CN101509390A - 一种基于模糊控制的隧道通风控制方法 - Google Patents
一种基于模糊控制的隧道通风控制方法 Download PDFInfo
- Publication number
- CN101509390A CN101509390A CNA2009100427167A CN200910042716A CN101509390A CN 101509390 A CN101509390 A CN 101509390A CN A2009100427167 A CNA2009100427167 A CN A2009100427167A CN 200910042716 A CN200910042716 A CN 200910042716A CN 101509390 A CN101509390 A CN 101509390A
- Authority
- CN
- China
- Prior art keywords
- blower fan
- fuzzy
- control
- current
- unlatching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Ventilation (AREA)
Abstract
本发明公开了一种基于模糊控制的隧道通风控制方法,其特征在于,由第一模糊控制器和第二模糊控制器分别输出第一风机数量值和第二风机数量值,将第一风机数量值和第二风机数量值两值取大即得出需要开启的风机台数;所述的第一模糊控制器的输入量为当前一氧化碳浓度和当前一氧化碳浓度增量;所述的第二模糊控制器的输入量为当前烟雾浓度和当前烟雾浓度增量。本方法不依赖于控制对象的数学建模,能基于模糊控制实现隧道通风的智能控制。
Description
技术领域
本发明属于电子及仪表技术领域,涉及一种基于模糊控制的隧道通风控制方法。
背景技术
随着社会经济的发展,隧道越建越多,越建越长,中长隧道和特长隧道必须要考虑机械通风。然而,通风系统高昂的建设及运营费用使得隧道通风成为公路隧道建设中应解决的关键问题之一。对于公路长隧道的运营通风方式,国外从上世纪80年代,国内从90年代开始已基本从全横向方式或半横向方式演变到纵向通风方式,目前纵向通风已成为我国公路长隧道运营通风的主流形式。在通风控制方面,与横向式通风方式相比,纵向通风控制变得十分复杂,出现了多种控制方法。从节能角度来看,一个高效节能的控制方案在我国能源紧缺的形势下是十分迫切而意义重大的。
隧道通风系统的控制方法目前主要有直接控制法、间接控制法、固定程序控制法和组合控制法。直接控制法的控制思路是依靠传感器检测隧道内CO浓度值和能见度值,经计算处理后,控制风机的运行,具有风机控制过程不连续、静态偏差大、控制延迟以及系统被控量不是定值等缺点。间接控制法的控制思路是将隧道内平均车速、车长、车流量、车型等参数作为控制输入,但由于客观条件原因,此法不适用于我国。程控法的实质是时序控制,在之前通过统计获得经验数据的基础上,控制风机的运行。此法在一定程度上可以节省检测单元的费用,作为主控制系统失效后的降档使用。但是固定程控法不考虑CO、VI浓度以及交通量的变化情况,仅仅按时间区间预先编制程序来控制风机运行,这种方法类似于试凑法,产生一套成熟的控制策略需要实际通风系统运营较长时间以不断修正参数,并且缺乏预测控制功能。组合控制法可以看作是前三种控制法的总成,一方面,它根据被控量(CO和VI浓度)的检测值,通过反馈完成直接控制,保证系统的稳定性和可靠性;另一方面,通过检测车流量,进行预测控制,保证系统的鲁棒性和及时性。虽然组合控制法在理论上有诸多优点,但是对于公路隧道通风这种强非线性系统,数学模型建立的难度和准确程度成为此方法的最大障碍,此方法在我国没有得到有效和广泛的应用。
发明内容
本发明的所要解决的技术问题是提供一种基于模糊控制的隧道通风控制方法,本方法不依赖于控制对象的数学建模,能基于模糊控制实现隧道通风的智能控制。
为解决上述技术问题,本发明所采用的技术方案为:
一种基于模糊控制的隧道通风控制方法,其特征在于,由第一模糊控制器和第二模糊控制器分别输出第一风机开启数量值U1和第二风机开启数量值U2;所述的第一模糊控制器的输入量为当前一氧化碳浓度V(CO)和当前一氧化碳浓度增量ΔV(CO);所述的第二模糊控制器的输入量为当前烟雾浓度V(VI)和当前烟雾浓度增量ΔV(VI);所述的第一模糊控制器根据当前一氧化碳浓度V(CO)、当前一氧化碳浓度增量ΔV(CO),经过论域变换和模糊化以后作为模糊推理的输入量,根据如下表1的模糊推理规则,得出第一风机数量的模糊量,解模糊化以后得出第一风机开启数量值U1;每一个模糊量均对应7个模糊语言值,该7个模糊语言值的含义分别为:NB-负大,NM-负中,NS-负小,ZO-零,PS-正小,PM-正中,PB-正大;
表1:第一模糊控制器模糊推理规则
表2:第二模糊控制器模糊推理规则
所述的第二模糊控制器根据当前烟雾浓度V(VI)、当前烟雾浓度增量ΔV(VI),经过论域变换和模糊化以后作为模糊推理的输入量,根据如下表2的模糊推理规则,得出第二风机数量的模糊量,将该第二风机数量的模糊量解模糊化以后得出第二风机开启数量值U2;每一个模糊量均对应7个模糊语言值,该7个模糊语言值的含义分别为:NB-负大,NM-负中,NS-负小,ZO-零,PS-正小,PM-正中,PB-正大;将第一风机开启数量值U1和第二风机开启数量值U2进行两值取大操作即得出需要开启的风机台数。
所述的基于模糊控制的隧道通风控制方法还依据总的风机台数和得出的需要开启的风机台数,由随机函数确定需要开启的风机位置。
确定需要开启的风机位置还依据当前风机开启状态;当需要开启的风机台数N大于已经开启的风机台数M,则原有开启的风机保持开启状态,再另外随机选择打开N-M台风机;当需要开启的风机台数N小于已经开启的风机台数M,则从原有开启的M台风机中关闭M-N台风机;当需要开启的风机台数N等于已经开启的风机台数M,则各风机的开启状态保持不变。
需要开启的风机台数由整数部分和小数部分组成,所述的小数部分通过变频调速器调节风机转速来实现。
所述的第一模糊控制器和第二模糊控制器在模糊化前或解模糊化后进行论域变换。
所述的输入量采用梯形隶属度函数进行模糊化。
有益效果:
本发明采用模糊控制策略来实现隧道通风的控制,其控制不依赖于具体数学模型的建立,而是根据专家的经验来实现风机的开启控制,因此,本方法实施简便。
本发明将模糊控制技术与变频调速技术相结合,可以实现风机开启程度(包含整数和小数)的精确控制,可以最大限度的避免能源浪费,更好的实现节能目标。
本发明由于采用论域变换后的污染物浓度作为输入,增加了软件对于不同隧道的可移植性跟兼容性。
附图说明
图1是本发明实施例中控制方法中的隧道及其中布置的若干组风机及二氧化碳、烟雾浓度检测装置的示意图,车流方向如箭头所示。
图2是本发明实施例中控制方法中的模糊逻辑控制图,V(CO)、ΔV(CO)、V(VI)、△V(VI)分别为一氧化碳的浓度及浓度增量、烟雾的浓度及其增量。
图3是本发明实施例中的模糊控制方法中一氧化碳浓度(V(CO))的隶属函数及其模糊语言论域,在进行论域变换之前单位为ppm,论域变换之后转换到区间[0,100]。
图4是本发明实施例中的模糊控制方法中一氧化碳浓度增量(ΔV(CO))的隶属函数及其模糊语言论域,在进行论域变换之前单位为ppm,论域变换之后转换到区间[-6.5,6.5]。
图5是本发明实施例中的模糊控制方法中烟雾浓度V(VI)的隶属函数及其模糊语言论域,在进行论域变换之前单位为1/m,论域变换之后转换到区间[0,100]。
图6是本发明实施例中的模糊控制方法中烟雾浓度增量(ΔV(VI))的隶属函数及其模糊语言论域,在进行论域变换之前单位为1/m,论域变换之后转换到区间[-6.5,6.5]。
图7是本发明实施例中的模糊控制方法中风机开启数量的隶属函数及其模糊语言论域,采用的是加权平均值法进行解模糊,得到精确的风机开启台数。
图8是本发明实施例中各组风机构成的网络构架中通过智能决策服务器—控制中心客户机对整个风机组进行控制的示意图。
图9是本发明实施例中隧道通风系统能耗计算的流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
实施例1:
本实施例中采用的污染物模糊语言值论域分别为:一氧化碳当前浓度实际范围是[130,200]ppm,论域变换以后其区间[0,100]、一氧化碳变化值ΔV(CO)实际范围是[-6.5,6.5]ppm,论域变换以后区间为[-6.5,6.5]、烟雾当前浓度实际范围是[0.00455,0.007]m-1,论域变换以后区间为[0,100]、烟雾浓度变化值ΔV(VI)实际范围是[-0.0002275,0.0002275]m-1,论域变换以后区间为[-6.5,6.5]、风机输出风量[0,6],实际风机台数为9台。
在隧道内利用一氧化碳、烟雾浓度检测仪分别对隧道内的一氧化碳、烟雾浓度进行检测,通过区域控制器及以太网传输存储于中转数据库中,基于C/S结构的智能决策服务器从中转数据库获得隧道实测污染物浓度以及当前风机开启情况,并以此作为依据,采取基于等寿命模糊算法的智能决策方式来控制风机的开启台数,将变频控制与模糊技术相结合。所述根据检测结果由数据分析及控制系统对各组风机开启状态进行控制的做法是:
智能决策服务器从中转数据库获得隧道实测污染物浓度、污染物浓度增量以及当前风机开启情况的数据,以此作为依据,采取基于等寿命模糊算法的智能决策方式来控制风机的开启状态,通过发送指令的形式控制各组风机的启停和变频器的运行参数的设置。
根据当前检测周期内一氧化碳、烟雾浓度值和上一检测周期内一氧化碳、烟雾浓度值,对两者进行比较,得到本检测周期一氧化碳、烟雾浓度值的增量,再利用当前污染物浓度和浓度增量进行模糊推理,对风机的运行状态进行模糊控制。
利用智能决策服务器—控制中心客户机之间的通信协议,控制中心客户机将采集到的通风设备状态信息和隧道内烟雾浓度、一氧化碳浓度等信息通过工业以太网写入中转数据库中,智能决策服务器(IMS)从中转数据库动态获取数据作为决策依据。控制中心客户机可以随时从智能决策服务器处感知决策结果,从而开启相应的风机和设定变频调速器的运行参数。
因此实施例的方法,能够将若干组风机形成网络构架,有利于风机之间的通信,同时控制中心客户机能够及时收集各区域控制器的具体数据,通过智能服务器进行决策,迅速做出响应,向各区域控制器发出指令,避免了现有方法的控制延迟、各组风机之间通信困难的问题出现。通风、节能效果大大地提高,而且有利于延长风机的使用寿命。
上述对风机开启台数进行模糊控制的做法是:
由隧道内当前检测周期的一氧化碳浓度和上一检测周期的一氧化碳浓度计算出一氧化碳浓度的增量ΔV(CO),并将参数以及ΔV(CO)进行论域变换。然后将经过论域变换的一氧化碳浓度与其浓度的增量值根据对应隶属函数进行模糊化,将此模糊化的数据作为模糊推理的输入量,按照下表的模糊推理规则,得出风机开启台数的模糊量,再对其解模,得到稀释一氧化碳所需开启风机台数。
同时,由隧道内当前检测周期的烟雾浓度及上一检测周期的烟雾浓度计算出烟雾浓度增量ΔV(VI),并将参数及ΔV(VI)进行论域变换。然后将经过论域变换的烟雾浓度与其浓度增量值根据对应隶属函数进行模糊化,并将此模糊化的数据作为模糊推理的输入量,按照下表的推理规则,得出风机开启台数的模糊量,再对其解模,得到稀释烟雾所需开启风机台数。
上述两表中U1和U2表示风机开启台数的模糊量,模糊化语言的含义为:NB-负大,NM-负中,NS-负小,ZO-零,PS-正小,PM-正中,PB-正大。
分别对一氧化碳浓度和烟雾浓度进行解模糊得到对应的输出量U1和U2后,从两个输出量U1和U2中取较大者作为风机开启台数的输出参数。同时结合当前风机的开启状况(数量和位置以及变频器的状态)利用设定的随机函数来决定下一时刻风机的开启状况(开启风机的数量、位置以及变频器的参数设置),对于指定的风机开启台数,整数部分为开启风机的台数,小数部分则是通过变频调速器进行设置。
通过以上模糊控制方法,使得本发明控制模型的建立与运算变得简单,能够对隧道内污染物浓度进行有效的控制。对一氧化碳浓度和烟雾浓度分开进行模糊化、模糊推理、解模糊,然后取两者计算结果的最大值作为最终输出的风机台数,加强了整个系统的稳定性和安全性。进行论域变换的目的在与提高控制算法的可移植性及直观性。
上述利用智能决策服务器—控制中心客户机之间的通信协议通过中心客户机对区域控制器进行控制的具体做法是:
整个网络构架由风机组、区域控制器、工业以太网、中心客户机(Client PC)、中转数据库PC、智能决策服务器(Server PC)组成。
区域控制器负责将接收各种采集信息,经转换后通过工业以太网上传到控制中心客户机(Client PC);中心客户机将区域控制器传送过来的数据信息传送至中转数据库(PC),同时向智能决策服务器提出决策请求。控制中心客户机将采集到的通风设备状态信息和隧道内烟雾浓度、一氧化碳浓度等信息写入中转数据库;智能决策服务器(Server PC)从中转数据库动态获取数据作为决策依据,并进行基于模糊控制算法的智能决策;控制中心客户机可以随时从智能决策服务器处感知决策结果;通过由工业以太网发送相对应的指令至区域控制器,区域控制器根据控制中心计算机反馈的决策来决定风机的运转和变频调速器参数的设置。
上述风机组通过工业以太网形成网络构架的控制方法,工业以太网将各区网域控制器和控制中心计算机联系起来,使各区网域控制器能在控制中心计算机的监督和管理下协同控制。解决了以往各风机单独控制所出现的控制不及时、控制对象不准确的问题,同时,还能够进行隧道风机远程控制及远程监控。
本实施例根据隧道详细设计图纸和通风系统控制方案,以隧道内污染物的变化与控制方法作为研究对象,建立一个基于CFD(计算流体力学)技术的隧道污染物仿真模型,再以污染物和风机的运行状况为依据进行不同控制算法的能耗分析以及通风系统优化。所述的根据建立的仿真模型进行不同控制算法能耗分析的具体做法是:
根据隧道的详细设计图纸和通风系统控制方案,建立隧道网格模型,然后将隧道网格模型、边界条件、初始条件输入计算流体力学软件(Fluent)中进行计算。通过求解基本的守恒方程(连续性方程、动量守恒方程、组分守恒方程以及湍流输运方程)来得到隧道内空气的速度场、一氧化碳以及烟雾的浓度场。根据取样位置(一氧化碳、烟雾探头处)的一氧化碳及烟雾浓度,通过用户自定义函数(简称UDF)得到风机的运行情况,将风机速度返回至Fluent软件进入下一循环。同时将风机的运行状况输出,用以计算通风系统耗电量。
以隧道内污染物的变化与控制作为研究对象,进行不同控制算法的能耗分析,并以此为节能评估平台,评价控制算法的优劣。针对高速公路隧道车辆运行过程中的污染物排放、风机传统的阈值分级控制以及模糊控制过程,基于CFD软件编制UDF程序作为边界条件,实现隧道环境的污染物的模拟及风机能耗评估的功能,从而优化设计过程及风机的控制策略。尤其在已有通风控制系统的改造工程中,作为节能评估系统,能够作为决策的基础。
上述通过用户自定义函数(UDF)得到风机的运行情况的具体做法是:
根据流场仿真中K时刻提取的监测点一氧化碳、烟雾浓度和(K-1)时刻提取监测点一氧化碳、烟雾浓度,以此作为数据输入所选择的控制程序中运算,根据输出结果可以得出所需要的风量和风机开启的台数。然后根据随机程序选择相应运行的风机的序号(1-N),接着选择被选风机的入口速度并带入计算,进入下一个循环。
通过上面的方法,即可以得出各组风机在每个周期内的实际运行情况,进一步可以求出每组风机的耗能量,对某种所选风机控制方案进行能耗评估,评价出其优劣。
在隧道内利用一氧化碳、烟雾浓度检测仪分别对隧道内的一氧化碳、烟雾浓度进行检测,通过区域控制器及以太网传输存储于中转数据库中,基于C/S结构的智能决策服务器从中转数据库获得隧道实测污染物浓度、上一检测时刻浓度以及当前风机开启情况,采取基于等寿命模糊算法的智能决策方式来控制风机的开启台数,并将变频控制技术与模糊控制技术相结合。同时,以实际隧道内污染物与不同通风控制策略作为研究对象,建立一个基于CFD技术的隧道污染物仿真及能耗评估模型,进行不同控制方法的环境评价及能耗分析。
上述每个表中有49个判定规则,如第一个表中第一行、第一列的的规则为:
P1:IfV(CO)is NB and ΔV(CO)is NB then U1 is NB;即当一氧化碳浓度为负大,一氧化碳浓度增量为负大,则风机开启台数为负大。
图2—6分别给出了本例在进行模糊判定并计算风机开启台数时,一氧化碳浓度V(CO),一氧化碳浓度增量ΔV(CO),烟雾浓度V(VI),烟雾Δ浓度增量ΔV(VI),风机开启数U的论域及隶属函数。输入量一氧化碳浓度V(CO),一氧化碳浓度增量ΔV(CO),烟雾浓度V(VI),烟雾浓度增量ΔV(VI)的模糊化分别由图3—6的梯形隶属函数得出,输出量机开启数U(包括U1和U2)采用图7函数进行解模糊。
同时结合当前风机的开启状况(数量和位置以及变频器的状态)利用设定的随机函数来决定下一时刻风机的开启状况(开启风机的数量、位置以及变频器的参数设置),对于指定的风机开启台数,整数部分为开启风机的台数,小数部分则是通过变频调速器进行设置。
例如,上一时刻(k-1时刻)CO和烟雾的浓度分别为Vk-1 (CO)=175.5ppm,Vk-1 (VI)=0.0059m-1,当前时刻(k时刻)CO和烟雾的浓度分别为Vk (CO)=180ppm,Vk (VI)=0.0061m-1,下一时刻(k+1时刻)CO和烟雾的浓度分别为V+1 (CO)=177ppm,Vk+1 (VI)=0.00594m-1,对于当前时刻,按照上述方法计算出CO和烟雾的增量,并将其进行论域变换,可以得V(CO)=71.5,ΔV(CO)=4.5,V(VI)=63.3,ΔV(VI)=5.7,分别按照模糊函数对其进行模糊化,第一模糊控制器:V(CO)为PM,ΔV(CO)为PM,从而得U1为PS,解模糊化后得风机开启台数为6台;同理,第二模糊控制器:V(VI)为PS,ΔV(VI)为PB,从而得U2为PS,解模糊化后得风机开启台数为7.5台,故当前开启风机的台数为7.5台.
对于下一时刻,同样根据上面的推理,可以而经过模糊决策后其所需风机开启台数为6.8台,则通过随机函数计算出下一时刻所要开启的7台风机的位置,同时改变变频调速器的参数设置。
上述利用智能决策服务器—控制中心客户机之间的通信协议通过中心客户机对区域控制器进行控制的具体做法是:
如图8所示,整个网络构架由风机组、区域控制器、工业以太网、中心客户机(ClientPC)、中转数据库PC、智能决策服务器(Server PC)组成。
区域控制器负责将接收各种采集信息,经转换后通过工业以太网上传到控制中心客户机(Client PC);中心客户机将区域控制器传送过来的数据信息传送至中转数据库(PC)进行储存,同时向智能决策服务器提出决策请求。控制中心客户机将采集到的通风设备状态信息和隧道内烟雾浓度、一氧化碳浓度等信息写入中转数据库;智能决策服务器(Server PC)从中转数据库动态获取数据作为决策依据,并进行基于模糊控制算法的智能决策;控制中心客户机可以随时从智能决策服务器处感知决策结果;通过由工业以太网发送相对应的指令至区域控制器,区域控制器根据控制中心计算机反馈的决策来决定风机的运转和变频调速器参数的设置。
一种隧道通风系统优化和节能评估的方法,根据隧道详细设计图纸和通风系统控制方案,以隧道内污染物的变化与控制方法作为研究对象,建立一个基于CFD技术的隧道污染物仿真模型,再以污染物和风机状况为依据而进行不同控制算法的能耗分析和系统设计方案优化。其具体做法是:
如图8所示,根据隧道的详细设计图纸和通风系统控制方案,建立隧道网格模型,然后将隧道网格模型、边界条件、初始条件输入计算流体力学软件(Fluent)中进行计算。通过求解基本的守恒方程(连续性方程、动量守恒方程、组分守恒方程以及湍流输运方程)来得到隧道内空气的速度场、一氧化碳以及烟雾的浓度场。根据取样位置(一氧化碳、烟雾探头处)的一氧化碳及烟雾浓度,通过用户自定义函数(简称UDF)得到风机的运行情况,将风机速度返回至Fluent软件进入下一循环。同时将风机的运行状况输出,用以计算通风系统耗电量。
根据当前检测周期内一氧化碳、烟雾浓度值和上一检测周期内一氧化碳、烟雾浓度值,对两者进行比较,得到本检测周期一氧化碳、烟雾浓度值的增量,再利用当前污染物浓度和浓度增量进行模糊推理,对风机的运行状态进行模糊控制。
利用智能决策服务器—控制中心客户机之间的通信协议,控制中心客户机将采集到的通风设备状态信息和隧道内烟雾浓度、一氧化碳浓度等信息通过工业以太网写入中转数据库中,智能决策服务器(IMS)从中转数据库动态获取数据作为决策依据。控制中心客户机可以随时从智能决策服务器处感知决策结果,从而开启相应的风机和设定变频调速器的运行参数。
因此本实施例的方法,能够将若干组风机形成网络构架,有利于风机之间的通信,同时控制中心客户机能够及时收集各区域控制器的具体数据,通过智能服务器进行决策,迅速做出响应,向各区域控制器发出指令,避免了现有方法的控制延迟、各组风机之间通信困难的问题出现。
以常吉高速公路岩门界隧道右洞为例,该隧道净宽9.75m,净高7.0m,长度3848m,该隧道通风系统有1#~9#组(18台)射流风机组成,其中送风风机为5组(1#~5#,10台);排风风机为4组(6#~9#,8台)。通过上述方法可以得到:采用模糊控制算法,一天24小时内其耗能量为1457.7kw·h,采用常规的控制方法,一天24小时内其耗能量为1650.0kw·h,其节能效率达到11.7%。
Claims (6)
1.根据权利要求1所述的基于模糊控制的隧道通风控制方法,其特征在于,由第一模糊控制器和第二模糊控制器分别输出第一风机开启数量值U1和第二风机开启数量值U2;所述的第一模糊控制器的输入量为当前一氧化碳浓度V(CO)和当前一氧化碳浓度增量ΔV(CO);所述的第二模糊控制器的输入量为当前烟雾浓度V(VI)和当前烟雾浓度增量ΔV(VI);所述的第一模糊控制器根据当前一氧化碳浓度V(CO)、当前一氧化碳浓度增量ΔV(CO),经过论域变换和模糊化以后作为模糊推理的输入量,根据如下表1的模糊推理规则,得出第一风机数量的模糊量,解模糊化以后得出第一风机开启数量值U1;每一个模糊量均对应7个模糊语言值,该7个模糊语言值的含义分别为:NB-负大,NM-负中,NS-负小,ZO-零,PS-正小,PM-正中,PB-正大;
表1:
表2:
所述的第二模糊控制器根据当前烟雾浓度V(VI)、当前烟雾浓度增量ΔV(VI),经过论域变换和模糊化以后作为模糊推理的输入量,根据如下表2的模糊推理规则,得出第二风机数量的模糊量,将该第二风机数量的模糊量解模糊化以后得出第二风机开启数量值U2;每一个模糊量均对应7个模糊语言值,该7个模糊语言值的含义分别为:NB-负大,NM-负中,NS-负小,ZO-零,PS-正小,PM-正中,PB-正大;将第一风机开启数量值U1和第二风机开启数量值U2进行两值取大操作即得出需要开启的风机台数。
2.根据权利要求1所述的基于模糊控制的隧道通风控制方法,其特征在于,还依据总的风机台数和得出的需要开启的风机台数,由随机函数确定需要开启的风机位置。
3.根据权利要求2所述的基于模糊控制的隧道通风控制方法,其特征在于,确定需要开启的风机位置还依据当前风机开启状态;当需要开启的风机台数N大于已经开启的风机台数M,则原有开启的风机保持开启状态,再另外随机选择打开N-M台风机;当需要开启的风机台数N小于已经开启的风机台数M,则从原有开启的M台风机中关闭M-N台风机;当需要开启的风机台数N等于已经开启的风机台数M,则各风机的开启状态保持不变。
4.根据权利要求1~3任一项所述的基于模糊控制的隧道通风控制方法,其特征在于,需要开启的风机台数由整数部分和小数部分组成,所述的小数部分通过变频调速器调节风机转速来实现。
5.根据权利要求4所述的基于模糊控制的隧道通风控制方法,其特征在于,所述的第一模糊控制器和第二模糊控制器在模糊化前或解模糊化后进行论域变换。
6.根据权利要求1所述的基于模糊控制的隧道通风控制方法,其特征在于,所述的输入量采用梯形隶属度函数进行模糊化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100427167A CN101509390A (zh) | 2009-02-25 | 2009-02-25 | 一种基于模糊控制的隧道通风控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100427167A CN101509390A (zh) | 2009-02-25 | 2009-02-25 | 一种基于模糊控制的隧道通风控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101509390A true CN101509390A (zh) | 2009-08-19 |
Family
ID=41001909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100427167A Pending CN101509390A (zh) | 2009-02-25 | 2009-02-25 | 一种基于模糊控制的隧道通风控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101509390A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876321A (zh) * | 2010-06-25 | 2010-11-03 | 中冶北方工程技术有限公司 | 基于模糊控制的风机风门控制方法及装置 |
CN103422875A (zh) * | 2013-07-16 | 2013-12-04 | 西南交通大学 | 长大隧道通风系统风量的分配控制装置及其分配控制方法 |
CN103439914A (zh) * | 2013-08-31 | 2013-12-11 | 中铁隧道集团有限公司 | 盾构二次通风智能控制装置 |
CN103603671A (zh) * | 2013-12-06 | 2014-02-26 | 湖南大学 | 一种微型盾构机掘进姿态调整控制系统及调整方法 |
CN104154019A (zh) * | 2014-08-04 | 2014-11-19 | 昆明联诚科技股份有限公司 | 一种基于模糊控制的隧道通风节能控制系统及其控制方法 |
CN104454601A (zh) * | 2013-09-12 | 2015-03-25 | 大连冰山嘉德自动化有限公司 | 冷库风机启动控制方法 |
CN105569709A (zh) * | 2016-01-25 | 2016-05-11 | 西南交通大学 | 高地温铁路隧道降温通风的控制方法 |
CN105569707A (zh) * | 2015-12-11 | 2016-05-11 | 中铁第四勘察设计院集团有限公司 | 基于环境预测的公路隧道通风前馈控制方法 |
CN105955126A (zh) * | 2016-05-24 | 2016-09-21 | 上海电机学院 | 基于模糊控制的焊接车间排烟设备节能控制系统 |
CN107288675A (zh) * | 2017-08-01 | 2017-10-24 | 招商局重庆交通科研设计院有限公司 | 隧道智能通风控制方法 |
WO2018126589A1 (zh) * | 2017-01-05 | 2018-07-12 | 深圳市市政设计研究院有限公司 | 一种地铁隧道泄压孔风压控制方法及系统 |
CN108597764A (zh) * | 2018-05-31 | 2018-09-28 | 国家电网公司 | 变压器冷却器控制方法及装置 |
CN109236713A (zh) * | 2018-09-18 | 2019-01-18 | 郑州云海信息技术有限公司 | 一种应用于通用机型的智能风扇调控方法及系统 |
CN109828457A (zh) * | 2019-02-19 | 2019-05-31 | 重庆交通大学 | 隧道通风系统的时滞补偿控制方法 |
CN109958474A (zh) * | 2019-03-18 | 2019-07-02 | 天地(常州)自动化股份有限公司 | 煤矿掘进工作面局部通风智能控制方法及通风控制系统 |
CN110905577A (zh) * | 2019-11-12 | 2020-03-24 | 中铁五局集团成都工程有限责任公司 | 一种特长隧道高效节能自动通风与多作业条件下通风技术 |
CN111535845A (zh) * | 2020-05-06 | 2020-08-14 | 东华大学 | 一种基于pso和模糊控制的隧道通风节能优化控制方法 |
CN112049675A (zh) * | 2020-07-14 | 2020-12-08 | 中电建路桥集团有限公司 | 隧道通风方法 |
CN112211662A (zh) * | 2020-09-27 | 2021-01-12 | 安徽铜冠智能科技有限责任公司 | 矿山采矿领域用智能通风系统 |
CN114019846A (zh) * | 2021-10-11 | 2022-02-08 | 成都金隧自动化工程有限责任公司 | 公路长隧道智能通风控制设计方法与系统 |
CN114137830A (zh) * | 2021-10-13 | 2022-03-04 | 山东科技大学 | 一种磁流变抗冲击装置集群控制方法及系统 |
-
2009
- 2009-02-25 CN CNA2009100427167A patent/CN101509390A/zh active Pending
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101876321A (zh) * | 2010-06-25 | 2010-11-03 | 中冶北方工程技术有限公司 | 基于模糊控制的风机风门控制方法及装置 |
CN103422875A (zh) * | 2013-07-16 | 2013-12-04 | 西南交通大学 | 长大隧道通风系统风量的分配控制装置及其分配控制方法 |
CN103422875B (zh) * | 2013-07-16 | 2016-02-03 | 西南交通大学 | 一种使用长大隧道通风系统风量的分配控制装置进行风量分配控制的方法 |
CN103439914A (zh) * | 2013-08-31 | 2013-12-11 | 中铁隧道集团有限公司 | 盾构二次通风智能控制装置 |
CN103439914B (zh) * | 2013-08-31 | 2016-08-24 | 中铁隧道集团有限公司 | 盾构二次通风智能控制装置 |
CN104454601A (zh) * | 2013-09-12 | 2015-03-25 | 大连冰山嘉德自动化有限公司 | 冷库风机启动控制方法 |
CN103603671A (zh) * | 2013-12-06 | 2014-02-26 | 湖南大学 | 一种微型盾构机掘进姿态调整控制系统及调整方法 |
CN104154019A (zh) * | 2014-08-04 | 2014-11-19 | 昆明联诚科技股份有限公司 | 一种基于模糊控制的隧道通风节能控制系统及其控制方法 |
CN105569707A (zh) * | 2015-12-11 | 2016-05-11 | 中铁第四勘察设计院集团有限公司 | 基于环境预测的公路隧道通风前馈控制方法 |
CN105569709A (zh) * | 2016-01-25 | 2016-05-11 | 西南交通大学 | 高地温铁路隧道降温通风的控制方法 |
CN105955126A (zh) * | 2016-05-24 | 2016-09-21 | 上海电机学院 | 基于模糊控制的焊接车间排烟设备节能控制系统 |
WO2018126589A1 (zh) * | 2017-01-05 | 2018-07-12 | 深圳市市政设计研究院有限公司 | 一种地铁隧道泄压孔风压控制方法及系统 |
CN107288675B (zh) * | 2017-08-01 | 2019-02-19 | 招商局重庆交通科研设计院有限公司 | 隧道智能通风控制方法 |
CN107288675A (zh) * | 2017-08-01 | 2017-10-24 | 招商局重庆交通科研设计院有限公司 | 隧道智能通风控制方法 |
CN108597764A (zh) * | 2018-05-31 | 2018-09-28 | 国家电网公司 | 变压器冷却器控制方法及装置 |
CN109236713A (zh) * | 2018-09-18 | 2019-01-18 | 郑州云海信息技术有限公司 | 一种应用于通用机型的智能风扇调控方法及系统 |
CN109828457B (zh) * | 2019-02-19 | 2021-11-26 | 重庆交通大学 | 隧道通风系统的时滞补偿控制方法 |
CN109828457A (zh) * | 2019-02-19 | 2019-05-31 | 重庆交通大学 | 隧道通风系统的时滞补偿控制方法 |
CN109958474A (zh) * | 2019-03-18 | 2019-07-02 | 天地(常州)自动化股份有限公司 | 煤矿掘进工作面局部通风智能控制方法及通风控制系统 |
CN110905577A (zh) * | 2019-11-12 | 2020-03-24 | 中铁五局集团成都工程有限责任公司 | 一种特长隧道高效节能自动通风与多作业条件下通风技术 |
CN111535845A (zh) * | 2020-05-06 | 2020-08-14 | 东华大学 | 一种基于pso和模糊控制的隧道通风节能优化控制方法 |
CN112049675A (zh) * | 2020-07-14 | 2020-12-08 | 中电建路桥集团有限公司 | 隧道通风方法 |
CN112211662A (zh) * | 2020-09-27 | 2021-01-12 | 安徽铜冠智能科技有限责任公司 | 矿山采矿领域用智能通风系统 |
CN114019846A (zh) * | 2021-10-11 | 2022-02-08 | 成都金隧自动化工程有限责任公司 | 公路长隧道智能通风控制设计方法与系统 |
CN114137830A (zh) * | 2021-10-13 | 2022-03-04 | 山东科技大学 | 一种磁流变抗冲击装置集群控制方法及系统 |
WO2023061015A1 (zh) * | 2021-10-13 | 2023-04-20 | 山东科技大学 | 一种磁流变抗冲击装置集群控制方法及系统 |
CN114137830B (zh) * | 2021-10-13 | 2024-04-26 | 山东科技大学 | 一种磁流变抗冲击装置集群控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101509390A (zh) | 一种基于模糊控制的隧道通风控制方法 | |
CN101235723B (zh) | 高速公路路段多隧道集合式智能通风控制方法 | |
CN206195827U (zh) | 一种工业锅炉监测及分析辅助决策云平台系统 | |
CN106302739A (zh) | 一种工业锅炉监测及分析辅助决策云平台系统 | |
CN101581940B (zh) | 基于集成学习时间序列预测的隧道事件检测方法 | |
CN105569707A (zh) | 基于环境预测的公路隧道通风前馈控制方法 | |
WO2020015466A1 (zh) | 锅炉节煤控制方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
Verstraeten et al. | Fleetwide data-enabled reliability improvement of wind turbines | |
CN106155026A (zh) | 一种水泥厂煤耗及碳排放监测方法 | |
CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
Marugán et al. | SCADA and artificial neural networks for maintenance management | |
CN104089656A (zh) | 一种堆场煤炭自燃检测方法和装置 | |
Yan et al. | A damping grey multivariable model and its application in online public opinion prediction | |
CN105894706B (zh) | 一种森林火灾预测方法及其系统 | |
CN107491882A (zh) | 一种火电厂电力绿色指数模型的构建方法 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
Xie et al. | Using a stochastic forest prediction model to predict the hazardous gas concentration in a one-way roadway | |
Sevryukova et al. | A Study on Design Principles of Automatic System for Environment Monitoring | |
CN103488145B (zh) | 群智模糊网络的焚烧炉有害物排放达标控制系统及方法 | |
CN103472729B (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 | |
Schranz et al. | Machine learning for water supply supervision | |
Sonar et al. | Air Quality Prediction and Monitoring Using Machine Learning Algorithm and IOT | |
Baoyu et al. | Research on CART Model of Mass Concrete Temperature Prediction Based on Big Data Processing Technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090819 |