WO2011006344A1

WO2011006344A1 - 砂尘环境试验系统的温度调节装置及智能温度控制方法

Info

Publication number: WO2011006344A1
Application number: PCT/CN2010/000720
Authority: WO
Inventors: 王浚; 张华�; 李运泽; 明章鹏; 朱克勇; 马志宏; 张利珍; 赵晨
Original assignee: 北京航空航天大学
Priority date: 2009-07-15
Filing date: 2010-05-20
Publication date: 2011-01-20
Also published as: US20120048953A1

Description

砂尘环境试验系统的温度调节装置及智能温度控制方法技术领域

本发明涉及一种砂尘环境试验系统的温度调节装置及智能温度控制方法，属于砂尘环境试验技术领域。

背景技术

砂尘环境是引起许多工程或军用武器装备失效的一个重要环境因素，其主要损坏类型有：冲蚀、磨损、腐蚀及渗透等。吹尘和吹砂试验是检验车辆、飞行器、电器设备、军用装备在沙漠、千旱地区和风沙天气条件下环境适应性和环境可靠性的重要手段。

现有的砂尘环境试验系统采用一大一小两个空调箱完成对温度的控制，如图 1所示中国发明专利： ZL200510000070. 8公布了一种系统，其中该系统包括：循环风道 1，大空调 2，小空调 3，表冷器翅片管 4，翅片电加热器 5，变频调速风机 6，大空调进气通道 7，小空调进气通道 8, 空调回气通道 9，冷水机组水源 10，大空调压缩空气吹除管道 11，小空调压缩空气吹除管道 12。该系统存在如下缺陷：

1、由于使用了大空调 2与小空调 3两个空调来控制风洞温度，使得该系统的结构复杂，并且占用了大量的空间，大空调进气通道 7、小空调进气通道 8及空调回气通道 9都与循环风道直接相通，这些通道 7、 8、 9影响了风道 1内气流的品质；

2、为实现对温度的控制，它们分别使用循环冷却水和来自冷水机组水源 10的冷冻水作为冷却工质，并且小空调箱中还装有电加热器 5和变频调速风机 6，它们共同相配合完成不同工况和不同热负荷下的温度调节任务，冷却工质是通过流经表冷器翅片管 4以实现冷却，相应的通过电加热器 5实现加热，由于气流带砂尘，通过表冷器翅片管 4和翅片式电加热管 5时会积尘，严重影响传热，需要额外设置压缩空气吹除管道 11、 12，清理极不方便；

3、循环风道 1采用外保温结构，热容很大，当做完一次高温试验后再去做低温试验时，由于表冷器 4传热面积有限，需要很长的时间来冷却，严重影响了试验装置系统的利用效率。

另外，由于在砂尘环境试验中，试验风速及风洞内热负荷的变化范围很大以及突然性，这就越来越凸显出了砂尘环境试验温度控制的重要性。目前国内在大型洄流式砂尘环境试验风洞的温度控制主要是釆用空调旁路中装备表冷器和电加热器两种截然不同的温控设备。并且由于在进行低速吹尘和高速吹尘试验时，所采取的是加热和制冷两种完全不同的温度控制措施，使温差变化范围增大，控制难度增大。同时由于在砂尘环境试验中的温度控制具有纯滞性，非线性以及参数的一些不确定性等特点，很容易产生较大的振荡或误差性，因此传统的控制策略往往很难满足性能的指标要求，同时也是砂尘环境试验风洞温度控制不同于普通温度控制对象的特点与难点。

循环风道内，风机转速变化，辅助气流流量与温度变化，环境温度的变化均会引起风道内的温度扰动，而通过调节电加热器加热功率或冷却水流量，则能使温度扰动得到控制，但风道内的热负荷差别很大，需要采用不同的协调控制措施。如何消除这些干扰源引起的扰动，并克服各种非线性的因素对温度控制系统带来的影响，即温度的高精度和高协调性控制方法是整个温度控制领域的关键技术。

目前，解决砂尘环境试验风洞下的温度控制有两种思路，一种是在硬件结构上采用温控设备，让温度可在正常的范围内进行调控。这种方案虽然可以很好的提高温度的控制，但是却增加了硬件的复杂性，提高了成本，并且在可靠性上有很大的限制；二是软件控制方式。该方式通过采用建模和控制算法，即通过控制策略和学习能力逼近任意的非线性映射的能力，对温度进行实时的控制，并且对由于非线性因素引起的误差进行有效的补偿，影响其补偿的精度，保证其精确性和协调性。发明内容

本发明的目的在于提供一种砂尘环境试验系统的温度调节装置及智能温度控制方法，以克服现有技术中存在的如下缺陷：

1 ) 空调装置需要专门的空调风道和换热面、并带来额外的运行能耗，此外此空调风道的存在也影响循环风道内气流的流动品质。

2 ) 由于循环风道内气流带砂尘，通过表冷器时和电加热管时会积尘，严重影响传热，并且清理极不方便。

3) 利用循环风道内部已有的分离器、导流叶片及收缩段，实现对循环风道内气流温度的控制。提供一种结构紧凑、清理方便、设备利用效率高的温度调节系统。本发明的另一目的在于提供一种砂尘环境试验系统的智能温度控制方法，以克服现有技术在高精度，高稳定性和协调控制方面存在的不足。

本发明一种砂尘环境试验系统的温度调节装置，该砂尘环境试验系统主要包括：循环风道，为不规则结构的密闭风道，用于提供吹砂和吹尘环境的场所；该循环风道包括有第二收缩段、试验段及分离段等，

主风机，用于驱动所述循环风道内气流的流动；

U型分离器，设置于分离段，用于对试验后的砂尘进行分离回收；及导流叶片，分四组分别设置在循环风道的四个拐角处；

其特征在于：该温度调节装置包括：

在所述的 U型分离器内部铺设热交换管；

所述四组导流叶片，在其中的三组导流叶片中分别设置有热交换工质通孔；另外一组导流叶片中设置有加热装置；

在所述的第二收缩段设置有电加热器。其中，所述的温度调节装置进一步包括- 循环冷却水水源；

冷水机组；及

电锅炉；

所述的循环冷却水水源、冷水机组及电锅炉分别通过管道与具有热交换功能的导流叶片及 u型分离器相连；在各管道上设置有用于调节冷热工质流量的阀门。其中，所述的导流叶片中的加热装置为一电加热器，该电加热器外依次包覆有绝缘层及耐磨保护层。本发明一种砂尘环境试验系统的智能温度控制方法，该方法是通过基于神经网络的 PI 智能温度控制系统实现，该智能温度控制系统包括：

风速感应器，安装于循环风道内，

温度感应器，安装于循环风道内，

神经网络控制器，根据来自风速感应器所测得的风速值得出一个协调控制因子，以决定哪种设备是主要控制设备，哪种设备是辅助控制设备，充分达到协调控制的目的。该神经网络控制器具体包括一输入层，一隐含层和一输出层；

PI控制器，用于接收来自神经网络控制器的协调控制因子以及来自温度感应器所测得的温度值，并将经过处理的控制量传递给沙尘环境试验系统的温度控制装置。

其中，所述的 PI控制器包括：

第一 PI控制器，用于根据所述温度值和所述协调控制因子，产生第一粗略控制量，第二 PI控制器，用于根据所述温度值和所述协调控制因子，产生第二粗略控制量。其中，所述的智能温度控制系统，进一步包括：第一限幅器，用于对所述第一粗略控制量进行限幅和优化处理，从而产生用于电锅炉回水控制阀的优化精细控制量，

第二限幅器，用于对所述第二粗略控制量进行限幅和优化处理，从而产生用于循环冷却水出水阀的优化精细控制量。本发明一种砂尘环境试验系统的智能温度控制方法，该方法包括如下步骤：

步骤一、建立神经网络系统结构

本发明采用单隐层的三层前馈网络构成；隐含层单元的变换函数采用正负对称的

S gm 'i/函数，它是一种局部分布的对中心点径向对称衰减的非负非线性函数，此神经网络由输入空间到隐含层空间的映射是非线性的，而从隐含层空间到输出层空间的隐射是线性的，这样的神经网络实现了加快学习速度的特点，以及避免了一定的振荡性和局部极小值问题，如图 13所示，该三层前馈网络包括：

1 ) 输入层

输入层采用了特殊的 3个输入，分别对应输入 V (风速值)，通过安装在循环风道内的风速感应器获得；误差 e_e (温度的误差)，通过安装在循环风道内的温度感应器获得温度值之后，进行减法运算获得；常量 1，常量在这里起一个干扰的作用，则输入模式向量为 x = [v,e_e,l]，比起 2个的输入向量的结构 jc = [v,ej更符合实际的工作环境；

2 ) 隐含层；

3 )输出层：输出层的输出对应着协调控制因子 Z_cv ，决定哪种设备是主要控制设备，哪种是辅助控制设备。步骤二、神经网络参数的混合学习训练

在所述步骤一得到的神经网络模型的基础上，采用在线训练和离线训练相结合的方式进行，经过预先判断之后，决定是进行 BP离线训练，还是进行基于遗传算法的在线训练；步骤三、 PI控制

由所述步骤一和二最终得到协调控制因子之后，将协调控制因子输入给 PI控制器， PI 控制器将协调控制因子与其参数进行进一步的运算与结合，最终得出控制变量，对被控机构进行控制。

步骤四、限幅处理

通过步骤三得到控制变量之后，应用 S型函数进行限幅处理，使控制变量最优化。其中，所述步骤二中，进行神经网络参数的混合学习训练，要预先进行判断模块，当温度差值好过规定界限值值时，进行基于 BP学习算法的离线动态温度模型学习训练，实现权值的离线全局寻优，使误差量缩小，而缩短在线学习所需的时间；相反，当在界定值范围以内时，利用遗传算法进行在线调整，使权值最优化。

其中，利用所述神经网络控制器，根据所述风速值，得出一个协调控制因子；根据该协调控制因子把至少两个温度控制机构中的一个确定为主要控制机构，把至少两个温度控制机构中其余的控制机构确定为辅助控制机构，利用所述 PI控制器，根据所述温度值和所述协调控制因子而得到所述粗略控制量。

本发明的优点： 1 ) 与传统的吹砂吹尘环境试验装置系统相比，由于本发明舍弃了一大一下两个空调箱，故消除了空调箱通气回路对循环风道内气流品质的影响，并且使结构更加简单，占据空间更小； 2 ) 由于本发明没有了空调箱中的表冷器和电加热器，故消除了清理积尘带来的不便和积尘对传热的影响； 3 ) 本发明在传统的冷却系统的基础之上加入循环热水系统，故使传统的冷却系统变成了冷热多用温度控制系统，提高了设备的利用率； 4 >本发明在收缩段和收缩段之前的一组导流叶片上分别加入了电加热片，可以进一步加快对循环风道内气流的加热速度，提高系统的工作效率； 5 ) 本发明在 U型分离器内铺设热交换管，并且对剩下的三组导流叶片进行改造，在每个导流叶片内部设置通孔，最后分别将热交换管和通孔与冷热温度控制系统相连，故充分利用了己有设备，提高了设备利用效率，更重要的是增加了热交换面积，使传热更加快速。

附图说明

图 1 为现有技术中砂尘环境试验系统的连接示意图。

图 2 本发明循环风道气动布局结构示意图。

图 3 是本发明循环风道剖视图。

图 4A 是本发明具有热交换功能的 U型分离器轴视图

图 4B是本发明具有热交换功能的 U型分离器的剖视图。

图 5A是本发明具有热交换功能的导流叶片的轴视图

图 5B是本发明具有热交换功能的导流叶片的剖视图。

图 6 是本发明循环风道局部剖视图。图 7 是本发明具有加热功能的导流叶片剖视图。

图 8 是本发明沙尘环境试验系统的温度调节装置示意图。

图 9 是本发明常规温度控制系统示意图。

图 10为本发明的砂尘环境试验风洞的总体流程图。

图 11为本发明的砂尘环境试验风洞温度智能控制的控制流程图。

图 12为本发明的砂尘环境试验风洞温度智能控制基于神经网络 PI控制的原理结构图。图 13为本发明的砂尘环境试验风洞温度智能控制的神经网络控制器的结构图。

图 14 为本发明的砂尘环境试验风洞温度智能控制的基于混合学习训练算法的神经网络 PI控制结构图。

图 15为本发明的砂尘环境试验风洞基于神经网络 PI智能温度控制系统学习训练算法总体流程图。

图 16为本发明的砂尘环境试验风洞温度智能控制的改进 BP学习算法的流程图。图中： 1.循环风道 101.试验段 102.扩压段 103.分离段 104.第一拐角段 105.第一收缩段 106.第二拐角段. 107.方圆过渡 108.动力段 109.圆方过渡 110.变截面段 111.第三拐角段 112.第四拐角段 113.稳定段 114.第二收缩段 1141.电加热器 115.第一导流叶片 116.第二导流叶片

117.第三导流叶片 118.第四导流叶片 1181.绝缘层 1182.耐磨保护层

1183.电加热器 119.热交换工质通孔 2.大空调 3.小空调 4.表冷器翅片管 5. 翅片电加热器 6.变频调速空调 ' 7.大空调进气通道 8.小空调进气通道

9.空调回气通道 10.冷水机组水源 11.大空调吹尘管道 12.小空调吹尘管道 13.主风机 14.冷风机 15.整流格栅 16.循环冷却水水源

161.循环冷却水出水管道 162.循环冷却水回水管道 163. 循环冷却水出水阀

164.循环冷却水回水阀 17.冷水机组 171.冷水机组出水管道 172.冷水机组回水管道 173.冷水机组出水控制阀 174.冷水机组回水控制阀 18.电锅炉 181.电锅炉出水管道 182.电锅炉回水管道

183.电锅炉出水控制阀 184.电锅炉回水控制阀 19. U型分离器

191.热交换管 192. U型件 193.角钢固定器

e (t) : 温度偏差的精确量 e_c: 误差变化率的精确量

r (t) : 温度输入值 y (t) _: 被控温度量输出值 W: 每层之间的连接权值 Zc„: 协调控制因子

V：风速值

101：温度感应器 102：第一 PI控制器

106：风速感应器 107：神经网络控制器

108：第一限幅器 109：第二 PI控制器

110：第二限幅器具体实施方式

下面将结合附图对本发明的技术方案作进一步的详细说明。

对于吹砂、吹尘环境试验设备中，一般包括循环风道，压缩空气源、砂尘料系统、温度控制系统、湿度控制系统、风道压力控制系统，其中，循环风道用于提供试件在吹砂和吹尘环境的场所；压缩空气源、砂尘料系统（图中未示）用于实现实验环境的浓度；温度控制系统、湿度控制系统、风道压力控制系统组成空气调节系统并通过管道与循环风道实现连通，各个管道上设有多个阀门，阀门的设置是为有效的调节风道中的砂尘的流量、气力的大小、压力的调节、湿度的调节、温度的调节等。

如图 2所示，为本发明循环风道 1的气动布局结构示意图，循环风道 1按其不同结构段依次分为试验段 101、扩压段 102、分离段 103、第一拐角段 104、第一收缩段 105、第二拐角段 106、方圆过渡段 107、动力段 108、圆方过渡段 109、变截面段 110、第三拐角段 111、第四拐角段 112、稳定段 113、第二收缩段 114。

如图 3所示，在四个拐角段 104、 106、 111、 112分别设有第一导流叶片 115、第二导流叶片 116、第三导流叶片 117、第四导流叶片 118; 在动力段 108内设有主风机 13，主风机外部设有用于对其进行降温的冷却风机 14; 在稳定段 113内设有蜂窝结构整流格栅 15。

如图 4A及图 4B所示，为本发明位于分离段 103的多功能 U型分离器 19轴视图和剖视图，多功能 U型分离器由 U型件 192、角钢固定器 193、热交换管 191构成， U型件 192通过点焊焊接在角钢 193上，热交换管 191通过钎焊焊接在 U型件 192内侧底部，实现了具有热交换功能分离器。

其中热交换管采用无缝钢管，或者焊接钢管。

如图 5A及图 5B所示，为本发明位于循环风道拐角 104、 106、 111处的具有热交换功能的导流叶片 115、 116、 117轴视图及剖视图，以 115为例说明，通过在呈流线型曲面的导流叶片内部预留热交换工质通孔 119，于改热交换通孔 119中注入热交换工质，便实现了具有热交换功能的导流叶片。

如图 6所示，在位于循环风道拐角段 112处的第四导流叶片 118内嵌入电加热器 1183，通过与该电热器相连的温度传感器，实现温度的快速，高效，灵敏的控制。

如图 7所示，为本发明第四导流叶片 118的剖视图，导流叶片 118内部的电加热器 1183，依次包覆有电加热器绝缘层 1181、耐磨保护层 1182，该第四导流叶片 118通过在其内部嵌入电加热器 1183与温度传感器连接实现在对气流导向功能的基础之上再实现对循环风到内气流的均匀快速加热；

其中，电加热器绝缘层 1181采用导热性能优异的绝缘材料导热硅脂。

再参阅图 6所示，在循环风道的收缩段 114内铺设有电加热器 1141，通过与其相连的温度传感器接，实现温度的快速，高效，灵敏的控制；

上述第四导流叶片 118内的电加热器 1183与收缩段 114的电加热器 1141共同完成对循环风道内气流的快速均匀加热。

如图 8所示，本发明的温度控制装置由循环冷却水水源 16、冷水机组 17、电锅炉 18三种装置提供不同温度的热交换工质，将这三种不同温度的热交换工质源通过管道和手动阀门并联，再通过管道和循环风道内的具有热交换功能的 U型分离器 19及具有热交换功能的导流叶片 115- 117相通组成了常规温度控制系统，并且通过各自管路上的调节阀门实现对流量的控制，这样就可以对循环风道内气流温度实施控制；在收缩段 114内部设置电加热器，收缩段 114处在试验段 101风道上游，对试验段 101的温度影响最直接，加热效果最明显，在拐角段 112处的导流叶片 118里面也嵌入了电加热器 20，两组电加热器组成了快速加热系统，这样就能在试验段 101之前最近的两处实现对循环风道内气流的快速加热，提高了加热速度和热利用效率。

如图 9 所示，为本发明的常规温度控制系统示意图，温度调节系统工质由循环冷却水 16、冷水机组 17、电锅炉 18提供，采用冷热多用温度控制模式，循环冷却水通过专用管道和 U型分离器 19热管及导流叶片 115-117的通孔相连，通过设在循环冷却水出水管道 161 上的循环冷却水出水阀 163和循环冷却水回水管道 162上的循环冷却水回水阀 164来控制试验时冷却水的流量；从冷水机组 17出来的冷冻水通过冷水机组出水管道 171上的冷水机组出水控制阀 173和冷水机组回水管道 172上的冷水机组回水控制阀 174来控制试验时冷冻水的流量；在电锅炉 18中加热的循环热水通过电锅炉出水管道 181上的电锅炉出水控制阀 183 和电锅炉回水管道 182上的电锅炉回水控制阀 184来控制试验时热水的流量。

其中，冷水机组 17的冷却工质由循环冷却水水源 16提供，电锅炉根据实际情况选择合适的功率。

本发明的原理为：循环冷却水水源、冷水机组、电锅炉热循环水以及各自管道组成一个冷媒、热媒统一温度调配网络，该调配网络与三组导流叶片内的热交换工质通孔及位于 u型分离器内的热交换管连接，调配网络内的工质流经 u型分离器内的热交换管和循环风道内的气流进行热交换，进而实现温度的调节，工质还流经三组导流叶片内的热交换工质通孔和循环风道内气流进行热交换，从而实现对循环风道内气流温度的调节。冷媒、热媒统一温度调配网络通过调节通道上的多个阀门来控改变 u 型分离器热交换管及导流叶片热交换工质通孔内工质的流量，从而实现对温度的自动控制。在收缩段安装有电加热器，并且在收缩段之前拐角处的导流叶片内也加入了电加热器，再通过设在试验段的温度信号对电加热器做闭环控制来快速改变电加热器的输出热量，这两组电加热器组成了对循环风洞气流的快速加热系统。整个循环风道的温度调节装置由工质的热交换和电加器的热输两种方式共同组成。

下面将介绍本发明设备的工作过程：

请参见附图 8所示，在主风机 13的驱动下，试验用空气在循环风道 1中循环流动并在循环风道 1的试验段 101形成满足实验要求的试验风速，吹砂 18〜30tn/s，低速吹尘 1. 5m/s, 高速吹尘 8. 9m/s，风速的大小可以通过调整主风机 13转速的方式加以闭环控制，循环风道 1的气动布局如图 2所示，为了减小循环风道 1的阻力损失，在循环风道 1的四个拐角设有四组导流叶片 115-118; 为了改善试验段 101的气流品质，在试验段 101上游设有第二收缩段 114和稳定段 113，稳定段 113内设有整流格栅 16以减少试验段 101的紊流度；为了避免大粒径砂尘颗粒对主风机 13叶片造成伤害，在试验段 101出口设有扩压断 102与分离段 103, 在分离段 103内设有迎风交错布置四排 U型分离器 19，扩压段 102设在试验段 101与分离段 103之间以降低分离段 103入口截面的风速，从而起到提高分离段 103的气固分离效率的作用。

循环风道内的常规温度控制是通过安装在分离段 103 的具有热交换功能的 U型分离器 19，以及设置在循环风道拐角 104、 106、 111处的三组具有热交换功能的导流叶片 115- 117 来控制的，系统的被调量为试验段 101温度。循环冷却水的的出水温度为 35°C，用于平衡试验段 101温度要求为 70°C的高温吹砂试验时的系统热负荷。冷水机组 17 的出水温度为

TC , 用于平衡常温吹砂（23°C )、高温吹尘（70°C ) 试验时的系统热负荷。电锅炉的出水口温度为 90°C，用来快速加热循环风道 1 内气流的温度，使试验段 101温度快速达到预先设定的状态；在试验过程中首先检测试验段 101的温度是否满足试验预期的要求，如果温度低于预期温度，则关闭循环冷却水的出水和回水通道上的控制阀 163、 164与冷水机组 17 的出水和回水通道上的控制阀 173、 174, 并通过远距离手工调节电锅炉出水通道上的调节阀 183与回水通道的调节阀 184，用来调整循环风道 1内 U型分离器热交换管 191及导流叶片热交换工质通孔 119的热水流量来调整循环风道内的气流温度；如果试验段的温度高于预期温度，则关闭电锅炉出水和回水通道的控制阔 183、 184，并通过远距离手工调节循环冷却水出水通道调节阀 163和回水通道调节阀 164来调整循环风道 1 内 U型分离器热交换管 191及导流叶片热交换工质通孔 119的冷却水流量，还可以通过调节远距离手工调节冷水机组 17的出水通道调节阀 173和回水通道调节阀 174来调整循环风道 1内 U型分离器热交换管 191及导流叶片热交换工质通孔 119的冷冻水流量。

循环风道 1内快速温度控制系统是通过安装在收缩段 114内壁的电加热器 1141，以及循环风道拐角 112内部的具有热交换功能的第四导流叶片 118内的电加热器 1183来控制的，系统的被调量为试验段 101温度，根据试验段 101的温度信号反馈闭环自动调节电加热器的功率使试验段 101温度满足试验要求。

如图 10、 11所示，一种砂尘环境试验系统的智能温度控制方法，该方法是通过基于神经网络的 PI智能温度控制系统实现，该智能温度控制系统包括：

风速感应器 106，安装于循环风道 1内，

温度感应器 101 , 安装于循环风道 1内，

神经网络控制器 107，根据来自风速感应器 106所测得的风速值得出一个协调控制因子，已决定哪种设备是主要控制设备，哪种设备是辅助控制设备。该神经网络控制器具体包括一输入层，一个隐含层和一输出层；

其中，所述的 PI控制器包括：

第一 PI控制器 102，用于根据所述温度值和所述协调控制因子，产生第一粗略控制量，

第二 PI控制器 109，用于根据所述温度值和所述协调控制因子，产生第二粗略控其中，所述的智能温度控制系统，进一步包括：

第一限幅器 108，用于对所述第一粗略控制量进行限幅和优化处理，从而产生用于电锅炉回水控制阀 184的优化精细控制量，第二限幅器 110，用于对所述第二粗略控制量进行限幅和优化处理，从而产生用于循环冷却水出水阀 163的优化精细控制量。

本发明一种沙尘环境试验系统的智能温度控制方法，该方法包括如下步骤：步骤一、建立神经网络系统结构

根据本发明的一个具体实施例的神经网络采用单隐层的三层前馈网络构成。隐含层单元的变换函数采用正负对称的¹ ^'^^^函数，它是一种局部分布的对中心点径向对称衰减的非负非线性函数。此神经网络由输入层空间到隐含层空间的映射是非线性的，而从隐含层空间到输出层空间的隐射是线性的，这样的神经网络实现了加快学习速度的特点，以及避免了一定的振荡性和局部极小值问题。如图 13所示。

1 ) 输入层

输入层采用了特殊的 3个输入，分别对应输入 V (风速值），误差 ec (温度的误差），和常量 1，常量在这里起一个干扰的作用，则输入模式向量为 ^{X = [V}，，^1]，比起 2个的输入向量的结构 ^{x = [v}， ]更符合实际的工作环境。

输入层神经元的输入输出函数为：

0, = x(i) 式中，为输入层神经元的个数， ^{= 1}，²，³

2 ) 隐含层隐含层的神经元的输入为： net_j (k) = _j w_jiO_i

'=' (2) 式中， ^W '为输入层到隐含层的权值

隐含层神经元的输出为：

= ₍₃₎ 式中，隐含层神经元的个数，为隐含层的激活函数隐含层的激活函数取正负对称的¹ ^g^^ 函数： tanh(x) = ^{eXp( )}-^eXp(- ⁾

exp( ) + exp(- ) (4)

3) 输出层输出层的神经元的输入为:

7=1 (5) 式中，为隐含层到输出层的权值

输出层神经元的输出为：

O_l {k) = g{net_l {k)) (6)

式中，

exp(x)

g(x) = -(l + tanh(x))

2 exp(x) + exp(-x) (7)

输出层的神经元的输出对应着协调控制因子 Zcv，决定步骤二神经网络参数的混合学习训练

在上述神经网络模型的基础上，采用在线训练和离线训练相结合的方式进行，经过预先判断之后，决定是进行基于 BP算法的离线训练，还是进行基于遗传算法的在线训练。

在混合学习算法中，改进之后的 BP算法是通过不断离线修正网络神经元之间的权值和阀值，使网络不断逼近真实的模型。在线遗传学习训练算法，是为了克服 BP离线学习训练的一些局限性，由于遗传学习训练算法是在寻优过程中应用高维可行解空间随机产生多个起始点并同时开始搜索，由适应度函数来指导搜索方向，因而搜索区域广，搜索效率高。并且，在实时控制时，在每次进行在线调整权值参数之前，要先判断温度差值是否过大，如果超过规定限额，则还是要先进行离线的模型学习训练，直到差值在允许范围以内之后，再进行在线的学习训练。这样可以减少振荡，以及缩短控制时间，如图 15所示。

由于误差反向传播（Back Propagation, 简称 BP)算法具有简单、易学、收敛速度较快等优点，因而被广泛地用于网络权值的调整中。但 BP算法在应用于实时控制时，其学习速度慢，容易陷入局部极小的缺点，有时还可能得不到全局最优。这是由于当网络由一个训练样本换成另一个训练样本时。由于较大的初值误差容易引起权系数的过调从而加长调整时间。因此，根据本发明的一个实施例，引入了一个动量因子 ^α，以减少过调量，更有利于离线的加速学习。如图 16所示，动态模型初始化之后，从输入层经过隐层单元层层处理，直至输出层，是输入和权值的函数，求出隐含层和输出层各单元的输出，求出期望输出与实际输出的偏差，对偏差值进行判断，若实际输出与期望输出之间存在偏差则进入反向传播，按原正向传播途径反向回传，计算隐层单元误差，并按误差函数的负梯度方向进行求解，之后对各层神经元的权系数进行修正，最终使期望的误差函数趋向最小。动量因子"是一个确定过去学习效果的加权因子，通常⁰〈^^ ¹，所对应的另一变化系数⁷⁷的范围为 ^{0 < 77 < ()}·⁵，此时的效果较为理想。同时，在每次进行迭代之后，这两个因子都会不断调整，修正。考虑各变量之间的耦合作用，取性能指标函数为：

J= E (k) = (Z_CT - ZJ + -X [r(^) - y(k)]

(8) 最后得权值的修正计算公式为：

(9)

W(,— 1)

通过上述离线学习调整完权值之后，难免与实际参数有一定的差距，为此，随后利用遗传算法在线实时修正所得到网络的权值参数，搜索过程以原参数为基础，在原参数的较小领域内进行。

遗传算法是一种基于自然选择和群体遗传机制的搜索算法，它模拟了自然选择和自然遗传过程中的繁殖，交配和变异现象。它将每个可能的解看作是群体中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适应度值。这些个体的适应度值利用遗传算子对这些个体进行遗传操作，保留优个体，淘汰差个体，使最终的权值朝一个优良的状态发展。在此，我们应用传统的二进制编码方式，当神经网络的规模稍大时，染色体个体的长度就会很大，从而影响遗传算法的效率，为此本智能系统采用浮点数编码，浮点数编码方法使用的是决策变量的真实值，个体的编码长度等于其决策变量的个数。本系统中神经网络的权值变量共有 24个，选用误差平方和的倒数作为适应度函数。对于遗传操作来说，遗传操作中的选择算法采用标准化几何排序的方法。该排序方法按拟和值对个体进行排序，根据个体的位置分配选择概率。标准化几何排序定义个体的选择概率公式为-

P_t = ^ ^ ~~ (1-^Γ¹

! -d - ^ (11) 其中： ^为最佳个体的选择概率， A"为个体的序列号， "为种群大小针对浮点编码，交叉算法采用数学交叉和启发式交叉两种相结合的方式，两种交叉方法结合使用可以增强算法的探测能力。为保持种群的多样性和防止早熟现象，需要对原种群中的基因加一随机扰动。本系统中的变异操作采用多元非均匀变异 (multiNonUnJfMutafion) 策略产生变异基因来构成新的种群，即分别对自变量在其解空间进行非均匀变异后，再随机取一组合作为变异结果。原理式为：

X^ X^ iX - ^fig) ^ r,≥0.5 _{( 12)} 其中-

\ 为 [OJ]之间均匀随即变量， A , ⁶'分别是变量上、下限， g为当前优化代数，为最大优化代数，为衡量扰动程度的系统参数.

基于上述描述，得出由遗传算法进行在线的神经网络权系数优化的训练步骤如下：

①给定神经网络的输入、输出集.

②确定网络权系数的编码方式，选定遗传操作，设置遗传参数

③以设定的种群规模 N，随即产生初始种群

④译码种群中每一个体位串，求得 N组网络权系数，得到具有相同结构的 N个网络

⑤由输入样本集经前向传播算法，求得 N组网络权值对应的 N个网络输出

⑥设定网络的目标函数，将其转换为适应度，对 N个网络进行评价

⑦依据适应度在遗传空间进行选择操作.

⑧依据选定的交叉、变异及有关算法、参数进行相应的操作，得到新一代种群

⑨返回步骤④，直到满足性能要求，得到一组优化的权系数.

步骤三 PI控制

得到协调控制因子之后，将协调控制因子输入给 PI控制器， PI控制器将协调控制因子与其参数进行进一步的运算与结合，得出控制变量，从而对被控机构进行协调有效的控制。

根据本发明的一个实施例，循环冷却水流量的控制方程为：

G_w = K_cpZ_cve_{l +} K,

_{( 14)} 式中：

^G -: 冷却水的质量流量温差循环冷却水水流量控制器的比例系数

^Κ"：循环冷却水水流量控制器的 R分系数

^Kcd : 循环冷却水水流量控制器的微分系数

电加热器加热功率的控制方程为：

式中-

^Q": 电加热器加热功率

^K'p : 电加热器控制器的比例系数 κ"：电加热器控制器的积分系数 κ'" 电加热器控制器的微分系数步骤四限幅处理

得到控制变量之后，难免会有一些不精确性，因此，还要对控制变量进行有效的限幅处理，使控制变量最优化。这里应用 S型函数进行限幅的处理， S函数公式为：

1

λ =■

^CT 1 + 。^v (16)

由上述公式得限幅处理公式为:

/(")="₂

f(u) = u* l_cv u_x≤u< u₂

f (u) = u_{ u < «,

(17)

式中-

"'· 控制变量^或；

"' , "2 : 限幅阀值； (")：经过限幅处理后的控制变量

总之，本发明的原理是： PI 控制器由于其设计简单、易于实现、可靠性高等优点，被广泛应用于机电、冶金、机械、化工等行业的过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性控制系统。但是，实际工业过程存在很多不确定因素的干扰,使用经典

PI 控制器进行控制系统的校正往往达不到理想的控制效果。而神经网络具有非线性映射，自学习能力，分布存储能力及处理信息等特点，因此将神经网络与 PI控制器结合在一起，但又不同于传统的结合。在此处的结合是建立在协调控制基础上的结合，由于协调控制的不确定性和复杂性，因此我们利用神经网络的非线性，自学习能力，在输入信号进入 PI控制器之前进行协调控制的一个预判断，得出一个协调控制因子，确定在所有协调控制的控制机构中，哪些控制机构是主要控制机构，哪些是辅助控制机构，这样使得控制系统不仅具备处理不精确性，不确定性的能力，同时还具有了协调控制稳定性的能力。同时又通过自学习能力，不断修正神经网络连接权值，调整协调控制因子，使该因子为某种最优协调控制调节下参数值，以期达到系统性能指标的要求。将这个协调控制因子送入 PI控制器，进行相应的控制操作，在 PI控制器输出信号输出之后，还要进行相应的限幅处理，对控制变量进一步做出精确化，最终达到砂尘环境试验风洞的温度智能控制的协调性和可靠性。减少了砂尘温度调节过程中的波动幅度。

基于神经网络 PI的温度智能控制系统的神经网络结构是由一个单隐含层的三层网络构成。隐含层单元的变换函数采用径向基函数中的函数，它是一种局部分布的对中心点径向对称衰减的非负非线性函数。此神经网络由输入空间到隐含层空间的映射是非线性的，而从隐含层空间到输出层空间的隐射是线性的，这样的神经网络实现了加快学习速度的特点，以及避免了一定的振荡性和局部极小值问题。

需要说明的是，学习训练后的神经网络能够很好的调整参数，高精度的逼近温度智能控制的输入输出信号的非线性函数，且具有很强的泛化能力。学习训练的过程为从初始化之后，进入判断模块，判别温度差值是否超过了一个限定值，如果超过了这个限定值，则进行离线动态温度模型学习，这样可以进行在线学习之前，使误差量缩小，缩短在线学习的时间。离线模型学习调整参数实质上是利用改进之后的 BP算法实现权值的离线全局寻优。之后继续进行判断，直到这个差值在限定值范围内之后，再进行在线学习训练阶段，在线学习调整权值参数主要是通过遗传算法，在高维可行解空间随机产生多个起始点并同时幵始搜索，由适应度函数来指导搜索方向，最终获得最优权值参数。根据本发明的一个实施例，定义离线学习时，采用专家系统的动态模型-

M_tc_t = k_hn_f ³ + G_ac_{a α} -0,)-k_sF_s* ψ, e_s) + Q_d-G_wc_w(0_{l +}A0_wo-e_wi)

dt (18)

^Μ '：循环风道内的当量金属质量 °'：平均比热容循环风道内的风机转速 ^k": 比例系数 k". 循环风道外表面的散热系数 ^F- 散热面积， ^θ", °'：环境温度冷却水的质量流量 ^， °"：比热 ^'：进口温度

L. 冷却水的出口端差 °"：循环风道辅助气流质量流』

^Q . 电加热器的加热功率

本发明能够实现沙尘环境试验装置系统的温度控制，以满足环境试验所需的温度条件，不仅结构简单，实现一体化，而且能够快速高效的控制温度，可用于结构经凑、清理方便、频繁试验的场合。

Claims

权利要求书

1、一种砂尘环境试验系统的温度调节装置，该砂尘环境试验系统主要包括- 循环风道，为不规则结构的密闭风道，用于提供吹砂和吹尘环境的场所；该循环风道包括有第二收缩段、试验段及分离段等，

主风机，用于驱动所述循环风道内气流的流动；

u型分离器，设置于分离段，用于对试验后的沙尘进行分离回收；及

导流叶片，分四组分别设置在循环风道的四个拐角处；

其特征在于：该温度调节装置包括：

在所述的 u型分离器内部铺设热交换管；

在所述的第二收缩段设置有电加热器。

2、根据权利要求 1所述砂尘环境试验系统的温度调节装置，其特征在于：所述的温度调节装置进一步包括：

循环冷却水水源；

冷水机组；及

电锅炉；

所述的循环冷却水水源、冷水机组及电锅炉分别通过管道与具有热交换功能的导流叶片及 U型分离器相连；在各管道上设置有用于调节冷热工质流量的阀门。

3、根据权利要求 1所述砂尘环境试验系统的温度调节装置，其特征在于：所述的导流叶片中的加热装置为一电加热器，该电加热器外依次包覆有绝缘层及耐磨保护层。

4、一种砂尘环境试验系统的智能温度控制方法，该方法是通过基于神经网络的 PI智能温度控制系统实现，其特征在于：该智能温度控制系统包括：

风速感应器，安装于循环风道内，

温度感应器，安装于循环风道内，

神经网络控制器，该神经网络控制器具体包括一输入层，一个隐含层和一输出层；该神经网络控制器的作用是得出一个协调控制因子，以决定哪种控制设备是主要控制设备，哪种控制装备是辅助控制设备。

PI控制器，用于接收来自神经网络控制器的输出协调控制因子以及来自温度感应器所测得的温度值，并将经过处理的控制量传递给沙尘环境试验系统的温度控制装置。

5、根据权利要求 4所述一种砂尘环境试验系统的智能温度控制方法，该方法是通过基于神经网络的 PI智能温度控制系统实现，其特征在于：所述的 PI控制器包括：

第一 PI控制器，用于根据所述温度值和所述协调控制因子，产生第一粗略控制量，第二 PI控制器，用于根据所述温度值和所述协调控制因子，产生第二粗略控制量。

6、根据权利要求 4所述一种砂尘环境试验系统的智能温度控制方法，该方法是通过基于神经网络的 PI智能温度控制系统实现，其特征在于：所述的智能温度控制系统，进一步包括：

第一限幅器，用于对所述第一粗略控制量进行限幅和优化处理，从而产生用于电锅炉回水控制阀的优化精细控制量，

第二限幅器，用于对所述第二粗略控制量进行限幅和优化处理，从而产生用于循环冷却水出水阀的优化精细控制量。

7、一种砂尘环境试验系统的智能温度控制方法，该方法包括如下步骤：

步骤一、建立神经网络系统结构

本发明采用单隐层的三层前馈网络构成；隐含层单元的变换函数采用正负对称的 S gww^函数，它是一种局部分布的对中心点径向对称衰减的非负非线性函数，此神经网络由输入空间到隐含层空间的映射是非线性的，而从隐含层空间到输出层空间的隐射是线性的，这样的神经网络实现了加快学习速度的特点，以及避免了一定的振荡性和局部极小值问题，该三层前馈网络包括：

1 ) 输入层

输入层采用了特殊的 3个输入，分别对应输入风速值 v，通过安装在循环风道内的风速感应器获得；温度的误差 e_c，通过安装在循环风道内的温度感应器获得温度值之后，进行减法运算获得；常量 1 , 常量在这里起一个干扰的作用，则输入模式向量为 x = [v,e_£,l]，比起 2 个的输入向量的结构 X = [v,ej更符合实际的工作环境；

输入层神经元的输入输出函数为 -

式中，为输入层神经元的个数， ^{= 1}，²，³

2 ) 隐含层；

其神经元的输入为：

3

net_J(k) = _j w_JiO_i

(2) 式中， ^'为输入层到隐含层的权值，且所述隐含层神经元的输出为：

式中，隐含层神经元的个数，为隐含层的激活函数，且所述隐含层的激活函数取正负对称的 S g w'i 函数： exp( ) - exp(-x)

/ (JC) = tanh( ) =

3 ) 输出层 - 所述输出层的神经元的输入为_: net,( = t_WijO k、

^J—-¹ (5) 式中，为隐含层到输出层的权值，且所述输出层神经元的输出为-

O_l (k) = g(net_l (k)) ₍₆₎ 式中,

所述输出层的神经元的输出对应着协调控制因子 Zcv ，该协调控制因子决定哪种设备是主要控制设备，哪种是辅助控制设备；步骤二、神经网络参数的混合学习训练

在所述步骤一得到的神经网络模型的基础上，釆用在线训练和离线训练相结合的方式进行，经过预先判断之后，决定是进行基于 BP算法的离线训练，还是进行基于遗传算法的在线训练；步骤三、 PI控制

由所述步骤一和二最终得到协调控制因子之后，将协调控制因子输入给 PI控制器， PI 控制器将协调控制因子与其参数进行进一步的运算与结合，最终得出控制变量，对被控机构进行控制；步骤四、限幅处理

通过步骤三得到控制变量之后，应用 S型函数进行限幅处理，使控制变量最优化。

8、根据权利要求 7所述的砂尘环境试验系统的智能温度控制方法，其特征在于：所述步骤二中，进行神经网络参数的混合学习训练，要预先进行判断模块，当温度差值好过规定界限值值时，进行基于 BP学习算法的离线动态温度模型学习训练，实现权值的离线全局寻优,使误差量缩小，而缩短在线学习所需的时间；相反，当在界定值范围以内时，利用遗传算法进行在线调整，使权值最优化。

9、根据权利要求 7所述的环境模拟系统的智能温度控制方法，其特征在于：利用所述神经网络控制器，根据所述风速值，.得出一个协调控制因子；根据该协调控制因子把至少两个温度控制机构中的一个确定为主要控制机构，把至少两个温度控制机构中其余的控制机构确定为辅助控制机构，利用所述 PI控制器，根据所述温度值和所述协调控制因子而得到所述粗略控制量。