CN102129259A - 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制***和方法 - Google Patents

Abstract

基于神经网络PI的砂尘环境试验风洞的智能温度控制***，其特征在于：(1)建立神经网络***结构，(2)神经网络参数的混合学习训练，(3)PI控制，(4)限幅处理。本发明把PI控制器和神经网络结合起来，利用神经网络的自适应，离线学习和在线学习的能力得出控制变量协调控制因子，有效的确定主控设备和辅控设备。然后再通过PI控制器进行对被控对象温度的协调有效控制，当PI控制器输出控制变量之后，再进行对被控变量利用S函数进行限幅处理，使控制变量最优化。本发明克服了现有技术在控制上协调性差的影响，提高了控制的可靠性与协调性，拓展了其应用范围，也可用于其它感应器输出信号的协调性控制。

Description

用于砂尘环境试验风洞的基于神经网络PI的智能温度控制***和方法

技术领域

本发明涉及一种应用于砂尘环境试验风洞的基于神经网络PI(比例积分)的智能温度控制***和方法，用于砂尘环境试验风洞温度的高精度与高可靠性控制。

背景技术

砂尘环境是引起许多工程和/或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。砂尘环境试验是分析，评价各种类型装备和仪器在沙漠或干旱地区风沙环境下的工作性能，可靠性，稳定性的重要手段。无论是在国军标，还是在其他各类标准中都对砂尘环境试验的温度标准做出了严格的规定。

由于现代科研和实际生产的需要，越来越多的地方都需要砂尘环境试验，同时又由于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采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***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

本发明的技术解决问题：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，提出了一种在砂尘环境试验风洞中的基于神经网络的PI的智能温度控制***和方法，实现了对温度控制的稳定性和协调性，在整个砂尘环境试验风洞的温度控制中有效地提高了温度控制的协调与精确性；同时拓展了其应用范围，且简单，易于实现。

根据本发明的一个方面，提供了一种PI(比例积分)环境模拟***的智能温度控制***，所述环境模拟***包括多个控制机构，其特征在于包括：

一个神经网络控制器，用于根据设置在所述环境模拟***中的风速感应器所测量得到的风速值，产生其输出；

PI控制器，用于根据设置在所述环境模拟***中的温度感应器所测量得到的温度值和所述神经网络控制器的输出，得到相应的粗略控制量。

根据本发明的一个进一步的方面，提供了一种环境模拟***的智能温度控制方法，所述环境模拟***包括多个控制机构，其特征在于包括：

根据设置在所述环境模拟***中的风速感应器所测量得到的风速值，产生一个神经网络控制器的输出；

利用PI控制器，根据设置在所述环境模拟***中的温度感应器所测量得到的温度值和所述神经网络控制器的输出，得到相应的粗略控制量。

附图说明

图1为本发明的砂尘环境试验风洞的总体流程图。

图2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3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4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5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6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***学习训练算法总体流程图。

图7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。

附图标记：

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       Z_cv：协调控制因子

v：风速值

101：温度感应器             102：PI控制器

103：循环冷却水调节阀       105：电加热器调功器

106：风速感应器             107：神经网络控制器

S601：判断差异是否超过定值  S602：BP离线学习

S603：遗传在线学习

具体实施方式

本发明的技术解决方案提供了一种用于砂尘环境风洞试验的基于神经网络的PI智能温度控制***，该温度控制***具有至少两个温度控制机构，其特点在于：

-首先，通过装在循环风道内的风速感应器将测量得到的风速值传递给神经网络控制器，神经网络控制器根据该风速值得出一个协调控制因子，并根据该协调控制因子把所述至少两个温度控制机构中的一个确定为主要控制机构，其余控制机构则被确定为辅助控制机构；

-之后，将这个协调控制因子和用循环风道内的温度感应器测量得到的温度值，传递给传统的PI控制器，在PI控制器内进行一系列变换操作，最终得到相应的粗略控制量；

-然后，将得到的粗略控制变量利用S函数进行相应的限幅处理，得出最终的精确控制量，然后传递给所述至少两个温度控制机构；

-被控机构进行控制量相对应的操作，调整电加热器的加热功率和调节循环冷却水流量，此时被控对象温度得到了相应的控制和改变；

-风洞内的温度感应器将测量值温度再次传送给PI控制器，以检验是否完成所要求的控制，如为所要求的温度值，则保持稳定，反之则继续前面步骤，直到达到要求为止。

在如图1-3所示的根据本发明的实施例中，所述两个温度控制机构包括包括一个电加热器调功器和一个循环冷却水调节阀。

进一步地讲，对于上述智能温度控制的要求，从本质上来讲，砂尘环境试验风洞的环境模拟***的温度的智能控制是一种受非线性和时变因素影响的动态模型，这样复杂的模型可采用非线性反馈线性化技术来设计控制规律。本发明将传统PI***与神经网络相结合构成基于神经网络的PI温度智能控制***，利用神经网络所具有的任意非线性表达能力，通过神经网络对被控机构进行有效协调，确定哪个控制机构为主控机构和哪个控制机构为辅助控制机构，得出一个协调控制因子，从而实现风洞内温度变化的协调控制，以期达到***性能指标的要求，如图3所示。传统的PI控制***具有设计简单、易于实现、可靠性高等优点，尤其适用于可建立精确数学模型的确定性控制***，其控制器的参数可根据被控对象的线性数学模型来整定。但当对象特性发生变化或运行工况发生改变时，控制品质将会下降，甚至影响控制***的正常运行。因此，本发明提出了，应用神经网络和传统PI控制器相结合的方式，利用神经网络在协调控制的基础上实现上述结合，利用神经网络实现确定协调控制，从而使PI控制器的可靠性和精度性得到保证。

根据本发明的一个实施例，所述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，产生第二粗略控制量，

所述智能温度控制***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，从而产生用于所述电加热器调功器控制机构105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，从而产生用于所述冷却水调节阀控制机构103的优化精细控制量。

根据本发明的一个实施例，第一限幅器108和第二限幅器110利用S函数进行所述限幅和优化处理。

如图4所示，根据本发明的一个实施例，应用于协调控制的协调控制因子的神经网络采用单隐层的三层网络结构。其中，第一层为输入层，第二层为隐含层，第三层为输出层。隐含层单元的变换函数是径向基函数形式，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，而隐含层空间到输出空间的映射是线性的，这样大大加快了之后的学习训练速度避免了局部的极小问题。

根据本发明的一个优选实施例，对于此神经网络，首先利用改进之后的BP学习算法调整该神经网络的权值参数进行离线学习过程的全局优化，然后利用遗传算法在线优化神经网络的权系数，使温度控制的协调控制因子在参数变化与外部干扰情况下具有良好的稳定度与精确度。

根据本发明的一个实施例的智能温度控制***包括一个混和学习算法模块(501)，其包括：

判断模块，用于判断所述温度误差(e_c)是否超过了一个预定值，

一个离线动态温度模型学习模块，用于在所述温度误差(e_c)超过了所述预定值时进行离线动态温度模型学习，从而利用BP算法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，

在线学习训练模块，用于在所述温度误差(e_c)不超过所述预定值时进行在线学习训练，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开始搜索，由适应度函数来指导搜索方向，最终获得最优权值参数。

图6显示了该优选实施例的流程，其中，从初始值之后，判断输入量的变化差异是否超过预定值(步骤S601)，即判断温度差值是否过大，是否超过一个界限值；如果超过界限值，则要进行模型的BP离线学习(步骤S602)；相反，如果温度差值未超过界限值(即风洞内热载荷变化幅度不是很大)，则进行在线学习训练(步骤S603)。通过上述流程，能够较好地得到风洞内温度控制的协调控制因子，使PI控制器能够有效的进行协调控制。

图7所示的，是根据本发明的一个实施例的BP离线学习训练算法的算法流程图。

以下，描述根据本发明的一个实施例的、用于温度环境模拟***(如试验风洞)的基于神经网络的PI智能温度控制***的一种具体布局：

(1)神经网络***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Sigmoid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(4)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e_c(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，e_c，1]，比起2个的输入向量的结构x＝[v，e_c]更符合实际的工作环境。

输入层神经元的输入输出函数为：

O_i＝x(i)                    (1)

式中，i为输入层神经元的个数，i＝1，2，3

2)隐含层隐含层的神经元的输入为：

${\mathrm{net}}_j\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{O}_i---\left(2\right)$

式中，w_ji为输入层到隐含层的权值

隐含层神经元的输出为：

O_j(k)＝f(net_j(k))           (3)

式中，j隐含层神经元的个数，f为隐含层的激活函数

隐含层的激活函数取正负对称的Sigmoid函数：

$f\left(x\right)=\tanh \left(x\right)=\frac{\exp \left(x\right)-\exp (-x)}{\exp \left(x\right)+\exp (-x)}---\left(4\right)$

3)输出层输出层的神经元的输入为：

${\mathrm{net}}_l\left(k\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{O}_j\left(k\right)---\left(5\right)$

式中，w_ij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，

$g\left(x\right)=\frac{1}{2}(1+\tanh \left(x\right))=\frac{\exp \left(x\right)}{\exp \left(x\right)+\exp (-x)}---\left(7\right)$

输出层的神经元的输出对应着协调控制因子Z_cv

(2)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BP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6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a，以减少过调量，更有利于离线的加速学习。如图7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(S702)，求出隐含层和输出层各单元的输出(S703)，求出期望输出与实际输出的偏差(S704)，对偏差值进行判断(S705)，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(S706)，并按误差函数的负梯度方向进行求解(S707)，之后对各层神经元的权系数进行修正(S708)，最终使期望的误差函数趋向最小。动量因子a是一个确定过去学习效果的加权因子，通常0＜a＜1，所对应的另一变化系数η的范围为0＜η＜0.5，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：

$J=E\left(k\right)=(Z_{\mathrm{cv}}^{\′}-Z_{\mathrm{cv}}^{\′\′})+\frac{1}{2}\mathrm{\Σ}[r\left(k\right)-y\left(k\right){]}^2---\left(8\right)$

最后得权值的修正计算公式为：

$\mathrm{\Δ}{W}_{\mathrm{ij},(j-i)p}^k=-\mathrm{\η}\left(k\right)\·{\mathrm{\δ}}_{\mathrm{ij}}\left(k\right)u_{(j-1)p}^k+a\left(k\right)\left[\mathrm{\Δ}{W}_{\mathrm{ij},(j-1)p}^k\right]---\left(9\right)$

${\mathrm{\δ}}_{\mathrm{ij}}\left(k\right)=u_{\mathrm{ij}}\left(k\right)[1-u_{\mathrm{ij}}\left(k\right)]\underset{p=1}{\overset{N(i-1)}{\mathrm{\Σ}}}{\mathrm{\δ}}_{(i-1)p}\·W_{\mathrm{ij},(i-1)p}^k--\left(10\right)$

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***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***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：

$P_i=\frac{q}{1-{(1-q)}^n}{(1-q)}^{r-1}---\left(11\right)$

其中：q为最佳个体的选择概率，r为个体的序列号，n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***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′_i＝X_i+(b_i-X_i)f(g)，r₁＜0.5

X′_i＝X_i-(X_i-a)f(g)，r₁≥0.5                    (12)

其中：

$f\left(g\right)={\left(r_2(1-\frac{g}{g_{\max }})\right)}^b---\left(13\right)$

r₁，r₂为[0，1]之间均匀随即变量，a_i，b_i分别是变量上、下限，g为当前优化代数，g_max为最大优化代数，b为衡量扰动程度的***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：

-给定神经网络的输入、输出集；

-确定网络权系数的编码方式，选定遗传操作，设置遗传参数；

-以设定的种群规模N，随即产生初始种群；

-译码种群中每一个***串，求得N组网络权系数，得到具有相同结构的N个网络；

-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；

-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；

-依据适应度在遗传空间进行选择操作；

-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；

-返回步骤4，直到满足性能要求，得到一组优化的权系数。

(3)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_t+K_ci∫(Z_cve_t)dt                        (14)

式中：

G_w：冷却水的质量流量    e_t：温差

K_cp：循环冷却水水流量控制器的比例系数

K_ci：循环冷却水水流量控制器的积分系数

K_cd：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：

Q_d＝K_tp(1-Z_cv)e_t+K_ti∫(1-Z_cv)e_tdt                  (15)

式中：

Q_d：电加热器加热功率

K_tp：电加热器控制器的比例系数

K_ti：电加热器控制器的积分系数

K_td：电加热器控制器的微分系数

(4)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。这里应用S型函数进行限幅的处理，S函数公式为：

${\mathrm{\λ}}_{\mathrm{cv}}=\frac{1}{1+e^{-\mathrm{av}}}---\left(16\right)$

由上述公式得限幅处理公式为：

f(u)＝u₂    u≥u₂

f(u)＝u*λ_cv    u₁≤u＜u₂

f(u)＝u₁    u＜u₁                    (17)

式中：

u：控制变量Q_d或G_w；

u₁，u₂：限幅阀值；

f(u)：经过限幅处理后的控制变量

总之，本发明的原理是：本发明提出了一种基于神经网络的PI的砂尘环境试验风洞的温度智能控制***。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***。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***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***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***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***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Sigmoid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开始搜索，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***的动态模型：

$M_t{c}_t\frac{{\mathrm{d\θ}}_t}{\mathrm{dt}}=k_h{n}_f^3+G_a{c}_a{(\mathrm{\θ}}_a-{\mathrm{\θ}}_t)-k_s{F}_s\·({\mathrm{\θ}}_t-{\mathrm{\θ}}_s)+Q_d-G_w{c}_w({\mathrm{\θ}}_t+\mathrm{\Δ}{\mathrm{\θ}}_{\mathrm{wo}}-{\mathrm{\θ}}_{\mathrm{wi}})---\left(18\right)$

M_t：循环风道内的当量金属质量    c_t：平均比热容

n_f ³：循环风道内的风机转速       k_h：比例系数

k_s：循环风道外表面的散热系数    F_s：散热面积

θ_s，θ_a，θ_t：环境温度         G_w：冷却水的质量流量

c_w，c_a：比热                    θ_wi：进口温度

Δθ_wo：冷却水的出口端差        G_a：循环风道辅助气流质量流量

Q_d：电加热器的加热功率

本发明的优点包括：

(1)采用神经网络和PI控制相结合的控制方法，利通过神经网络的非线性，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，以达到控制的协调性且实现简单。

(2)本发明可以用软件实现控制，补偿方式可在线调节，具有操作简单，成本低廉的特点。

(3)本发明的三层网络构成，具有很好的跟踪特性，而且***的抗干扰能力强，运行速度快，对于实时***具有很强的可行性和实用性。

(4)本发明的学习训练为从初始化之后，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，当差值进一步缩小，在限定值范围以内时，再进行在线学习，这种方式对于参数的学习训练有很好的避免振荡性和提高稳定性。

(5)本发明的控制信号经过PI控制器输出后，利用S函数进行必要的限幅处理，使控制输出信号进一步精确化，使控制的协调性更加稳定。

本发明的核心思想是利用神经网络控制具有很好的非线性映射，自学习能力等优点，将PI控制和神经网络有效的结合起来，利通过神经网络在输入信号进入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，以达到控制的协调性。同时采取一定的措施加快响应速度和提高抗干扰能力。使砂尘环境试验风洞的温度控制的协调性与可靠性得到了有效的提高，有效地改善了砂尘环境试验风洞内砂尘温度控制效果的同时加强了控制的协调性和稳定性。具体步骤如下：

(1)建立神经网络***结构

本***取常量1，温差，风速作为神经网络的输入变量，利通过神经网络的非线性，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。选择输入层节点数为3，隐层节点数为6，输出层节点数为1。

(2)神经网络参数的混合学习训练

只有训练后的神经网络才能得出最优的协调控制因子，本发明将利用动态模型，采用离线学习和在线学习训练相结合的模式，训练由步骤(1)得到的神经网络，得到协调控制因子。神经网络的训练过程式通过不断调整各层之间的权系数，使神经网络的输出为最优，使协调控制的效果最大化。

如图5所示，在进行神经元网络算法训练时，要预先进行判断模块，当温度差值超过规定界限值时，进行改进BP学习算法的离线学习训练，之后继续进行判断，直到温差在界定值范围以内时，再利用遗传算法进行在线调整，通过上述步骤(1)-(9)，使权值最优化。最后得出输出量协调控制因子，输出给PI控制器，进行有效，协调的控制。

(3)PI控制

将由步骤(1)，(2)得到的协调控制因子输入给PI控制器，结合PI控制器原理进行相应的控制策略操作，得出控制变量。

(4)限幅处理

当控制变量输出之后，应用公式(17)对其进行必要的限幅处理，这对在砂尘环境试验下风洞的温度控制起着精确化的作用。

应当理解的是，在以上叙述和说明中对本发明所进行的描述只是说明而非限定性的，且在不脱离如所附权利要求书所限定的本发明的前提下，可以对上述实施例进行各种改变、变形、和/或修正。

Claims (10)

1.一种PI环境模拟***的智能温度控制***，所述环境模拟***包括多个控制机构，其特征在于包括：

一个神经网络控制器(107)，用于根据设置在所述环境模拟***中的风速感应器所测量得到的风速值，产生其输出；

PI控制器(102、109)，用于根据设置在所述环境模拟***中的温度感应器所测量得到的温度值和所述神经网络控制器(107)的输出，得到相应的粗略控制量。

2.根据权利要求1所述的环境模拟***的智能温度控制***，其特征在于：

所述神经网络控制器(107)用于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所述至少两个温度控制机构中的一个确定为主要控制机构，并把所述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，

PI控制器用于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。

3.根据权利要求2所述的环境模拟***的智能温度控制***，其特征在于：

所述至少两个温度控制机构包括一个电加热器调功器控制机构(105)和一个冷却水调节阀控制机构(103)，

所述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，产生第二粗略控制量，

所述智能温度控制***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，从而产生用于所述电加热器调功器控制机构(105)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，从而产生用于所述冷却水调节阀控制机构(103)的优化精细控制量。

4.根据权利要求3所述的环境模拟***的智能温度控制***，其特征在于：

第一限幅器(108)和第二限幅器(110)利用S函数进行所述限幅和优化处理，

所述所述神经网络控制器(107)包括：

输入层，其包括对应风速值的输入、对应温度误差(e_c)的输入、对应常量1的输入，其中常量起一个干扰的作用，其输入模式向量为x＝[v，e_c，1]，

输入层神经元的输入输出函数为：

O_i＝x(i)(1)

式中，i为输入层神经元的个数，i＝1，2，3

隐含层，其神经元的输入为：

${\mathrm{net}}_j\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{O}_i---\left(2\right)$

式中，w_ji为输入层到隐含层的权值，且所述隐含层神经元的输出为：

O_j(k)＝f(net_j(k))                        (3)

式中，j隐含层神经元的个数，f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Sigmoid函数：

$f\left(x\right)=\tanh \left(x\right)=\frac{\exp \left(x\right)-\exp (-x)}{\exp \left(x\right)-\exp (-x)}---\left(4\right)$

输出层，所述输出层的神经元的输入为：

${\mathrm{net}}_l\left(k\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{O}_j\left(k\right)---\left(5\right)$

式中，w_ij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，

$g\left(x\right)=\frac{1}{2}(1+\tanh \left(x\right))=\frac{\exp \left(x\right)}{\exp \left(x\right)+\exp (-x)}---\left(7\right)$

所述输出层的神经元的输出对应着协调控制因子Z_cv。

5.根据权利要求4所述的环境模拟***的智能温度控制***，其特征在于进一步包括：

混和学习算法模块(501)，其包括：

判断模块，用于判断所述温度误差(e_c)是否超过了一个预定值，

一个离线动态温度模型学习模块，用于在所述温度误差(e_c)超过了所述预定值时进行离线动态温度模型学习，从而利用BP算法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，

在线学习训练模块，用于在所述温度误差(e_c)不超过所述预定值时进行在线学习训练，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开始搜索，由适应度函数来指导搜索方向，最终获得最优权值参数。

6.一种环境模拟***的智能温度控制方法，所述环境模拟***包括多个控制机构，其特征在于包括：

根据设置在所述环境模拟***中的风速感应器所测量得到的风速值，产生一个神经网络控制器(107)的输出；

利用PI控制器(102、109)，根据设置在所述环境模拟***中的温度感应器所测量得到的温度值和所述神经网络控制器(107)的输出，得到相应的粗略控制量。

7.根据权利要求6所述的环境模拟***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(107)，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所述至少两个温度控制机构中的一个确定为主要控制机构，

把所述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。

8.根据权利要求7所述的环境模拟***的智能温度控制方法，其中所述至少两个温度控制机构包括一个电加热器调功器控制机构(105)和一个冷却水调节阀控制机构(103)，且所述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，产生第二粗略控制量，

所述智能温度控制方法进一步包括：

利用一个第一限幅器(108)，对所述第一粗略控制量进行限幅和优化处理，从而产生用于所述电加热器调功器控制机构(105)的优化精细控制量，

利用一个第二限幅器(110)，对所述第二粗略控制量进行限幅和优化处理，从而产生用于所述冷却水调节阀控制机构(103)的优化精细控制量。

9.根据权利要求8所述的环境模拟***的智能温度控制***，其特征在于：

在所述第一限幅器(108)和第二限幅器(110)中利用S函数进行所述限幅和优化处理，

其中所述所述神经网络控制器(107)包括：

输入层，其包括对应风速值的输入、对应温度误差(e_c)的输入、对应常量1的输入，其中常量起一个干扰的作用，其输入模式向量为x＝[v，e_c，1]，输入层神经元的输入输出函数为：

O_i＝x(i)                            (1)

式中，i为输入层神经元的个数，i＝1，2，3

隐含层，其神经元的输入为：

${\mathrm{net}}_j\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{O}_i---\left(2\right)$

式中，w_ji为输入层到隐含层的权值，且所述隐含层神经元的输出为：

O_j(k)＝f(net_j(k))                            (3)

式中，j隐含层神经元的个数，f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Sigmoid函数：

$f\left(x\right)=\tanh \left(x\right)=\frac{\exp \left(x\right)-\exp (-x)}{\exp \left(x\right)-\exp (-x)}---\left(4\right)$

输出层，所述输出层的神经元的输入为：

${\mathrm{net}}_l\left(k\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{O}_j\left(k\right)---\left(5\right)$

式中，w_ij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，

$g\left(x\right)=\frac{1}{2}(1+\tanh \left(x\right))=\frac{\exp \left(x\right)}{\exp \left(x\right)+\exp (-x)}---\left(7\right)$

所述输出层的神经元的输出对应着协调控制因子Z_cv。

10.根据权利要求9所述的环境模拟***的智能温度控制方法，其特征在于进一步包括：

一个判断步骤，判断所述温度误差(e_c)是否超过了一个预定值，

一个离线动态温度模型学习步骤，在所述温度误差(e_c)超过了所述预定值时进行离线动态温度模型学习，从而利用BP算法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，

一个在线学习训练步骤，在所述温度误差(e_c)不超过所述预定值时进行在线学习训练，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开始搜索，由适应度函数来指导搜索方向，最终获得最优权值参数。

Images