目前, 仓储冷库制冷系统一般是采用简单的被动式的控制模式, 即通过温度传感器感知制冷系统周围的温度。然后, 根据所采集到的温度值与制冷系统设置的制冷目标温度进行对比, 如果低于目标温度, 则启动制冷系统, 直到测量到制冷系统周围的温度满足目标温度时, 关闭制冷系统。这种控制模式实现相对简单, 但是控制过程比较粗糙, 在制冷控制过程中, 最容易出现的一种现象即控制过程的不断开启和关闭的正当过程, 当制冷系统一旦启动工作, 温度传感器很快测量到周围的温度低于目标温度, 此时制冷系统关闭, 但是当制冷系统关闭之后, 周围温度又很快超过设定的目标温度, 从而导致制冷系统频繁的处于开启和断开的状态, 这种工作模式既不利于环保节能, 同时也很容易造成制冷系统工作的故障, 造成这种现象的主要原因是控制系统给制冷工作过程的控制不够精细, 而且控制的条件及控制的模式过于简单, 仅仅根据温度值进行简单的比对及作出温度控制, 不能达到高精度的制冷控制应用目的。本文通过对仓储冷库内部的温度以及制冷系统的阀门开度和压力等参数进行分布式采集, 并以采集到的参数作为神经网络控制的输入数据, 通过运行在微处理器芯片的神经网络控制算法, 制冷系统中的热力膨胀阀, 水量调节阀和高低压控制阀进行精确控制, 使得制冷系统达到预期的控制目标。

1 系统组成结构

制冷控制系统是对制冷系统的工作过程进行控制, 其目的是为了提高制冷系统的工作效率, 使得制冷系统能够根据用户的需求按照预先设定的制冷目的, 实现对制冷系统的工作过程及工作模式的控制, 随着计算机和自动控制技术的发展, 制冷控制系统的自动化程度和智能化程度越来越高, 同时由于节能环保的应用需求, 对制冷控制系统的控制精度和控制响应灵敏度要求也越来越高。面向仓储冷库的制冷系统, 由于其制冷的空间区域非常大, 对能源的消耗也非常高, 为了提高能源的利用效率, 因此对面向仓储冷库的制冷控制系统, 其性能也要求越来越高。为了解决仓储冷库的制冷控制系统的应用需求, 本文采用如下设计方案:对仓储冷库的制冷控制系统的核心模块采用基于神经网络的控制系统。由于神经网络具有很强的自学习能力, 从而可以使得所设计的制冷控制系统具有很高的智能化程度, 能够根据控制系统的应用目标和应用环境自动的调节控制模式和控制过程。

根据设计方案要求, 设计的如图1所示的面向仓储冷库的分布式制冷控制系统组成结构图, 从该图中可以看到制冷控制系统通过分布式的温度传感器采集仓储冷库不同位置的区域环境温度, 然后根据所采集到的温度信息又为控制器进行数据处理构建神经网络控制模型。根据所构建的神经网络对制冷系统中的水量调节阀, 高低压控制阀, 热力膨胀阀进行自动的调节。在实际应用过程中, 常常会根据不同的应用目的将冷库划分为多个区域, 不同的区域要求实现的温度控制目标各不一样, 而且制冷系统当中所包含的蒸发器可能有多套。为此, 本文设计的分布式制冷控制系统能够支持多路蒸发器所组成的制冷控制系统, 每一路蒸发器都通过热力膨胀阀进行调节和控制使得不同的蒸发器能够以不同的功率和工作模式完成制冷的应用需求。水量调节阀主要对制冷系统中的冷凝器进行控制, 使得流经冷凝器的液体流量与制冷系统工作目标相匹配。制冷系统中的压缩机通过高低压控制阀进行控制调节压缩机内部的工作压力既确保制冷系统中制冷目标温度的实现, 同时也为了保证制冷系统压缩机内部的压力处于正常的范围之内。除此之外, 该控制系统所采集到的参数, 除了通过温度传感器采集冷库内部温度信息之外, 还通过压力传感器和阀门开度传感器采集制冷系统中的压缩机内部压力以及各阀门的打开程度, 从而为制冷控制系统精确控制提供详细的工作状态数据。

图1 分布式制冷控制系统组成结构图   

2 基于神经网络原理控制算法

人工神经网络 (Artificial Neural Network) 从定义上来理解是一种在特理机制上通过处理知识的思维、学习、记忆能力达到模拟人脑机制的信息系统。它将“能量函数”引入神经网络, 使神经网络稳定性有了明确的判据, 通过学习和记忆找出输入、输出变量之间的非线性关系, 在执行问题和求解时, 将所获取的数据输入给训练好的网络, 依据网络学习的知识进行网络推理, 得出合理的答案与结果。本文我们所采用的是一种称为BP神经的网络, 它由输入层、中间层、输出层组成, 不同的层可以有若干个节点。BP网络通过正向计算和反向计算完成计算。在正向计算过程中, 输入信号要先向前传播到隐层节点, 经过传递函数后, 再把隐层节点的输出信息传播到输出层节点, 最后给出输出结果。如果网络的输出值与期望值存在误差, 那么进行误差反向计算, 把误差信号沿原来的连接通路返回, 再修改连接各节点的权值使误差减小。本文设计的面向仓储冷库的分布式制冷控制系统, 该控制系统的特征是采用基于神经网络原理实现制冷系统的相关参数精确控制。控制过程中通过对仓储冷库内部的温度以及制冷系统的阀门开度和压力等参数进行分布式采集, 并以采集到的参数作为神经网络控制的输入数据, 通过运行在微处理器芯片的神经网络控制算法, 制冷系统中的热力膨胀阀, 水量调节阀和高低压控制阀进行精确控制, 使得制冷系统达到预期的控制目标。具体算法的输入输出点如图2所示, 左边节点为输入值, 右边节点为输出值。

图2 基于神经网络的温度控制器设计结构   

3 系统工作流程

下面将以设计方案的具体应用方式进一步论述面向仓储冷库的分布式制冷控制系统工作流程。

(1) 系统启动:用户启动分布式制冷控制系统, 首先需要对制冷控制系统的神经网络进行训练, 训练的数据既可以来自于历史的经验数据, 也可以通过对制冷目标环境实际温度及控制要求相关参数采集得到。除此之外, 也可以使用默认的神经网络参数设置。在使用默认的神经网络参数设置时, 神经网络的控制精度在初期可能不是太高。当神经网络工作一段时间之后, 根据实际的工作过程所产生的各种控制数据以及控制效果可以对神经网络各参数进行自动的调节, 使得神经网络的输出结果与预期的控制目标基本吻合。

(2) 运行模式:当神经网络处于稳定状态时, 分布式制冷控制系统开始正式进入正常的工作模式, 在正常工作过程中首先通过分布在仓储冷库各区域位置的温度传感器以及制冷控制系统内部的阀门开度传感器和压力传感器进行相关参数的采集。

(3) 数据采集与分析:首先, 制冷控制系统会根据所采集到的多种数据融合, 避免由于单个传感器的故障或者单个区域温度或其他参数的异常突变导致数据采样的严重失真现象的出现;然后, 系统将进行数据融合后的数据送入神经网络的输入端由神经网络自动生成相关的控制输出数据, 将所得到输出控制量分别送入热力膨胀阀, 水量调节阀和高低压控制阀, 实现整个制冷系统的精确控制;最后, 再根据温度传感器对当前的各参数进行采样, 动态的调整相应的控制参数的输出, 从而实现一个连续闭环的控制应用系统。

(4) 信息反馈:制冷控制系统在工作过程中为了让用户能够灵活的实现制冷控制过程及控制要求的设定及管理, 为用户提供了LCD显示屏和用户输入键盘, 用户通过键盘能够实现相应的参数输入及控制命令的输入, 并能够通过LCD显示屏查看制冷控制系统当前的工作状态及参数设置和工作过程中的相关参数信息。

4 总结

本文设计的分布式制冷控制系统采用基于神经网络的制冷控制原理, 通过构建神经网络对制冷系统所采集到的各种参数数据进行综合分析, 既能够得到高精度的制冷控制目标, 避免制冷控制过程中的振荡现象发生, 同时采用神经网络作为控制系统的核心方法, 具有很强的自适应和自学习能力, 提高了制冷控制系统的智能化程度。分布式制冷控制系统能够支持多路蒸发器所组成的制冷循环系统, 可以对仓储冷库中不同区域实现不同温度的控制目标。分布式制冷控制系统构建了由大量传感器所组成的分布式信息采集网络, 能够实现对仓储冷库中各区域的温度以及制冷系统内部的阀门开度和压力变化情况进行精确的采集, 为制冷控制系统实现高精度的控制提供了有力的数据保障。