电子膨胀阀调节发器过热度的控制算法.docVIP

电子膨胀阀调节蒸发器过热度的控制算法 　　复杂性等条件的制约，实际中应用的不多。 　　对蒸发器这样模型易受外界影响而发生变化的系统，要获得好的控制效果，除了采用自适应算法，输入或输出论域优化两种情况。在线优化时，人担负着辨识系统模型和优化控制的双重任务，这两种任务直是控制理论难于协调的矛盾。考虑到制冷系统控制的安全性和实时性要求，采用离线优化的方法。2.1优化目标及优化参数同其他优化方法样，遗传算法也有优化目标，但在遗传算法中它还有个专有的名称，性能评价指标，用以计算各样本的适配值。性能评价指标根据所求解的问确定。在蒸发器过热度控制系统中。选取的优化1标为际值的偏差，7为采样周期为采样次数，即第次采样，刻；力=2，2，1为阀开度的变化；冰2为加权系数。 　　过热度偏差的平方和作为优化目标之，既可反映过热度反应的速度，可反映过热度稳态偏左。 　　将阀开度变化的平方和作为个性能指标的原因在减小电子膨胀阀开度变化可使调节过程平稳。1时，有利于提高电子膨胀阀及其驱动电路的寿命。 　　近年来，许多学者用遗传算法自动生成模糊控制；！如勺控制规则和炎属度凼数，提出了许多方法。 　　这些方法可以归为几类由人设定模糊控制规则的集合，只学习生成模糊集合的隶属度函数，2由公设娜，数呢，只学观开始越来越多地受到敢视。但模糊控制规则及隶属度纳数的确定依赖于人的经验。，模糊拉制输入变量较多或输入论域所定义的模糊变量较多时，模糊控制所能列举的规则集合数非常大，要找出最优的规则很困难，有时甚至是不可能的。当前翅模糊规则的优化主要采用神经网络的方法。但由于神经网络存网络结构和网络规模较为4杂以及学习收敛性差等问，至今没有获得令人满意的结果。本文将遗传算法引入蒸发器过热度的模糊控制中，使模糊控制具有定的自学习能力。 　　1模糊控制蒸发器过热度模糊控制系统1.其中，押分别为过热度偏差过热度偏差变化率及执行器的输出的，度；和分别为它们对应的梭糊变最为所控制的参数过热度1为。1隶属度函数的形状如角形钟形等1对控制性能的影响不是很大，而其幅宽的大小，也就是隶属度函数的重叠率对性能影响较大。如果隶属度函数着对这些区间的输，模糊拧制没有输出。咳1而收敛性不好；如果隶属度函数的幅宽过大，规则间相互影响加人。采用对称全交迭的角形函数作为隶属役数。付输入论域和输出论域分别选择不同的比例因子心=3.5，沿=70，沁=0.5，将输入论域乃和输出论域仍分别化为7范围，并定义51模糊子取负人规负小，厂，及1小找心，它们的隶，度函数如阁2，其中，为影响隶属度函数形状待优化的参数。模糊控制规则1.采用，大取小1算法作为模糊推理方法，以重心法作为解模糊的方法。 　　2遗传算法优化模糊控制的隶属度函数遗传算法人是种模拟生物群体遗传和进化机理的优化算法，实质上是进化论的数学模型沿9磁翻离线，笕，规则分阶段学4模糊规则和模糊集介的浓属度函数同时学习模糊控制规则和模糊集合的隶属度函数。 　　对定转速压缩机的制冷系统，蒸发器过热度控制可简化为单输入输出系统，此时过热度与电子膨胀阀开度的对应关系较为简单，模糊控制规则也较为简单，我们所关心的只是过热度与阀开度之间的定量关系。为此选择方法即由人设定模糊控制规则的集合，只学4生成模糊集合的汆屈度函数。 　　选择付称全交迭的角形凼数作隶属度凼数2，对于输入论域0和输出论域的隶属度函数，有3个可优化的参数，分别为，3. 　　2.2遗传算法的步笈编码。应用遗传算法的关键之是遗传编码问，即染色体的结构。遗传算法优化的参数只有3个，即。131参数取值都为07，可随机产生07之间的整数，并将它们转化为进制，即完成遗传算法编码。如采优化的参数较多。就应充分考虑各参数之间的组成结构以及相互的约，条件等问，否优化过程尤法迸。 　　产生初始样本群。随机产生定数目的染色体即定数目候选的规则作为初始样本，设定最大的迭代次数86610，数。这里取初始样求各柞本的适配值。确定最优化的指标数人用每个样本对应的组寻优参数进行实验，求出相应的指标数值。并按从优到劣的次斤排列。则繁殖。求出各样本的繁殖概率对种群中各样本，按它的乃值选择不同的数董，作为父母样本，并随机地两两配对，用交叉和变异的方法繁殖后代。 　　交叉运算。在父母样本4忍的字符串中随机地产生个分断点，将分断点之后的子串互换，生成2个子女样本，15如变异。在每个子女样本的字符串中随机地7选择。将新产生的子女样本加入原种群中，求出新样本的指标函数值。在扩充后的种群中选出，个好的样本，组成新种群。 　　转到步骤3直至达到迭代的终止条件。 　　将最好的样木编码转成优化参数3实验装置实验系统3，其中制冷装置的组成部件及其主要参数如下。 　　使用电压22050出，名义功率745.，工质只12，气缸行程容积32.71⑵冷凝器为翅片朽或风冷詹内径，