基于双模态PSO的折弯机送料系统PID控制

doi:10.16731/j.cnki.1671-3133.2026.05.020

现代制造工程 ›› 2026, Vol. 548 ›› Issue (5): 154-159.doi: 10.16731/j.cnki.1671-3133.2026.05.020

• 仪器仪表/检测/监控 • 上一篇

基于双模态PSO的折弯机送料系统PID控制

陈广庆¹, 马祎聪², 吴真强¹, 刘梓煜¹, 陈玉伦³, 陈彦华³

1 山东科技大学机械电子工程学院,青岛 266590;
2 山东科技大学储能技术学院,青岛 266590;
3 青岛普华重工机械有限公司,青岛 266400

收稿日期:2025-11-11 出版日期:2026-05-18 发布日期:2026-06-04
作者简介:陈广庆,硕士,副教授,硕士研究生导师,主要研究方向为生产过程自动化、智能制造工程。马祎聪,硕士研究生,主要研究方向为生产过程自动化。E-mail:chgq75@sdust.edu.cn;19805422172@163.com
基金资助:
^*青岛西海岸新区2022年度科技攻关“揭榜制”专项项目(2022-10)

Control of bending machine feeding system based on improved PSO combined with PID control

CHEN Guangqing¹, MA Yicong², WU Zhenqiang¹, LIU Ziyu¹, CHEN Yulun³, CHEN Yanhua³

1 College of Mechanical and Electronic Engineering, Shandong University of Science and Technology, Qingdao 266590,China;
2 College of Energy Storage Technology, Shandong University of Science and Technology, Qingdao 266590,China;
3 Qingdao Puhua Heavy Industry Machinery Co., Ltd., Qingdao 266400,China

Received:2025-11-11 Online:2026-05-18 Published:2026-06-04

摘要/Abstract

摘要： 目前,广泛应用于金属板材精密折弯作业的折弯机送料系统普遍采用比例、积分、微分(Proportional、Integral、Differential,PID)控制,该方法存在参数调节困难和适应能力差等问题。针对此类问题,设计一种双模态粒子群优化(Particle Swarm Optimization,PSO)算法,首先分别与标准PSO算法、线性递减PSO算法进行对比,其收敛速度分别提升了43.7 %、19 %;然后将双模态PSO算法与PID控制结合,通过迭代寻优优化的PID参数,有效解决了PID控制的参数调节难题。在MATLAB/Simulink软件中对优化前后算法进行仿真分析,结果表明:双模态PSO优化PID参数的方法相比于优化前PID具有响应速度快、超调量小的优点,提高了折弯机送料系统适应系统状态变化的能力。

关键词: 折弯机送料系统, PID控制, 双模态粒子群优化算法, Simulink仿真

Abstract: Currently, in the precise bending operations of metal sheet fabrication, the feed system of bending machines predominantly employs PID control algorithms. However, these algorithms often encounter challenges such as difficult parameter tuning and limited adaptability. To address these issues, a dual-modal Particle Swarm Optimization (PSO) algorithm was designed. Comparative analysis with standard PSO and linearly decreasing PSO demonstrated convergence speed improvements of 43.7 % and 19 %, respectively. Subsequently, the PSO algorithm was integrated with the PID controller to iteratively optimize and determine the PID parameters, effectively overcoming the parameter adjustment difficulty inherent in traditional PID algorithms. MATLAB/Simulink simulations of both approaches indicated that the dual-modal PSO-optimized PID method offers faster response times and reduced overshoot compared to conventional PID, thereby enhancing the feed system's ability to adapt to variations in system operational states.

Key words: bending machine feeding system, PID control, improve Particle Swarm Optimization (PSO) algorithm, Simulink simulation

中图分类号:

TH162+.1

陈广庆, 马祎聪, 吴真强, 刘梓煜, 陈玉伦, 陈彦华. 基于双模态PSO的折弯机送料系统PID控制[J]. 现代制造工程, 2026, 548(5): 154-159.

CHEN Guangqing, MA Yicong, WU Zhenqiang, LIU Ziyu, CHEN Yulun, CHEN Yanhua. Control of bending machine feeding system based on improved PSO combined with PID control[J]. Modern Manufacturing Engineering, 2026, 548(5): 154-159.

参考文献

[1] 史步海,方志雄. 基于智能控制技术的电动折弯机研究与开发[J]. 组合机床与自动化加工技术,2011(7):72-75,79.
[2] 李莎莎,王强. 混动挖掘机电驱回转系统运行轨迹PSO控制优化[J]. 中国工程机械学报,2024,22(4):488-491. DOI:10.15999/j.cnki.311926.2024.04.007.
[3] 王勇,郑昊,马雷,等. 基于模糊PID的数控折弯机比例伺服控制系统[J]. 锻压技术,2016,41(11):98-103. DOI:10.13330/j.issn.1000-3940.2016.11.019.
[4] 孙建民,杨世虎,赵磊,等. 基于动态惯性权重的电子节气门改进PSO-BP优化控制[J]. 现代制造工程,2024(2):45-52. DOI:10.16731/j.cnki.1671-3133. 2024.02.007.
[5] 杨西,岑豫皖,叶小华,等. 基于单神经元PID策略的液压折弯机同步控制研究[J]. 机床与液压,2017,45(5):119-123.
[6] 张玉培,张宇飞. 电液执行器非线性PID控制优化仿真研究[J]. 中国工程机械学报,2024,22(4):458-462. DOI:10.15999/j.cnki.311926.2024.04.002.
[7] COELHO P G, FARIA L O, CARDOSO J B. Structural analysis and optimisation of press brakes[J]. International Journal of Machine Tools and Manufacture, 2005, 45(12/13):1451-1460.
[8] DE ALMEIDA T, NICOLAU A S, SCHIRRU R, et al. Development of a deep neural network and a PSO algorithm to predict ore hardness using X-ray diffraction and atomic emission spectroscopy[J]. Minerals Engineering, 2024,213:108760.
[9] ZHANG H, WU W, CHEN Z, et al. Well logs reconstruction of petroleum energy exploration based on bidirectional Long Short-term memory networks with a PSO optimization algorithm[J]. Geoenergy Science and Engineering, 2024,239:212975.
[10] 孙超,郭乃宇,严明蝶,等. 改进自适应粒子群算法的PID参数优化[J]. 中国工程机械学报,2023,21(5):377-382.DOI:10.15999/j.cnki.311926.2023.05.004.
[11] 谢嘉,吴家桢,李永国,等. 改进粒子群优化算法在机械臂轨迹规划中的应用[J]. 机械科学与技术,2024,43(10):1681-1686.DOI:10.13433/j.cnki.1003-8728.20230099.
[12] 周廷慰. 不同类型粒子群算法对传递函数辨识仿真研究[J]. 白城师范学院学报,2023,37(2):28-34.
[13] ZHOU Y, GROSS L, CODD A. Inversion of 2D Magnetotelluric (MT) Data with Axial Anisotropy using Adaptive Particle Swarm Optimization (PSO)[J]. Journal of Applied Geophysics, 2024,226:105401.
[14] 黄游,俞亚新,黄建文,等. 基于APDL及粒子群优化算法的摩天轮优化设计[J]. 中国工程机械学报,2023,21(6):543-547,552. DOI:10.15999/j.cnki.311926. 2023.06.009.

[1]	李杰, 郑允昊, 郦骏楠, 宋伟森. 基于物理-数据驱动的轮腿运输机器人运动控制^*[J]. 现代制造工程, 2026, 547(4): 37-44.
[2]	营江澎, 孙有平, 吴光庆, 陈鹏宇, 季宏春. 电子机械制动夹紧力闭环控制策略研究^*[J]. 现代制造工程, 2025, 538(7): 48-56.
[3]	胡凤宝, 戴士杰, 季文彬, 刘淑媛. 基于MRAC+PID算法的机器人打磨力跟踪控制研究^*[J]. 现代制造工程, 2024, 523(4): 57-65.
[4]	张立军，马哲，王钰文，张晓东，贺庆强，王智伟，王吉岱，马龙，王晓强，李明. 高压输电线路机器人防滑挂线轮毂的H型3D打印装置的研究[J]. 现代制造工程, 2023, 513(6): 20-25.
[5]	李祥杰，孙志军，孟婥，孙以泽. 基于改进海鸥优化算法的履带式拉挤机牵引装置控制研究[J]. 现代制造工程, 2023, 513(6): 144-149.
[6]	邓召文,孔昕昕,高伟. 重型半挂汽车列车主动转向控制策略研究[J]. 现代制造工程, 2021, 493(10): 17-24.
[7]	张保家,杨涛,张有信,王凌鹏. 基于模糊PID的微细金属丝拉拔张力控制研究[J]. 现代制造工程, 2021, 493(10): 107-113.
[8]	胡鸿志,黄俊锋,管芳,覃畅,苏海涛. 基于专家PID的钻削优化控制方法研究[J]. 现代制造工程, 2021, 493(10): 114-118.
[9]	拜颖乾，高攀科，任锐. 盾构机推进液压系统仿真控制研究[J]. 现代制造工程, 2020, 480(9): 128-135.
[10]	张丽霞，林炳钦，李雪冰，潘福全，童浩，危银涛. 基于Pareto集和Bingham模型的磁流变减振器多目标优化与试验验证[J]. 现代制造工程, 2020, 476(5): 25-32.
[11]	孙磊厚，朱旭阳，逸铭，刘光新，王前进. 电缸综合性能测试系统设计[J]. 现代制造工程, 2020, 476(5): 145-149.
[12]	李鑫军，柳江，刘之涵，付延轩. 馈能悬架BP神经网络PID控制研究[J]. 现代制造工程, 2020, 474(3): 60-65.
[13]	刘权文，王晓笋，谢福起，巫世晶. 基于AFSA优化的龙门起重机防摆PID控制器[J]. 现代制造工程, 2020, 472(1): 143-148.
[14]	詹小辉, 陈新元, 邓江洪, 俞志鹏, 革军. 加渣机器人渣厚模糊控制系统设计[J]. 现代制造工程, 2019, 460(1): 55-58.
[15]	张崇俊, 阎春平. 通井机下放作业专家模糊PID控制技术研究及应用[J]. 现代制造工程, 2018, 452(5): 112-117.

基于双模态PSO的折弯机送料系统PID控制

Control of bending machine feeding system based on improved PSO combined with PID control

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics