與實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)PID控制相比，系統(tǒng)采用CSBOA?ADRC控制策略可顯著提升控制精度，減小超調(diào)量，有效改善冷卻水溫度控制效果，能夠確保MPCVD設(shè)備在適宜的工作溫度范圍內(nèi)穩(wěn)定運(yùn)行，同時(shí)對(duì)其他具有大慣性、大遲滯的控制系統(tǒng)提供了一種可靠的解決方案。

注：本文通訊作者為張賀斌。

參考文獻(xiàn)

[1] 馬孟宇，蔚翠，何澤召，等.氫終端金剛石薄膜生長及其表面結(jié)構(gòu)[J].物理學(xué)報(bào)，2024，73（8）：312?317.

[2] 金帥.微波化學(xué)氣相沉積腔內(nèi)等離子體特性及反應(yīng)過程數(shù)值模擬[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

[3] 趙亮，陳惠賢，姚運(yùn)萍.基于Smith?模糊PID的風(fēng)干區(qū)溫度控制系統(tǒng)設(shè)計(jì)[J/OL].控制工程：1?8[2023?11?28].https：//doi.org/10.14107/j.cnki.kzgc.20221108.

[4] 黃祥輝，朱曉東，任天平，等.金剛石壓機(jī)冷卻水溫控系統(tǒng)的設(shè)計(jì)[J].機(jī)床與液壓，2024，52（4）：93?99.

[5] 韓京清.自抗擾控制技術(shù)[J].前沿科學(xué)，2007（1）：24?31.

[6] 劉欣，羅曉曙.附加慣性項(xiàng)神經(jīng)網(wǎng)絡(luò)云臺(tái)自抗擾控制研究[J].現(xiàn)代電子技術(shù)，2020，43（3）：154?157.

[7] FU Y F， LIU D， CHEN J D， et al. Secretary bird optimization algorithm： A new metaheuristic for solving global optimization problems [J]. Artificial intelligence review， 2024， 57（5）： 123.

[8] 彭宇浩.砂芯烘干線控制系統(tǒng)的設(shè)計(jì)[D].鄭州：鄭州大學(xué)，2022.

[9] 方俊峰，李醒飛，李洪宇，等.水下多次級(jí)供電系統(tǒng)穩(wěn)壓策略研究[J].海洋湖沼通報(bào)，2023，45（6）：51?59.

[10] 劉曉偉.電動(dòng)汽車動(dòng)態(tài)無線充電溫度與磁場檢測技術(shù)的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[11] 譚龍彪，肖金鳳.基于改進(jìn)麻雀算法的卷繞張力控制系統(tǒng)[J].輕工機(jī)械，2022，40（2）：67?73.

[12] 文定都.ADRC串級(jí)控制在電加熱爐溫度控制中的應(yīng)用研究[J].儀表技術(shù)與傳感器，2015（6）：59?62.

[13] 劉勇，楊浩，馬士翔，等.基于并網(wǎng)逆變器的級(jí)聯(lián)線性自抗擾控制策略[J].控制工程，2023，30（5）：788?795.

[14] 付博妍，畢千惠，鄭詩雨，等.基于多維光場調(diào)控的超構(gòu)表面先進(jìn)成像與顯示研究[J/OL].光學(xué)學(xué)報(bào)：1?41[2024?03?18].http：//kns.cnki.net/kcms/detail/31.1252.O4.20240314.1221.084.html.

[15] 張澤鵬，茅云生，傅何琪，等.基于混沌麻雀算法的船用焊接機(jī)器人軌跡優(yōu)化[J].船舶工程，2022，44（5）：134?140.

[16] 呂麗霞，羅磊，王鵬飛，等.改進(jìn)人工蜂群算法及在自抗擾控制上的應(yīng)用[J].熱能動(dòng)力工程，2017，32（4）：80?85.