CN112346333A - 一种基于bp神经网络调节的压缩机转速控制方法 - Google Patents

一种基于bp神经网络调节的压缩机转速控制方法 Download PDF

Info

Publication number
CN112346333A
CN112346333A CN202011224027.0A CN202011224027A CN112346333A CN 112346333 A CN112346333 A CN 112346333A CN 202011224027 A CN202011224027 A CN 202011224027A CN 112346333 A CN112346333 A CN 112346333A
Authority
CN
China
Prior art keywords
compressor
neural network
rotating speed
layer
pid
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.)
Granted
Application number
CN202011224027.0A
Other languages
English (en)
Other versions
CN112346333B (zh
Inventor
宋丫
赵君
严琳
梁哲
王山虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Aeronautics Computing Technique Research Institute of AVIC
Original Assignee
Xian Aeronautics Computing Technique Research Institute of AVIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Aeronautics Computing Technique Research Institute of AVIC filed Critical Xian Aeronautics Computing Technique Research Institute of AVIC
Priority to CN202011224027.0A priority Critical patent/CN112346333B/zh
Publication of CN112346333A publication Critical patent/CN112346333A/zh
Application granted granted Critical
Publication of CN112346333B publication Critical patent/CN112346333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/20—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00 by changing the driving speed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明涉及一种基于BP神经网络调节的压缩机转速控制方法，通过搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络，整合多个PID模型，在传统的独立PID控制的基础上，实现更为快速、稳定的交叉调节。在机载环境监控系统中，综合考虑温度、压力、电子膨胀活门开度、压缩机内部电机温度、压缩机过热活门开度等因素，合理调节压缩机转速，避免因反复振荡导致调节迟滞。

Description

一种基于BP神经网络调节的压缩机转速控制方法
技术领域
本发明涉及但不限于机载环境监控系统技术领域，提出了一种基于BP神经网络调节的压缩机转速控制方法。
背景技术
大型客机环境监控系统中普遍采用多个独立PID模型生成各模型自身的控制律，如蒸发器热边出口温度指令及温度反馈通过位置式PID模型调节输出压缩机转速指令，蒸发器制冷剂出口压力指令及压力反馈通过增量式PID模型调节输出电子膨胀活门开度增量。
然而在实际环境监控系统中，电子膨胀活门开度亦会影响到蒸发器热边出口温度，从而间接改变压缩机转速。此外，压缩机内部电机温度、压缩机过热活门开度也是压缩机转速指令输出的重要参考因素。由此可见，单一的PID模型无法完全描述环境监控系统的交叉调节关系，多个独立的PID模型先后调节可能导致输出振荡，系统响应迟滞。
发明内容
本发明的目的：
本发明实施例提供一种基于BP神经网络调节的压缩机转速控制方法，以解决现有环境监控系统中的压缩机转速指令调方式，由于通过单一的PID模型无法完全描述环境监控系统的交叉调节关系，从而导致输出振荡，系统响应迟滞等问题。
本发明的技术方案：
本发明实施例提供一种基于BP神经网络调节的压缩机转速控制方法，包括：
步骤1，搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络；
步骤2，整合多个PID模型，提取独立模型间压缩机转速控制的多个影响因素互相作用的变化规律；
步骤3，通过综合所述多个影响因素互相作用的变化规律，对压缩机转速进行交叉调节。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述步骤1之前，还包括：
对PID模型进行动态数据采集。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述对PID模型进行动态数据采集，包括：
将蒸发器热边出口温度指令和温度反馈作为输入，通过位置式PID模型控制输出压缩机转速指令；
将蒸发器制冷剂出口压力指令和压力反馈作为输入，通过增量式PID模型控制输出电子膨胀活门开度增量；
通过依次设定多组温度指令与压力指令，对PID模型进行动态数据采集。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述步骤2包括：
采用对多个PID模型动态采集到的数据，对BP神经网络进行网络训练，得到压缩机转速的多个影响因素互相作用的变化规律，根据变化规律获得用于调节压缩机转速的参数。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述步骤1中构建的BP神经网络包括：1个输入层，3个隐藏层和1个输出层，其中，所述隐藏层从输入到输出依次包含8个、5个、3个神经元，每层还设置有参数传递的偏置项，各神经元采用修正线性单元ReLU作为激活函数。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述BP神经网络输入层的影响因素包括：蒸发器热边出口温度指令、蒸发器热边出口温度反馈、电子膨胀活门开度、压缩机内部电机温度、压缩机过热活门开度。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，所述对BP神经网络进行网络训练，包括：
将PID模型动态采集到的数据上传到BP神经网络，进行权值训练；
其中，所述BP神经网络中用于使代价函数最小化的参数最优求解方式为：
Figure BDA0002763043760000021
Figure BDA0002763043760000022
为代价函数，用于衡量样本预测值与真实值之间的误差；
其中，xi为第l层的第i个的输入，yi为第l层的第i个理想输出，h为实际输出，ω是权值参数，b是偏置项。
可选地，如上所述的基于BP神经网络调节的压缩机转速控制方法中，
所述权值训练的方式包括：前向传播与反向传播两个阶段，所述前向传播通过权值矩阵W和偏置项逐层传递特征信息，反向传播采用梯度下降法，向着代价函数减小的方向不断更新权值，从而获得可以输出压缩机转速指令的BP神经网络的权值矩阵W；且反向更新权值的实现方式为：
Figure BDA0002763043760000031
其中，α为学习速，W(l)表示第l层的权值向量。
本发明的有益效果：
本发明实施例提供的基于BP神经网络调节的压缩机转速控制方法，通过搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络，例如搭建一个5层的BP神经网络，整合多个PID模型，综合各影响因素，交叉调节压缩机转速，从而提升系统的响应速度及稳定性。另外，经过网络训练，最终获得各影响因素对压缩机转速的综合影响情况，输出具有稳定调节能力的压缩机转速指令，实验表明本发明实施例的方法能够显著提升系统的响应速度，且调节过程稳定无明显振荡。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1为本发明实施例提供的一种基于BP神经网络调节的压缩机转速控制方法的流程图；
图2为本发明实施例中蒸发器热边出口温度闭环位置式PID控制的原理示意图；
图3为本发明实施例中蒸发器制冷剂出口压力闭环增量式PID控制的原理示意图；
图4为本发明实施例中构建出的BP神经网络的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
下面结合具体实施例，对本发明的技术方案进行清楚、完整地表述。显然，所表述的实施例仅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，本领域技术人员在没有做出创造性劳动前提所获得的所有其他实施例，都属于本发明的保护范围。
针对现有环境监控系统中的压缩机转速指令调方式，由于通过单一的PID模型无法完全描述环境监控系统的交叉调节关系，从而导致输出振荡，系统响应迟滞等问题；本发明实施例综合压缩机转速指令调节的多个影响因素，提出了一种基于BP神经网络调节的压缩机转速控制方法，以提升系统的调节响应能力，该压缩机转速控制方法可应用于大型客机环境监控系统蒸发循环制冷单元。
本发明实施例提供的基于BP神经网络调节的压缩机转速控制方法，通过搭建具有多个隐藏层的反向传播(BP)神经网络，并通过整合多个PID模型，提取各独立PID模型间互相作用的变化规律，综合蒸发器热边出口温度指令、蒸发器热边出口温度反馈、电子膨胀活门开度、压缩机内部电机温度、压缩机过热活门开度等影响因素，根据提取的影响因素交叉调节压缩机转速。上述BP神经网络的训练样本来自PID模型动态采集的数据，经过梯度下降的反向传播算法训练，获得可以输出压缩机转速指令的神经网络。
图1为本发明实施例提供的一种基于BP神经网络调节的压缩机转速控制方法的流程图，如图1所示，该压缩机转速控制方法具体包括如下步骤：
步骤1，搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络；
步骤2，整合多个PID模型，提取独立模型间压缩机转速控制的多个影响因素互相作用的变化规律；
步骤3，通过综合所述多个影响因素互相作用的变化规律，对压缩机转速进行交叉调节。
可选地，在步骤1之前，还可以包括：对PID模型进行动态数据采集。
本发明实施例在具体实现过程中，动态数据采集的具体实现方式可以为：将蒸发器热边出口温度指令和温度反馈作为输入，通过位置式PID模型控制输出压缩机转速指令；将蒸发器制冷剂出口压力指令和压力反馈作为输入，通过增量式PID模型控制输出电子膨胀活门开度增量；通过依次设定多组温度指令与压力指令，对PID模型进行动态数据采集。
本发明实施例提出的基于BP神经网络调节的压缩机转速控制方法，结合附图及实施实例详细说明如下：
本发明实施例的压缩机转速控制可分为以下三个环节，1、PID模型动态数据采集，2、BP神经网络构建及训练，3、压缩机转速调节。
1、PID模型动态数据采集
在环境监控系统蒸发循环制冷单元中，将蒸发器热边出口温度指令和温度反馈作为输入，通过位置式PID模型控制输出压缩机转速指令，如图2所示，为本发明实施例中蒸发器热边出口温度闭环位置式PID控制的原理示意图。另外，将蒸发器制冷剂出口压力指令和压力反馈作为输入，通过增量式PID模型控制输出电子膨胀活门开度增量，如图3所示，为本发明实施例中蒸发器制冷剂出口压力闭环增量式PID控制的原理示意图。依次设定10组温度指令与压力指令，如下表1所示，改变设定指令的过程中，需间隔足够的时间，以保证采集到的反馈数据稳定有效。
表1蒸发器出口温度、压力指令设定
序号 蒸发器热边出口温度指令/℃ 蒸发器制冷剂出口压力指令/bar
1 -12 1.59
2 -11.5 1.61
3 -11 1.63
4 -10 1.65
5 -9 1.67
6 -8 1.69
7 -7 1.71
8 -6.5 1.73
9 -6 1.75
10 -5.5 1.77
一组指令设定即为一次动态调节，在此过程中，每10ms采集一次输入输出，动态记录下各组指令的调节过程，同时采集对应时刻的压缩机内部电机温度、压缩机过热活门开度，从而形成一定规模的数据样本。
2、BP神经网络构建及训练
如图4所示，为本发明实施例中构建出的BP神经网络的示意图，构建如图4所示的BP神经网络，其包含1个输入层，多个隐藏层(可以为2层到4层之间，本实施例中例如为3层)，1个输出层，隐藏层从输入到输出依次包含8个、5个、3个神经元，各层还设置有参数传递的偏置项，且各层通过全连接的方式传递参数，图4简化了部分连接线。各神经元采用修正线性单元(ReLU)作为激活函数，图4中的“+1”为参数传递的偏置项。
可以看出，BP神经网络输入层的影响因素包括：蒸发器热边出口温度指令、蒸发器热边出口温度反馈、电子膨胀活门开度、压缩机内部电机温度、压缩机过热活门开度。
BP神经网络的参数最优解如式(1)所示，式(1)为使代价函数最小化的参数最优解；式(2)称为代价函数，用于衡量样本预测值与真实值之间的误差。代价函数采用最小二乘法如式(2)，其中xi为第l层的第i个的输入，yi为第l层的第i个理想输出，h为实际输出，ω是权值参数，b是偏置项。
Figure BDA0002763043760000061
Figure BDA0002763043760000062
将数据样本(对PID模型动态采集到的数据)传入上述BP神经网络，代入上述式(2)和式(1)，进行权值训练，分为前向传播与反向传播两个阶段，前向传播通过权值矩阵W和偏置项逐层传递特征信息，反向传播采用梯度下降法，向着代价函数减小的方向不断更新权值，反向更新权值的实现方式如式(3)所示，α为学习速率，决定着每次梯度下降的步长，本发明实施例中通过试验得到的学习速率为0.25。
Figure BDA0002763043760000063
上述式(3)中，W(l)表示第l层的权值向量；
根据上述训练方式，获得可以输出压缩机转速指令的BP神经网络的权值矩阵W。
3、压缩机转速调节
通过上述训练得到BP神经网络对压缩机转速进行交叉调节。
经过网络训练，最终获得各影响因素对压缩机转速的综合影响情况，输出具有稳定调节能力的压缩机转速指令，实验表明本发明实施例的方法能够显著提升系统的响应速度，且调节过程稳定无明显振荡。
本发明实施例提供的基于BP神经网络调节的压缩机转速控制方法，通过搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络，例如搭建一个5层的BP神经网络，整合多个PID模型，综合各影响因素，交叉调节压缩机转速，从而提升系统的响应速度及稳定性。另外，经过网络训练，最终获得各影响因素对压缩机转速的综合影响情况，输出具有稳定调节能力的压缩机转速指令，实验表明本发明实施例的方法能够显著提升系统的响应速度，且调节过程稳定无明显振荡。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (8)

1.一种基于BP神经网络调节的压缩机转速控制方法，其特征在于，包括：
步骤1，搭建包括1个输入层，至少2个隐藏层和1个输出层的BP神经网络；
步骤2，整合多个PID模型，提取独立模型间压缩机转速控制的多个影响因素互相作用的变化规律；
步骤3，通过综合所述多个影响因素互相作用的变化规律，对压缩机转速进行交叉调节。
2.根据权利要求1所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述步骤1之前，还包括：
对PID模型进行动态数据采集。
3.根据权利要求2所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述对PID模型进行动态数据采集，包括：
将蒸发器热边出口温度指令和温度反馈作为输入，通过位置式PID模型控制输出压缩机转速指令；
将蒸发器制冷剂出口压力指令和压力反馈作为输入，通过增量式PID模型控制输出电子膨胀活门开度增量；
通过依次设定多组温度指令与压力指令，对PID模型进行动态数据采集。
4.根据权利要求3所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述步骤2包括：
采用对多个PID模型动态采集到的数据，对BP神经网络进行网络训练，得到压缩机转速的多个影响因素互相作用的变化规律，根据变化规律获得用于调节压缩机转速的参数。
5.根据权利要求4所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述步骤1中构建的BP神经网络包括：1个输入层，3个隐藏层和1个输出层，其中，所述隐藏层从输入到输出依次包含8个、5个、3个神经元，每层还设置有参数传递的偏置项，各神经元采用修正线性单元ReLU作为激活函数。
6.根据权利要求5所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述BP神经网络输入层的影响因素包括：蒸发器热边出口温度指令、蒸发器热边出口温度反馈、电子膨胀活门开度、压缩机内部电机温度、压缩机过热活门开度。
7.根据权利要求6所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，所述对BP神经网络进行网络训练，包括：
将PID模型动态采集到的数据上传到BP神经网络，进行权值训练；
其中，所述BP神经网络中用于使代价函数最小化的参数最优求解方式为：
Figure FDA0002763043750000021
Figure FDA0002763043750000022
为代价函数，用于衡量样本预测值与真实值之间的误差；
其中，xi为第l层的第i个的输入，yi为第l层的第i个理想输出，h为实际输出，ω是权值参数，b是偏置项。
8.根据权利要求7所述的基于BP神经网络调节的压缩机转速控制方法，其特征在于，
所述权值训练的方式包括：前向传播与反向传播两个阶段，所述前向传播通过权值矩阵W和偏置项逐层传递特征信息，反向传播采用梯度下降法，向着代价函数减小的方向不断更新权值，从而获得可以输出压缩机转速指令的BP神经网络的权值矩阵W；且反向更新权值的实现方式为：
Figure FDA0002763043750000023
其中，α为学习速，W(l)表示第l层的权值向量。
CN202011224027.0A 2020-11-05 2020-11-05 一种基于bp神经网络调节的压缩机转速控制方法 Active CN112346333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011224027.0A CN112346333B (zh) 2020-11-05 2020-11-05 一种基于bp神经网络调节的压缩机转速控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011224027.0A CN112346333B (zh) 2020-11-05 2020-11-05 一种基于bp神经网络调节的压缩机转速控制方法

Publications (2)

Publication Number Publication Date
CN112346333A true CN112346333A (zh) 2021-02-09
CN112346333B CN112346333B (zh) 2023-03-24

Family

ID=74429259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011224027.0A Active CN112346333B (zh) 2020-11-05 2020-11-05 一种基于bp神经网络调节的压缩机转速控制方法

Country Status (1)

Country Link
CN (1) CN112346333B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114320828A (zh) * 2021-12-13 2022-04-12 中国能源建设集团江苏省电力设计院有限公司 一种蓄热式压缩空气储能系统及控制方法
CN114576554A (zh) * 2022-05-06 2022-06-03 浙江浙能航天氢能技术有限公司 一种基于神经网络的氢气压缩模块控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001173571A (ja) * 1999-12-16 2001-06-26 Seiko Seiki Co Ltd 可変容量型気体圧縮機を用いた温度制御装置及び温度制御方法
CN103743174A (zh) * 2013-12-26 2014-04-23 柳州职业技术学院 基于神经网络的车用空调控制系统方法
CN106678546A (zh) * 2017-01-05 2017-05-17 中国石油大学(华东) 一种天然气管道离心压缩机出口压力控制方法及系统
CN108506200A (zh) * 2018-02-26 2018-09-07 江苏大学 一种混合驱动汽车空调压缩机转矩的控制系统及方法
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法
CN108895618A (zh) * 2018-09-30 2018-11-27 宁波溪棠信息科技有限公司 基于神经网络的空调控制方法
CN111852815A (zh) * 2019-04-24 2020-10-30 泰连德国有限公司 压缩机的控制装置、压缩机及空调系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001173571A (ja) * 1999-12-16 2001-06-26 Seiko Seiki Co Ltd 可変容量型気体圧縮機を用いた温度制御装置及び温度制御方法
CN103743174A (zh) * 2013-12-26 2014-04-23 柳州职业技术学院 基于神经网络的车用空调控制系统方法
CN106678546A (zh) * 2017-01-05 2017-05-17 中国石油大学(华东) 一种天然气管道离心压缩机出口压力控制方法及系统
CN108506200A (zh) * 2018-02-26 2018-09-07 江苏大学 一种混合驱动汽车空调压缩机转矩的控制系统及方法
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法
CN108895618A (zh) * 2018-09-30 2018-11-27 宁波溪棠信息科技有限公司 基于神经网络的空调控制方法
CN111852815A (zh) * 2019-04-24 2020-10-30 泰连德国有限公司 压缩机的控制装置、压缩机及空调系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114320828A (zh) * 2021-12-13 2022-04-12 中国能源建设集团江苏省电力设计院有限公司 一种蓄热式压缩空气储能系统及控制方法
CN114320828B (zh) * 2021-12-13 2024-01-23 中国能源建设集团江苏省电力设计院有限公司 一种蓄热式压缩空气储能系统及控制方法
CN114576554A (zh) * 2022-05-06 2022-06-03 浙江浙能航天氢能技术有限公司 一种基于神经网络的氢气压缩模块控制方法及装置
CN114576554B (zh) * 2022-05-06 2022-08-02 浙江浙能航天氢能技术有限公司 一种基于神经网络的氢气压缩模块控制方法及装置

Also Published As

Publication number Publication date
CN112346333B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN112346333B (zh) 一种基于bp神经网络调节的压缩机转速控制方法
US10845070B2 (en) Extremum-seeking control system for a plant
CN101861552B (zh) 带有执行器饱和控制的极值搜索控制
CN108895618B (zh) 基于神经网络的空调控制方法
US10365001B2 (en) HVAC system with multivariable optimization using a plurality of single-variable extremum-seeking controllers
CN104019520B (zh) 基于spsa的制冷系统最小能耗的数据驱动控制方法
CN106647283A (zh) 一种基于改进cpso的自抗扰位置伺服系统优化设计方法
Zaheer-Uddin et al. Neuro-PID tracking control of a discharge air temperature system
CN111351180A (zh) 一种运用人工智能实现数据中心节能温控的系统及方法
US20130247601A1 (en) Multivariable Optimization of Operation of Vapor Compression Systems
US10907846B2 (en) Building control system with cooperative extremum-seeking control
CN111520878A (zh) 一种基于rbf神经网络的空调温控系统及其控制方法
CN111006843B (zh) 一种暂冲式超声速风洞的连续变速压方法
Li et al. A novel cascade temperature control system for a high-speed heat-airflow wind tunnel
CN115494892B (zh) 高空模拟试车台进气环境模拟系统解耦控制方法
CN114992926B (zh) 一种用于跨临界co2空调系统的控制方法及控制系统
CN104483832B (zh) 基于t‑s模型的气动比例阀模糊滑模自适应控制方法
CN110094838A (zh) 一种基于空调系统的可变参数无模型自适应控制方法
Liavoli et al. Sub-optimal observer-based controller design using the state dependent riccati equation approach for air-handling unit
CN109974360B (zh) 一种基于果蝇算法的制冷系统温度优化控制方法
CN115981159A (zh) 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法
Hmidi et al. Canonical particle swarm optimization algorithm based a hybrid vehicle
Gouadria et al. A greenhouse system control based on a PSO tuned PI regulator
El Aoud et al. Intelligent control for a greenhouse climate
Ilambirai et al. Efficient self-learning artificial neural network controller for critical heating, ventilation and air conditioning systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant