胡業(yè)林， 鄧想， 鄭曉亮

(安徽理工大學(xué) 電氣與信息工程學(xué)院， 安徽 淮南 232001)

0 引言

煤礦用局部通風(fēng)機(jī)是煤礦井下通風(fēng)必不可少的安全設(shè)備，為了保證井下作業(yè)人員需氧量和瓦斯?jié)舛炔怀?，局部通風(fēng)機(jī)功率一般偏大且始終處于恒速運(yùn)行狀態(tài)，造成大量電能浪費(fèi)[1]。隨著變頻技術(shù)的發(fā)展，局部通風(fēng)機(jī)變頻調(diào)速系統(tǒng)應(yīng)運(yùn)而生[2]。局部通風(fēng)機(jī)變頻調(diào)速系統(tǒng)需要根據(jù)瓦斯涌出量和工作面人員數(shù)量等因素確定供風(fēng)量，而瓦斯涌出量具有隨機(jī)性，使得局部通風(fēng)機(jī)變頻調(diào)速系統(tǒng)具有非線性、時(shí)變性、多干擾的特點(diǎn)。傳統(tǒng)局部通風(fēng)機(jī)變頻調(diào)速系統(tǒng)多采用固定參數(shù)的PID控制器,無(wú)法滿足時(shí)變通風(fēng)機(jī)調(diào)速系統(tǒng)的控制要求，因此，多種智能算法被用于優(yōu)化PID控制器。文獻(xiàn)[3]針對(duì)PID控制參數(shù)調(diào)整困難的問(wèn)題，提出了一種粒子群優(yōu)化PID控制算法，相比于傳統(tǒng)PID控制器，經(jīng)過(guò)粒子群算法優(yōu)化后的控制器對(duì)局部通風(fēng)機(jī)轉(zhuǎn)速控制輸出性能改善明顯。文獻(xiàn)[4]針對(duì)礦井通風(fēng)機(jī)控制系統(tǒng)的時(shí)變性，設(shè)計(jì)了模糊PID自適應(yīng)控制系統(tǒng)，利用模糊算法對(duì)PID參數(shù)進(jìn)行實(shí)時(shí)調(diào)整，實(shí)現(xiàn)了通風(fēng)機(jī)轉(zhuǎn)速的自適應(yīng)控制。文獻(xiàn)[5]針對(duì)模糊PID控制器中模糊規(guī)則的設(shè)定需要依賴人工經(jīng)驗(yàn)的問(wèn)題，提出利用遺傳算法對(duì)模糊規(guī)則進(jìn)行優(yōu)化，提高了模糊PID控制器的控制效果。文獻(xiàn)[6]針對(duì)傳統(tǒng)模糊PID控制的許多參數(shù)需要結(jié)合實(shí)際情況進(jìn)行調(diào)整、人為試錯(cuò)確定的問(wèn)題，提出采用遺傳算法對(duì)控制器的量化因子和比例因子進(jìn)行優(yōu)化，提高了控制器的精度和速度。文獻(xiàn)[7]分析了隸屬度函數(shù)與比例因子和量化因子的關(guān)系，并針對(duì)模糊PID控制存在人為確定隸屬度函數(shù)的問(wèn)題，提出采用改進(jìn)遺傳算法對(duì)隸屬度函數(shù)進(jìn)行優(yōu)化，結(jié)果表明優(yōu)化后的控制器性能更優(yōu)。但是上述控制器的隸屬度函數(shù)和模糊規(guī)則未能同時(shí)優(yōu)化，剩余參數(shù)仍需根據(jù)經(jīng)驗(yàn)選取，很難實(shí)現(xiàn)隸屬度函數(shù)和模糊規(guī)則的最優(yōu)組合。針對(duì)該問(wèn)題，本文設(shè)計(jì)了一種改進(jìn)遺傳算法優(yōu)化的礦井局部通風(fēng)機(jī)模糊PID控制器(以下簡(jiǎn)稱改進(jìn)模糊PID控制器)，該控制器在模糊PID控制器的基礎(chǔ)上，利用改進(jìn)遺傳算法同時(shí)優(yōu)化隸屬度函數(shù)和模糊規(guī)則，從而實(shí)現(xiàn)局部通風(fēng)機(jī)的最優(yōu)風(fēng)量控制。

1 改進(jìn)模糊PID控制器設(shè)計(jì)

改進(jìn)模糊PID控制器包括運(yùn)算模塊、模糊PID控制器和基于改進(jìn)遺傳算法的控制器優(yōu)化部分，其結(jié)構(gòu)如圖1所示。利用改進(jìn)的遺傳算法同時(shí)優(yōu)化模糊控制器的隸屬度函數(shù)和模糊規(guī)則，可有效避免模糊PID控制器參數(shù)設(shè)置的主觀性。利用傳感器實(shí)時(shí)采集的數(shù)據(jù)計(jì)算需風(fēng)量的設(shè)定值r，實(shí)現(xiàn)r的自適應(yīng)調(diào)整。將r和當(dāng)前實(shí)際風(fēng)量值q進(jìn)行比較，計(jì)算得到兩者之間的偏差e和偏差變化率ec，將e和ec傳送至優(yōu)化后的模糊PID控制器，控制器輸出控制電壓u，用以控制礦用隔爆變頻器，變頻器調(diào)節(jié)異步電動(dòng)機(jī)轉(zhuǎn)速并經(jīng)過(guò)風(fēng)速轉(zhuǎn)換，最終實(shí)現(xiàn)風(fēng)量的自適應(yīng)調(diào)節(jié)。

圖1 改進(jìn)模糊PID控制器結(jié)構(gòu)Fig.1 Structure of improved fuzzy PID controller

1.1 運(yùn)算模塊

運(yùn)算環(huán)節(jié)由可編程邏輯控制器PLC內(nèi)部的運(yùn)算模塊實(shí)現(xiàn)，運(yùn)算模塊根據(jù)傳感器采集到的工作面瓦斯涌出量w得到按瓦斯涌出量計(jì)算的需風(fēng)量qw，qw和w成正比例關(guān)系。根據(jù)工作面人數(shù)g得到按工作面人數(shù)計(jì)算的需風(fēng)量qg。比較qw和qg的大小，取兩者的較大值作為運(yùn)算模塊的輸出。

qw=wκ/ν

(1)

式中：κ為瓦斯涌出不均衡系數(shù)；ν為回風(fēng)流中瓦斯的允許濃度。

qg=qming

(2)

式中qmin為每個(gè)工作面人員的最小供風(fēng)量。

通過(guò)輸出qw和qg中的較大值作為需風(fēng)量的設(shè)定值，運(yùn)算模塊能夠在保證工作面人員最小供風(fēng)量的前提下，根據(jù)瓦斯涌出量自適應(yīng)地調(diào)整需風(fēng)量的設(shè)定值。利用優(yōu)化后的模糊PID控制器良好的跟隨性能控制局部通風(fēng)機(jī)，使實(shí)際風(fēng)量跟隨需風(fēng)量設(shè)定值的變化而變化，最終實(shí)現(xiàn)依據(jù)工作面瓦斯涌出量和人員數(shù)量自適應(yīng)調(diào)整工作面風(fēng)量的目的。

1.2 模糊PID控制器

模糊PID控制器包含1個(gè)模糊控制器和1個(gè)PID控制器。模糊控制器采用兩輸入、三輸出的Mamdani控制器，將實(shí)際值和目標(biāo)值之間的偏差e和偏差變化率ec作為模糊控制器的輸入，PID參數(shù)的變化值ΔKp，ΔKi，ΔKd作為模糊控制器的輸出。將Kp，Ki，Kd參數(shù)輸入PID控制器，控制信號(hào)為u。在運(yùn)行中通過(guò)不斷檢測(cè)e和ec，利用模糊控制器對(duì)PID控制器的3個(gè)參數(shù)進(jìn)行實(shí)時(shí)修改，以滿足不同的e和ec對(duì)控制參數(shù)的要求。模糊PID控制器具有良好的魯棒性和動(dòng)靜態(tài)性能，但在傳統(tǒng)情況下，控制器的參數(shù)均由人為主觀設(shè)定，極大限制了控制器的控制性能。

(3)

式中Kp0，Ki0，Kd0為PID的初始參數(shù)。

(4)

1.3 基于改進(jìn)遺傳算法的控制器優(yōu)化

在遺傳算法中，種群表示所有可能解的集合，種群中包含許多個(gè)體，每個(gè)個(gè)體表示一種可能解，個(gè)體中又包含多個(gè)基因，基因表示這個(gè)可能解的具體信息。將遺傳算法應(yīng)用到模糊PID控制器參數(shù)優(yōu)化中，首先需要根據(jù)隸屬度函數(shù)和模糊規(guī)則的特點(diǎn)，利用特殊的編碼方式，將二者的具體信息編碼成個(gè)體中的基因;然后利用改進(jìn)遺傳操作對(duì)個(gè)體進(jìn)行迭代尋優(yōu)，迭代結(jié)束后輸出種群中適應(yīng)度最高的個(gè)體;最后將該個(gè)體的基因通過(guò)解碼即可得到隸屬度函數(shù)和模糊規(guī)則的最優(yōu)組合。改進(jìn)遺傳算法優(yōu)化隸屬度函數(shù)和模糊規(guī)則的流程如圖2所示。

圖2 改進(jìn)遺傳算法優(yōu)化模糊PID控制器流程Fig.2 Flow of fuzzy PID controller optimized by improved genetic algorithm

1.3.1 初始化種群

在進(jìn)行遺傳操作前，需要先設(shè)置初始種群。為了實(shí)現(xiàn)全局搜索，本文選用隨機(jī)方式產(chǎn)生初始種群。為了便于后續(xù)的編碼操作，種群中的基因變化范圍設(shè)置為[1,5]。

1.3.2 隸屬度函數(shù)和模糊規(guī)則的編碼與解碼

常用的編碼方式有二進(jìn)制編碼和實(shí)數(shù)編碼，其中實(shí)數(shù)編碼過(guò)程簡(jiǎn)單且不易陷入局部極值[8]。因此，本文選用實(shí)數(shù)編碼形式對(duì)模糊規(guī)則和隸屬度函數(shù)進(jìn)行編碼。對(duì)模糊規(guī)則進(jìn)行編碼時(shí)，設(shè)模糊子集為{負(fù)大，負(fù)小，零，正小，正大}，即{NB,NS,Z,PS,PB}，使用{1 2 3 4 5}表示。對(duì)隸屬度函數(shù)進(jìn)行編碼時(shí)，基本論域設(shè)置為[-1,1]。模糊子集NS、Z、PS選用三角形隸屬度函數(shù)，NB選用Z形隸屬度函數(shù)，PB選用S形隸屬度函數(shù)。為了便于編碼，設(shè)隸屬度函數(shù)的頂點(diǎn)和兩側(cè)隸屬度函數(shù)交點(diǎn)的橫坐標(biāo)一致[9]。因此，只需確定隸屬度函數(shù)的頂點(diǎn)坐標(biāo)就可以確定整個(gè)隸屬度函數(shù)的形狀。由于隸屬度函數(shù)的頂點(diǎn)坐標(biāo)要求在一定范圍內(nèi)且順序排列，若直接對(duì)其進(jìn)行編碼，經(jīng)過(guò)遺傳操作后可能無(wú)法滿足上述要求，會(huì)出現(xiàn)許多無(wú)效編碼。本文采用的方法是對(duì)隸屬度函數(shù)頂點(diǎn)的橫坐標(biāo)在基本論域上的比例分?jǐn)?shù)進(jìn)行編碼，比例分?jǐn)?shù)無(wú)需滿足范圍內(nèi)順序排列的要求，可以與模糊規(guī)則的編碼一起進(jìn)行遺傳操作。

由于4個(gè)基因可以確定1個(gè)變量的隸屬度函數(shù)，模糊控制器一共有5個(gè)變量，即需要20個(gè)基因可以確定全部的隸屬度函數(shù)。而每個(gè)模糊控制器的輸出需要25條模糊規(guī)則，一共有3個(gè)輸出，即需要75個(gè)基因可以確定全部的模糊規(guī)則。因此，每個(gè)個(gè)體應(yīng)包含95個(gè)基因。個(gè)體的編碼示例如圖3所示，前20位基因表示隸屬度函數(shù)編碼，后75位基因表示模糊規(guī)則編碼。

圖3 個(gè)體編碼示例Fig.3 Example of individual coding

經(jīng)過(guò)遺傳操作，最優(yōu)個(gè)體后75位基因利用對(duì)應(yīng)關(guān)系即可解碼成相應(yīng)的模糊規(guī)則，而前20個(gè)基因需要將比例分?jǐn)?shù)轉(zhuǎn)換成隸屬度函數(shù)頂點(diǎn)的位置坐標(biāo)后才能解碼出相應(yīng)的隸屬度函數(shù)。

(5)

式中：α,β為正半軸的隸屬度函數(shù)頂點(diǎn)的橫坐標(biāo)值；xα,xβ為α,β對(duì)應(yīng)的比例分?jǐn)?shù)。

以誤差e的隸屬度函數(shù)為例具體說(shuō)明轉(zhuǎn)換過(guò)程，誤差e的隸屬度函數(shù)如圖4所示，a,b,c,d為隸屬度函數(shù)的4個(gè)頂點(diǎn)橫坐標(biāo)值,且0≤a≤b≤1，-1≤d≤c≤0。x1,x2,x3,x4為誤差e的隸屬度函數(shù)的比例分?jǐn)?shù)。將x1,x2代入式(5)得到隸屬度函數(shù)的頂點(diǎn)橫坐標(biāo)值a,b，將x3,x4代入式(5)計(jì)算得到的結(jié)果添加負(fù)號(hào)，即可得到隸屬度函數(shù)的頂點(diǎn)橫坐標(biāo)值c,d，得到4個(gè)頂點(diǎn)橫坐標(biāo)值后，即可解碼出誤差e的隸屬度函數(shù)。

圖4 誤差e的隸屬度函數(shù)Fig.4 Membership function of error e

1.3.3 適應(yīng)度函數(shù)選擇

個(gè)體適應(yīng)度是遺傳操作的基礎(chǔ)，直接影響到算法的效果。本文采用設(shè)定值和實(shí)際值的誤差e(t)的絕對(duì)值的積分作為目標(biāo)函數(shù)。

(6)

由于誤差絕對(duì)值的積分值越小表示適應(yīng)度越好，所以,適應(yīng)度函數(shù)描述為

(7)

為減少浮點(diǎn)數(shù)運(yùn)算，將適應(yīng)度值放大1 000倍。

1.3.4 改進(jìn)的遺傳操作

為了提高種群的適應(yīng)度和多樣性，對(duì)選擇操作進(jìn)行改進(jìn)，引入歐氏距離[10]：

(8)

式中:ηi為個(gè)體η的第i個(gè)基因；θi為個(gè)體θ的第i個(gè)基因;n為基因個(gè)數(shù)。

歐氏距離越大表示個(gè)體η和個(gè)體θ的相似度越小。選擇操作步驟如下：

(1) 計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度值和種群平均適應(yīng)度值，記錄最高適應(yīng)度值及其個(gè)體。

(2) 逐個(gè)判斷種群中個(gè)體的適應(yīng)度值是否小于平均適應(yīng)度值，若是，轉(zhuǎn)到步驟(3)，否則保存?zhèn)€體，直至判斷完整個(gè)種群。

(3) 隨機(jī)產(chǎn)生m個(gè)個(gè)體，分別計(jì)算這m個(gè)個(gè)體的適應(yīng)度值與原種群中最高適應(yīng)度值個(gè)體之間的歐氏距離，選擇適應(yīng)度值與歐氏距離之和最大的個(gè)體作為新的個(gè)體,取代種群中原有的個(gè)體。

交叉操作采用自適應(yīng)交叉概率，根據(jù)當(dāng)代種群中的平均適應(yīng)度值Favr和最大適應(yīng)度值Fmax對(duì)交叉概率p1進(jìn)行自適應(yīng)調(diào)整[11]。

(9)

式中：k1為交叉概率設(shè)定值；Fj為個(gè)體j的適應(yīng)度值。

確定交叉概率p1后，按照交叉概率在種群中選擇個(gè)體進(jìn)行交叉運(yùn)算。由于本文使用的是實(shí)數(shù)編碼，所以使用算術(shù)交叉算子進(jìn)行交叉運(yùn)算[12]。

(10)

式中:Cη，Cθ為從種群中選擇的2個(gè)父代個(gè)體；Cη+1，Cθ+1為經(jīng)過(guò)交叉操作后產(chǎn)生的新的子代個(gè)體；ε為(0,1)內(nèi)隨機(jī)產(chǎn)生的系數(shù)。

變異操作采用自適應(yīng)的變異概率p2，其形式和式(9)一致。同時(shí)由于是利用實(shí)數(shù)編碼，采用算術(shù)變異算子進(jìn)行變異運(yùn)算。如對(duì)個(gè)體的第i個(gè)基因進(jìn)行變異[13]，其公式如下：

(11)

2 仿真分析

2.1 局部通風(fēng)機(jī)控制模型建立

在進(jìn)行仿真分析之前，需要先建立局部通風(fēng)機(jī)的控制模型。在局部通風(fēng)機(jī)控制系統(tǒng)中，通過(guò)控制變頻器輸入電壓實(shí)現(xiàn)電動(dòng)機(jī)轉(zhuǎn)速調(diào)節(jié)，再經(jīng)過(guò)電動(dòng)機(jī)轉(zhuǎn)速和風(fēng)速的轉(zhuǎn)換，最終實(shí)現(xiàn)局部通風(fēng)機(jī)風(fēng)速的調(diào)節(jié)。因此，可以使用變頻器和異步電動(dòng)機(jī)來(lái)近似等效局部通風(fēng)機(jī)的結(jié)構(gòu)。

變頻器輸入電壓和輸出頻率之間的數(shù)學(xué)模型可以近似等效為一階慣性環(huán)節(jié)，其傳遞函數(shù)為[14]

(12)

式中：KUF為變頻器的輸出頻率和輸入電壓的比值；TUF為變頻器時(shí)間常數(shù)，一般取變頻器加速時(shí)間的60%；s代表復(fù)頻域。

異步電動(dòng)機(jī)輸入頻率和輸出轉(zhuǎn)速之間的數(shù)學(xué)模型可以近似等效為一階慣性環(huán)節(jié)，其傳遞函數(shù)為[14]

(13)

式中：KMA為異步電動(dòng)機(jī)額定轉(zhuǎn)速與工頻的比值；TMA為異步電動(dòng)機(jī)時(shí)間常數(shù)，一般取電動(dòng)機(jī)啟動(dòng)時(shí)間的25%。

以FBD-No7.1型礦用隔爆型對(duì)旋軸流局部通風(fēng)機(jī)為研究對(duì)象，通風(fēng)機(jī)參數(shù)見(jiàn)表1。取變頻器最大輸入電壓為5 V，輸出頻率為20～50 Hz，加速時(shí)間為0.3 s。異步電動(dòng)機(jī)啟動(dòng)時(shí)間為2.4 s。由式(12)、式(13)可得到變頻器數(shù)學(xué)模型和異步電動(dòng)機(jī)數(shù)學(xué)模型分別為

(14)

(15)

表1 FBD-No7.1局部通風(fēng)機(jī)參數(shù)Table 1 Parameters of FBD-No7.1 local ventilator

由式(14)、式(15)得到局部通風(fēng)機(jī)轉(zhuǎn)速控制數(shù)學(xué)模型為

(16)

建立局部通風(fēng)機(jī)轉(zhuǎn)速控制的數(shù)學(xué)模型后，要實(shí)現(xiàn)局部通風(fēng)機(jī)風(fēng)量的調(diào)節(jié)，還需要進(jìn)行轉(zhuǎn)速和風(fēng)量的轉(zhuǎn)換。根據(jù)通風(fēng)機(jī)的特性可知，轉(zhuǎn)速和風(fēng)量之間滿足正比例關(guān)系[15]。依據(jù)局部通風(fēng)機(jī)參數(shù)，通風(fēng)機(jī)的轉(zhuǎn)速和風(fēng)量轉(zhuǎn)換關(guān)系式為

(17)

式中：q為通風(fēng)機(jī)風(fēng)量；qe為通風(fēng)機(jī)額定風(fēng)量；ze為通風(fēng)機(jī)額定轉(zhuǎn)速；zv為通風(fēng)機(jī)轉(zhuǎn)速。

2.2 仿真分析

為驗(yàn)證改進(jìn)模糊PID控制器的控制性能，選用礦井局部通風(fēng)機(jī)的數(shù)學(xué)模型作為控制對(duì)象，分別采用PID、模糊PID和改進(jìn)遺傳算法優(yōu)化后的模糊PID三種控制方式，對(duì)比三者的單位階躍響應(yīng)曲線，分析3種控制器的控制性能。

設(shè)遺傳代數(shù)為100，種群大小為20，交叉概率系數(shù)kc為1，變異概率系數(shù)km為0.5，傳遞函數(shù)的采樣時(shí)間為0.1 s。遺傳進(jìn)化過(guò)程目標(biāo)函數(shù)J的變化曲線如圖5所示。從圖5可看出，標(biāo)準(zhǔn)遺傳算法SGA(Standard Genetic Algorithm)在67代達(dá)到收斂。而由于提高了種群的多樣性和算法的收斂性，改進(jìn)遺傳算法IGA(Improved Genetic Algorithm)在第10代就達(dá)到收斂且收斂數(shù)值要小于SGA的收斂數(shù)值，IGA收斂速度更快并且尋優(yōu)結(jié)果更好。

圖5 目標(biāo)函數(shù)J的變化曲線Fig.5 Change curves of objective function J

經(jīng)過(guò)IGA優(yōu)化后，獲得最優(yōu)個(gè)體為{3443,2423,4322,4232,2233,54322,53223,43432,23323,21213,43432,54334,14332,41323,22322,41333,22454,34433,34333,22333}。經(jīng)過(guò)解碼可以得到優(yōu)化后的模糊控制器模糊規(guī)則庫(kù)(表2)和隸屬度函數(shù)(圖6)。

表2 改進(jìn)遺傳算法優(yōu)化后的ΔKp/ΔKi/ΔKd的模糊規(guī)則庫(kù)Table 2 Fuzzy rule base of ΔKp/ΔKi/ΔKdoptimized by improved genetic algorithm

將得到的隸屬度函數(shù)和模糊規(guī)則庫(kù)代入到模糊PID控制器中。利用Z-N法整定PID控制器的參數(shù)，Kp=0.16，Ki=0.2，Kd=0.022。設(shè)模糊PID控制器和改進(jìn)模糊PID控制器的初始參數(shù)Kp0=0.2，Ki0=0.25，Kd0=0.03。同時(shí)為對(duì)比抗干擾能力，在0.2 s處加入幅值為0.2的擾動(dòng)信號(hào)。3種控制器的單位階躍響應(yīng)曲線如圖7所示，輸出結(jié)果比較見(jiàn)表3。

圖7 3種控制器的單位階躍響應(yīng)曲線Fig.7 Unit step response curves of three kinds of controller

表3 3種控制器的輸出結(jié)果比較Table 3 Comparison of output results of three kinds of controller

由圖7可看出，在0.2 s加入幅值為0.2的干擾信號(hào)后，PID控制器在0.219 s恢復(fù)穩(wěn)定，最大擾動(dòng)幅值為1.064；模糊PID控制器在0.229 s恢復(fù)穩(wěn)定，最大擾動(dòng)幅值為1.023；改進(jìn)模糊PID控制器在0.216 s恢復(fù)穩(wěn)定，最大擾動(dòng)幅值為1.032。改進(jìn)模糊PID控制器受到干擾后，最大擾動(dòng)幅值適中且恢復(fù)時(shí)間最短。說(shuō)明改進(jìn)模糊PID控制器的控制效果最佳，抗干擾能力最強(qiáng)。

由表3可看出，PID控制器由于參數(shù)固定不變，雖然可以實(shí)現(xiàn)較短的上升和穩(wěn)定時(shí)間，但卻有明顯的超調(diào)。模糊PID控制器能夠根據(jù)不同的控制要求自適應(yīng)調(diào)整控制器的參數(shù),基本沒(méi)有超調(diào)量，但由于控制器的隸屬度函數(shù)和模糊規(guī)則是根據(jù)經(jīng)驗(yàn)設(shè)置的，具有較大的主觀性，限制了模糊PID控制器的控制效果，使得模糊PID控制器的上升和穩(wěn)定時(shí)間較長(zhǎng)。改進(jìn)模糊PID控制器利用改進(jìn)遺傳算法的尋優(yōu)能力，實(shí)現(xiàn)了控制器中隸屬度函數(shù)和模糊規(guī)則最優(yōu)組合，使得其在沒(méi)有超調(diào)的情況下，較模糊PID控制器上升時(shí)間縮短了56.25%，穩(wěn)定時(shí)間縮短了47.06%。

3 結(jié)論

(1) 由于礦井局部通風(fēng)機(jī)具有時(shí)變、非線性的特點(diǎn)，固定參數(shù)的PID控制器很難達(dá)到良好的控制效果。為了更好滿足礦井局部通風(fēng)機(jī)的控制要求，設(shè)計(jì)了一種基于改進(jìn)遺傳算法優(yōu)化的模糊PID控制器。同時(shí)對(duì)于傳統(tǒng)遺傳算法容易出現(xiàn)局部最優(yōu)解和早熟的問(wèn)題，在改進(jìn)遺傳算法中引入歐氏距離來(lái)提高算法中種群的多樣性，同時(shí)引入自適應(yīng)交叉和變異概率來(lái)提高算法的收斂性。在編碼過(guò)程中采用比例分?jǐn)?shù)間接實(shí)現(xiàn)對(duì)隸屬度函數(shù)的優(yōu)化，使得改進(jìn)遺傳算法能夠同時(shí)優(yōu)化隸屬度函數(shù)和模糊規(guī)則。將優(yōu)化得到的隸屬度函數(shù)和模糊規(guī)則導(dǎo)入模糊PID控制器中，通過(guò)不斷檢測(cè)誤差e和誤差變化率ec，根據(jù)模糊規(guī)則實(shí)時(shí)調(diào)整PID的3個(gè)參數(shù)，實(shí)現(xiàn)控制器對(duì)礦井局部通風(fēng)機(jī)的自適應(yīng)控制。

(2) 以礦井局部通風(fēng)機(jī)的數(shù)學(xué)模型作為控制對(duì)象，測(cè)試PID控制器、模糊PID控制器、改進(jìn)模糊PID控制器的單位階躍響應(yīng)曲線。對(duì)比結(jié)果顯示，PID控制器有較大的超調(diào)量，模糊PID控制器和改進(jìn)模糊PID控制器基本沒(méi)有超調(diào)，同時(shí)改進(jìn)模糊PID控制器相較模糊PID控制器上升時(shí)間縮短了56.25%，穩(wěn)定時(shí)間縮短了47.06%。在受到信號(hào)干擾后，改進(jìn)模糊PID控制器最大擾動(dòng)幅值適中且恢復(fù)時(shí)間最短。改進(jìn)模糊PID控制器能夠更好地滿足礦井局部通風(fēng)機(jī)的控制要求，對(duì)礦井局部通風(fēng)機(jī)的變頻控制系統(tǒng)優(yōu)化具有一定意義。