CN101813918A - 基于模糊神经网络的通讯机房既有空调的控制系统 - Google Patents

Abstract

基于模糊神经网络的通讯机房既有空调的控制系统，涉及一种通讯机房空调控制系统。克服了既有的通讯机房的空调运行频次单一、对电能浪费较大的问题，电源供电电路提供温度检测采样电路、数字微控制电路和隔离输出电路的电源，温度检测采样电路测量实时温度，数字微控制电路将实时温度与设定温度的差值信号以及差值信号的导数做为模糊神经网络控制模块的输入，模糊神经网络控制模块通过当前状态对数字微控制电路两项输入进行模糊化，经过神经网络运算后得到三项PID控制信号，数字微控制电路将三项PID控制信号传递至隔离输出电路，隔离输出电路将数据输出。本发明能为多领域不同的控温要求提供极具使用价值的控制器改造方案。

Description

基于模糊神经网络的通讯机房既有空调的控制系统

技术领域

本发明涉及一种通讯机房空调控制系统。

背景技术

通讯机房专用空调的控制系统通常包括电源供电电路，包含有一定方案的控制电路，在实际应用中为了控制机房内湿度，保证精密通讯设备在适宜的湿度条件下运行，还具有除湿电路，另外为了方便工作人员的人工控制，还加入温度设定、数据显示和故障报警等辅助电路。

目前的通讯机房专用的控制系统采用简单的定时间段控制，运行的时间频次为单一的定频，靠压缩机的频繁启停机来实施按温度调节。这种定频控制的主要缺点有：(1)压缩机频繁启停机导致寿命的降低；(2)无法进行高精度的机房内温度控制，机房内温度有较大的波动；(3)由于压缩机频繁的启停机，导致电能的浪费加大，压缩机没有平稳的运行，不能稳定的工作在一个效率较高的频率范围内。

发明内容

为了克服既有的通讯机房的空调运行频次单一、对电能浪费较大的问题，本发明提供了一种基于模糊神经网络的通讯机房既有空调的控制系统。

基于模糊神经网络的通讯机房既有空调的控制系统，它包括电源供电电路、隔离输出电路和数字微控制电路，电源供电电路的正负极输出端分别与数字微控制电路的正负极输入端和隔离输出电路的正负极输入端相连，用于给数字微控制电路和隔离输出电路提供电源，数字微控制电路的控制信号输出端与隔离输出电路的信号输入端相连，它还包括温度检测采样电路和模糊神经网络控制模块，电源供电电路的正负极输出端与温度检测采样电路正负极输入端相连，用于给温度检测采样电路提供电源，温度检测采样电路的信号输出端与数字微控制电路的温度检测信号输入端相连，数字微控制电路的测量信号输出端与模糊神经网络控制模块的测量信号输入端相连，模糊神经网络控制模块的运算结果信号输出端与数字微控制电路的运算结果信号输入端相连，温度检测采样电路用于测量实时温度，数字微控制电路用于将温度检测采样电路测量的实时温度e与设定温度的差值信号以及差值信号的导数ec做为模糊神经网络控制模块的输入，模糊神经网络控制模块通过当前状态对数字微控制电路两项输入进行模糊化，经过神经网络运算后得到三项PID控制信号K_P、K_i和K_d，数字微控制电路将模糊神经网络控制模块输出的三项PID控制信号K_P、K_i和K_d传递至隔离输出电路。

本发明在现有的通讯机房空调的控制电路的基础上，设计了一个包含模糊神经网络控制的控制电路，并加入了精准的温度检测采样电路。模糊神经网络控制的引入改变了原来依靠启停机进行控温的方式，利用实时温度进行模糊神经网络的运算，能够准确有效的控制压缩机的运行状态，一方面提高了压缩机的运转效率，另一方面避免了传统控温过程的滞后性，并且提高了通讯机房内温度的精准度，保证通讯设备的正常运行。温度检测采样电路为数字微控制电路提供了可靠的数据输入，实际的控温误差在±0.1℃，降低了定频空调的控温误差。

本发明兼顾了电路简单化和低成本的基础上，充分利用了既有设备中的可利用的硬件电路，解决了通讯机房温度控制过程中存在的问题，在提高了温度控制精度的同时，使得空调在一个平稳的条件下运行，提高了既有空调设备的寿命，最重要的是在设备平稳运行的同时提高了效率，节约了电能。基于本发明的电路，结合先进的模糊神经网络控制算法，能为多领域不同的控温要求提供极具使用价值的控制器改造方案，本发明具有电路结构简单、系统稳定、适用范围广、便于推广实施的优点。

附图说明

图1为基于模糊神经网络的通讯机房既有空调的控制系统的结构示意图。图2为具体实施方式五5的结构示意图。图3为具体实施方式七的结构示意图。图4为具体实施方式三的示意图。图5为具体实施方式九的结构示意图。

具体实施方式

具体实施方式一、结合图1说明本实施方式，基于模糊神经网络的通讯机房既有空调的控制系统，它包括电源供电电路1、隔离输出电路5和数字微控制电路3，电源供电电路1的正负极输出端分别与数字微控制电路3的正负极输入端和隔离输出电路5的正负极输入端相连，用于给数字微控制电路3和隔离输出电路5提供电源，数字微控制电路3的控制信号输出端与隔离输出电路5的信号输入端相连，它还包括温度检测采样电路2和模糊神经网络控制模块4，电源供电电路1的正负极输出端与温度检测采样电路2正负极输入端相连，用于给温度检测采样电路2提供电源，温度检测采样电路2的信号输出端与数字微控制电路3的温度检测信号输入端相连，数字微控制电路3的测量信号输出端与模糊神经网络控制模块4的测量信号输入端相连，模糊神经网络控制模块4的运算结果信号输出端与数字微控制电路3的运算结果信号输入端相连，温度检测采样电路2用于测量实时温度，数字微控制电路3用于将温度检测采样电路2测量的实时温度e与设定温度的差值信号以及差值信号的导数ec做为模糊神经网络控制模块4的输入，模糊神经网络控制模块4通过当前状态对数字微控制电路3两项输入进行模糊化，经过神经网络运算后得到三项PID控制信号K_P、K_i和K_d，数字微控制电路3将模糊神经网络控制模块4输出的三项PID控制信号K_P、K_i和K_d传递至隔离输出电路5。隔离输出电路5将数据输出至既有机房空调的变频控制系统进行传统的PID控制。

具体实施方式二、结合图1说明本实施方式，本实施方式与具体实施方式一的不同之处在于基于模糊神经网络的通讯机房既有空调的控制系统，它还包括显示与人机交互操作电路6，电源供电电路1的正负极输出端与显示与人机交互操作电路6正负极输入端相连，用于提供显示与人机交互操作电路6的电源，数字微控制电路3的显示信号输出端与显示与人机交互操作电路6的信号输入端相连，显示与人机交互操作电路6的操作信号输出端与数字微控制电路3的操作信号输入端相连。

具体实施方式三、结合图4说明本实施方式，本实施方式与具体实施方式一或二的不同之处在于模糊神经网络控制模块4包括输入层4-1、隐含层4-2和输出层4-3，模糊神经网络控制模块4的工作过程如下：

步骤一、将温度检测采样电路2测量得到的实时温度e与设定温度的差值信号以及差值信号的导数ec作为模糊控制的输入，通过读取模糊控制规则表而得到相应的输出；所述模糊控制规则表如表1所示；

其中，PB代表“正大”、PM代表“正中”、PS代表“正小”、O代表“零”、NS代表“负小”、NM代表“负中”、NB代表“负大”。

步骤二、将步骤一的输出作为BP神经网络的输入数据来训练神经网络，输入层4-1具有p个神经元，其中输入层4-1的输入为

${\mathrm{input}}_i^{\left(1\right)}\left(k\right)=f_{(k-i)},i=\mathrm{1,2}...p$

输入层4-1的输出与输入相等

${\mathrm{output}}_i^{\left(1\right)}\left(k\right)={\mathrm{input}}_i^{\left(1\right)}\left(k\right)$

步骤三、将步骤二获得的输出量加权作为隐含层4-2的输入，并获得隐含层4-2的输出，所述隐含层4-2具有q个神经元，输入层4-1到隐含层4-2的权值为w_ji，其中隐含层4-2的输入为：

${\mathrm{input}}_j^{\left(2\right)}\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{\mathrm{output}}_i^{\left(1\right)}\left(k\right),j=\mathrm{1,2}...q$

隐含层4-2的输出为

${\mathrm{output}}_j^{\left(2\right)}\left(k\right)\text{=f[}{\mathrm{input}}_j^{\left(2\right)}\left(k\right)\text{],j=1,2...q}$

隐含层4-2的活化函数取为正负对称的活化函数f(x)＝tanh(x)；

步骤四、将步骤三获得的输出量加权作为输出层4-3的输入，并获得输出层4-3的输出，所述输出层4-3具有3个神经元，隐含层4-2到输出层4-3的权值为w_lj，其中输出层4-3的输入为：

${\mathrm{input}}_l^{\left(3\right)}\left(k\right)=\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{lj}}{\mathrm{output}}_j^{\left(2\right)}\left(k\right),l=\mathrm{1,2,3}$

输出层4-3的输出为：

${\mathrm{output}}_l^{\left(3\right)}\left(k\right)=h\left[{\mathrm{input}}_l^{\left(3\right)}\left(k\right)\right],l=\mathrm{1,2,3}$

输出层4-3的活化函数取为非负的sigmoid函数

步骤五、将步骤四获得输出量作为三项PID控制信号K_P、K_i、K_d输入至数字微控制电路3。

BP(Back Propagation)神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。输入层4-1的输入和输出一样，因为输入层4-1起传输作用的。

PID控制由于其算法简单、鲁棒性好及可靠性高，被广泛应用于过程控制和运动控制中。然而在生产现场中，由于常规PID参数整定方法繁杂，其参数往往整定不良、性能欠佳，对运行工况的整定性差。采用模糊BP神经网络推理的方法实现PID参数K_p、K_i和K_d的自调整，不仅保持了常规PID控制系统原理简单、使用方便、鲁棒性较强等优点，而且具有更大的灵活性、整定性、控制精度更好，是目前较为先进的一种控制系统。

单一采用PID控制的控制方案虽然能够达到一个比较好的控制效果，但是需要大量的实验操作来确定参数K_p、K_i和K_d。本方案提出了一种通用的解决方案，既保证了传统PID控制的快速性和准确性，又能够实现在线自调整的功能，因此具有通用性，广泛的适用范围，可以普遍的用于对于通讯机房既有空调的节能改造研究上。

举例说明本实施方式的工作过程：

假设现在要控制的机房目标温度是23度(目标温度根据需求不同可以设置)，现在的时时温度是25.5度，0.05秒之前测得温度是25.51度，那么现在温度误差e是(25.5-23＝正2.5度)，现在的温度变化率ec是((25.5-25.51)/0.05＝负0.2度/秒)。

以一个两输入，三输出，隐含层4-2神经元个数为3的神经网络为例，即p＝2，q＝3，r＝3，得到e是PB，ec是NS；

1)查询模糊控制规则表得到此时输出应该是NS，这个输出为输入层4-1的第一个神经元的输入(同时由于输入层4-1起到传递作用，这里输入层4-1第一个神经元的输出即为NS)；

同时，查询表2得到神经网络输入层4-1第二个神经元的值的大小，查出输出时NM；

2)输入层4-1第一个神经元对隐含层4-2第一个神经元的权值是0.7，输入层4-1第二个神经元对隐含层4-2第二个神经元的权值是0.3，

输入层4-1第一个神经元对对隐含层4-2第二个神经元的权值是0.6，输入层4-1第二个神经元对隐含层4-2第二个神经元的权值是0.4，

输入层4-1第一个神经元对隐含层4-2第三个神经元的权值是0.07，输入层4-1第二个神经元对隐含层4-2第三个神经元的权值是0.03，

3)隐含层4-2的第一个神经元输入是0.7*NS(为-0.1)+0.3*NM(为-0.2)＝-0.13；

隐含层4-2的第二个神经元输入是0.6*NS(为-0.1)+0.4*NM(为-0.2)＝-0.14；

隐含层4-2的第三个神经元输入0.07*NS(为-0.1)+0.03*NM(为-0.2)＝-0.014；

因为隐含层4-2的活化函数是tan，故

隐含层4-2的第一个神经元输出是tan(-0.13)＝-0.0022；

隐含层4-2的第二个神经元输出是tan(-0.14)＝-0.024；

隐含层4-2的第三个神经元输出是tan(-0.014)＝-0.000244；

4)隐含层4-2的第一个神经元输出对输出层4-3第一个神经元的权值为3，隐含层4-2的第二个神经元输出对输出层4-3第一个神经元的权值为2.5，隐含层4-2的第三个神经元输出对输出层4-3第一个神经元的权值为2，

隐含层4-2的第一个神经元输出对输出层4-3第二个神经元的权值为2，隐含层4-2的第二个神经元输出对输出层4-3第二个神经元的权值为5，隐含层4-2的第三个神经元输出对输出层4-3第二个神经元的权值为1，

隐含层4-2的第一个神经元输出对输出层4-3第三个神经元的权值为1，隐含层4-2的第二个神经元输出对输出层4-3第三个神经元的权值为2，隐含层4-2的第三个神经元输出对输出层4-3第三个神经元的权值为4，

5)输出层4-3第一个神经元的输入为a＝3*(-0.002)+2.5*(-0.024)+2*(-0.000244)；

输出层4-3第二个神经元的输入为b＝2*(-0.002)+5*(-0.024)+1*(-0.000244)；

输出层4-3第三个神经元的输入为c＝1*(-0.002)+2*(-0.024)+4*(-0.000244)；

因为输出层4-3的活化函数是故

输出层4-3第一个神经元的输出是

这个值就是需要的K_p；

输出层4-3第二个神经元的输出是

这个值就是需要的K_i；

输出层4-3第三个神经元的输出是这个值就是需要K_d；

表2

具体实施方式四、本实施方式与具体实施方式三的不同之处在于采用最速下降法来修正BP神经网络中的隐含层4-2到输出层4-3的权值w_lj，

性能指标函数为

$J=\frac{1}{2}{[r(k+1)-y(k+1)]}^2$

按照J的负梯度方向调整，附加一个使搜索能快速收敛的全局极小的惯性项，即

$\mathrm{\Δ}{w}_{\mathrm{lj}}(k+1)=-\mathrm{\η}\frac{\∂J}{\∂w_{\mathrm{lj}}}+\mathrm{\α}{w}_{\mathrm{lj}}\left(k\right)$

其中，η是学习效率，α为惯性系数，

BP神经网络中的隐含层4-2到输出层4-3的权值w_lj为

$\mathrm{\Δ}{w}_{\mathrm{lj}}(k+1)=\mathrm{\η\δ}{\mathrm{output}}_j^{\left(2\right)}\left(k\right)+\mathrm{\α\Δ}{w}_{\mathrm{lj}}\left(k\right)$

其中， $\mathrm{\δ}=e(k+1)\mathrm{sgn}\left[\frac{\∂y(k+1)}{\∂\mathrm{\Δu}\left(k\right)}\right]\frac{\∂\mathrm{\Δu}\left(k\right)}{\∂{\mathrm{output}}_l^{\left(3\right)}\left(k\right)}{g}^{\′}\left[{\mathrm{input}}_l^{\left(3\right)}\left(k\right)\right]$

其中，g′(x)＝g(x)[1-g(x)]

具体实施方式五、结合图2说明本实施方式，本实施方式与具体实施方式一或二的不同之处在于电源供电电路1输出电压为+15V、-15V和5V。

电源供电电路1由五抽头工频变压器B、第一全桥整流电路D1、第二全桥整流电路D2、第一滤波电容C1、第二滤波电容C2……第九滤波电容C9、第一三端稳压集成电路T1、第二三端稳压集成电路T2和第三三端稳压集成电路T3组成，所述五抽头工频变压器B的两个输入端接交流市电的两个输出端，五抽头工频变压器B的一组输出端与第一全桥整流电路D1的一组输入端相连，五抽头工频变压器B的另一组输出端与第二全桥整流电路D2的一组输入端连接，第一全桥整流电路D1的输出端经过第一滤波电容C1和第二滤波电容C2后同时与第一三端稳压集成电路T1相连，第一三端稳压集成电路T1的输出端经滤波电容C3后输出+15V电压，第一全桥整流电路D1的一组输出端经过滤波电容第四滤波电容C4和第五滤波电容C5后同时与第二三端稳压集成电路T2相连，第二三端稳压集成电路T2的输出端经滤波电容C6后输出-15V电压，第二全桥整流电路D2的一组输出端经过滤波电容C7和C8后同时与第三三端稳压集成电路T3相连，第三三端稳压集成电路T2的输出端经滤波电容C9后输出5V电压。

具体实施方式六、本实施方式与具体实施方式五的不同之处在于第一三端稳压集成电路T1为78L15，第二三端稳压集成电路T2为79L15，第三三端稳压集成电路T3为78L05。

具体实施方式七、结合图3说明本实施方式，本实施方式与具体实施方式一、二、五或六的不用之处在于温度检测采样电路2包括第一定值电阻R1、第二定值电阻R2、第一滑动变阻器Rg1、热敏电阻Rt、第三定值电阻R3、第二滑动变阻器Rg2、运算放大器2-1、第四定值电阻R4和电容C10，所述第一定值电阻R1、第二定值电阻R2、第一滑变电组Rg1和热敏电阻Rt组成的惠斯通电桥，所述第一定值电阻R1和第一滑变电组Rg1组成惠斯通电桥的一个桥臂，第二定值电阻R2和热敏电阻Rt组成惠斯通电桥的另一个桥臂，第三定值电阻R3和第二滑动变阻器Rg2组成的限流电路，并且与在惠斯通电桥的一端连接，运算放大器2-1两个输入端分别与惠斯通电桥的两个桥相连，电源供电电路1为惠斯通电桥提供电压并为运算放大器2-1提供驱动电压，运算放大器2-1的信号输出端经过第四定值电阻R4及电容C10构成的滤波电路与数字微控制电路3的温度检测信号输入端相连。

温度检测采样电路2具体工作方式如下，首先将热敏电阻Rt置于0℃下的冰水混合物中，第一调节滑动变阻器Rg1，使得运算放大器2-1中的电压输入采样值为0V，保持第一调节滑动变阻器Rg1的值不变，然后将热敏电阻Rt置于28℃下环境中(默认机房温度不高于28℃，该温度值应随具体的采样温度范围变化而不同)。调节运算放大器2-1中的校正滑动变阻器，使得AD转换电路的电压输入采样值为5V。

具体实施方式八、结合图3说明本实施方式，本实施方式与具体实施方式七的不用之处在于热敏电阻Rt为型号PT100或是PT1000的铂热敏电阻，运算放大器2-1采用集成仪用运放AD620。

其中，考虑到温度测量的精度和响应的速度，本实施方式中所述的热敏电阻Rt采用铂热敏电阻作为温度传感器。根据实际测温范围和测量精度的需要，热敏电阻Rt的型号可选择PT100或是PT1000。

热敏电阻Rt作为温度传感器的一种广泛应用被应用大温度检测电路中，在常规的接法中，由于惠斯通电桥输出的电压差值较小而影响了精度，或者由于惠斯通电桥输出的电压差值较大，而该输出电压差值直接与后级的运算放大器2-1的采样输入端相连，使得后级的放大电路有较大的输入电压差而导致放大器输出饱和并超过测试控制电路的温度检测输入电压极限。

为简化电路设计并保持较高的检测精度，所述的信号放大电路中仪用运算放大器U2A采用集成仪用运放AD620，经信号放大电路放大后的输出信号经过第四定值电阻R4及电容C4构成的滤波电路接入数字微控制电路3的温度检测信号输入端。

同时考虑到通讯机房的实际情况，在实际使用前，对系统进行校正，使得温度在0℃-28℃之间能达到精准测量，在通讯机房温度大于28℃的情况下，AD转换器后级放大电路的输出为饱和输出，由于本方案在控制过程中采用了模糊控制的方式，所有大于饱和输出的值都被模糊成为温度极高，进而以较大的比例系数使得温度迅速降低到28℃以下，进入温度范围内的采样值，按照模糊神经网络的规则进行快速，高效，精准的控制；在通讯机房温度小于0℃的情况下，这种极端的环境不会发生，因为通讯机房是内部设备是一个巨大的放热源，即使此极端情况发生，由于本方案在控制过程中采用了模糊控制的方式，所有为0的输出的值都被模糊成为温度极低，进而以较大的比例系数使得温度迅速升高到到0℃以上，进入温度范围内的采样值，按照模糊神经网络的规则进行快速，高效，精准的控制。

应用本实施方案所示的电路，以及模糊神经网络控制模块4的方式，避免了放大电路的饱和输出导致的温度采样电路的采样失效的过程，同时能使在温度采样范围外的实时温度在模糊神经网络控制模块4的作用下迅速进入到采样温度范围内，快速性提高，在采样范围内的实时温度在模糊神经网络控制模块4的作用下，能进行精准控制，避免稳态误差的产生。

具体实施方式九、结合图5说明本实施方式，本实施方式与具体实施方式一、二、五、六或七的不用之处在于还包括输入键盘3-1，所述输入键盘3-1的信号输出端与数字微控制电路3的键盘信号输入端相连，显示与人机交互操作电路6由五个定值电阻R5、R6、R7、R8、R9、五个轻触开关K1、K2、K3、K4、K5、第一与门电路U2A、第二与门电路U2B和显示电路6-1组成，电源供电电路1与五个定值电阻R5、R6、R7、R8、R9的一端相连，五个定值电阻R5、R6、R7、R8、R9的另一端分别与五个轻触开关K1、K2、K3、K4、K5的一端相连，轻触开关K1，K2，K3的另一端分别与第一与门电路U2A的三个输入段相连，第一与门电路U2A的输出端与第二与门电路U2B的一个输入端相连，轻触开关K4，K5的另一端分别与第二与门电路U2B的另外两个输入端相连，轻触开关K1，K2，K3和数字微控制电路3的键盘信号输出端与第一与门电路U2A三个输入端相连，K4，K5和数字微控制电路3的键盘的信号输出端与第二与门电路U2B二个输入端相连，第二与门电路U2B的输出端与数字微控制电路3的操作信号输入端相连，电源供电电路1的输出端与显示电路6-1的供电输入端相连，电源供电电路1的输出电压与显示电路6-1正负极输入端相连，用于显示电路6-1的电源，数字微控制电路3的显示信号输出端与显示电路6-1的信号输入端相连。

具体实施方式十、结合图5说明本实施方式，本实施方式与具体实施方式九的不用之处在于显示电路6-1采用LED12864，五个定值电阻R5、R6、R7、R8、R9的阻值均为4.7KΩ。

第二与门电路U2B为数字微控制电路3产生中断信号，轻触开关K1，K2，K3，K4，K5同与门相连的一端同时与数字微控制电路3的键盘输入端相连，用于判断手动输入的目的，提供人机交互界面。应用本实施方案所示的电路，可以简单的实现操作人员的手动控制，在没有手动输入的时候以出厂设定为控制解决方案，在有人员控制的时候，以操作控制人员的控制为优先控制。

Claims (7)

1.基于模糊神经网络的通讯机房既有空调的控制系统，它包括电源供电电路(1)、隔离输出电路(5)和数字微控制电路(3)，电源供电电路(1)的正负极输出端分别与数字微控制电路(3)的正负极输入端和隔离输出电路(5)的正负极输入端相连，用于给数字微控制电路(3)和隔离输出电路(5)提供电源，数字微控制电路(3)的控制信号输出端与隔离输出电路(5)的信号输入端相连，其特征在于它还包括温度检测采样电路(2)和模糊神经网络控制模块(4)，电源供电电路(1)的正负极输出端与温度检测采样电路(2)正负极输入端相连，用于给温度检测采样电路(2)提供电源，温度检测采样电路(2)的信号输出端与数字微控制电路(3)的温度检测信号输入端相连，数字微控制电路(3)的测量信号输出端与模糊神经网络控制模块(4)的测量信号输入端相连，模糊神经网络控制模块(4)的运算结果信号输出端与数字微控制电路(3)的运算结果信号输入端相连，温度检测采样电路(2)用于测量实时温度，数字微控制电路(3)用于将温度检测采样电路(2)测量的实时温度e与设定温度的差值信号以及差值信号的导数ec做为模糊神经网络控制模块(4)的输入，模糊神经网络控制模块(4)通过当前状态对数字微控制电路(3)两项输入进行模糊化，经过神经网络运算后得到三项PID控制信号K_P、K_i和K_d，数字微控制电路(3)将模糊神经网络控制模块(4)输出的三项PID控制信号K_P、K_i和K_d传递至隔离输出电路(5)。

2.根据权利要求1所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于它还包括显示与人机交互操作电路(6)，电源供电电路(1)的正负极输出端与显示与人机交互操作电路(6)正负极输入端相连，用于提供显示与人机交互操作电路(6)的电源，数字微控制电路(3)的显示信号输出端与显示与人机交互操作电路(6)的信号输入端相连，显示与人机交互操作电路(6)的操作信号输出端与数字微控制电路(3)的操作信号输入端相连。

3.根据权利要求1或2所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于模糊神经网络控制模块(4)包括输入层(4-1)、隐含层(4-2)和输出层(4-3)，模糊神经网络控制模块(4)的工作过程如下：

步骤一、将温度检测采样电路(2)测量得到的实时温度e与设定温度的差值信号以及差值信号的导数ec作为模糊控制的输入，通过读取模糊控制规则表而得到相应的输出；所述模糊控制规则表如表1所示；

其中，PB代表“正大”、PM代表“正中”、PS代表“正小”、O代表“零”、NS代表“负小”、NM代表“负中”、NB代表“负大”；

步骤二、将步骤一的输出作为BP神经网络的输入数据来训练神经网络，输入层(4-1)具有p个神经元，其中输入层(4-1)的输入为

${\mathrm{input}}_i^{\left(1\right)}\left(k\right)=f_{(k-i)},i=\mathrm{1,2}...p$

输入层(4-1)的输出与输入相等

${\mathrm{output}}_i^{\left(1\right)}\left(k\right)={\mathrm{input}}_i^{\left(1\right)}\left(k\right)$

步骤三、将步骤二获得的输出量加权作为隐含层(4-2)的输入，并获得隐含层(4-2)的输出，所述隐含层(4-2)具有q个神经元，输入层(4-1)到隐含层(4-2)的权值为w_ji，其中隐含层(4-2)的输入为：

${\mathrm{input}}_j^{\left(2\right)}\left(k\right)=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{\mathrm{output}}_i^{\left(1\right)}\left(k\right),j=\mathrm{1,2}...q$

隐含层(4-2)的输出为

${\mathrm{output}}_j^{\left(2\right)}\left(k\right)=f\left[{\mathrm{input}}_j^{\left(2\right)}\left(k\right)\right],j=\mathrm{1,2}...q$

隐含层(4-2)的活化函数取为正负对称的活化函数f(x)＝tanh(x)；

步骤四、将步骤三获得的输出量加权作为输出层(4-3)的输入，并获得输出层(4-3)的输出，所述输出层(4-3)具有3个神经元，隐含层(4-2)到输出层(4-3)的权值为w_lj，其中输出层(4-3)的输入为：

${\mathrm{input}}_l^{\left(3\right)}\left(k\right)=\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{lj}}{\mathrm{output}}_j^{\left(2\right)}\left(k\right),l=\mathrm{1,2,3}$

输出层(4-3)的输出为：

${\mathrm{output}}_l^{\left(3\right)}\left(k\right)=h\left[{\mathrm{input}}_l^{\left(3\right)}\left(k\right)\right],l=\mathrm{1,2,3}$

输出层(4-3)的活化函数取为非负的sigmoid函数

步骤五、将步骤四获得输出量作为三项PID控制信号K_P、K_i、K_d输入至数字微控制电路(3)。

4.根据权利要求3所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于步骤四中采用最速下降法来修正BP神经网络中的隐含层(4-2)到输出层(4-3)的权值w_lj，

性能指标函数为

$J=\frac{1}{2}{[r(k+1)-y(k+1)]}^2$

按照J的负梯度方向调整，附加一个使搜索能快速收敛的全局极小的惯性项，即

$\mathrm{\Δ}{w}_{\mathrm{lj}}(k+1)=-\mathrm{\η}\frac{\∂J}{\∂w_{\mathrm{lj}}}+\mathrm{\α}{w}_{\mathrm{lj}}\left(k\right)$

其中，η是学习效率，α为惯性系数，

BP神经网络中的隐含层(4-2)到输出层(4-3)的权值w_lj为

$\mathrm{\Δ}{w}_{\mathrm{lj}}(k+1)=\mathrm{\η\δ}{\mathrm{output}}_j^{\left(2\right)}\left(k\right)+\mathrm{\α\Δ}{w}_{\mathrm{lj}}\left(k\right)$

其中， $\mathrm{\δ}=e(k+1)\mathrm{sgn}\left[\frac{\∂y(k+1)}{\∂\mathrm{\Δu}\left(k\right)}\right]\frac{\∂\mathrm{\Δu}\left(k\right)}{\∂{\mathrm{output}}_l^{\left(3\right)}\left(k\right)}{g}^{\′}\left[{\mathrm{input}}_l^{\left(3\right)}\left(k\right)\right]$

其中，g′(x)＝g(x)[1-g(x)]

5.根据权利要求1或2所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于电源供电电路(1)输出电压为+15V、-15V和5V。

6.根据权利要求1或2所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于温度检测采样电路(2)包括第一定值电阻(R1)、第二定值电阻(R2)、第一滑动变阻器(Rg1)、热敏电阻(Rt)、第三定值电阻(R3)、第二滑动变阻器(Rg2)、运算放大器(2-1)、第四定值电阻(R4)和电容(C10)，所述第一定值电阻(R1)、第二定值电阻(R2)、第一滑变电组(Rg1)和热敏电阻(Rt)组成惠斯通电桥，所述第一定值电阻(R1)和第一滑变电组(Rg1)组成惠斯通电桥的一个桥臂，第二定值电阻(R2)和热敏电阻(Rt)组成惠斯通电桥的另一个桥臂，第三定值电阻(R3)和第二滑动变阻器(Rg2)组成限流电路，并且与惠斯通电桥的一端连接，运算放大器(2-1)的一个输入端连接在惠斯通电桥上桥臂的第一定值电阻(R1)和第一滑变电组(Rg1)之间，运算放大器(2-1)的另一个输入端连接在惠斯通电桥下桥臂的第二定值电阻(R2)和热敏电阻(Rt)之间，电源供电电路(1)为惠斯通电桥提供电压并为运算放大器(2-1)提供驱动电压，运算放大器(2-1)的信号输出端经过第四定值电阻(R4)及电容(C10)构成的滤波电路与数字微控制电路(3)的温度检测信号输入端相连。

7.根据权利要求6所述的基于模糊神经网络的通讯机房既有空调的控制系统，其特征在于热敏电阻(Rt)为型号PT100或是PT1000的铂热敏电阻，运算放大器(2-1)采用集成运放AD620。

Images