摘 要：该文针对空调系统的控制问题分析了传统PID控制的不足，论述了神经网络的控制原理，探讨了神经网络控制的优点，仿真实验表明该系统在中央空调中具有应用的可行性。
关键词：空调系统 温度控制 神经网络
中图分类号：TB663 文献标识码：A 文章编号：1674-098X（2012）12（b）-00-01
随着科学技术的不断发展，空调作为人们生活提高的标志得到了越来越广泛的使用，它可以给人们的生活带来一个温度适宜、湿度恰当、空气清洁的舒适环境。带有电加热的空调系统其控制规律通常采用PID规律，但由于空调系统固有的大惯性、大时滞、强耦合的非线性特性，很难建立精确的数学模型，PID控制无论在参数整定还是控制精度及控制过程中尚存不足。神经网络具有强非线性映射能力以及对复杂问题具有自学习和自适应能力，具有很强的综合信息能力，不依赖精确的数学模型。该文提出了一种可替换一般PID控制、利用神经网络PID构成的控制器，在空调系统控制特性方面有明显的改善，可实现最优化
控制。
1 电加热的单神经元自适应PID控制
该文提出的电加热单神经元自适应PID控制，是在空调系统电加热中应用神经网络作为控制器。单神经元实现自适应PID控制结构如图1所示。
图中，设Yr（k）为设定值，Y（k）为输出，经转换器转换成为神经元的输入量X1，X2，X3，分别为
单神经元自适应PID控制算法为
k＞0，
w1，w2，w3分别为对应于x1，x2，x3输入的加权系数。
神经元初始权系数的选择对控制性能的好坏、训练过程时间影响很大， 在设计过程中，需要经过几个不同的学习速率的训练，观察每一次训练后的误差平方和的下降速率来判断所选学习速率是否合适。
2 仿真分析
根据电加热过程，可写出其差分方程模型。设初始条件为零，则有：
Y（k+2）+0.75Y（k+1）+0.125Y（k）=
0.125u（k）
仿真过程如下：
系统起动时，先进行开环控制，u = 0.2，待输出达到期望值的0.95时，神经元控制器投入运行，考虑到本系统温度实时变化、上升时间长、大惯性、无振荡的特点，k，ηp，ηI，ηd的选取原则如下：
K值的变化，相当于P，I，D三项同时变化，因此在参数选择时，应根据系统稳态指标要求首先预选K；
对阶跃输入，当有较大超调，并且出现多次衰减振荡时，应维持ηI ，ηd不变，而减少K值；
若输出只有明显多次等幅振荡，应减小ηp，其它参数不变；
若输出上升时间长，无超调，应增大K，其余参数不变；
5）若输出调节时间长，增大ηi 必然会导致超调过大，可适当增大ηp，其余参数不变；
本课题分别在不同情况下进行了仿真试验，图2示出了学习速率选取相同和不同时仿真输出曲线，曲线1为ηp=ηi=ηd=η=100，k=0.02情况下，曲线2为k=0.02，ηp=5000，ηi=30的情况。由仿真曲线可见，采用不同的学习速率有较好的快速性，较小的超调量和较强的鲁棒性。
图2 神经元仿真输出控制曲线
3 结语
具有的自适应、自学习能力是单神经元自适应PID控制的主要特征，神经元自适应的实质就在于一些过程与结构参数变化时，P、I、D可以依据期望情况任意调节，这种方法克服了常规PID参数不易在线调整又相互制约的缺点，可获得较传统PID控制更好的控制效果。
参考文献
[1] Chen F.C. Khalil H.K.Adaptive Controlling of a class of Nonlinear Discrete-time System Using Neural Networks.IEEE Trans.ON AC，1995，40（5）：791-801.
[2] 胡上序，程翼宇.人工神经元仿真导论[M].北京：科学出版社，1994.
[3] 易继锴，侯媛彬.智能控制技术[M].北京：北京工业大学出版社，1999.
摘 要：该文针对空调系统的控制问题分析了传统PID控制的不足，论述了神经网络的控制原理，探讨了神经网络控制的优点，仿真实验表明该系统在中央空调中具有应用的可行性。
关键词：空调系统 温度控制 神经网络
中图分类号：TB663 文献标识码：A 文章编号：1674-098X（2012）12（b）-00-01
随着科学技术的不断发展，空调作为人们生活提高的标志得到了越来越广泛的使用，它可以给人们的生活带来一个温度适宜、湿度恰当、空气清洁的舒适环境。带有电加热的空调系统其控制规律通常采用PID规律，但由于空调系统固有的大惯性、大时滞、强耦合的非线性特性，很难建立精确的数学模型，PID控制无论在参数整定还是控制精度及控制过程中尚存不足。神经网络具有强非线性映射能力以及对复杂问题具有自学习和自适应能力，具有很强的综合信息能力，不依赖精确的数学模型。该文提出了一种可替换一般PID控制、利用神经网络PID构成的控制器，在空调系统控制特性方面有明显的改善，可实现最优化
控制。
1 电加热的单神经元自适应PID控制
该文提出的电加热单神经元自适应PID控制，是在空调系统电加热中应用神经网络作为控制器。单神经元实现自适应PID控制结构如图1所示。
图中，设Yr（k）为设定值，Y（k）为输出，经转换器转换成为神经元的输入量X1，X2，X3，分别为
单神经元自适应PID控制算法为
k＞0，
w1，w2，w3分别为对应于x1，x2，x3输入的加权系数。
神经元初始权系数的选择对控制性能的好坏、训练过程时间影响很大， 在设计过程中，需要经过几个不同的学习速率的训练，观察每一次训练后的误差平方和的下降速率来判断所选学习速率是否合适。
2 仿真分析
根据电加热过程，可写出其差分方程模型。设初始条件为零，则有：
Y（k+2）+0.75Y（k+1）+0.125Y（k）=
0.125u（k）
仿真过程如下：
系统起动时，先进行开环控制，u = 0.2，待输出达到期望值的0.95时，神经元控制器投入运行，考虑到本系统温度实时变化、上升时间长、大惯性、无振荡的特点，k，ηp，ηI，ηd的选取原则如下：
K值的变化，相当于P，I，D三项同时变化，因此在参数选择时，应根据系统稳态指标要求首先预选K；
对阶跃输入，当有较大超调，并且出现多次衰减振荡时，应维持ηI ，ηd不变，而减少K值；
若输出只有明显多次等幅振荡，应减小ηp，其它参数不变；
若输出上升时间长，无超调，应增大K，其余参数不变；
5）若输出调节时间长，增大ηi 必然会导致超调过大，可适当增大ηp，其余参数不变；
本课题分别在不同情况下进行了仿真试验，图2示出了学习速率选取相同和不同时仿真输出曲线，曲线1为ηp=ηi=ηd=η=100，k=0.02情况下，曲线2为k=0.02，ηp=5000，ηi=30的情况。由仿真曲线可见，采用不同的学习速率有较好的快速性，较小的超调量和较强的鲁棒性。
图2 神经元仿真输出控制曲线
3 结语
具有的自适应、自学习能力是单神经元自适应PID控制的主要特征，神经元自适应的实质就在于一些过程与结构参数变化时，P、I、D可以依据期望情况任意调节，这种方法克服了常规PID参数不易在线调整又相互制约的缺点，可获得较传统PID控制更好的控制效果。
参考文献
[1] Chen F.C. Khalil H.K.Adaptive Controlling of a class of Nonlinear Discrete-time System Using Neural Networks.IEEE Trans.ON AC，1995，40（5）：791-801.
[2] 胡上序，程翼宇.人工神经元仿真导论[M].北京：科学出版社，1994.
[3] 易继锴，侯媛彬.智能控制技术[M].北京：北京工业大学出版社，1999.