基于神經網絡的智能變頻抽油煙機的研究與實現

秦理

（廣東工業大學 自動化學院，廣東 廣州 510006）

抽油煙機可以將爐灶燃燒的廢氣和烹飪過程中產生的對人體有害的油煙迅速抽走，減少污染，凈化空氣，并有防毒、防爆的安全保障作用。雖然目前市場上抽油煙機產品的結構和造型漸趨完善，但普遍智能化水平低、耗能嚴重且舒適度差，抽油煙機轉速無法隨著油煙量的多少實時調節，工作時電機以一恒定功率運轉，造成大量電能浪費。

中式烹飪講究煎、炒、烹、炸，廚房的污染物成分復雜且難以實現智能監控，烹飪產生油煙和水蒸汽的過程具有復雜的時變特點，同時隨機性地疊加有大沖擊的變量激勵，傳統PID控制方案中不能適用廚房中的復雜環境。文中以采集傳感器為依托，設計一種基于神經網絡的轉速控制器，通過采集水蒸氣、油煙量的濃度對廚房烹飪環境進行分析，確定所需排風量，進而以一個最適宜的轉速進行排煙，達到節能降耗的目的。

隨著神經元網絡理論的深入研究和單片機的廣泛應用，在小型產品中，把神經元網絡與微處理器相結合構成更高層次的控制器已經成為可能。筆者就是將它們結合，采用基于神經網絡的最佳轉速控制器，根據學習完成后的神經網絡，直接將油煙和蒸汽非線性映射為最佳轉速值。在無被控對象數學模型情況下，解決了轉速難以有效控制問題，具有良好的非線性逼近能力和泛化能力。

1 抽油煙機工作概況

1.1 油煙、蒸汽等廢氣的產生

烹調過程產生的第一大廢氣是油煙，油煙是食用油脂煎炸食物時發生劇烈化學變化后產生的成分復雜的混合物。在170℃時，油分解形成直徑為Φl0－3cm以上的小油滴；到270℃時，分解形成 Φl0－3～10－7cm的微油滴。 由鍋底溢出的油氣無規則的向上、向外擴散，接觸鍋底的空氣被烤熱快速上升，在鍋底形成負壓，由鍋外的冷空氣不斷補充，油煙廢氣向灶外傾斜擴散外逸，圖1給出了油煙廢氣流場示意圖。

烹調產生的另一種主要污染物是水蒸氣，例如煲湯時產生大量的水霧，加熱階段時水蒸氣隨溫度升高呈比例增加，沸騰后產生的水蒸氣均勻且與燃燒工況成正比。煙霧和水蒸氣的兩者交叉耦合，存在著非線性關系，很難建立精確的數學模型。

1.2 抽油煙機排風

圖1 烹飪過程的油煙氣體流場圖Fig.1 Flow diagram of lampblack gas in cooking process

抽油煙機工作時，排風口處附近形成負壓，廢氣從四周流向吸氣口，形成吸入氣流匯流。當吸氣口面積較小時，可視為“點匯”氣流[1]。吸氣口外的氣流流動的流線是以出氣口為中心的徑向線，等速面以出氣口為球心，呈球面分部。如圖2所示。

圖2 抽油煙機排污原理圖Fig.2 Operating principle diagram of range hood

忽略油煙和水蒸氣的理化差異、可近似認為兩者按照均一速度被抽油煙機排走。當抽油煙機穩定運行時，風機的排風量與轉速有以下比例關系 Q1/Q2=n1/n2；n1、n2為風機調節前后的轉速；Q1、Q2為風機調節前后的排風量。

以上可見，當風機的轉速由n1改變為n2時，如果忽略廢氣的溫度變化，廢氣排量變化與轉速變化的一次方成正比；圖3是抽油煙機風機轉速與排風量關系示意圖。

圖3 風機轉速與排風量關系示意圖Fig.3 Relationship between fan speed and output volume

2 基于神經網絡的最佳轉速控制器

2.1 最佳轉速控制器總體結構

基于神經網絡的智能變頻系統通過對烹飪過程中的煙霧、水蒸氣等數據進行實時采集，采集數據作為神經網絡的信號源輸入[2]。煙霧和水蒸汽分別通過煙霧、水蒸汽濃度檢測模塊采集得到，煙霧濃度傳感器選用TGS2100空氣質量傳感器；水蒸氣濃度傳感器選用HSll00電容式蒸汽濃度傳感器，抽油煙機的轉速由電機自帶編碼器反饋得到，反饋的轉速信號為直流電壓信號。基于神經網絡的最佳轉速控制系統如圖4所示。

圖4 基于神經網絡的最佳轉速控制器Fig.4 The best speed controller based on neural network

轉速R是煙霧濃度S和蒸汽濃度V的函數，S、V兩者交叉耦合，存在著非線性關系。采用神經網絡的轉速控制器，能根據學習樣本數據進行學習，學習完成后直接將煙霧濃度S和蒸汽濃度V映射得到最佳轉速R。映射過程是：輸入層直接映射到隱層，隱層與輸出層之間實行權連接。

2.2 基于RBF神經網絡的轉速控制器

神經網絡是把大量神經元互連并用各連接系數的分布來表示某一種特性。網絡中代表輸入層與隱層各節點間的映射關系和代表輸出層與隱層各節點間的連接權系數W的組合（分布）代表了某一種特定的知識[3]。

RBF神經網絡是三層靜態前饋神經網絡，輸入層到隱層單元之間為直接映射，隱層到輸出層實行權連接。同時RBF網絡具有運算量小、不依賴初值選取、收斂速度快、收斂具有全局性等特點。RBF神經網絡有良好的泛化能力，對于每個輸入值只需要有很少幾個節點具有非零激勵值，因此只需少部分節點及權值改變。RBF神經網絡的學習速度可以比通常的BP網絡提高上千倍，容易適應新數據，其隱層節點的數目也在訓練過程中確定，并且其收斂性也較BP網絡易于保證，因此可以得到最優解。

文中采用RBF神經網絡構成的最佳轉速控制器如圖5所示。

圖5 最佳轉速控制器Fig.5 Best speed controller

此網絡是一個三層前向網絡，輸入層由信號源節點組成，第 2 層為隱含層，第 3 層為輸出層，S（k）、V（k）和 R（k）分別為煙霧濃度、水蒸氣濃度和抽油煙機實時輸出轉速。從輸入層到隱含層的交換函數以高斯函數作為徑向基函數，即：

式中：j=1，2，…，m。

X=（S（k）、V（k））T——輸入樣本向量

Cj為高斯基函數的中心值，選取隨機樣本以最近規則分組，按照xj與中心為cj之間的歐氏距離將xj分配到輸入樣本的各個聚類集合 θj（j=l，2，…m）中，計算得到新的 cj*即為RBF神經網絡最終的基函數中心。

σj=，為基函數的方差，它決定了該基函數圍繞中心點的寬度。

PX-CjP——向量X-Cj的范數

m——隱含層節點數

輸入層實現從X→aj（x）的非線性映射。而從隱含層到輸出層的交換是線性映射，即：R（k）=Waj（x），式中 W=[W1W2W3…WM]；aj（x）=[a1（x）a2（x）… am（x）]T

其連接權W的學習算法為：

R*——樣本中轉速值

β——學習率（0<β<1）

最佳轉速控制器首先根據所有輸入樣本，通過學習決定高斯函數的中心值Cj、標準化常數σ、隱含層的節點數M和輸出層的連接權W。然后根據學習完成后的神經網絡，直接將油煙和蒸汽映射為最佳轉速值。轉速值作為參數送入到PWM程序中去控制PWM波的占空比，得到的輸出電壓最終實現抽油煙機的轉速控制。

采用RBF神經元網絡的轉速控制器是在單片機控制系統中，存貯了一組可修正的RBF神經元網絡的映射算法和連接權系數矩陣，在實際工作時，僅需把代表某種特定轉速控制經驗的權系數矩陣進行相關的數學處理[4]，然后計算出相應的控制信號。

3 實驗結果的分析

模擬廚房環境，改變油煙、水蒸汽濃度值，經過大量的實驗，選取了18組數據作為神經網絡轉速控制器的學習樣本，如表1所示。

表1 神經網絡轉速控制器學習樣本Tab.1 Study samples of the best speed controller based on neural network

RBF神經網絡的訓練方法可表示為：代入表1中的輸入樣本 D=（S（k）、V（k））T，尋找 θ={cj，σj，ωj}，使函數 minεRBF[X，（‖x-ci‖Bn/σi），B 為基寬矢量，g=Aθ，A 為一個 m×m 的上三角陣[5]，對角元素值為1。

采用MATLAB仿真程序對神經網絡轉速控制器進行學習訓練，訓練的樣本數據如表1所示，以根均方偏差值的0.01目標，那就是網絡輸出不到0.01根均方誤差可被視為網絡已經停止訓練。神經網絡的訓練過程如圖6所示，結果表明：當對所有訓練樣本的輸出均方差值小于0.01時，訓練步數為36步；當訓練步數達到200步時，輸出均方差值小于0.000 1。

圖6 訓練過程Fig.6 Training process

采用校驗樣本數據對基于神經網絡的轉速控制器精度進行驗證，其結果如表2所示，我們可以看出由神經網絡映射得到的轉速與檢驗樣本很接近，最大絕對誤差是8.0%，最小絕對誤差是1.0%，平均絕對誤差是3.8%，證明文中介紹的神經網絡具有良好的映射能力。

表2 RBF神經網絡精度驗證數據Tab.2 The precision validation data of RBF neural network

對控制系統的動態性能進行仿真測試，得到的性能曲線如圖7所示。當階躍輸入時，系統穩態誤差小于0.2%，系統過渡過程時間小于3 s，系統超調量小于20%。基于神經網絡的抽油煙機轉速控制表現出較好的動態性能和穩態性能[6-7]。

圖7 控制系統的動態性能曲線Fig.7 Dynamic performance curve of control system

對控制系統進行實地測試，設置廚房初始油煙濃度為2.5 mg/m3、蒸汽濃度為2.5 mg/m3，啟動抽油煙機運行；在很短時間內增加油煙濃度至5 mg/m3，維持蒸汽濃度不變，觀測抽油煙機轉速變化，直到重新穩定運行；在很短時間內突然加大蒸汽濃度至5 mg/m3，維持油煙濃度不變，觀測抽油煙機轉速變化。由實測數據繪出抽油煙機的轉速曲線，如圖8所示。由抽油煙機轉速輸出可見：當廚房環境發生變化時，采用神經網絡控制方式能夠快速響應，并能穩定于新的轉速工作點，沒有發生誤判，加速過程沒有出現振蕩，系統表現出良好的動態和穩態性能。

圖8 污染物突然發生改變時抽油煙機轉速曲線圖Fig.8 Speed figure of range hood when the smoke pollutants change suddenly

4 結 論

抽油煙機的智能調速需要考慮多重因素，重點是最恰當的轉速值選取。烹飪過程的主要污染物是油煙和水蒸汽，二者交叉耦合，存在著復雜非線性關系，傳統PID控制方案中不能適用廚房中的復雜環境。文中采用一種基于神經網絡的轉速控制器，在無被控對象數學模型情況下，直接用兩輸入變量非線性映射得到輸出轉速。實驗表明，該神經網絡控制器具有自學習功能的特點，根據廢氣量的多少，實時調整轉速；具有良好的非線性逼近能力和泛化能力，優化排煙過程的效能控制，提高了整個系統的智能化水平。

[1]史漫興，王漢青，王志勇.一種風幕式抽油煙機的實驗研究[J].湖南工業大學學報，2008，22（3）:20-23.SHIMan-xing，WANG Han-qing，WANG Zhi-yong.The research and experiments on smoke exhaust ventilator with barrier[J].Journal of Hunan University，2008，22（3）:20-23.

[2]陶建武，李理光，常文秀，等.基于神經網絡和模糊控制的可變配氣相位系統[J].儀器儀表學報，2004，24（3）:305-306.TAO Jian-wu，LI Li-guang，CHANG Wen-xiu，et al.The variable valve timing system based on neural network and fuzzy controller[J].Chinese Journal of Scientific Instrument，2004，24（3）:305-306.

[3]劉少君，鄔依林.自動抽油煙機的模糊控制器設計[J].佛山科學技術學院學報：自然科學版，2001，12（4）:19-93.LIU Shao-jun，GUO Yi-lin.The design of fuzzy controller on automatic smoke lampblack machine[J].Foshan Institute of Science and Technology Journal：Natural Science Edition，2001，12（4）:19-93.

[4]邱望標，徐蘇恒.基于ATmega 16L的變頻節能抽油煙機設計[J].現代機械，2008（5）:91-145.QIU Wang-biao，XU Su-hen， The design of the variable frequency energy-saving exhaust fan based on ATmega 16L[J].Modern Machinery，2008（5）:91-145.

[5]李輝.一種多變量模糊神經網絡解耦控制器的設計[J].控制與決策，2009，21 （5）:593-596.LI Hui.The design of decoupling controller based on fuzzy neural network[J].Control and Decision，2009，21（5）:593-596.

[6]Wang Y D，Cao C X，Ren J H，et al.Application of fuzzy RBF network in constructing knowledge base of expert system[J].Computer Engineering，2009，31（3）:175-177.

[7]Won C Y，Kim D H，Kim S C.A new maximum power point tracker of photovoltaic arrays using fuzzy controller[J].IEEE Trans Ind Electron，2004（3）:396-403.