一种变风量布风器风阀的控制系统及其控制方法与流程

本发明涉及工业控制技术领域，具体地说，是一种变风量布风器风阀的控制系统及其控制方法。

背景技术：

近年来，国内外船舶行业正积极向低噪音、节能、环保、智能等方面进行技术改造。布风器作为常用的船用空调末端，在空调送风系统中起着终端散流作用，是一种节流型变风量末端装置。所谓变风量，就是具有自动调节风量功能，根据室内负荷变化自动匹配舱室内温度需求的送风量。随着变风量空调系统技术的发展以及全球节能意识的不断提高，变风量布风器作为新一代船舶配套产品的需求量激增。

变风量布风器的变风量控制系统是保证自动变风量送风的关键环节。对于变风量控制系统的研究，上海江森自控有限公司采用比例带自适应和模式识别自适应的控制算法，西门子和约克公司则直接采用pid控制，而霍尼韦尔采用pid控制和自适应控制方式。上海交通大学陈炯德等人提出一种用于变风量(vav)系统的非线性模型预测控制，该控制方式采用具有外部输入的非线性自回归网络(narx)和粒子群优化算法(pso),narx旨在预测vav系统的受控参数(室温)，pso作为优化器，以获得vav系统最优控制变量。

bp神经网络作为一种具有较强的非线性映射能力和柔性的网络结构，主要应用于函数逼近,模式识别,分类应用,数据压缩等方面。北京科技大学贾超基于神经网络对多模式自适应控制方法进行研究，并提出一种基于oem-elm神经网络自适应控制器，对被控对象参数突变具有较好的适应性，系统的瞬态误差得到较好的控制。所以可以看出bp神经网络预测模型在实际生产过程中具有较高的实际应用价值。

因此，对变风量布风器风阀的控制系统改进和优化，是为了能够保证变风量送风更加平稳，提高设备自动化程度、降低设备损耗、降低能耗。对推动国产布风器产品发展具有重要意义。

技术实现要素：

针对现有技术中变风量布风器变风量控制系统中存在的问题，本发明提供一种基于bp神经网络的风阀控制系统及其控制方法。

本发明所采用的具体技术方案如下：

一种变风量布风器风阀的控制系统，包括变风量布风器风量调节阀门、阀门执行器、基于bp神经网络的主控制器、数据采集器、用户操作面板，用户操作面板设定温度的信号与主控制器的输入端连接，数据采集器采集室温和布风器入口处静压，采集到的数据通过不同的传感器与主控制器的输入端连接，主控制器的输出端与阀门执行器的输入端连接。

在上述技术方案中，基于bp神经网络的主控制器包括bp神经网络预测控制模块和比例调节控制模块；数据采集器包括温度传感器和压力传感器。

在上述技术方案中，bp神经网络预测控制模块为双输入单输出模块；设定风阀开度动作的神经网络模型两个输入分别是风管内静压u和需求风量v，一个输出为阀门开度y，建立的风阀开度动作的数学模型如下：

y＝f(f([u，v][w1(i)，w2(j)，w3(k)]))(1)

式(1)中，m为输入层的神经元数量，k为输出层的神经元数量，

上述模型输出值是采用负梯度下降方式不断修正输出值，误差函数计算公式为：

式(2)中，rk(n)为期望输出值，yk(n)为实际输出值。

一种变风量布风器风阀的控制系统的控制方法，具体步骤如下：

步骤一、数据采集器实时采集室温、用户操作面板设定温度以及布风器入口处静压，输入到主控制器；

步骤二、输入的温度信号在主控制器内转换为风量信号；

步骤三、数据传递给主控制器，首先在存储单元内匹配工况，匹配成功则进行步骤五，否则进行步骤四在线建模学习；

步骤四、bp神经网络预测模型模块根据输入数据对风阀开度动作的神经网络模型进行建模训练，并建立相应的输入-输出映射；

步骤五、主控制器将经过bp神经网络模型模块优化后的控制参数输出到比例调节控制模块，进而控制阀门执行器动作，实现自动变风量。

上述步骤二中的温度信号包括采集到的室温和用户操作面板设定温度。

上述步骤三中的控制方法具有在线建模学习和离线匹配工况两种功能，其中匹配工况为出厂试验的样本数据所构建的预测模型，经训练学习后存储在主控制器内。

上述步骤四包括以下流程：

a1、bp神经网络预测模型模块计算是依据数据采集器获得的数据进行建立数学模型，学习是依据用户操作面板设定温度对建模进行有效性验证；

a2、bp神经网络预测模型模块依据验证结果对模块建立的非线性模型进行修正优化；

a3、bp神经网络预测模型模块将优化结果存储到主控制器的存储单元。

步骤四中风阀开度动作包括风阀正向动作和风阀反向动作。

本发明的有益效果：本发明提供一种用于变风量布风器风阀开度的控制系统及其控制方法,与现有技术相比，充分利用了先进的控制理论、神经网络、预测控制、智能算法等，对变风量布风器风阀的控制系统实现监测、建模、控制，优化、管理和决策，避免由于温度波动因素的风阀频繁动作，达到自动变风量的目的，对于提高用户舒适度、降低能耗有非常重要意义。

附图说明

图1是本发明中控制系统的系统框图。

图2是本发明中控制方法的原理图。

图3是本发明中控制方法的bp神经网络结构图。

图4是本发明中网络模型阀门开度40％对实际风量的预测结果图。

图5是本发明中网络模型阀门开度40％对实际风量的预测误差图。

图6是本发明中网络模型阀门开度65％对实际风量的预测结果图。

图7是本发明中网络模型阀门开度65％对实际风量的预测误差图。

具体实施方式

为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

本发明针对变风量布风器风阀的控制系统，变风量风阀调节是控制系统的关键。传统的反馈控制调节响应速度慢，阀门执行器频繁动作。通过对变风量原理的分析，本发明应用bp神经网络预测模型，根据采集的室温和布风器入口处静压，建立温度和静压与阀门开度的非线性模型。根据建立的神经网络模型，应用优化算法，对输出的阀门开度寻优，得到该工况下最优值，并标定为控制器的设定值，控制阀门执行器动作，实现自动变风量。

图1是本发明变风量布风器风阀的控制系统框图，包括风量调节阀门、阀门执行器、用户操作面板、数据采集器、基于bp神经网络的主控制器(bp神经网络预测模型模块和比例调节控制模块)。数据采集器与主控制器的输入端连接，主控制器的输出端分别与阀门执行器和用户操作面板连接。

系统的工作过程为：由数据采集器测得室温，经主控制器内转换为风量传递给bp神经网络预测模型模块；由布风器入口处压力传感器测得管道内静压，并将静压信号传递给bp神经网络预测模型模块。主控制器将需求风量和静压信号作为两个输入端，经过神经网络建模计算后首先判断是阀门调节方向，选择正行程或反行程模型，预测得出阀门开度，反馈到主控制器并向阀门执行器发出指令，阀门执行器接受控制器指令后直接移动到预测阀门开度的位置，最终达到自动变风量的目的。

图2是本发明变风量布风器风阀的控制方法原理图。其工作原理为：比例调节控制模块主要用于接受数据采集器的数据、建立阀门执行器的动作过程和校正。bp神经网络预测模型模块将接收到的风量和静压样本数据，运用神经网络学习算法建立非线性数学模型并进行仿真；通过对比用户操作面板设定温度完成神经网络的计算学习，随后将样本数据反馈给比例调节控制模块进行修正。

进一步地，所述bp神经网络预测模型为双输入单输出模型；

风阀开度动作的神经网络模型两个输入分别是风管内静压u和需求风量v，一个输出为阀门开度y。建立的风阀开度动作的数学模型如下：

y＝f(f([u，v][w1(i)，w2(j)，w3(k)]))(1)

式(1)中，m为输入层的神经元数量，k为输出层的神经元数量，

上述模型输出值是采用负梯度下降方式不断修正输出值，误差函数计算公式为：

式(2)中，rk(n)为期望输出值，yk(n)为实际输出值。

上述的布风器自动变风量的控制方法，具体步骤包括：

1、数据采集器实时采集室温、用户操作面板设定温度以及布风器入口处静压，输入到主控制器；

2、输入的温度信号在主控制器内转换为风量信号；

3、数据传递给主控制器，首先在存储单元内匹配预置工况，匹配成功则进行步骤5；否则进行步骤4在线建模学习；

4、bp神经网络预测模型模块根据输入数据对风阀开度动作的神经网络模型进行建模训练，并建立相应的输入-输出映射；

5、主控制器将经过bp神经网络模型模块优化后的控制参数输出到比例调节控制模块，进而控制阀门执行器动作，实现自动变风量。

进一步地，所述步骤2中的温度信号包括采集到的室温和用户操作面板设定温度。

进一步地，本控制方法具有在线建模学习和离线匹配工况两种功能。所述步骤3中的匹配工况为出厂试验的样本数据所构建的预测模型，经训练学习后存储在主控制器内。

进一步地，所述步骤4包括：

a1、bp神经网络预测模型模块计算是依据数据采集器获得的数据进行建立数学模型，通过用户操作面板设定温度对建模进行有效性验证并学习；

a2、bp神经网络预测模型模块依据验证结果对模块建立的非线性模型进行修正优化；

a3、bp神经网络预测模型模块将优化结果存储到主控制器的存储单元。

进一步地，所述步骤4中的风阀开度动作包括风阀正向动作和风阀反向动作。

实施例：

通过公式(1)和公式(2)的函数和试验采集的数据，对建立的双输入单输出神经网络预测模型进行风阀正向动作和反向动作训练，训练后的网络结构的各连接权值和阈值计算结果如下表所示。

训练后的神经网络各神经元连接权值和阈值

根据不同给定静压指令下，应用上述神经元连接权值和阈值，当输入需求风量呈现阶跃变化，网络模型对实际风量的预测结果如图4-图7所示。

风阀开度一定时，静压越大，预测误差越大；静压越小，预测误差越小。而在船用布风器日常使用过程中，小静压小流量工况的使用占比大，在大部分情况下模型都会具有很好的预测效果。误差计算结果表明，实际神经网络输出与期望输出跟随效果良好，平均误差在5％以内。

本系统提供的变风量布风器风阀的控制系统及其控制方法可以对市场上现有变风量布风器的变风量控制系统进行优化设计和改造，提高布风器的自动化程度，对改善舱室内居住的舒适度、降低设备能耗有着重要意义。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除