BP神經網絡在高速列車空調控制中的應用

王 康，伍川輝

（西南交通大學機械工程學院，四川 成都 610031）

1 高速列車車內空調控制的特點

隨著列車速度的提高，對車體封閉性能要求更好，車內與外界隔離后形成一個相對獨立的乘車環境。車廂內的溫濕度環境受車內空調系統的調節控制比較明顯。高速列車均采用密閉式空調設計，這就要求有較好的空調換氣系統來維持車內均衡的溫濕度環境，同時保證在合適的溫濕度范圍內空調的能耗降到最低[1]。

高速列車空調系統是一個綜合的控制系統，主要通過通風系統、制冷系統、供熱系統、加濕系統及自動控制等系統的協作來實現對車廂內溫濕度環境的調節。

2 車內空調環境與人體感覺舒適性的聯系

車內的溫濕度舒適性是乘客在眾多因素作用下對車內環境的主觀反映，它涉及的范圍廣泛，影響因素眾多。研究表明：溫濕度舒適性的主要影響因素是人和環境。與人有關的因素是人體代謝率和服裝熱阻；與環境有關的因素是空氣溫度、氣流速度、相對濕度和平均輻射溫度。溫濕度對人體的舒適感有特別明顯的影響，是影響人體熱平衡、熱舒適、空氣質量的重要因素[2]。

當車內溫度在20～30℃變化時，濕度對于人體通過汗液蒸發來保持熱舒適的能力有重要作用，濕度主要影響粘濕皮膚上的水分蒸發及其分布情況[3]。在環境溫度為24℃，相對濕度為50%RH時，穿著長褲和長袖上衣的乘客在較少活動時損失水分的速率是37mL/s；在相對濕度為20%RH時，保持其他條件不變，總的水分損失速率為40mL/s。

在研究列車溫濕度環境時很難反映出車內環境隨時空變化而變化的特點，特別是在研究高速列車車內空調控制時，需要綜合考慮車內溫濕度環境動態變化對旅客乘坐舒適性的影響[4]。高速列車車內某時監測的車廂縱斷面和橫截面溫度等高圖分別如圖1、圖2所示。可以看出，車內不同空間、不同部位，不同高度的溫度場分布差異明顯，需要人工干預，即通過空調來調整車內的溫濕度環境，使車內的溫濕度環境保持在一個適當且均勻的動態變化范圍之內。

圖1 高速列車車廂縱斷面溫度等高圖

圖2 車內橫截面溫度等高圖

本文采用人工神經網絡應用于人體舒適性評價的計算，可以實現對溫濕度舒適性影響因素的實時評估以及對空調做出適時的調整。人工神經網絡通過對試驗樣本進行學習，可以得到輸入變量與輸出變量的連接權值和連接的結構，達到預測計算的目標[5]。

3 BP神經網絡介紹

BP神經網絡是一種單向傳播的多層前向網絡，是一種具有3層或3層以上的神經網絡，包括輸入層、中間層（隱層）和輸出層[6]。

BP神經網絡的學習過程分前向和反向傳播兩部分。前向傳播部分為從輸入層輸入學習樣本，經中間層處理后向輸出層傳播，在輸出層的各神經元獲得輸出。當輸出層沒有得到期望的輸出時，反向傳播開始，在輸出層經過各中間層逐層修正各連接權值，最后回到輸入層。學習算法通過網絡的實際輸出與期望值的誤差來修正其連接權和閾值，不斷迭代使最后的實際輸出與期望值盡可能接近。

4 建立高速列車車內空調環境評判的BP神經網絡模型

4.1 車內溫濕度環境舒適性神經網絡模型建立

圖3 高速列車車內溫濕度環境評價流程圖

圖4 BP神經網絡示意圖

圖5 溫濕度舒適性指數的神經網絡預測模型示意圖

把影響車內溫濕度舒適性的因素（主要包括溫度、濕度、空調系數、衣服系數）作為輸入層，輸入層的神經元有4個，輸出層為溫濕度舒適性指數均值，輸出層的神經元有1個，因此設置輸入層的維數為4維，輸出層的維數為1維。中間層是網絡隱層，增加隱層數的目的是為了進一步降低誤差，提高擬合精度，但會使網絡變得復雜，增加網絡權值的訓練時間，為了兼顧準確性與效率，確定中間層為8維[7]。

溫濕度舒適性值與車內溫濕度環境影響因素值的關系模型：

式中：P——溫濕度舒適性值；

kT——空氣溫度影響系數；

kH——空氣濕度影響系數；

kC——人體衣著影響系數；

kV——空調影響系數。

溫濕度舒適性值的神經網絡預測模型如圖5所示。

利用Matlab建立BP網絡模型。Matlab中有專門為建立神經網絡而設置的工具箱[8]，可以利用Matlab語言構建出所需要的神經網絡，通過調用激活函數完成對所選定網絡輸出的計算。

首先，建立網絡對象并初始化，Matlab神經網絡工具箱函數newff可以建立一個可訓練的N層BP網絡：

net=newff （PR，[S1，S2…SN]，{TF1，TF2，TFN}，BTF，BLF，PF）

然后是網絡模型的訓練，訓練函數采用：[net，tr]=trainlm（net，Pd，TL）。

其中，net為初始化之后的網絡；tr為訓練過程中每一步長網絡性能的記錄；Pd為訓練網絡的輸入樣本；TL為訓練用的目標樣本。

4.2 溫濕度舒適性神經網絡模型的訓練與仿真

與溫濕度舒適性指數相關的4個環境參數：空氣溫度（用A表示）、濕度（用B表示）、空調指數（用C表示）與衣服指數（用D表示）。

在線路上實測不同空調控制環境條件下試驗人群的主觀感覺變化，感覺舒適的人數占總人數的百分比做作為基礎，選取適當的權值系數做數據處理得到一組待訓練測試分析的溫濕度舒適指數T的取值。

高速列車車內常態下選取溫度變化范圍20～30℃，濕度變化范圍10%RH～90%RH，當溫度和濕度逐級遞增或遞減變化時車內乘客主觀感覺變化會有差異，車內溫濕度變化調控圖如圖6、圖7所示。

圖6 車內溫度變化調控圖

圖7 車內濕度度變化調控圖

統計得出不同季節推薦比較合適的空氣溫度、濕度、空調指數、衣服指數如表1所示。

表1 不同季節推薦比較合適的空氣溫度、濕度、空調指數、衣服指數

以下根據溫濕度舒適性指數與車內溫濕度環境變化關系的要求，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]；

通過對孕婦進行產前超聲檢查能夠發現胎兒的肺內病灶，并且對分娩結局和胎兒預后效果進行評估，可為臨床醫生的咨詢以及為圍產兒的科學處置提供有效的參考價值[1]。本次研究將針對運用產前超聲檢查對于胎兒肺內異常病灶的診斷價值和聲像圖圖特征等進行探討。

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′）；//創建一個前向 BP 神經網絡

net.trainParam.show=25；//顯示訓練結果的間隔步數

net.trainParam.lr=0.75；//設置訓練步長（步長過小會延長學習時間，步長過大會造成算法不穩定，甚至無法收斂，根據訓練的結果進行適當的設置）

net.trainParam.epochs=500；//設置總的訓練步數

net.trainParam.goal=0.0001；//設置訓練目標誤差

net=train（net，P，T）； //調用 trainlm 算法訓練 BP網絡，其中P為訓練網絡的輸入樣本，T為訓練網絡的目標樣本（溫濕度舒適性指數）。

error=T-Y；//計算仿真誤差，Y為訓練網絡的輸出樣本，經過運算得到下面的誤差收斂曲線圖，如圖8所示。

圖中橫坐標表示收斂步數，縱坐標表示訓練曲線與目標曲線接近程度，即收斂誤差。可以看出，經過48步迭代計算，訓練曲線與誤差曲線的網絡誤差為 1.06×10-4。

圖8 誤差收斂曲線圖

圖9 訓練輸出值Y與目標值T的擬合圖

圖9橫坐標為訓練網絡的目標樣本T，縱坐標為訓練網絡的輸出樣本Y，擬合曲線為Y=T+0.00061。

如圖9所示，訓練輸出值Y與目標值T的擬合超過99%，可以看出網絡模型的計算準確度較高，對數據的適應性較強，性能達到預期目標，可以用來計算出比較準確的數據，可作為一個溫濕度舒適評價的神經網絡模型。

5 高速列車車內溫濕度舒適性環境的調控

車內空調對溫濕度變化調控以及應用BP神經網絡控制進行輔助調節的程序圖如圖10所示。

圖10 車內溫濕度調控程序圖

在BP神經網絡的基礎上，經過模擬不同季節不同溫濕度舒適性影響因素的試驗數據，得出一組推薦溫濕度舒適性分級評價參考，如表2所示。

表2 推薦溫濕度舒適性分級

用BP神經網絡計算出不同季節任意工況下車內某一組溫度、濕度、空調系數、衣著系數下的溫濕度舒適值，根據對應的舒適性評價程度，可以通過調節空調的各項參數，得到大多數旅客感覺比較舒適的空調環境。

以線路上運營的某高速列車為例，春夏季節高速運行時客室內溫度值在24～26℃之間。應用BP神經網絡計算出溫度舒適性指數為0.35～0.45，根據推薦溫濕度舒適性分級，旅客乘車的溫濕度舒適性介于“舒適”與“較為舒適”之間，偏向于“舒適”，可以認為該空調環境符合大多數旅客的感受。

6 結束語

本文從統計車內溫濕度環境的舒適程度出發，用BP神經網絡來描述高速列車內溫濕度舒適性與車內空調控制乘車環境之間的關系，并給出了溫濕度舒適性的評判參考，能夠較為準確地評判車內溫濕度舒適性，可為工程設計提供評判指標，也為現場監控人員在列車運行時調節車內溫濕度環境的舒適性提供參考。

[1] 張景玲，萬建武.室內溫濕度對人體熱舒適和空調能耗影響的研究[J].重慶建筑大學學報，2008，2（1）：9-12.

[2] 靳艷梅.車室內人體熱舒適性的計算模型[J].人類工效學，2005，11（2）：16-18.

[3] 陳良.室內熱濕環境對人體生理及熱舒適影響的實驗研究[D].重慶：重慶大學，2006.

[4] 羅鑫.神經網絡算法在暖通空調控制中的應用[J].微計算機信息，2009，25（1）：26-28.

[5] 劉輝.基于遺傳算法的室內熱舒適指標PMV的神經網絡預測[J].河北建筑工程學院學報，2002，20（3）：39-41.

[6] 飛思科技產品研發中心.神經網絡理論與Matlab7實現[M].北京：電子工業出版社，2005：57-62.

[7] 李成利.神經網絡在PMV指標控制中的應用研究[J].微型機與應用，2010（1）：64-66.

[8] 董長虹.神經網絡模型與應用[M].北京：國防工業出版社，2007：107-112.