CN108241392A - 温度控制方法及系统 - Google Patents

Abstract

本发明提供了一种温度控制方法及系统，系统包括：温度传感器、神经网络控制器、温度调整装置，所述温度传感器用于获取环境的当前温度值；所述神经网络控制器用于将环境的所述当前温度值与目标温度值代入预设的温度模型中，生成温度控制信号；所述温度调整装置用于根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值，通过可以进行自学习的神经网络控制器控制环境温度，可以提高温度控制系统的控制精度、减小调节时间、提高稳态精度，且通过自学习方法，可以使温度控制系统对不同环境的温度变化规律进行自学习，不必在进行人工干预，提高了其通用性。

Description

温度控制方法及系统

技术领域

本发明涉及温度控制领域，尤其涉及一种温度控制方法及系统。

背景技术

温度是工业生产、生活中一种常见的控制变量，随着技术的不断发展与进步，对加热及制冷性能的要求也不断提高，对温度控制的精度要求也越来越高。

传统的温度控制采用PID控制方法，PID控制方法主要根据温度给定值和实际温度值的偏差的比例、积分和微分，通过线性组合的形式构成控制量，以进行温度控制，是一种线性控制方法，加入模糊控制后，可以使其变为非线性控制方法，但是模糊控制的模糊参数是通过人工经验确定的，参数设置好后不可变，但是参数是通过人工经验确定的，可能不符合环境中温度变化的规律，导致模糊PID控制方法的控制精度差、调节时间长、稳态的精度低，且上述方法只能适用于特定的环境，通用性低。

发明内容

有鉴于此，为解决上述问题，本发明提供一种温度控制方法及系统，通过确定更符合环境中温度变化规律的模型，克服现有技术中控制精度差、调节时间长、稳态的精度低、通用性低的缺点。

本发明实施例提供一种温度控制系统，包括：温度传感器、神经网络控制器、温度调整装置，所述温度传感器用于获取环境的当前温度值；

所述神经网络控制器用于根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入预设的调整后的所述温度模型中，生成温度控制信号；

所述温度调整装置用于根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值。

具体的，在本发明任一实施例中，所述神经网络控制器包括神经网络模块以及模糊控制器，所述神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型进行自适应调整，所述模糊控制器用于将环境的所述当前温度值与所述目标温度值代入到调整后的所述模糊计算模型中，生成所述温度控制信号。

具体的，在本发明任一实施例中，所述神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型的隶属度函数、模糊规则、输出层权值中的任一项或多项的组合进行自适应调整。

具体的，在本发明任一实施例中，所述神经网络控制器还包括PID控制器，

所述模糊控制器用于将环境的所述当前温度值与目标温度值代入到调整后的所述模糊计算模型中，确定所述PID控制器的当前控制参数，

将所述当前控制参数更新至所述PID控制器中，并由更新后的所述PID控制器对所述当前温度值与目标温度值的当前偏差值进行计算，生成所述温度控制信号。

具体的，在本发明任一实施例中，所述PID控制器用于对所述当前偏差值以及历史偏差值进行迭代计算，以优化所述温度控制信号。

具体的，在本发明任一实施例中，所述温度控制信号包括脉冲宽度调制信号，所述温度调整装置根据所述脉冲宽度调制信号调整所述当前温度值，以使所述当前温度值等于所述目标温度值。

具体的，在本发明任一实施例中，通过调整所述脉冲宽度信号的占空比，进而调整所述温度调整装置的加热时长或制冷时长，以调整环境的所述当前温度。

具体的，在本发明任一实施例中，所述温度传感器为Pt100铂电阻温度传感器。

具体的，在本发明任一实施例中，所述神经网络控制器与外部监控设备相连，以对环境的所述当前温度值进行实时监控。

具体的，在本发明任一实施例中，还包括警报器，用于在温度异常时进行警报。

本发明实施例提供一种温度控制方法，包括：

温度传感器获取环境的当前温度值；

神经网络控制器根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入调整后的所述温度模型中，生成温度控制信号；

温度调整装置根据所述温度控制信号调整所述当前温度值，使所述当前温度值等于目标温度值。

本发明提供的温度控制方法及系统，包括：温度传感器、神经网络控制器、温度调整装置，所述温度传感器用于获取环境的当前温度值；所述神经网络控制器用于将环境的所述当前温度值与目标温度值代入预设的温度模型中，生成温度控制信号；所述温度调整装置用于根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值，通过可以进行自学习的神经网络控制器控制控制环境温度，可以提高温度控制系统的控制精度、减小调节时间、提高稳态精度，且通过自学习方法，可以使温度控制系统对不同环境的温度变化规律进行自学习，不必在进行人工干预，提高了其通用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种温度控制系统结构示意图；

图2为本发明实施例提供的一种神经网络控制器的结构示意图；图3为本发明实施例提供的一种温度控制系统中神经网络控制器的结构示意图；

图4为本发明实施例与现有技术中的控温曲线图；

图5为本发明实施例提供的一种温度控制系统结构示意图；

图6为本发明提供的一种温度控制方法流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

图1为本发明实施例提供的一种温度控制系统结构示意图，如图所示，其包括：温度传感器1、神经网络控制器2、温度调整装置3。

所述温度传感器1用于获取环境的当前温度值。

本实施例中，温度传感器1可以为Pt100铂电阻温度传感器。Pt100铂电阻温度传感器的测量范围可以达到-200℃～+850℃,感应范围大；同时，Pt100铂电阻温度传感器的时间线性度较好，且电阻的线性度较好，使Pt100铂电阻温度传感器的感应偏差小；此外，Pt100铂电阻温度传感器还具有抗震动、稳定性好、准确度高、耐高压等优点。以上优点使Pt100铂电阻温度传感器比较适合在温度较高或较低的环境中使用。

通过温度传感器1获取的环境当前温度值发送给神经网络控制器2，神经网络控制器2用于根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入调整后的所述温度模型中，生成温度控制信号。

具体的，本实施例中，预设的温度模型可以为预先建立的数据表，通过输入的内容，在预设的数据表中进行查询，并根据查询结果生成温度控制信号；预设的数据模型可以为预先建立的公式，将输入的内容作为因变量，代入预先建立的公式进行计算，并根据计算结果生成温度控制信号。

本实施例中，通过神经网络控制器2具有自学习的功能，可以在自学习后对预先建立的温度模型进行在线调整。具体的，神经网络控制器2中包括神经网络，神经网络可以通过学习训练的方式发展知识，进行自学习。在建立神经网络时，可以限定神经网络的学习方式或学习规则，而具体的学习内容随系统所处环境(即输入的温度值)而异。此时，系统可以根据获取的温度值，发现环境的温度特征和规律，并根据神经网络进行自学习，使神经网络输出的内容更加符合环境的规律。

通过自学习功能可以使神经网络控制器2适用于多种环境，而不需要在更换使用环境时对其内部的数据再次进行更新，提高了温度控制系统的通用性。

具体的，本实施例中，所述神经网络控制器2包括神经网络模块以及模糊控制器，所述神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型进行在线调整，所述模糊控制器用于将环境的所述当前温度值与所述目标温度值代入到调整后的所述模糊计算模型中，生成所述温度控制信号。

神经网络可以模拟人脑结构的思维功能，具有较强的自学习和联想功能，人工干预少，精度较高。但是它不能处理和描述模糊信息，不能很好利用已有的经验知识。模糊系统相对于神经网络而言，具有推理过程容易理解、对样本的要求较低等优点，但它同时又存在人工干预多、推理速度慢、精度较低等缺点，很难实现自适应学习的功能。本实施例将二者有机地结合起来，得到模糊神经网络21。模糊神经网络结合了神经网络系统和模糊系统的长处，同时避免了它们的短处，它在处理非线性、模糊性等问题上，计算快捷，同时计算精度高。模糊神经网络21的具体结构在以下实施例中进行详细说明。

模糊神经网络21经过自学习后进行调整得到的温度模型，更符合环境中温度变化的规律，进而使生成温度控制信号也更符合环境的规律。在所述温度调整装置3根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值的过程中，调整需要的时间更短、达到的精度更高，在当前温度值等于目标温度值后，稳态精度更高。

具体的，本实施例中，温度控制信号包括脉冲宽度调制信号，所述温度调整装置3根据所述脉冲宽度调制信号调整所述当前温度值，以使所述当前温度值等于所述目标温度值。温度调整装置3通过加热或制冷来调整环境的温度，通过调整所述脉冲宽度信号的占空比，进而调整所述温度调整装置3的加热时长或制冷时长，以调整环境的所述当前温度。

具体的，本实施例中，温度调整装置3的加热方式可以包括：电磁加热、红外线加热、电阻加热等。具体的加热方法可以根据环境的具体环境情况确定，本实施例在此不再进行说明。

冷却方式包括直接冷却和间接冷却两种。直接冷却是将制冷机的蒸发器装设在制冷装置的箱体或建筑物内，利用制冷剂的蒸发直接冷却其中的空气，靠冷空气冷却需要冷却的物体。这种冷却方式的优点是冷却速度快，传热温差小，系统比较简单。

间接冷却是靠制冷机蒸发器中制冷剂的蒸发，从而使载冷剂(例如盐水)冷却，再将载冷剂输入制冷装置的箱体或建筑物内，通过换热器冷却其中的空气。这种冷却方式冷却速度慢，总传热温差大，系统也较复杂。

与加热方法相同的是，冷却方法也可以根据环境的具体环境情况确定，本实施例在此不再进行说明。

本实施例提供的温度控制系统，包括：温度传感器、神经网络控制器、温度调整装置，所述温度传感器用于获取环境的当前温度值；所述神经网络控制器用于将环境的所述当前温度值与目标温度值代入预设的温度模型中，生成温度控制信号；所述温度调整装置用于根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值，通过可以进行自学习的神经网络控制器控制控制环境温度，可以提高温度控制系统的控制精度、减小调节时间、提高稳态精度，且通过自学习方法，可以使温度控制系统对不同环境的温度变化规律进行自学习，不必在进行人工干预，提高了其通用性。

图2为本发明实施例提供的一种神经网络控制器的结构示意图，如图所示，其为神经网络与模糊计算混合后构成的模糊神经网络21结构，是一个五层的前馈网络，其中，

第一层为输入层，用于输入当前温度值与目标温度值进行初步计算后得到的分向量，计算后的结果为X＝[x₁,x₂,...,x_n]^T，x_i(i＝1,2,.....,n)为X的各个分向量。x_i分割为m_i个变量，并作为隶属度函数生成层的输入，m_i为x_i的模糊分割数。

第二层为隶属度函数生成层，用于根据隶属度函数将输入的信号模糊化，如图2所示，隶属度函数生成层具有多个神经元节点，每个神经元节点均有一个隶属度函数，而每个输入的x_i可以对应m_i个隶属度函数，则隶属度函数生成层的神经元节点数为神经元节点的激励函数可以为高斯函数。

第三层为推理层，用于进行模糊推理，推理层也包括多个神经元节点，每个神经元节点代表一条模糊规则，推理层的神经元节点可以与隶属度函数生成层的神经元节点数相同。如图2所示，通过推理层的模糊规则对模糊化后的输入信号进行组合推理，可以得到相应的加热/冷却强度。

第四层为归一化层，用于对推理层的推理结果进行归一化计算，归一化层的节点总数与推理层的节点数相同。

第五层为输出层，用于根据不同的权值ω对归一化层的计算结果进行整合，并得到输出结果。

神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型的隶属度函数、模糊规则、输出层权值中的任一项或多项的组合进行在线调整。

具体的，本实施例提供的模糊神经网络，在模糊计算中加入神经网络，利用神经网络的自学习能力对模糊计算模型中的隶属度函数、模糊规则、输出层权值进行调整，使调整后的隶属度函数、模糊规则、输出层权值更符合当前环境中温度变化的规律，从而使通过模糊计算模型计算得到的输出结果也更接近环境的温度变化规律。在输出结果生成的温度控制信号后，根据温度控制信号调整环境的当前温度值时，调节精度更高、调节时间更短、稳态精度更高。

本发明另一实施例中，如图3所示，神经网络控制器还可以包括PID控制器22。

PID控制器22是通过比例、积分、微分进行计算，在控制当前温度值，使其等于目标温度值的过程中，如图4所示，随着时间的变化，当前温度值与目标温度值的偏差值越小，当前温度值变化的速度可能需要改变，通过比例计算可以控制当前温度值接近目标温度值的速度；在控制当前温度值，使其等于目标温度值的过程中，如图4所示，随着温度的变化，当前温度值的大小会在目标温度值附近来回变化，使当前温度值的曲线发生震荡，通过PID控制器22的积分计算可以控制当前温度值的震荡幅值，使震荡幅度减小，最终停止在目标温度值上，通过PID控制器22的微分计算可以使控制器对输出结果做出更快速的反应，从而减小当前温度值的振荡频率。与直接控制相比，通过PID控制器22控制温度可以达到更加精准的效果。

具体的，本实施例中，PID控制器22用于根据环境的当前温度值与目标温度值相减得到的当前偏差值进行计算，生成温度控制信号。PID控制器22的输入输出关系可以为：

考虑到计算机控制是一种采样控制，需要将其离散化，故以一系列的采样时间点nT代表连续时间t，即：

t＝nT,n＝0,1,2,...

通过时间公式可以对上述公式中的积分部分与微分部分离散化：

其中，T为采样周期，将采样周期归一化，根据递推关系可以得到增量式PID控制率：

U[n]＝U[n-1]+ΔU[n]

其中，

ΔU[n]＝K_p(E[n]-E[n-1])+K_iE[n]+K_d(E[n]-2E[n-1]+E[n-2])

其中，K_p为PID控制器22的比例系数，K_i为PID控制器22的积分系数，K_d为PID控制器22的微分系数，n为当前时刻，E[n]为当前偏差值，E[n-1]和E[n-2]为第n-1时刻和第n-2时刻的偏差值，U[n]为温度控制信号。

如图3所示，上述的PID控制器22对所述当前偏差值以及历史偏差值进行迭代计算，通过不断迭代循环优化得到温度控制信号，使其更符合环境的温度变化规律。

PID控制器22与模糊神经网络21的输出层连接，则模糊控制器用于将环境的所述当前温度值与目标温度值代入到调整后的所述模糊计算模型中，确定所述PID控制器22的当前控制参数，即K_p、K_i、K_d的整定结果。具体的，本实施例中，利用神经网络优化隶属度函数和模糊规则，并且改变输出层权值，从而对PID控制器22的K_p、K_i、K_d系数进行优化。确定后，将所述当前控制参数更新至所述PID控制器22中，并由更新后的所述PID控制器22对所述当前温度值与目标温度值的当前偏差值进行计算，生成所述温度控制信号。

本实施例在模糊神经网络的基础上增加了PID控制器，与其他的简单控制相比，PID控制器可以使控制结果更加准确，稳态精确度更高。

图5为本发明另一实施例提供的一种温度控制系统结构示意图，如图所示，其包括：温度传感器1、处理器4、存储单元5、显示模块6、输入模块7、温度调整装置3。其中，

温度传感器1设置在环境中，与处理器4连接，构成温度测量电路，温度测量电路获取温度后，将其转化为模拟信号，并经过放大电路进行放大。为了防止单机放大倍数过高产生非线性误差，放大电路可以采用两级放大电路。

放大后的模拟信号进行A/D转换，在进行转换时需要经过采样电路进行采样。由于干扰或噪声电路的影响，采样过程中可能会出现信号波动，为了减小误差，可以增加采样点，如在采样时采样18个点，然后除去最大值与最小值后计算平均值，从而得到比较准确的数字信号。数字信号经处理器4进行处理，转换为当前温度值Y[n]，并作为处理器4中的神经网络控制器2的输入。

如图3所示，调整过程中的目标温度值R[n]也是神经网络控制器2的输入，目标温度值R[n]可以通过输入模块进行输入，也可以由处理器4内部根据当前环境的情况自行确定。神经网络控制器2根据输入的当前温度值与目标温度值，确定PID控制器22的三个控制参数，更新控制参数的PID控制器22可以根据输入的偏差值生成温度控制信号，具体的过程以在上述实施例中进行说明，在此不再赘述。

本实施例中，处理器4可以为ARM微处理器，如S3C6410处理器等。与传统的PLC或单片机相比，微处理器可以运行操作系统，并在内部运行控制算法，操作更便捷，控制精度更高。微处理器可以采用嵌入式Linux操作系统，与其他嵌入式操作系统相比，嵌入式Linux操作系统运行更加稳定。嵌入式Linux操作系统内设脉冲宽度调制信号的驱动程序，通过驱动程序将PID控制器22输出的温度控制信号转为脉冲宽度调制信号，以进行温度调节。

温度控制装置与处理器4连接，处理器4可以通过驱动电路控制温度控制装置，使温度控制装置可以根据输出脉冲宽度调制信号来调整环境的当前温度值。温度控制装置可以包括电阻丝等，通过调整输出的脉冲宽度调制信号的占空比，来控制电阻丝开关的通断时长，从而控制通过电阻丝加热的时长，进而控制环境的温度。

存储单元5，与处理器4连接，用于存储历史获取的温度值、模糊神经网络的模糊信息等。

显示模块6，与处理器4连接，用于显示当前温度值、目标温度值等温度控制系统的信息，显示模块6可以为LCD显示屏。

输入模块7，与处理器4连接，用于输入目标温度值，输入模块7可以为输入键盘，输入键盘上可以还包括功能按键，通过功能按键可以实现人工控制温度，功能按键可以包括温度升高按键、温度降低按键、确认按键、取消按键、功能键等。

本实施例中，还包括外部监控设备，与处理器4连接，以对环境的所述当前温度值进行实时监控，外部监控设备可以为计算81机，计算机81与处理器4通过通信模块82进行通信，完成数据交互，从而实现对温度控制系统进行监控。

本实施例中，还包括警报器9，与处理器4连接，用于在温度异常时进行警报，处理器4在获取当前温度值后，还可以用于比对当前温度值与预设的温度值，若当前温度值不等于预设的温度值，则可以判定当前温度值异常，处理器4控制警报器9进行警报。

图6为本发明实施例提供的一种温度控制方法流程示意图，其包括：

S1、温度传感器获取环境的当前温度值；

S2、神经网络控制器根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入调整后的所述温度模型中，生成温度控制信号神经网络控制器；

S3、温度调整装置根据所述温度控制信号调整所述当前温度值，使所述当前温度值等于目标温度值。

本实施例提供的温度控制方法，包括：温度传感器获取环境的当前温度值；所述神经网络控制器将环境的所述当前温度值与目标温度值代入预设的温度模型中，生成温度控制信号；所述温度调整装置根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值，通过可以进行自学习的神经网络控制器控制控制环境温度，可以提高温度控制系统的控制精度、减小调节时间、提高稳态精度，且通过自学习方法，可以使温度控制系统对不同环境的温度变化规律进行自学习，不必在进行人工干预，提高了其通用性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种温度控制系统，其特征在于，包括：温度传感器、神经网络控制器、温度调整装置，所述温度传感器用于获取环境的当前温度值；

所述神经网络控制器用于根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入调整后的所述温度模型中，生成温度控制信号；

所述温度调整装置用于根据所述温度控制信号调整环境的所述当前温度值，使环境的所述当前温度值等于目标温度值。

2.根据权利要求1所述的系统，其特征在于，所述神经网络控制器包括神经网络模块以及模糊控制器，所述神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型进行自适应调整，所述模糊控制器用于将环境的所述当前温度值与所述目标温度值代入到调整后的所述模糊计算模型中，生成所述温度控制信号。

3.根据权利要求2所述的系统，其特征在于，所述神经控制网络模块用于根据获取的历史温度值对所述模糊计算模型的隶属度函数、模糊规则、输出层权值中的任一项或多项的组合进行自适应调整。

4.根据权利要求2所述的系统，其特征在于，所述神经网络控制器还包括PID控制器，

所述模糊控制器用于将环境的所述当前温度值与目标温度值代入到调整后的所述模糊计算模型中，确定所述PID控制器的当前控制参数，

将所述当前控制参数更新至所述PID控制器中，并由更新后的所述PID控制器对所述当前温度值与目标温度值的当前偏差值进行计算，生成所述温度控制信号。

5.根据权利要求4所述的系统，其特征在于，所述PID控制器用于对所述当前偏差值以及历史偏差值进行迭代计算，以优化所述温度控制信号。

6.根据权利要求1所述的系统，其特征在于，所述温度控制信号包括脉冲宽度调制信号，所述温度调整装置根据所述脉冲宽度调制信号调整所述当前温度值，以使所述当前温度值等于所述目标温度值。

7.根据权利要求6所述的系统，其特征在于，通过调整所述脉冲宽度信号的占空比，进而调整所述温度调整装置的加热时长或制冷时长，以调整环境的所述当前温度。

8.根据权利要求1所述的系统，其特征在于，所述温度传感器为Pt100铂电阻温度传感器。

9.根据权利要求1所述的系统，其特征在于，所述神经网络控制器与外部监控设备相连，以对环境的所述当前温度值进行实时监控。

10.根据权利要求1所述的系统，其特征在于，还包括警报器，用于在温度异常时进行警报。

11.一种温度控制方法，其特征在于，包括：

温度传感器获取环境的当前温度值；

神经网络控制器根据自学习的所述环境的温度变化规律在线调整预设的温度模型，并将环境的所述当前温度值与目标温度值代入调整后的所述温度模型中，生成温度控制信号；

温度调整装置根据所述温度控制信号调整所述当前温度值，使所述当前温度值等于目标温度值。