CN117093033A - 基于粒子群算法优化pid参数的电阻加热炉温度控制*** - Google Patents

Abstract

一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，基于粒子群算法优化的模糊PID控制是将粒子群算法单元、模糊控制***和PID控制***单元依次串联构成一个闭环的温度智能控制***，利用目标温度值和实测温度值的偏差、偏差变化率经模糊PID温度控制器处理得到相应的参数控制量；采用粒子群算法对模糊PID温度控制器的PID参数进行优化调整；本发明利用粒子群算法优化PID参数实现炉温控制的高精度和低时延，同时采用带惯性权重的粒子群算法提高粒子群的全局与局部搜索能力，合适的权重因子ω可以加快收敛速度，减小温度控制的收敛时间，从而更快达到稳定状态的目标温度值。

Description

基于粒子群算法优化PID参数的电阻加热炉温度控制***

技术领域

本发明属于电阻加热炉温度控制领域，具体公开了基于粒子群算法优化PID参数的电阻加热炉温度控制***。

背景技术

当前，电阻加热炉普遍采用PID控制器进行温度控制，PID控制器的性能主要取决于其参数整定，不同的被控对象和控制参数均对***产生不同的影响，PID控制的参数整定主要取决于背景经验值。在高可靠及高精度的应用场景中，传统PID控制具有参数整定的随机性大、温度获取和反馈的实时性差等不足，难以达到对温度控制高稳定和低时延的要求。

发明内容

针对现有技术的不足，本发明旨在基于粒子群算法优化PID参数的电阻加热炉温度控制方法，能够通过温度偏差自动调节PID参数，提高电阻加热炉的温度控制精度、自适应性和稳定性。

为实现上述目的，本发明采用如下技术方案：

一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，包括MCU主控制模块、WIFI通信模块、温度控制模块、和电源模块；MCU主控制模块包括模糊控制器和温度采集模块；温度控制模块包括PID控制器、温控执行单元和电加热模块；

MCU主控制模块嵌入到电阻加热炉中；MCU主控制模块自带定时器，所述定时器用于温度采集模块采集模拟信号，发出PWM波来控制MOS管导通；

存储模块为本地存储；

WIFI通信模块实现与MCU主控制模块温度控制模块的远程连接，实现温度的控制功能；

基于粒子群算法优化的模糊PID算法对电阻加热炉进行温度控制，具体包括以下步骤：

设定采样t时刻PID控制器给定的电阻加热炉目标温度值T_SP(t)，温度采集模块采集电阻加热炉内的实测温度值T_PV(t)，计算电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差e(t)和偏差变化率ec，将温度偏差e(t)和偏差变化率ec作为模糊控制器的输入变量，经模糊算法处理后输出比例系数k_p、积分系数k_i、微分系数k_d所对应的模糊控制量Δk_p、Δk_i、Δk_d；

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，经过粒子迭代得到基于当前粒子群的全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}输出反馈给温控执行单元，调整电阻加热炉的工作状态实现温度控制。

较优地，还包括显示模块和存储模块。

温度采集模块采用热电偶，将热电偶采集到的实测温度值进行基于粒子群算法优化的模糊PID算法处理，发出PWM波，PWM波通过光耦和隔离电源隔离后，发送开关管信号给温控执行单元，实现温度控制的目的。

当无网络时，存储模块数据暂存在本地的flash中，待连通网络后上传至云端服务器。

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，具体包括以下步骤：

S1，初始化粒子群：设定迭代次数H，确定粒子群的数量和规模，每个粒子代表一组PID参数，粒子群数量为N，粒子群规模(每次迭代被选中的粒子数量)为M；每个粒子都有一个位置和速度，位置和速度分别表示粒子在搜索空间中的位置和前进方向；第q个粒子的位置表示为x_q，其中q表示粒子的编号；q＝1,2…M(1≤M≤N)；

S2，定义目标函数：定义目标函数用来衡量PID参数的表现；所述目标函数为温度偏差绝对值与时间乘积的积分值，为：式中t为采样时刻，e(t)为电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差；其中t＝1,2…T；

S3，初始化粒子位置和速度：对于粒子q，随机初始化粒子位置x_q和速度v_q；

S4，初始化个体最佳位置和全局最佳位置：对于粒子q，个体最佳位置P_best(t)为当前位置x_q，全局最佳位置G_best(t)初始化为粒子群中任意一个粒子的位置x_k，k是随机选择的一个粒子的编号，k＝1,2…M；

S5，迭代H次更新粒子位置和速度，获得粒子群所达到全局历史最好位置；

步骤S5具体包括以下步骤：

S501，对于粒子q，根据粒子群算法公式更新粒子的速度v_q(t+1)：

v_q(t+1)＝ωv_q(t)+c₁r₁[P_best(t)-x_q(t)]+c₂r₂[G_best(t)-x_q(t)]；

S502，根据当前粒子速度更新粒子的位置x_q(t+1)：

x_q(t+1)＝x_q(t)+v_q(t+1)

S503，计算新位置的适应度：a_q(t+1)＝J(x_q(t+1))；

其中，a_q(t+1)为第t+1时刻随机更新的当前粒子位置的适应度值，J为通过目标函数对第t+1时刻当前粒子位置进行计算的适应度值；

S504，更新个体最佳位置P_best(t+1)：如果a_q(t+1)≤J(P_best(t))，则P_best(t+1)＝x_q(t+1)，否则P_best(t+1)＝P_best(t)；

S505，更新全局最佳位置G_best(t)：如果a_q(t+1)≤J(G_best)，则G_best(t+1)＝x_q(t+1)，否则G_best(t+1)＝G_best(t)；

其中，v_q(t+1)是粒子群中第q个粒子迭代到第t+1代时的速度，x_q(t+1)为第q个粒子在第t+1代时的位置；ω为惯性权重因子，c₁、c₂是[0，1]之间的随机数；r₁、r₂是加速系数，本实施例r₁＝r₂＝2；P_best(t)为第q个粒子迭代周期中最优适应值的位置称为该粒子的历史最好位置；G_best(t)为粒子群所达到全局历史最好位置(X,Y,Z)；

S6，将全局历史最好位置(X,Y,Z)对应赋值给全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，

将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}反馈控制温控执行单元的工作状态，进而调整加热炉的控制状态并实现温度控制。

较优地，模糊PID温度控制器工作流程具体包括以下步骤：

将温度偏差e(t)和偏差变化率ec基于模糊逻辑进行模糊化处理，利用模糊规则库将输入信号e(t)和ec与对应的隶属度值对应起来，进行模糊推理得到模糊结果，对模糊结果进行去模糊化处理得到控制量Δk_p、Δk_i、Δk_d，经过粒子群算法迭代寻优，输入进PID控制器中进行调节。从而***不断地采集温度偏差值和偏差变化率，不断地进行模糊规则库搜索，对PID参数不断地进行实时调整和修改，以此来实现温度自适应控制的目的。

惯性权重因子ω的赋值公式为：

其中ω_max为最大权重，ω_min为最小权重，H为迭代次数，h为当前迭代次数。

较大的惯性权重增加搜索能力，较小的惯性权重增加当前的最优解搜索能力，更快地收敛到最优解。所以本方案策略是初始权重将ω赋较大值，增加全局搜索能力；然后最终权重将ω赋较小值，使搜索更加精确快速，获取全局和局部的最优解。

本申请的有益效果：

本申请公开一种基于粒子群算法优化PID参数的电阻加热炉温度控制***粒子群算法，从随机解出发，通过迭代寻找最优解，以适应度来评价解的品质并追随当前搜索到的最优值来确定全域或局域最优解，具有实现容易、精度高、收敛快等优点；本发明利用采用粒子群算法与模糊PID相结合的智能控制算法，使电阻加热炉的温度控制精度更高、自适应性更强、稳定性更高。

本发明利用粒子群算法优化PID参数实现炉温控制的高精度和低时延，同时采用带惯性权重的粒子群算法提高粒子群的全局与局部搜索能力，合适的权重因子ω可以加快收敛速度，减小温度控制的收敛时间，从而更快达到稳定状态的目标温度值。

附图说明

图1为本申请电阻加热炉温度控制***控制框图；

图2为电阻加热炉控制***的软硬件结构框图；

图3为电阻加热炉温度控制***仿真模型；

图4为粒子群算法流程图；

图5a为粒子群算法的PID参数迭代过程迭代次数与最优个体适应值曲线图；

图5b为粒子群算法的PID参数迭代过程迭代次数与比例因子优化曲线图；

图6为电阻加热炉温度控制动态仿真对比波形。

具体实施方式

下面将结合本发明实施例中的附图对本公开发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例基于MATLAB/Simulink仿真平台搭建电阻加热炉温度控制***模型，得到不同温度控制算法下温度对比曲线；所述粒子群算法优化的模糊PID控制是将粒子群算法单元、模糊控制***和PID控制***单元依次串联构成一个闭环的温度智能控制***，利用目标温度值和实测温度值的偏差、偏差变化率经模糊PID温度控制器处理得到相应的参数控制量；采用粒子群算法对模糊PID温度控制器的PID参数进行优化调整。

如图1和2所示，一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，包括MCU主控制模块、WIFI通信模块、温度控制模块、和电源模块；MCU主控制模块包括模糊控制器和温度采集模块；温度控制模块包括PID控制器、温控执行单元和电加热模块；还包括显示模块和存储模块。

MCU主控制模块嵌入到电阻加热炉中；MCU主控制模块自带定时器，所述定时器用于温度采集模块采集模拟信号，发出PWM波来控制MOS管导通；

存储模块为本地存储；

WIFI通信模块实现与MCU主控制模块温度控制模块的远程连接，实现温度的控制功能；

基于粒子群算法优化的模糊PID算法对电阻加热炉进行温度控制，具体包括以下步骤：

设定采样t时刻PID控制器给定的电阻加热炉目标温度值T_SP(t)，温度采集模块采集电阻加热炉内的实测温度值T_PV(t)，计算电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差e(t)和偏差变化率ec，将温度偏差e(t)和偏差变化率ec作为模糊控制器的输入变量，经模糊算法处理后输出比例系数k_p、积分系数k_i、微分系数k_d所对应的模糊控制量Δk_p、Δk_i、Δk_d；

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，经过粒子迭代得到基于当前粒子群的全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}输出反馈给温控执行单元，调整电阻加热炉的工作状态实现温度控制。

温度采集模块采用热电偶，将热电偶采集到的实测温度值进行基于粒子群算法优化的模糊PID算法处理，发出PWM波，PWM波通过光耦和隔离电源隔离后，发送开关管信号给温控执行单元，实现温度控制的目的。

当无网络时，存储模块数据暂存在本地的flash中，待连通网络后上传至云端服务器。

如图1基于粒子群算法优化的模糊PID算法对电阻加热炉进行温度控制，步骤如下：

S1，搭建温度***的数学模型，设定采样t时刻PID控制器给定的电阻加热炉目标温度值T_SP(t)，温度采集模块采集电阻加热炉内的实测温度值T_PV(t)，计算电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差e(t)和偏差变化率ec，将温度偏差e(t)和偏差变化率ec作为模糊控制器的输入变量，经模糊算法处理后输出比例系数k_p、积分系数k_i、微分系数k_d所对应的模糊控制量Δk_p、Δk_i、Δk_d。

对温度控制***的理论分析和实验研究，本实施例，电阻加热炉温度控制***都使用一阶惯性环节来描述，其传递函数通过比例环节、一阶惯性环节和一阶延迟环节来近似表示为：

上式中，G(s)为传递函数即***输入与输出温度之比；s为时间t经拉氏变换后对应的参数；K为静态增益；C为惯性时间常数；τ纯滞后时间。

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，经过粒子迭代得到基于当前粒子群的全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}输出反馈给温控执行单元，调整电阻加热炉的工作状态实现温度控制。

所述带惯性权重的粒子群算法能够提高粒子群的全局与局部搜索能力，合适的权重因子ω可以加快收敛速度，减小温度控制的收敛时间，从而更快达到目标稳定状态温度值。

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，具体包括以下步骤：

S1，初始化粒子群：设定迭代次数H，确定粒子群的数量和规模，每个粒子代表一组PID参数，粒子群数量为N，粒子群规模(每次迭代被选中的粒子数量)为M；每个粒子都有一个位置和速度，位置和速度分别表示粒子在搜索空间中的位置和前进方向；第q个粒子的位置表示为x_q，其中q表示粒子的编号；q＝1,2…M(1≤M≤N)；

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，具体包括以下步骤：

S1，初始化粒子群：设定迭代次数H，确定粒子群的数量和规模，每个粒子代表一组PID参数，粒子群数量为N，粒子群规模(每次迭代被选中的粒子数量)为M；每个粒子都有一个位置和速度，位置和速度分别表示粒子在搜索空间中的位置和前进方向；第q个粒子的位置表示为x_q，其中q表示粒子的编号；q＝1,2…M(1≤M≤N)；

利用MATLAB/Simulink进行搭建模型和仿真，在模糊PID控制的基础上，加上粒子群优化的目标函数，即带时间权值的目标损失函数为：并且设置Δk_p、Δk_i、Δk_d三个参数为k_p、k_i、k_d三个位置变量。

其中，模糊控制***选取二输入三输出的模糊控制器，利用MATLAB软件FuzzyLogic工具箱进行构建，如图1所示输入值为温度偏差值e(t)和偏差变化率ec，输出值为PID控制器三个参数的偏差值Δk_p、Δk_i、Δk_d，最后输出的PID校正值通过以下公式实现：

其中，k_p、k_i、k_d是模糊算法后的整定值k_p'、k_i'、k_d'是PID算法参数初始值，Δk_p、Δk_i、Δk_d是模糊控制在线修整的增量值。

由于影响模糊控制器性能的指标有论域范围、量化比例因子以及隶属度函数。因此模糊变量e(t)、ec和输出量Δk_p、Δk_i、Δk_d均采用PB、PM、PS、ZO、NS、NM、NB这七种模糊语言变量来描述，分别代表表负大、负中、负小、零、正小、正中和正大。输入量和输出量的隶属度函数均选取三角形函数。根据模糊规则表以及专家经验和现场调试情况得到模糊控制器的控制规则，模糊推理选取Mamdani推理法，清晰化方法采用面积重心法。

S3，初始化粒子位置和速度：对于粒子q，随机初始化粒子位置x_q和速度v_q；

S4，初始化个体最佳位置和全局最佳位置：对于粒子q，个体最佳位置P_best(t)为当前位置x_q，全局最佳位置G_best(t)初始化为粒子群中任意一个粒子的位置x_k，k是随机选择的一个粒子的编号，k＝1,2…M；

S5，迭代H次更新粒子位置和速度，获得粒子群所达到全局历史最好位置；

步骤S5具体包括以下步骤：

S501，对于粒子q，根据粒子群算法公式更新粒子的速度v_q(t+1)：

v_q(t+1)＝ωv_q(t)+c₁r₁[P_best(t)-x_q(t)]+c₂r₂[G_best(t)-x_q(t)]；

S502，根据当前粒子速度更新粒子的位置x_q(t+1)：

x_q(t+1)＝x_q(t)+v_q(t+1)

S503，计算新位置的适应度：a_q(t+1)＝J(x_q(t+1))；

其中，a_q(t+1)为第t+1时刻随机更新的当前粒子位置的适应度值，J为通过目标函数对第t+1时刻当前粒子位置进行计算的适应度值；

S504，更新个体最佳位置P_best(t+1)：如果a_q(t+1)≤J(P_best(t))，则P_best(t+1)＝x_q(t+1)，否则P_best(t+1)＝P_best(t)；

S505，更新全局最佳位置G_best(t)：如果a_q(t+1)≤J(G_best)，则G_best(t+1)＝x_q(t+1)，否则G_best(t+1)＝G_best(t)；

其中，v_q(t+1)是粒子群中第q个粒子迭代到第t+1代时的速度，x_q(t+1)为第q个粒子在第t+1代时的位置；ω为惯性权重因子，c₁、c₂是[0，1]之间的随机数；r₁、r₂是加速系数，本实施例r₁＝r₂＝2；P_best(t)为第q个粒子迭代周期中最优适应值的位置称为该粒子的历史最好位置；G_best(t)为粒子群所达到全局历史最好位置(X,Y,Z)；

S6，将全局历史最好位置(X,Y,Z)对应赋值给全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，

将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}反馈控制温控执行单元的工作状态，进而调整加热炉的控制状态并实现温度控制。

为验证所建控制器的有效性，本实施例将通过MATLAB进行编写粒子群算法，并且在Simulink环境下对***仿真模型进行仿真分析。通过MATLAB拟合工具箱拟合实际工程数据，近似得到K＝0.6，C＝60，τ＝6，即电阻加热炉的温度控制模型的传递函数为

本实施例中，仿真温度值设定为500℃，分别采用粒子群优化的模糊PID控制和模糊PID控制对加热炉温度控制***进行仿真；通过Ziegler-Nichols方法整定，传统PID控制与模糊自适应整定PID的控制参数初值均取：k_p'＝8.27，k_i'＝0.22，k_d'＝0.41。设置粒子群优化的迭代次数为10次，粒子群规模为10，惯性因子为0.6，并且设置PID优化的范围，基于粒子群算法优化的模糊PID控制的电阻加热炉温度控制仿真模型具体如图3所示。

运行以上搭建的仿真模型，经过多次迭代优化，得出为k_p、k_i、k_d变量的优化曲线，以及相应的随着迭代次数增加，个体适应值曲线。具体如图5a所示，随着迭代次数的增加，粒子群算法动态改变PID参数，使得目标函数的适应值逐渐减小，如图5b可见粒子群算法经过4次迭代优化得到的最优PID参数，最终k_p＝9.01，k_i＝0.29，k_d＝0.58。由此最终将粒子群优化后的电阻加热炉温度控制***和模糊PID温控***输出相应的曲线进行比较如图6所示。根据图中波形变化可以发现，经粒子群算法的模糊PID超调量小，调节时间短，上升时间快。经波形分析及计算，表1为两者之间具体阶跃响应的性能指标对比。

表1

可见粒子群优化的模糊PID温度控制曲线明显优于模糊PID控制的结果，前者超调量较小，***调节时间变短，上升时间较快，显然提高了***控制性能。

如图2所示为电阻加热炉控制***的软硬件结构框图，其中硬件部分包括MCU主控制模块、WIFI通信模块、温度控制模块、显示模块、电源模块和存储模块。

本实施列通过制作一块主控制板卡嵌入到电阻加热炉中，来实现上述各个功能模块的实现。其中MCU主控制模块采用STM32单片机，其自带的高精度定时器用来采集模拟信号，发出PWM波来控制MOS管导通；同时在单片机芯片上挂载一片flash作为本地存储、一块WIFI通信模块作为云端通信以及一块OLED屏幕作为信息显示。

其中WIFI通信模块采用一片esp8266芯片实现WIFI模块的通信，以此来实现温度的实时显示和控制功能。

其中温度控制模块采用将自动控温模块和加热炉加热模块连接起来，主要是通过MCU主控电路将热电偶采集到的实测温度值进行相应的智能控制算法的处理并发出PWM波，通过光耦和隔离电源隔离后，提供给外部开关管信号，以此来实现温度控制的目的。

其中电源模块，通过板载DC-DC LDO型芯片降压，为控制板上各组件进行供电。

其中存储模块，当无网络时，数据暂存在本地的flash中，待连通网络后上传至云端服务器。

整个电阻加热炉***的显示模块，分为一块与单片机相连的OLED屏幕显示屏和上位机***实时监控画面。

以上仅为本公开的优选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (9)

1.一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，包括MCU主控制模块、WIFI通信模块、温度控制模块和电源模块；MCU主控制模块包括模糊控制器和温度采集模块；温度控制模块包括PID控制器、温控执行单元和电加热模块；

MCU主控制模块嵌入到电阻加热炉中；MCU主控制模块自带定时器，所述定时器用于温度采集模块采集模拟信号，发出PWM波来控制MOS管导通；

存储模块为本地存储；

WIFI通信模块实现与MCU主控制模块温度控制模块的远程连接，实现温度的控制功能。

2.根据权利要求1所述的一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，基于粒子群算法优化的模糊PID算法对电阻加热炉进行温度控制，具体包括以下步骤：

设定采样t时刻PID控制器给定的电阻加热炉目标温度值T_SP(t)，温度采集模块采集电阻加热炉内的实测温度值T_PV(t)，计算电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差e(t)和偏差变化率ec，将温度偏差e(t)和偏差变化率ec作为模糊控制器的输入变量，经模糊算法处理后输出比例系数k_p、积分系数k_i、微分系数k_d所对应的模糊控制量Δk_p、Δk_i、Δk_d；

基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，经过粒子迭代得到基于当前粒子群的全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}输出反馈给温控执行单元，调整电阻加热炉的工作状态实现温度控制。

3.根据权利要求1所述的一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，还包括显示模块和存储模块。

4.根据权利要求1所述的一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，

温度采集模块采用热电偶，将热电偶采集到的实测温度值进行基于粒子群算法优化的模糊PID算法处理，发出PWM波，PWM波通过光耦和隔离电源隔离后，发送开关管信号给温控执行单元，实现温度控制的目的。

5.根据权利要求1所述的一种基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，

当无网络时，存储模块数据暂存在本地的flash中，待连通网络后上传至云端服务器。

6.根据权利要求2所述的基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，基于带惯性权重的粒子群算法对当前的模糊控制量Δk_p、Δk_i、Δk_d进行优化，具体包括以下步骤：

S1，设定迭代次数H，确定粒子群的数量和规模，每个粒子代表一组PID参数，粒子群数量为N，粒子群规模为M；每个粒子都有一个位置和速度，位置和速度分别表示粒子在搜索空间中的位置和前进方向；第q个粒子的位置表示为x_q，其中q表示粒子的编号；q＝1,2…M；1≤M≤N；

S2，定义目标函数用来衡量PID参数的表现，所述目标函数为温度偏差绝对值与时间乘积的积分值，为：式中t为采样时刻，e(t)为电阻加热炉目标温度值T_SP(t)与所属实测温度值T_PV(t)之间的温度偏差；其中t＝1,2…T；

S3，对于粒子q，随机初始化粒子位置x_q和速度v_q；

S4，：对于粒子q，个体最佳位置P_best(t)为当前位置x_q，全局最佳位置G_best(t)初始化为粒子群中任意一个粒子的位置x_k，k是随机选择的一个粒子的编号，k＝1,2…M；

S5，迭代H次更新粒子位置和速度，获得粒子群所达到全局历史最好位置；

S6，将全局历史最好位置对应赋值给全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}，

将全局最优PID参数k_{p_best}、k_{i_best}、k_{d_best}反馈控制温控执行单元的工作状态，进而调整加热炉的控制状态并实现温度控制。

7.根据权利要求6所述的基于粒子群算法优化PID参数的电阻加热炉温度控制***，

步骤S5具体包括以下步骤：

S501，对于粒子q，根据粒子群算法公式更新粒子的速度v_q(t+1)：

v_q(t+1)＝ωv_q(t)+c₁r₁[P_best(t)-x_q(t)]+c₂r₂[G_best(t)-x_q(t)]；

S502，根据当前粒子速度更新粒子的位置x_q(t+1)：

x_q(t+1)＝x_q(t)+v_q(t+1)

S503，计算新位置的适应度：a_q(t+1)＝J(x_q(t+1))；

其中，a_q(t+1)为第t+1时刻随机更新的当前粒子位置的适应度值，J为通过目标函数对第t+1时刻当前粒子位置进行计算的适应度值；

S504，更新个体最佳位置P_best(t+1)：如果a_q(t+1)≤J(P_best(t))，则P_best(t+1)＝x_q(t+1)，否则P_best(t+1)＝P_best(t)；

S505，更新全局最佳位置G_best(t)：如果a_q(t+1)≤J(G_best)，则G_best(t+1)＝x_q(t+1)，否则G_best(t+1)＝G_best(t)；

其中，v_q(t+1)是粒子群中第q个粒子迭代到第t+1代时的速度，x_q(t+1)为第q个粒子在第t+1代时的位置；ω为惯性权重因子，c₁、c₂是[0，1]之间的随机数；r₁、r₂是加速系数，本实施例r₁＝r₂＝2；P_best(t)为第q个粒子迭代周期中最优适应值的位置称为该粒子的历史最好位置；G_best(t)为粒子群所达到全局历史最好位置(X,Y,Z)。

8.根据权利要求2所述的基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，所述模糊PID温度控制器工作流程具体包括以下步骤：

将温度偏差e(t)和偏差变化率ec基于模糊逻辑进行模糊化处理，利用模糊规则库将输入信号e(t)和ec与对应的隶属度值对应起来，进行模糊推理得到模糊结果，对模糊结果进行去模糊化处理得到控制量Δk_p、Δk_i、Δk_d，经过粒子群算法迭代寻优，输入进PID控制器中进行调节。

9.根据权利要求2所述的基于粒子群算法优化PID参数的电阻加热炉温度控制***，其特征在于，

惯性权重因子ω的赋值公式为：

其中ω_max为最大权重，ω_min为最小权重，H为迭代次数，h为当前迭代次数。