下载文档原格式
基于RBF神经网络整定的PID控制器设计与仿真摘要目前，因为PID控制具有简单的控制结构，可通过调节比例积分和微分取得基本满意的控制性能，在实际应用中又较易于整定，所以广泛应用于过程控制和运动控制中，尤其在可建立精确模型的确定性控制系统中应用比较多。
然而随着现代工业过程的日益复杂，对控制要求的逐步增高（如稳定性、准确性、快速性等），经典控制理论面临着严重的挑战。
对工业控制领域中非线性系统，采用传统PID 控制不能获得满意的控制效果。
采用基于梯度下降算法优化RBF神经网络，它将神经网络和PID控制技术融为一体，既具有常规PID控制器结构简单、物理意义明确的优点，同时又具有神经网络自学习、自适应的功能。
因此，本文通过对RBF神经网络的结构和计算方法的学习，设计一个基于RBF神经网络整定的PID控制器，构建其模型，进而编写M语言程序。
运用MATLAB软件对所设计的RBF 神经网络整定的PID控制算法进行仿真研究。
然后再进一步通过仿真实验数据，研究本控制系统的稳定性，鲁棒性，抗干扰能力等。
关键词：PID；RBF神经网络；参数整定SETTING OF THE PID CONTROLLER BASED ON RBF NEURAL NETWORK DESIGN AND SIMULATIONAbstractAt present, because the PID control has a simple control structure, through adjusting the proportional integral and differential gain basic satisfactory control performance, and is relatively easy to setting in practical application, so widely used in process control and motion control, especially in the accurate model can be built more deterministic control system application. With the increasingly complex of the modern industrial process, however, increased step by step to control requirements (e.g., stability, accuracy and quickness, etc.), classical control theory is faced with severe challenges. Non-linear systems in industrial control field, using the traditional PID control can not obtain satisfactory control effect. Optimized RBF neural network based on gradient descent algorithm, it will be integrated neural network and PID control technology, with a conventional PID controller has simple structure, physical meaning is clear advantages, at the same time with neural network self-learning, adaptive function. Therefore, this article through to the RBF neural network structure and the calculation method of learning, to design a setting of the PID controller based on RBF neural network, constructs its model, and then write M language program. Using the MATLAB software to design the RBF neural network setting of PID control algorithm simulation research. Data and then further through simulation experiment, the control system stability, robustness, anti-interference ability, etc. Keywords:PID; RBF neural network; Parameter setting目录摘要ⅠAbstractⅡ1 绪论11.1 课题研究背景与意义11.2神经网络的发展历史21.3本课题研究的主要容52 神经网络62.1神经网络的基本概念和特点62.2人工神经网络构成的基本原理62.3神经网络的结构72.3.1前馈网络72.3.2 反馈网络72.4神经网络的学习方式82.4.1监督学习(有教师学习)82.4.2非监督学习(无教师学习)82.4.3再励学习(强化学习)92.5 RBF神经网络92.5.1 RBF神经网络的发展简史92.5.2 RBF的数学模型92.5.3被控对象Jacobian信息的辨识算法102.5.4 RBF神经网络的学习算法112.6 本章小结123 PID控制器123.1 PID控制器简介123.2 经典PID控制原理133.3 现有PID控制器参数整定方法143.4 PID控制的局限153.5本章小结154 基于RBF神经网络整定的PID控制器设计16 4.1 RBF神经网络的PID整定原理164.2 神经网络PID控制器的设计174.3 本章小结185 仿真分析185.1 系统的稳定性分析18 5.2 系统抗干扰能力分析20 5.3 系统鲁棒性分析215.4 本章小结23结论24参考文献25致26附录仿真程序271 绪论1.1 课题研究背景与意义PID控制器（按比例、积分和微分进行控制的调节器）是最早发展起来的应用经典控制理论的控制策略之一，是工业过程控制中应用最广泛，历史最悠久，生命力最强的控制方式，在目前的工业生产中，90％以上的控制器为PID控制器。
科技成果——基于人工智能算法的空调运行节能控制技术所属类别重点节能技术适用范围家庭、酒店、办公等民用场所成果简介本技术利用人工神经网络技术建立家用空调新一代空调运行节能控制算法。
该算法通过对空调实际运行能效的预测、调节、合理分配，使空调各执行器耦合联控，保证系统时刻以最佳能效运行，从而在不影响空调实际制冷舒适性前提下，实现空调的高效节能运行。
关键技术1、空调系统级联神经网络能效预测技术；建立空调系统级联神经网络算法模型，并利用系统稳态仿真模型数据产生的海量反复训练学习，使该模型可快速准确预测不同工况及运行状态下空调的能力输出及能耗水平。
2、空调G-ACnet运行节能控制技术；该技术主要结合空调系统神经网络能效预测模型，实现对空调系统压缩机、风机、节流装置进行联动的控制技术。
可保证空调输出能力相同的同时，使系统运行过程中能效得到合理的分配，最终达到降低整个运行周期的平均能耗的目的。
主要技术指标新一代变频空调控制策略采用AI运行节能算法，可对现有控制策略进行优化，实现各执行器的高效耦合控制，合理分配系统能耗输出，以最大程度降低系统的运行功耗，在保证房间舒适性的同时，空调可实现最大15%的节能效果。
技术水平获得发明专利申请2项典型案例典型案例1项目名称：康乐园空调节能改造项目项目建设主体规模：50台主要建设或改造内容：全新开发项目，在实际用户房间验证人工智能算法的空调运行节能控制技术，减少空调能耗。
项目投资额（万元）：12.5万元项目节能量（tce）：节能量：53.8tce/a；项目经济、环境及社会效益：新一代家用变频空调人工智能控制策略研究通过优化现有空调控制策略，协调系统各执行器间的耦合控制，合理调节、分配空调的实际运行能效，在不影响房间制冷舒适性的同时，使空调系统进一步节能15%左右。
典型案例2项目名称：阳光花园宿舍空调节能改造项目项目建设主体规模：100台主要建设或改造内容：全新开发项目，需达到国家一级能效，减少CO2、NOx排放项目投资额（万元）：25万项目节能量（tce）：节能量：40tce/a；项目经济、环境及社会效益：新一代家用变频空调人工智能控制策略研究通过优化现有空调控制策略，协调系统各执行器间的耦合控制，合理调节、分配空调的实际运行能效，在不影响房间制冷舒适性的同时，使空调系统进一步节能15%左右。
摘要目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。
电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的围。
但当运行工况发生较大变化时,却很难保证控制品质。
因此本文研究基于BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。
本处用一个多层前向神经网络，采用反向传播算法，依据控制要时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。
对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。
关键词：主汽温，PID，BP神经网络，MATLAB仿真ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional 、integral and differential to satisfactory control performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and don't rely on model realize PID parameters auto-tuning. It can make full use of the advantages of PID and neural network. Here, we use a multilayer feedforward neural network using back propagation algorithm. This net can real-time output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability. For the system of large delay and free-model can obtain good control effect.KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation目录摘要 (I)ABSTRACT (II)第一章绪论 (1)1.1 选题背景和意义 (1)1.2 国外研究现状 (1)1.3 立论依据 (5)1.4 本文所做的主要工作 (6)第二章神经网络的基本原理 (8)2.1 人工神经元模型 (8)2.2 神经网络的学习方式和学习规则 (9)2.2.1 神经网络的学习方式 (9)2.2.2 神经网络的学习规则 (9)2.3 神经网络的特点及应用 (10)2.4 BP神经网络 (11)2.4.1 BP神经网络的结构 (11)2.4.2 BP神经网络的算法 (12)2.5 本章小结 (16)第三章基于BP神经网络的PID控制 (17)3.1 PID控制器的离散差分方程 (17)3.2 基于BP神经网络的PID整定原理 (18)3.3 基于BP神经网络的PID控制算法流程 (22)3.4 本章小结 (22)第四章基于BP神经网络的PID控制在主汽温控制系统中的应用 (23)4.1 主汽温的控制任务 (23)4.2 主汽温被控对象的动态特性 (23)4.3 主汽温控制策略 (24)4.3.1 主汽温控制信号的选择 (24)4.3.2 主汽温控制的两种策略 (26)4.4仿真分析 (27)4.5 本章总结 (34)结论与展望 (35)参考文献 (37)致 (39)第一章绪论1.1 选题背景和意义在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确定性的受控对象和环境作出有效的控制决策。
智能控制作业学生姓名： 学 号： 专业班级：7-2 采用BP 网路、RBF 网路、DRNN 网路逼近线性对象2)1(1)1(9.0)1()(-+-⨯--=k y k y k u k y ，分别进行matlab 仿真。
（一）采用BP 网络仿真网络结构为2-6-1。
采样时间1ms ，输入信号)6sin(5.0)(t k u ⨯=π，权值21,W W 的初值随机取值，05.0,05.0==αη。
仿真m 文件程序为：%BP simulationclear all;clear all;xite=0.5;alfa=0.5;w1=rands(2,6); % value of w1,initially by randomw1_1=w1;w1_2=w1;w2=rands(6,1); % value of w2,initially by randomw2_1=w2;w2_2=w2_1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]'; % input of yinhanceng cellIout=[0,0,0,0,0,0]'; % output of yinhanceng cellFI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.5*sin(3*2*pi*k*ts);y(k)=(u_1-0.9*y_1)/(1+y_1^2);for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout; %output of networke(k)=y(k)-yn(k); % error calculationw2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j))^2);endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation endendw1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1% jacobian informationyu=0;for j=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');figure(2);plot(time,y-yn,'r');xlabel('times');ylabel('error');figure(3);plot(time,dyu);xlabel('times');ylabel('dyu');运行结果为：（二）采用RBF 网络仿真网路结构为2-4-1，采样时间1ms ，输入信号)2sin(5.0)(t k u ⨯=π，权值的初值随机取值，05.0,05.0==αη，高斯基函数初值T j C ]5.0,5.0[=，T B ]5.1,5.1,5.1,5.1[=。
一、 控制系统的模型与转换1． 请将下面的传递函数模型输入到matlab 环境。
]52)1)[(2(24)(32233++++++=s s s s s s s G )99.02.0)(1(568.0)(22+--+=z z z z z H ，T=0.1s >> s=tf('s');G=(s^3+4*s+2)/(s^3*(s^2+2)*((s^2+1)^3+2*s+5));GTransfer function:s^3 + 4 s + 2------------------------------------------------------s^11 + 5 s^9 + 9 s^7 + 2 s^6 + 12 s^5 + 4 s^4 + 12 s^3>> num=[1 0 0.56];den=conv([1 -1],[1 -0.2 0.99]);H=tf(num,den,'Ts',0.1)Transfer function:z^2 + 0.56-----------------------------z^3 - 1.2 z^2 + 1.19 z - 0.992． 请将下面的零极点模型输入到matlab 环境。
请求出上述模型的零极点，并绘制其位置。
)1)(6)(5()1)(1(8)(22+++-+++=s s s s j s j s s G )2.8()6.2)(2.3()(1511-++=----z z z z z H ，T=0.05s>>z=[-1-j -1+j];p=[0 0 -5 -6 -j j];G=zpk(z,p,8)Zero/pole/gain:8 (s^2 + 2s + 2)--------------------------s^2 (s+5) (s+6) (s^2 + 1)>>pzmap(G)>> z=[0 0 0 0 0 -1/3.2 -1/2.6];p=[1/8.2];H=zpk(z,p,1,'Ts',0.05)Zero/pole/gain:z^5 (z+0.3125) (z+0.3846)-------------------------(z-0.122)Sampling time: 0.05>>pzmap （H ）num=[0,7.1570,-6.4875 ];den=[1,-2.2326,1.7641,-0.4966];sysd=tf(num,den,0.05,'variable','z^-1')Transfer function:7.157 z^-1 - 6.487 z^-2-----------------------------------------1 - 2.233 z^-1 + 1.764 z^-2 - 0.4966 z^-3Sampling time: 0.05二、 线性系统分析1. 请分析下面传递函数模型的稳定性。
基于MATLAB的智能PID控制器设计与仿真摘要在工业生产中应用非常广泛的是PID控制器，是最早在经典控制理论基础上发展起来的控制方法，应用也十分广泛。
传统的PID控制器原理十分简单，即按比例、积分、微分分别控制的控制器，但是他的核心也是他的难点就是三个参数（比例系数Kp、积分系数Ki、微分系数Kd）的整定。
参数整定的合适，那么该控制器将凭借结构简单、鲁棒性好的优点出色的完成控制任务，反之则达不到人们所期望的控制效果。
人工神经网络模拟人脑的结构和功能而形成的信息处理系统，是一门十分前沿高度综合的交叉学科，并广泛应用于工程领域。
神经网络控制是把自动控制理论同他模仿人脑工作机制的数学模型结合起来，并拥有自学习能力，能够从输入—输出数据中总结规律，智能的处理数据。
该技术目前被广泛应用于处理时变、非线性复杂的系统，并卓有成效。
关键词自适应PID控制算法，PID控制器，神经网络Design and simulation of Intelligent PID Controllerbased on MATLABAbstractPID controller ,the control method which is developed on the basis of classical control theory, is widely used in industrial production.The Principle of traditional PID controller is very simple, which contains of the proportion, integral, differential three component, but its core task and difficulties is three parameter tuning(proportional coefficient Kp, integral coefficient Ki and differential coefficient KD).If the parameter setting is suitable, the controller can accomplish the control task with the advantages of simple structure and good robustness;but on the contrary, it can not reach the desired control effect which we what.Artificial neural network , the formation of the information processing system which simulate the structure and function of the human brain , is a very high degree of integration of the intersection of disciplines, and widely used in the field of engineering. Neural network control ,combining automatic control theory and the imitate mathematical model of the working mechanism of human brain , has self-learning ability, and can summarize the law of the input-output data , dealing with data intelligently .This technique has been widely used in the process of time-varying, nonlinear and complex system, and it is very effective.Key W ord:Adaptive PID control algorithm，PID controller，Neural network目录摘要 (I)Abstract (II)第一章绪论 (1)1.1 课题研究背景及意义 (1)第二章 PID控制器 (2)2.1 PID控制原理 (2)2.2常规PID控制器的算法理论 (3)2.2.1 模拟PI D控制器 (3)2.2.2 数字P I D控制算法 (3)2.2.3常规PID控制的局限 (5)2.2.4 改进型PID控制器 (5)第三章人工神经网络 (8)3.1 人工神经网络的原理 (8)3.2神经网络PID控制器 (8)3.2.1神经元PID控制器 (8)3.2.2 单神经元自适PID应控制器 (9)3.3 BP神经网络参数自学习的PID控制器 (12)第四章MATAB仿真 (16)4.1 仿真过程 (16)第五章结论与展望 (24)致谢 (25)参考文献 (25)华东交通大学毕业设计（论文）第一章绪论1.1 课题研究背景及意义在工业生产中应用非常广泛的是PID控制器，是最早在经典控制理论基础上发展起来的控制方法，应用也十分广泛。
智能控制基于MATLAB 的神经网络的仿真学院：姓名：学号：年级：学科：检测技术与自动扮装置日期：一．引言人工神经网络以其具有信息的散布存储、并行处置和自学习能力等长处, 已经在模式识别、信号处置、智能控制及系统建模等领域取得愈来愈普遍的应用。
MATLAB中的神经网络工具箱是以人工神经网络理论为基础, 利用MATLAB 语言构造出许多典型神经网络的传递函数、网络权值修正规则和网络训练方式，网络的设计者可按照自己的需要挪用工具箱中有关神经网络的设计与训练的程序, 免去了繁琐的编程进程。
二．神经网络工具箱函数最新版的MATLAB 神经网络工具箱为它几乎涵盖了所有的神经网络的大体常常利用类型，对各类网络模型又提供了各类学习算法，咱们能够按照自己的需要挪用工具箱中的有关设计与训练函数，很方便地进行神经网络的设计和仿真。
目前神经网络工具箱提供的神经网络模型主要用于：1.数逼近和模型拟合；2.信息处置和预测；3.神经网络控制；4.故障诊断。
神经网络工具箱提供了丰硕的工具函数，其中有针对某一种网络的，也有通用的，下面列表中给出了一些比较重要的工具箱函数。
三．仿真实例BP 网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。
BP 网络模型结构见图1。
网络同层节点没有任何连接，隐层节点能够由一个或多个。
网络的学习进程由正向和反向传播两部份组成。
在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。
每一层神经元的状态只影响到下一层神经元网络，如输出层不能取得期望的输出，那么转入误差反向传播进程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播进程，这两个进程反复运用，使得误差信号最小或达到人们所期望的要求时，学习进程结束。
利用神经网络工具箱进行设计和仿真的具体步骤：1.肯定信息表达方式：将实际问题抽象成神经网络求解所能同意的数据形式；2.肯定网络模型：选择网络的类型、结构等；3.选择网络参数：如神经元数，隐含层数等；4.肯定训练模式：选择训练算法，肯定训练步数，指定训练目标误差等；5.网络测试：选择适合的训练样本进行网络测试。
文章编号:1008-1402(2003)04-0455-04M A TLAB 在暖通空调中的应用①徐梓斌, 闵剑青, 方应国, 田国庆, 魏恩宗, 周赵凤(浙江树人大学,浙江杭州310015)摘 要: M A TLAB 除了强大的计算功能外、它提供的工具箱可在众多领域内进行设计分析和动态系统仿真.本文通过实例,运用M A TLAB 的计算功能、神经网络工具箱、S I M U L I N K 软件包等,在暖通空调中进行设计计算、湿空气参数神经网络模型、空调全年运行工况转换和空调房间热特性模拟的研究,结果表明,M A TLAB 在暖通空调中有巨大的应用价值.关键词: M A TLAB ;暖通空调;神经网络;仿真中图分类号: T P 311;TU 813 文献标识码: A0 引 言M A TLAB 仿真软件是国际上公认的最优秀的数值计算仿真软件,它集通用科技计算、图示交互系统和动态系统仿真于一体,迄今最高版本为6.5.M A TLAB 以矩阵为基本元素,实现强大的数值计算功能.对很复杂的问题,往往只需要写很短的代码,因而使用起来很容易.M A TLAB 使科技工程技术人员从繁杂的工程计算中解放出来,迅速地测试他们的构想,综合地测评系统的性能,很快地设计出解决方案.采暖通风及空气调节工程设计中有较多的数值计算和图形分析,如空调负荷计算、送风气流计算、水力工况计算,空气焓湿图分析、水压图分析等.M A TLAB 的应用将极大地减轻设计人员的计算工作量,并将结果以图视的方式展现在设计人员的面前.特别是强大的可视化建模和仿真功能,使设计人员能对比各种方案的优劣,快速地调整方案,达到较完美的结果.1 M A TLAB 在暖通空调中的计算应用M A TLAB 的数值计算包括:数值矩阵代数运算;数据统计分析计算;数值导数、差分、微分运算;微分方程数值解运算等.M A TLAB 命令(程序)是解释执行的,可以边输入边执行,就象一个功能超强的计算器一样.同时M A TLAB 也可以将命令(程序)组织成m 文件,有用的数据组织成m at 文件,建立自己的专用工作空间.在暖通工程设计中,室内采暖管道系统的水力平衡计算、用冷负荷系数法计算房间的冷负荷以及喷口送风计算等均是一系列较为烦杂的数值计算过程,使用M A TLAB 则可以极大地提高计算速度.下面是利用M A TLAB 进行空调送风量和送风温度的计算的例子.M 文件编写的程序如下: clo se all clear echo on clc L enHou se =inp u t (’请输入房间的长L (m ):’); W idHou se =inp u t (’请输入房间的宽W (m ):’);第21卷第4期佳木斯大学学报(自然科学版)Vol .21No .42003年12月Journa l of J i am us i Un i vers ity (Na tura l Sc i ence Ed it i on )D ec .2003 ①收稿日期:2003-06-28作者简介:徐梓斌(1968-),男,浙江建德人,浙江树人大学高级讲师,硕士. H igHou se =inp u t (’请输入房间的高H (m ):’); Q =inp u t (’请输入房间的显热Q (kw ):’); tN =inp u t (’请输入房间的温度tN (℃):’); echo off D en sity =1.2; c =1.01; V Hou se =L enHou se 3W idHou se 3H igHou se;图1 空调送风量和送风温度的计算结果 n =1; D eltaT =15; w h ile n <5 L =36003Q(D en sity 3c 3D eltaT ); n =L V Hou se ; D eltaT =D eltaT -1; t 0=tN -D eltaT ; end ’送风量L (kg s ):’ L ’送风温度t 0(℃):’ t 0运行的结果如图1所示,从结果可知,用M A TLAB 编写程序代码短,实现起来很容易.2 M A TLAB 的神经网络工具箱的应用神经网络特有的非线性适应性信息处理能力,使之已经在各个领域中广泛应用,以实现各种复杂的功能.空气调节是利用各种处理方法(如加热、加湿、冷却、干燥、净化等)和合理的气流组织形式,对空间内的空气温度、湿度、洁净度和空气流动速度等参数进行调节和控制,以满足人体舒适和工艺过程的要求.而湿空气既是空气环境的主体,又是空气调节的处理对象,湿空气的物理性质在空气调节设计、研究、运行管理中具有重要作用.目前,确定湿空气的状态参数主要有两种方法.一是利用湿空气的焓湿图,这种方法的特点是直观、方便,适于分析空气的状态变化过程和确定设备容量,但是不能满足编程需要;二是利用计算公式或查取湿空气性质表,这种方法计算过程繁琐,既不便于硬件实现,同时也不能适应空调实时控制过程的需要.基于以上分析,我们认为可以利用人工神经网络强大的学习功能、信息处理功能和联想记忆功能,建立湿空气状态参数的神经网络预测模型,实际湿空气状态参数的智能化预测,从而为建立各种空调实时控制系统提供简单可靠的工具.下面给出建立辨识湿空气状态参数的神经网络过程[1],其中输入参数p 为温度和相对湿度,输出参数t 为焓值,训练数据采用湿空气图表和计算公式.◊输入和输出数据归一化处理>>[p n ,m inp ,m axp ,tn ,m in t ,m ax t ]=p rem nm x (p ,t );%构造一个前向bp 网络>>net =new ff (m inm ax (p n ),[5,1],{’tan sig’,’p u relin’},’train l m ’)%设置训练参数>>net .trainp aram .show =50;net .trainp aram .lr =0.50;net .trainp aram .epoch s =600;net .trainp aram .goal =exp (-9);%训练网络654 佳木斯大学学报(自然科学版) 2003年>>net =train (net ,p n ,tn )%仿真>>an =si m (net ,p n )%仿真结果数据处理>>a =po stm nm x (an ,m in t ,m ax t )神经网络的训练过程和仿真结果如图2、图3所示,图2 神经网络的训练 图3 焓值曲线拟合从仿真结果可以看出,神经网络有很强的辨识能力,训练好的网络对新数据的预测也能满足要求,可用于空调自控用的焓值器.3 M A TLAB 的动态仿真集成环境S I M U L I N K 的应用M A TLAB 最引人注意的功能应该说就是动态仿真集成环境S I M U L I N K .S I M U L I N K 在M A TLAB 强大的数值计算功能基础上,实现了可视化建模,并实现了多工作环境间的文件互用和数据交换,能把理论研究和工程实现有机地结合.S I M U L I N K 的动态建模仿真分为创建模型、数值分析、模型线性化等几个图4 空调全年运行调节露点控制的仿真模型步骤.在建模阶段,S I M U L I N K 提供了7个子库共上千种标准模块共用户调用.在数值计算过程中,也提供了多达六种数值仿真算法,还能进行离散系统的仿真计算.对于非线性系统,S I M U L I N K 则提供了线性化功能[2].我们用M A TLAB 建立一个中央空调全年运行调节、露点控制的模型,该模型能根据室内外参数的变化自动切换工况,选择相应的运行设备,并对空调房间的热特性进行仿真.主要步骤如下:(1)建立神经网络焓值控制器的仿真模型.(2)建立空调全年运行工况自动切换控制器模型.(3)编制空调房间热特性m 文件和建立房间模型.(4)建立系统连接.结果如图4所示:利用此模型,设置室内外参数,并754第4期 徐梓斌等:M A TLAB 在暖通空调中的应用进仿真,结果如图5和图6所示:图5 空调全年运行设备选择 图6 室内外温度显示由仿真结果可见,该模型不仅能自动进行工况转换,并且能直观显示,具有一定的教学和研究价值.4 结束语M A TLAB 是世界著名的科技计算软件,具有强大的数值计算能力和符号计算能力,并提供了数据图视化功能,特别是其动态建模仿真工具,更是使工程技术人员,进入了一个崭新的工作环境.暖通空调工程设计历来以图、表为依托,进行着量大、繁琐的重复性简单计算,耗费了技术人员的大部分精力.M A TLAB 的应用,将会提高暖通空调工程设计的效率,更能够使我们从更高、更深的层次看待工程问题.参考文献:[1] 飞思科技产品研发中心.M A TLAB6.5辅助神经网络分析与设计[M ].北京:电子工业出版社,2003,64-69.[2] 徐菱虹.用M A TLAB 数值计算软件辅助暖通空调工程设计与研究[J ].工程设计CAD 与智能建筑.2000,(1),50-52.THE APPL I CAT I ON OF M AT LAB IN HVACX U Z i -bin , M IN J ian -qing , FA N G Y ing -g uo ,T IA N Guo -qing , W E I E n -z ong , ZH OU Z hao -f eng(Zhej i ang ShuRen Un iversity ,Hangzhou 310015,Ch i na )ABSTRACT : In additi on to great ab ility of num erati on ,M A TLAB also p rovides TOOLBO XES w h ich cou ld be u sed in system design and dynam ic si m u lati on in m any areas .B ased on its functi on s of calcu lati on ,neu ral netw o rk too lbox and S I M U L I N K ,M A TLAB has been p u t in to research in design ,ANN m o ist air p aram eter m odel ,the w ho le year s w itch ing w o rk ing conditi on and hou se therm odynam ic si m u lati on .A cco rding to the resu lt ,M A TLAB has i m m en se value in HVA C .KEY WORD S : M A TLAB ;HVA C ;ANN ;si m u lati on 854 佳木斯大学学报(自然科学版) 2003年。
