（机械工程专业论文）基于神经网络的中央空调控制系统的建模与仿真.pdf

基于神经同烙的中央空调挂制糸统的走糕与仿真 基于神经网络的 中央空调控制系统的建模与仿真 摘要 本文从工程实际出发，对基于神经网络的中央空调控制系统的建 模和仿真进行了研究。文章结合人工神经网络和空调系统的基本理论， 建立了神经网络湿空气参数和工况转换模型，研究了空调时滞对象的 神经网络辨识以及神经网络预测控制方法，并在此基础上构建了某一 次回风露点控制全年运行调节的中央空调系统的s i m i o l i n k 仿真模型， 进行了仿真实验。 本文的主要研究内容有如下几个方面： 综述了人工神经网络用于空气调节技术的研究现状，并就基于神经 网络的中央空调系统仿真研究提出了作者的一些观点； 通过对侧吹风空调系统全年运行工况分析，建造出基于神经网络的 工况转换仿真模型，提出了工况转换的s i 枷j l i n 实现的方法，使 空调工况转换变得更加迅捷有效。 运用m a t l a b 辨识工具箱和神经网络理论，通过对暖通空调系统中 常见的时滞对象的辨识，研究了基于神经网络的线性和非线性的辨 识方法。从仿真结果看来，神经网络对非线性对象的辨识具有明显 的优势。 神经网络预测控制由于控制性能好，易于实现，鲁棒性好，因此本 文从空调时滞模型角度出发，对基于神经网络预测控制进行了研究 和仿真，取得了满意的控制效果。 建立了空调系统全年运行自动控制系统仿真模型，该模型能根据室 内外参数的变化自动切换工况、计算设备运行容量、显示室内外温 度变化曲线。 关键词：神经网络，空调系统，辨识，预测控制，仿真 竺兰三兰查兰! 兰兰兰兰墨 t h em o d e l i n ga n ds i m u l a t i o no f a i r c o n d i t 】o n i n gc o n t r o ls y s t e m b a s e do nn e u r a ln e t w o r k a b s t r a c t f r o mt h ep o i n to fv i e wf o rp r a c t i c a lu s e s ，t h e m o d e l i n ga n ds i m u l a t i o n o f a i 卜c o n d i t i o n i n gc o n t r o ls y s t e m b a s e do nn e u r a ln e t w o r ka r er e s e a r c h e d i nt h i sd i s s e r t a t i o n m o i s ta i rp a r a m e t e ra n ds w i t c h i n gw o r k i n gc o n d i t i o n m o d e l so nn e u r a ln e t w o r ka r eb u i l t t h ed e s i g nt h e o r yo fn e u r a ln e t w o r k s a n dt h ee s t i m a t i o n so f1 i n e a rs y s t e m sa n dn o n l i n e a rs y s t e r n sw i t hd e a dt i m e u s i n gn e u a ln e t w o r ka r ed i s c u s s e d ，d y n a m i cs i m u l a t i o nf o ra i r c o n d i t i o n s y s t e ma n dp r e d i c t i v ec o n t r o 】s t r a t e g i e su s i n gn e u r a 】n e t w o r k sa r e p r o p o s e d t h es i m u l a t i o n e x p e r i m e n t s a r em a d e t h em a i nr e s e a r c hw o r ka n dc o n t r i b u t i o n so ft h i sd i s s e r t a t i o na r ea s f o l l o w s ： as u r v e yo fa i r c o n d i t i o n i n g t e c h n i q u eb a s e do na r t i f i c a l n e u r a l n e t w o r k si s s u m m a r i z e d ，a n d p r e s e n t s o m e p o i n t s o fv i e wa b o u t s i m u l a t i o no f a i r c o n d i t i o n i n gc o n t r o ls y s t e m t h ep a d e l b u i l d st h es i m u l a t i o nm o d e lb a s e do na n a l y z i n gt h e w h o l ey e a rs w i t c h i n gw o r k i n gc o n d i t i o n ，p r o v i d i n gt h em e t h o do ft h e s w i t c h i n gw o r k i n g c o n d i t i o nr e a l i z i n g ，a n dm a d ei tm o r e q u i c k l y a n d e f f e c t i v e l y b a s e do ni d e n t i f y i n gt h et i m e d e l a ys y s t e mo f 王 a c t h ep a p e r r e s e a r c h e st h e1 i n e a ra n dn o n l i n e a rs y s t e m si d e n t i f i c a t i o nm e t h o d sw i m m a t l a bs y s t e mi d e n t i f i c a t i o nt o o l b o xa n dn e u r a ln e t w o r k t h e o r y a c c o r d i n g t ot h e r e s u l to fs i m u l a t i o n ，n e u r a jn e t w o r kh a so b v i o u s a d v a n t a g ef o r n o n l i n e a r s y s t e m si d e n t i f i c a t i o n b e c a u s ea n n p r e d i c t i v ec o n t r 0 1c a no f f e rg o o dp e r f o r m a n c e b e u n d e r s t a n d e d e a s i l y a n dr o b u s t n e s st ot h em o d e l u n c e r t a i n l y , a n n p r e d i c t i v ec o n t r 0 1s t r a t e g i e sh a v er e c e i v e dm u c ha t t e n t i o na n db e e n a p p l i e di ni n d u s t r i e sw i d e ly i n t h i s d i s s e r t a t i o n ，a n n p r e d i c t i v ec o n t r o l b a s e do nt i m e - d e l a ys y s t e mo f a i r c o n d i t i o n i n gi ss t u d i e da n ds i m u l a t e d a n d g o o dp e r f o r m a n c e i so b t a i n e d t h e p 印e r b u i l d st h em o d e lo ft h ew h o l e y e a rw o r k i n g t h e s i m u l a t i o nr e s u l ts h o w st h a ta c c o r d i n gt ot h ev a r i e t yo fi n s i d ea n do u t s i d e p a r a m e t e r , t h em o d e lc a r ls w i t c hw o r k i n gc o n d i t i o na u t o m a t i c a l l y , c h o o s e t h er i g h tw o r k i n g e q u i p m e n t ，c a l c u l a t et h ee q u i p m e n tc a p a c i t y , d i s p l a yt h e c u r eo f t e m p e r a t u r ev a r i e t y k e y w o r d s ：a n n ，a i rc o n d i t i o n i n g s y s t e m ，i d e n t i f i c a t i o n ， p r e d i c t i v ec o n t r o l ，s i m u l a t i o n 新江工业大学硕士擘往论文 第一章绪论 1 。1 空调技术的研究内容与现状 空气调节f 空调1 技术作为- - 1 7 人工环境控制工程技术包涵的内容有：湿空气的 物理性质、室内空气品质的改善、空调负荷的计算、影响人体的热舒适环境条件、 空调房间气流组织的分布规律、合理的空调系统和系统的节能运行、空调系统的 消声和隔振、空调系统的自动控制等i l j 。 作为2 0 世纪初开始形成的技术，随着工业的发展和科技的进步而日趋完善。 美国人w i l l i sh ，c a r r i e r 在1 9 1 1 年就找出了湿空气的干球温度、湿球温度和露点温 度之间的关系，得出了空气显热、潜热和焓的计算公式，并绘制了焓湿图，使人 们掌握了湿空气的物理性能，为空调技术的快速发展奠定了理论基石。 室内空气品质i a q 已成为当前一个研究热点，长期生活和工作在现代建筑物 中的人们常表现出一些越来越严重的病态反应，这一问题引起了专家们的广泛重 视，并提出了s i c k b u i l d i n gs y n d r o m e ( 病态建筑综合症) 【2 等一些新概念。置换通 风、喷射诱导型送风等方式的应用改善了气流组织，提高室内空气品质。 在空调负荷的计算方面，计算方法有很多，除了简便的估算法以外，常被人 们广泛采用的详细计算法有传递函数法和谐波反应法，这两种方法有严密的理论 分析和推导，较全面地考虑了影响房间负荷的各种因素。 对于热环境舒适条件，7 0 年代先后提出的评价人体热舒适指标有新有效温度 e t 、预测平均热感觉指标p m v 和标准有效温度( s e t ) 等。尤其丹麦工业大学 p o f a n g e r 教授的p m v - p p d 评价指标综合考虑了人体活动强度、衣服热阻、空气 温度、平均辐射温度、空气湿度和空气流动速度等六方面因素1 1 1 1 3 】。 在气流组织形式方面，传统研究方法是射流理论分析法，而实际空调通风房 间的气流组织形式变化多样，在理想条件下的理论分析和试验得到的射流公式在 实际的应用中有一定误差。模型实验能够得到设计人员所需要的各种数据，但需 要昂贵的实验费用和较长的实验周期，在工程设计中广泛采用有一定难度。丽c f d 作为一种模拟仿真技术，具有成本低、速度快等特点。自从1 9 7 4 年丹麦的n i e l s e n 首次将c f d 用于对通风房间内的空气流动进行模拟之后，到目前c f d 技术已应用 在暖逋空调工程的多种研究和应用中| 4 j 。 新的空气调节技术的节能方法的研究和应用也如火如荼，如v a v 系统、v r v 基于神控r 蓐的中典空调拄制孽统曲建模与仿真 系统、v w v 系统冰蓄冷、水蓄冷，低温送风，地源热泵、水源热泵，水环热泵， 辐射供暖供冷等空调系统应用正逐渐取代常规空调系统f 2 1 川”。 从空调系统的控制方面，由开始的手动控制室内温湿度参数，到采用经典的 p i d 控制，然而自1 9 4 6 年第一台电子计算机e n l a c 诞生以来，科学技术发生了一 场深刻的革命，计算机在数据处理和工业控制方面得到了越来越广泛的应用，计 算机技术用于空调系统控制已经取得了良好的成绩，例如在现代建筑中，空调控 制系统与安全保卫系统、自动办公系统、信息管理系统相结合，成为大楼智能化 控制系统b a s 【，l 。 1 2 空调技术所面临的问题 尽管空调技术的发展已经达到了前历未有的水平，但是随着生产工艺和人们 对空调参数要求的日益苛求，高精度、高舒适的空调与能源节约产生了矛盾。然 而在基于全球经济可持续发展的原则下，对能源有效利用是空调发展的根本途径， 空调技术的发展要将舒适与节能、能源利用与保护环境的技术相结合，不仅抓好 设备运行节能，而且更要抓好投资效益高的空调系统设计以提高运行调节与能源 管理水平，这也是每一个空调工作者的责任。 虽然用常规的研究方法已经能够解决空调系统中的许多问题，但就空调系统 包涵的对象而言，其本质上大部分是非线性、耦合、参量时变、工作过程随机的 系统，要想获得简便直观的结论、良好的控制品质和持久的控制效果，用常规的 方法很难达到要求。而始于本世纪4 0 年代的人工神经网络a n n ( a r t i f i c i a ln e u r a l n e t w o r k ) 理论，是近年来发展起来的前沿研究领域，涉及生物、电子、计算机、 数学和物理等学科，具有并行性、容错性、自学习、自组织、自适应性等特点， 能模拟人脑的基本特征，有着广泛的应用前景口】。正因为如此，a n n 的应用已渗 透到空调领域的各个方面，成为学科的前沿阵地，不少国内外学者作了许多有益 的尝试，如预测负荷、能源管理、系统辨识、故障诊断、非线性控制系统和智能 控制等，并取得了令人瞩目的成绩。目前，神经网络在空调领域的研究和应用也 越来越广泛，尤其美国、日本等发达国家的研究水平较高【9 j 。 我国的主要制冷空调产品产量已达到世界第一，但其所消耗能源、材料以及 开发费用与先进国家相比仍然相当高。传统的制冷空调产品设计中主要依赖样机 的反复制作与调试，既增加了开发费用，又不能进行产品性能优化设计，不利于 节能节材。通过对空调设备和系统的计算机仿真应用，在计算机上实现优化设计， 是制冷空调产品设计和系统优化管理的现代化发展方向【l0 | 】。 渐讧工业太学硕士肇位论文 1 3 人工神经网络在空调系统中的应用 1 3 1 预测负荷 美国供暖制冷空调工程师学会( a s h r a e ) 倡议了“大能量预测器的开发”， 由k r e i d e r j f 和j s h a b e r l 主持和组织这项没有学科偏见的计划f 1 2 l 。组织者的目标 是预测水、电负荷或者预测供暖、通风和空调系统的能量。第一个目标是预测大 型建筑电负荷( w b e ) 、冷水负荷( w b c w ) 和热水负荷( w b h w ) ；第二个目标 是预测能准确测量太阳辐射照度的建筑模型。研究方法要避免使用传统的系统辨 识与数字仿真等。 b r a d l e ye f e u s t o n 用人工神经网络( a n n ) 和美国某大学的实测数据作了仿真 试验。数据：时间t ( 年一月日一时) 、干球温度t a b 、相对湿度h 、太阳辐射照度s f 和风速w5 个参量。预测w b e ，w b c w 和w b h w 3 个参量。训练样本是1 9 8 9 年9 月1 日至1 9 8 9 年1 2 月3 1 目的数据( 每小组有8 个参量) 。试验样本是1 9 9 0 年1 月1 日至1 9 9 0 年2 月2 8 日。被训练好的神经网络能根据输入参量预测负荷， 实现了集合映照功能。该研究训练了3 0 0 个前向神经网络( 取了4 个优胜者) ，数 据样本( 训练和试验样本的集合) 2 9 2 3 个。网络的输入参量为：t 和t a b ，h ，s f ， w 分别在时间t ，( t - 1 ) ，( t 2 ) ，( t 3 ) 对应的值，采用了主分量分析，在过去研究 的基础上将2 4 个输入矢量减为8 个，由于工作日和节假日的负荷不同，因此还得 考虑时间特征值，即工作日1 0 ：周六o 3 ；星期日，假日0 0 。试验结果表明：预测 的电负荷高于实际值，冷水和热水负荷低于实际值。a s h r a e 研究会议认为，可 能是因为在这期间内假日对外开放和计算机调试引起的。 随着冰蓄冷空调系统的发展，如何对整个冷源系统进行优化控制，充分利用 冰蓄冷系统潜力成为急需解决的问题。而优化控制的前提是在融冰供冷之前对当 天供冷期的空调负荷进行在线预测。为此，需要研究如何利用实际运行数据进行 负荷预测。传统的预测方法有线性回归法、自回归滑动平均法等。美国威斯康星 大学和日本s h i ni r u 公司合作调查了四种通常的预测方法并且比较了每种模型的 精度，一个供冷和供热季节的数据集以及可知的第二天的天气被用来估计每种模 型的预测精度，结果表明，神经网络预测模型具有最高的负荷预测精度。在使用 计算机产生的数据集进行了初始的比较之后，神经网络模型被用于另外一个研究 项目中的两个建筑物负荷的测量。结果表明，使用神经网络模型预测第二天的冷 负荷与实际数据更接近h j 。 基于神经一的中央空调齄嘲糸统的走掇与傍真 1 3 2 建筑物能量分析、管理与控制系统 传统的能量分析方法包括回归模型、时间序列模型、模糊集模型。神经网络 以其能够逼近任意非线性系统的能力，引起了人们的广泛关注，而建筑热环境本 质上是一个非线性系统，因此。神经网络应用于建筑物能量分析应能取得较好的 效果。 美国科罗拉多大学利用神经网络预测了该大学建筑的能量使用情况，其特点 是无需数据采集系统。先前建立的能量管理系统采用线性回归和统计学的手段来 建立准则关系。预测结果和实际能量使用结果进行了比较，以判定是否是由于不 正常的气候条件，建筑物使用的波动性或操作系统等原因引起的误差。由于神经 网络可以随着时间自动更新学习知识，这样为系统随着天气和建筑使用的变化提 供了良好的自适应性。同时，神经网络的自动学习减少了专家分析、建立、修改 能量预测器的时间。通过对不同形式的神经网络预测模型的应用效果进行了比较， 研究表明学习算法及学习速率的选择对系统效率影响较大。e s c u r t i s s 分别用定点 温度、变温度控制a n n 预测控制管理中央h v a c 系统的能源。通过试验他们证明 了以下几点：神经网络能仿真h v a c 负荷；基于a n n 的能源管理程序能在线 运行：在保证舒适度的条件下，a n n 管理系统比另外的两个系统节能。g e r a l d l g i b s o n 研制成功了在线运行的建筑中央冷却系统的a n n - g a ( 遗传算法) 最佳 能源管理器，h v a c 设备处于动态的最佳化运行。模型是美国加利福尼亚南方的 一所高级中学的h v a c 系统，系统有蓄冰系统、螺杆式制冷机和燃气式制冷机。 a n n 为全回归神经网络【2 0 + 2 + 9 】，该网络能预测和控制9 个矢量，峰值负荷预测 误差小于l k w ，即0 0 4 。 9 1 【l 刮 1 3 3 故障诊断 制冷装置故障诊断专家系统的两个基本问题是：系统的信息储存能力和系统 进行诊断的速度，即进行推理或计算的速度。在传统的制冷装置故障诊断专家系 统领域中，集人类专家经验，应用搜索比较推理的方法来解决。由于专家系统只 是专家经验的知识库，并不能创新和发展。因此这种方法的缺点是一旦信息量巨 大，这种方法的速度会大大降低，难以适应快速变化。 由于神经网络具有很强的自学能力，具有创新性，可以在成堆的数据中灵活 挑选从中发现模糊的偶然联系，接近人脑的灵活性。建立基于神经网络专家系 统是利用神经网络的学习能力，大规模分布式处理功能实现知识获取自动化，克 服了经典专家系统“组合爆炉”、“推理复杂”等困难，提高了专家系统的智能水 平，实时处理能力及鲁棒性。 4 浙江工业大学士擎位撸文 法国建筑科技中心建立了一个基于人工神经网络的复杂供热系统故障诊断系 统六种故障操作模式用于建立这种故障诊断系统，这六种模式源于对供热系统维 护专家的详细调查，并且对于这种类型的系统来讲是最常见的操作故障。其中网 络的训练数据来自仿真数据。 x i a o m i n gl i 研究了h v a c 系统故障检测和运行诊断的a n n 模型。根据法国 4 6 位专家分析供暖系统运行出现的问题，将供暖系统分成7 种运行方式6 类故障。 正常运行( 不是最佳运行，而是次最佳) ：燃烧工况不好；换热器故障： 加热曲线( 低于或者超过室内设定温度) ；初升温和后期升温时间；阀门渗漏。 他们的研究分成了两个阶段。第一阶段用两个a n n 对故障检测和诊断，a n n 用 来判断正常运行和供暖曲线故障；a n n 2 用来判断其它的故障，在a n n 2 诊断之前， 供暖曲线故障已被校准。由于a n n t 训练和试验期间，太阳辐射照度大，因此未能 很好地反映检测和诊断效果。a n n 2 的训练样本不能分类和分错类的少于3 ，试 验样本不能分类的在3 一9 之间，分错类的为o 一3 。每类故障选了7 0 个样本， 共计4 9 0 个样本，仿真包括了整个供暖季节，共计1 9 6 天。在第二阶段，他们仿 真了5 个不同的供暖系统，做了以下试验：改变室内温度设定值、改变供水温 度、改变室外温度、改变建筑的惯性，以考核网络的准确性；用两个a n n ( 同 第阶段) 与1 个舢州_ 6 2 + 6 】比较检测和诊断的正确性。试验证明，用个a n n ( s a n n ) 比用2 个a n n ( m a n n ) 诊断和检测故障效果更好。s a n n 的正确分 类在9 1 一l o o 检测正常运行、供暖曲线和后期升温时间基本上是1 0 0 正确； 而m a n n 的错误分类达1 1 一2 6 。i l 刘 1 3 4 系统辨识与控制 传统的p i d 控制因其结构简单，调整方便，在过程控制中获得了广泛的应用。 通常，p i d 控制只能在模型参数变化不大的情况下取得较好的效果。而制冷系统的 控制对象的随机、时滞、时变和非线性等特性比较明显，这导致p i d 参数往往不 易实现在线调节。使用神经元控制能较好地改善这些特性，从而引起了控制领域 的广泛关注，国外这项技术的研究已进入应用阶段。 香港市立大学研究了人工神经网络在一个空气处理系统中被用于系统辨识和 智能控制的应用情况，作者建立了一个基于标准空气处理单元的通用软件模型， 该模型适用于测试各种不同的包括a n n 控制器在内的控制算法。a n n 作为一个 辨识器不间断地跟踪与整个空气处理系统相关的实时参数。此外，神经网络辨识 器与控制器的良好性能与常规的p d 控制器进行了比较，结果表明，神经网络控 制器具有良好的性能。 基于神经同的中央空调控制盎统的走模与仿真 a l b e r tt p s o 将一个3 层前向网络b p 算法 1 2 + 2 7 用作中央h v a c 系统的控 制器。在时间t 内，既作辨识嚣又作控制器。辨识器首先在线更新模型( 正向建模) ， 一旦训练好就成为p l 控制器。该神经网络辨识器控制器能实现两个指标：设定 点误差最小的h v a c 系统能耗小。o s m a na h r n e d 用广义回归神经网络( g 砌町n ) 辨识与控制中央h v a c 系统。一个g r n n 既作辨识器又作前向控制器，一个g r n n 为反馈控制器，两个g r n n 组合成前一反馈辨识控制器。在不同的运行条件和不 同的阻尼器( 阀门或风门) 的情况下试验，证明了该组合控制器适用范围广、鲁 棒性好和准确性高。1 9 1 1 1 8 1 1 3 5 其它应用 同济大学的谭良才提出了b p 网络计算空调负荷的设想，设想中房间负荷包括 冷负荷、热负荷、湿负荷等，网络结构采用一个输入层，一个输出层和两个隐层， 输入、输出节点数未定，可根据实际情况选择，隐层节点数可根据理论计算或试 凑确定，空调负荷神经计算的难点在于样本数据的采集和确定合适的网络结构。 在理论上空调负荷的神经计算是可行的，但要运用到实践中还需要多方面的努力 1 6 1 。 华南理工大学的巫江虹等采用神经网络系统理论b p 算法，实现换热器内部流 量分配状态的评估，即均匀、微弱不均匀、不均匀、严重不均匀四种状态的学习 和分类识别、进而预测各种情况下换热器内流动状况，并与实验数据进行对比， 错误识别率在8 以内，可用于在线监控。 上海交通大学的丁国良等将神经网络引入到制冷空调系统的仿真研究中，构 建基于数学模型与人工智能相结合的制冷空调系统仿真理论，利用神经网络的学 习功能，自适应补偿传统的仿真优化得到的基本模型的误差，从而提高了仿真软 件的使用价值【l7 i 。 西安建筑科技大学的石磊等将人工神经网络的基本原理应用与计算人体热感 的p m v 指标，其计算值与实际值相吻合，成功地完成了对人体热感觉的预测，迸 一步说明了a n n 模型使以人体舒适度p m v 为目标的控制器成为可能，以实现在 满足舒适度的同时，实现最大限度的空调节能【3 j 。 1 4 本文研究的主要内容 在空气调节技术中，集中式空调系统是其中最重要的内容之一，它包涵了该 学科研究的方方面面。特别是集中式、一次回风、露点控制的中央空调系统，其 应用非常广泛【2 ”。本文通过对陔系统的全年运行调节的研究，建立其相应的神经 渐讧工生大荦项士学往祷文 神经网络的空调系统 全年运行调节仿真 f 黼f | 瓣黼酬神藏徽制 的神经网络模型】 神经网络辨识 l 爿神经网络预测控制 1，二【，。j。【，二 基于神妊罔薛的中夹空谓控制采眈酌建棋与仿真 第二章空调系统工况转换的神经网络模型 本章运用人工神经网络强大的学习和信息处理功能，建立湿空气状态参数的 神经网络预测模型，进行湿空气状态参数的智能化预测。同时，结合中央空调自 动控制系统全年运行的工况转换原理，建立个基于神经网络的工况转换器，从 而为建立各种空调实时控制系统提供简单可靠的工具。 2 1 中央空调温湿度控制的基本方法 空气调节是利用各种处理方法( 如加热、加湿、冷却、干燥、净化等1 和合理的 气流组织形式，对空间内的空气温度、湿度、洁净度和空气流动速度等参数进行 调节和控制，以满足人体舒适和工艺过程的要求。这里所说的空气，实际上是干 空气加水蒸汽，即湿空气。湿空气既是空气环境的主体，又是空气调节的处理对 象，湿空气的物理性质在空气调节设计、研究、运行管理中具有重要作用。目前， 确定湿空气的状态参数主要有两种方法。一是利用湿空气的焓湿图，这种方法的 特点是直观、方便，适于分析空气的状态变化过程和确定设备容量；二是利用计 算公式或查取湿空气性质表，这种方法计算过程繁琐，既不便于硬件实现，同时 也不能适应空调实时控制过程的需要。基于以上分析，我们认为可以利用人工神 经网络强大的学习功能、信息处理功能和联想记忆功能，建立湿空气状态参数的 神经网络预测模型，实现湿空气状态参数的智能化预测，从而为建立各种空调实 时控制系统提供简单可靠的工具。 在中央空调系统中，自动控制的两个重要环节是空气的温度控制和空气的相 对湿度控制。温湿度自动控制的方法一般有露点温度控制法和直接控制法。 露点温度控制法是空调系统运行调节中常用的方法，它是通过控制喷水室或 表面式冷却器后面的露点状态来控制送风状态的。对温度控制一般指送风温度或 室内温度控制，对一次回风空调系统，温度控制的方法一般是调节再热器的加热 量，使送风温度随扰量的变化而变化，直至室温或送风温度达到设定值。对送风 相对湿度或室内相对湿度的控制，对一次回风空调系统采用控制机器露点温度恒 定的方法，而控制机器露点温度的方法是根据全年运行工况分别调节( 1 ) 调节新 回风比例。( 2 ) 调节喷水室喷水温度或调节进入表冷器的冷水流量。( 3 ) 调节一 次加热器的加热量。 露点方法控制简单、性能可靠、应用广泛，但由于全年各区域经常出现必须 浙江工业太拳唾士学往论文 把空气先冷却到露点，然后再加热的现象，这样造成了冷热相互抵消，浪费了能 源。 直接控制法是把空气直接处理到要求的送风状态，以避免冷热抵消，该方法 更加节能，但要根据当地气象特点，将空调工况区域划分的更细更合理，使空调 系统在各区域按相应的最佳运行工况运行，此方法控制复杂，不宜控制【2 2 1 。 2 2 中央空调自动控制系统 本节以化纤厂侧吹风空调自动控制系统为例，说明空调自动控制系统的组成 和空调系统全年运行的工况转换原理。 化纤厂配置的侧吹风空调自动控制系统，是化纤厂保证产品质量的重要环节。 侧吹风在化纤厂长丝生产中，横向吹过熔丝束使之冷却固化成形，所以，侧吹风 的风速、风温、相对湿度及洁净度等参数，对丝条的条干、染色均匀性、毛丝、 断头等质量指标有很大影响。对绦纶长丝生产工艺一般要求送风的空气参数是： 干球温度t = 2 0 2 3 0 i c ；相对湿度妒= 6 0 7 0 5 ；洁净度要求，尘粒粒径小 于11 2m ；冷却吹风的风速v = o 3 o 7m s 。具体的参数可随生产工艺的改变而调 整。 图2 1 为空气处理室及控制系统原理图。为保证洁净度，此系统采用中效和高 效过滤器，为节能空调箱空气输入采用新风和平衡间的回风。在夏季，当室外空 气焓值高于送风露点的焓时，通过调节表冷器电动阀门来降温减焓，在冬季，而 当室外空气焓低于送风露点的焓时，则通过预热器加热增焓。在过度季节，可通 过调节新回风比例调节焓值。通过混合、加热或降温的空气再送到喷淋室内进行 等焓加湿，使其相对湿度几乎至1 0 0 ，然后通过二次再热器将空气加热到要求的 送风温度。这样，热湿过程的控制策略为： 测量喷淋室后面的温度以要求的送风露点温度为设定值，控制新回风联动风 阀、预热器或表冷器的电动阀门，使机器露点维持在要求的送风露点温度的0 2 间。 测量送风温度，控制二次加热器电动阀，使其温度控制在要求的送风温度的 0 1 间。 基于神拄同静时中夹空调世制囊兢曲| t 棋与仿真 图2 1空气处理室及控制系统原理图 为保证恒定风速，送风机采用变频风机，根据送风箱内的压力p 控制风机转 速。这样，由于过滤器积灰导致阻力变化而造成的风量变化将通过风机转速的改 变来消除，用微压差传感器测出的压力可长期稳定地维持于设定值，从而严格满 足了工艺对风速的要求。为了解两个过滤器工作情况，在需要时及时更换或清洗 过滤器，用压差开关4 尸j 和4 尸2 来监测、报警。测量新风的温湿度值t 、庐则 是为了计算新风的焓以便决定是用新回风、预热器还是表冷器来调节空气的露 点。由于喷淋室是工作在等烩喷淋工况，并且在任何工况下都要求将空气处理至 接近1 0 0 的相对湿度，因此不需要进行任何调节，仅是对循环泵进行自动启停控 制，以用于整个机组的自动启停 2 。 图2 2 为侧吹风全年空调工况分区和空气处理过程： i v 必。 图2 - 2 全年空调工况分区和空气处理过程 其中，第1 区域： 室外空气焓值小于h w 的区域，该区域采用改变一次加热器加热量的调节方 法，新风比为满足室内卫生要求的最小新风比m w 可由下式确定：h w = h ，一掣，b 为平衡间来的回风焓值，h 为送风 r a ”o 露点焓值。 当室外空气焓值乃w 叫、于乃h ，时，需把新风预热到h w 线上m ，j ，然后按最小 新风比m 与回风混合，其混合点必然落在h 线上f c ，j ，经绝热加湿到，再 加热到送风状态0 。 浙江工业太学硕士擎往论文 第1 j 区域： 室外空气焓值在h w h t 的区域，该区域采用改变新回风比例的调节方法，使 混合点的焓值落在在h 线上，经绝热加湿到，再加热到送风状态0 。 第1 i i 区域： 室外空气焓值在 。的区域，该区域的新风比为1 0 0 ，采用调节表冷器电 动阀的方法，控制空气焓值使其落在h 上，再加热到送风状态d 。 第区域： 室外空气焓值大于h w 的区域，该区域也采用调节表冷器电动阀的方法，但采 用最小新风比m ，控制空气焓值使其落在h 上，再加热到送风状态o 。 从以上分析可看出，空调运行的工况转换非常重要，它决定了系统的控制策 略和使用的设备，表2 - 1 为空调系统全年运行工况转换条件表。 表2 - 1 工况转换条件表： 区域转换条件调节对象 ih w h w j调节加( m 新风) i ih w l h w k调节新回风 i h t h w h n调节表冷( m 新风) h w ：室外新风焓，由干球温度t w 和相对湿度驴w ( 或湿球温度船) 决定 h ：设定送风状态的露点焓值，由设定的送风露点屯决定 h 。：回风焓值，由回风干球温度“和相对湿度毋v ( 或湿球温度t s ) 决定 w ：决定是否要预热的焓值，由计算h w 严口 h z ) m 决定 传统进行工况切换的方法有两种： 位置转换，利用调节机构的位置变化进行转换，即由自动控制的线路在前一 个执行机构达到极限位置时，就自动转换到下一个调节区域，这可能使得转换动 作过于频繁，必须使转换动作经延时后进行。 参数转换，利用各工况区域边界线对应的室外空气参数迸行转换。如，当采 用室外空气焓值作为分区域指标时，可在新风入口处设置若干个湿球温度传感器， 其整定值分别为与各工况区域分界线相对应的湿球温度值，以便它们能自动地选 择某个执行机丰句投入工作。但当室外温度低于o 。c ，则湿球温度不易测得。现在有 直接用焓值传感器来测定新风的焓值进行工况转换，但这种类型的焓值传感器一 般是德国进口的，价格昂贵，在国内很少使用。一个简单的方法是用温室度传感 器测出温度和相对湿度，再用程序计算出相应的焓值，但用计算的方法实时性差【2 4 j 】 2 6 1 。而本文利用人- t 神经网络强大非线性映射功能，可建立湿空气状态参数的 神经网络预测模型。 基于神经同巷的中央空调拄制盎统的土棋与仿真 2 3 全年运行工况自动转换的神经网络实现 从以上侧吹风空调系统的控制过程分析，需要构造两种形式的神经网络： 网络1 ：输入干球温度和相对湿度，输出露点温度和露点对应的焓值( 用于设 定t l 和h l ) 网络2 ：输入干球温度和相对湿度，输出焓值( 用于h w 和h n ) 人工神经网络主要有b p 网络、r b f 网络、h o p f i e l d 网络、c m a c 网络和 k o h o n e n 网络等。但在众多神经网络模型中，应用最广泛的是b p 网络和r b f 网 络，它们都有很强的生物背景和逼近任意非线性函数的能力，但各有所长。b p 网 络的输出与网络的连接权之间呈非线性关系，这使得其学习算法必须采用非线性 优化方法，因而不可避免地存在局部极小点问题，针对这一点，已有许多学者提 出了改进算法。而对于r b f 网络，则具有唯一最佳逼近的优点，其网络的连接权 与输出呈线性关系的特点使得它能采用可保证全局收敛的线性优化算法，但其中 心点集不易选取。 2 3 1b p 神经网络 1 9 8 6 年以r u m e l h a r t 和m c c e l l a n d 为首的科学家出版的p a r a l l e ld i s t r i b u t e d p r o c e s s i n g ) ) 一书中，完整地提出了误差逆传播学习算法，实现了m i n s k y 的多层网 络设想。多层感知网络是一种具有三层或三层以上的阶层型神经网络。典型的多 层感知网络是三层、前馈的阶层网络，即：输入层、隐含层( 也称中间层1 、输出层。 相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神 经元都实现全连接，而且每层各神经元之间无连接。见图2 - 3 输入层 中间层 输出层 2 - 3b p 神经列络模型 它以一种有教师示教的方式进行学习。 首先由教师对每一种输入模式设定一个期望 输出值。然后对网络输入实际的学习记忆模 式，并由输入层经中间层向输出层传播( 称为 “模式顺传播”1 。实际输出与期望输出的差即 是误差。按照误差平方最小这一规则，由输 出层往中间层逐层修正连接权值，此过程称 为“误差逆传播”。所以误差逆传播神经网络也简称b p ( b a c kp r o p a g a t i o n ) 匿j 。随着 “模式顺传播”和“误差逆传播”过程的交替反复进行。网络的实际输出逐渐向各自所 对应的期望输出逼近，网络对输入模式的响应的正确率也不断上升。通过此学习 过程，确定下来各层划的连接权值之后就可以工作了。 由于b p 网及误差逆传播算法具有中阳j 隐含层并有相应的学习规则可寻，使得 浙江工生大学硕士学位论文 它具有对非线性模式的识别能力。特别是其数学意义明确、步骤分明的学习算法， 更使其具有广泛的应用前景。目前，在手写字体的识别、语音识别、文本语 言转换、图象识别以及生物医学信号处理方面已有实际的应用。 b p 算法不仅有输入层节点、输出层节点，还可有1 个或多个隐含层节点。对 于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信 号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取s 型函 数，如： m ) 5 孟而 ( 2 1 ) 式中q 为调整激励函数形式的s i g m o i d 参数。该算法的学习过程由正向传播 和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不 到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改 各层神经元的权值，使得误差信号最小。 设含有l 层和n 个节点的任意网络，各节点之特性为s i g m o i d 型。为简便起见， 指定网络只有一个输出y 。设有个样本，y k ) ( 扣- i ，2 ，3 ，) ，任一节点i 的输出为o r ，对某一输入x k ，网络输出为y k ，节点i 的输出为0 k ，现在研究第z 层的第个单元，当输入第k 个样本时，节点，的输入为： n e t j k = 嵋1 - 1 ( 2 2 ) d ：1 表示l - i 层，输入第k 个样本时，第_ ，个单元节点的输出： = f c n d ：) ( 2 3 ) 使用误差函数为平方型： 取= i 1 ( 如一歹m ) 2 ( 2 4 ) y 。是单元_ ，的实际输出。总误差为： 肚素荟量 2 5 定义2 最 6 ) 豫嚣2 蔷o 州n e t ：i k 一惫畴1 眩， 基干神拄同搏的中鼻空调挫州囊境酊建攮与仿真 当为输出节点时，d ：= y 。 瓯2 嚣2 舞畿= - ( y k - 甜( 棚：) 泣s ， 若，不是输出节点，则有 碟= 鲁= 嚣器= 象肛盖， 眨” 式中o t j , r ：送n t 一层的( 件1 ) 的输入，计算轰要从( ，+ 1 ) 层算回来a 在( 1 + 1 ) 层第m 个单元时： 万o e , ：未争等：旦喘一：f 罐1 嵋- (210)o 砌：鲁锄“： n e t 2 。- 。a 、“叫 由以上两式可以得到： 黩= 碟1 喵f ( n e t ；k ) ( 2 1 1 ) 则b p 算法步骤为： 第一步，选取初始权值矾 第二步，重复下述过程直至收敛： ( 1 ) 对于k 从1 到 计算每层各单元的啡1 ，n e t t j k 雨d y m ， k = 2 ，n ( 正向过程) ； 对每层( 扛e 一1 到2 ) ，对每层各单元，计算j j k ( 反向过程) ； ( 2 ) 修正权值，= 一鲁，舢，弘为步长，其中堕0 w o = 学盟o w o 从上述b p 算法可以看出，b p 模型把一组样本的i 0 问题变为一个非线性优 化问题，它使用的是优化中最普通的梯度下降法。如果把神经网络的看成输入到 输出的映射，则这个映射是一个高度非线性映射。 但b p 算法并不是十分的完善，它存在以下一些主要缺陷：( 1 ) 存在平坦区域， 使训练次数大大增加，影响了收敛速度。( 2 ) 存在多个极小点，使训练陷入局部 极小。从而使训练无法收敛于给定误差。b p 算法的固有缺陷，根源在于其基于误 差梯度降的权值调整原则每一步求解都取局部最优。针对上述问题，三种常见的 改进方法为：( 1j 增加动量项，降低了网络对于误差曲面局部细节的敏感性，有 效抑制了网络陷入局部极小。( 2 ) 自适应调节学习率，有利于缩短学习时间。( 3 ) 引入陡降园子，改变误差函数的形状，从而使调整脱离平坦区，有利提高收敛速 浙江工业太擘磺士晕往论文 度1 2 0 。 2 3 2r b f 神经网络 由于b p 网络存在收敛速度慢和局部极小等缺点，而径向基函数网络的学习用 聚类等方法确定函数中心，隐单元到输出的权可直接计算，避免了学习中的反复 叠代过程，所以学习速度快。不存在局部最优问题，且由于参数调整是线性的， 可获得较快的收敛速度，同时具有全局逼近的性质和最