人工智能在汽车空调系统中的模拟应用

李翔

摘 要：人工智能被應用与汽车空调系统（AACS）仿真模拟中，基于系统特征参数和神经网络，建立了AACS模型。在该模型的基础上，讨论了AACS模型的不同控制方法。结果显示，与开关控制法（通断控制，双位调节）和常规模糊控制法相比，神经模糊控制法最优。可以使汽车舱室内温度快速下降到设计温度，而且波动很小。

关键词：神经网络；汽车空调系统（AACS）；仿真；建立模型

中图分类号：TB 文献标识码：A doi：10.19311/j.cnki.1672-3198.2018.36.101

0 前言

随着汽车空调系统的发展，提高冷却性能、降低耗油量，并保持一个舒适的环境，是人们一直追求的目标。人们通常采用传统开发方式来达到目标，即“理论+实验+经验”。由于成本高、周期长和不稳定性，技术具有一定的局限性，极大的影响其发展，随着计算机仿真技术的发展，通过建立数据模型，对产品和汽车的控制越来越容易，越来越高效。但是对于AACS系统，计算机仿真存在一些困难，不能通过传统的模拟方法解决。这是因为一个简单而准确的模型，很难通过传统方法建立。AACS性能受到很多外界因素的影响，比如汽车空调压缩机速率、太阳辐射、周围环境温度、热负荷的变化、开关门窗和风速等影响因素。这些因素都决定了AACS是复杂的、多变的、线性的或非线性的系统。因此，很难通过常规方法去开发一款AACS控制系统的动态模型。

基于神经网络和模糊逻辑的人工智能技术是一种创新性方法。因为学习和想象技能、模糊的想法，都可以很好的解决非线性问题。学术研究表明，可以解决制冷领域的很多非线性问题，本文，通过反向传播神经网络建立AACS模型，也通过建模对一种新型的人工智能方法进行了研究。

1 建模

通过对AACS的理论分析，发现有很多因素会影响系统性能：压缩机速度、冷凝器的速度和蒸发器的风速、冷凝器和蒸发器的温度、车厢内温度、室外温度等因素。所有这些因素都会影响到车厢内的舒适度，主要通过车厢内温度的冷却速度，以及在设计温度的波动幅度来反映。更重要的是，这些因素之间相互联系，很难通过AACS的物理理论来建立完整的模型。

黑匣子理论被用于建立模型，考虑到主要因素影响系统运行性能，在神经网络的基础上建立标准模型，这个已经吸取了神经网络在非线性系统中学习技能较高的优势。

正如上文所说，压缩器速度和蒸发器风扇的速度和环境温度都是影响系统性能的主要因素。冷凝器风扇的风速及其温度综合影响压缩机的速率和环境温度。本次模型是在热负荷和5人座的前提下建立的。

第一层被称为输入层，有5个节点：压缩机速率、蒸发器风扇的速度、环境温度和车厢内的开始温度和结束温度。隐藏层有两个节点，输出层只有一个节点，即在某一时刻车厢的平均温度。在输入层取两个车厢温度的节点是因为车体会适当的储存和放出热量，这些热量会影响车厢温度的分布和变化。

为了得到训练样本，做了如下实验：压缩机速率、蒸发器风速和环境温度的多种组合，在这些运行参数的条件下，测量车厢内平均温度。为了保证模型的准确性，这些变量参数都应该在AACS正常运行的参数范围内。这些实验数据都是在一辆安装有AACS系统的实验车中进行，这辆车的压缩器是SD-507，一家日本的轿车公司制造。可以通过电动机驱动压缩机，压缩机的速度在300～6000r/min，在汽车的运行速度范围内，与风烟道相连接，风烟道中安装了3组3kW的加热器和加热电阻，通过AC发动机驱动了一台冷凝器风扇，安装在风烟道的另一端，从而可以模拟运行中车头的风速。5盏100W的灯放置在车厢内，模拟5个人的热负荷，在车的周围放置6个1000W的钨丝灯，模拟太阳辐射。根据汽车空调系统的使用手册，将温度敏感器放在车厢内。通过A/D转换，温度的模拟信号被转变成数字信号，输入到测试盒控制装置，一个MCS51的单芯片。这个单芯片也可以与电脑连接，通过这个实验台，汽车的温度分布数据可以测得。

测得的数据可以用于建立AACS模型，系统模型可以通过Matlab仿真完成，Matlab是一种常用的数据处理软件，可以解决很多复杂的数据问题，详情如下：

（1）实验所得数据形成训练样本。

（2）用改进后的BP公式来训练神经网络，获得各节点的权值和阀值，反应AACS的特性。

（3）根据AACS仿真架构模拟AACS系统，加载数据是原始模型。

2 控制方法的比较

运用上述模型，对AACS三种方法进行了比较，开关法、传统模糊法和神经模糊法；总的来说，AACS控制制冷剂的流速，来控制车厢温度。开关控制是通过开关压缩机来改变制冷剂的流速，但是在模糊控制中，多组函数被用于分解几档压缩机的功率和蒸发器风速，并形成一个完整的控制，模糊逻辑被用来确定选用哪一档控制级别，就像是选择什么人来驾驶，这种控制方法明显优于开关控制法，然而，理论分析证明，传统模糊方法不能选择优化函数和控制阀；神经模糊方法可以通过神经网络训练来解决这个问题，因此该方法可以达到最佳控制效果。根据AACS的性质，建立了一个5层的神经网络的神经模糊控制模型。

在这个模型中，节点的权值和阀值都由网络训练决定。输入层由两个节点：室温差和温度变化值。第一个隐藏层是14个节点，每一个都是隶属函数，表示输入层节点的模糊程序，第二个隐藏层由30个节点，是模糊控制求和，用30条语言表达30种角色，比如：if…and…then…，第三个隐藏层具有与第一隐藏层一样的函数，由7各隶属函数组成。输出层是控制变量，决定执行的级别。这个三个隐藏层的结构都是通过神经网络训练。控制网络也是由改进的BP算法训练而成。

运用Matlab软件，可以与另外两种控制方法（开关控制法和传统模糊法）进行比较，并发现神经模糊算法的优势，系统的配置如下：压缩机的速度是2300r/min，环境温度是37摄氏度，车厢设计温度是26摄氏度。

通过对结果进行分析，开关控制法会不可避免的引起车厢内温度的变化，模糊法较好，但是最优模糊控制参数不容易找到，导致温度不能及时的、准确的达到设计要求，神经网络模糊法可以有效的解决这个问题，与开关控制法和模糊控制法相比，神经网络模糊控制法，无论是在温度下降速度范围内，还是在温度波动的范围内，都更具有优越性。

3 结论

建立了基于神经网络的AACSA仿真模型，实验数据表明该模型具有广泛的适用性，同时也提出了一种新的人工智能控制方法。与开关控制法和模糊控制法相比，新方法可以达到最佳效果，实验结果显示，人工智能在解决非线性系统-AACS系统方面的问题，具有较大的优势。

参考文献

[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.