基于神經(jīng)網(wǎng)絡(luò)PID控制器的組合式空調(diào)機(jī)組溫度控制方法

摘 要：組合式空調(diào)機(jī)組運(yùn)行過(guò)程中，具有大遲延和大慣性的特性，這意味著單一控制系統(tǒng)對(duì)控制信號(hào)的響應(yīng)存在明顯的延遲和滯后。因此，提出了基于神經(jīng)網(wǎng)絡(luò)PID控制器的組合式空調(diào)機(jī)組溫度控制方法。分析組合式空調(diào)機(jī)組溫度階躍響應(yīng)變化，以分析結(jié)果為基礎(chǔ)，借助動(dòng)態(tài)矩陣分析歷史溫度數(shù)據(jù)，預(yù)測(cè)未來(lái)時(shí)刻空調(diào)機(jī)組輸出溫度，為溫度控制提供依據(jù)。結(jié)合BP神經(jīng)網(wǎng)絡(luò)和PID調(diào)節(jié)器，搭建具有參數(shù)自適應(yīng)整定性能的神經(jīng)網(wǎng)絡(luò)PID控制器。通過(guò)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)不斷調(diào)整控制參數(shù)，最終實(shí)現(xiàn)高質(zhì)量的空調(diào)機(jī)組溫度控制。實(shí)驗(yàn)結(jié)果表明：該方法溫度控制結(jié)果表現(xiàn)出的超調(diào)量總是不大于0.6%，極大提高了溫度控制過(guò)程的穩(wěn)定性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；PID控制器；組合式空調(diào)機(jī)組；溫度控制；參數(shù)整定

中圖分類(lèi)號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A

A Temperature Control Method for Combined Air Conditioning

Units Based on Neural Network PID Controller

ZHANG Yinzhou

（Beijing Yongxinjiacheng Engineering Technology Co.， Ltd.，Beijing 100043，China）

Abstract：During the operation of a modular air conditioning unit， it has the characteristics of large delay and inertia， which means that there is a significant delay and lag in the response of a single control system to control signals. Therefore， a combined air conditioning unit temperature control method based on neural network PID controller is proposed. Analyze the temperature step response changes of the combined air conditioning unit. Based on the analysis results， using dynamic matrix to analyze historical temperature data， predict the output temperature of the air conditioning unit at future times， and provide a basis for temperature control. Build a neural network PID controller with parameter adaptive tuning performance by combining BP neural network and PID controller. By continuously adjusting control parameters through self learning of neural networks， high quality temperature control of air conditioning units is ultimately achieved. The experimental results show that the overshoot exhibited by this method in temperature control is always not greaterthan 0.6%， greatly improving the stability of the temperature control process.

Key words：BP neural network; PID controller; combination air conditioning unit; temperature control; parameter tuning

組合式空調(diào)機(jī)組近年來(lái)在大型商業(yè)建筑、辦公樓、醫(yī)院及數(shù)據(jù)中心等場(chǎng)所得到廣泛應(yīng)用，實(shí)現(xiàn)了對(duì)室內(nèi)環(huán)境舒適度與空氣質(zhì)量的維持。但組合式空調(diào)機(jī)組溫度控制是一個(gè)復(fù)雜的系統(tǒng)工程，涉及多變量、強(qiáng)耦合、非線性和時(shí)變等特性，其在高效運(yùn)行過(guò)程中，需要具備精準(zhǔn)的溫度控制能力，以確保輸出溫度符合預(yù)期要求。尤其在人們對(duì)室內(nèi)環(huán)境要求不斷提高的背景下，組合式空調(diào)機(jī)組的溫度控制方法成為一項(xiàng)重要研究課題。鄒宇航等提出基于模型預(yù)測(cè)控制的溫度控制方法[1]，依托于等效電路法預(yù)測(cè)機(jī)組未來(lái)溫度變化，并將其看作目標(biāo)函數(shù)輸入基于遺傳算法的溫度控制模型，通過(guò)粒子群優(yōu)化算法求解最佳控制參數(shù)，完成空調(diào)溫度優(yōu)化調(diào)整。但是，在參數(shù)變化或外部干擾的情況下，最終表現(xiàn)出的控制效果不穩(wěn)定，說(shuō)明該方法魯棒性較差。楊世忠等提出基于改進(jìn)入侵雜草算法的控制方法[2]，面向空調(diào)機(jī)組的運(yùn)行原理進(jìn)行建模，在此基礎(chǔ)上給出基于模糊控制器的溫度控制模型，并結(jié)合螢火蟲(chóng)群算法和雜草優(yōu)化算法，求解得到最優(yōu)溫度控制參數(shù)。通過(guò)測(cè)試研究可知，入侵雜草算法能夠迅速搶占生存空間并完成生物入侵，但在小范圍搜索上可能不夠精細(xì)，導(dǎo)致其無(wú)法滿足高精度溫度控制要求。譚心等提出基于ANFIS（自適應(yīng)神經(jīng)模糊推理系統(tǒng)）的溫度控制方法[3]，充分考慮空調(diào)機(jī)組的溫度響應(yīng)特性，建立復(fù)雜的系統(tǒng)運(yùn)行數(shù)學(xué)模型，以此為基礎(chǔ)構(gòu)建自適應(yīng)模糊控制模型，通過(guò)該模型生成并執(zhí)行有效模糊規(guī)則，實(shí)現(xiàn)對(duì)機(jī)組輸出溫度控制。但是，ANFIS模型的性能高度依賴于歷史訓(xùn)練數(shù)據(jù)，其泛化能力可能受到限制，當(dāng)供暖系統(tǒng)的運(yùn)行環(huán)境發(fā)生較大變化時(shí)，模型可能無(wú)法控制溫度變化滿足期望要求。Yao等提出基于Q學(xué)習(xí)的溫度控制方法[4]，運(yùn)用變域模糊PID算法，設(shè)計(jì)一種用于調(diào)整溫度的智能控制算法，并引入Q學(xué)習(xí)方法整定控制參數(shù)，改變控制指令得到最終溫度控制效果。但是，變域模糊PID控制方法中的模糊控制規(guī)則是根據(jù)專(zhuān)家經(jīng)驗(yàn)或試錯(cuò)法確定的，這可能導(dǎo)致規(guī)則的不完整或不合理，從而導(dǎo)致溫度控制結(jié)果出現(xiàn)較大的超調(diào)量。

為了克服現(xiàn)有控制方法的缺點(diǎn)，探討基于神經(jīng)網(wǎng)絡(luò)PID控制器的組合式空調(diào)機(jī)組溫度控制新方法，將具有強(qiáng)大自學(xué)習(xí)能力的BP神經(jīng)網(wǎng)絡(luò)添加到控制器拓?fù)浣Y(jié)構(gòu)中，實(shí)現(xiàn)對(duì)控制參數(shù)的動(dòng)態(tài)優(yōu)化，從而提高系統(tǒng)的控制精度和魯棒性。

1 組合式空調(diào)機(jī)組溫度控制方法設(shè)計(jì)

1.1 建立組合式空調(diào)機(jī)組溫度響應(yīng)變化分析

組合式空調(diào)機(jī)組運(yùn)行過(guò)程中，控制冷水閥開(kāi)度發(fā)生階躍變化 ，機(jī)組輸出溫度也會(huì)發(fā)生不同的響應(yīng)變化[5]。為了更好地了解機(jī)組溫度響應(yīng)特點(diǎn)，設(shè)置冷水閥開(kāi)度從50%不斷增加至70%，該過(guò)程中時(shí)刻記錄機(jī)組輸出溫度數(shù)據(jù)，繪制出圖1所示的溫度階躍響應(yīng)曲線。

圖1中，a表示冷水閥開(kāi)度階躍調(diào)整時(shí)刻，b表示慣性時(shí)間常數(shù)。

根據(jù)組合式空調(diào)機(jī)組在目標(biāo)時(shí)刻的溫度階躍響應(yīng)數(shù)據(jù)，可以反向推理出機(jī)組內(nèi)冷水閥開(kāi)度參數(shù)，以及送風(fēng)溫度變化參數(shù)[6]。根據(jù)這一原理，可以將溫度階躍響應(yīng)過(guò)程增益表示為：

K=ΔcΔs（1）

式中，K表示過(guò)程增益，Δc表示組合式空調(diào)機(jī)組輸出送風(fēng)溫度變化值，Δs表示冷水閥開(kāi)度變化值。

找到階躍響應(yīng)曲線的拐點(diǎn)，并從該點(diǎn)引出切線，切線與曲線之間相交的時(shí)間就是純滯后時(shí)間[7]。將這一概念引入到組合式空調(diào)機(jī)組溫度響應(yīng)變化分析過(guò)程中，可以構(gòu)造出式（2）所示的傳遞函數(shù)。

G（s）=Ke－adab+1 （2）

式中，G表示溫度傳遞函數(shù)，s表示復(fù)參數(shù)，d表示積分算子，e表示底數(shù)函數(shù)。

1.2 搭建神經(jīng)網(wǎng)絡(luò)PID溫度控制器

在機(jī)組溫度控制過(guò)程中，運(yùn)用PID控制技術(shù)設(shè)計(jì)智能調(diào)節(jié)器，通過(guò)比例控制參數(shù)、積分控制參數(shù)和微分控制參數(shù)，動(dòng)態(tài)調(diào)整組合式空調(diào)機(jī)組溫度[8]。為了提升最終溫度控制效果，將BP神經(jīng)網(wǎng)絡(luò)引入其中，設(shè)計(jì)圖2所示的神經(jīng)網(wǎng)絡(luò)PID溫度控制器結(jié)構(gòu)。

如圖2所示，神經(jīng)網(wǎng)絡(luò)PID控制器包含兩個(gè)核心組成模塊，通過(guò)神經(jīng)網(wǎng)絡(luò)優(yōu)越的自學(xué)習(xí)能力在線調(diào)整控制參數(shù)[9]，可以確保調(diào)節(jié)器輸出誤差最小，取得最優(yōu)閉環(huán)控制效果。

應(yīng)用神經(jīng)網(wǎng)絡(luò)PID控制器針對(duì)組合式空調(diào)機(jī)組溫度展開(kāi)增量式智能控制時(shí)，具體的控制算法可以表示為：

u（η）=u（η－1）+K1［E（η）－E（η－1）］+K2E（η）+K3［E（η）－2E（η－1）+E（η－2）］ （3）

式中，u表示調(diào)節(jié)器輸出變量，η表示控制時(shí)間，E表示誤差變化值，K1表示比例控制系數(shù)，K2、K3分別表示積分和微分控制系數(shù)。

1.3 獲取最優(yōu)空調(diào)機(jī)組溫度控制結(jié)果

依托神經(jīng)網(wǎng)絡(luò)PID控制器實(shí)現(xiàn)空調(diào)機(jī)組溫度控制時(shí)，想要獲得最優(yōu)控制結(jié)果，需要不斷運(yùn)用圖3所示的BP神經(jīng)網(wǎng)絡(luò)整定控制參數(shù)。

如圖3所示，BP神經(jīng)網(wǎng)絡(luò)的輸入信息包括控制器輸入量、控制器輸出量、誤差變量值三類(lèi)數(shù)據(jù)，這些信息進(jìn)入輸入層神經(jīng)元后，統(tǒng)一完成歸一化處理，再轉(zhuǎn)移到隱含層內(nèi)，借助Sigmoid激活函數(shù)完成學(xué)習(xí)[10]，最終輸出優(yōu)化調(diào)整后的控制參數(shù)取值。該神經(jīng)網(wǎng)絡(luò)的輸入和輸出結(jié)果分別可以表示為：

x=φ（η），u（η），E（η） （4）

Oo=exp （wo×λo）exp （wo×λo）+exp （－wo×λo）（5）

式中，x表示神經(jīng)網(wǎng)絡(luò)輸入信號(hào)[11]，φ表示當(dāng)前輸入值，O表示神經(jīng)網(wǎng)絡(luò)輸出信號(hào)，o表示輸出層神經(jīng)元，w表示權(quán)重，λ表示隱層神經(jīng)元輸出，exp 表示自然指數(shù)函數(shù)。

依靠控制器中的BP神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí)和運(yùn)算，獲取不同時(shí)刻最優(yōu)PID控制參數(shù)，用其替換原有控制參數(shù)，使得控制器發(fā)揮最優(yōu)組合式空調(diào)機(jī)組溫度控制效果。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)準(zhǔn)備

通過(guò)探索分析得到基于神經(jīng)網(wǎng)絡(luò)PID控制器的溫度控制新方法后，為了驗(yàn)證該方法在現(xiàn)實(shí)工作場(chǎng)景內(nèi)的應(yīng)用效果，準(zhǔn)備一個(gè)包含過(guò)濾段、機(jī)械制冷+蒸發(fā)冷凝段等結(jié)構(gòu)的組合式空調(diào)機(jī)組，完成一系列機(jī)組溫度控制實(shí)驗(yàn)。其中，組合式空調(diào)機(jī)組正常運(yùn)行狀態(tài)下設(shè)計(jì)風(fēng)量達(dá)到了20000 m3/h。

設(shè)定機(jī)組送風(fēng)溫度為17℃、14℃和16℃，分別應(yīng)用所提方法、模型預(yù)測(cè)控制方法、改進(jìn)入侵雜草算法完成的機(jī)組溫度控制，使其輸出溫度滿足目標(biāo)要求。其中，模型預(yù)測(cè)控制方法是首先根據(jù)機(jī)組的物理特性和工作原理，建立其數(shù)學(xué)模型，該模型應(yīng)準(zhǔn)確描述機(jī)組溫度與輸入控制量之間的關(guān)系。其次，利用建立的數(shù)學(xué)模型，根據(jù)當(dāng)前的控制輸入和機(jī)組狀態(tài)，預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的溫度變化趨勢(shì)。隨后，根據(jù)預(yù)測(cè)結(jié)果，通過(guò)優(yōu)化算法求解最優(yōu)的控制輸入，使機(jī)組溫度在未來(lái)某個(gè)時(shí)間點(diǎn)達(dá)到目標(biāo)值。最后，將實(shí)際溫度與預(yù)測(cè)溫度進(jìn)行比較，根據(jù)誤差調(diào)整模型參數(shù)和控制策略，實(shí)現(xiàn)閉環(huán)控制。改進(jìn)入侵雜草算法是首先在控制參數(shù)的搜索空間內(nèi)隨機(jī)生成一組初始解。其次，根據(jù)適應(yīng)度函數(shù)評(píng)估每個(gè)雜草的優(yōu)劣，并允許適應(yīng)度較高的雜草“生長(zhǎng)”，即生成新的解。隨后，在生長(zhǎng)過(guò)程中，引入競(jìng)爭(zhēng)機(jī)制，使適應(yīng)度較低的雜草被淘汰，從而保留更優(yōu)秀的解。重復(fù)上述生長(zhǎng)和競(jìng)爭(zhēng)過(guò)程，直到達(dá)到預(yù)定的迭代次數(shù)或滿足收斂條件。最終，輸出適應(yīng)度最高的解作為最優(yōu)控制策略。

2.2 控制參數(shù)變化曲線

依靠神經(jīng)網(wǎng)絡(luò)PID控制器，對(duì)組合式空調(diào)機(jī)組輸出溫度進(jìn)行控制時(shí)，需要不斷優(yōu)化控制參數(shù)。在網(wǎng)絡(luò)訓(xùn)練階段，深入觀察BP神經(jīng)網(wǎng)絡(luò)PID控制誤差變化，得到圖4所示的迭代曲線。

從圖4可以看出，在BP神經(jīng)網(wǎng)絡(luò)完成20次迭代學(xué)習(xí)后，控制器輸出誤差開(kāi)始無(wú)限逼近0，且呈現(xiàn)出穩(wěn)定狀態(tài)，證明此時(shí)BP神經(jīng)網(wǎng)絡(luò)PID控制器工作性能處于最佳狀態(tài)。

在溫度控制實(shí)驗(yàn)周期內(nèi)，通過(guò)訓(xùn)練好的網(wǎng)絡(luò)模型展開(kāi)自學(xué)習(xí)，在線調(diào)整PID控制參數(shù)，最終得到圖5所示的參數(shù)變化曲線。

將圖5所示的參數(shù)變化結(jié)果輸入到PID調(diào)節(jié)器中，生成合理的空調(diào)機(jī)組溫度控制指令。

2.3 空調(diào)機(jī)組溫度控制結(jié)果

依托于動(dòng)態(tài)優(yōu)化調(diào)整后的控制參數(shù)，實(shí)現(xiàn)對(duì)組合式空調(diào)機(jī)組輸出溫度的有效控制，最終在所提方法實(shí)施后。為了更全面地評(píng)估不同溫度控制方法的性能，還引入了調(diào)節(jié)時(shí)間作為另一個(gè)重要指標(biāo)。調(diào)節(jié)時(shí)間是指從系統(tǒng)開(kāi)始調(diào)節(jié)到達(dá)到預(yù)定溫度范圍所需的時(shí)間。同時(shí)，為了便于實(shí)驗(yàn)對(duì)比分析，觀察另外兩種現(xiàn)有溫度控制方法的應(yīng)用結(jié)果，空調(diào)機(jī)組輸出溫度變化曲線如圖6所示。

根據(jù)圖6顯示的溫度控制結(jié)果可知，三種控制方法的應(yīng)用均實(shí)現(xiàn)了對(duì)組合式空調(diào)機(jī)組溫度的有效控制，使得機(jī)組輸出溫度不斷貼近設(shè)定溫度，證明了這些溫度控制方法的可行性。通過(guò)對(duì)比分析，雖然三種方法都實(shí)現(xiàn)了對(duì)機(jī)組溫度的有效控制，但調(diào)節(jié)時(shí)間存在差異。所提方法的調(diào)節(jié)時(shí)間最短，表明其響應(yīng)速度最快，能迅速達(dá)到預(yù)定溫度。模型預(yù)測(cè)控制方法和改進(jìn)入侵雜草算法的調(diào)節(jié)時(shí)間則相對(duì)較長(zhǎng)，但也在可接受范圍內(nèi)。

2.4 控制方法性能對(duì)比

除此之外，為了更好地體現(xiàn)各方法溫度控制性能，針對(duì)圖7顯示的溫度控制結(jié)果進(jìn)一步分析，獲取各方法控制結(jié)果的超調(diào)量，并繪制出圖7。

從圖7可以看出，所提方法表現(xiàn)出的超調(diào)量為0.5%、0.4%和0.6%，相比另外兩種控制方法的實(shí)施效果，超調(diào)量表現(xiàn)出大幅度降低。這說(shuō)明以神經(jīng)網(wǎng)絡(luò)PID控制器為基礎(chǔ)的新方法，可以實(shí)現(xiàn)對(duì)空調(diào)機(jī)組輸出溫度的穩(wěn)定、精準(zhǔn)控制。

3 結(jié) 論

通過(guò)探索分析，開(kāi)發(fā)出基于神經(jīng)網(wǎng)絡(luò)PID控制器的組合式空調(diào)機(jī)組溫度控制方法。通過(guò)神經(jīng)網(wǎng)絡(luò)的非線性映射能力和PID控制器的穩(wěn)定性優(yōu)勢(shì)相結(jié)合，該方法克服了傳統(tǒng)控制策略在復(fù)雜環(huán)境中的局限性，將其應(yīng)用到組合式空調(diào)機(jī)組溫度控制領(lǐng)域，可以為用戶提供更加舒適、節(jié)能的室內(nèi)環(huán)境。

參考文獻(xiàn)

［１］ 鄒宇航，王明飛，張馨，等.基于模型預(yù)測(cè)控制的工廠化菇房空調(diào)調(diào)控方法[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2024，45（6）：98-105.

［2］ 楊世忠，逄鑠.基于改進(jìn)入侵雜草算法的空調(diào)送風(fēng)溫度控制[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，42（2）：250-256.

［3］ 譚心，吳林鋒，虞啟輝，等.基于ANFIS的太陽(yáng)能-空氣源熱泵供暖系統(tǒng)溫度控制研究[J].太陽(yáng)能學(xué)報(bào)，2024，45（2）：16-22.

［4］ YAO Y， MA N， WANG C， et al. Research and implementation of variable domain fuzzy PID intelligent control method based on Q learning for self driving in complex scenarios[J]. Mathematical Biosciences and Engineering， 2023， 20（3）： 6016-6029.

［5］ 苗凌童，盧翼.基于PID的大面積建筑室內(nèi)恒溫性自整定控制[J].計(jì)算機(jī)仿真，2023，40（12）：369-373.

［6］ 吳敏，翟力欣，李啟躍，等.灰色預(yù)測(cè)與模糊PID的恒溫水浴協(xié)同溫度控制[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（11）：123-129+137.

［7］ 劉華，錢(qián)明楊，吳奕，等.基于多聯(lián)機(jī)大數(shù)據(jù)的住宅空調(diào)設(shè)定溫度操作模式分析[J].建筑科學(xué)，2023，39（8）：134-142.

［8］ 祖一康，徐妙婧.基于單片機(jī)和PID算法的溫度智能控制系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2024，47（8）：83-89.

［9］ 王祝惠子. 基于多目標(biāo)數(shù)學(xué)建模的皮革機(jī)伺服系統(tǒng)控制優(yōu)化問(wèn)題研究[J]. 中國(guó)皮革，2023，52（12）：38-43，48.

［10］劉一銘，張運(yùn)楚，周燕菲，等. 基于改進(jìn)YOLOv5s的焦?fàn)t煙火識(shí)別算法[J]. 計(jì)算機(jī)測(cè)量與控制，2024，32（5）：186-192+200.

［11］王威，李少甫，吳昊，等.基于反向傳播神經(jīng)網(wǎng)絡(luò)PID的高功率微波爐溫度控制[J].強(qiáng)激光與粒子束，2024，36（1）：59-65.