基于Elman神经网络的转轮除湿系统建模

刘晓阳， 冯辅周， 王江峰

(1.装甲兵工程学院机械工程系， 北京 100072； 2.装甲兵工程学院科研部， 北京 100072)



基于Elman神经网络的转轮除湿系统建模

刘晓阳1， 冯辅周1， 王江峰2

(1.装甲兵工程学院机械工程系， 北京 100072； 2.装甲兵工程学院科研部， 北京 100072)

摘要：为实现对转轮除湿系统出口温度、含湿量的高精度预测，基于对复杂系统建模具有良好适应性和稳定性的Elman神经网络，通过正交实验采集神经网络训练数据，根据神经网络建模过程建立了转轮除湿系统的模型，实现了对除湿系统出口空气状态的预测。最后，对BP和Elman神经网络建模效果进行了对比，结果表明：Elman模型具有更高的预测精度和更好的稳定性。

关键词：转轮除湿系统； BP网络； Elman网络； 建模

转轮除湿是一种固体除湿方法，它依靠固体吸附剂(如硅胶、氯化锂等)吸收水分，达到降低空气湿度的目的。转轮除湿具有除湿量大、性能稳定，以及可低温除湿、环保无污染等优点，在生产生活中具有广泛应用。

目前，转轮除湿系统模型主要是由控制方程﹑边界条件和补充方程组成的物理模型。文献[1-2]作者对转轮物理模型进行了相应简化，并通过实验验证了模型的准确性；文献[3-4]作者通过编写程序实现了转轮除湿系统模型的求解；文献[5-8]作者基于合理的假设，对转轮除湿系统模型进行了相应研究。但由于转轮除湿系统物理模型参数众多、求解计算量大，其在实际应用中具有一定的局限性。

人工神经网络属于拟合模型的一种，对转轮除湿系统这种复杂系统的建模具有良好的适应性。Uçkan等[9]将BP神经网络应用于转轮除湿系统的建模，实现了对转轮除湿量的预测，预测精度与数学模型求解精度相似，但求解过程更为简化。传统的BP神经网络抗干扰能力差，对训练数据的改变较为敏感[10]，利用BP神经网络建立的转轮除湿系统模型有待进一步优化。 Elman神经网络在BP神经网络结构的基础上增加了反馈结构，减少了对原始训练数据的依赖，能有效减小预测值的误差。为此，笔者根据正交实验原理，对神经网络建模所需训练数据进行较为全面的采集，建立6输入参数、2输出参数的Elman神经网络模型，实现对转轮除湿系统出口风温度和含湿量的预测，并通过与BP神经网络建模效果进行对比来验证该模型的稳定性和预测精度。

1转轮除湿系统的工作原理

转轮除湿系统由风机、过滤器、除湿转轮、传动装置和再生风加热器等组成，其工作原理如图1所示，除湿转轮分为除湿区和再生区。处理空气通过转轮的除湿区时，水分子被吸附剂吸收；高温低湿的再生风通过转轮再生区，将吸附剂中的水分带走。转轮由电机驱动不断转动，除湿区和再生区周而复始，实现连续除湿。

图1转轮除湿系统工作原理

2Elman神经网络

2.1Elman神经网络结构

Elman神经网络一般分为输入层、隐含层、承接层和输出层4层结构，其中：输入层、隐含层和输出层连接方式与传统的BP神经网络一致；承接层用于储存前一时刻隐含层的输出值，具有延时单元的作用，这使得系统具备状态记忆、动态递归的功能，能直接反映系统过程特性。Elman神经网络结构如图2所示。

图2Elman神经网络结构

Elman神经网络非线性状态表达式如下：

yk=P(M3uk+b2)，

uk=F(M2uck+M1uk-1+b1)，

uck=xk-1。

式中：x、u、uc、y分别为神经网络输入值、中间层节点输出值、承接层反馈值和神经网络输出值；M1、M2、M3分别为输入层到中间层、中间层到承接层、中间层到输出层的权值矩阵；b1、b2分别为中间层和输出层的偏置矩阵；F(·)为中间层神经元的传递函数，常采用S函数；P(·)为输出层神经元的传递函数，是中间层输出的线性组合。

2.2Elman神经网络学习过程

Elman神经网络采用优化的梯度下降算法，网络训练速度快，可有效抑制网络陷入局部极小值，使网络的预测输出更加平稳。

学习指标函数采用误差平方和函数，其表达式为

神经网络的学习过程就是通过网络输出的预测值与真实值的差值来不断修正内部权值矩阵和偏置矩阵，使误差平方和函数最小。

3Elman神经网络建模过程

3.1输入、输出参数的确定

神经网络模型不考虑实际的物理过程，但选择的输入、输出参数之间要有明确的物理关系。综合考虑转轮除湿过程，本文选定处理空气入口相对湿度φ﹑处理空气出口温度Tp﹑再生风入口温度Tr﹑处理风风速vp﹑再生风风速vr和转轮驱动电机开度n作为输入参数；选定处理风出口温度Tout和出口含湿量Yout作为神经网络的输出参数。

3.2训练数据采集

神经网络模型的预测精度依赖于训练数据，尤其是对于多输入、多输出的神经网络模型，训练数据越全面，神经网络拟合性越好。相关研究[11]表明：通过完备的正交实验对训练数据进行采集，既能减少实验次数，又能提高神经网络模型训练效果。笔者采用6因素5水平正交实验表，6因素对应神经网络的6个输入参数。

笔者在天津商业大学转轮除湿实验台上进行训练样本的采集实验，如图3所示，共采集110组数据(包括50组正交实验和60组补充实验)，神经网络输入、输出参数范围如表1所示。

图3天津商业大学转轮除湿实验台

表1神经网络输入、输出参数范围

3.3确定基本参数及神经网络结构

基本参数设置如下：训练函数为trainlm；最大训练次数为200；训练速度为0.1；训练误差目标值为0.000 4；传递函数为tansig。

确定神经网络的结构主要是指确定隐含层和神经元的数量。相关研究[12]表明：可以通过增加神经元的数量来减少隐含层层数，任意非线性函数都可以用含1个隐含层的神经网络来逼近。综合已有研究成果[13-14]，隐含层神经元数量k最大为15个。设输入参数维数为Nx，输出参数维数为Ny，训练样本数目Ntrain应满足

Ntrain≥(Nx+Ny)×(1+k)。

本文中，隐含层神经元数量k=9。

3.4神经网络训练及精度检验

根据实验采集数据，随机将其中80组数据用于建立BP和Elman神经网络训练模型，剩余30组数据用于验证模型精度，若预测值与真实值的误差不满足精度要求，则重新对神经网络进行训练，直至满足精度要求为止。

4神经网络建模效果对比

在20次训练中选取BP和Elman神经网络模型平均预测误差最小的一次进行比较，预测结果如图4-7所示。

由图4、5可见：BP神经网络模型出口温度预测值与真实值之差在±3 ℃之间，相对误差在±10%之间，平均相对误差为4.01%；出口含湿量预测值与实际值之差大部分在±2 g/kg，个别数据预测出现较大偏差，相对误差接近-30%，平均相对误差为9.34%。

图4BP神经网络模型出口温度预测结果

图5BP神经网络模型出口含湿量预测结果

图6Elman神经网络模型出口温度预测结果

图7Elman神经网络模型出口含湿量预测结果

由图6、7可见：Elman神经网络模型出口温度预测值与真实值之差在±2 ℃之间，相对误差大部分在±5%之间，平均相对误差为2.58%；出口含湿量预测值与实际值之差大部分在±1g/kg，相对误差在±20%之间,平均相对误差为8.29%。

综合以上结果可知：Elman神经网络模型比BP神经网络模型稳定性好、预测精度高。

参考文献：

[1]LeeDY,KimDS.AnalyticalModelingofaDesiccantWheel[J].InternationalJournalofRefrigeration, 2014,42：97-111.

[2]YadavA,YadavL.ComparativePerformanceofDifferentSectorArrangementinaDesiccantWheelUsingaMathematicalModel[J].HeatTransfer,AsianResearch,2015,44(2)：133-153.

[3]冯青,俞金娣,张鹤飞.转轮式干燥剂除湿器数学模型及RDEH程序[J].太阳能学报,1994,15(3)：209-217.

[4]俞金娣.干燥转轮除湿器的新数学模型与RDCS程序[J].太阳能学报,1995,16(4)：368-378.

[5]郝红,张于峰,邓娜,等.除湿转轮的数学模型及瞬态响应性

能试验[J].天津大学学报, 2009,42(3)：236-242.

[6]袁卫星,刘晓茹.转轮除湿器简化模型数值模拟与性能分析[J].太阳能学报,2007,28(3)：296-300.

[7]李彭,仇中柱,沈晋明.除湿转轮的数学模型[J].同济大学学报,2004,32(3)：327-331.

[8]张学军,代彦军,王如竹.蜂窝式除湿转轮的传热传质数学模型及其试验验证[J].机械工程学,2005,41(1)：82-85.

[9]UçkanI,YlmazT,HüanE,etal.DevelopmentofanArtificialNeuralNetworkModelforthePredictionofthePerformanceofaSilica-gelDesiccantWheel[J].InternationalJournalofGreenEnergy, 2015,12(11):1159-1168.

[10]丛爽，高雪鹏.几种递归神经网络及其在系统辨识中的应用[J].系统工程与电子技术,2003,25(2)：194-197.

[11]蔡安辉，刘永刚，孙国雄.基于正交实验的BP神经网络预测研究[J].中国工程科学,2003,5(7)：67-71.

[12]王雪飞.一种基于神经网络的非线性时变系统建模仿真方法[J].计算机研究与发展,2006,43(7)：1167-1172.

[13]HaykinS.神经网络与机器学习[M].北京:机械工程出版社，2011：103-106.

[14]张清良, 李先明. 一种确定神经网络隐层节点数的新方法[J].吉林大学学报(自然科学版),2002,23(1)：89-91.

(责任编辑: 尚彩娟)

Modeling of Desiccant Wheel System Based on Elman Neural Network

LIU Xiao-yang1,FENG Fu-zhou1,WANG Jiang-feng2

(1.Department of Mechanical Engineering,Academy of Armored Force Engineering,Beijing 100072,China;2.Department of Science Research, Academy of Armored Force Engineering, Beijing 100072,China)

Key words:Desiccant Wheel System(DWS);BP network;Elman network; modeling

Abstract：In order to calculate outlet air temperature and moisture of Desiccant Wheel System (DWS) with high precision,based on the Elman neural network which is complicated and stable for complicated system modeling,the authors collect training data through orthogonal test and set up the model of DWS according to the modeling process of neural network to realize the prediction of the outlet air condition of DWS.At last, the modeling effects of BP and Elman neural network models are compared,the results show that the Elman model has higher prediction precision and better stability.

文章编号：1672-1497(2016)03-0064-04

收稿日期：2016-03-01

基金项目：军队科研计划项目

作者简介：刘晓阳(1991-)，男，硕士研究生。

中图分类号：TP183;TP391.9

文献标志码：A

DOI：10.3969/j.issn.1672-1497.2016.03.014