郭林嘉 楊彪 王世禮

摘 要：針對(duì)供暖系統(tǒng)在實(shí)際運(yùn)用中為一個(gè)滯后過(guò)程，難以保證其供暖介質(zhì)流量控制精度的問(wèn)題，利用感溫石蠟的熱脹冷縮效應(yīng)作為電熱型流量調(diào)節(jié)閥執(zhí)行結(jié)構(gòu)的動(dòng)力源，獲取石蠟溫度與流量之間的關(guān)系，提出基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)（GA-BP）方法。首先獲取供暖系統(tǒng)溫度，通過(guò)電熱器加熱石蠟得到其溫度變化量與流量，然后應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)流量進(jìn)行預(yù)測(cè)。通過(guò)與3次B樣條函數(shù)遞推最小二乘法、BP神經(jīng)網(wǎng)絡(luò)法對(duì)流量的預(yù)測(cè)結(jié)果對(duì)比試驗(yàn)驗(yàn)證，預(yù)測(cè)值和真實(shí)值的最大絕對(duì)誤差分別為0.19、0.35、0.87，且均能滿足實(shí)際應(yīng)用的控制周期。結(jié)果表明，GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)流量的控制更為精確。

關(guān)鍵詞：電熱型流量調(diào)節(jié)閥；智能控制；GA-BP神經(jīng)網(wǎng)絡(luò)法

DOI：10.11907/rjdk.173064

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）006-0150-03

Abstract：Aiming at the problem that it is difficult to ensure control precision of the heating medium flow because the heating system is a big lag processin practice， we utilize the thermal expansion and contraction effect of temperature sensing paraffin as the executive power for electro-thermal flow control valve structure to verify the relationship between parafin temperature and the flow rate. The GA-BP neural network method is proposed. Firstly the temperature of the heating system is obtained， and then paraffin is heated by the electro-thermal heater to obtain paraffin temperature change and flow rate； secondly the flow rate is predicted by GA-BP neural network. By comparison with the cubic B-spline function recursive least squares method and BP neural network method， the maximum absolute error between the predicted value and the true value is 0.19， 0.35， and 0.87 respectively， which can meet the control period of practical application， the experimental results show that the flow controlled by the GA-BP neural network has better accuracy in flow control.to predict the flow by adopting the temperature variation.

Key Words：electrothermal flow control valve； intelligent control； GA-BP neural network method

0 引言

本文研究的電熱型流量調(diào)節(jié)閥實(shí)質(zhì)上可以看作一種溫度驅(qū)動(dòng)控制閥，簡(jiǎn)稱溫控閥。常用的溫控閥有兩種類型：自力式溫控閥和電動(dòng)溫控閥。電熱型溫控閥屬于自力式溫控閥，常用于供暖系統(tǒng)的溫度控制，其溫控過(guò)程是一個(gè)動(dòng)態(tài)平衡過(guò)程[1]，利用感溫介質(zhì)具有受熱膨脹且不能被壓縮的性質(zhì)實(shí)現(xiàn)自動(dòng)調(diào)節(jié)。以常開型調(diào)節(jié)閥為例，當(dāng)流經(jīng)散熱片熱水過(guò)多時(shí)，房間溫度過(guò)高，調(diào)節(jié)閥內(nèi)部石蠟則會(huì)被通電加熱膨脹，推動(dòng)閥桿，執(zhí)行器開始執(zhí)行關(guān)閉動(dòng)作，使流量減小[2]。電動(dòng)調(diào)節(jié)閥由電動(dòng)執(zhí)行器和閥門構(gòu)成，運(yùn)用電執(zhí)行器帶動(dòng)閥門進(jìn)行流量控制[3]。其工作原理是：傳感器將檢測(cè)到的流量信號(hào)轉(zhuǎn)換成電信號(hào)發(fā)送到控制器，讓控制器控制電動(dòng)執(zhí)行器做相應(yīng)動(dòng)作，從而調(diào)節(jié)閥門開度。

自力式溫控閥可根據(jù)感溫介質(zhì)不同而分為很多種，例如電熱型流量調(diào)節(jié)閥即是利用石蠟介質(zhì)具有受熱膨脹和不能被壓縮的性質(zhì)實(shí)現(xiàn)閥芯調(diào)節(jié)[4]。另一種是用形狀記憶合金（SMA）作為感溫介質(zhì)，它可以在一個(gè)小體積中產(chǎn)生高應(yīng)力和變形的快速響應(yīng)。當(dāng)溫度變化時(shí)，SMA產(chǎn)生變形，促使機(jī)械零件工作[5]。恒溫混合閥廣泛應(yīng)用于電熱水器、太陽(yáng)能熱水器和地?zé)釤崴到y(tǒng)中，其感溫介質(zhì)也是記憶合金或石蠟[6]。

另一種溫控閥是波紋管式控制閥，主要由閥體、閥芯、波紋管、波紋管保持架和閥蓋組成，該波紋管式流量控制閥可以工作在高溫環(huán)境下，因此其被控介質(zhì)可以是高溫燃油等[7]。還有一種閥芯式高溫控制閥，可實(shí)現(xiàn)對(duì)沖壓發(fā)動(dòng)機(jī)高溫供油流量的自動(dòng)、準(zhǔn)確調(diào)節(jié)[8]。

1 基于GA-BP神經(jīng)網(wǎng)絡(luò)控制的電熱型流量調(diào)節(jié)閥

溫控閥的控制過(guò)程是一個(gè)反饋過(guò)程，再加上溫度和流量都是動(dòng)態(tài)的，因此很難控制其精度。為解決該問(wèn)題，本文提出基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)控制方法。

1.1 BP神經(jīng)網(wǎng)絡(luò)

1.1.1 物理模型建立

該BP神經(jīng)網(wǎng)絡(luò)框架如圖1所示，包含1個(gè)輸入，11個(gè)隱含層神經(jīng)元。輸出層有1個(gè)神經(jīng)元以及1個(gè)輸出。其中輸入樣本為隨機(jī)選取訓(xùn)練的15組樣本。

1.1.2 數(shù)學(xué)模型建立

x-i表示輸入，w-ji表示連接權(quán)值（前一層第j個(gè)神經(jīng)元到該層第i個(gè)神經(jīng)元的連接強(qiáng)度），net-i表示激活值，o-i表示神經(jīng)元輸出，θ-i表示閾值，則神經(jīng)元輸出為[9]：

由圖1可知，該模型有一個(gè)輸入、一個(gè)隱含層、一個(gè)輸出層和一個(gè)輸出。其中隱含層的激活函數(shù)為：

根據(jù)石蠟調(diào)節(jié)閥的機(jī)械結(jié)構(gòu)，溫度T對(duì)閥門開度的影響可看作瞬時(shí)的暫態(tài)位移Y，閥門暫態(tài)位移變化時(shí)可產(chǎn)生一個(gè)暫態(tài)流量值，即在預(yù)測(cè)值與實(shí)際值之間存在一個(gè)相對(duì)誤差E-i或絕對(duì)誤差e-i，相對(duì)誤差或絕對(duì)誤差越小，則控制效果越好。

R2即決定系數(shù)，決定系數(shù)范圍在[0，1]內(nèi)，越接近1，表明模型性能越好；反之，越接近0，表明模型性能越差。

1.1.3 訓(xùn)練及測(cè)試模型建立

結(jié)合實(shí)際工作時(shí)的石蠟溫度情況，選定石蠟訓(xùn)練溫度28℃～58℃為訓(xùn)練的輸入，一共22組。數(shù)據(jù)來(lái)源于文獻(xiàn)《電熱型智能流量調(diào)節(jié)閥的研究與設(shè)計(jì)》[10]，隨機(jī)選取訓(xùn)練樣本數(shù)為15組，7組數(shù)據(jù)為測(cè)試集。調(diào)節(jié)閥流量與石蠟溫度樣本數(shù)據(jù)采集的部分?jǐn)?shù)據(jù)如表1所示。

1.2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

權(quán)值和閾值直接影響到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，要獲得一個(gè)穩(wěn)定、魯棒性強(qiáng)的神經(jīng)網(wǎng)絡(luò)，需要進(jìn)一步用遺傳算法進(jìn)行優(yōu)化，確定出最佳權(quán)值和閾值[11]。

遺傳算法相當(dāng)于一類優(yōu)化問(wèn)題，可以記為公式（8），并用遺傳算法求其極值[9]：

使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值時(shí)，本文依然采用如圖1所示的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。首先對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值編碼，得到初始種群；其次，將每一個(gè)初始種群解碼得到其權(quán)值和閾值；然后開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)，生成誤差，計(jì)算適應(yīng)度函數(shù)值；接著進(jìn)行遺傳算法中的選擇、交叉、變異操作，對(duì)種群進(jìn)行組合產(chǎn)生下一代個(gè)體，逐步得到新的優(yōu)化種群[9]。結(jié)果若滿足條件，則進(jìn)行解碼并得到最佳神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值；若不滿足，則返回之前步驟繼續(xù)迭代計(jì)算。具體優(yōu)化步驟如圖2所示。

2 實(shí)驗(yàn)與分析

2.1 BP神經(jīng)網(wǎng)絡(luò)法仿真測(cè)試

第一次實(shí)驗(yàn)僅采用BP神經(jīng)網(wǎng)絡(luò)法，仿真測(cè)試結(jié)果如圖3所示，可以看出僅使用BP神經(jīng)網(wǎng)絡(luò)法得出的結(jié)果R2約為0.77，與1差距較大，控制效果不太理想。如表2所示，采用該方法預(yù)測(cè)值與真實(shí)值的最大絕對(duì)誤差為0.87，原因是BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值是隨機(jī)產(chǎn)生的，所以連接權(quán)值可能不是最優(yōu)，并且每次運(yùn)行結(jié)果都不同。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)法仿真測(cè)試

為了得到更精確、穩(wěn)定的值，第二次實(shí)驗(yàn)采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值，其它參數(shù)設(shè)置均與BP神經(jīng)網(wǎng)絡(luò)法一致。使用遺傳算法優(yōu)化后的仿真測(cè)試結(jié)果如圖4所示，可以看出經(jīng)遺傳算法優(yōu)化連接權(quán)值和閾值后，R2約為0.99，非常接近1，控制效果很理想。如表3、表4所示，優(yōu)化后預(yù)測(cè)值和真實(shí)值的最大絕對(duì)誤差為0.19，最大相對(duì)誤差為0.03。

2.3 B樣條函數(shù)模型擬合法仿真測(cè)試

在電熱型智能流量調(diào)節(jié)閥的研究與設(shè)計(jì)[10]中運(yùn)用B樣條函數(shù)模型擬合法，通過(guò)不同階次B樣條實(shí)驗(yàn)，得出3次B樣條函數(shù)擬合效果較好。3次B樣條函數(shù)擬合曲線如圖5所示，擬合誤差曲線如圖6所示，誤差最大值為0.35。

3 結(jié)語(yǔ)

針對(duì)供暖系統(tǒng)在實(shí)際運(yùn)用中難以保證其供暖介質(zhì)流量控制精度的問(wèn)題，本文以電熱型流量調(diào)節(jié)閥為研究對(duì)象，該流量調(diào)節(jié)閥執(zhí)行結(jié)構(gòu)的動(dòng)力源為石蠟，通過(guò)石蠟熱脹冷縮的特性推動(dòng)閥門的打開和關(guān)閉動(dòng)作，得到石蠟溫度與流量之間的關(guān)系。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)法、三次B樣條函數(shù)遞推最小二乘法、GA-BP神經(jīng)網(wǎng)絡(luò)法對(duì)其流量控制進(jìn)行實(shí)驗(yàn)研究，得到預(yù)測(cè)值與真實(shí)值的絕對(duì)誤差分別為0.87、0.35、0.19，計(jì)算時(shí)間分別為0.48s、0.39s、0.83s。實(shí)驗(yàn)結(jié)果證明，在電熱型流量調(diào)節(jié)閥中，采用經(jīng)過(guò)遺傳算法優(yōu)化權(quán)值和閾值后的BP神經(jīng)網(wǎng)絡(luò)方法誤差更小。因此，在供暖系統(tǒng)溫控過(guò)程中，所采用的電熱型流量調(diào)節(jié)閥使用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行控制更為合適，既可以增強(qiáng)穩(wěn)定性，還可以使控制更加精確。

參考文獻(xiàn)：

[1] 高新龍.調(diào)節(jié)彈簧對(duì)溫控閥控溫性能的影響[J].黑龍江科技信息，2016（8）：23-24.

[2] 康春生，李凌.關(guān)于溫控閥的應(yīng)用[J].經(jīng)濟(jì)技術(shù)協(xié)作信息，2009（4）：102.

[3] 呼志強(qiáng)，張洪穎.地面輻射供暖系統(tǒng)室溫調(diào)控裝置的設(shè)計(jì)分析[J]. 建筑建材裝飾，2017（4）：104.

[4] 楊承志，張興超，孫浩，等.一種電熱型流量智能調(diào)節(jié)閥及其控制方法[P].中國(guó)：CN 103742706 A，2014.

[5] X L YANG，X SUN，C W WANG，et al. A valve for temperature control dominated by shapememory alloys[J]. 金屬學(xué)報(bào)：英文版，1999（4）：492-494.

[6] HAI-CHU CHEN，F(xiàn)ANG-YI WU，YIN-FA ZHU，et al. Design and research of a new thermostatic valve[J].Research Journal of Applied Sciences， Engineering and Technology，2014，5（7）：937-943.

[7] WEN ZENG，ZHIZHONG TONG，JICHENG BAI，et al. Dynamic characteristics research of a high temperature flow rate control valve[C]. 2011 International Conference on Fluid Power and Mechatronics，2011.

[8] Thermodynamic analysis of a high temperature flow rate controlvalve for ramjet engines[C]. 第五屆國(guó)際材料與熱加工物理模擬及數(shù)值模擬學(xué)術(shù)會(huì)議，2007.

[9] 潘立登，李大字，馬英俊.軟測(cè)量技術(shù)原理與應(yīng)用[M].北京：中國(guó)電力出版社，2009：312-313.

[10] 張興超.電熱型智能流量調(diào)節(jié)閥的研究與設(shè)計(jì)[D].昆明：昆明理工大學(xué)，2015.

[11] 孫麗.基于遺傳算法BP神經(jīng)網(wǎng)絡(luò)的多目標(biāo)優(yōu)化方法[J].激光雜志，2016，37（8）：123-128.

（責(zé)任編輯：黃 ?。?/p>