1、摘要隨著現(xiàn)代生活不斷向智能化邁進(jìn)，人們對(duì)中央空調(diào)的性能提出了更高的要求，如空調(diào)的舒 適性、節(jié)能性等。本文重點(diǎn)研究如何在中央空調(diào)系統(tǒng)中使用智能化的冷水機(jī)組控制系統(tǒng)， 從而既能提供舒適的生活工作環(huán)境，又能最大限度的節(jié)約能源。文中首先分析了中央空調(diào) 的工作機(jī)理和中央空調(diào)的大滯后、大慣性的特性，介紹了適合過(guò)程控制的模糊控制理論，并給出了BP神經(jīng)網(wǎng)絡(luò)PID控制器的具體設(shè)計(jì)方法。通過(guò)仿真表明BP神經(jīng)網(wǎng)絡(luò)PID控制可以較好的實(shí)現(xiàn)控制要求。關(guān)鍵詞：中央溫度控制； BP神經(jīng)網(wǎng)絡(luò)； PID控制器； 仿真研究1.1 引言空調(diào)是現(xiàn)代化樓宇中不可缺少的一部分，隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展和城市化進(jìn)程的不斷推進(jìn)，中央空調(diào)的應(yīng)用

2、會(huì)越來(lái)越廣泛。但是中央空調(diào)的能耗非常大，約占整個(gè)建筑的總用電量的 60%70%。降低空調(diào)循環(huán)水系統(tǒng)的輸配電耗，對(duì)于降低中央空調(diào)系統(tǒng)全年的運(yùn)行能耗具有十分重要的現(xiàn)實(shí)意義。隨著中央空調(diào)的發(fā)展和對(duì)其研究的深入，出現(xiàn)了眾多的冷水系統(tǒng)變流量調(diào)節(jié)方法。其中，變流量變頻控制技術(shù)得到大力發(fā)展，對(duì)冷水機(jī)組水泵的智能化控制起到了極大的推動(dòng)作用，使中央空調(diào)的冷水機(jī)組的高精確度控制成為可能。常見(jiàn)的中央空調(diào)系統(tǒng)主要由制冷機(jī)組、冷卻水循環(huán)系統(tǒng)、冷凍水循環(huán)系統(tǒng)、風(fēng)機(jī)盤(pán)管系統(tǒng)和散熱塔組成，采用變頻調(diào)速技術(shù)不僅能基本保持室溫恒定，讓人感覺(jué)舒適，更重要的是其平均節(jié)能效果高達(dá)30以上，所以采用變頻調(diào)速技術(shù)自然是最佳選擇。中央空調(diào)的

3、溫度控制是一個(gè)非線性、時(shí)變、大滯后與多變量耦合的復(fù)雜對(duì)象，常規(guī)PID控制這一類對(duì)象的控制效果并不是很理想。針對(duì)這種情況，本文在常規(guī)PID控制器的基礎(chǔ)上結(jié)合BP神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)性能的學(xué)習(xí)找到能使系統(tǒng)性能達(dá)到最佳的PID控制參數(shù)，并將其直接送給常規(guī)PID控制器，從而得到基于BP （backpropagation） 神經(jīng)網(wǎng)絡(luò)整定的PID控制器。1 BP神經(jīng)網(wǎng)絡(luò)PID控制器的總體設(shè)計(jì)PID控制要取得好的控制效果 ，關(guān)鍵就看比例 、積分和微分三種控制作用的調(diào)節(jié)，如何調(diào)整好這三者的關(guān)系成為一個(gè)問(wèn)題，而神經(jīng)網(wǎng)絡(luò)具有的任意線性表達(dá)能力，通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID控制。基于BP（

4、back propagation）神經(jīng)網(wǎng)圖1基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器結(jié)構(gòu)框圖絡(luò)整定的PID控制器由經(jīng)典增量式數(shù)字PID控制器和BP神經(jīng)網(wǎng)絡(luò)兩部分組成， 通過(guò)BP神經(jīng)網(wǎng)絡(luò)的超強(qiáng)的自學(xué)習(xí)和非線性逼近能力在線調(diào)整PID控制器參數(shù)7,8。 基于BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖1所示。經(jīng)典增量式PID控制器直接對(duì)被控對(duì)象進(jìn)行閉環(huán)控制， 在線整定參數(shù)Kp、 Ki、 Kd。 經(jīng)典增量式數(shù)字PID的控制算法為：u(k)=u(k-1) +Kp(error (k) -error (k -1) +Ki(error (k) +Kd(error(k)-2error(k-1)+error(k-2) （1） 式中

5、：Kp、Ki、Kd分別為比例、積分、微分系數(shù)。BP神經(jīng)網(wǎng)絡(luò)用來(lái)在系統(tǒng)運(yùn)行時(shí)對(duì)PID控制器的參數(shù)進(jìn)行實(shí)時(shí)調(diào)整從而使某種性能指標(biāo)達(dá)到最優(yōu)化。兩者有機(jī)結(jié)合，大大增加了系統(tǒng)的魯棒性，實(shí)現(xiàn)高性能的控制。2基于BP神經(jīng)網(wǎng)絡(luò)PID控制算法根據(jù)系統(tǒng)的運(yùn)行狀態(tài)調(diào)節(jié)PID控制器的參數(shù)， 以期達(dá)到某種性能指標(biāo)的最優(yōu)化， 使輸出層神經(jīng)元的輸出狀態(tài)對(duì)應(yīng)于PID控制器的三個(gè)可調(diào)參數(shù)Kp、Ki、Kd，通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、加權(quán)系數(shù)調(diào)整，使神經(jīng)網(wǎng)絡(luò)輸出對(duì)應(yīng)于某種最優(yōu)控制下的PID控制器參數(shù)。本文采用的是三層BP網(wǎng)絡(luò)，其結(jié)構(gòu)選為4-5-3結(jié)構(gòu)，輸入層神經(jīng)元的個(gè)數(shù)取為4個(gè)，分別是輸入r、輸出y、誤差e、和單位l，隱含層神經(jīng)元取為

6、5個(gè)；輸出神經(jīng)元為3個(gè)，分別是Kp、 Ki、 Kd 912。三層BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)圖整體控制算法流程圖如圖3所示：圖3 控制算法流程圖2.1前向算法神經(jīng)網(wǎng)絡(luò)的輸入層為： （2）神經(jīng)網(wǎng)絡(luò)的隱含層的輸入輸出為： （3）式中：wij(2)為隱含層的加權(quán)系數(shù)，上角標(biāo)(1)、(2)、(3)分別代表輸入層、隱含層和輸出層。隱含層神經(jīng)元的激活函數(shù)： 神經(jīng)網(wǎng)絡(luò)輸出層的輸入輸出為： （4）輸出層輸出節(jié)點(diǎn)分別對(duì)應(yīng)三個(gè)可調(diào)參數(shù)Kp、 Ki、 Kd，由于Kp、 Ki、 Kd不能為負(fù)值， 所以輸出層神經(jīng)元的激活函數(shù)為：2.2反傳算法選取性能指標(biāo)函數(shù)為：按照梯度下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)， 即按E (

7、k)對(duì)加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整， 并附加一個(gè)是搜索快速收斂的全局極小的慣性項(xiàng)： （5）式中： 為學(xué)習(xí)效率； 為慣性系數(shù)。 （6）未知，在此近似用符號(hào)函數(shù)取代，由此帶來(lái)的計(jì)算不精確 的影響可以通過(guò)調(diào)整學(xué)習(xí)速率來(lái)補(bǔ)償。由式1和式4可以求得： （7）由上述分析可得網(wǎng)絡(luò)輸出層的學(xué)習(xí)算法為： （8） 同理可得隱含層加權(quán)系數(shù)的學(xué)習(xí)算法： （9）式8和式9中：g'(x)=g(x)(1-g(x)；f'(x)=(1-f2(x)/2。該控制器控制算法歸納如下：1) 確定BP網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入層節(jié)點(diǎn)數(shù)M和隱含層節(jié)點(diǎn)數(shù)Q，并給出各層加權(quán)系數(shù)的初值wij(1)(0)和wij (2)(0)，選定學(xué)

8、習(xí)速率和慣性系數(shù)，令k=1；2) 采樣得到rin(k)和yout(k)，計(jì)算該時(shí)刻誤差error(k)=rin(k)-yout(k)；3) 計(jì)算神經(jīng)網(wǎng)絡(luò)NN各層神經(jīng)元的輸入 、 輸出 ，NN輸出層的輸出即為PID控制器的三個(gè)可調(diào)參數(shù) Kp、Ki、Kd；4) 計(jì)算PID控制器的輸出u(k)；5) 進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) ， 在線調(diào)整加權(quán)系數(shù)和 ，實(shí)現(xiàn)PID控制參數(shù)的自適應(yīng)調(diào)整；6) 置k=k+1， 返回到步驟2。3仿真研究設(shè)被控對(duì)象的近似數(shù)學(xué)模型為：神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇，學(xué)習(xí)速度=0.28和慣性系數(shù)=0.04，加權(quán)系數(shù)初始取區(qū)間-0.5,0.5上的隨機(jī)數(shù)。輸入指令信號(hào)分為兩種：取S=1時(shí)為階躍跟蹤，S=

9、2時(shí)為正弦跟蹤，初始權(quán)值取隨機(jī)值，運(yùn)行穩(wěn)定后用穩(wěn)定權(quán)值代替隨機(jī)值。其跟蹤結(jié)果和相應(yīng)的曲線如圖3.1圖3.8所示。圖3.1 二次型性能指標(biāo)學(xué)習(xí)單神經(jīng)元自適應(yīng)PID位置跟蹤圖3.2 單神經(jīng)元PID控制過(guò)程中權(quán)值變化 圖3.3 階躍響應(yīng)曲線（S=1） 圖3.4 跟蹤誤差曲線圖3.5 參數(shù)自適應(yīng)整定曲線由于可調(diào)參數(shù) ， ， ，均取非負(fù)的Sigmoid函數(shù)，其值在（0,1）之間，使得本算法的應(yīng)用具有局限性，可以根據(jù)需要進(jìn)行改進(jìn)21。圖3.6 正弦跟蹤曲線（S=2）圖3.7 跟蹤誤差曲線圖3.8 自適應(yīng)整定曲線4結(jié)束語(yǔ)中央空調(diào)溫度控制系統(tǒng)為大遲延、大慣性、時(shí)變性和非線性的被控對(duì)象， 常規(guī)PID控制系統(tǒng)難以

10、保證控制品質(zhì)。 本文將BP神經(jīng)網(wǎng)絡(luò)和經(jīng)典增量式PID控制器相結(jié)合， 利用BP網(wǎng)絡(luò)超強(qiáng)的自學(xué)習(xí)和非線性逼近特性，設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)PID控制器， 并提出了基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法， 使得PID控制器能夠在線調(diào)整參數(shù)， 從而得到使系統(tǒng)性能最優(yōu)化的控制參數(shù)。 通過(guò)常規(guī)PID控制器調(diào)節(jié)曲線與基于BP神經(jīng)網(wǎng)絡(luò)整定的PID控制器調(diào)節(jié)曲線進(jìn)行比較可得， 神經(jīng)網(wǎng)絡(luò)整定的PID控制器控制效果理想， 其動(dòng)態(tài)過(guò)程超調(diào)量及過(guò)渡時(shí)間均較常規(guī)PID控制小， 具有結(jié)構(gòu)簡(jiǎn)單、 穩(wěn)態(tài)精度高、過(guò)渡時(shí)間短、 抗干擾能力強(qiáng)、 魯棒性好、 自適應(yīng)能力強(qiáng)等特點(diǎn)， 彌補(bǔ)了常規(guī)PID控制在中央空調(diào)溫度控制中參數(shù)整定難以及控制效果不理

11、想的不足， 將此應(yīng)用于中央空調(diào)溫度控制， 具有一定的推廣應(yīng)用價(jià)值。參考文獻(xiàn)1 Fathi Fourati, Mohamed Chtourou.A greenhouse control withfeed -forward and recurrent neural networks SimulationModelling Practice and Theory, 2007, 10161028.2 舒懷林. 基于PID 神經(jīng)網(wǎng)絡(luò)的非線性時(shí)變系統(tǒng)辨識(shí) J. 自動(dòng)化學(xué)報(bào), 2002, 28(3): 474476.3 王萬(wàn)召, 王增欣. BP神經(jīng)網(wǎng)絡(luò)PID控制器在汽溫控制中的用J. 自動(dòng)化儀表, 2006

12、, 27(12): 3133.4 Ho WK, Hong Y, Hansson A, Hjalmarsson H, Deng JW. Relayauto -tuning of PID controllers using iterative feedback tuningJ. Automatica. 2003, 39: 149157.5 Giulio DEmilia, Antonio Marra, Emanuela Natale.Use of neuralnetworks for quick and accurate auto -tuning of PID controllerJ. Robotics and Computer -Integrated Manufacturing, 2007,170179.6 Shen J-C. New tuning method for PID controller J. ISA Trans.2002, 41: 473484.7 劉金琨. 先進(jìn)PID控制及其MATLAB仿真M. 北京: 電子工業(yè)出版社, 2006: 96104.8 李萍, 趙虎, 孟麗霞, 等. 神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)PID控制器J.儀器儀表學(xué)