BP神经网络在高速列车空调控制中的应用
2014-12-17伍川辉
王 康,伍川辉
(西南交通大学机械工程学院,四川 成都 610031)
1 高速列车车内空调控制的特点
随着列车速度的提高,对车体封闭性能要求更好,车内与外界隔离后形成一个相对独立的乘车环境。车厢内的温湿度环境受车内空调系统的调节控制比较明显。高速列车均采用密闭式空调设计,这就要求有较好的空调换气系统来维持车内均衡的温湿度环境,同时保证在合适的温湿度范围内空调的能耗降到最低[1]。
高速列车空调系统是一个综合的控制系统,主要通过通风系统、制冷系统、供热系统、加湿系统及自动控制等系统的协作来实现对车厢内温湿度环境的调节。
2 车内空调环境与人体感觉舒适性的联系
车内的温湿度舒适性是乘客在众多因素作用下对车内环境的主观反映,它涉及的范围广泛,影响因素众多。研究表明:温湿度舒适性的主要影响因素是人和环境。与人有关的因素是人体代谢率和服装热阻;与环境有关的因素是空气温度、气流速度、相对湿度和平均辐射温度。温湿度对人体的舒适感有特别明显的影响,是影响人体热平衡、热舒适、空气质量的重要因素[2]。
当车内温度在20~30℃变化时,湿度对于人体通过汗液蒸发来保持热舒适的能力有重要作用,湿度主要影响粘湿皮肤上的水分蒸发及其分布情况[3]。在环境温度为24℃,相对湿度为50%RH时,穿着长裤和长袖上衣的乘客在较少活动时损失水分的速率是37mL/s;在相对湿度为20%RH时,保持其他条件不变,总的水分损失速率为40mL/s。
在研究列车温湿度环境时很难反映出车内环境随时空变化而变化的特点,特别是在研究高速列车车内空调控制时,需要综合考虑车内温湿度环境动态变化对旅客乘坐舒适性的影响[4]。高速列车车内某时监测的车厢纵断面和横截面温度等高图分别如图1、图2所示。可以看出,车内不同空间、不同部位,不同高度的温度场分布差异明显,需要人工干预,即通过空调来调整车内的温湿度环境,使车内的温湿度环境保持在一个适当且均匀的动态变化范围之内。
图1 高速列车车厢纵断面温度等高图
图2 车内横截面温度等高图
本文采用人工神经网络应用于人体舒适性评价的计算,可以实现对温湿度舒适性影响因素的实时评估以及对空调做出适时的调整。人工神经网络通过对试验样本进行学习,可以得到输入变量与输出变量的连接权值和连接的结构,达到预测计算的目标[5]。
3 BP神经网络介绍
BP神经网络是一种单向传播的多层前向网络,是一种具有3层或3层以上的神经网络,包括输入层、中间层(隐层)和输出层[6]。
BP神经网络的学习过程分前向和反向传播两部分。前向传播部分为从输入层输入学习样本,经中间层处理后向输出层传播,在输出层的各神经元获得输出。当输出层没有得到期望的输出时,反向传播开始,在输出层经过各中间层逐层修正各连接权值,最后回到输入层。学习算法通过网络的实际输出与期望值的误差来修正其连接权和阈值,不断迭代使最后的实际输出与期望值尽可能接近。
4 建立高速列车车内空调环境评判的BP神经网络模型
4.1 车内温湿度环境舒适性神经网络模型建立
图3 高速列车车内温湿度环境评价流程图
图4 BP神经网络示意图
图5 温湿度舒适性指数的神经网络预测模型示意图
把影响车内温湿度舒适性的因素(主要包括温度、湿度、空调系数、衣服系数)作为输入层,输入层的神经元有4个,输出层为温湿度舒适性指数均值,输出层的神经元有1个,因此设置输入层的维数为4维,输出层的维数为1维。中间层是网络隐层,增加隐层数的目的是为了进一步降低误差,提高拟合精度,但会使网络变得复杂,增加网络权值的训练时间,为了兼顾准确性与效率,确定中间层为8维[7]。
温湿度舒适性值与车内温湿度环境影响因素值的关系模型:
式中:P——温湿度舒适性值;
kT——空气温度影响系数;
kH——空气湿度影响系数;
kC——人体衣着影响系数;
kV——空调影响系数。
温湿度舒适性值的神经网络预测模型如图5所示。
利用Matlab建立BP网络模型。Matlab中有专门为建立神经网络而设置的工具箱[8],可以利用Matlab语言构建出所需要的神经网络,通过调用激活函数完成对所选定网络输出的计算。
首先,建立网络对象并初始化,Matlab神经网络工具箱函数newff可以建立一个可训练的N层BP网络:
net=newff (PR,[S1,S2…SN],{TF1,TF2,TFN},BTF,BLF,PF)
然后是网络模型的训练,训练函数采用:[net,tr]=trainlm(net,Pd,TL)。
其中,net为初始化之后的网络;tr为训练过程中每一步长网络性能的记录;Pd为训练网络的输入样本;TL为训练用的目标样本。
4.2 温湿度舒适性神经网络模型的训练与仿真
与温湿度舒适性指数相关的4个环境参数:空气温度(用A表示)、湿度(用B表示)、空调指数(用C表示)与衣服指数(用D表示)。
在线路上实测不同空调控制环境条件下试验人群的主观感觉变化,感觉舒适的人数占总人数的百分比做作为基础,选取适当的权值系数做数据处理得到一组待训练测试分析的温湿度舒适指数T的取值。
高速列车车内常态下选取温度变化范围20~30℃,湿度变化范围10%RH~90%RH,当温度和湿度逐级递增或递减变化时车内乘客主观感觉变化会有差异,车内温湿度变化调控图如图6、图7所示。
图6 车内温度变化调控图
图7 车内湿度度变化调控图
统计得出不同季节推荐比较合适的空气温度、湿度、空调指数、衣服指数如表1所示。
表1 不同季节推荐比较合适的空气温度、湿度、空调指数、衣服指数
以下根据温湿度舒适性指数与车内温湿度环境变化关系的要求,建立如下程序:
A=[18.1,18.4,18.6,19,19.4,19.7,20,20.5,20.9,21.4,21.8,22,22.4,22.7,23,23.5,23.8,24,24.4,24.7,25,25.4,25.7,26,26.4,26.7,27.1,27.5,27.8,28,28.4,28.7,29,29.3,29.8,30,30.3,30.5,30.9,31,31.4,31.8,32,32.4,32.6];
B=[0.3,0.32,0.33,0.35,0.34,0.36,0.37,0.38,0.39,0.4,0.41,0.43,0.42,0.44,0.45,0.43,0.46,0.48,0.47,0.49,0.5,0.52,0.53,0.55,0.57,0.58,0.59,0.60,0.61,0.62,0.63,0.64,0.65,0.67,0.69,0.7,0.71,0.72,0.73,0.74,0.75,0.76,0.79,0.78,0.8];
C=[0.1,0.11,0.11,0.12,0.13,0.14,0.15,0.16,0.16,0.17,0.16,0.17,0.18,0.15,0.16,0.17,0.18,0.19,0.19,0.2,0.21,0.22,0.23,0.23,0.22,0.22,0.24,0.23,0.25,0.24,0.26,0.27,0.27,0.28,0.29,0.3,0.31,0.32,0.31,0.32,0.33,0.32,0.33,0.34,0.35];
D=[0.5,0.58,0.7,0.6,0.5,0.6,0.8,0.8,0.9,1.0,1.3,1.2,1.11,1.28,1.35,1.49,1.34,1.5,1.57,1.62,1.63,1.7,1.6,1.8,1.9,1.4,1.6,1.8,1.9,2.1,2.0,2.2,2.5,2.3,1.9,1.7,1.5,1.3,1.6,1.9,2.2,1.6,1.7,1.8,1.9];
通过对孕妇进行产前超声检查能够发现胎儿的肺内病灶,并且对分娩结局和胎儿预后效果进行评估,可为临床医生的咨询以及为围产儿的科学处置提供有效的参考价值[1]。本次研究将针对运用产前超声检查对于胎儿肺内异常病灶的诊断价值和声像图图特征等进行探讨。
P=[A;B;C;D];
T=[0.67,0.65,0.62,0.60,0.58,0.55,0.57,0.54,0.52,0.50,0.49,0.486,0.482,0.472,0.46,0.45,0.44,0.41,0.391,0.393,0.38,0.36,0.31,0.29,0.28,0.27,0.26,0.24,0.28,0.29,0.32,0.35,0.34,0.37,0.428,0.47,0.50,0.54,0.59,0.60,0.62,0.63,0.614,0.63,0.65];
net=newff(minmax(P),[4,8,1],{′tansig′,′tansig′,′tansig′},′trainlm′);//创建一个前向 BP 神经网络
net.trainParam.show=25;//显示训练结果的间隔步数
net.trainParam.lr=0.75;//设置训练步长(步长过小会延长学习时间,步长过大会造成算法不稳定,甚至无法收敛,根据训练的结果进行适当的设置)
net.trainParam.epochs=500;//设置总的训练步数
net.trainParam.goal=0.0001;//设置训练目标误差
net=train(net,P,T); //调用 trainlm 算法训练 BP网络,其中P为训练网络的输入样本,T为训练网络的目标样本(温湿度舒适性指数)。
error=T-Y;//计算仿真误差,Y为训练网络的输出样本,经过运算得到下面的误差收敛曲线图,如图8所示。
图中横坐标表示收敛步数,纵坐标表示训练曲线与目标曲线接近程度,即收敛误差。可以看出,经过48步迭代计算,训练曲线与误差曲线的网络误差为 1.06×10-4。
图8 误差收敛曲线图
图9 训练输出值Y与目标值T的拟合图
图9横坐标为训练网络的目标样本T,纵坐标为训练网络的输出样本Y,拟合曲线为Y=T+0.00061。
如图9所示,训练输出值Y与目标值T的拟合超过99%,可以看出网络模型的计算准确度较高,对数据的适应性较强,性能达到预期目标,可以用来计算出比较准确的数据,可作为一个温湿度舒适评价的神经网络模型。
5 高速列车车内温湿度舒适性环境的调控
车内空调对温湿度变化调控以及应用BP神经网络控制进行辅助调节的程序图如图10所示。
图10 车内温湿度调控程序图
在BP神经网络的基础上,经过模拟不同季节不同温湿度舒适性影响因素的试验数据,得出一组推荐温湿度舒适性分级评价参考,如表2所示。
表2 推荐温湿度舒适性分级
用BP神经网络计算出不同季节任意工况下车内某一组温度、湿度、空调系数、衣着系数下的温湿度舒适值,根据对应的舒适性评价程度,可以通过调节空调的各项参数,得到大多数旅客感觉比较舒适的空调环境。
以线路上运营的某高速列车为例,春夏季节高速运行时客室内温度值在24~26℃之间。应用BP神经网络计算出温度舒适性指数为0.35~0.45,根据推荐温湿度舒适性分级,旅客乘车的温湿度舒适性介于“舒适”与“较为舒适”之间,偏向于“舒适”,可以认为该空调环境符合大多数旅客的感受。
6 结束语
本文从统计车内温湿度环境的舒适程度出发,用BP神经网络来描述高速列车内温湿度舒适性与车内空调控制乘车环境之间的关系,并给出了温湿度舒适性的评判参考,能够较为准确地评判车内温湿度舒适性,可为工程设计提供评判指标,也为现场监控人员在列车运行时调节车内温湿度环境的舒适性提供参考。
[1] 张景玲,万建武.室内温湿度对人体热舒适和空调能耗影响的研究[J].重庆建筑大学学报,2008,2(1):9-12.
[2] 靳艳梅.车室内人体热舒适性的计算模型[J].人类工效学,2005,11(2):16-18.
[3] 陈良.室内热湿环境对人体生理及热舒适影响的实验研究[D].重庆:重庆大学,2006.
[4] 罗鑫.神经网络算法在暖通空调控制中的应用[J].微计算机信息,2009,25(1):26-28.
[5] 刘辉.基于遗传算法的室内热舒适指标PMV的神经网络预测[J].河北建筑工程学院学报,2002,20(3):39-41.
[6] 飞思科技产品研发中心.神经网络理论与Matlab7实现[M].北京:电子工业出版社,2005:57-62.
[7] 李成利.神经网络在PMV指标控制中的应用研究[J].微型机与应用,2010(1):64-66.
[8] 董长虹.神经网络模型与应用[M].北京:国防工业出版社,2007:107-112.