CN114660928B - 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法 - Google Patents

一种bp神经网络与模糊自适耦合的pid温度调节系统及方法 Download PDF

Info

Publication number
CN114660928B
CN114660928B CN202210543708.6A CN202210543708A CN114660928B CN 114660928 B CN114660928 B CN 114660928B CN 202210543708 A CN202210543708 A CN 202210543708A CN 114660928 B CN114660928 B CN 114660928B
Authority
CN
China
Prior art keywords
fuzzy
neural network
input
temperature
output
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.)
Active
Application number
CN202210543708.6A
Other languages
English (en)
Other versions
CN114660928A (zh
Inventor
何正兴
孙海义
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.)
Shenyang Jianzhu University
Original Assignee
Shenyang Jianzhu University
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 Shenyang Jianzhu University filed Critical Shenyang Jianzhu University
Priority to CN202210543708.6A priority Critical patent/CN114660928B/zh
Publication of CN114660928A publication Critical patent/CN114660928A/zh
Application granted granted Critical
Publication of CN114660928B publication Critical patent/CN114660928B/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.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Temperature (AREA)

Abstract

本发明提供了一种BP神经网络与模糊自适耦合的PID温度调节系统及方法，涉及智能建造围护结构及室内温度控制系统领域；本发明根据房间供散热平衡关系，考虑房间热耗散值随室外温度的变化的因素，完成对室内温度的调节，使其保持预设温度不变；为使室内温度稳定，本发明使用PID调节器控制换热器的供热量；通过使用BP神经网络和模糊控制两种优化算法，完成BP神经网络与模糊自适耦合的PID调节器装置对换热器供热量的调节；将本发明系统及方法在仿真平台上进行仿真，并通过示波器观察结果，结果显示本发明系统响应速度更快并且无超调量。

Description

一种BP神经网络与模糊自适耦合的PID温度调节系统及方法
技术领域
本发明涉及智能建造围护结构及室内温度控制系统领域，尤其涉及一种BP神经网络与模糊自适耦合的PID温度调节系统及方法。
背景技术
在中国率先提出“双碳计划”的背景下，各行业都需制定节能减排的措施，在建筑行业中关于超低能耗建筑的研究在不断深入；另一方面，由于“互联网+”模式的兴起，智能控制技术持续加速应用于生活之中，但当前建筑住宅的供暖系统中，供暖技术和方法的智能应用程度不高，不能实现精准调节。
随着城市供暖技术的不断发展，家庭供暖在全国逐渐普及开来，在北方基本全覆盖。在城市建筑中换热器的热媒流量大多恒定不变，家庭中安装的换热器供给热量往往在一开始就已经设定好，使得换热器的散热率在安装完成后就保持恒定；由于室外温度的不断变化的会引起房屋围护结构散热率的变化，使得室内的供热和散热关系不平衡，导致室内温度持续变化，呈现午间偏热晚间偏冷的结果。不能维持稳定的室内温度会影响住户居住体验，同时不需要和不及时的供暖热量也会造成一定程度的资源浪费，增大化石燃料的燃烧量和空气污染物的排放量。
发明内容
针对现有技术的不足，本发明提供一种BP神经网络与模糊自适耦合的PID温度调节系统及方法。
一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连。
所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：
步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：
Figure 949644DEST_PATH_IMAGE001
（1）
式中
Figure 479983DEST_PATH_IMAGE002
分别为比例项系数、积分项系数、微分项系数；
Figure 92229DEST_PATH_IMAGE003
为系统中的环境温度误差量；
Figure 832652DEST_PATH_IMAGE004
为PID调节器的实际控制输出量；
步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量
Figure 329493DEST_PATH_IMAGE005
，等于房间中积累的热量
Figure 838972DEST_PATH_IMAGE006
和通过墙壁围护结构损失的热量
Figure 763065DEST_PATH_IMAGE007
之和，即
Figure 725205DEST_PATH_IMAGE008
；最终得到PID调节器的传递函数；其中
Figure 884791DEST_PATH_IMAGE006
、
Figure 389722DEST_PATH_IMAGE007
表示为：
Figure 343771DEST_PATH_IMAGE009
（2）
Figure 58786DEST_PATH_IMAGE010
（3）
式中
Figure 631850DEST_PATH_IMAGE011
为室内温度，
Figure 381500DEST_PATH_IMAGE012
；C为房间内空气的比热容，在房间温度满足
Figure 506451DEST_PATH_IMAGE013
，空气压强也满足
Figure 584128DEST_PATH_IMAGE014
时，
Figure 819938DEST_PATH_IMAGE015
，为便于计算P，C的取值为定值；
Figure 299461DEST_PATH_IMAGE016
为纯滞后时间，单位：秒；
Figure 589453DEST_PATH_IMAGE017
为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在
Figure 13481DEST_PATH_IMAGE018
时：
Figure 725085DEST_PATH_IMAGE019
（4）
由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型， PID调节器的传递函数的表达形式为：
Figure 59115DEST_PATH_IMAGE020
（5）
其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量
Figure 525868DEST_PATH_IMAGE021
和换热器散热量
Figure 702772DEST_PATH_IMAGE022
的关系，以及换热器散热量
Figure 421329DEST_PATH_IMAGE023
的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数
Figure 734499DEST_PATH_IMAGE024
的模型为：
Figure 372153DEST_PATH_IMAGE025
（6）。
步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，BP神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备
Figure 646140DEST_PATH_IMAGE026
个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
Figure 293022DEST_PATH_IMAGE027
（7）
式中
Figure 460698DEST_PATH_IMAGE028
为对BP神经网络算法中输入层神经元输入的第i个电信号；
Figure 410200DEST_PATH_IMAGE029
为从输入层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足
Figure 296116DEST_PATH_IMAGE030
分别表示四种输入信号，且与装置中的环境温度误差量
Figure 356476DEST_PATH_IMAGE031
具备对应关系：
Figure 378658DEST_PATH_IMAGE032
（8）
Figure 889274DEST_PATH_IMAGE033
（9）
式中t为温度值；
Figure 872274DEST_PATH_IMAGE034
为设定的室内环境目标温度值的函数式；
Figure 595379DEST_PATH_IMAGE035
为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示；
Figure 3227DEST_PATH_IMAGE031
为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值；
Figure 28952DEST_PATH_IMAGE036
为非线性调节的温度误差常量；
步骤3.3：隐含层神经元的输入和输出电信号为：
Figure 889460DEST_PATH_IMAGE037
（10）
其中
Figure 416256DEST_PATH_IMAGE038
为对BP神经网络算法中隐含层神经元输入的第j个电信号；
Figure 553977DEST_PATH_IMAGE039
为从隐含层神经元输出的第j个电信号；
Figure 875237DEST_PATH_IMAGE040
为输入层第i个节点到隐含层第j个节点的隐含层权重值；
Figure 98408DEST_PATH_IMAGE041
为采用
Figure 169175DEST_PATH_IMAGE042
形式的活化函数，即关于原点对称的双曲正切函数，其具体的表达式为：
Figure 20456DEST_PATH_IMAGE043
（11）
式中e为自然常数；x为采用
Figure 919142DEST_PATH_IMAGE042
形式的活化函数的未知量，在这里满足关系
Figure 488664DEST_PATH_IMAGE044
；
Figure 357263DEST_PATH_IMAGE045
中x和-x分别是自然常数e的指数；
步骤3.4：输出层神经元的输入和输出电信号为：
Figure 203996DEST_PATH_IMAGE046
（12）
其中
Figure 132638DEST_PATH_IMAGE047
为对BP神经网络算法中隐含层神经元输入的第
Figure 189455DEST_PATH_IMAGE048
个电信号；
Figure 471532DEST_PATH_IMAGE049
为从隐含层神经元输出的第
Figure 562985DEST_PATH_IMAGE048
个电信号；
Figure 662528DEST_PATH_IMAGE050
为隐含层第j个网络节点输出的电信号到输出层第
Figure 82008DEST_PATH_IMAGE048
个网络节点的输出层权重值；
由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为
Figure 964513DEST_PATH_IMAGE051
,与输出层神经元的3个输出网络节点
Figure 644893DEST_PATH_IMAGE052
相对应，对应关系为：
Figure 56283DEST_PATH_IMAGE053
（13）
上式中的
Figure 822114DEST_PATH_IMAGE054
是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由
Figure 836206DEST_PATH_IMAGE055
表示；由
Figure 512038DEST_PATH_IMAGE056
所具有的非负性质，式中的活化函数
Figure 953384DEST_PATH_IMAGE057
也调整为具有非负性质的表达式：
Figure 472090DEST_PATH_IMAGE058
（14）
式中e为自然常数；z为活化函数
Figure 899660DEST_PATH_IMAGE059
中的未知量，在这里满足关系
Figure 554632DEST_PATH_IMAGE060
；在
Figure 166879DEST_PATH_IMAGE061
中z和-z分别是自然常数e的指数；
步骤3.5：由隐含层神经元节点数量的计算公式：
Figure 48248DEST_PATH_IMAGE062
（15）
其中
Figure 404143DEST_PATH_IMAGE063
分别为输入层、隐含层、输出层神经元/数量，且
Figure 54567DEST_PATH_IMAGE064
，常数无实意；通过多次调整，最终确定
Figure 589714DEST_PATH_IMAGE065
时，优化效果最佳，即神经网络系统的三级网络架构型式为4-5-3型。
步骤4：设置BP神经网络算法的性能指标
Figure 817433DEST_PATH_IMAGE066
为：
Figure 852385DEST_PATH_IMAGE067
（16）
式中t为调节过程中的任一时刻；
Figure 481950DEST_PATH_IMAGE068
为输出值
Figure 435999DEST_PATH_IMAGE069
与输入值
Figure 26380DEST_PATH_IMAGE070
之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数
Figure 989657DEST_PATH_IMAGE071
反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；其表达式为：
Figure 208149DEST_PATH_IMAGE072
（17）
式中，
Figure 208466DEST_PATH_IMAGE073
为学习效率，
Figure 410777DEST_PATH_IMAGE074
为动量因数，均为固定值，
Figure 912166DEST_PATH_IMAGE075
；
Figure 391689DEST_PATH_IMAGE076
和
Figure 687541DEST_PATH_IMAGE077
为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为
Figure 252514DEST_PATH_IMAGE078
之间的随机数；以输出层神经元为例，在下降梯度-反向迭代搜索的权重系数公式的基础上，由于：
Figure 292014DEST_PATH_IMAGE079
（18）
通过化简，得到如下关系：
Figure 750678DEST_PATH_IMAGE080
（19）
式中
Figure 92797DEST_PATH_IMAGE081
为PID调节器的实际控制输出量；
Figure 4121DEST_PATH_IMAGE082
为性能指标
Figure 847312DEST_PATH_IMAGE083
对BP神经网络算法中隐含层神经元输入的第
Figure 832586DEST_PATH_IMAGE084
个电信号
Figure 345607DEST_PATH_IMAGE085
的偏导数；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：
Figure 9806DEST_PATH_IMAGE086
（20）
得到隐含层的权重系数的表达式为：
Figure 391109DEST_PATH_IMAGE087
（21）
式中
Figure 699731DEST_PATH_IMAGE088
为性能指标
Figure 508287DEST_PATH_IMAGE089
对BP神经网络算法中隐含层神经元输入的第j个电信号
Figure 269569DEST_PATH_IMAGE090
的偏导数；完成本步骤后，若性能指标
Figure 460423DEST_PATH_IMAGE089
的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量
Figure 482605DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 603008DEST_PATH_IMAGE092
，
Figure 976220DEST_PATH_IMAGE091
和
Figure 964905DEST_PATH_IMAGE093
具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为
Figure 716960DEST_PATH_IMAGE094
；模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：
Figure 398477DEST_PATH_IMAGE095
；并在每一时刻对
Figure 993407DEST_PATH_IMAGE091
和
Figure 395569DEST_PATH_IMAGE093
的数值实现无限调整，不断迭代优化，实现模糊推理；以此来实时对PID调节器的
Figure 392344DEST_PATH_IMAGE096
实现校正；
步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量
Figure 979183DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 202354DEST_PATH_IMAGE093
及三输出参量
Figure 267262DEST_PATH_IMAGE096
的模糊集，用字母表示为：
Figure 259489DEST_PATH_IMAGE097
；
步骤8：确定
Figure 17229DEST_PATH_IMAGE091
和
Figure 586751DEST_PATH_IMAGE092
对应的量化因子分别为
Figure 127454DEST_PATH_IMAGE098
，三输出参量
Figure 974187DEST_PATH_IMAGE099
的缩放因子为
Figure 637250DEST_PATH_IMAGE100
；
步骤9：根据装置所调节的室内环境期望温度为
Figure 959647DEST_PATH_IMAGE101
，则模糊控制模块的双输入参量环境温度误差量
Figure 241723DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 333176DEST_PATH_IMAGE092
的基本论域为
Figure 167140DEST_PATH_IMAGE102
和
Figure 852199DEST_PATH_IMAGE103
，根据基本论域和步骤7中的量化因子
Figure 62601DEST_PATH_IMAGE104
的取值，对模糊论域进行确定；
Figure 883926DEST_PATH_IMAGE105
（22）
式中
Figure 148511DEST_PATH_IMAGE106
分别为
Figure 914342DEST_PATH_IMAGE107
和
Figure 803800DEST_PATH_IMAGE108
的模糊论域，并得到
Figure 604266DEST_PATH_IMAGE109
和
Figure 45612DEST_PATH_IMAGE110
；根据
Figure 174105DEST_PATH_IMAGE107
和
Figure 991888DEST_PATH_IMAGE108
的基本论域
Figure 646860DEST_PATH_IMAGE111
的取值可具体定义
Figure 134473DEST_PATH_IMAGE107
和
Figure 140476DEST_PATH_IMAGE108
的模糊集为{-3，-2，-1，0，1，2，3}。
步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定
Figure 230791DEST_PATH_IMAGE091
、
Figure 881216DEST_PATH_IMAGE093
的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度；
Figure 664364DEST_PATH_IMAGE112
和
Figure 33028DEST_PATH_IMAGE093
的隶属函数选取等腰三角形函数
Figure 927035DEST_PATH_IMAGE113
；
步骤11：根据
Figure 556599DEST_PATH_IMAGE114
的基本论域
Figure 386015DEST_PATH_IMAGE115
、步骤7中的它们对应缩放因子
Figure 101030DEST_PATH_IMAGE116
和基本论域公式；得到：
Figure 798728DEST_PATH_IMAGE117
（23）
式中
Figure 158165DEST_PATH_IMAGE118
分别为模糊控制模块的三输出参量
Figure 548695DEST_PATH_IMAGE119
采用
Figure 485427DEST_PATH_IMAGE120
的模糊化方法的模糊论域，计算可得
Figure 127761DEST_PATH_IMAGE121
；输出参数
Figure 466338DEST_PATH_IMAGE122
的隶属函数选取高斯函数
Figure 903136DEST_PATH_IMAGE123
；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从
Figure 999268DEST_PATH_IMAGE124
上升的过程。
步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对
Figure 779048DEST_PATH_IMAGE125
参数的确定；
Figure 237711DEST_PATH_IMAGE126
（24）
Figure 173306DEST_PATH_IMAGE127
（25）
Figure 350210DEST_PATH_IMAGE128
（26）
式中
Figure 599926DEST_PATH_IMAGE129
是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值；
Figure 788461DEST_PATH_IMAGE130
是的在线调整的修正值；
Figure 691695DEST_PATH_IMAGE131
分别为公式(1)中的比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
步骤13：将通过模糊控制器模块完成整定的参数
Figure 90316DEST_PATH_IMAGE132
带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
本发明的有益技术效果：
一方面，本发明基于在BP神经网络优化算法提供初始值的前提下，在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中加入BP神经网络优化算法模块、模糊控制器模块，实时调节初始参数可较一般的PID调节器更快达到预设目标温度，在示波器监测装置中可更快看到收敛状态，振荡较小且不存在超调量；相较于无模糊控制器模块调节的PID调节器而言，有了很好的改善。控制效果的显著提升从对比的结果中可以表现。使用BP神经网络和模糊自适规则耦合调节可以更好地实现对PID调节器的调节，使其对供水流量的控制更加快速、精准和高效，弥补了常规PID调节器存在较大惯性和延迟的缺点。
另一方面，本发明改进了老式换热器存在着一天内房间内温度会变化的问题，加入了室外测温传感器装置实时测量获取室外温度得到环境温度误差量，并将其的作为可编程控制器中模糊控制器模块的输入量之一，随着室外温度的变化持续调节室内供热量，使室内温度不受室外温度的影响。
本发明参考工业上同样具有加热元件和热损失的电阻炉模型，建立具有一阶惯性滞后环节传递函数的传热模型。采用启发算法的BP神经网络优化算法对模糊自适PID控制器的比例项、积分项和微分项系数三个参数的初始基准参数进行迭代求解，实现了智能控制器对换热器向房间中供热量的精准控制与实时调整，保持室内温度的恒定。
附图说明
图1是本发明一种BP神经网络与模糊自适耦合的PID温度调节系统的结构示意图；
图2是本发明BP神经网络与模糊自适耦合的PID调节器中优选结构流程图；
图3是本发明BP神经网络与模糊自适耦合的PID调节器内部结构示意框图；
图4是本发明可编程控制器的流程结构图；
图5是本发明模糊控制器模块的组成框图；
图6是本发明BP神经网络算法的结构图；
图7是本发明
Figure 346985DEST_PATH_IMAGE133
的隶属函数曲线图；
图8是本发明模糊控制器模块中制定的模糊规则的三维曲面图；
图9是本发明
Figure 780240DEST_PATH_IMAGE134
和
Figure 588796DEST_PATH_IMAGE135
的隶属函数图；
图10是本发明BP神经网络与模糊自适耦合的PID调节器模型；
图11是本发明
Figure 350079DEST_PATH_IMAGE136
的数值曲线图；
图12是本发明示波器监测装置中结果示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明；
本发明的目的在于提供一种BP神经网络与模糊自适耦合的PID温度调节系统及方法，根据室内设定温度和室外实际温度的差值，由自适模糊PID控制器和BP神经网络算法耦合优化恒温控制器工作，并实现快速响应。
参考图1所示，一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连。
所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是专家凭借直觉推理的语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
实际运行时BP神经网络与模糊自适耦合的PID调节器装置用于控制房间入水、出水口处的水压和流量阀门，直接控制换热器管道中热水的流量。由于换热器对房间的供热量与换热器中热水的流速有直接关系，则继而控制器控制了换热器对房间的供热量。在室外温度持续发生变化时，使得室内温度始终维持在预设温度。室内、外测温传感器装置分别用于测量室内外温度，涡轮式液体流量传感器用于测量换热器中热水的流速。
本发明不限制各模块的具体物理装备的型号，作为优选，室内、外测温传感器装置可选为MIK-WZP-V2-A2-B1-C1-YD型温度传感器；涡轮式液体流量传感器可选为LWGY-B电池供电型不锈钢液体涡轮流量计；可编程控制器可选为西门子S7-200型PLC或西门子S7-300型PLC；PID调节器可选为MIK-2300系列智能PID调节器；示波器监测装置可选为UTD2052CEX数字示波器。
图2是本发明基于图1的BP神经网络与模糊自适耦合的PID调节器中优选结构流程图。如图2所示，室外测温传感器装置从室外获取室外温度的测量值，输入至信号转换器一的温度判断器中，若室外温度高于房间达到的预设温度下供热量、散热量平衡的室外温度，则模糊自适PID控制器控制出入水口的阀门降低换热器管道内热水流量，使得换热器供热量减少，达到房间供热量、散热量平衡；反之，若室外温度低于房间达到的预设温度下供热量、散热量平衡的室外温度，则模糊自适PID控制器控制出入水口的阀门提高换热器管道内热水流量，使得换热器供热量增加，以达到房间供热量、散热量平衡。在BP神经网络与模糊自适耦合的PID调节器装置实时进行调节的过程中，室内测温传感器装置获取室内温度的数字信号，将数字信号输入至信号转换器一的温度判断器中，以进行不断调节。
图3给出了本发明的BP神经网络与模糊自适耦合的PID调节器内部结构示意框图，装置内包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块和示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入。
由于室内恒温系统的温度随时间的变化是具有非线性、高精度的特点，则选取使用经过BP神经网络算法后的结果，输入至双输入三输出类型的模糊控制器模块进行控制，模糊控制模块的双输入参量为
Figure 535072DEST_PATH_IMAGE137
和
Figure 698200DEST_PATH_IMAGE138
，模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：
Figure 677658DEST_PATH_IMAGE139
，流程结构如图4所示。
如图5所示，为模糊控制器模块的组成框图。该模块的具体组成来源于已有的过程控制方法，模糊控制器由模糊化接口、推理机和解模糊化接口组成；其中推理机由数据库和规则库组成。模糊化接口的作用是将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是专家凭借直觉推理的语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中，本发明加入了BP神经网络优化算法模块，对传递函数求解，得到PID调节器时域函数方程中的比例项、积分项和微分项系数。求解过程中使用BP神经网络算法，该算法是模仿自然界生物的神经元之间的信号传递过程，包括神经元的激活、信号通过突触传递，这使得该算法具备强大的学习能力和适应不确定性系统动态特性的特点。BP神经网络算法的结构图如图6所示；
另一方面，一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：
步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：
Figure 316449DEST_PATH_IMAGE001
（1）
式中
Figure 914921DEST_PATH_IMAGE002
分别为比例项系数、积分项系数、微分项系数；
Figure 791610DEST_PATH_IMAGE003
为系统中的环境温度误差量；
Figure 473127DEST_PATH_IMAGE004
为PID调节器的实际控制输出量；
步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量
Figure 943423DEST_PATH_IMAGE005
，等于房间中积累的热量
Figure 470219DEST_PATH_IMAGE006
和通过墙壁围护结构损失的热量
Figure 466994DEST_PATH_IMAGE007
之和，即
Figure 194779DEST_PATH_IMAGE008
；最终得到PID调节器的传递函数；其中
Figure 11425DEST_PATH_IMAGE006
、
Figure 482857DEST_PATH_IMAGE007
表示为：
Figure 351717DEST_PATH_IMAGE009
（2）
Figure 843878DEST_PATH_IMAGE010
（3）
式中
Figure 554345DEST_PATH_IMAGE011
为室内温度，
Figure 95048DEST_PATH_IMAGE012
；C为房间内空气的比热容，在房间温度满足
Figure 800836DEST_PATH_IMAGE013
，空气压强也满足
Figure 995057DEST_PATH_IMAGE014
时，
Figure 661661DEST_PATH_IMAGE015
，为便于计算P，C的取值为定值；
Figure 599530DEST_PATH_IMAGE016
为纯滞后时间，单位：秒；
Figure 425404DEST_PATH_IMAGE017
为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在
Figure 134734DEST_PATH_IMAGE018
时：
Figure 944427DEST_PATH_IMAGE019
（4）
由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型， PID调节器的传递函数的表达形式为：
Figure 154829DEST_PATH_IMAGE020
（5）
其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量
Figure 976154DEST_PATH_IMAGE021
和换热器散热量
Figure 981019DEST_PATH_IMAGE022
的关系，以及换热器散热量
Figure 887795DEST_PATH_IMAGE023
的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数
Figure 901888DEST_PATH_IMAGE024
的模型为：
Figure 702353DEST_PATH_IMAGE025
（6）。
步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，该算法是模仿自然界生物的神经元之间的信号传递过程，包括神经元的激活、信号通过突触传递，这使得该算法具备强大的学习能力和适应不确定性系统动态特性的特点。BP神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备
Figure 19065DEST_PATH_IMAGE026
个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
Figure 272192DEST_PATH_IMAGE027
（7）
式中
Figure 89975DEST_PATH_IMAGE028
为对BP神经网络算法中输入层神经元输入的第i个电信号；
Figure 620314DEST_PATH_IMAGE029
为从输入层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足
Figure 498140DEST_PATH_IMAGE030
分别表示四种输入信号，且与装置中的环境温度误差量
Figure 972984DEST_PATH_IMAGE031
具备对应关系：
Figure 469824DEST_PATH_IMAGE032
（8）
Figure 979303DEST_PATH_IMAGE033
（9）
式中t为温度值；
Figure 903396DEST_PATH_IMAGE034
为设定的室内环境目标温度值的函数式；
Figure 136975DEST_PATH_IMAGE035
为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示；
Figure 30982DEST_PATH_IMAGE031
为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值；
Figure 535912DEST_PATH_IMAGE036
为非线性调节的温度误差常量；
步骤3.3：隐含层神经元的输入和输出电信号为：
Figure 489962DEST_PATH_IMAGE037
（10）
其中
Figure 611502DEST_PATH_IMAGE038
为对BP神经网络算法中隐含层神经元输入的第j个电信号；
Figure 574778DEST_PATH_IMAGE039
为从隐含层神经元输出的第j个电信号；
Figure 934215DEST_PATH_IMAGE040
为输入层第i个节点到隐含层第j个节点的隐含层权重值；
Figure 324746DEST_PATH_IMAGE041
为采用
Figure 261478DEST_PATH_IMAGE042
形式的活化函数，即关于原点对称的双曲正切函数，其具体的表达式为：
Figure 372653DEST_PATH_IMAGE043
（11）
式中e为自然常数；x为采用
Figure 976810DEST_PATH_IMAGE042
形式的活化函数的未知量，在这里满足关系
Figure 272662DEST_PATH_IMAGE044
；
Figure 837635DEST_PATH_IMAGE045
中x和-x分别是自然常数e的指数；
步骤3.4：输出层神经元的输入和输出电信号为：
Figure 877136DEST_PATH_IMAGE046
（12）
其中
Figure 476744DEST_PATH_IMAGE047
为对BP神经网络算法中隐含层神经元输入的第
Figure 943498DEST_PATH_IMAGE048
个电信号；
Figure 854822DEST_PATH_IMAGE049
为从隐含层神经元输出的第
Figure 573379DEST_PATH_IMAGE048
个电信号；
Figure 886549DEST_PATH_IMAGE050
为隐含层第j个网络节点输出的电信号到输出层第
Figure 789783DEST_PATH_IMAGE048
个网络节点的输出层权重值；
由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为
Figure 798190DEST_PATH_IMAGE051
,与输出层神经元的3个输出网络节点
Figure 445072DEST_PATH_IMAGE052
相对应，对应关系为：
Figure 612748DEST_PATH_IMAGE053
（13）
上式中的
Figure 562250DEST_PATH_IMAGE054
是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由
Figure 448166DEST_PATH_IMAGE055
表示；由
Figure 508526DEST_PATH_IMAGE056
所具有的非负性质，式中的活化函数
Figure 790428DEST_PATH_IMAGE057
也调整为具有非负性质的表达式：
Figure 769886DEST_PATH_IMAGE058
（14）
式中e为自然常数；z为活化函数
Figure 18464DEST_PATH_IMAGE059
中的未知量，在这里满足关系
Figure 741570DEST_PATH_IMAGE060
；在
Figure 149417DEST_PATH_IMAGE061
中z和-z分别是自然常数e的指数；
步骤3.5：由隐含层神经元节点数量的计算公式：
Figure 971880DEST_PATH_IMAGE062
（15）
其中
Figure 442175DEST_PATH_IMAGE063
分别为输入层、隐含层、输出层神经元/数量，且
Figure 234551DEST_PATH_IMAGE064
，常数无实意；通过多次调整，最终确定
Figure 231326DEST_PATH_IMAGE065
时，优化效果最佳，即神经网络系统的三级网络架构型式为4-5-3型。
步骤4：设置BP神经网络算法的性能指标
Figure 427952DEST_PATH_IMAGE066
为：
Figure 775757DEST_PATH_IMAGE067
（16）
式中t为调节过程中的任一时刻；
Figure 106244DEST_PATH_IMAGE068
为输出值
Figure 98471DEST_PATH_IMAGE069
与输入值
Figure 590632DEST_PATH_IMAGE070
之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数
Figure 301099DEST_PATH_IMAGE071
反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；其表达式为：
Figure 169698DEST_PATH_IMAGE072
（17）
式中，
Figure 141065DEST_PATH_IMAGE073
为学习效率，
Figure 945073DEST_PATH_IMAGE074
为动量因数，均为固定值，
Figure 736311DEST_PATH_IMAGE075
；
Figure 674180DEST_PATH_IMAGE076
和
Figure 109841DEST_PATH_IMAGE077
为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为
Figure 474963DEST_PATH_IMAGE078
之间的随机数；以输出层神经元为例，在下降梯度-反向迭代搜索的权重系数公式的基础上，由于：
Figure 753498DEST_PATH_IMAGE079
（18）
通过化简，得到如下关系：
Figure 104845DEST_PATH_IMAGE080
（19）
式中
Figure 785225DEST_PATH_IMAGE081
为PID调节器的实际控制输出量；
Figure 196614DEST_PATH_IMAGE082
为性能指标
Figure 968304DEST_PATH_IMAGE083
对BP神经网络算法中隐含层神经元输入的第
Figure 982397DEST_PATH_IMAGE084
个电信号
Figure 658229DEST_PATH_IMAGE085
的偏导数，为公式化简无实际意义；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：
Figure 99574DEST_PATH_IMAGE086
（20）
得到隐含层的权重系数的表达式为：
Figure 618280DEST_PATH_IMAGE087
（21）
式中
Figure 45851DEST_PATH_IMAGE088
为性能指标
Figure 966402DEST_PATH_IMAGE089
对BP神经网络算法中隐含层神经元输入的第j个电信号
Figure 313070DEST_PATH_IMAGE090
的偏导数，为公式化简无实际意义；完成本步骤后，若性能指标
Figure 725597DEST_PATH_IMAGE089
的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量
Figure 956858DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 731916DEST_PATH_IMAGE092
，
Figure 515064DEST_PATH_IMAGE091
和
Figure 618149DEST_PATH_IMAGE093
具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为
Figure 512156DEST_PATH_IMAGE094
；模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：
Figure 282666DEST_PATH_IMAGE095
；并在每一时刻对
Figure 236715DEST_PATH_IMAGE091
和
Figure 951731DEST_PATH_IMAGE093
的数值实现无限调整，不断迭代优化，实现模糊推理；以此来实时对PID调节器的
Figure 524794DEST_PATH_IMAGE096
实现校正；
步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量
Figure 8865DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 399395DEST_PATH_IMAGE093
及三输出参量
Figure 211494DEST_PATH_IMAGE096
的模糊集，用字母表示为：
Figure 712882DEST_PATH_IMAGE097
；
步骤8：确定
Figure 51459DEST_PATH_IMAGE091
和
Figure 488257DEST_PATH_IMAGE092
对应的量化因子分别为
Figure 912285DEST_PATH_IMAGE098
，三输出参量
Figure 92731DEST_PATH_IMAGE099
的缩放因子为
Figure 303393DEST_PATH_IMAGE100
；
步骤9：根据装置所调节的室内环境期望温度为
Figure 770146DEST_PATH_IMAGE101
，则模糊控制模块的双输入参量环境温度误差量
Figure 822416DEST_PATH_IMAGE091
和温度误差量的变化率
Figure 665607DEST_PATH_IMAGE092
的基本论域为
Figure 978777DEST_PATH_IMAGE102
和
Figure 491798DEST_PATH_IMAGE103
，根据基本论域和步骤7中的量化因子
Figure 155997DEST_PATH_IMAGE104
的取值，对模糊论域进行确定；
Figure 537300DEST_PATH_IMAGE105
（22）
式中
Figure 580342DEST_PATH_IMAGE106
分别为
Figure 654477DEST_PATH_IMAGE107
和
Figure 540394DEST_PATH_IMAGE108
的模糊论域，并得到
Figure 600754DEST_PATH_IMAGE109
和
Figure 622936DEST_PATH_IMAGE110
；根据
Figure 8918DEST_PATH_IMAGE107
和
Figure 116552DEST_PATH_IMAGE108
的基本论域
Figure 105236DEST_PATH_IMAGE111
的取值可具体定义
Figure 122871DEST_PATH_IMAGE107
和
Figure 273229DEST_PATH_IMAGE108
的模糊集为{-3，-2，-1，0，1，2，3}。
步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定
Figure 540263DEST_PATH_IMAGE091
、
Figure 332638DEST_PATH_IMAGE093
的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度；
Figure 204779DEST_PATH_IMAGE112
和
Figure 791618DEST_PATH_IMAGE093
的隶属函数选取等腰三角形函数
Figure 873844DEST_PATH_IMAGE113
；
步骤11：根据
Figure 79697DEST_PATH_IMAGE114
的基本论域
Figure 930979DEST_PATH_IMAGE115
、步骤7中的它们对应缩放因子
Figure 829665DEST_PATH_IMAGE116
和基本论域公式；得到：
Figure 405046DEST_PATH_IMAGE117
（23）
式中
Figure 8065DEST_PATH_IMAGE118
分别为模糊控制模块的三输出参量
Figure 120378DEST_PATH_IMAGE119
采用
Figure 783440DEST_PATH_IMAGE120
的模糊化方法的模糊论域，计算可得
Figure 105837DEST_PATH_IMAGE121
；输出参数
Figure 387914DEST_PATH_IMAGE122
的隶属函数选取高斯函数
Figure 479367DEST_PATH_IMAGE123
；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从
Figure 578910DEST_PATH_IMAGE124
上升的过程。
步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对
Figure 732811DEST_PATH_IMAGE125
参数的确定；
Figure 208791DEST_PATH_IMAGE126
（24）
Figure 889171DEST_PATH_IMAGE127
（25）
Figure 300561DEST_PATH_IMAGE128
（26）
式中
Figure 66392DEST_PATH_IMAGE129
是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值；
Figure 955850DEST_PATH_IMAGE130
是的在线调整的修正值；
Figure 756316DEST_PATH_IMAGE131
分别为公式(1)中的比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
步骤13：将通过模糊控制器模块完成整定的参数
Figure 463241DEST_PATH_IMAGE132
带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
在本发明所设计的PID调节器中
Figure 591734DEST_PATH_IMAGE140
的隶属度函数曲线选取高斯函数，如图7所示；模糊控制器模块中制定的模糊规则的三维曲面图如图8所示；
Figure 143938DEST_PATH_IMAGE141
和
Figure 798910DEST_PATH_IMAGE142
的隶属函数选取等腰三角形的数学模型，如图9所示。
本试验将仅BP神经网络优化算法模块后的结果与使用BP神经网络优化算法模块和模糊控制器模块的两种可编程控制器在仿真平台中进行对比，使用示波器监测装置观察其结果，选择使用的仿真模型结构如图10所示。
通过BP神经网络算法进行迭代计算，得到
Figure 286523DEST_PATH_IMAGE143
的数值曲线，如图11所示。为验证加入的模糊控制器模块对系统稳定性的影响，在系统初始输入脉冲信号，直到信号趋于稳定。如图12所示为使用示波器监测装置观察的结果，其中传输延迟1是只有BP神经网络优化算法模块的PID调节器，传输延迟2是兼有BP神经网络优化算法模块和模糊控制器模块的PID控制器。在示波器监测装置上可观察得到传输延迟2比传输延迟1反应更加快速、精准、高效，且无超调量，有效缩短了上升和调整时间，响应速度更快。

Claims (8)

1.一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连；
所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口；
一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于所述的一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：
步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：
Figure FDA0003783255830000011
式中KP，KI，KD分别为比例项系数、积分项系数、微分项系数；e(t)为系统中的环境温度误差量；Δu(t)为PID调节器的实际控制输出量；
步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量Qt，等于房间中积累的热量Q1和通过墙壁围护结构损失的热量Q2之和，即Qt＝Q1+Q2；最终得到PID调节器的传递函数；
步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
步骤4：设置BP神经网络算法的性能指标；
步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数E(t)反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；
步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量e(t)和温度误差量的变化率ec(t)，e(t)和ec(t)具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为ec(t)＝e(t)-e(t-1)；模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：ΔKP，ΔKI，ΔKD；并在每一时刻对e(t)和ec(t)的数值实现无限调整，不断迭代优化，实现模糊推理；以此来实时对PID调节器的ΔKP，ΔKI，ΔKD实现校正；
步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量e(t)和温度误差量的变化率ec(t)及三输出参量ΔKP，ΔKI，ΔKD的模糊集，用字母表示为：{NB，NM，NS，ZO，PS，PM，PB}；
步骤8：确定e(t)和ec(t)对应的量化因子分别为Ke(t)＝0.5，Kec(t)＝0.01，三输出参量ΔKP，ΔKI，ΔKD的缩放因子为UP＝0.5，UI＝0.01，UD＝2；
步骤9：根据装置所调节的室内环境期望温度为21±1.5℃，则模糊控制模块的双输入参量环境温度误差量e(t)和温度误差量的变化率ec(t)的基本论域为Xe(t)＝[-1.5，1.5]和Xec(t)＝[-0.03，0.03]，根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定；
步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定e(t)、ec(t)的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度；e(t)和ec(t)的隶属函数选取等腰三角形函数(trinf)；
步骤11：根据ΔLP，ΔKI，ΔKD的基本论域XP＝[-1.5，1.5]，XI＝[-0.03，0.03]，XD＝[-6，6]、步骤7中的它们对应缩放因子UP，UI，UD和基本论域公式；
步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对Kp，Ki，Kd参数的确定；
步骤13：将通过模糊控制器模块完成整定的参数KP，KI，KD带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
2.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤2所述Q1、Q2表示为：
Figure FDA0003783255830000031
Figure FDA0003783255830000032
式中TK为室内温度，TK＝21℃；C为房间内空气的比热容，在房间温度满足T≈20℃，空气压强也满足P＝101kPa时，C＝1.013kJ/(kg·K)，为便于计算P，C的取值为定值；τ为纯滞后时间，单位：秒；T0为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在T0＝0时：
Figure FDA0003783255830000033
由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型，PID调节器的传递函数的表达形式为：
Figure FDA0003783255830000034
其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量Q1和换热器散热量Φ的关系，以及换热器散热量Φ的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数G(s)的模型为：
Figure FDA0003783255830000035
3.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤3具体为：
步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，BP神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备M、Q、N个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
Figure FDA0003783255830000041
式中
Figure FDA0003783255830000042
为对BP神经网络算法中输入层神经元输入的第i个电信号；
Figure FDA0003783255830000043
为从输入层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足M＝4，x1，x2，x3，x4分别表示四种输入信号，且与装置中的环境温度误差量e(t)具备对应关系：
Figure FDA0003783255830000044
e(t)＝r(t)-y(t) (9)
式中t为温度值；r(t)为设定的室内环境目标温度值的函数式；y(t)为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示；e(t)为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值；x4＝1为非线性调节的温度误差常量；
步骤3.3：隐含层神经元的输入和输出电信号为：
Figure FDA0003783255830000045
其中
Figure FDA0003783255830000046
为对BP神经网络算法中隐含层神经元输入的第j个电信号；
Figure FDA0003783255830000047
为从隐含层神经元输出的第j个电信号；
Figure FDA0003783255830000048
为输入层第i个节点到隐含层第j个节点的隐含层权重值；
Figure FDA0003783255830000049
为采用Sigmoid形式的活化函数，即关于原点对称的双曲正切函数，其具体的表达式为：
Figure FDA00037832558300000410
式中e为自然常数；x为采用Sigmoid形式的活化函数的未知量，在这里满足关系
Figure FDA0003783255830000051
ex，e-x中x和-x分别是自然常数e的指数；
步骤3.4：输出层神经元的输入和输出电信号为：
Figure FDA0003783255830000052
其中
Figure FDA0003783255830000053
为对BP神经网络算法中隐含层神经元输入的第l个电信号；
Figure FDA0003783255830000054
为从隐含层神经元输出的第l个电信号；
Figure FDA0003783255830000055
为隐含层第j个网络节点输出的电信号到输出层第l个网络节点的输出层权重值；
由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为KP，KI，KD，与输出层神经元的3个输出网络节点
Figure FDA0003783255830000056
相对应，对应关系为：
Figure FDA0003783255830000057
上式中的Lp0，Ki0，Kd0是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由Kp0，Ki0，Kd0表示；由Kp，Ki，Kd所具有的非负性质，式中的活化函数
Figure FDA0003783255830000058
也调整为具有非负性质的表达式：
Figure FDA0003783255830000059
式中e为自然常数；z为活化函数g[z]中的未知量，在这里满足关系
Figure FDA00037832558300000510
在ez，e-z中z和-z分别是自然常数e的指数；
步骤3.5：由隐含层神经元节点数量的计算公式：
Figure FDA00037832558300000511
其中M，Q，N分别为输入层、隐含层、输出层神经元/数量，且M＝4，N＝3；q∈[1，10]，常数无实意；通过多次调整，最终确定Q＝5时，优化效果最佳，即神经网络系统的三级网络架构型式为4-5-3型。
4.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤4设置BP神经网络算法的性能指标E(t)为：
Figure FDA00037832558300000512
式中t为调节过程中的任一时刻；e(t)为输出值y(t)与输入值r(t)之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
5.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤5具体为：
Figure FDA0003783255830000061
式中，η为学习效率，α为动量因数，均为固定值，η＝0.25，α＝0.05；Δw(t)和Δw(t+1)为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为[-0.5，0.5]之间的随机数；以输出层神经元为例，在下降梯度-反向迭代搜索的权重系数公式的基础上，由于：
Figure FDA0003783255830000062
通过化简，得到如下关系：
Figure FDA0003783255830000063
式中Δu(t)为PID调节器的实际控制输出量；
Figure FDA0003783255830000064
为性能指标E(t)对BP神经网络算法中隐含层神经元输入的第l个电信号
Figure FDA0003783255830000065
的偏导数；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：
Figure FDA0003783255830000066
得到隐含层的权重系数的表达式为：
Figure FDA0003783255830000067
式中
Figure FDA0003783255830000068
为性能指标E(t)对BP神经网络算法中隐含层神经元输入的第j个电信号
Figure FDA0003783255830000069
的偏导数；完成本步骤后，若性能指标E(t)的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
6.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤9根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定：
Figure FDA00037832558300000610
式中Ne(t)，Nec(t)分别为e(t)和ec(t)的模糊论域，并得到Ne(t)＝[-3，3]和Nec(t)＝[-3，3]；根据e(t)和ec(t)的基本论域Xe(t)，Xec(t)的取值可具体定义e(t)和ec(t)的模糊集为{-3，-2，-1，0，1，2，3}。
7.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤11具体为：
Figure FDA0003783255830000071
式中NP，NI，ND分别为模糊控制模块的三输出参量ΔKP，ΔKI，ΔKD采用Mamdani的模糊化方法的模糊论域，计算可得NP＝[-0.5，0.5]，NI＝[-0.01，0.01]，ND＝[-2，2]；输出参数ΔKp，ΔKi，ΔKd的隶属函数选取高斯函数(gaussmf)；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从0℃～21℃上升的过程。
8.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤12具体为：
KP＝KP0+{e，ec}KP＝KP0+ΔKP (24)
KI＝KI0+{e，ec}KI＝KI0+ΔKI (25)
KD＝KD0+{e，ec}KD＝KD0+ΔKD (26)
式中KP0，KI0，KD0是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值；ΔKP，ΔKI，ΔKD是的在线调整的修正值；KP，KI，KD分别为公式(1)中的比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
CN202210543708.6A 2022-05-19 2022-05-19 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法 Active CN114660928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210543708.6A CN114660928B (zh) 2022-05-19 2022-05-19 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210543708.6A CN114660928B (zh) 2022-05-19 2022-05-19 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法

Publications (2)

Publication Number Publication Date
CN114660928A CN114660928A (zh) 2022-06-24
CN114660928B true CN114660928B (zh) 2022-09-20

Family

ID=82037357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210543708.6A Active CN114660928B (zh) 2022-05-19 2022-05-19 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法

Country Status (1)

Country Link
CN (1) CN114660928B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117367941A (zh) * 2023-11-14 2024-01-09 江苏科技大学 一种极地环境的应力腐蚀实验装置
CN118426296B (zh) * 2024-07-04 2024-09-03 华东交通大学 一种基于模糊神经网络pid算法的双缸控制方法及系统
CN118444723B (zh) * 2024-07-08 2024-09-06 晋江市舒温智能科技有限公司 一种智能鞋可拆分组合式加热按摩控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016035121A1 (ja) * 2014-09-01 2016-03-10 三菱電機株式会社 空調システムの制御装置および空調システムの制御方法
CN105465879A (zh) * 2014-08-15 2016-04-06 国家电网公司 一种基于电热储能装置的供暖系统及其控制方法
CN205717518U (zh) * 2016-06-08 2016-11-23 重庆工程职业技术学院 一种供暖温度调节系统
CN107091496A (zh) * 2017-05-23 2017-08-25 辽宁地质工程职业学院 一种网络集中供热装置
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
CN216244582U (zh) * 2021-09-01 2022-04-08 河北天正新能源科技股份有限公司 一种智能供热控制系统
CN114370665A (zh) * 2022-01-12 2022-04-19 北京英沣特能源技术有限公司 一种低碳园区数字化供热系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE412936T1 (de) * 2007-02-08 2008-11-15 Nordiq Goeteborg Ab Heizsystemsteuerung auf der basis der erforderlichen heizleistung
EP3364116B1 (en) * 2017-02-16 2020-06-03 Mitsubishi Electric R&D Centre Europe B.V. Method for controlling a heat pump system and heat pump system
CN111473408A (zh) * 2020-04-16 2020-07-31 武汉大学 一种基于气候补偿的供热控制系统的控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105465879A (zh) * 2014-08-15 2016-04-06 国家电网公司 一种基于电热储能装置的供暖系统及其控制方法
WO2016035121A1 (ja) * 2014-09-01 2016-03-10 三菱電機株式会社 空調システムの制御装置および空調システムの制御方法
CN205717518U (zh) * 2016-06-08 2016-11-23 重庆工程职业技术学院 一种供暖温度调节系统
CN107091496A (zh) * 2017-05-23 2017-08-25 辽宁地质工程职业学院 一种网络集中供热装置
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
CN216244582U (zh) * 2021-09-01 2022-04-08 河北天正新能源科技股份有限公司 一种智能供热控制系统
CN114370665A (zh) * 2022-01-12 2022-04-19 北京英沣特能源技术有限公司 一种低碳园区数字化供热系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BP神经网络PID控制在空调系统中的应用;张义等;《计算机仿真》;20110415(第04期);第155-157+226页 *
基于BP神经网络的Fuzzy-PID恒温控制器;曹双贵 等;《机电工程》;20091231(第12期);第82-84页 *
神经网络PID控制器在高大空间恒温空调系统中的应用;安大伟等;《天津大学学报》;20050325(第03期);83-88 *

Also Published As

Publication number Publication date
CN114660928A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN114660928B (zh) 一种bp神经网络与模糊自适耦合的pid温度调节系统及方法
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN107726358B (zh) 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法
CN108256672B (zh) 一种集中供热系统全网平衡调节方法
CN104122797B (zh) 一种新型火电机组负荷多变量预测控制方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
CN109253494A (zh) 一种基于热负荷预测的电蓄热装置控制系统及方法
CN104833154B (zh) 基于模糊pid与神经内模的冷冻水回路控制方法
CN112560240A (zh) 基于大数据分析技术的供热管网水力计算方法
CN111812968B (zh) 基于模糊神经网络pid控制器的阀位串级控制方法
CN111520878A (zh) 一种基于rbf神经网络的空调温控系统及其控制方法
CN107632524A (zh) 一种通信机房温度模型预测控制方法和系统
CN101968832A (zh) 基于构造－剪枝混合优化rbf网络的煤灰熔点预测方法
CN112330127A (zh) 一种多时间尺度电热综合能源系统静态安全控制方法
CN114781102A (zh) 一种城市综合能源系统的能量流建模方法及应用
CN111998423A (zh) 电蓄热循环风量-水温控制系统及其预测控制方法
CN116595845A (zh) 一种螺旋翅片管式换热器的结构优化方法
CN116306372A (zh) 一种基于ddpg算法的电-气区域综合能源系统安全校正控制方法
CN107870565A (zh) 一种基于过程神经网络的加热炉温度的计算机控制方法
Anead et al. Control on Temperature of Hybrid Nanofluid in Evacuated Tube Solar Collector Using Smart Curtain
Wang et al. Interval type-2 fuzzy TS modeling for a heat exchange process on CE117 Process Trainer
Chen-xi et al. Intelligent control method of heating process including model prediction and climate compensation
Ahmad et al. New hybrid model reference adaptive supervisory fuzzy logic controller for shell-and-tube heat exchanger temperature system
He et al. Automated tuning of MPC for VAV system based on LSTM
Cristea et al. Neural networks based model predictive control of the drying process

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