基于神經網絡的船舶艙室熱舒適度研究

劉紅敏 王一初 龔志豪 徐斌

摘要：由于恒值空調已經不能滿足船舶艙室人員的熱舒適要求，運用遺傳算法求解熱舒適方程，并提出利用遺傳算法改進神經網絡的船舶艙室熱舒適預測模型。仿真結果表明，該模型具有良好的仿真性能，預測準確性高。該模型對提升船舶艙室的環境質量和提高船舶工作人員及乘客的熱舒適度起到很大的幫助。

關鍵詞： 船舶熱舒適; 遺傳算法; 神經網絡; 模型預測; MATLAB

中圖分類號： U663.8;TU831.3 ? ?文獻標志碼： A

Abstract： Because constant air conditioning can no longer meet the thermal comfort requirements of ship cabin personnel， the genetic algorithm is adopted to solve the thermal comfort equation， and the prediction model of ship cabin thermal comfort is proposed， where the neural network is improved by the genetic algorithm. Simulation results show that， the model is of good simulation performance and high prediction accuracy. It is very helpful to improve the environmental quality of ship cabins and the thermal comfort of ship crew and passengers.

Key words： ship thermal comfort; genetic algorithm; neural network; model prediction; MATLAB

目前船舶艙室環境的調節主要通過船舶空調設備，大多數以恒溫調控為主，并不能完全滿足船員和乘客對船舶舒適環境的要求。為營造輕松舒適的船舶環境，需要根據船舶的特殊性選取一個適用于船舶艙室的熱舒適模型，實現對船舶的熱舒適控制。

遺傳算法（genetic algorithm，GA）作為求解問題的一類自組織和自適應的人工智能技術，已經被廣泛應用。SHAO等[1]為了系統地研究Au-Ag納米粒子的結構穩定性，增強初始化期間結構穩定性，提高全局搜索能力和局部優化速度，提出一種改進的GA。QIN等[2]為解決約束單目標和多目標優化問題，開發了一種采用懲罰的無參數方法來處理約束的GA優化器，利用改進的GA優化器進行汽車形狀優化。島嶼和礁石區域路線規劃是一個復雜的多目標組合優化問題，GAO等[3]提出了一種用于啟動導航路徑的掃描搜索方法，并采用改進的人工神經網絡（artificial neural network， ANN）調整路徑，最終得到最優結果。

ANN是由大量處理單元組成的非線性、自適應信息處理系統。LEE等[4]在建筑物的暖通空調（heating ventilation air conditioning，HVAC）系統中采用ANN最優控制模型，不僅可以降低建筑物空調系統的能源消耗，滿足建筑物居住者的熱舒適性，還可以減少電網中的能源生產，穩定電網并促進智能電網發展。WANG等[5]為預測混合噴射器空調系統的性能，選擇了3種ANN對所提出的平臺進行建模，發現多層感知器ANN優于其他兩個網絡。JANI等[6-7]發現采用ANN模型預測的旋轉干燥劑除濕器性能與對干燥劑輪性能的實驗測試結果高度一致，并開發了用于固體干燥劑-蒸汽壓縮混合空調系統的ANN模型來預測系統的冷卻能力、輸入功率和性能系數。

為改善船舶艙室環境的熱舒適性，需要摒棄船舶艙室定值控制空調，代之以熱舒適調節的空調。熱舒適空調的控制與使用需要合適的算法進行熱舒適預測。就此本文采用GA改進的ANN對船舶艙室舒適性進行研究分析。

1 熱舒適度評價指標選取

（3）遺傳過程。首先，采用排序選擇的方法，根據個體的適應度值從小到大排列個體，然后根據輪盤賭的選擇方式對個體進行選擇。其次，采用單點交叉的方式進行交叉操作，交叉概率取0.3，在經過選擇操作后的染色體組中隨機選擇兩條染色體，在隨機選擇的染色體上再隨機選擇一個交換點對這兩個點的值進行交叉。最后，在交叉操作后進行均勻的基因突變，使用均勻分布的隨機數在編碼字符串中選擇進行突變的基因，把被選擇的基因值替換為其他基因，基本位變異的概率為0.1。

（4）最優GA-BP神經網絡。遺傳迭代周期結束后，從優化后的最后一代種群中選擇適應度值較高的個體，輸出到BP神經網絡模型中，通過神經網絡訓練得到船舶艙室熱舒適預測模型。

總的來說：首先，通過測試數據計算當前種群中每條染色體的適應度函數值;其次，把BP神經網絡系統的初始權值和閾值變換為遺傳算法的初始種群;再次，根據適應度值重復選擇、交叉和變異過程，直到達到指定的最大遺傳迭代次數為止，輸出最優的權值和閾值到神經網絡系統;最后，用測試樣本對神經網絡進行訓練，直到達到最大訓練次數或設定精度后，輸出最優的船舶艙室熱舒適BP神經網絡模型。

3.3 仿真分析

本文采用MATLAB軟件進行模型仿真，以PMV*方程生成的數據為基礎預測熱舒適條件下的船舶艙室空氣溫度。用BP神經網絡模型和GA-BP神經網絡模型對4種不同的拓撲結構（隱含層神經元數量不同）進行訓練和測試的次數為100次，隱含層神經元數量S1分別為7、10、13和16，學習率為0.1，訓練精度為0.000 4。

3.3.1 樣本數據

根據PMV*方程，以PMV*設定值、平均輻射溫度、艙室空氣流速、艙室內相對濕度、人體服裝熱阻和人體新陳代謝率作為輸入數據，以熱舒適條件下艙室空氣溫度為輸出數據，輸入數據和輸出數據均來自由PMV*方程計算所得的數據。所得數據共2 000組，隨機抽取95%的數據作為訓練樣本（即訓練樣本1 900組），其余5%的數據作為測試樣本（即測試樣本100組），對GA-BP神經網絡模型和BP神經網絡模型進行訓練和測試。所用數據見表2。

由圖9可知：當隱含層神經元數量等于7時，優化前后的神經網絡預測值的絕對誤差最大值分別為0.72和0.33;當隱含層神經元數量等于10時，優化前后的神經網絡預測值的絕對誤差最大值分別為0.54和0.34;當隱含層神經元數量等于13時，優化前后的神經網絡預測值的絕對誤差最大值分別為0.20和0.12;當隱含層神經元數量等于16時，優化前后的神經網絡預測值的絕對誤差最大值分別為0.61和0.67。

由圖10可知：當隱含層神經元數量等于7時，優化前后的神經網絡預測值的絕對誤差平均值分別為0.20和0.07;當隱含層神經元數量等于10時，優化前后的神經網絡預測值的絕對誤差平均值分別為0.09和0.04;當隱含層神經元數量等于13時，優化前后的神經網絡預測值的絕對誤差平均值分別為0.04和0.03;當隱含層神經元數量等于16時，優化前后的神經網絡預測值的絕對誤差平均值分別為0.08和0.05。

由圖11可知：當隱含層神經元數量等于7時，優化前后的神經網絡預測值誤差的方差分別為0.071 7和0.008 8;當隱含層神經元數量等于10時，優化前后的神經網絡預測值誤差的方差分別為0.017 2和0.003 7;當隱含層神經元數量等于13時，優化前后的神經網絡預測值誤差的方差分別為0.003 8和0.001 9;當隱含層神經元數量等于16時，優化前后的神經網絡預測值誤差的方差分別為0.015 7和0.008 4。

由上述預測結果可知：優化前和優化后的神經網絡模型都是在隱含層神經元數量為13時，預測值的絕對誤差最大值最小，絕對誤差平均值最小，方差最小;當隱含層神經元數量為13時，優化后的神經網絡預測值的絕對誤差最大值比優化前的小0.08，優化后的神經網絡預測值的絕對誤差平均值比優化前的小0.01，優化后的神經網絡預測值誤差的方差比優化前的小0.001 9。也就是說，在所有的預測結果中，當隱含層神經元數量為13時GA優化的BP神經網絡預測結果的誤差最小、最準確，且波動最小、最穩定。

3.4 結 論

與BP神經網絡相比，GA優化的BP神經網絡能夠有效避免訓練進入局部最小點，使神經網絡預測誤差更小，預測結果更為精準。由結果可以看出隱含層神經元數量太少會導致預測誤差大，而隱含層神經元數量太多又會導致神經網絡模型過擬合從而使誤差增大。目前對神經網絡模型中隱含層神經元數量的選擇大多依靠經驗或者根據實驗數據總結出的結論。本文提出的GA-BP神經網絡熱舒適預測模型具有良好的仿真性能，預測精度高，隱含層神經元數量少。隱含層神經元的數量對GA-BP神經網絡預測有很大的影響，本文在其等于13時所得預測誤差最小。GA-BP神經網絡模型有助于獲得更準確的預測結果，對于營造船舶舒適的艙室環境，提高船舶工作人員的工作效率，緩解工作帶來的疲勞有很大的幫助。

4 結束語

針對船舶艙室熱舒適控制的實時性和方便性要求，構造熱舒適神經網絡實時預測系統，并采用遺傳算法（GA）優化的BP神經網絡提高預測溫度精準值。本文的預測模型僅選取了室內溫度作為控制對象，其他影響參數根據熱舒適區取定值，沒有全面預測各可控參數，存在一定局限性，因此后續研究可以通過改進算法進行多目標預測，對船舶空調進行多參數組合控制，使得船舶艙室環境更舒適。

參考文獻：

[1] SHAO Guifang， SHANGGUAN Yali， TAO Jiping， et al. An improved genetic algorithm for structural optimization of Au-Ag bimetallic nanoparticles[J]. Applied Soft Computing Journal， 2018， 73： 39-49. DOI： 10.1016/j.asoc.2018.08.019.

[2] QIN Huan， GUO Yi， LIU Zijian， et al. Shape optimization of automotive body frame using an improved genetic algorithm optimizer[J]. Advances in Engineering Software， 2018， 121： 235-249. DOI： 10.1016/j.advengsoft.2018.03.015.

[3] GAO Miao， SHI Guoyou， LI Weifeng， et al. An improved genetic algorithm for island route planning[J]. Procedia Engineering， 2017， 174： 433-441. DOI： 10.1016/j.proeng.2017.01.163.

[4] LEE Y M， HORESH R， LIBERTI L. Optimal HVAC control as demand response with on-site energy storage and generation system[J]. Energy Procedia， 2015， 78： 2106-2111. DOI： 10.1016/j.egypro.2015.11.253.

[5] WANG Hao， CAI Wenjian， WANG Youyi. Modeling of a hybrid ejector air conditioning system using artificial neural networks[J]. Energy Conversion and Management， 2016， 127： 11-24. DOI： 10.1016/j.enconman.2016.08.088.

[6] JANI D B， MISHRA M， SAHOO P K. Performance prediction of rotary solid desiccant dehumidifier in hybrid air-conditioning system using artificial neural network[J]. Applied Thermal Engineering， 2016， 98： 1091-1103. DOI： 10.1016/j.applthermaleng.2015.12.112.

[7] JANI D B， MISHRA M， SAHOO P K. Performance prediction of solid desiccant： vapor compression hybrid air-conditioning system using artificial neural network[J]. Energy， 2016， 103： 618-629. DOI： 10.1016/j.energy.2016.03.014.

[8] 莫志姣， 唐江明， 谷正氣， 等. 基于PMV-PPD可視化車室熱舒適性仿真研究[J]. 計算機仿真， 2016， 33（9）： 163-168. DOI： 10.3969/j.issn.1006-9348.2016.09.035.

[9] GILANI S I U H， KHAN M H， PAO W. Thermal comfort analysis of PMV model prediction in air conditioned and naturally ventilated buildings[J]. Energy Procedia， 2015， 75： 1373-1379. DOI： 10.1016/j.egypro.2015.07.218.

[10] 邢娜. 熱舒適條件下的船舶空調節能研究[D]. 上海： 上海海事大學， 2007.

[11] ZHANG Lina， CHANG Jinming. A novel grid phase estimating algorithm based on BP neutral network[J]. Applied Mechanics and Materials， 2013， 239-240： 1507-1510. DOI： 10.4028/www.scientific.net/amm.239-240.1507.

（編輯 賈裙平）