本發(fā)明涉及燃燒器內(nèi)部燃?xì)饬髁靠刂祁I(lǐng)域，具體涉及一種燃燒器內(nèi)部燃?xì)饬髁靠刂苾?yōu)化方法。

背景技術(shù)：

1、在陽極炭塊的焙燒過程中，燃燒器內(nèi)燃?xì)饬髁康膬?yōu)化控制不僅是確保焙燒質(zhì)量的關(guān)鍵因素，也是提高能效、降低生產(chǎn)成本的重要手段；由于不同型號(hào)的陽極炭塊在結(jié)構(gòu)、材料特性和尺寸等方面存在差異，因此它們對(duì)焙燒溫度的要求各不相同；若溫度控制不精確，可能導(dǎo)致炭塊性能下降或能耗增加；因此，精確控制燃?xì)饬髁砍蔀閷?shí)現(xiàn)目標(biāo)溫度調(diào)節(jié)的核心手段；通過優(yōu)化燃?xì)饬髁浚瓤梢源_保炭塊在焙燒過程中達(dá)到最佳的溫度曲線，同時(shí)也可以避免能源浪費(fèi)，達(dá)到高效生產(chǎn)的目的。

2、在當(dāng)前的燃燒器流量控制過程中，主要采用的是pid控制方法；pid控制器（比例-積分-微分控制）是工業(yè)過程控制中最常見的技術(shù)之一，通過對(duì)比例、積分和微分三個(gè)參數(shù)的調(diào)整，pid控制器能夠精確調(diào)節(jié)燃?xì)饬髁?，從而維持火道內(nèi)的目標(biāo)溫度；雖然pid控制方法在燃燒器流量控制中應(yīng)用廣泛，并且具有較高的穩(wěn)定性和可靠性，但是，pid控制器的性能高度依賴于kp、ki、kd參數(shù)的設(shè)置；不同的工況和系統(tǒng)響應(yīng)需要不同的參數(shù)值，手動(dòng)調(diào)節(jié)這些參數(shù)往往需要大量的經(jīng)驗(yàn)和實(shí)驗(yàn)，有時(shí)調(diào)節(jié)不當(dāng)會(huì)導(dǎo)致系統(tǒng)不穩(wěn)定或響應(yīng)過慢。

3、傘蜥優(yōu)化算法（flo）是2024年新提出的一種群體智能優(yōu)化算法，該算法通過模仿傘蜥的捕獵行為和進(jìn)食后的撤退行為，將算法分為探索和開發(fā)兩個(gè)階段，通過個(gè)體之間的協(xié)作和信息共享來尋求問題的最優(yōu)解；使用傘蜥優(yōu)化算法來優(yōu)化pid控制器參數(shù)，可以顯著提升燃燒器流量控制的性能，尤其是在應(yīng)對(duì)復(fù)雜和多變的外部環(huán)境時(shí)；雖然傘蜥優(yōu)化算法能夠很好地平衡全局探索和局部開發(fā)以及在算法初始階段具有較強(qiáng)的全局搜索能力，但是，在面對(duì)高維問題時(shí)，flo可能會(huì)表現(xiàn)出不穩(wěn)定性，并且flo的局部搜索能力較差，在接近最優(yōu)解時(shí)，flo的精細(xì)搜索能力可能不足，導(dǎo)致最終解的精度不高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種燃燒器內(nèi)部燃?xì)饬髁靠刂苾?yōu)化方法，通過改進(jìn)傘蜥優(yōu)化算法（iflo）優(yōu)化pid控制器參數(shù)，實(shí)現(xiàn)對(duì)燃燒器內(nèi)部燃?xì)饬髁康木珳?zhǔn)控制，進(jìn)而確保陽極炭塊在焙燒的過程中，溫度控制更加的精準(zhǔn)和可靠。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：一種燃燒器內(nèi)部燃?xì)饬髁靠刂苾?yōu)化方法，包括：改進(jìn)傘蜥優(yōu)化算法（iflo）與位置式pid控制算法，具體步驟為：

3、步驟1、根據(jù)不同型號(hào)陽極炭塊的焙燒溫度要求，建立燃燒器流量控制系統(tǒng)模型，所述模型包括數(shù)學(xué)模型和仿真模型。

4、步驟2、通過改進(jìn)個(gè)體運(yùn)動(dòng)參數(shù)i和引入“模擬退火”策略對(duì)傘蜥優(yōu)化算法進(jìn)行改進(jìn)，所述改進(jìn)點(diǎn)為：

5、s21、在傘蜥優(yōu)化算法處于探索階段時(shí)，引入自適應(yīng)因子改進(jìn)個(gè)體運(yùn)動(dòng)參數(shù)，提高算法的自適應(yīng)性；

6、s22、在傘蜥優(yōu)化算法處于開發(fā)階段時(shí)，引入“模擬退火”策略，改進(jìn)算法開發(fā)階段的位置更新公式，提高算法的局部搜索能力。

7、步驟3、選擇合適的目標(biāo)函數(shù)，通過iflo算法優(yōu)化pid控制器參數(shù)，算法迭代尋優(yōu)，通過模擬傘蜥的自然行為，在搜索空間中搜尋最佳pid控制參數(shù)，并得到最優(yōu)pid控制方法，即iflo-pid控制方法。

8、步驟4、通過iflo-pid控制方法對(duì)燃燒器內(nèi)部燃?xì)饬髁窟M(jìn)行精確控制，根據(jù)實(shí)時(shí)反饋的火道區(qū)域的溫度值，計(jì)算目標(biāo)溫度與實(shí)際溫度之間的偏差值e(t)并輸入到iflo-pid控制器中，得到控制量，即燃燒器內(nèi)部燃?xì)饬髁?，?shí)現(xiàn)對(duì)燃?xì)饬髁康拈]環(huán)iflo-pid控制。

9、進(jìn)一步地，所述燃燒器流量控制的數(shù)學(xué)模型，包括：首先，根據(jù)不同型號(hào)陽極炭塊的焙燒溫度要求，建立溫度需求模型；其次，燃燒器內(nèi)燃?xì)饬髁康拇笮≈苯佑绊懟鸬罍囟?，因此，需要建立燃?xì)饬髁颗c加熱溫度之間的數(shù)學(xué)模型。

10、進(jìn)一步地，所述溫度需求模型描述在燃燒器的反應(yīng)過程中，溫度需求曲線包括：升溫階段，恒溫階段，降溫階段三個(gè)階段的，溫度需求曲線為：

11、（1）；

12、式（1）中，為t時(shí)刻的燃燒器溫度，為初始溫度，為目標(biāo)溫度，和分別為升溫和降溫速率，t為燃燒器運(yùn)行的時(shí)間。

13、進(jìn)一步地，燃?xì)饬髁繒?huì)直接影響燃燒爐內(nèi)的溫度變化，因此，建立燃?xì)饬髁颗c加熱溫度之間的數(shù)學(xué)模型為：

14、（2）；

15、式（2）中，為t時(shí)刻的燃燒器溫度，為t時(shí)刻的燃?xì)饬髁?，為環(huán)境溫度，為燃?xì)饬髁颗c溫度的函數(shù)，為環(huán)境溫度和時(shí)間對(duì)爐內(nèi)溫度的影響，其他參數(shù)意義同上。

16、進(jìn)一步地，通過pid控制器對(duì)燃?xì)饬髁窟M(jìn)行調(diào)節(jié)，以滿足溫度需求?？刂破鞲鶕?jù)目標(biāo)溫度與實(shí)際溫度的誤差值，動(dòng)態(tài)調(diào)整燃?xì)饬髁浚恢檬絧id控制器模型為：

17、（3）；

18、式（3）中，為t時(shí)刻的燃?xì)饬髁?，e(t)為目標(biāo)溫度與實(shí)際溫度的誤差值，，kp、ki、kd為pid控制器的比例、積分和微分系數(shù)，其他參數(shù)意義同上。

19、進(jìn)一步地，為實(shí)現(xiàn)對(duì)燃燒器內(nèi)部燃?xì)饬髁康淖顑?yōu)控制，需要選擇合適的目標(biāo)函數(shù)，綜合考慮燃燒器的溫度需求和燃?xì)饬髁靠刂品磻?yīng)速度，所選擇目標(biāo)函數(shù)為：

20、（4）；

21、式（4）中，t為系統(tǒng)運(yùn)行時(shí)間，為燃燒器的目標(biāo)溫度，為t時(shí)刻的燃燒器實(shí)際溫度，?為調(diào)整非線性權(quán)重敏感度的參數(shù)，其他參數(shù)意義同上。

22、進(jìn)一步地，改進(jìn)傘蜥優(yōu)化算法，更深入地，在傘蜥優(yōu)化算法的探索階段位置更新數(shù)學(xué)模型中引入自適應(yīng)因子改進(jìn)個(gè)體運(yùn)動(dòng)參數(shù)，提高算法的自適應(yīng)性，改進(jìn)后的數(shù)學(xué)模型為：

23、（5）；

24、式（5）中，i=1，…，npop，npop為種群數(shù)量，是一個(gè)隨迭代次數(shù)k變化的函數(shù)，代表了當(dāng)前個(gè)體位置和最佳個(gè)體位置之間的吸引力，為最佳個(gè)體位置，為當(dāng)前迭代個(gè)體位置，代表了個(gè)體位置更新的隨機(jī)強(qiáng)度，為取值在（0,1]之間的隨機(jī)數(shù)，的數(shù)學(xué)模型為：

25、（6）；

26、式（6）中，為初始運(yùn)動(dòng)參數(shù)強(qiáng)度值，通過在數(shù)學(xué)模型中引入正弦函數(shù)，給自適應(yīng)因子加入周期性的波動(dòng)，增強(qiáng)算法的隨機(jī)性，為波動(dòng)幅度，為算法迭代次數(shù)，maxiter為算法最終迭代次數(shù)，為當(dāng)前個(gè)體位置適應(yīng)度與最佳個(gè)體位置適應(yīng)度之間的差值，為最佳個(gè)體位置的適應(yīng)度，保證了算法初期具備較強(qiáng)的探索能力，同時(shí)避免局部最優(yōu)，并且在后期通過減少隨機(jī)性和增加開發(fā)性來保證算法收斂。

27、進(jìn)一步地，改進(jìn)傘蜥優(yōu)化算法，更深入地，引入“模擬退火”策略，改進(jìn)傘蜥優(yōu)化算法開發(fā)階段的位置更新數(shù)學(xué)模型，提高算法的局部搜索能力，改進(jìn)后的開發(fā)階段位置更新數(shù)學(xué)模型為：

28、（7）；

29、式（7）中，為開發(fā)階段采用模擬退火策略更新后的個(gè)體位置，為當(dāng)前迭代個(gè)體位置，ub和lb為算法搜索空間的上下界，即緯度值為dim的行向量，用于控制模擬退火部分的強(qiáng)度，為種群中隨機(jī)選擇的個(gè)體，為為當(dāng)前個(gè)體位置適應(yīng)度與最佳個(gè)體位置適應(yīng)度之間的差值，為隨迭代次數(shù)降低的退火溫度，為取值在（0,1]之間的隨機(jī)數(shù)，其他參數(shù)意義同上，的數(shù)學(xué)模型為：

30、（8）；

31、式（8）中，為模擬退火的初始溫度值，為溫度降低的幅度，其他參數(shù)意義同上。

32、進(jìn)一步地，當(dāng)小于0時(shí)，算法無條件采用模擬退火策略更新開發(fā)階段個(gè)體位置，否則，根據(jù)接受概率?p的大小，決定是否采用模擬退火策略更新個(gè)體位置，隨著迭代次數(shù)的增加，p的值逐漸減小，p的數(shù)學(xué)模型為：

33、（9）；

34、式（9）中，各參數(shù)意義同上，選擇是否采用模擬退火的數(shù)學(xué)模型為：

35、（10）；

36、式（10）中，為開發(fā)階段更新后的個(gè)體位置，的意義同上，為采用開發(fā)階段原位置更新數(shù)學(xué)模型的個(gè)體位置，為取值在（0,1]之間的隨機(jī)數(shù)，其他參數(shù)意義同上，通過引入模擬退火的接受機(jī)制，增強(qiáng)了傘蜥算法在開發(fā)階段的跳出局部最優(yōu)的能力，同時(shí)確保算法整體優(yōu)化的穩(wěn)健性，有效提高了算法的收斂速度和最終解的質(zhì)量。

37、進(jìn)一步地，在步驟4中，pid控制器的系數(shù)分別為比例系數(shù)?kp、積分系數(shù)?ki和微分系數(shù)?kd，將?kp、ki、kd?編碼為傘蜥優(yōu)化算法的搜索空間維度dim，更深入地，用于優(yōu)化燃燒器內(nèi)部燃?xì)饬髁康膒id控制參數(shù)?kp、ki、kd?被編碼為?npop?個(gè)三維向量的緯度值，這些三維向量構(gòu)成了一個(gè)上下界為?[ub,lb]?的搜索空間，每個(gè)三維向量與個(gè)體位置建立三維映射，通過更新個(gè)體位置來更新?kp、ki、kd?參數(shù)值。

38、進(jìn)一步地，所述步驟3中通過迭代尋優(yōu)，模擬傘蜥的自然行為，在搜索空間中搜尋最佳pid控制參數(shù)，并得到最優(yōu)pid控制方法，具體步驟為：

39、s31、初始化改進(jìn)傘蜥算法（iflo）的種群數(shù)量npop，最終迭代次數(shù)maxiter，搜索空間的上下界ub和lb，搜索空間的維度dim;

40、s32、通過偽隨機(jī)數(shù)法生成種群個(gè)體的初始位置，計(jì)算并保存各個(gè)體的初始位置的適應(yīng)度，偽隨機(jī)法的數(shù)學(xué)模型為：

41、（11）；

42、式（11）中，i=1，…，npop，為通過偽隨機(jī)數(shù)生成的個(gè)體初始位置，r為取值在（0,1]之間的隨機(jī)數(shù)，其他參數(shù)意義同上；

43、s33、算法進(jìn)入探索階段，模擬傘蜥的捕獵行為對(duì)種群個(gè)體進(jìn)行位置更新，首先給每個(gè)個(gè)體確定一個(gè)獵物候選集，獵物候選集中的所有獵物的位置的適應(yīng)度都小于該個(gè)體位置的適應(yīng)度，其次，算法在模擬傘蜥狩獵行為的位置更新數(shù)學(xué)模型為：

44、（12）；

45、式（12）中，為模擬傘蜥狩獵行為更新后的個(gè)體位置，為當(dāng)前迭代中的個(gè)體位置，為從的候選獵物集中隨機(jī)選擇的一個(gè)獵物位置，為引入自適應(yīng)因子改進(jìn)后的個(gè)體運(yùn)動(dòng)參數(shù)，的數(shù)學(xué)模型同上，為取值在（0,1]之間的隨機(jī)數(shù)；

46、s34、計(jì)算更新后個(gè)體位置的適應(yīng)度，通過貪婪選擇判斷更新后的個(gè)體位置的適應(yīng)度是否小于個(gè)體原位置的適應(yīng)度，貪婪選擇的數(shù)學(xué)模型為：

47、（13）；

48、式（13）中，為算法探索階段的個(gè)體更新后位置，為位置的適應(yīng)度，為位置的適應(yīng)度，其他參數(shù)意義同上；

49、s35、算法進(jìn)入開發(fā)階段，模擬傘蜥進(jìn)食后的撤退行為對(duì)種群個(gè)體進(jìn)行位置更新，算法在模擬傘蜥進(jìn)食后的撤退行為的原位置更新數(shù)學(xué)模型為：

50、（14）；

51、式（14）中，為模擬傘蜥進(jìn)食后撤退行為更新的個(gè)體位置，如式（10）所述，通過根據(jù)接受概率?p的大小，決定是否采用模擬退火策略更新個(gè)體位置，當(dāng)采用模擬退火策略更新個(gè)體位置時(shí)，算法在開發(fā)階段的位置更新公式如式（7）所述，當(dāng)不采用模擬退火策略更新個(gè)體位置時(shí)，算法在開發(fā)階段的位置更新公式如式（14）所述；

52、s36、計(jì)算更新后個(gè)體位置的適應(yīng)度，通過貪婪選擇判斷更新后的個(gè)體位置的適應(yīng)度是否小于個(gè)體原位置，貪婪選擇的數(shù)學(xué)模型同上；

53、s37、保存當(dāng)前迭代中得到的最佳個(gè)體位置和最佳適應(yīng)度，并與上次迭代中的最佳個(gè)體的適應(yīng)度進(jìn)行比較，選擇更小適應(yīng)度的個(gè)體作為最終最佳個(gè)體，該個(gè)體的適應(yīng)度為最終最佳適應(yīng)度；

54、s38、判斷當(dāng)前迭代次數(shù)是否大于最終迭代次數(shù)，若是，則輸出最佳個(gè)體位置，并將個(gè)體位置的緯度值解碼成kp、ki、kd參數(shù)，若否，則返回步驟s33繼續(xù)尋優(yōu)。

55、本發(fā)明的有益效果為：

56、本發(fā)明中提出了一種燃燒器內(nèi)部燃?xì)饬髁靠刂苾?yōu)化方法，通過改進(jìn)傘蜥優(yōu)化算法（iflo）優(yōu)化pid控制器參數(shù)；首先，通過引入自適應(yīng)因子改進(jìn)個(gè)體運(yùn)動(dòng)參數(shù)，增強(qiáng)了算法的適應(yīng)性，其次，通過引入“模擬退火”策略，改進(jìn)算法在開發(fā)階段的位置更新公式，提高算法的局部搜索能力；進(jìn)一步地，提升pid控制器的精度和應(yīng)對(duì)復(fù)雜、多變的外部環(huán)境時(shí)的穩(wěn)定性、進(jìn)而實(shí)現(xiàn)對(duì)燃燒器燃?xì)饬髁康木珳?zhǔn)控制，降低了燃燒器的能源消耗，更重要的是確保了陽極炭塊焙燒過程中的溫度控制更加精準(zhǔn)和可靠。