Language
Optimisation des paramètres du contrôleur PID pour le système de contrôle de l'eau et des engrais basé sur l'algorithme de luciole adaptatif à attraction partielle
MaisonMaison > Nouvelles > Optimisation des paramètres du contrôleur PID pour le système de contrôle de l'eau et des engrais basé sur l'algorithme de luciole adaptatif à attraction partielle
DERNIÈRES NOUVELLES

Optimisation des paramètres du contrôleur PID pour le système de contrôle de l'eau et des engrais basé sur l'algorithme de luciole adaptatif à attraction partielle

Aug 21, 2023

Rapports scientifiques volume 12, Numéro d'article : 12182 (2022) Citer cet article

1941 Accès

2 Citations

1 Altmétrique

Détails des métriques

Le contrôle proportionnel intégral dérivé (PID) est la principale méthode de contrôle dans le processus de régulation de l'eau et des engrais agricoles, et son réglage des paramètres affecte directement l'effet de contrôle de la régulation de l'eau et des engrais. Cependant, les paramètres PID traditionnels sont ajustés manuellement, par exemple en utilisant la méthode de proportionnalité critique, qui prend du temps et difficile à obtenir des effets de contrôle optimaux. Pour résoudre la combinaison optimale des paramètres de contrôle PID et améliorer l'effet de contrôle de la régulation de l'eau et des engrais, un algorithme de luciole adaptatif à attraction partielle (PAAFA) est proposé dans cet article. Plus précisément, une stratégie d'attraction partielle est conçue pour accélérer la convergence du PAAFA et réduire le problème d'oscillation au stade tardif de l'algorithme. De plus, un opérateur de poids d'inertie adaptatif est proposé pour équilibrer la capacité de recherche globale et la capacité de recherche locale de PAAFA et éviter que l'algorithme ne se piégeage dans l'optimum local. Par la suite, pour tester les performances de PAAFA, l'algorithme est soumis à une série d'expériences de simulation et d'essais au banc avec les méthodes les plus récentes, à savoir l'algorithme génétique (GA), l'algorithme génétique adaptatif (AGA) et l'algorithme Firefly (FA) appliqués à Problèmes d'optimisation des paramètres PID. Les résultats de la simulation démontrent que les temps de régulation de la courbe de réponse du contrôle PID à base de PAAFA sont réduits de 22,75 %, 10,10 % et 20,61 %, respectivement, par rapport à GA, AGA et FA. Les résultats des tests au banc montrent que le contrôle PID basé sur PAAFA a la plus petite erreur relative et la meilleure précision de contrôle par rapport à GA, AGA et FA, avec une réduction moyenne de l'erreur relative de 3,99, 2,42 et 3,50 points de pourcentage respectivement.

La technologie d'intégration de l'eau et des engrais intègre le processus d'irrigation et le processus de fertilisation pour réaliser des économies d'eau et d'engrais dans le processus agricole, qui est l'une des directions de développement de l'agriculture moderne. Grâce au réservoir de mélange d'engrais, à la pompe à eau et au réseau de tuyaux d'irrigation goutte à goutte, le système d'irrigation et d'application d'engrais ajoute de l'engrais soluble dans l'eau à l'eau d'irrigation et le livre aux racines des cultures pour atteindre l'objectif d'approvisionnement en eau et d'engrais à la demande et de l'eau -économiser l'irrigation1,2. Dans le processus d'irrigation et de fertilisation, le dispositif d'irrigation et de fertilisation contrôle avec précision l'approvisionnement en eau et la quantité de fertilisation dans la plage de contrôle optimale pour faciliter le développement du système racinaire des cultures et la croissance des cultures3. De plus, l'uniformité et la stabilité du débit d'eau et d'engrais dans le système d'irrigation et de fertilisation sont liées à la précision du contrôle de la quantité d'engrais des cultures. Par conséquent, un contrôle précis de la régulation de l'eau et des engrais en fonction des besoins en eau et en engrais des cultures est la clé pour réaliser une irrigation économe en eau.

Étant donné que le processus de régulation de l'eau et des engrais du système d'irrigation et d'engrais présente des problèmes de non-linéarité, de variation dans le temps et d'hystérésis, ce qui peut affecter la précision et la stabilité du système d'irrigation et d'engrais de contrôle de l'eau et des engrais, une méthode de contrôle avec une précision de contrôle élevée et une bonne la stabilité est nécessaire. Parce que le contrôleur PID traditionnel présente les avantages d'un algorithme simple, d'une bonne stabilité robuste, d'une grande fiabilité, d'un faible coût et d'une large gamme d'applications, il est devenu l'une des principales méthodes de contrôle des processus d'irrigation et de fertilisation4,5,6,7. À l'heure actuelle, les utilisateurs peuvent obtenir la précision et la stabilité de contrôle requises en ajustant les paramètres correspondants du contrôleur PID du système d'irrigation et de fertilisation, pour réaliser l'irrigation et la fertilisation intégrées des cultures et obtenir de meilleurs résultats de contrôle.

L'effet de contrôle et la stabilité du contrôle PID dépendent principalement de la structure du contrôleur PID et de la combinaison des trois paramètres de contrôle KP, KI et KD. Par conséquent, l'amélioration de la structure du contrôleur PID et la résolution de la combinaison optimale des paramètres de contrôle PID sont deux directions de recherche principales pour améliorer l'effet de contrôle du PID et le réglage des paramètres du contrôle PID est le meilleur problème d'optimisation combinatoire dans les problèmes NP-difficiles8,9, dix. Les méthodes traditionnelles d'ajustement des paramètres PID, telles que la méthode de la courbe de décroissance et la méthode de réponse échelonnée de Ziegler-Nichols, sont principalement effectuées par expérience manuelle, ce qui rend le processus d'ajustement des paramètres du contrôle PID compliqué et fastidieux11. De plus, la méthode traditionnelle de réglage des paramètres PID ne peut pas produire la meilleure combinaison des trois paramètres de contrôle KP, KI et KD, qui est incapable de répondre aux exigences de contrôle du système d'irrigation et de fertilisation et est difficile à adapter aux besoins. de l'automatisation agricole moderne12. Par conséquent, l'efficacité de la réalisation de l'optimisation des paramètres du contrôle PID devient la clé de l'amélioration de la technologie de contrôle PID.

Ces dernières années, inspirées par la biologie, la communauté académique a proposé d'utiliser des algorithmes d'intelligence en essaim pour l'optimisation des paramètres de contrôle PID, tels que l'algorithme de colonie de fourmis (ASO), GA, etc.13,14,15. Cependant, lors du processus d'optimisation des paramètres de contrôle PID, les algorithmes d'optimisation de l'intelligence en essaim présentent certains problèmes, tels qu'un paramétrage complexe, une capacité d'optimisation globale limitée, une faible adaptabilité et une faible précision. Le FA est un nouvel algorithme d'intelligence en essaim, qui a été largement utilisé dans les applications de calcul scientifique et d'ingénierie en raison de son idée d'algorithme simple, de quelques paramètres à ajuster et de la mise en œuvre facile du programme16,17. Plus précisément, FA montre de meilleures performances dans de nombreux problèmes scientifiques, mais il a encore certaines limites, telles qu'une convergence lente et la tendance à piéger l'optimalité locale dans les problèmes complexes.

Par conséquent, cet article propose un nouvel algorithme de luciole adaptatif à attraction partielle (PAAFA) pour effectuer l'optimisation des paramètres du contrôle PID. Premièrement, une stratégie d'attraction partielle pour le renouvellement individuel des lucioles est proposée pour accélérer la convergence de l'algorithme et réduire le problème d'oscillation. De plus, un opérateur de poids d'inertie adaptatif est conçu pour éviter que l'algorithme ne se coince dans l'optimum local à un stade ultérieur. Par la suite, grâce à une série d'expériences de simulation, cet article prouve que le PAAFA peut optimiser efficacement les paramètres de contrôle PID et améliorer l'effet de contrôle et la stabilité du contrôle PID.

L'objectif principal de cet article est d'améliorer l'effet de contrôle PID du processus de régulation de l'eau et des engrais en résolvant la combinaison optimale de paramètres de contrôle PID via PAAFA dans des conditions hors ligne. La principale réalisation de ce document est répertoriée comme suit :

Un modèle mathématique d'un système de contrôle de flux dans le processus de régulation de l'eau et des engrais est établi et un nouveau PAAFA est proposé. Le PAAFA combine les avantages de la stratégie d'attraction partielle et de l'opérateur adaptatif et est appliqué au processus de régulation de l'eau et des engrais pour l'optimisation des paramètres PID du système d'irrigation et d'application d'engrais, ce qui améliore considérablement la précision de contrôle du contrôle PID.

Une nouvelle stratégie d'attraction partielle pour le renouvellement individuel des lucioles est proposée. La stratégie d'attraction peut réduire la complexité du temps de calcul et accélérer la convergence de l'algorithme tout en maintenant la diversité de la population. De plus, cela peut réduire le nombre de mouvements de luciole et le problème d'oscillation du PAAFA au stade avancé de l'algorithme.

Un nouvel opérateur de poids d'inertie adaptatif est proposé. L'opérateur modifie dynamiquement les pondérations de la formule de mise à jour de position en fonction du nombre d'itérations, de sorte qu'il peut équilibrer la capacité de recherche globale et la capacité de recherche locale de l'algorithme et éviter le piégeage dans l'optimum local.

L'organisation de cet article pourrait être formulée comme suit. Dans la section "Travaux connexes", les travaux de recherche liés à l'optimisation des paramètres de contrôle PID dans les systèmes d'intégration d'eau et d'engrais sont présentés. Dans la section "Modèle mathématique du système de contrôle PID pour le système d'intégration de l'eau et des engrais", le modèle mathématique du système de contrôle PID du système d'intégration de l'eau et des engrais est établi. Dans la section "Optimisation des paramètres PID basée sur PAAFA", PAAFA est proposé pour l'optimisation des paramètres des régulateurs PID. Dans la section "Résultats et discussion", les résultats de la simulation et la discussion sur les performances de l'algorithme de PAAFA sont présentés. Enfin, la section de conclusion est donnée dans la section "Conclusion et perspectives d'avenir".

L'intégration de l'eau et des engrais est une technologie agricole très efficace et économe en eau reconnue dans le monde d'aujourd'hui. Il fournit principalement de l'eau et des engrais aux cultures de manière précise, régulière et quantitative en même temps en utilisant des équipements d'irrigation en fonction des caractéristiques du sol et de la règle de croissance des cultures18. La fertilisation par irrigation est une technique de fertilisation progressive qui permet de réapprovisionner la culture en eau et en engrais à intervalles réguliers, favorisant ainsi l'absorption d'eau et d'engrais par la culture19. Jing Hu et al.20 ont conçu une expérience comparative pour démontrer que l'irrigation goutte à goutte avec une technologie intégrée d'eau et d'engrais améliore l'efficacité de l'utilisation de l'eau et de l'azote et la stabilité de la production par rapport à l'irrigation diffuse conventionnelle et à la surfertilisation. Par conséquent, un contrôle précis du processus de régulation de l'eau et des engrais à l'aide de technologies raisonnables d'économie d'eau et d'engrais dans l'agriculture est un outil important pour parvenir à un développement agricole durable.

Le contrôle PID est le contrôleur en boucle fermée le plus populaire et le plus simple pour le processus de régulation de l'eau et des engrais, qui peut atteindre la précision et la stabilité de contrôle requises, et l'effet de contrôle en ajustant les paramètres correspondants. Yubin Zhang et al.21 ont conçu une technique de contrôle basée sur le contrôle PID pour un contrôle précis de la densité de l'eau et des engrais pendant la fertilisation agricole et la période d'irrigation, et les résultats ont montré que ce système de contrôle PID a l'avantage d'une grande précision de contrôle. Cependant, les performances de contrôle de ce système de contrôle diminuent lorsque la densité d'engrais varie fortement. Pour garantir la précision du contrôle, Boyu Wang et al.22 ont utilisé le PID pour contrôler les ratios d'eau et d'engrais et ont établi un modèle de paramétrage en ligne utilisant le réseau neuronal RBF pour obtenir un contrôle précis et rapide des ratios. Les résultats ont montré que l'effet de contrôle du RBF-PID est plus précis et stable que le contrôle PID. Teresa Arauz et al.23 ont conçu un contrôleur PI basé sur l'inégalité matricielle linéaire (LMI) pour résoudre le problème de contrôle optimal. Les résultats de la simulation ont montré que le nouveau contrôleur peut améliorer l'effet de contrôle de 30 % et peut contrôler efficacement le niveau d'eau du canal d'irrigation. En raison des problèmes de non-linéarité, de variation dans le temps et d'hystérésis dans le processus de régulation de l'eau et des engrais, qui affecteront la précision et la stabilité du contrôle de l'eau et des engrais, la précision du contrôle PID conventionnel ci-dessus ne répond toujours pas aux exigences attendues.

Dans le processus de contrôle, le réglage des paramètres PID utilise souvent une méthode d'essai empirique pour ajuster progressivement les coefficients proportionnels, intégraux et différentiels afin d'obtenir l'effet de contrôle souhaité, comme la méthode de réglage des paramètres PID de retour de relais24. Ces méthodes doivent s'appuyer sur l'expérience et le débogage répété pour rectifier les paramètres PID avec un travail long et laborieux. De plus, la précision de contrôle ne peut pas répondre aux exigences lorsque la méthode traditionnelle de réglage des paramètres PID est utilisée dans le contrôle moderne de l'eau et des engrais. Alors que la science et la technologie continuent de se développer, l'objet de contrôle dans le domaine de l'ingénierie présente des caractéristiques telles que le décalage temporel et la non-linéarité, ce qui rend difficile pour la méthode traditionnelle d'ajustement des paramètres PID d'atteindre l'ajustement optimal des paramètres PID.

Pour les problèmes complexes de réglage des paramètres PID, de nombreux chercheurs utilisent des algorithmes d'intelligence en essaim pour optimiser les paramètres du contrôleur PID. Zhang et al.25 ont conçu un modèle de contrôle combinant le contrôle PID, le contrôle flou et le contrôle prédictif des gris pour l'ajustement du rapport eau-engrais et la précision du contrôle de l'irrigation dans l'irrigation agricole eau-engrais. Hekimoglu et al.26 ont proposé l'algorithme d'optimisation de la recherche atomique (ASO) et sa version modifiée pour déterminer les paramètres de contrôle du contrôleur PID pour la vitesse du moteur. Pour améliorer les performances de contrôle des turbines à gaz, une technique de contrôle hybride basée sur un algorithme d'optimisation d'essaim de particules modifié (PSO) et un algorithme de recherche de coucou (HIPSO_CS) est proposée par Yang et al.27 pour l'ajustement des paramètres PID. Les résultats de la simulation ont montré que la turbine à gaz contrôlée par le contrôleur PID flou basé sur HIPSO_CS a une réponse rapide du système et une bonne stabilité de contrôle. Cependant, les algorithmes d'optimisation de l'intelligence en essaim conventionnels, tels que ACO, GA, etc., ont des problèmes tels que les réglages de paramètres complexes, la complexité de calcul élevée des algorithmes et la capacité d'optimisation globale limitée.

Le FA présente les avantages d'un mécanisme évolutif clair, de moins de réglages de paramètres et d'une meilleure capacité de recherche en basse dimension, il est donc devenu récemment l'un des algorithmes importants dans le domaine du calcul évolutif. Jagatheesan et al.28 ont comparé les performances de l'algorithme FFA-PID proposé avec celles des contrôleurs PID basés sur GA (GAPID) et PSO (PSOPID) pour le même système d'alimentation, et les résultats ont montré que le système de contrôle PID basé sur FFA a le temps d'état stable le plus court. You et al.29 ont proposé une méthode pour optimiser les paramètres de contrôle PID en appliquant une FA améliorée avec un opérateur de pas adaptatif, et les résultats de la simulation ont montré que la méthode améliore la précision de contrôle du système, ce qui a conduit à un meilleur contrôle du mouvement AUV. . Wang et al.30 ont proposé un algorithme de luciole basé sur l'attraction du voisin (NaFA), qui place d'abord toutes les lucioles sur une topologie en anneau, puis prend k lucioles chacune devant et derrière comme voisines de la luciole I pour guider son mouvement, réduisant le l'apparition de phénomènes d'oscillation et l'amélioration de la stabilité. Yu31 a introduit un paramètre de probabilité P pour contrôler la fréquence d'attraction de la luciole, et cette méthode s'appelle le modèle d'attraction partielle. Cependant, les algorithmes tels que GA, FFA et NaFA proposés par les chercheurs ci-dessus appliqués à l'optimisation des paramètres PID sont lents à converger et sujets à se piéger dans l'optimum local dans les problèmes complexes.

Pour optimiser les paramètres du contrôle PID et améliorer l'effet de contrôle du contrôle PID, un nouveau PAAFA est proposé dans cet article pour effectuer l'optimisation des paramètres du contrôle PID. Une stratégie d'attraction partielle est proposée pour minimiser la complexité temporelle de l'algorithme et le problème d'oscillation dans la convergence tardive de l'algorithme. De plus, un opérateur de poids d'inertie adaptatif est conçu pour éviter que le PAAFA ne se coince dans l'optimum local à un stade avancé.

Pour optimiser les paramètres de contrôle PID du processus de régulation de l'eau et des engrais et réduire le temps de réponse du système de contrôle du dispositif d'irrigation et d'engrais, un modèle mathématique de contrôle de débit du processus de régulation de l'eau et des engrais est établi dans cet article. Dans le processus de régulation de l'eau et des engrais, le système de contrôle du dispositif d'engrais d'irrigation complète principalement le contrôle quantitatif du débit d'engrais, et son schéma fonctionnel de structure de contrôle est illustré à la Fig. 1. Dans ce processus, le système de contrôle prend la cible quantité d'application d'engrais \(r(t)\) donnée par le dispositif d'engrais d'irrigation comme entrée. Le capteur de débit collecte la quantité réelle d'engrais \(y(t)\) et la transmet au système de contrôle. Le système de contrôle calcule l'écart \(e(t)\) entre la quantité d'épandage d'engrais cible \(r(t)\) et la quantité d'épandage d'engrais réelle \(y(t)\) et le transmet au contrôleur PID. Ensuite, le contrôleur PID calcule et donne l'export \(u(t)\). Selon le \(u(t)\), le dispositif d'irrigation et de fertilisation contrôle le débit d'engrais dans le pipeline à travers l'onduleur et le moteur asynchrone, et réalise enfin le contrôle précis du débit d'engrais.

Schéma de principe du processus d'optimisation des paramètres PID.

Étant donné que le processus de régulation de l'eau et des engrais d'un système d'irrigation et d'application d'engrais est un objet de contrôle non linéaire décalé dans le temps, il est difficile d'obtenir un modèle mathématique exact, et les études connexes se rapprochent généralement du modèle de contrôle du débit du processus de régulation de l'eau et des engrais. comme équivalent.

Au fur et à mesure que le tuyau de sortie d'engrais du système d'irrigation et de fertilisation est rempli d'engrais, la vitesse de l'engrais dans le tuyau augmentera progressivement et atteindra un état stable, qui peut être considéré comme un lien d'inertie de premier ordre. Par conséquent, le modèle mathématique du tuyau de sortie d'engrais peut être approximativement équivalent à un lien d'inertie de premier ordre à décalage pur, qui peut être exprimé par la formule (1) :

où \(T_{1}\) est la constante de temps d'inertie du tuyau de sortie d'engrais ; \(k_{1}\) est le gain du tuyau de sortie d'engrais ; et \(\tau\) est la constante de retard du tuyau de sortie d'engrais.

Dans cet article, en ignorant l'inertie électromagnétique du moteur asynchrone triphasé, puis en effectuant une série de simplifications, d'approximations et en utilisant la linéarisation près de son point de fonctionnement statique, la fonction de transfert du moteur asynchrone triphasé après linéarisation peut être dérivée comme formule (2):

où \(T_{2}\) est la constante de temps d'inertie du moteur ; \(k_{2}\) est le gain du moteur.

Le système de contrôle de débit du dispositif d'irrigation et de fertilisation réalise le processus de démarrage progressif du moteur asynchrone triphasé via le convertisseur de fréquence. En règle générale, l'onduleur est réglé sur une alimentation en rampe, c'est-à-dire qu'un lien d'intégration avec un temps d'intégration réglable est ajouté du côté du réglage de la fréquence. Dans ce processus, l'onduleur peut être approché comme un lien proportionnel car le paramètre de temps de l'onduleur est beaucoup plus petit que son paramètre de temps d'hystérésis. De plus, étant donné que la commande de relais et la détection de débit peuvent également être considérées comme des liens proportionnels, la fonction de transfert de l'onduleur et des autres liens du système de contrôle de débit peut être assimilée à la formule (3) :

où \(k_{3}\) est le gain de l'onduleur et des autres liaisons du système.

En résumé, le modèle mathématique du système de contrôle de débit peut être considéré comme composé d'un lien d'inertie de premier ordre, d'une hystérésis pure du lien d'inertie de premier ordre, du lien d'hystérésis pur et d'un lien proportionnel en série, de sorte que le système de contrôle de débit fonction de transfert du dispositif d'irrigation et de fertilisation dans cet article peut être exprimée par la formule (4):

où \(k\) est le gain total du système,\(k = k_{1} \times k_{2} \times k_{3}\).

Étant donné que la fonction de transfert du système de contrôle de flux dépend de la structure et des paramètres réels du système lui-même, les paramètres de la fonction de transfert \(G(s)\) du système peuvent être déterminés après avoir déterminé la structure et le matériel du pompe à engrais et onduleur, qui sont indépendants d'autres facteurs. Par conséquent, sans tenir compte des interférences externes, les paramètres \(k,T_{1} ,T_{2} ,\tau\) du système de contrôle de flux exprimés dans la formule (4) peuvent être pris comme 400, 1, 5 et 10 respectivement, c'est-à-dire que la fonction de transfert du système peut être la formule (5):

Les paramètres du contrôleur PID, à savoir le coefficient de proportionnalité \(K_{p}\), le coefficient d'intégration \(K_{i}\) et le coefficient de différenciation \(K_{d}\), ont des impacts différents sur l'effet de contrôle PID . Le coefficient proportionnel \(K_{p}\) peut ajuster l'écart et améliorer la sensibilité de la commande en temps opportun, mais il ne peut pas supprimer l'erreur en régime permanent du système de commande PID. Le coefficient intégral \(K_{i}\) peut supprimer l'erreur d'état stable du système. Le coefficient différentiel \(K_{d}\) peut améliorer la vitesse de réponse du système et réduire l'oscillation, mais des coefficients intégraux et différentiels trop grands affecteront la stabilité du système. Par conséquent, l'optimisation des paramètres du contrôleur PID et la rectification de sa combinaison optimale peuvent améliorer l'effet de contrôle du contrôleur PID.

Le contrôleur PID est un contrôleur linéaire, qui calcule l'écart du système : \(e(t) = r(t) - y(t)\) en fonction de l'entrée système \(r(t)\) et de la sortie réelle \( yt)\). Le contrôleur PID traite le traitement proportionnel (P), intégral (I) et différentiel (D) de la déviation du système \(e(t)\) et contrôle l'objet contrôlé en formant une combinaison linéaire. Sa loi de commande peut être exprimée par la formule (6) :

En prenant la transformée de Laplace de l'équation. (6), la fonction de transfert peut être obtenue comme suit :

où \(u(t)\) est la sortie du régulateur PID ; \(T_{i}\) est la constante de temps d'intégration ; \(T_{d}\) est la constante de temps différentielle ; \(K_{i} = \frac{{K_{p} }}{{T_{i} }}\) est le coefficient d'intégration ; \(K_{d} = K_{p} *T_{d}\) est le coefficient différentiel.

Pour résoudre la combinaison optimale des paramètres du régulateur PID, un PAAFA est proposé dans cet article. FA a les caractéristiques de moins de réglages de paramètres et d'une forte capacité de recherche de faible dimension. Comparé à d'autres algorithmes heuristiques, FA a une capacité de recherche locale plus forte, mais il a la limitation de tomber facilement dans l'optimum local. Par conséquent, dans cet article, un coefficient de poids d'inertie adaptatif est ajouté à PAAFA pour éviter efficacement la situation dans laquelle l'algorithme tombe dans l'optimum local. De plus, contrairement à la FA standard, cet article propose une stratégie d'attraction partielle pour remplacer la stratégie d'attraction de la FA standard, ce qui peut réduire la complexité temporelle de l'algorithme et diminuer l'oscillation de l'algorithme. Plus précisément, cet article résout la combinaison optimale des paramètres du contrôleur PID en utilisant PAAFA, pour réduire le dépassement et le temps de régulation de la courbe de réponse du contrôleur PID et améliorer l'effet de contrôle du contrôleur PID.

La mise en œuvre du PAAFA repose sur les trois hypothèses suivantes.

Les lucioles sont neutres en termes de genre, c'est-à-dire que l'attraction mutuelle entre les lucioles ne prend en compte que la luminance individuelle.

L'attractivité des lucioles est positivement corrélée à la luminance lumineuse et négativement corrélée à la distance entre les individus.

La luminance absolue de la luciole dépend de la fonction objectif.

Cette section traite du processus algorithmique de PAAFA à partir du codage et de l'initialisation de l'algorithme, de la mise à jour de la luminance de la luciole, de la mise à jour de l'attraction de la luciole, de la stratégie d'attraction partielle, de la formule de mise à jour adaptative de l'emplacement de la luciole, etc.

Dans cet article, les paramètres \(K_{p}\),\(K_{i}\) et \(K_{d}\) du contrôleur PID sont pris comme paramètres de localisation des lucioles dans l'espace tridimensionnel du PAAFA. Ensuite, grâce à PAAFA et aux fonctions objectives associées, les lucioles optimales globales qui répondent aux exigences peuvent être résolues.

La première étape consiste à identifier la méthode d'encodage du PAAFA. Les paramètres du contrôleur PID sont des nombres réels et l'itération de l'algorithme de PAAFA est la mise à jour de la position spatiale de la luciole, de sorte que l'algorithme proposé dans cet article adopte un codage décimal. Pour le problème d'optimisation des paramètres du contrôleur PID, il est nécessaire de résoudre la meilleure combinaison de,\(K_{p}\)\(K_{i}\),\(K_{d}\) 3 paramètres, ce qui correspond à la position spatiale des lucioles dans l'espace tridimensionnel, de sorte que le codage décimal des lucioles individuelles peut être exprimé par la formule (8) :

Dans l'optimisation des paramètres du contrôleur PID, les valeurs des trois paramètres ont une certaine plage, donc cet article prend 0 ≤ \(x,y,z\) ≤ \(U_{b}\) ; l'initialisation de la population de lucioles peut être exprimée par la formule (9) :

où \(D = 3\) est la dimension de l'espace des solutions ; \(nPop\) est la taille de la population de lucioles ; \(Range\) est la taille de la plage de valeurs pour la position spatiale des lucioles, \(Range = U_{b}\).

Après avoir déterminé le codage des lucioles individuelles, le codage de la population de lucioles peut être exprimé par la formule (10) :

Dans le processus de régulation de l'eau et des engrais, le temps de régulation, le dépassement et l'erreur du système de contrôle du débit affecteront l'évaluation de l'effet de contrôle, de sorte que le temps intégré et l'erreur absolue (ITAE) sont adoptés pour refléter la réactivité et la précision de le système de contrôle. ITAE est choisi comme fonction objectif de PAAFA dans cet article, et sa formule est la formule (11).

Étant donné que l'objet de contrôle du système de contrôle de débit nécessite une petite modification de la sortie du contrôleur PID, cet article corrige la formule (11) en ajoutant le facteur de contrôle de sortie du contrôleur PID. Selon les recherches d'universitaires pertinents32,33, cet article fixe la limite supérieure de l'intégrale de l'équation. (12) être \(t_{sim}\). De plus, selon les trois hypothèses de PAAFA, la luminance de la luciole est déterminée par la fonction objectif de l'algorithme d'optimisation des paramètres PID, c'est-à-dire l'Eq. (12). Par conséquent, la formule de la fonction objective corrigée peut être exprimée par la formule (12).

où, \(c_{1}\), \(c_{2}\) sont les coefficients de pondération de la sortie du contrôleur ITAE et PID respectivement, \(c_{1} + c_{2} = 1\);\(t_ {sim}\) est le temps de simulation ;\(I_{i}\) est la luminance absolue de la luciole \(i\), c'est-à-dire l'intensité lumineuse de la luciole \(i\) à la source lumineuse (\( r\) = 0).

Considérant que la luminance de la luciole \(i\) diminue avec l'augmentation de la distance et l'absorption d'air, la luminance relative de la luciole \(i\) à la luciole \(j\) peut être définie comme :

où \(I_{ij} (r_{ij} )\) est l'intensité de la lumière de la luciole \(i\) à l'emplacement de la luciole \(j\), et la distance entre les deux est \(r_ {ij}\). \(\gamma\) est le coefficient d'absorption lumineuse, qui indique le taux d'absorption de la lumière par l'air, qui affecte la variation de l'attraction \(\beta_{ij} (r_{ij} )\), et est généralement défini comme une constante. \(r_{ij}\) est la distance cartésienne entre la luciole \(i\) et \(j\), et sa formule est :

où \(X_{i}\), et \(X_{j}\) sont l'emplacement spatial des lucioles \(i\), \(j\), respectivement ; \(k\) est la dimension de la position spatiale.

Dans PAAFA, la taille de l'attraction des lucioles détermine sa vitesse de convergence et sa capacité de recherche. En supposant que la luminance absolue de la luciole \(i\) est supérieure à celle de la luciole \(j\), la luciole \(j\) est attirée par la luciole \(i\) et se déplace vers la luciole \( je\). La taille de cette attraction est dictée par la luminance relative de la luciole \(i\) à la luciole \(j\). Plus la luminance relative est grande, plus l'attraction de la luciole est grande. Par conséquent, l'attraction \(\beta_{ij} (r_{ij} )\) de la luciole \(i\) vers la luciole \(j\) peut être exprimée par la formule (15).

où \(m\) est généralement pris égal à 2 ; \(\beta_{0}\) est l'attraction initiale, c'est-à-dire l'attraction à la source (\(r = 0\)), et \(\beta_{0}\) peut être pris égal à 1.

Le système de contrôle du système d'irrigation et de fertilisation nécessite une stabilité de contrôle élevée, de sorte que l'algorithme d'optimisation des paramètres du contrôleur PID doit avoir une vitesse de convergence rapide de l'algorithme et moins de possibilité d'oscillation de l'algorithme. La mise à jour individuelle standard des lucioles FA utilise la stratégie d'attraction complète, dont le schéma de stratégie est illustré à la Fig. 2a, c'est-à-dire que chaque luciole est comparée séparément aux autres lucioles et se déplace une fois vers chaque luciole plus brillante qu'elle. La stratégie de toute attraction a deux inconvénients, (i) la luciole est trop influencée par d'autres lucioles pendant le mouvement, ce qui provoque trop d'oscillations pendant le mouvement et affecte donc le taux de convergence du FA. (ii) Lorsque la taille de la population \(nPop\) est significative, chaque luciole doit être comparée à d'autres lucioles, de sorte que la complexité en temps de calcul de l'algorithme sera plus élevée.

Diagramme schématique de la stratégie d'attraction totale et de la stratégie d'attraction partielle : (a) stratégie d'attraction totale ; (b) stratégie d'attraction partielle.

Pour résoudre les problèmes de complexité de calcul élevée et de lente convergence de FA, cet article propose une stratégie d'attraction partielle pour les mises à jour individuelles des lucioles, c'est-à-dire que dans la stratégie d'attraction, chaque luciole ne sera attirée que par \(m\) lucioles dans la luciole la plus brillante. population et générer des mises à jour de position. Plus précisément, premièrement, toutes les lucioles sont triées par luminance, le nombre de lucioles avec une luminance supérieure à la \(i\)-ième luciole est déterminé comme \(U\) et la population de lucioles est sélectionnée comme \(UPop\).

Deuxièmement, pour réduire la complexité du temps de calcul de l'algorithme et pour maintenir la diversité de la population dans l'algorithme, cet article introduit le principe de Pareto34,35 (c'est-à-dire la règle de la minorité clé ou la règle des quatre-vingt-deux) et la stratégie de sélection à la roulette pour capturer les principales influences. facteurs dans la population de l'algorithme. Dans cet article, des lucioles \(m\) sont sélectionnées dans la population de lucioles \(UPop\) pour former une population de lucioles d'élite \(mPop\), et les mises à jour correspondantes d'attractivité et de localisation sont effectuées. Dans cet article, le rapport de \(m\) à \(U\) est pris égal à 0,2 selon le principe de Pareto. Par conséquent, le nombre \(m\) de la population d'élite de lucioles \(mPop\) est calculé selon la formule (16).

où, \(1 \le U < nPop\); Lorsque \(U = 0\), la luciole \(i\) est la luciole la plus brillante \(ibest\) de l'itération en cours. Cette luciole se déplace de manière aléatoire et la méthode de mise à jour de la position est la formule (18).

La figure 2 montre un exemple de comparaison entre la stratégie d'attraction totale et la stratégie d'attraction partielle. La luciole \(j_{0}\) est une luciole avec un classement de luminance de 11, et la position de la luciole \(j_{1}\) est la position de la luciole \(j_{0}\) après la mise à jour de la position. Dans la stratégie d'attraction complète, la luciole \(j_{0}\) est attirée par 10 lucioles plus brillantes et se déplace 10 fois pour terminer la mise à jour de la position, et sa position mise à jour est illustrée à la Fig. 2a. Finalement, la luciole \(j_{0}\) se déplace 4 fois vers la luciole optimale globale \({\text{O}}\) et s'éloigne 6 fois de la luciole optimale globale \({\text{O}}\) . Par conséquent, l'algorithme produit plus d'oscillations. Cependant, dans la stratégie d'attraction partielle, la luciole \(j_{0}\) n'est attirée que par 2 des 10 lucioles les plus brillantes et se déplace 2 fois chacune pour terminer la mise à jour de la position, et sa position mise à jour est illustrée à la Fig. 2b. Dans ce processus, la luciole \(j_{0}\) se déplace 2 fois vers la luciole optimale globale \({\text{O}}\) et ne se déplace pas dans la direction éloignée de la luciole optimale globale \({\ texte{O}}\). Il n'y a pas d'oscillation dans l'algorithme. Par conséquent, la stratégie d'attraction partielle de PAAFA réduit le nombre de mouvements de luciole, accélère la convergence et atténue le phénomène d'oscillation de l'algorithme.

Les paramètres du contrôleur PID sont exprimés sous forme de coordonnées de la position spatiale tridimensionnelle, et la mise à jour de la position de la luciole est directement liée à l'optimisation des paramètres du contrôleur PID. Attiré par Firefly \(i\), Firefly \(j\) se décale vers Firefly \(i\) et met à jour sa position. La formule de mise à jour de la position de luciole \(j\) est indiquée dans la formule (17) :

où \(X_{j} (t + 1)\) est l'emplacement de la luciole \(j\) à un instant \(t + 1\) ; \(X_{j} (t)\) est l'emplacement de la luciole \(j\) à l'instant \(t\). \(\beta_{ij} (r_{ij} )[X_{i} (t) - X_{j} (t)]\) représente le déplacement de la luciole \(j\) dû à l'attraction de la luciole \( je\). \(\alpha \varepsilon_{j}\) est le terme de perturbation, où \(\alpha\) est un pas aléatoire, généralement constant. \(\varepsilon_{j}\) est un nombre aléatoire résultant d'une distribution uniforme, ou d'une autre distribution.

De plus, comme les autres lucioles ne peuvent pas attirer la luciole la plus brillante \(ibest\) du nombre actuel d'itérations, la luciole \(ibest\) déplace sa position de manière aléatoire et sa formule de mise à jour de position est (18).

Dans l'itération tardive de FA standard, la distance entre les lucioles devient plus petite et l'attraction \(\beta_{ij} (r_{ij} )\) devient plus grande, ce qui conduit à une augmentation de la distance \(X(t + 1 )\) pour mettre à jour la position des lucioles. Par conséquent, la combinaison des paramètres PID oscille de manière répétée autour du point de valeur extrême dans l'itération tardive de FA, ce qui rend impossible la résolution de la combinaison optimale des paramètres de contrôle PID.

Pour résoudre les problèmes ci-dessus, une formule de coefficient de pondération d'inertie adaptative et une formule de mise à jour adaptative de position de luciole sont proposées. La formule de coefficient de pondération adaptative ajuste dynamiquement la taille du coefficient de pondération en fonction des temps d'itération de l'algorithme et de la valeur d'adaptation actuelle de la luciole, ce qui peut l'empêcher de se piéger dans l'optimum local. La formule du coefficient de poids d'inertie adaptatif proposée dans cet article est présentée dans la formule (19).

où \(w_{\max }\), \(w_{\min }\) sont respectivement les coefficients de poids maximum, respectivement les coefficients de poids minimum, pris comme \(w_{\max } = 0,9\), \(w_{\ min } = 0,2\). \(t\) est le nombre d'itérations en cours, \(t_{\max }\) est le nombre d'itérations maximum. \(f_{avg}^{t - 1}\) est la valeur moyenne de la fonction objectif de l'itération \(t - 1\), et sa formule est indiquée dans la formule (20).

où \(i \in (1,nPop)\).

La formule adaptative pour la mise à jour de la position des lucioles avec l'introduction de coefficients de pondération adaptatifs peut être assimilée à la formule (21).

Si la boucle de PAAFA atteint le nombre maximum d'itérations, l'algorithme arrête la boucle et affiche le résultat, sinon, l'étape d'exécution de l'algorithme revient à l'étape 4.2.

Étape 1 Les paramètres pertinents de PAAFA sont initialisés et les lucioles de la population sont dispersées de manière aléatoire dans l'espace des solutions du problème d'optimisation.

Étape 2 La luminance absolue des lucioles est calculée par l'emplacement des lucioles et la formule de la fonction objectif \(J_{NEW} = f_{i}^{t} = I_{i} = \int_{0}^{{t_{ sim} }} {c_{1} t\left| {e(t)} \right| + c_{2} } u(t)dt\). Les lucioles avec une luminance absolue plus élevée attireraient les lucioles avec une luminance absolue plus faible pour se déplacer vers elles.

Étape 3 Calculez la population de lucioles d'élite \(mPop\) selon la stratégie d'attraction partielle.

Étape 4 Calculez la direction du mouvement de la luciole avec une luminance absolue inférieure et sa taille d'attraction correspondante selon la formule \(\beta_{ij} (r_{ij} ) = \beta_{0} e^{{ - \gamma r_{ij }^{m} }}\) et la population d'élite de lucioles.

Étape 5 Selon la formule \(X_{jNew} (t + 1) = w(t)X_{j} (t) + \beta_{ij} (r_{ij} )[X_{i} (t) - X_ {j} (t)] + \alpha \varepsilon_{j}\), met à jour les informations de localisation des lucioles avec une luminance absolue inférieure.

Étape 6 Utilisation de la luciole au nouvel emplacement et de la formule de la fonction objectif \(J_{NEW} = f_{i}^{t} = I_{i} = \int_{0}^{{t_{sim} }} { c_{1} t\left| {e(t)} \right| + c_{2} } u(t)dt\), met à jour la luminance absolue des lucioles après le déplacement de l'emplacement.

Étape 7 Si la boucle de PAAFA atteint le nombre maximal d'itérations, l'algorithme arrête la boucle et affiche le résultat, sinon, l'étape d'exécution de l'algorithme revient à l'étape 3.

L'organigramme du PAAFA peut être exprimé dans la Fig. 3.

L'organigramme du PAAFA.

Pour prouver la capacité du PAAFA proposé à optimiser les paramètres de contrôle PID du système de contrôle des engrais d'eau, une série de simulations sont menées et comparées avec GA, AGA36 et FA. Les résultats des expériences de simulation, c'est-à-dire la comparaison des valeurs optimales et la courbe de réponse échelon unitaire du PID, démontrent l'efficacité du PAAFA. En plus de cela, toutes les expériences ci-dessus ont été réalisées en utilisant une machine CPU Core i5 9th 3.00 GHz et dans d'autres conditions identiques, en utilisant Eq. (12) pour calculer les valeurs optimales des paramètres PID.

Pour le problème d'optimisation des paramètres de contrôle PID du système de contrôle des engrais d'eau, la définition uniforme des paramètres communs aide à comparer les algorithmes dans une situation relativement juste. Par conséquent, le plus grand nombre d'itérations a été fixé à 400 pour les 4 algorithmes. De plus, dans PAAFA et FA, le coefficient d'absorption de l'intensité lumineuse est de 1, l'attractivité initiale est de 1 et la taille de pas stochastique est de 0,2. Dans PAAFA, le coefficient de poids d'inertie adaptatif maximum est de 0,9 et le poids d'inertie adaptatif minimum est de 0,2. Dans GA et AGA, la probabilité de croisement et la probabilité de variance de la population sont respectivement de 0,9 et 0,1.

Les figures 4a à d montrent une comparaison des valeurs d'évaluation des paramètres PID pour trois algorithmes. En général, les valeurs d'évaluation des paramètres PID de PAAFA sont meilleures que celles de GA, AGA et FA pour les tailles de population de 30, 50, 70 et 90, respectivement. Plus précisément, sur la figure 4a, les valeurs d'évaluation des paramètres PID résolues à l'aide des quatre algorithmes sont GA, FA, AGA et PAAFA par ordre décroissant pour la taille de la population de 30, et la valeur d'évaluation des paramètres PID de la solution PAAFA est la plus petite. Par conséquent, les figures 4a à d montrent clairement que PAAFA peut utiliser sa bonne capacité de recherche pour éviter efficacement le piégeage dans l'optimum local et réaliser la recherche de la solution optimale globale.

Comparaison des valeurs d'évaluation des paramètres PID pour trois algorithmes : (a) taille de la population de 30 ; (b) taille de la population de 50; (c) taille de la population de 70; (d) taille de la population de 90.

Le tableau 1 présente la variation du nombre d'itérations de convergence requises pour les quatre algorithmes à mesure que la taille de la population de l'algorithme d'optimisation des paramètres PID augmente. À la taille de la population de 30, les nombres d'itérations de convergence requis pour l'algorithme d'optimisation des paramètres PID basé sur GA, AGA et FA sont respectivement de 203, 159 et 81, tandis que l'optimisation des paramètres PID basée sur PAAFA ne nécessite que 70 itérations, donc la vitesse de convergence de PAAFA est plus rapide que celle de GA, AGA et FA. Lorsque la taille de la population augmente à 50, 70 et 90, les nombres d'itérations de convergence nécessaires pour parvenir à la convergence de l'optimisation des paramètres PID basée sur PAAFA sont respectivement de 32, 38 et 14. À partir du tableau 1, on peut montrer que le nombre d'itérations de convergence de PAAFA est inférieur à celui de GA, AGA et FA, ce qui peut démontrer que PAAFA a une bonne capacité de convergence.

La figure 5 montre la valeur d'évaluation du paramètre PID des quatre algorithmes après résolution du paramètre PID. Plus précisément, la valeur d'évaluation du paramètre PID de PAAFA est optimale par rapport à GA, AGA et FA, que les tailles de population soient de 30 ou 50 ou 70 ou 90. Dans le tableau 2, les améliorations de la valeur d'évaluation du paramètre PID de PAAFA par rapport à GA, AGA et FA sont présentés. En particulier, les valeurs d'évaluation des paramètres PID du PAAFA sont améliorées de 17,14 %, 17,36 %, 17,66 % et 18,46 %, respectivement, par rapport au FA. Par conséquent, la performance de l'algorithme de PAAFA est la meilleure parmi les quatre algorithmes pour résoudre la combinaison optimale des paramètres de contrôle PID.

Comparaison des valeurs d'évaluation des paramètres PID des quatre algorithmes pour différentes tailles de population.

La figure 6 présente la réponse échelonnée unitaire des quatre algorithmes lorsque la taille de la population est de 30. Plus précisément, pour le contrôle PID basé sur PAAFA, le temps de régulation du système est de 2,58 s, le dépassement est de 0,003 et il y a une petite perturbation après le le fonctionnement du système atteint la stabilité. Par rapport à FA, le dépassement du contrôle PID basé sur PAAFA est réduit de 0,011, le temps de régulation est réduit de 0,67 s et le temps de régulation est de 79,39 %. Par rapport à GA, le dépassement du contrôle PID basé sur PAAFA est réduit de 0,007, le temps de régulation est réduit de 0,76 s et le temps de régulation est de 77,25 % de celui-ci. Par rapport à l'AGA, le dépassement du contrôle PID basé sur PAAFA est réduit de 0,004, le temps de régulation est réduit de 0,29 s et le temps de régulation est de 89,90 %. Dans l'ensemble, le contrôle PID basé sur PAAFA a une réponse système plus rapide, un dépassement plus faible et un meilleur effet de contrôle global.

Courbes de réponse échelon unitaire des 3 algorithmes.

Pour tester les performances de rejet des perturbations du contrôle PID basé sur PAAFA, une perturbation de pas unitaire a été ajoutée au système à 1,5 s. Les résultats du test de performance de rejet des perturbations sont illustrés à la Fig. 7. Le contrôle PID basé sur quatre algorithmes d'optimisation des paramètres PID différents stabilise tous la sortie du système à la valeur donnée. De plus, après avoir ajouté la perturbation de pas unitaire, le temps nécessaire pour atteindre un état stable pour le contrôle PID basé sur GA, AGA, FA et PAAFA était de 1,743 s, 1,764 s, 1,728 s et 1,643 s, respectivement. Par rapport au contrôle PID basé sur PAAFA, le temps nécessaire pour atteindre un état d'équilibre pour le contrôle PID basé sur GA, AGA et FA a été augmenté de 6,09 %, 7,36 % et 5,17 %, respectivement. Dans l'ensemble, le contrôle PID basé sur PAAFA nécessite un temps de régulation plus court et offre de meilleures performances de rejet des perturbations après l'ajout d'une perturbation par paliers unitaires.

Réponse de pas d'unité sous une perturbation de pas d'unité.

Les tests de contrôle de flux ont été effectués dans une serre en verre à l'Université de Shihezi. Les principales installations de la plate-forme d'essais au banc comprennent le groupe de vannes de régulation ARAG 473, la buse ARAG 422, le filtre ARAG326 9113, la canalisation, le débitmètre ARAG WOLF, la vanne proportionnelle électrique ARAG 463, la pompe à jet auto-amorçante JET 5-50-1.8, le contrôleur APC- 3072, boîtier de commutation, etc., comme illustré à la Fig. 8. La hauteur, la longueur et la largeur de la plate-forme d'essai sont respectivement de 1,4 m, 1,5 m et 0,6 m. Les paramètres pertinents de la plate-forme d'essai au banc sont répertoriés dans le tableau supplémentaire S1 en ligne.

Plate-forme de banc d'essai. 1. Buse de pulvérisation ; 2. Groupe de vannes segmentées ; 3. Débitmètre ; 4. Vanne principale électrique ; 5. Pompe à jet auto-amorçante ; 6. Vanne proportionnelle électrique ; 7. Boîte de commutation ; 8. Capteur de pression ; 9. Contrôleur. "Bench test platform" de Jinbin Bai est sous licence CC BY 4.0.

L'objet de contrôle du test est une vanne proportionnelle électrique, le matériau de test est de l'eau claire sans solides en suspension. La précision du contrôle du débit de fertilisation est mesurée et vérifiée respectivement pour le contrôle PID basé sur GA, le contrôle PID basé sur AGA, le contrôle PID basé sur FA et le contrôle PID basé sur PAAFA.

Dans cette expérience, la précision de contrôle du système de contrôle est reflétée par l'erreur de débit. Dans cette expérience, l'erreur absolue de débit \(\sigma_{a}\) représente la différence entre le débit mesuré \(Q_{m}\) du débit réel et le débit cible \(Q_{t}\ ); l'erreur relative de débit \(\sigma_{r}\) représente le rapport de l'erreur absolue \(\sigma_{a}\) sur le débit cible \(Q_{t}\). Les formules de calcul sont présentées dans les formules (22) et (23).

où, \(\sigma_{a}\) est l'erreur absolue du flux du système de contrôle, \(\sigma_{r}\) est l'erreur relative du flux du système, % ; \(Q_{m}\) est le débit réel, L/min ; \(Q_{t}\) est le débit cible lu par le débitmètre, L/min.

Dans cette expérience, la lecture du débitmètre sur l'écran du contrôleur est utilisée comme valeur réelle convenue du débit cible (c'est-à-dire le débit cible \(Q_{t}\)). Dans cette expérience, quatre débits cibles différents ont été sélectionnés pour les expériences de contrôle de débit, à savoir 20, 30, 40, 50 L/min. Pour chaque débit cible différent, quatre ensembles de paramètres de contrôleur PID sont donnés par quatre algorithmes d'optimisation des paramètres PID. Le débit de sortie du système sous chaque ensemble de paramètres du contrôleur PID est mesuré cinq fois, et la valeur moyenne des cinq résultats de mesure est utilisée comme débit de mesure des paramètres du contrôleur PID de ce groupe (c'est-à-dire le débit de mesure \( Q_{m}\) correspondant à l'algorithme). Selon les données de mesure ci-dessus, l'erreur absolue et l'erreur relative du débit correspondant à chaque algorithme d'optimisation des paramètres PID sont calculées, et les résultats de l'expérience sont présentés dans le tableau 3.

Comme le montre le tableau 3, dans les mêmes conditions de plate-forme d'essai et avec différents débits cibles, l'erreur relative du contrôle PID basé sur PAAFA est inférieure à celle de GA, AGA et FA, et le contrôle a la plus grande précision . Les erreurs relatives moyennes des contrôles PID basés sur GA, AGA, FA et PAAFA étaient respectivement de 5,30 %, 3,74 %, 4,81 % et 1,31 %, tandis que les erreurs absolues maximales étaient de 2,41, 1,91, 2,37 et 0,59 l/min. respectivement. Les résultats de l'expérience montrent que le contrôle PID basé sur PAAFA a l'erreur relative la plus faible, avec une réduction moyenne de l'erreur relative de 3,99 points de pourcentage par rapport à GA, 2,42 points de pourcentage par rapport à AGA et 3,50 points de pourcentage par rapport à FA. Par conséquent, le contrôle PID basé sur PAAFA a la meilleure stabilité.

Pour optimiser les paramètres du contrôleur PID d'un système d'irrigation et d'application d'engrais et pour améliorer l'effet de contrôle de sa régulation de l'eau et des engrais, un nouvel algorithme de luciole adaptatif à attraction partielle (PAAFA) est proposé. L'innovation majeure de cet article est de proposer le nouveau PAAFA et de l'appliquer à l'optimisation des paramètres du régulateur PID. Tout d'abord, un opérateur de poids d'inertie adaptatif est conçu, ce qui augmente efficacement la capacité de recherche de PAAFA et l'empêche de tomber dans l'optimum local. Compte tenu des règles de mise à jour de la population, une stratégie d'attraction partielle est proposée pour améliorer le taux de convergence de l'algorithme et réduire la possibilité d'oscillations de l'algorithme. Par la suite, le PAAFA est comparé aux GA, AGA et FA pour démontrer son efficacité dans l'optimisation des paramètres du régulateur PID. Les résultats de la simulation indiquent que l'algorithme d'optimisation des paramètres du contrôleur PID basé sur PAAFA proposé bat d'autres algorithmes en termes de vitesse de convergence de l'algorithme et de saut hors de l'optimum local. Le système de contrôle PID basé sur PAAFA a amélioré le temps de dépassement et de régulation dans la courbe de réponse du système et les performances de rejet des perturbations dans le test de rejet des perturbations. Les résultats des tests au banc montrent que le contrôle PID basé sur PAAFA a amélioré à la fois la précision et la stabilité du contrôle. Par conséquent, on peut conclure que la mise en œuvre du PAAFA peut améliorer efficacement l'effet de contrôle PID des dispositifs d'irrigation et de fertilisation.

Les recherches futures devraient envisager l'optimisation des paramètres de contrôle PID pour des systèmes de contrôle plus complexes, y compris, mais sans s'y limiter, l'optimisation en ligne en temps réel des paramètres PID, l'optimisation structurelle des contrôleurs PID et l'optimisation de leurs paramètres correspondants. De plus, dans des cas plus complexes, les réseaux de neurones artificiels dans l'apprentissage automatique peuvent être appliqués à la recherche d'optimisation des paramètres PID pour améliorer encore l'effet de contrôle du contrôle PID et améliorer la stabilité du contrôle.

Les ensembles de données générés et analysés au cours de la présente étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Shan, Y. et al. Application de l'algorithme de compensation prédictive Fuzzy-PID-Smith modifié dans un système d'engrais liquide à pH contrôlé. Processus 9, 1506 (2021).

Article Google Scholar

Yan, F. et al. Détermination de la quantité d'irrigation et du taux de fertilisation pour optimiser simultanément le rendement en grains, l'accumulation d'azote dans les grains et les avantages économiques du maïs de printemps fertilisé au goutte-à-goutte dans le nord-ouest de la Chine. Agric. Gestion de l'eau 243, 106440 (2021).

Article Google Scholar

Fan, J., Lu, X., Gu, S. & Guo, X. Amélioration de l'efficacité de l'utilisation des nutriments et de l'eau à l'aide de la technologie d'irrigation goutte à goutte et de fertilisation dans le nord-est de la Chine. Agric. Gestion de l'eau 241, 106352 (2020).

Article Google Scholar

Bwambale, E., Abagale, FK & Anornu, GK Stratégies intelligentes de surveillance et de contrôle de l'irrigation pour améliorer l'efficacité de l'utilisation de l'eau dans l'agriculture de précision : un examen. Agric. Gestion de l'eau 260, 107324 (2022).

Article Google Scholar

Wu, Y. et al. Algorithme de contrôle optimal du système de fertigation en serre basé sur le modèle EC. Int. J. Agric. Biol. Ing. 12, 118-125 (2019).

Google Scholar

Zha, X. et al. Conception et expérimentation d'un dispositif centralisé pneumatique de fertilisation profonde de précision pour repiqueuse de riz. Int. J. Agric. Biol. Ing. 13, 109–117 (2020).

Google Scholar

Song, L. et al. Engrais à dose variable basé sur un algorithme de contrôle PID flou en zone agricole côtière. J. Coastal Res. 103, 490–495 (2020).

Article Google Scholar

Somefun, OA, Akingbade, K. & Dahunsi, F. Le dilemme du réglage PID. Annu. Rév. Contrôle. 52, 65–74 (2021).

Article MathSciNetGoogle Scholar

Samad, T. Une enquête sur l'impact de l'industrie et ses défis. Système de contrôle IEEE. Mag. 37, 17-18 (2017).

Google Scholar

Du, HL, Liu, PF, Cui, QY, Ma, X. & Wang, H. Paramètre du contrôleur PID optimisé par l'algorithme reformatif de colonies d'abeilles artificielles. J. Math. 2022, 16 (2022).

Google Scholar

PraveenKumar, M., Manimozhi, M., Ponnambalam, P. & Gokulakrishnan, G. Un nouveau contrôleur PID conçu via une approche polynomiale pour un processus de second ordre stable/instable avec temporisation. Int. Conf. Calcul doux. Résolution de problème. (SocProS) 817, 81–92 (2019).

Article Google Scholar

Elsisi, M., Mahmoud, K., Lehtonen, M. & Darwish, MMF Un algorithme de réseau neuronal amélioré pour suivre efficacement diverses trajectoires de bras manipulateurs de robots. Accès IEEE 9, 11911–11920 (2021).

Article Google Scholar

Xiao, L. Réglage des paramètres du contrôleur PID pour le contrôle du niveau de liquide de la machine de remplissage de bière basé sur un algorithme génétique amélioré. Calcul. Renseignement. Neurosci. 2021, 7287796 (2021).

Article Google Scholar

Kashyap, AK & Parhi, DR Optimisation de la stabilité du robot humanoïde NAO à l'aide d'un contrôleur MPC réglé pour l'optimisation des colonies de fourmis pour les chemins irréguliers. Doux. Calcul. 25, 5131–5150 (2021).

Article Google Scholar

Feng, H., Ma, W., Yin, C. & Cao, D. Contrôle de trajectoire d'un système d'asservissement de position électro-hydraulique à l'aide d'un contrôleur PSO-PID amélioré. Autom. Constr. 127, 103722 (2021).

Article Google Scholar

AlamdarRavari, M. & Yaghoobi, M. Conception optimale d'un contrôleur pid d'ordre fractionnaire utilisant des algorithmes chaotiques de luciole pour un système CSTR de contrôle. Asian J. Control 21, 2245–2255 (2018).

Article MathSciNetGoogle Scholar

Rahul, K. & Banyal, RK Algorithme Firefly : une solution d'optimisation du traitement des mégadonnées pour le secteur de la santé et de l'ingénierie. Int. J. Discours Technol. 24, 581–592 (2020).

Article Google Scholar

Fu, C., Ma, X. & Zhang, L. Stratégie Fuzzy-PID basée sur l'optimisation PSO pour le contrôle du pH dans l'intégration de l'eau et des engrais. Accès IEEE 10, 4471–4482. https://doi.org/10.1109/access.2021.3138910 (2022).

Article Google Scholar

Lu, J. et al. Réponse du système de rotation blé-maïs fertilisé au goutte-à-goutte sur le rendement en grains, la productivité de l'eau et les avantages économiques en utilisant différentes quantités d'eau et d'azote. Agric. Gestion de l'eau 258, 107220 (2021).

Article Google Scholar

Hu, J. et al. La fertigation au goutte-à-goutte favorise l'efficacité de l'utilisation de l'eau et de l'azote et la stabilité du rendement grâce à une meilleure croissance des racines des tomates dans la production de serres en plastique. Agr. Écosystème. Environ. 313, 107379 (2021).

Article CAS Google Scholar

Yubin, Z., Zhengying, W., Lei, Z. & Weibing, J. La stratégie de contrôle et la vérification d'un système d'irrigation précis à base d'eau et d'engrais. En 2018 Congrès chinois de l'automatisation (CAC), 4288–4292 (2018).

Boyu, W., Zhenjiang, C., Hongbo, Y. & Xuesong, S. Modèle de contrôle et expérience de la proportion d'eau et d'engrais de la machine à engrais basée sur le réseau neuronal RBF. En 2018, Conférence internationale sur la détection, le diagnostic, le pronostic et le contrôle (SDPC), 648–653 (2018).

Arauz, T., Maestre, JM, Tian, ​​X. & Guan, G. Conception de contrôleurs PI pour les canaux d'irrigation basés sur des inégalités matricielles linéaires. Eau 12, 855 (2020).

Article Google Scholar

Zeng, D. et al. Recherche sur l'amélioration de l'auto-réglage d'un contrôleur PID basé sur la marge d'angle de phase. Énergies 12, 1704. https://doi.org/10.3390/en12091704 (2019).

Article Google Scholar

Zhang, Y., Wei, Z., Lin, Q., Zhang, L. et Xu, J. MBD de la technologie de contrôle de l'irrigation floue à prédiction grise. Dessalement. Traitement de l'eau. 110, 328–336 (2018).

Article Google Scholar

Hekimoglu, B. Réglage optimal du contrôleur PID d'ordre fractionnaire pour le contrôle de la vitesse du moteur à courant continu via un algorithme d'optimisation de recherche d'atomes chaotiques. Accès IEEE 7, 38100–38114 (2019).

Article Google Scholar

Yang, R., Liu, Y., Yu, Y., He, X. & Li, H. Contrôleur PID flou optimisé pour l'optimisation de l'essaim de particules et la recherche de coucou hybride pour la micro-turbine à gaz. Energy Rep. 7, 5446–5454 (2021).

Article Google Scholar

Jagatheesan, K. et al. Conception d'un contrôleur proportionnel-intégral-dérivé pour un contrôle de génération automatique de systèmes thermiques de puissance multi-zones utilisant l'algorithme Firefly. IEEE/CAA J. Autom. Péché. 6, 503–515 (2019).

Article Google Scholar

Vous, L. et al. Contrôle d'attitude d'un véhicule sous-marin autonome basé sur la méthode Firefly PID améliorée. Dans Global Oceans 2020 : Singapour — Côte du golfe des États-Unis, 1–4 (2020).

Wang, H. et al. Algorithme Firefly avec attraction de quartier. Inf. Sci. 382–383, 374–387 (2017).

Article Google Scholar

Yu, G. Un algorithme de luciole amélioré basé sur l'attraction probabiliste. Int. J. Comput. Sci. Mathématiques. 7, 530–536 (2016).

Article MathSciNetGoogle Scholar

Chen, PC, Luo, Y., Peng, YB & Chen, YQ Synthèse optimale de contrôleur d'ordre fractionnaire robuste (PID) -D-lambda pour les systèmes de premier ordre plus temporisés. ISA Trans. 114, 136-149 (2021).

Article Google Scholar

Celik, E. Algorithme de recherche fractale stochastique amélioré et fonction de coût modifiée pour le contrôle automatique de la production de systèmes d'alimentation électrique interconnectés. Ing. Appl. Artif. Renseignement. 88, 103407 (2020).

Article Google Scholar

IEEE. Guide IEEE pour les tests sur le terrain des systèmes de câbles d'alimentation blindés utilisant une très basse fréquence (VLF). IEEE (2013).

Iwanek, M. Paramètres caractérisant les fuites de conduites d'eau endommagées sous l'aspect de la sécurité environnementale. Appl. Sci de l'eau. 12, 126 (2022).

Annonces d'article Google Scholar

Ye, ZS, Li, ZZ & Xie, M. Quelques améliorations sur les algorithmes génétiques adaptatifs pour les applications liées à la fiabilité. Fiab. Ing. Syst. Saf. 95, 120-126 (2010).

Article Google Scholar

Télécharger les références

Cet article a été financé par la Fondation nationale des sciences naturelles de Chine, numéro de subvention 61962053, le projet de fonds de démarrage de recherche de talents de haut niveau de l'Université Shihezi, numéro de subvention RCZK2018C39, le projet du programme des talents de pointe de l'innovation scientifique et technologique des jeunes et d'âge moyen du Corps, Grant Number 2018CB006, the Corps innovateur talents plan, grant number 2020CB001, the China Postdoctoral Science Foundation, Grant Number 220531, Funding Project for High Level Talents Research in Shihezi University, Grant Number RCZK2018C38, Project of Shihezi University, Grant Number ZZZC201915B.

Collège de génie mécanique et électrique, Université Shihezi, Shihezi, 832000, Chine

Mingqi Huang et Min Tian

Collège des sciences et technologies de l'information, Université Shihezi, Shihezi, 832000, Chine

Yang Liu et Jie Zhou

Université des Cordillères, 2600, Baguio City, Philippines

Yao Zhang

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MH et MT ont conçu et conçu l'étude. MH et YL ont réalisé les expériences. MH et YL ont rédigé l'article. MH, YZ et JZ ont révisé et édité le manuscrit. Tous les auteurs ont lu et approuvé le manuscrit.

Correspondance à Min Tian.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Huang, M., Tian, ​​M., Liu, Y. et al. Optimisation des paramètres du contrôleur PID pour le système de contrôle de l'eau et des engrais basé sur l'algorithme de luciole adaptatif à attraction partielle. Sci Rep 12, 12182 (2022). https://doi.org/10.1038/s41598-022-16425-7

Télécharger la citation

Reçu : 24 février 2022

Accepté : 11 juillet 2022

Publié: 16 juillet 2022

DOI : https://doi.org/10.1038/s41598-022-16425-7

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2022)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.