人工智能在汽車空調系統中的模擬應用

李翔

摘 要：人工智能被應用與汽車空調系統（AACS）仿真模擬中，基于系統特征參數和神經網絡，建立了AACS模型。在該模型的基礎上，討論了AACS模型的不同控制方法。結果顯示，與開關控制法（通斷控制，雙位調節）和常規模糊控制法相比，神經模糊控制法最優。可以使汽車艙室內溫度快速下降到設計溫度，而且波動很小。

關鍵詞：神經網絡；汽車空調系統（AACS）；仿真；建立模型

中圖分類號：TB 文獻標識碼：A doi：10.19311/j.cnki.1672-3198.2018.36.101

0 前言

隨著汽車空調系統的發展，提高冷卻性能、降低耗油量，并保持一個舒適的環境，是人們一直追求的目標。人們通常采用傳統開發方式來達到目標，即“理論+實驗+經驗”。由于成本高、周期長和不穩定性，技術具有一定的局限性，極大的影響其發展，隨著計算機仿真技術的發展，通過建立數據模型，對產品和汽車的控制越來越容易，越來越高效。但是對于AACS系統，計算機仿真存在一些困難，不能通過傳統的模擬方法解決。這是因為一個簡單而準確的模型，很難通過傳統方法建立。AACS性能受到很多外界因素的影響，比如汽車空調壓縮機速率、太陽輻射、周圍環境溫度、熱負荷的變化、開關門窗和風速等影響因素。這些因素都決定了AACS是復雜的、多變的、線性的或非線性的系統。因此，很難通過常規方法去開發一款AACS控制系統的動態模型。

基于神經網絡和模糊邏輯的人工智能技術是一種創新性方法。因為學習和想象技能、模糊的想法，都可以很好的解決非線性問題。學術研究表明，可以解決制冷領域的很多非線性問題，本文，通過反向傳播神經網絡建立AACS模型，也通過建模對一種新型的人工智能方法進行了研究。

1 建模

通過對AACS的理論分析，發現有很多因素會影響系統性能：壓縮機速度、冷凝器的速度和蒸發器的風速、冷凝器和蒸發器的溫度、車廂內溫度、室外溫度等因素。所有這些因素都會影響到車廂內的舒適度，主要通過車廂內溫度的冷卻速度，以及在設計溫度的波動幅度來反映。更重要的是，這些因素之間相互聯系，很難通過AACS的物理理論來建立完整的模型。

黑匣子理論被用于建立模型，考慮到主要因素影響系統運行性能，在神經網絡的基礎上建立標準模型，這個已經吸取了神經網絡在非線性系統中學習技能較高的優勢。

正如上文所說，壓縮器速度和蒸發器風扇的速度和環境溫度都是影響系統性能的主要因素。冷凝器風扇的風速及其溫度綜合影響壓縮機的速率和環境溫度。本次模型是在熱負荷和5人座的前提下建立的。

第一層被稱為輸入層，有5個節點：壓縮機速率、蒸發器風扇的速度、環境溫度和車廂內的開始溫度和結束溫度。隱藏層有兩個節點，輸出層只有一個節點，即在某一時刻車廂的平均溫度。在輸入層取兩個車廂溫度的節點是因為車體會適當的儲存和放出熱量，這些熱量會影響車廂溫度的分布和變化。

為了得到訓練樣本，做了如下實驗：壓縮機速率、蒸發器風速和環境溫度的多種組合，在這些運行參數的條件下，測量車廂內平均溫度。為了保證模型的準確性，這些變量參數都應該在AACS正常運行的參數范圍內。這些實驗數據都是在一輛安裝有AACS系統的實驗車中進行，這輛車的壓縮器是SD-507，一家日本的轎車公司制造。可以通過電動機驅動壓縮機，壓縮機的速度在300～6000r/min，在汽車的運行速度范圍內，與風煙道相連接，風煙道中安裝了3組3kW的加熱器和加熱電阻，通過AC發動機驅動了一臺冷凝器風扇，安裝在風煙道的另一端，從而可以模擬運行中車頭的風速。5盞100W的燈放置在車廂內，模擬5個人的熱負荷，在車的周圍放置6個1000W的鎢絲燈，模擬太陽輻射。根據汽車空調系統的使用手冊，將溫度敏感器放在車廂內。通過A/D轉換，溫度的模擬信號被轉變成數字信號，輸入到測試盒控制裝置，一個MCS51的單芯片。這個單芯片也可以與電腦連接，通過這個實驗臺，汽車的溫度分布數據可以測得。

測得的數據可以用于建立AACS模型，系統模型可以通過Matlab仿真完成，Matlab是一種常用的數據處理軟件，可以解決很多復雜的數據問題，詳情如下：

（1）實驗所得數據形成訓練樣本。

（2）用改進后的BP公式來訓練神經網絡，獲得各節點的權值和閥值，反應AACS的特性。

（3）根據AACS仿真架構模擬AACS系統，加載數據是原始模型。

2 控制方法的比較

運用上述模型，對AACS三種方法進行了比較，開關法、傳統模糊法和神經模糊法；總的來說，AACS控制制冷劑的流速，來控制車廂溫度。開關控制是通過開關壓縮機來改變制冷劑的流速，但是在模糊控制中，多組函數被用于分解幾檔壓縮機的功率和蒸發器風速，并形成一個完整的控制，模糊邏輯被用來確定選用哪一檔控制級別，就像是選擇什么人來駕駛，這種控制方法明顯優于開關控制法，然而，理論分析證明，傳統模糊方法不能選擇優化函數和控制閥；神經模糊方法可以通過神經網絡訓練來解決這個問題，因此該方法可以達到最佳控制效果。根據AACS的性質，建立了一個5層的神經網絡的神經模糊控制模型。

在這個模型中，節點的權值和閥值都由網絡訓練決定。輸入層由兩個節點：室溫差和溫度變化值。第一個隱藏層是14個節點，每一個都是隸屬函數，表示輸入層節點的模糊程序，第二個隱藏層由30個節點，是模糊控制求和，用30條語言表達30種角色，比如：if…and…then…，第三個隱藏層具有與第一隱藏層一樣的函數，由7各隸屬函數組成。輸出層是控制變量，決定執行的級別。這個三個隱藏層的結構都是通過神經網絡訓練。控制網絡也是由改進的BP算法訓練而成。

運用Matlab軟件，可以與另外兩種控制方法（開關控制法和傳統模糊法）進行比較，并發現神經模糊算法的優勢，系統的配置如下：壓縮機的速度是2300r/min，環境溫度是37攝氏度，車廂設計溫度是26攝氏度。

通過對結果進行分析，開關控制法會不可避免的引起車廂內溫度的變化，模糊法較好，但是最優模糊控制參數不容易找到，導致溫度不能及時的、準確的達到設計要求，神經網絡模糊法可以有效的解決這個問題，與開關控制法和模糊控制法相比，神經網絡模糊控制法，無論是在溫度下降速度范圍內，還是在溫度波動的范圍內，都更具有優越性。

3 結論

建立了基于神經網絡的AACSA仿真模型，實驗數據表明該模型具有廣泛的適用性，同時也提出了一種新的人工智能控制方法。與開關控制法和模糊控制法相比，新方法可以達到最佳效果，實驗結果顯示，人工智能在解決非線性系統-AACS系統方面的問題，具有較大的優勢。

參考文獻

[1]Ding Y.，Wong K. V.，Control of a simulated dual-temperature hydraulic system using a neural network approach[C].1990 Annual Meeting of the American Society of Heating，Refrigerating and Air-Conditioning Engineers，Technical and Symposium Papers，USA，1990：727-732.

[2]Takemori T.，Miyasaka N.，Hirose S.，Neural network air conditioning system for individual comfort[C].Proceedings of SPIE-The International Society for Optical Engineering，Applications of Artificial Neural Networds，Japan，1991：157-165.

[3]Joseph C.Giarratano.Expert Systems： Principles and Programming，Fourth Edition [M]. Course Technology，2006.