叶片模温智能控制研究进展

来源:用户上传      作者:管鹏飞　冯立超　孙立

　　摘  要：叶片是风力机最为关键的部位之一，而叶片模具加热过程中的温度控制效果对于叶片的质量起着至关重要的作用。分析了现有的两种加热方式的特点以及温度控制效果，比较了它们在具体模具加热应用中的优缺点。并介绍了近年来在温度控制领域应用的最为广泛的遗传算法、模糊控制以及神经网络。还分析了这几种智能控制方法的原理、特点。
　　关键词：叶片  模具加热  温度控制
　　中图分类号：TM62    文献标识码：A 文章编号：1672-3791（2019）09（a）-0053-02
　　1  研究背景
　　风力发电具有造价低、可靠性高、装机灵活和维护简便等优点，作为一种典型的清洁能源，近年来发展迅速[1]。尤其是在那些实行激励措施的国家，发展得相当快。要将风能转换为电能就需要通过风力发电机，而风电叶片作为采集风能的重要工具其产品质量对于整个风电机组的能否良好运行起着决定性的作用[2]。叶片的生产加工工艺步骤繁多且复杂，其中最为关键的因素即是模具生产过程中的温度控制[3]。鉴于要求叶片生产过程中的温差要控制在±2℃，所以一旦温度较低就会造成叶片固化效果不好从而较低最终的产品质量，温度过高则可能会造成叶片损坏。然而传统的模具温度控制系统的时滞性比较大而且自适应性差，因此需要通过与智能算法相结合才能满足较为复杂的要求。
　　2  智能温度控制研究现状
　　因为当前的叶片模具加热系统加热过程中影响温度变化的因素较多而且温度和时间以W、及输出功率之间的关系是不确定的，所以在模具加热过程中很容易出现叶片大梁、腹板以及叶尖区域的温度不一样的现象。然而无论是采用经典的控制理论还是现代的控制方法都很难使得叶片的各个区域的温度控制达到差不多的效果。由于近年来智能控制算法在各行各业运用得越来越多，国内研究人员就考虑到在传统得控制系统基础上加入智能控制算法，通过智能控制算法来实现对温度控制过程的变量参数优化，从而得到想要的控制效果。遗传算法、模糊控制和神经网络等智能控制算法是目前使用较多的优化算法。
　　2.1 遗传算法
　　遗传算法的基本方法是通过把种群转变成实际问题的解，然后再通过模仿生物种群进化过程中的选择、交叉以及变异过程获得更多的个体通过不断比较来获得最优解。遗传算法本质上是一种并行、高效的搜索的方法，因此常常被用于参数的寻优之中。基于遗传算法的寻优特点，所以它常被用于与传统控制方法相结合来获得更好的控制效果。梁达平等人[4]针对IC芯片烘箱在温度控制中因腔体均匀性差导致调节效率低的问题，在温度控制程序中引入了自适应在线遗传算法PID控制策略，明显提高了其温度调节速率，并具有良好的动态特性和鲁棒性。杨芳权等人[5]针对半导体激光器工作温度随时间变化存在漂移和不稳定的问题，设计了基于遗传算法的半导体激光器温度控制系统，通过遗传算法模型来分析被控对象的物理特性，利用遗传算法的快速搜索能力来训练温度控制的权系数。实验表明，该系统能够实现高精度和宽范围的控制效果，具有较好的工程应用价值。
　　2.2 模糊PID控制
　　目前，模糊PID控制系统在温度控制领域应用得十分广泛并且能够取得理想的效果。陈立刚[6]将模糊PID控制应用在退火炉的温度控制系统中，通过将两种控制方式相结合实现了PID参数在线自整定，而且试验证明复合控制系统鲁棒性强、适应性强、控制精度强，取得了很好的效果。史德全等人[7]则更进一步将专家决策与模糊PID控制相结合设计的专家模糊PID控制系统运用于加热炉的温度控制中，通过专家决策来降低设定值附近的温度冲击并且利用模糊PID控制来实现温度的控制，以此获得更为精确的温度控制效果。鉴于工业环境中的咖啡烘焙机的温度控制没有十分适用的系统，Wagner Fontes等人[8]基于模糊邏辑设计了一种利用智能系统对咖啡烘焙机进行温度控制的方法，采用模糊控制器为PID控制器提供参考参数从而提高了该过程的运行效率。
　　2.3 神经网络控制
　　神经网络是人们根据对于人脑以及各种生物原型的研究，然后在此基础上建立的各种算法以及数学模型，以期望能通过计算机来模仿人脑从而解决各种问题。神经网络的特点主要是以决策变量的编码来作为运算对象，然后以目标函数值来作为搜索信息，并通过自适应的概率搜索技术来同时进行解空间的多点搜索。目前神经网络在控制系统中的应用主要是通过神经网络来对那些难以描述的复杂对象建模，还有就是利用神经网络来组成一些能够实际应用的系统，例如处理某种信号、对于不同模式的识别、制作机器人、构筑专家系统甚至是以上几种功能的综合。通过将传统的PID控制与神经网络相结合可以得到多种不同的新控制方法，例如，基于多层网络的PID控制、基于多层向前网络的PID控制和基于单神经元的PID控制等。
　　近年来，神经网络PID控制凭借其自适应、自学习的特点，在温控领域也渐渐得到应用。党霞[9]在分析注塑机的机械结构以及工作原理，利用基于神经网络的自学习、自适应能力，将传统PID控制与神经网络结合，采用梯度下降法实时调整PID的3个参数，使得注塑机在在工作过程中的温度控制有了更好的自适应性，从而在整体上优化了注塑机料桶的稳定性及其多段的控制精度。
　　3  展望
　　随着能源需求的快速增长，风力这种可清洁再生能源势必得到广泛的应用而风力发电又是目前风力应用的主要领域，所以风力叶片质量的重要性不言而喻。过去的风力叶片质量由于控制方式的限制而无法进一步优化，而近年来随着遗传优化算法、模糊PID控制以及神经网络这些智能控制优化算法在工业控制领域越来越广泛的应用，相信必定能够解决传统叶片模具温度控制中存在的很多问题，让风机叶片行业飞速发展。
　　参考文献
　　[1] Ibrohim Rustamov .Design and Structural studies of Composite Wind Turbine Blade using Finite Element Method[D].Harbin Institute of Techndogy，2012.
　　[2] 李雪梅，王红飞.智能控制在模具温控成形中的应用[J].机械设计与制造，2007（1）：137-138.
　　[3] 韩超，刘晓宇，董宇翔.欧姆龙PLC在叶片成型模具多路温度控制中的应用[J].智慧工厂，2011（5）：49-51.
　　[4] 梁达平，赵利民，蔡志元.基于遗传算法的PID控制在IC芯片烘箱中的应用[J].电子与封装，2018（11）：9-14.
　　[5] 杨芳权，江渝川.基于遗传算法的半导体激光器温度控制系统[J].沈阳工业大学学报，2019，41（4）：445-450.
　　[6] 陈立刚.模糊PID控制在罩式退火炉温度控制系统中的应用[A].中国计量协会冶金分会2018年会论文集[C].2018.
　　[7] Dequan S，Guili G，Zhiwei G，et al. Application of Expert Fuzzy PID Method for Temperature Control of Heating Furnace[J].Procedia Engineering，2012，29（4）：257-261.
　　[8] Godoy WF，Silva IND，Goedtel A，et al.Fuzzy Logic Applied at Industrial Roasters in the Temperature Control[J].Ifac Proceedings Volumes，2013，46（7）：450-455.
　　[9] 党霞.基于自适应神经网络PID的注塑机温度控制[J].合成树脂及塑料，2018（6）：83-86.
转载注明来源:https://www.xzbu.com/8/view-15054485.htm