专利名称：用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
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 温度控制系统和方法，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的智能温度控制系统和 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。
6
根据本发明的一个方面，提供了一种PI (比例积分)环境模拟系统的智能温度控 制系统，所述环境模拟系统包括多个控制机构，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系统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系统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系统的智能温度控制方 法，所述环境模拟系统包括多个控制机构，其特征在于包括根据设置在所述环境模拟系统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系统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。
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智能温度控制系统学习训练 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r(t)温度输入值W 每层之间的连接权值ν 风速值101 温度感应器103 循环冷却水调节阀106 风速感应器S601 判断差异是否超过定值S603 遗传在线学习
具体实施例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 智能温度控制系统，该温度控制系统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
ec 误差变化率的精确量 y(t)被控温度量输出值 Zcv 协调控制因子
102 =PI控制器 105 电加热器调功器 107 神经网络控制器 S602 =BP离线学习控制器，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 环境模拟系统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系统与神经网络相 结合构成基于神经网络的PI温度智能控制系统，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 达到系统性能指标的要求，如图3所示。传统的PI控制系统具有设计简单、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系统，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，甚至影响控制系统的正常运行。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 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系统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。)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。)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。)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、用于温度环境模拟系统(如试验风洞)的 基于神经网络的PI智能温度控制系统的一种具体布局(1)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⑷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ν (风速值)，误差e。(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。，l]，比起2个的输 入向量的结构χ = [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Oi = x(i)(1)式中，i为输入层神经元的个数，i = 1,2,32)隐含层隐含层的神经元的输入为
权利要求
1.一种PI环境模拟系统的智能温度控制系统，所述环境模拟系统包括多个控制机构， 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系统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系统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所述的环境模拟系统的智能温度控制系统，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所述的环境模拟系统的智能温度控制系统，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(10 的优化精细控制量。
4.根据权利要求3所述的环境模拟系统的智能温度控制系统，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。)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χ = [v, ec, 1]， 输入层神经元的输入输出函数为 Oi = 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net ^k) = YwjlO1(2)/=1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 Oj (k) = f(netj(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/ ⑵—OOH;(4)exp(x) + exp(-x)输出层，所述输出层的神经元的输入为nett{k) = Y4WljO^k)‘(5)7=1式中，Wij为隐含层到输出层的权值，且所述输出层神经元的输出为O1GO = g (netjk))(6)式中，g(x) 二去(1 + tanh(x)) = ￡XP(X)(7)2exp(x) + exp(-x)所述输出层的神经元的输出对应着协调控制因子\、。
5.根据权利要求4所述的环境模拟系统的智能温度控制系统，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。)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。)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。)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。
6.一种环境模拟系统的智能温度控制方法，所述环境模拟系统包括多个控制机构，其 特征在于包括根据设置在所述环境模拟系统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系统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(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所述的环境模拟系统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所述的环境模拟系统的智能温度控制系统，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。)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χ = [v，e。，1]，输入层神经元的输入输出函数 为Oi = 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
10.根据权利要求9所述的环境模拟系统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。)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。)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。)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。
全文摘要
基于神经网络PI的砂尘环境试验风洞的智能温度控制系统，其特征在于(1)建立神经网络系统结构，(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。
文档编号G05D23/19GK102129259SQ201010034360
公开日2011年7月20日 申请日期2010年1月20日 优先权日2010年1月20日
发明者刘旺开, 刘猛, 李可, 李运泽, 王浚 申请人:北京航空航天大学