基于神经网络的智能变频抽油烟机的研究与实现

秦理

（广东工业大学 自动化学院，广东 广州 510006）

抽油烟机可以将炉灶燃烧的废气和烹饪过程中产生的对人体有害的油烟迅速抽走，减少污染，净化空气，并有防毒、防爆的安全保障作用。虽然目前市场上抽油烟机产品的结构和造型渐趋完善，但普遍智能化水平低、耗能严重且舒适度差，抽油烟机转速无法随着油烟量的多少实时调节，工作时电机以一恒定功率运转，造成大量电能浪费。

中式烹饪讲究煎、炒、烹、炸，厨房的污染物成分复杂且难以实现智能监控，烹饪产生油烟和水蒸汽的过程具有复杂的时变特点，同时随机性地叠加有大冲击的变量激励，传统PID控制方案中不能适用厨房中的复杂环境。文中以采集传感器为依托，设计一种基于神经网络的转速控制器，通过采集水蒸气、油烟量的浓度对厨房烹饪环境进行分析，确定所需排风量，进而以一个最适宜的转速进行排烟，达到节能降耗的目的。

随着神经元网络理论的深入研究和单片机的广泛应用，在小型产品中，把神经元网络与微处理器相结合构成更高层次的控制器已经成为可能。笔者就是将它们结合，采用基于神经网络的最佳转速控制器，根据学习完成后的神经网络，直接将油烟和蒸汽非线性映射为最佳转速值。在无被控对象数学模型情况下，解决了转速难以有效控制问题，具有良好的非线性逼近能力和泛化能力。

1 抽油烟机工作概况

1.1 油烟、蒸汽等废气的产生

烹调过程产生的第一大废气是油烟，油烟是食用油脂煎炸食物时发生剧烈化学变化后产生的成分复杂的混合物。在170℃时，油分解形成直径为Φl0－3cm以上的小油滴；到270℃时，分解形成 Φl0－3～10－7cm的微油滴。 由锅底溢出的油气无规则的向上、向外扩散，接触锅底的空气被烤热快速上升，在锅底形成负压，由锅外的冷空气不断补充，油烟废气向灶外倾斜扩散外逸，图1给出了油烟废气流场示意图。

烹调产生的另一种主要污染物是水蒸气，例如煲汤时产生大量的水雾，加热阶段时水蒸气随温度升高呈比例增加，沸腾后产生的水蒸气均匀且与燃烧工况成正比。烟雾和水蒸气的两者交叉耦合，存在着非线性关系，很难建立精确的数学模型。

1.2 抽油烟机排风

图1 烹饪过程的油烟气体流场图Fig.1 Flow diagram of lampblack gas in cooking process

抽油烟机工作时，排风口处附近形成负压，废气从四周流向吸气口，形成吸入气流汇流。当吸气口面积较小时，可视为“点汇”气流[1]。吸气口外的气流流动的流线是以出气口为中心的径向线，等速面以出气口为球心，呈球面分部。如图2所示。

图2 抽油烟机排污原理图Fig.2 Operating principle diagram of range hood

忽略油烟和水蒸气的理化差异、可近似认为两者按照均一速度被抽油烟机排走。当抽油烟机稳定运行时，风机的排风量与转速有以下比例关系 Q1/Q2=n1/n2；n1、n2为风机调节前后的转速；Q1、Q2为风机调节前后的排风量。

以上可见，当风机的转速由n1改变为n2时，如果忽略废气的温度变化，废气排量变化与转速变化的一次方成正比；图3是抽油烟机风机转速与排风量关系示意图。

图3 风机转速与排风量关系示意图Fig.3 Relationship between fan speed and output volume

2 基于神经网络的最佳转速控制器

2.1 最佳转速控制器总体结构

基于神经网络的智能变频系统通过对烹饪过程中的烟雾、水蒸气等数据进行实时采集，采集数据作为神经网络的信号源输入[2]。烟雾和水蒸汽分别通过烟雾、水蒸汽浓度检测模块采集得到，烟雾浓度传感器选用TGS2100空气质量传感器；水蒸气浓度传感器选用HSll00电容式蒸汽浓度传感器，抽油烟机的转速由电机自带编码器反馈得到，反馈的转速信号为直流电压信号。基于神经网络的最佳转速控制系统如图4所示。

图4 基于神经网络的最佳转速控制器Fig.4 The best speed controller based on neural network

转速R是烟雾浓度S和蒸汽浓度V的函数，S、V两者交叉耦合，存在着非线性关系。采用神经网络的转速控制器，能根据学习样本数据进行学习，学习完成后直接将烟雾浓度S和蒸汽浓度V映射得到最佳转速R。映射过程是：输入层直接映射到隐层，隐层与输出层之间实行权连接。

2.2 基于RBF神经网络的转速控制器

神经网络是把大量神经元互连并用各连接系数的分布来表示某一种特性。网络中代表输入层与隐层各节点间的映射关系和代表输出层与隐层各节点间的连接权系数W的组合（分布）代表了某一种特定的知识[3]。

RBF神经网络是三层静态前馈神经网络，输入层到隐层单元之间为直接映射，隐层到输出层实行权连接。同时RBF网络具有运算量小、不依赖初值选取、收敛速度快、收敛具有全局性等特点。RBF神经网络有良好的泛化能力，对于每个输入值只需要有很少几个节点具有非零激励值，因此只需少部分节点及权值改变。RBF神经网络的学习速度可以比通常的BP网络提高上千倍，容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性也较BP网络易于保证，因此可以得到最优解。

文中采用RBF神经网络构成的最佳转速控制器如图5所示。

图5 最佳转速控制器Fig.5 Best speed controller

此网络是一个三层前向网络，输入层由信号源节点组成，第 2 层为隐含层，第 3 层为输出层，S（k）、V（k）和 R（k）分别为烟雾浓度、水蒸气浓度和抽油烟机实时输出转速。从输入层到隐含层的交换函数以高斯函数作为径向基函数，即：

式中：j=1，2，…，m。

X=（S（k）、V（k））T——输入样本向量

Cj为高斯基函数的中心值，选取随机样本以最近规则分组，按照xj与中心为cj之间的欧氏距离将xj分配到输入样本的各个聚类集合 θj（j=l，2，…m）中，计算得到新的 cj*即为RBF神经网络最终的基函数中心。

σj=，为基函数的方差，它决定了该基函数围绕中心点的宽度。

PX-CjP——向量X-Cj的范数

m——隐含层节点数

输入层实现从X→aj（x）的非线性映射。而从隐含层到输出层的交换是线性映射，即：R（k）=Waj（x），式中 W=[W1W2W3…WM]；aj（x）=[a1（x）a2（x）… am（x）]T

其连接权W的学习算法为：

R*——样本中转速值

β——学习率（0<β<1）

最佳转速控制器首先根据所有输入样本，通过学习决定高斯函数的中心值Cj、标准化常数σ、隐含层的节点数M和输出层的连接权W。然后根据学习完成后的神经网络，直接将油烟和蒸汽映射为最佳转速值。转速值作为参数送入到PWM程序中去控制PWM波的占空比，得到的输出电压最终实现抽油烟机的转速控制。

采用RBF神经元网络的转速控制器是在单片机控制系统中，存贮了一组可修正的RBF神经元网络的映射算法和连接权系数矩阵，在实际工作时，仅需把代表某种特定转速控制经验的权系数矩阵进行相关的数学处理[4]，然后计算出相应的控制信号。

3 实验结果的分析

模拟厨房环境，改变油烟、水蒸汽浓度值，经过大量的实验，选取了18组数据作为神经网络转速控制器的学习样本，如表1所示。

表1 神经网络转速控制器学习样本Tab.1 Study samples of the best speed controller based on neural network

RBF神经网络的训练方法可表示为：代入表1中的输入样本 D=（S（k）、V（k））T，寻找 θ={cj，σj，ωj}，使函数 minεRBF[X，（‖x-ci‖Bn/σi），B 为基宽矢量，g=Aθ，A 为一个 m×m 的上三角阵[5]，对角元素值为1。

采用MATLAB仿真程序对神经网络转速控制器进行学习训练，训练的样本数据如表1所示，以根均方偏差值的0.01目标，那就是网络输出不到0.01根均方误差可被视为网络已经停止训练。神经网络的训练过程如图6所示，结果表明：当对所有训练样本的输出均方差值小于0.01时，训练步数为36步；当训练步数达到200步时，输出均方差值小于0.000 1。

图6 训练过程Fig.6 Training process

采用校验样本数据对基于神经网络的转速控制器精度进行验证，其结果如表2所示，我们可以看出由神经网络映射得到的转速与检验样本很接近，最大绝对误差是8.0%，最小绝对误差是1.0%，平均绝对误差是3.8%，证明文中介绍的神经网络具有良好的映射能力。

表2 RBF神经网络精度验证数据Tab.2 The precision validation data of RBF neural network

对控制系统的动态性能进行仿真测试，得到的性能曲线如图7所示。当阶跃输入时，系统稳态误差小于0.2%，系统过渡过程时间小于3 s，系统超调量小于20%。基于神经网络的抽油烟机转速控制表现出较好的动态性能和稳态性能[6-7]。

图7 控制系统的动态性能曲线Fig.7 Dynamic performance curve of control system

对控制系统进行实地测试，设置厨房初始油烟浓度为2.5 mg/m3、蒸汽浓度为2.5 mg/m3，启动抽油烟机运行；在很短时间内增加油烟浓度至5 mg/m3，维持蒸汽浓度不变，观测抽油烟机转速变化，直到重新稳定运行；在很短时间内突然加大蒸汽浓度至5 mg/m3，维持油烟浓度不变，观测抽油烟机转速变化。由实测数据绘出抽油烟机的转速曲线，如图8所示。由抽油烟机转速输出可见：当厨房环境发生变化时，采用神经网络控制方式能够快速响应，并能稳定于新的转速工作点，没有发生误判，加速过程没有出现振荡，系统表现出良好的动态和稳态性能。

图8 污染物突然发生改变时抽油烟机转速曲线图Fig.8 Speed figure of range hood when the smoke pollutants change suddenly

4 结 论

抽油烟机的智能调速需要考虑多重因素，重点是最恰当的转速值选取。烹饪过程的主要污染物是油烟和水蒸汽，二者交叉耦合，存在着复杂非线性关系，传统PID控制方案中不能适用厨房中的复杂环境。文中采用一种基于神经网络的转速控制器，在无被控对象数学模型情况下，直接用两输入变量非线性映射得到输出转速。实验表明，该神经网络控制器具有自学习功能的特点，根据废气量的多少，实时调整转速；具有良好的非线性逼近能力和泛化能力，优化排烟过程的效能控制，提高了整个系统的智能化水平。

[1]史漫兴，王汉青，王志勇.一种风幕式抽油烟机的实验研究[J].湖南工业大学学报，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.基于神经网络和模糊控制的可变配气相位系统[J].仪器仪表学报，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]刘少君，邬依林.自动抽油烟机的模糊控制器设计[J].佛山科学技术学院学报：自然科学版，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]邱望标，徐苏恒.基于ATmega 16L的变频节能抽油烟机设计[J].现代机械，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]李辉.一种多变量模糊神经网络解耦控制器的设计[J].控制与决策，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.