基于PSO参数估计的烘房温度预测函数控制

　　汽车涂装线烘房系统的温度控制属于复杂过程控制系统[1]，其控制变量具有高度的非线性、多变性、时滞性、多变量耦合大以及强干扰性等特点，控制系统难以建立精确的数学模型。如果简单地采用分散控制多个单回路PID 控制器的方式，控制效果较差，控制精度低，抗干扰能力弱。同时一旦系统环境发生变化，需要专业技术人员进行大量的调整和测试才能正常运行，实际操作非常麻烦。

　　预测函数控制(Predictive Functional Control，PFC)是模型预测控制[2] (Model Predictive Control，MPC) 的一种，由于不需要精确的控制模型，同时相对于其它模型预测控制算法，参与估计的量要少很多，因此具备控制计算量小、跟踪速度快等特点。预测函数一经提出，便引起人们的普遍重视， 在很多领域都得到了广泛应用。包括船舶电力系统柴油机的小波基预测函数控制[3]、乙苯催化脱氢制苯乙烯的预测函数控制[4]、基于支持向量机的煮沸温度预测函数控制[5]等。预测函数估计控制在实际运行时，主要的一个环节便是其模型参数的估计， 这直接影响到控制系统的精度和稳定性， 而粒子群优化算法由于其极强的搜索和寻优能力，以及算法简单、收敛迅速等特点， 恰好满足了预测函数控制对参数估计的性能需要。

　　因此本文把预测函数控制技术引入到汽车涂装线的烘房温度控制系统， 代替传统的PID 控制，同时引入基于改进的协同粒子群算法，避免了传统粒子群算法容易陷入局部最优解的缺陷， 可以很好地进行预测函数控制的模型参数估计。

　　1 涂装线烘房物理模型

　　目前我国汽车涂装线大多采用的涂装工艺过程是： 前处理→电泳→电泳烘干→底漆喷涂→中涂烘干→面漆喷涂→面漆烘干，在整个工艺过程中，有三道烘干的工序。每个烘房都有一个加热升温系统和热风循环系统， 燃烧室里加热后的气流通过风机进入烘房室体对车身进行加热， 同时产生的尾气进入热风燃烧系统，燃烧过滤，一部分被排出室外，另一部分进入燃烧室，被重新加热利用。其物理结构如图1 所示。

　　从图1 中可以看到， 三个烘房室体是由一个燃烧室进行统一供热，由送风管道、循环风管道、排风管道进行相互连接， 控制系统通过调节各个风机实现送风量、排风量和循环风量等控制，从而达到温度控制的目的。烘房系统控制是一个流体温度的控制，由于送风和排风管道很长，存在不确定的热辐射等损耗，造成了烘房系统极大的非线性和时滞性等特点， 同时又难以建立一个精确的控制模型，采用传统控制方法，难以达到精确有效的控制。