基于fcdcsvr的环模制粒机温度预测模型

基于fcdcsvr的环模制粒机温度预测模型

1基于快速循环坐标下降支持向量回归的智能温度预测模型随着生活水平的提高，人们对肉、鸟和蛋等食品的需求显著增加，饲料行业在市场经济中发挥着越来越重要的作用。在国务院颁布的《中长期农业发展纲要》中明确指出,要在2020年前实现饲料智能化加工,确保饲料的安全、优质、高效生产。环模制粒机是饲料生产机械的四大主机之一,如何将环模制粒机控制好是目前科研人员研究的热点。工业控制领域中,基于一些对象机理复杂以及参数不确定、时滞、耦合等原因,其数学模型往往很难建立,使得这些对象难以控制。环模制粒机是一种典型的参数不确定时滞系统,其过程参数涉及到温度、压力、流量、湿度、黏度等,许多参数是不确定的。对环模制粒机来讲,要求在保证制粒质量(主要由调质器出口温度来反映)的同时,应保证高生产效率(降低消耗)。对于像环模制粒机这样复杂的对象,通过传统的自动控制方式同时实现这2项控制要求是十分困难。尽管近年来模型预测控制(modelpredictivecontrol,MPC)已得到较好的应用,但传统MPC预测模型难以准确建立被控对象预测模型,而智能MPC模型训练建模时间长,无法实现快速辨识。另外对于无法用数学模型来描述的对象,MPC也难以应用。因此,寻求一种能快速辨识的智能MPC模型和结构简单且具有鲁棒控制性能的控制器,已经成为工业实际应用的研究趋势。支持向量回归(supportvectorregression,SVR)是一种常见的智能MPC建模方法,能很好地解决局部最优、泛化能力、小样本训练等问题。如果样本特征明显,可以在小样本的情况下达到较好的回归拟合效果,但是对于工业对象,由于样本之间的变化是很微弱,所以一般都采用大样本进行训练建模。可是由于支持向量机需要先期进行模型参数优化,如在学习样本及特征维度很高的情况下,参数优化时间很长。若测算超过5000个样本往往需要达到数分钟,所以在大样本的情况下仅能做到离线建模,而无法实现在线快速预测建模。问题是离线建立的预测模型,是难以适应参数不确定时滞系统的时变性。模糊控制是一种模拟人类思考的智能控制方法,对于参数不确定时滞系统这样无法精确进行数学建模的系统,通过对象的输入输出关系信息模糊化,实现良好的控制效果。但是模糊控制算法的核心模糊规则和隶属度函数都是人为预设的,一旦确定以后就难以满足时变及滞后性的动态要求。本文在已有研究成果基础上,提出了一种基于快速循环坐标下降支持向量回归(fastcycliccoordinatedescentsupportvectorregression,FCCDSVR)的预测模型,利用循环坐标下降算法(cycliccoordinatedecent,CCD)优化目标函数,在大样本规模下实现快速温度预测。并且设计了基于专家知识库的模糊温度控制器。该控制器的创新之处在于控制器为2路输入:一路为电流设定值(对应喂料量),另一路为温度设定值与预测校正值间的偏差量,这样可以使控制器的输出量由2部分组成:主要的部分由喂料量的大小决定,根据比值控制原理,使蒸汽加入量直接比值与喂料量;另一部分输出量由温度偏差值决定。这样设计的目的,是为了有效克服环模制粒机的参数不确定性、时滞、耦合强等特性,保证环模制粒机调质器出口温度的有效控制。实验研究表明,这种新型控制策略是十分有效的,在DCS实际系统验证温度控制偏差范围为±1.3%,控制性能较±5%的工艺容许偏差有更好的提升。2预测模型jsc2.1结构风险最小支持向量回归(SVR)的核心原理是基于一组有序集合{(xi,yi)},xi∈Rn,yi∈R,i=1,…,n,yi是目标值,xi是特征向量,回归问题可以通过式(1)求解:式中:是权重向量,b是偏差,非线性函数Ф(x)将输入空间映射为高维特征空间。对于非线性向量回归,的计算量会非常大,因为Ф(x)可能会被映射到非常高的维度来线性化。为了解决计算量超大的问题,引入核函数来处理这个问题,核函数k(·)由式(2)表示。根据结构风险最小化原理,可得到原始的约束问题:式中:p≥0为惩罚系数,ξ为非负松弛变量。基于小样本的SVR回归问题有着成熟的解决方法,但是也存在拟合误差比较大,样本数量及维数增加情况下建模时间长的缺陷,基本无法适用于在线数据回归。2.2cdsvr算法在训练时间上的优化针对大规模数据回归,坐标下降法(coordinatedecerctCD)由于其取得了O(log(1/k))的超线性收敛速度而成为目前的一个热点研究。本文提出一种基于循环坐标下降算法(CCD)解决SVM凸二次规划问题。循环坐标下降法是坐标下降法在结构上的一种变形,按顺序对每一维向量进行循环优化求解。其最大的好处在于每次坐标更新以后,对应的每一维优化解信息也同步更新,对每一个方向求导比全局求导计算量更少,速度更快。循环坐标下降法的迭代优化过程分为内、外循环。迭代过程从起始点c(0)开始迭代出c(1),c(2),…,c(n)。从c(n)到c(n+1)的过程称为一次外循环。c(n+1)通过更新c(n)的l个变量来实现一次外循环,每次外循环包括l次内循环。每次内循环生成cn,u∈Rl,u=0,1,…,l。并且cn,1=cn,cn,u+1=cn+1,ck,j=[c1n+1,…,cj-1n+1,cnn,…,cjk]T。对于cn,u到cn,u+1的更新,通过求解如下变量子问题得到:本节中将通过实验验证CCD算法收敛性能,并通过通用的回归问题数据集来比较本文提出的FCCDSVR方法和CDSVR方法以及SMOSVR的均方差和建模时间。本实验在DellPrecisionT1700工作站(XeonE5-2609处理器8G内存)上运行。本文用到的3个通用数据集分别是UCI数据库的Housing、StatLib数据库的Space_ga以及Delve数据库的Cpusmall。这3个数据集分别从样本数量依次提高,如表1所示。首先在不同样本情况下,进行了CCD算法和CD算法收敛性比较,如图1所示。通过仿真实验可以发现,CCD及CD在小样本和中等样本及维度不高的情况下,收敛速度差距不大,CCD略强于CD。在大样本及高维度情况下,CCD收敛速度要大大优于CD。所以从理论上分析,如果采用CCD算法作为SVR凸二次函数规划寻优速度上要优于CDSVR。利用通用数据集,进行支持向量回归模型训练时间比较。支持向量回归模型分别选择SMOSVR、CDSVR以及本文提出的FCCDSVR。图2分别给出了基于通用数据集的3种支持向量回归模型建模时间及均方误差比较。可以看出,在训练时间上FCCDSVR已经体现出明显优势,具体比较如表2所示。本文提出的FCCDSVR由于其突出的快速建模能力,可以用于在大数据样本情况下在线建模,构造在线更新SVR预测模型。3环模制粒机数学模型环模制粒机的2个被控变量分别定为调质器的出口温度与制粒机主电机的电流,前者用来反映制粒的质量,后者用来反映制粒的产量。环模制粒机的操纵量对应为蒸汽加入量与饲料喂料量。所以温度控制对于环模制粒机尤为重要。环模制粒机的通用关系模型可以表示为:式中:T是调质器出口温度(用于反映制粒的质量),I是主电机电流(用于反映制粒的产量),u1是调质器加入蒸汽量,u2是调质器入口喂料流量。fii(x,t,τ)为输入与输出间的数学关系,其中,x为与饲料配方有关的参数,t为时间,τ为滞后时间。由式(5)可以看出,环模制粒机是一个双输入双输出的关联系统。当喂料量发生改变时,会对温度和电流都产生影响;同样,蒸汽量变化调节温度的同时,也会影响到物料的干湿度,进而影响摩擦系数,从而对制粒主机电流产生影响。系统存在滞后的原因是物料与加热蒸汽均在调质器的入口处加入,而温度检测和制粒电流检测均在调质器的出口之后。通常物料通过调质器的时间在30s左右。f12(x,t,τ)和f21(x,t,τ)均为负号,它们将使温度与电流下降。针对这种复杂生产过程,一般控制方法很难实现自动控制。参数x和τ是根据环模制粒机的特性变化的,所以目前无法准确地构建环模制粒机数学模型。基于以上情况,本文提出并设计了一种基于支持向量机预测模型的模糊专家控制策略,结构图如图3所示。其特点主要表现在:采用FCCDSVR构建在线温度预测模型,并通过多项式拟合法对预测温度进行偏差校正,获得最终温度值。设计了基于专家知识库的模糊温度控制器。该控制器的输出由2部分组成:为主的部分由喂料量决定,根据比值控制原理,使蒸汽加入量直接比值与喂料量;另一部分控制量由温度偏差值决定。这样设计的目的是为了有效克服环模制粒机的参数不确定性、时滞、耦合强等特性,保证环模制粒机调质器出口温度的有效控制。3.1pso算法性能分析为了解决调质器出口温度的大时滞问题,采用本文提出的FCCDSVR构造温度预测模型。这里采用粒子群算法(particleswarmoptimization,PSO)进行FCCDSVR建模最优参数优化,相比其他算法,PSO算法在耗时以及精度方面都有较好的表现。在实验中以2000个样本作为训练样本得到最优径向基参数:(radialbasisfunction,RBF)C=15.227,γ=3.7603。采用数理统计的均方误差(meansquarederror,MSE)来比较各个算法的效果。图4(a)为梯度寻优均方误差MSE=0.02021,图4(b)为PSO算法均方误差MSE=0.015235。可以看出,PSO算法误差率更低。图4(c)是温度预测曲线和实际温升曲线的对比,可以看出预测温度变化趋势基本和实际温度保持一致,但还存在一定的偏差。3.2温度控制器借助于温度的预测模型,可以根据当前的控制量U1、U2,预测未来时刻调制器的出口温度。为了减小预测误差,又通过当前的温度值对预测温度进行修正。经过温度校正后的温度值,如式(6)所示:式中:Tpr为温度预测模型的温度预测值,eT为温度预测模型的偏差,如式(7)所示:可以看出,温度预测模型的偏差是通过多项式拟合法估算出来。el(k)为多项式系数,L为多项式阶数。这样,实际的温度偏差如式(8)所示:式中:Tsp为温度设定值。对于双输入的温度控制器,其输出由2部分组成,一是针对喂料量通过比值控制方式得到的控制量ΔU1(k);二是根据温度偏差得到的补偿值ΔU2(k),如式(9)所示:ΔU2(k)这部分控制量采用模糊专家控制策略。为了简化起见,温度偏差分为5个模糊子集:{负大(NB),负小(NS),零(ZE),正小(PS),正大(PB)}。考虑到比值控制方式得到的控制量为主要控制量,补偿值ΔU2(k)占的比重为b。同样,b值可根据专家经验选取。ΔU2(k)的推理为:温度控制器的主要控制量ΔU1(k),是通过比值控制方式得到的。由于蒸汽加入量对应于喂料量,因此,在喂料量改变的同时,蒸汽加入量也要随着调节。环模制粒系统的启动过程,通过参考轨迹环节,将喂料量(对应电流)阶跃设定值变为较为平滑的曲线。与喂料量对应的电流设定值如式(10)所示:式中:Isp(k)为跟踪设定值,系数Ts为采样周期;Tr为95%的参考轨迹响应时间。这样,温度控制器对应于喂料量的控制量ΔU1(k)如式(10)所示:式中:比值系数K(k)取决于调质温度、调质水分、喂料速度、蛋白质含量等因素。K(k)并不是一个常数,而是存在专家知识库的一个可变参数,它可以根据喂料量的值进行调整。显然,这种模糊专家温度控制器结构简单,与喂料量对应的蒸汽调节量在设定值调整时就加入到温度控制器,温度控制器产生ΔU1(k)。从而使加入调制器的蒸汽量与加入调制器的饲料量基本对应,这样,从调制器出口出来的饲料,温度基本符合要求。偏差部分,通过ΔU2(k)来弥补。由于ΔU2(k)的产生,已经考虑的滞后问题,所以,调制器出口温度可以得到有效控制。4真实验与结果分析实验共分成2部分组成,仿真实验和DCS平台实验。仿真实验主要验证基于FCCDSVR预测模型和模糊专家控制和模糊控制以及PID控制的控制效果比较。DCS平台实验用于验证本文提出的方法及在实际对象控制中的效果。4.1基于fccdsvr的预测控制测试为了更好地反映控制效果,给定的扰动输入信号选择正弦波和余弦波叠加波形:2×sin(π(n-1)/50)+2×cos(π(n-1)/30)。输出信号叠加均值为0,方差为1的白噪声。仿真控制结果如图5所示。从图5可以知道,本文提出的基于FCCDSVR预测控制的控制方案跟踪效果理想,不但超调很少,最大超调量为0.7%,并且无滞后情况。采用模糊控制的实验曲线也能最终实现控制的稳定,但最大超调量达到15%,并存在一定周期内控制的滞后。采用PID控制则无法实现稳定控制。4.2环模制粒机控制算法图6为实验对象示意图,控制装置采用JX-300X型的DCS。实验对象由温度过程与液位过程组成。冷水通过调节阀注入水箱,经过加热后流出水箱。图6中Ci、Ti、Co、To分别为冷水与热水的流量与温度,Q为电加热功率。实验的要求是水箱的液位、温度都要受控。显然,该对象为双输入(进水流量、加热功率)与双输出(液位、温度),并且液位与温度变量之间存在耦合。这样,可以将温度看作调质器出口温度,将影响液位的进水流量看作环模制粒机的喂料量,从而模拟环模制粒机的控制。温度通过改变晶闸管SCR的导通角来实现控制。出水调节阀的开度由手