本发明提供了一种BP神经网络与模糊自适耦合的PID温度调节系统及方法，涉及智能建造围护结构及室内温度控制系统领域；本发明根据房间供散热平衡关系，考虑房间热耗散值随室外温度的变化的因素，完成对室内温度的调节，使其保持预设温度不变；为使室内温度稳定，本发明使用PID调节器控制换热器的供热量；通过使用BP神经网络和模糊控制两种优化算法，完成BP神经网络与模糊自适耦合的PID调节器装置对换热器供热量的调节；将本发明系统及方法在仿真平台上进行仿真，并通过示波器观察结果，结果显示本发明系统响应速度更快并且无超调量。
1.一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连；
所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口；
一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于所述的一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：式中KP，KI，KD分别为比例项系数、积分项系数、微分项系数；e(t)为系统中的环境温度误差量；Δu(t)为PID调节器的实际控制输出量；
步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量Qt，等于房间中积累的热量Q1和通过墙壁围护结构损失的热量Q2之和，即Qt＝Q1+Q2；最终得到PID调节器的传递函数；
步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数E(t)反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；
步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量e(t)和温度误差量的变化率ec(t)，e(t)和ec(t)具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为ec(t)＝e(t)‑e(t‑1)；模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：ΔKP，ΔKI，ΔKD；并在每一时刻对e(t)和ec(t)的数值实现无限调整，不断迭代优化，实现模糊推理；以此来实时对PID调节器的ΔKP，ΔKI，ΔKD实现校正；
步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量e(t)和温度误差量的变化率ec(t)及三输出参量ΔKP，ΔKI，ΔKD的模糊集，用字母表示为：{NB，NM，NS，ZO，PS，PM，PB}；
步骤8：确定e(t)和ec(t)对应的量化因子分别为Ke(t)＝0.5，Kec(t)＝0.01，三输出参量ΔKP，ΔKI，ΔKD的缩放因子为UP＝0.5，UI＝0.01，UD＝2；
步骤9：根据装置所调节的室内环境期望温度为21±1.5℃，则模糊控制模块的双输入参量环境温度误差量e(t)和温度误差量的变化率ec(t)的基本论域为Xe(t)＝[‑1.5，1.5]和Xec(t)＝[‑0.03，0.03]，根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定；
步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定e(t)、ec(t)的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度；e(t)和ec(t)的隶属函数选取等腰三角形函数(trinf)；
步骤11：根据ΔLP，ΔKI，ΔKD的基本论域XP＝[‑1.5，1.5]，XI＝[‑0.03，0.03]，XD＝[‑6，
6]、步骤7中的它们对应缩放因子UP，UI，UD和基本论域公式；
步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对Kp，Ki，Kd参数的确定；
步骤13：将通过模糊控制器模块完成整定的参数KP，KI，KD带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
2.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤2所述Q1、Q2表示为：式中TK为室内温度，TK＝21℃；C为房间内空气的比热容，在房间温度满足T≈20℃，空气压强也满足P＝101kPa时，C＝1.013kJ/(kg·K)，为便于计算P，C的取值为定值；τ为纯滞后时间，单位：秒；T0为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在T0＝0时：由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型，PID调节器的传递函数的表达形式为：其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量Q1和换热器散热量Φ的关系，以及换热器散热量Φ的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数G(s)的模型为：
3.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤3具体为：步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，BP 神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备M、Q、N个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
式中 为对BP神经网络算法中输入层神经元输入的第i个电信号； 为从输入
层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足M＝4，x1，x2，x3，x4分别表示四种输入信号，且与装置中的环境温度误差量e(t)具备对应关系：e(t)＝r(t)‑y(t) (9)
式中t为温度值；r(t)为设定的室内环境目标温度值的函数式；y(t)为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示；e(t)为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值；x4＝1为非线性调节的温度误差常量；
其中 为对BP神经网络算法中隐含层神经元输入的第j个电信号； 为从隐含
层神经元输出的第j个电信号； 为输入层第i个节点到隐含层第j个节点的隐含层权重值； 为采用Sigmoid形式的活化函数，即关于原点对称的双曲正切函数，其具体的表达式为：式中e为自然常数；x为采用Sigmoid形式的活化函数的未知量，在这里满足关系x ‑xe ，e 中x和‑x分别是自然常数e的指数；
其中 为对BP神经网络算法中隐含层神经元输入的第l个电信号； 为从隐含
层神经元输出的第l个电信号； 为隐含层第j个网络节点输出的电信号到输出层第l个网络节点的输出层权重值；
由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为KP，KI，KD，与输出层神经元的3个输出网络节点 相对应，对应关系为：上式中的Lp0，Ki0，Kd0是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由Kp0，Ki0，Kd0表示；由Kp，Ki，Kd所具有的非负性质，式中的活化函数 也调整为具有非负性质的表达式：z ‑z
式中e为自然常数；z为活化函数g[z]中的未知量，在这里满足关系 在e ，e
其中M，Q，N分别为输入层、隐含层、输出层神经元/数量，且M＝4，N＝3；q∈[1，10]，常数无实意；通过多次调整，最终确定Q＝5时，优化效果最佳，即神经网络系统的三级网络架构型式为4‑5‑3型。
4.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤4设置BP神经网络算法的性能指标E(t)为：式中t为调节过程中的任一时刻；e(t)为输出值y(t)与输入值r(t)之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
5.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤5具体为：式中，η为学习效率，α为动量因数，均为固定值，η＝0.25，α＝0.05；Δw(t)和Δw(t+1)为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为[‑0.5，0.5]之间的随机数；以输出层神经元为例，在下降梯度‑反向迭代搜索的权重系数公式的基础上，由于：通过化简，得到如下关系：
式中Δu(t)为PID调节器的实际控制输出量； 为性能指标E(t)对BP神经网
络算法中隐含层神经元输入的第l个电信号 的偏导数；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：得到隐含层的权重系数的表达式为：
式中 为性能指标E(t)对BP神经网络算法中隐含层神经元输入的第j个
电信号 的偏导数；完成本步骤后，若性能指标E(t)的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
6.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤9根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定：式中Ne(t)，Nec(t)分别为e(t)和ec(t)的模糊论域，并得到Ne(t)＝[‑3，3]和Nec(t)＝[‑3，
3]；根据e(t)和ec(t)的基本论域Xe(t)，Xec(t)的取值可具体定义e(t)和ec(t)的模糊集为{‑
7.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤11具体为：式中NP，NI，ND分别为模糊控制模块的三输出参量ΔKP，ΔKI，ΔKD采用Mamdani的模糊化方法的模糊论域，计算可得NP＝[‑0.5，0.5]，NI＝[‑0.01，0.01]，ND＝[‑2，2]；输出参数ΔKp，ΔKi，ΔKd的隶属函数选取高斯函数(gaussmf)；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从0℃～21℃上升的过程。
8.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤12具体为：KP＝KP0+{e，ec}KP＝KP0+ΔKP (24)
KI＝KI0+{e，ec}KI＝KI0+ΔKI (25)
KD＝KD0+{e，ec}KD＝KD0+ΔKD (26)
式中KP0，KI0，KD0是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值；ΔKP，ΔKI，ΔKD是的在线调整的修正值；KP，KI，KD分别为公式(1)中的比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
一种BP神经网络与模糊自适耦合的PID温度调节系统及方法
技术领域
[0001] 本发明涉及智能建造围护结构及室内温度控制系统领域，尤其涉及一种BP神经网络与模糊自适耦合的PID温度调节系统及方法。
背景技术
[0002] 在中国率先提出“双碳计划”的背景下，各行业都需制定节能减排的措施，在建筑行业中关于超低能耗建筑的研究在不断深入；另一方面，由于“互联网+”模式的兴起，智能控制技术持续加速应用于生活之中，但当前建筑住宅的供暖系统中，供暖技术和方法的智能应用程度不高，不能实现精准调节。
[0003] 随着城市供暖技术的不断发展，家庭供暖在全国逐渐普及开来，在北方基本全覆盖。在城市建筑中换热器的热媒流量大多恒定不变，家庭中安装的换热器供给热量往往在一开始就已经设定好，使得换热器的散热率在安装完成后就保持恒定；由于室外温度的不断变化的会引起房屋围护结构散热率的变化，使得室内的供热和散热关系不平衡，导致室内温度持续变化，呈现午间偏热晚间偏冷的结果。不能维持稳定的室内温度会影响住户居住体验，同时不需要和不及时的供暖热量也会造成一定程度的资源浪费，增大化石燃料的燃烧量和空气污染物的排放量。
发明内容
[0004] 针对现有技术的不足，本发明提供一种BP神经网络与模糊自适耦合的PID温度调节系统及方法。
[0005] 一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
[0006] 所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连。
[0007] 所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
[0008] 所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
[0009] 所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
[0010] 一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：
[0011] 步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：
[0012] （1）
[0013] 式中 分别为比例项系数、积分项系数、微分项系数； 为系统中的环境温度误差量； 为PID调节器的实际控制输出量；
[0014] 步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量 ，等于房间中积累的热量 和通过墙壁围护结构损失的热量之和，即 ；最终得到PID调节器的传递函数；其中 、 表示为：
[0015] （2）
[0016] （3）
[0017] 式中 为室内温度， ；C为房间内空气的比热容，在房间温度满足，空气压强也满足 时， ，为便于计算P，C的取值为
定值； 为纯滞后时间，单位：秒； 为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在 时：
[0018] （4）
[0019] 由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型， PID调节器的传递函数的表达形式为：
[0020] （5）
[0021] 其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量 和换热器散热量 的关系，以及换热器散热量 的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数 的模型为：
[0022] （6）。
[0023] 步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
[0024] 步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，BP神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备 个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
[0025] 在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
[0026] （7）
[0027] 式中 为对BP神经网络算法中输入层神经元输入的第i个电信号；为从输入层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
[0028] 步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足 分别表示四种输入信号，且与装置中的环境温度误差量 具备对应关系：
[0029] （8）
[0030] （9）
[0031] 式中t为温度值； 为设定的室内环境目标温度值的函数式； 为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示； 为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值； 为非线性调节的温度误差常量；
[0032] 步骤3.3：隐含层神经元的输入和输出电信号为：
[0033] （10）
[0034] 其中 为对BP神经网络算法中隐含层神经元输入的第j个电信号； 为从隐含层神经元输出的第j个电信号； 为输入层第i个节点到隐含层第j个节点的隐含层权重值； 为采用 形式的活化函数，即关于原点对称的双曲正切函数，
其具体的表达式为：
[0035] （11）
[0036] 式中e为自然常数；x为采用 形式的活化函数的未知量，在这里满足关系； 中x和‑x分别是自然常数e的指数；
[0037] 步骤3.4：输出层神经元的输入和输出电信号为：
[0038] （12）
[0039] 其中 为对BP神经网络算法中隐含层神经元输入的第 个电信号；为从隐含层神经元输出的第 个电信号； 为隐含层第j个网络节点输出的电信号到输出层第 个网络节点的输出层权重值；
[0040] 由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为 ,与输出层神经元的3个输出网络节点 相对应，对应关系为：
[0041] （13）
[0042] 上式中的 是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由 表示；由
所具有的非负性质，式中的活化函数 也调整为具有非负性质的表达
式：
[0043] （14）
[0044] 式中e为自然常数；z为活化函数 中的未知量，在这里满足关系 ；在 中z和‑z分别是自然常数e的指数；
[0045] 步骤3.5：由隐含层神经元节点数量的计算公式：
[0046] （15）
[0047] 其中 分 别为 输入 层、隐 含 层、输出 层神 经元 /数 量 ，且，常数无实意；通过多次调整，最终确定 时，优化效果最
佳，即神经网络系统的三级网络架构型式为4‑5‑3型。
[0048] 步骤4：设置BP神经网络算法的性能指标 为：
[0049] （16）
[0050] 式中t为调节过程中的任一时刻； 为输出值 与输入值 之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
[0051] 步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数 反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；其表达式为：
[0052] （17）
[0053] 式中， 为学习效率， 为动量因数，均为固定值， ；和 为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为
之间的随机数；以输出层神经元为例，在下降梯度‑反向迭代搜索的权重系数公式的基础上，由于：
[0054] （18）
[0055] 通过化简，得到如下关系：
[0056] （19）
[0057] 式中 为PID调节器的实际控制输出量； 为性能指标 对BP神经网络算法中隐含层神经元输入的第 个电信号 的偏导数；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：
[0058] （20）
[0059] 得到隐含层的权重系数的表达式为：
[0060] （21）
[0061] 式中 为性能指标 对BP神经网络算法中隐含层神经元输入的第j个电信号 的偏导数；完成本步骤后，若性能指标 的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
[0062] 步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量 和温度误差量的变化率 ， 和具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为 ；模糊控制模块的三输出参
量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：
；并在每一时刻对 和 的数值实现无限调整，不断迭代优化，实现模
糊推理；以此来实时对PID调节器的 实现校正；
[0063] 步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量 和温度误差量的变化率 及三输出参量的模糊集，用字母表示为： ；
[0064] 步骤8：确定 和 对应的量化因子分别为 ，三输出参量 的缩放因子为 ；
[0065] 步骤9：根据装置所调节的室内环境期望温度为 ，则模糊控制模块的双输入参量环境温度误差量 和温度误差量的变化率 的基本论域为和 ，根据基本论域和步骤7中的量化
因子 的取值，对模糊论域进行确定；
[0066] （22）
[0067] 式中 分别为 和 的模糊论域，并得到 和；根据 和 的基本论域 的取值可具体定义
和 的模糊集为{‑3，‑2，‑1，0，1，2，3}。
[0068] 步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定 、 的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度； 和 的隶属函数选取等腰三角形函数 ；
[0069] 步骤11：根据 的基本论域、步骤7中的它们对应缩放因子
和基本论域公式；得到：
[0070] （23）
[0071] 式中 分别为模糊控制模块的三输出参量 采用的模糊化方法的模糊论域，计算可得
；输出参数 的隶属函数选
取高斯函数 ；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从 上升的过程。
[0072] 步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对 参数的确定；
[0073] （24）
[0074] （25）
[0075] （26）
[0076] 式中 是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值； 是的在线调整的修正值； 分别为公式(1)中的
比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
[0077] 步骤13：将通过模糊控制器模块完成整定的参数 带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
[0078] 本发明的有益技术效果：
[0079] 一方面，本发明基于在BP神经网络优化算法提供初始值的前提下，在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中加入BP神经网络优化算法模块、模糊控制器模块，实时调节初始参数可较一般的PID调节器更快达到预设目标温度，在示波器监测装置中可更快看到收敛状态，振荡较小且不存在超调量；相较于无模糊控制器模块调节的PID调节器而言，有了很好的改善。控制效果的显著提升从对比的结果中可以表现。使用BP神经网络和模糊自适规则耦合调节可以更好地实现对PID调节器的调节，使其对供水流量的控制更加快速、精准和高效，弥补了常规PID调节器存在较大惯性和延迟的缺点。
[0080] 另一方面，本发明改进了老式换热器存在着一天内房间内温度会变化的问题，加入了室外测温传感器装置实时测量获取室外温度得到环境温度误差量，并将其的作为可编程控制器中模糊控制器模块的输入量之一，随着室外温度的变化持续调节室内供热量，使室内温度不受室外温度的影响。
[0081] 本发明参考工业上同样具有加热元件和热损失的电阻炉模型，建立具有一阶惯性滞后环节传递函数的传热模型。采用启发算法的BP神经网络优化算法对模糊自适PID控制器的比例项、积分项和微分项系数三个参数的初始基准参数进行迭代求解，实现了智能控制器对换热器向房间中供热量的精准控制与实时调整，保持室内温度的恒定。
附图说明
[0082] 图1是本发明一种BP神经网络与模糊自适耦合的PID温度调节系统的结构示意图；
[0083] 图2是本发明BP神经网络与模糊自适耦合的PID调节器中优选结构流程图；
[0084] 图3是本发明BP神经网络与模糊自适耦合的PID调节器内部结构示意框图；
[0085] 图4是本发明可编程控制器的流程结构图；
[0086] 图5是本发明模糊控制器模块的组成框图；
[0087] 图6是本发明BP神经网络算法的结构图；
[0088] 图7是本发明 的隶属函数曲线图；
[0089] 图8是本发明模糊控制器模块中制定的模糊规则的三维曲面图；
[0090] 图9是本发明 和 的隶属函数图；
[0091] 图10是本发明BP神经网络与模糊自适耦合的PID调节器模型；
[0092] 图11是本发明 的数值曲线图；
[0093] 图12是本发明示波器监测装置中结果示意图。
具体实施方式
[0094] 下面结合附图和实施例对本发明做进一步说明；
[0095] 本发明的目的在于提供一种BP神经网络与模糊自适耦合的PID温度调节系统及方法，根据室内设定温度和室外实际温度的差值，由自适模糊PID控制器和BP神经网络算法耦合优化恒温控制器工作，并实现快速响应。
[0096] 参考图1所示，一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；
[0097] 所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连。
[0098] 所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；
[0099] 所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；
[0100] 所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是专家凭借直觉推理的语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
[0101] 实际运行时BP神经网络与模糊自适耦合的PID调节器装置用于控制房间入水、出水口处的水压和流量阀门，直接控制换热器管道中热水的流量。由于换热器对房间的供热量与换热器中热水的流速有直接关系，则继而控制器控制了换热器对房间的供热量。在室外温度持续发生变化时，使得室内温度始终维持在预设温度。室内、外测温传感器装置分别用于测量室内外温度，涡轮式液体流量传感器用于测量换热器中热水的流速。
[0102] 本发明不限制各模块的具体物理装备的型号，作为优选，室内、外测温传感器装置可选为MIK‑WZP‑V2‑A2‑B1‑C1‑YD型温度传感器；涡轮式液体流量传感器可选为LWGY‑B电池供电型不锈钢液体涡轮流量计；可编程控制器可选为西门子S7‑200型PLC或西门子S7‑300型PLC；PID调节器可选为MIK‑2300系列智能PID调节器；示波器监测装置可选为UTD2052CEX数字示波器。
[0103] 图2是本发明基于图1的BP神经网络与模糊自适耦合的PID调节器中优选结构流程图。如图2所示，室外测温传感器装置从室外获取室外温度的测量值，输入至信号转换器一的温度判断器中，若室外温度高于房间达到的预设温度下供热量、散热量平衡的室外温度，则模糊自适PID控制器控制出入水口的阀门降低换热器管道内热水流量，使得换热器供热量减少，达到房间供热量、散热量平衡；反之，若室外温度低于房间达到的预设温度下供热量、散热量平衡的室外温度，则模糊自适PID控制器控制出入水口的阀门提高换热器管道内热水流量，使得换热器供热量增加，以达到房间供热量、散热量平衡。在BP神经网络与模糊自适耦合的PID调节器装置实时进行调节的过程中，室内测温传感器装置获取室内温度的数字信号，将数字信号输入至信号转换器一的温度判断器中，以进行不断调节。
[0104] 图3给出了本发明的BP神经网络与模糊自适耦合的PID调节器内部结构示意框图，装置内包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块和示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入。
[0105] 由于室内恒温系统的温度随时间的变化是具有非线性、高精度的特点，则选取使用经过BP神经网络算法后的结果，输入至双输入三输出类型的模糊控制器模块进行控制，模糊控制模块的双输入参量为 和 ，模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量： ，流程结构如图4所示。
[0106] 如图5所示，为模糊控制器模块的组成框图。该模块的具体组成来源于已有的过程控制方法，模糊控制器由模糊化接口、推理机和解模糊化接口组成；其中推理机由数据库和规则库组成。模糊化接口的作用是将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是专家凭借直觉推理的语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口。
[0107] 在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中，本发明加入了BP神经网络优化算法模块，对传递函数求解，得到PID调节器时域函数方程中的比例项、积分项和微分项系数。求解过程中使用BP神经网络算法，该算法是模仿自然界生物的神经元之间的信号传递过程，包括神经元的激活、信号通过突触传递，这使得该算法具备强大的学习能力和适应不确定性系统动态特性的特点。BP神经网络算法的结构图如图6所示；
[0108] 另一方面，一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：
[0109] 步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：
[0110] （1）
[0111] 式中 分别为比例项系数、积分项系数、微分项系数； 为系统中的环境温度误差量； 为PID调节器的实际控制输出量；
[0112] 步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量 ，等于房间中积累的热量 和通过墙壁围护结构损失的热量之和，即 ；最终得到PID调节器的传递函数；其中 、 表示为：
[0113] （2）
[0114] （3）
[0115] 式中 为室内温度， ；C为房间内空气的比热容，在房间温度满足，空气压强也满足 时， ，为便于计算P，C的取值为
定值； 为纯滞后时间，单位：秒； 为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在 时：
[0116] （4）
[0117] 由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型， PID调节器的传递函数的表达形式为：
[0118] （5）
[0119] 其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量 和换热器散热量 的关系，以及换热器散热量 的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数 的模型为：
[0120] （6）。
[0121] 步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；
[0122] 步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，该算法是模仿自然界生物的神经元之间的信号传递过程，包括神经元的激活、信号通过突触传递，这使得该算法具备强大的学习能力和适应不确定性系统动态特性的特点。BP神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备 个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；
[0123] 在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：
[0124] （7）
[0125] 式中 为对BP神经网络算法中输入层神经元输入的第i个电信号；为从输入层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；
[0126] 步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足 分别表示四种输入信号，且与装置中的环境温度误差量 具备对应关系：
[0127] （8）
[0128] （9）
[0129] 式中t为温度值； 为设定的室内环境目标温度值的函数式； 为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示； 为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值； 为非线性调节的温度误差常量；
[0130] 步骤3.3：隐含层神经元的输入和输出电信号为：
[0131] （10）
[0132] 其中 为对BP神经网络算法中隐含层神经元输入的第j个电信号； 为从隐含层神经元输出的第j个电信号； 为输入层第i个节点到隐含层第j个节点的隐含层权重值； 为采用 形式的活化函数，即关于原点对称的双曲正切函数，
其具体的表达式为：
[0133] （11）
[0134] 式中e为自然常数；x为采用 形式的活化函数的未知量，在这里满足关系； 中x和‑x分别是自然常数e的指数；
[0135] 步骤3.4：输出层神经元的输入和输出电信号为：
[0136] （12）
[0137] 其中 为对BP神经网络算法中隐含层神经元输入的第 个电信号；为从隐含层神经元输出的第 个电信号； 为隐含层第j个网络节点输出的电信号到输出层第 个网络节点的输出层权重值；
[0138] 由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为 ,与输出层神经元的3个输出网络节点 相对应，对应关系为：
[0139] （13）
[0140] 上式中的 是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由 表示；由
所具有的非负性质，式中的活化函数 也调整为具有非负性质的表达
式：
[0141] （14）
[0142] 式中e为自然常数；z为活化函数 中的未知量，在这里满足关系 ；在 中z和‑z分别是自然常数e的指数；
[0143] 步骤3.5：由隐含层神经元节点数量的计算公式：
[0144] （15）
[0145] 其中 分 别为 输入 层、隐 含 层、输出 层神 经元 /数 量 ，且，常数无实意；通过多次调整，最终确定 时，优化效果最
佳，即神经网络系统的三级网络架构型式为4‑5‑3型。
[0146] 步骤4：设置BP神经网络算法的性能指标 为：
[0147] （16）
[0148] 式中t为调节过程中的任一时刻； 为输出值 与输入值 之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。
[0149] 步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数 反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；其表达式为：
[0150] （17）
[0151] 式中， 为学习效率， 为动量因数，均为固定值， ；和 为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为
之间的随机数；以输出层神经元为例，在下降梯度‑反向迭代搜索的权重系数公式的基础上，由于：
[0152] （18）
[0153] 通过化简，得到如下关系：
[0154] （19）
[0155] 式中 为PID调节器的实际控制输出量； 为性能指标 对BP神经网络算法中隐含层神经元输入的第 个电信号 的偏导数，为公式化简无实际意义；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：
[0156] （20）
[0157] 得到隐含层的权重系数的表达式为：
[0158] （21）
[0159] 式中 为性能指标 对BP神经网络算法中隐含层神经元输入的第j个电信号 的偏导数，为公式化简无实际意义；完成本步骤后，若性能指标的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。
[0160] 步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量 和温度误差量的变化率 ， 和具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为 ；模糊控制模块的三输出参
量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：
；并在每一时刻对 和 的数值实现无限调整，不断迭代优化，实现模
糊推理；以此来实时对PID调节器的 实现校正；
[0161] 步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量 和温度误差量的变化率 及三输出参量的模糊集，用字母表示为： ；
[0162] 步骤8：确定 和 对应的量化因子分别为 ，三输出参量 的缩放因子为 ；
[0163] 步骤9：根据装置所调节的室内环境期望温度为 ，则模糊控制模块的双输入参量环境温度误差量 和温度误差量的变化率 的基本论域为和 ，根据基本论域和步骤7中的量化
因子 的取值，对模糊论域进行确定；
[0164] （22）
[0165] 式中 分别为 和 的模糊论域，并得到 和；根据 和 的基本论域 的取值可具体定义
和 的模糊集为{‑3，‑2，‑1，0，1，2，3}。
[0166] 步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定 、 的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度； 和 的隶属函数选取等腰三角形函数 ；
[0167] 步骤11：根据 的基本论域、步骤7中的它们对应缩放因子
和基本论域公式；得到：
[0168] （23）
[0169] 式中 分别为模糊控制模块的三输出参量 采用的模糊化方法的模糊论域，计算可得
；输出参数 的隶属函数选
取高斯函数 ；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从 上升的过程。
[0170] 步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对 参数的确定；
[0171] （24）
[0172] （25）
[0173] （26）
[0174] 式中 是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值； 是的在线调整的修正值； 分别为公式(1)中的
比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。
[0175] 步骤13：将通过模糊控制器模块完成整定的参数 带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。
[0176] 在本发明所设计的PID调节器中 的隶属度函数曲线选取高斯函数，如图7所示；模糊控制器模块中制定的模糊规则的三维曲面图如图8所示； 和的隶属函数选取等腰三角形的数学模型，如图9所示。
[0177] 本试验将仅BP神经网络优化算法模块后的结果与使用BP神经网络优化算法模块和模糊控制器模块的两种可编程控制器在仿真平台中进行对比，使用示波器监测装置观察其结果，选择使用的仿真模型结构如图10所示。
[0178] 通过BP神经网络算法进行迭代计算，得到 的数值曲线，如图11所示。为验证加入的模糊控制器模块对系统稳定性的影响，在系统初始输入脉冲信号，直到信号趋于稳定。如图12所示为使用示波器监测装置观察的结果，其中传输延迟1是只有BP神经网络优化算法模块的PID调节器，传输延迟2是兼有BP神经网络优化算法模块和模糊控制器模块的PID控制器。在示波器监测装置上可观察得到传输延迟2比传输延迟1反应更加快速、精准、高效，且无超调量，有效缩短了上升和调整时间，响应速度更快。
