基于GA—BP神經網絡控制的電熱型流量調節閥

郭林嘉 楊彪 王世禮

摘 要：針對供暖系統在實際運用中為一個滯后過程，難以保證其供暖介質流量控制精度的問題，利用感溫石蠟的熱脹冷縮效應作為電熱型流量調節閥執行結構的動力源，獲取石蠟溫度與流量之間的關系，提出基于遺傳算法的BP神經網絡（GA-BP）方法。首先獲取供暖系統溫度，通過電熱器加熱石蠟得到其溫度變化量與流量，然后應用GA-BP神經網絡方法，對流量進行預測。通過與3次B樣條函數遞推最小二乘法、BP神經網絡法對流量的預測結果對比試驗驗證，預測值和真實值的最大絕對誤差分別為0.19、0.35、0.87，且均能滿足實際應用的控制周期。結果表明，GA-BP神經網絡對流量的控制更為精確。

關鍵詞：電熱型流量調節閥；智能控制；GA-BP神經網絡法

DOI：10.11907/rjdk.173064

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）006-0150-03

Abstract：Aiming at the problem that it is difficult to ensure control precision of the heating medium flow because the heating system is a big lag processin practice， we utilize the thermal expansion and contraction effect of temperature sensing paraffin as the executive power for electro-thermal flow control valve structure to verify the relationship between parafin temperature and the flow rate. The GA-BP neural network method is proposed. Firstly the temperature of the heating system is obtained， and then paraffin is heated by the electro-thermal heater to obtain paraffin temperature change and flow rate； secondly the flow rate is predicted by GA-BP neural network. By comparison with the cubic B-spline function recursive least squares method and BP neural network method， the maximum absolute error between the predicted value and the true value is 0.19， 0.35， and 0.87 respectively， which can meet the control period of practical application， the experimental results show that the flow controlled by the GA-BP neural network has better accuracy in flow control.to predict the flow by adopting the temperature variation.

Key Words：electrothermal flow control valve； intelligent control； GA-BP neural network method

0 引言

本文研究的電熱型流量調節閥實質上可以看作一種溫度驅動控制閥，簡稱溫控閥。常用的溫控閥有兩種類型：自力式溫控閥和電動溫控閥。電熱型溫控閥屬于自力式溫控閥，常用于供暖系統的溫度控制，其溫控過程是一個動態平衡過程[1]，利用感溫介質具有受熱膨脹且不能被壓縮的性質實現自動調節。以常開型調節閥為例，當流經散熱片熱水過多時，房間溫度過高，調節閥內部石蠟則會被通電加熱膨脹，推動閥桿，執行器開始執行關閉動作，使流量減小[2]。電動調節閥由電動執行器和閥門構成，運用電執行器帶動閥門進行流量控制[3]。其工作原理是：傳感器將檢測到的流量信號轉換成電信號發送到控制器，讓控制器控制電動執行器做相應動作，從而調節閥門開度。

自力式溫控閥可根據感溫介質不同而分為很多種，例如電熱型流量調節閥即是利用石蠟介質具有受熱膨脹和不能被壓縮的性質實現閥芯調節[4]。另一種是用形狀記憶合金（SMA）作為感溫介質，它可以在一個小體積中產生高應力和變形的快速響應。當溫度變化時，SMA產生變形，促使機械零件工作[5]。恒溫混合閥廣泛應用于電熱水器、太陽能熱水器和地熱熱水系統中，其感溫介質也是記憶合金或石蠟[6]。

另一種溫控閥是波紋管式控制閥，主要由閥體、閥芯、波紋管、波紋管保持架和閥蓋組成，該波紋管式流量控制閥可以工作在高溫環境下，因此其被控介質可以是高溫燃油等[7]。還有一種閥芯式高溫控制閥，可實現對沖壓發動機高溫供油流量的自動、準確調節[8]。

1 基于GA-BP神經網絡控制的電熱型流量調節閥

溫控閥的控制過程是一個反饋過程，再加上溫度和流量都是動態的，因此很難控制其精度。為解決該問題，本文提出基于遺傳算法的BP神經網絡控制方法。

1.1 BP神經網絡

1.1.1 物理模型建立

該BP神經網絡框架如圖1所示，包含1個輸入，11個隱含層神經元。輸出層有1個神經元以及1個輸出。其中輸入樣本為隨機選取訓練的15組樣本。

1.1.2 數學模型建立

x-i表示輸入，w-ji表示連接權值（前一層第j個神經元到該層第i個神經元的連接強度），net-i表示激活值，o-i表示神經元輸出，θ-i表示閾值，則神經元輸出為[9]：

由圖1可知，該模型有一個輸入、一個隱含層、一個輸出層和一個輸出。其中隱含層的激活函數為：

根據石蠟調節閥的機械結構，溫度T對閥門開度的影響可看作瞬時的暫態位移Y，閥門暫態位移變化時可產生一個暫態流量值，即在預測值與實際值之間存在一個相對誤差E-i或絕對誤差e-i，相對誤差或絕對誤差越小，則控制效果越好。

R2即決定系數，決定系數范圍在[0，1]內，越接近1，表明模型性能越好；反之，越接近0，表明模型性能越差。

1.1.3 訓練及測試模型建立

結合實際工作時的石蠟溫度情況，選定石蠟訓練溫度28℃～58℃為訓練的輸入，一共22組。數據來源于文獻《電熱型智能流量調節閥的研究與設計》[10]，隨機選取訓練樣本數為15組，7組數據為測試集。調節閥流量與石蠟溫度樣本數據采集的部分數據如表1所示。

1.2 基于遺傳算法的BP神經網絡

權值和閾值直接影響到BP神經網絡的訓練效果，要獲得一個穩定、魯棒性強的神經網絡，需要進一步用遺傳算法進行優化，確定出最佳權值和閾值[11]。

遺傳算法相當于一類優化問題，可以記為公式（8），并用遺傳算法求其極值[9]：

使用遺傳算法優化BP神經網絡連接權值和閾值時，本文依然采用如圖1所示的BP神經網絡結構。首先對神經網絡權值和閾值編碼，得到初始種群；其次，將每一個初始種群解碼得到其權值和閾值；然后開始訓練神經網絡，生成誤差，計算適應度函數值；接著進行遺傳算法中的選擇、交叉、變異操作，對種群進行組合產生下一代個體，逐步得到新的優化種群[9]。結果若滿足條件，則進行解碼并得到最佳神經網絡權值和閾值；若不滿足，則返回之前步驟繼續迭代計算。具體優化步驟如圖2所示。

2 實驗與分析

2.1 BP神經網絡法仿真測試

第一次實驗僅采用BP神經網絡法，仿真測試結果如圖3所示，可以看出僅使用BP神經網絡法得出的結果R2約為0.77，與1差距較大，控制效果不太理想。如表2所示，采用該方法預測值與真實值的最大絕對誤差為0.87，原因是BP神經網絡的連接權值和閾值是隨機產生的，所以連接權值可能不是最優，并且每次運行結果都不同。

2.2 GA-BP神經網絡法仿真測試

為了得到更精確、穩定的值，第二次實驗采用遺傳算法優化BP神經網絡連接權值和閾值，其它參數設置均與BP神經網絡法一致。使用遺傳算法優化后的仿真測試結果如圖4所示，可以看出經遺傳算法優化連接權值和閾值后，R2約為0.99，非常接近1，控制效果很理想。如表3、表4所示，優化后預測值和真實值的最大絕對誤差為0.19，最大相對誤差為0.03。

2.3 B樣條函數模型擬合法仿真測試

在電熱型智能流量調節閥的研究與設計[10]中運用B樣條函數模型擬合法，通過不同階次B樣條實驗，得出3次B樣條函數擬合效果較好。3次B樣條函數擬合曲線如圖5所示，擬合誤差曲線如圖6所示，誤差最大值為0.35。

3 結語

針對供暖系統在實際運用中難以保證其供暖介質流量控制精度的問題，本文以電熱型流量調節閥為研究對象，該流量調節閥執行結構的動力源為石蠟，通過石蠟熱脹冷縮的特性推動閥門的打開和關閉動作，得到石蠟溫度與流量之間的關系。運用BP神經網絡法、三次B樣條函數遞推最小二乘法、GA-BP神經網絡法對其流量控制進行實驗研究，得到預測值與真實值的絕對誤差分別為0.87、0.35、0.19，計算時間分別為0.48s、0.39s、0.83s。實驗結果證明，在電熱型流量調節閥中，采用經過遺傳算法優化權值和閾值后的BP神經網絡方法誤差更小。因此，在供暖系統溫控過程中，所采用的電熱型流量調節閥使用基于遺傳算法的BP神經網絡法進行控制更為合適，既可以增強穩定性，還可以使控制更加精確。

參考文獻：

[1] 高新龍.調節彈簧對溫控閥控溫性能的影響[J].黑龍江科技信息，2016（8）：23-24.

[2] 康春生，李凌.關于溫控閥的應用[J].經濟技術協作信息，2009（4）：102.

[3] 呼志強，張洪穎.地面輻射供暖系統室溫調控裝置的設計分析[J]. 建筑建材裝飾，2017（4）：104.

[4] 楊承志，張興超，孫浩，等.一種電熱型流量智能調節閥及其控制方法[P].中國：CN 103742706 A，2014.

[5] X L YANG，X SUN，C W WANG，et al. A valve for temperature control dominated by shapememory alloys[J]. 金屬學報：英文版，1999（4）：492-494.

[6] HAI-CHU CHEN，FANG-YI WU，YIN-FA ZHU，et al. Design and research of a new thermostatic valve[J].Research Journal of Applied Sciences， Engineering and Technology，2014，5（7）：937-943.

[7] WEN ZENG，ZHIZHONG TONG，JICHENG BAI，et al. Dynamic characteristics research of a high temperature flow rate control valve[C]. 2011 International Conference on Fluid Power and Mechatronics，2011.

[8] Thermodynamic analysis of a high temperature flow rate controlvalve for ramjet engines[C]. 第五屆國際材料與熱加工物理模擬及數值模擬學術會議，2007.

[9] 潘立登，李大字，馬英俊.軟測量技術原理與應用[M].北京：中國電力出版社，2009：312-313.

[10] 張興超.電熱型智能流量調節閥的研究與設計[D].昆明：昆明理工大學，2015.

[11] 孫麗.基于遺傳算法BP神經網絡的多目標優化方法[J].激光雜志，2016，37（8）：123-128.

（責任編輯：黃 健）