秦理

（廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣東 廣州 510006）

抽油煙機(jī)可以將爐灶燃燒的廢氣和烹飪過程中產(chǎn)生的對人體有害的油煙迅速抽走，減少污染，凈化空氣，并有防毒、防爆的安全保障作用。雖然目前市場上抽油煙機(jī)產(chǎn)品的結(jié)構(gòu)和造型漸趨完善，但普遍智能化水平低、耗能嚴(yán)重且舒適度差，抽油煙機(jī)轉(zhuǎn)速無法隨著油煙量的多少實(shí)時(shí)調(diào)節(jié)，工作時(shí)電機(jī)以一恒定功率運(yùn)轉(zhuǎn)，造成大量電能浪費(fèi)。

中式烹飪講究煎、炒、烹、炸，廚房的污染物成分復(fù)雜且難以實(shí)現(xiàn)智能監(jiān)控，烹飪產(chǎn)生油煙和水蒸汽的過程具有復(fù)雜的時(shí)變特點(diǎn)，同時(shí)隨機(jī)性地疊加有大沖擊的變量激勵(lì)，傳統(tǒng)PID控制方案中不能適用廚房中的復(fù)雜環(huán)境。文中以采集傳感器為依托，設(shè)計(jì)一種基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速控制器，通過采集水蒸氣、油煙量的濃度對廚房烹飪環(huán)境進(jìn)行分析，確定所需排風(fēng)量，進(jìn)而以一個(gè)最適宜的轉(zhuǎn)速進(jìn)行排煙，達(dá)到節(jié)能降耗的目的。

隨著神經(jīng)元網(wǎng)絡(luò)理論的深入研究和單片機(jī)的廣泛應(yīng)用，在小型產(chǎn)品中，把神經(jīng)元網(wǎng)絡(luò)與微處理器相結(jié)合構(gòu)成更高層次的控制器已經(jīng)成為可能。筆者就是將它們結(jié)合，采用基于神經(jīng)網(wǎng)絡(luò)的最佳轉(zhuǎn)速控制器，根據(jù)學(xué)習(xí)完成后的神經(jīng)網(wǎng)絡(luò)，直接將油煙和蒸汽非線性映射為最佳轉(zhuǎn)速值。在無被控對象數(shù)學(xué)模型情況下，解決了轉(zhuǎn)速難以有效控制問題，具有良好的非線性逼近能力和泛化能力。

1 抽油煙機(jī)工作概況

1.1 油煙、蒸汽等廢氣的產(chǎn)生

烹調(diào)過程產(chǎn)生的第一大廢氣是油煙，油煙是食用油脂煎炸食物時(shí)發(fā)生劇烈化學(xué)變化后產(chǎn)生的成分復(fù)雜的混合物。在170℃時(shí)，油分解形成直徑為Φl0－3cm以上的小油滴；到270℃時(shí)，分解形成 Φl0－3～10－7cm的微油滴。 由鍋底溢出的油氣無規(guī)則的向上、向外擴(kuò)散，接觸鍋底的空氣被烤熱快速上升，在鍋底形成負(fù)壓，由鍋外的冷空氣不斷補(bǔ)充，油煙廢氣向灶外傾斜擴(kuò)散外逸，圖1給出了油煙廢氣流場示意圖。

烹調(diào)產(chǎn)生的另一種主要污染物是水蒸氣，例如煲湯時(shí)產(chǎn)生大量的水霧，加熱階段時(shí)水蒸氣隨溫度升高呈比例增加，沸騰后產(chǎn)生的水蒸氣均勻且與燃燒工況成正比。煙霧和水蒸氣的兩者交叉耦合，存在著非線性關(guān)系，很難建立精確的數(shù)學(xué)模型。

1.2 抽油煙機(jī)排風(fēng)

圖1 烹飪過程的油煙氣體流場圖Fig.1 Flow diagram of lampblack gas in cooking process

抽油煙機(jī)工作時(shí)，排風(fēng)口處附近形成負(fù)壓，廢氣從四周流向吸氣口，形成吸入氣流匯流。當(dāng)吸氣口面積較小時(shí)，可視為“點(diǎn)匯”氣流[1]。吸氣口外的氣流流動(dòng)的流線是以出氣口為中心的徑向線，等速面以出氣口為球心，呈球面分部。如圖2所示。

圖2 抽油煙機(jī)排污原理圖Fig.2 Operating principle diagram of range hood

忽略油煙和水蒸氣的理化差異、可近似認(rèn)為兩者按照均一速度被抽油煙機(jī)排走。當(dāng)抽油煙機(jī)穩(wěn)定運(yùn)行時(shí)，風(fēng)機(jī)的排風(fēng)量與轉(zhuǎn)速有以下比例關(guān)系 Q1/Q2=n1/n2；n1、n2為風(fēng)機(jī)調(diào)節(jié)前后的轉(zhuǎn)速；Q1、Q2為風(fēng)機(jī)調(diào)節(jié)前后的排風(fēng)量。

以上可見，當(dāng)風(fēng)機(jī)的轉(zhuǎn)速由n1改變?yōu)閚2時(shí)，如果忽略廢氣的溫度變化，廢氣排量變化與轉(zhuǎn)速變化的一次方成正比；圖3是抽油煙機(jī)風(fēng)機(jī)轉(zhuǎn)速與排風(fēng)量關(guān)系示意圖。

圖3 風(fēng)機(jī)轉(zhuǎn)速與排風(fēng)量關(guān)系示意圖Fig.3 Relationship between fan speed and output volume

2 基于神經(jīng)網(wǎng)絡(luò)的最佳轉(zhuǎn)速控制器

2.1 最佳轉(zhuǎn)速控制器總體結(jié)構(gòu)

基于神經(jīng)網(wǎng)絡(luò)的智能變頻系統(tǒng)通過對烹飪過程中的煙霧、水蒸氣等數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，采集數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的信號(hào)源輸入[2]。煙霧和水蒸汽分別通過煙霧、水蒸汽濃度檢測模塊采集得到，煙霧濃度傳感器選用TGS2100空氣質(zhì)量傳感器；水蒸氣濃度傳感器選用HSll00電容式蒸汽濃度傳感器，抽油煙機(jī)的轉(zhuǎn)速由電機(jī)自帶編碼器反饋得到，反饋的轉(zhuǎn)速信號(hào)為直流電壓信號(hào)?；谏窠?jīng)網(wǎng)絡(luò)的最佳轉(zhuǎn)速控制系統(tǒng)如圖4所示。

圖4 基于神經(jīng)網(wǎng)絡(luò)的最佳轉(zhuǎn)速控制器Fig.4 The best speed controller based on neural network

轉(zhuǎn)速R是煙霧濃度S和蒸汽濃度V的函數(shù)，S、V兩者交叉耦合，存在著非線性關(guān)系。采用神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速控制器，能根據(jù)學(xué)習(xí)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，學(xué)習(xí)完成后直接將煙霧濃度S和蒸汽濃度V映射得到最佳轉(zhuǎn)速R。映射過程是：輸入層直接映射到隱層，隱層與輸出層之間實(shí)行權(quán)連接。

2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速控制器

神經(jīng)網(wǎng)絡(luò)是把大量神經(jīng)元互連并用各連接系數(shù)的分布來表示某一種特性。網(wǎng)絡(luò)中代表輸入層與隱層各節(jié)點(diǎn)間的映射關(guān)系和代表輸出層與隱層各節(jié)點(diǎn)間的連接權(quán)系數(shù)W的組合（分布）代表了某一種特定的知識(shí)[3]。

RBF神經(jīng)網(wǎng)絡(luò)是三層靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，輸入層到隱層單元之間為直接映射，隱層到輸出層實(shí)行權(quán)連接。同時(shí)RBF網(wǎng)絡(luò)具有運(yùn)算量小、不依賴初值選取、收斂速度快、收斂具有全局性等特點(diǎn)。RBF神經(jīng)網(wǎng)絡(luò)有良好的泛化能力，對于每個(gè)輸入值只需要有很少幾個(gè)節(jié)點(diǎn)具有非零激勵(lì)值，因此只需少部分節(jié)點(diǎn)及權(quán)值改變。RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度可以比通常的BP網(wǎng)絡(luò)提高上千倍，容易適應(yīng)新數(shù)據(jù)，其隱層節(jié)點(diǎn)的數(shù)目也在訓(xùn)練過程中確定，并且其收斂性也較BP網(wǎng)絡(luò)易于保證，因此可以得到最優(yōu)解。

文中采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)成的最佳轉(zhuǎn)速控制器如圖5所示。

圖5 最佳轉(zhuǎn)速控制器Fig.5 Best speed controller

此網(wǎng)絡(luò)是一個(gè)三層前向網(wǎng)絡(luò)，輸入層由信號(hào)源節(jié)點(diǎn)組成，第 2 層為隱含層，第 3 層為輸出層，S（k）、V（k）和 R（k）分別為煙霧濃度、水蒸氣濃度和抽油煙機(jī)實(shí)時(shí)輸出轉(zhuǎn)速。從輸入層到隱含層的交換函數(shù)以高斯函數(shù)作為徑向基函數(shù)，即：

式中：j=1，2，…，m。

X=（S（k）、V（k））T——輸入樣本向量

Cj為高斯基函數(shù)的中心值，選取隨機(jī)樣本以最近規(guī)則分組，按照xj與中心為cj之間的歐氏距離將xj分配到輸入樣本的各個(gè)聚類集合 θj（j=l，2，…m）中，計(jì)算得到新的 cj*即為RBF神經(jīng)網(wǎng)絡(luò)最終的基函數(shù)中心。

σj=，為基函數(shù)的方差，它決定了該基函數(shù)圍繞中心點(diǎn)的寬度。

PX-CjP——向量X-Cj的范數(shù)

m——隱含層節(jié)點(diǎn)數(shù)

輸入層實(shí)現(xiàn)從X→aj（x）的非線性映射。而從隱含層到輸出層的交換是線性映射，即：R（k）=Waj（x），式中 W=[W1W2W3…WM]；aj（x）=[a1（x）a2（x）… am（x）]T

其連接權(quán)W的學(xué)習(xí)算法為：

R*——樣本中轉(zhuǎn)速值

β——學(xué)習(xí)率（0<β<1）

最佳轉(zhuǎn)速控制器首先根據(jù)所有輸入樣本，通過學(xué)習(xí)決定高斯函數(shù)的中心值Cj、標(biāo)準(zhǔn)化常數(shù)σ、隱含層的節(jié)點(diǎn)數(shù)M和輸出層的連接權(quán)W。然后根據(jù)學(xué)習(xí)完成后的神經(jīng)網(wǎng)絡(luò)，直接將油煙和蒸汽映射為最佳轉(zhuǎn)速值。轉(zhuǎn)速值作為參數(shù)送入到PWM程序中去控制PWM波的占空比，得到的輸出電壓最終實(shí)現(xiàn)抽油煙機(jī)的轉(zhuǎn)速控制。

采用RBF神經(jīng)元網(wǎng)絡(luò)的轉(zhuǎn)速控制器是在單片機(jī)控制系統(tǒng)中，存貯了一組可修正的RBF神經(jīng)元網(wǎng)絡(luò)的映射算法和連接權(quán)系數(shù)矩陣，在實(shí)際工作時(shí)，僅需把代表某種特定轉(zhuǎn)速控制經(jīng)驗(yàn)的權(quán)系數(shù)矩陣進(jìn)行相關(guān)的數(shù)學(xué)處理[4]，然后計(jì)算出相應(yīng)的控制信號(hào)。

3 實(shí)驗(yàn)結(jié)果的分析

模擬廚房環(huán)境，改變油煙、水蒸汽濃度值，經(jīng)過大量的實(shí)驗(yàn)，選取了18組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速控制器的學(xué)習(xí)樣本，如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)速控制器學(xué)習(xí)樣本Tab.1 Study samples of the best speed controller based on neural network

RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法可表示為：代入表1中的輸入樣本 D=（S（k）、V（k））T，尋找 θ={cj，σj，ωj}，使函數(shù) minεRBF[X，（‖x-ci‖Bn/σi），B 為基寬矢量，g=Aθ，A 為一個(gè) m×m 的上三角陣[5]，對角元素值為1。

采用MATLAB仿真程序?qū)ι窠?jīng)網(wǎng)絡(luò)轉(zhuǎn)速控制器進(jìn)行學(xué)習(xí)訓(xùn)練，訓(xùn)練的樣本數(shù)據(jù)如表1所示，以根均方偏差值的0.01目標(biāo)，那就是網(wǎng)絡(luò)輸出不到0.01根均方誤差可被視為網(wǎng)絡(luò)已經(jīng)停止訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖6所示，結(jié)果表明：當(dāng)對所有訓(xùn)練樣本的輸出均方差值小于0.01時(shí)，訓(xùn)練步數(shù)為36步；當(dāng)訓(xùn)練步數(shù)達(dá)到200步時(shí)，輸出均方差值小于0.000 1。

圖6 訓(xùn)練過程Fig.6 Training process

采用校驗(yàn)樣本數(shù)據(jù)對基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速控制器精度進(jìn)行驗(yàn)證，其結(jié)果如表2所示，我們可以看出由神經(jīng)網(wǎng)絡(luò)映射得到的轉(zhuǎn)速與檢驗(yàn)樣本很接近，最大絕對誤差是8.0%，最小絕對誤差是1.0%，平均絕對誤差是3.8%，證明文中介紹的神經(jīng)網(wǎng)絡(luò)具有良好的映射能力。

表2 RBF神經(jīng)網(wǎng)絡(luò)精度驗(yàn)證數(shù)據(jù)Tab.2 The precision validation data of RBF neural network

對控制系統(tǒng)的動(dòng)態(tài)性能進(jìn)行仿真測試，得到的性能曲線如圖7所示。當(dāng)階躍輸入時(shí)，系統(tǒng)穩(wěn)態(tài)誤差小于0.2%，系統(tǒng)過渡過程時(shí)間小于3 s，系統(tǒng)超調(diào)量小于20%。基于神經(jīng)網(wǎng)絡(luò)的抽油煙機(jī)轉(zhuǎn)速控制表現(xiàn)出較好的動(dòng)態(tài)性能和穩(wěn)態(tài)性能[6-7]。

圖7 控制系統(tǒng)的動(dòng)態(tài)性能曲線Fig.7 Dynamic performance curve of control system

對控制系統(tǒng)進(jìn)行實(shí)地測試，設(shè)置廚房初始油煙濃度為2.5 mg/m3、蒸汽濃度為2.5 mg/m3，啟動(dòng)抽油煙機(jī)運(yùn)行；在很短時(shí)間內(nèi)增加油煙濃度至5 mg/m3，維持蒸汽濃度不變，觀測抽油煙機(jī)轉(zhuǎn)速變化，直到重新穩(wěn)定運(yùn)行；在很短時(shí)間內(nèi)突然加大蒸汽濃度至5 mg/m3，維持油煙濃度不變，觀測抽油煙機(jī)轉(zhuǎn)速變化。由實(shí)測數(shù)據(jù)繪出抽油煙機(jī)的轉(zhuǎn)速曲線，如圖8所示。由抽油煙機(jī)轉(zhuǎn)速輸出可見：當(dāng)廚房環(huán)境發(fā)生變化時(shí)，采用神經(jīng)網(wǎng)絡(luò)控制方式能夠快速響應(yīng)，并能穩(wěn)定于新的轉(zhuǎn)速工作點(diǎn)，沒有發(fā)生誤判，加速過程沒有出現(xiàn)振蕩，系統(tǒng)表現(xiàn)出良好的動(dòng)態(tài)和穩(wěn)態(tài)性能。

圖8 污染物突然發(fā)生改變時(shí)抽油煙機(jī)轉(zhuǎn)速曲線圖Fig.8 Speed figure of range hood when the smoke pollutants change suddenly

4 結(jié) 論

抽油煙機(jī)的智能調(diào)速需要考慮多重因素，重點(diǎn)是最恰當(dāng)?shù)霓D(zhuǎn)速值選取。烹飪過程的主要污染物是油煙和水蒸汽，二者交叉耦合，存在著復(fù)雜非線性關(guān)系，傳統(tǒng)PID控制方案中不能適用廚房中的復(fù)雜環(huán)境。文中采用一種基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)速控制器，在無被控對象數(shù)學(xué)模型情況下，直接用兩輸入變量非線性映射得到輸出轉(zhuǎn)速。實(shí)驗(yàn)表明，該神經(jīng)網(wǎng)絡(luò)控制器具有自學(xué)習(xí)功能的特點(diǎn)，根據(jù)廢氣量的多少，實(shí)時(shí)調(diào)整轉(zhuǎn)速；具有良好的非線性逼近能力和泛化能力，優(yōu)化排煙過程的效能控制，提高了整個(gè)系統(tǒng)的智能化水平。

[1]史漫興，王漢青，王志勇.一種風(fēng)幕式抽油煙機(jī)的實(shí)驗(yàn)研究[J].湖南工業(yè)大學(xué)學(xué)報(bào)，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.基于神經(jīng)網(wǎng)絡(luò)和模糊控制的可變配氣相位系統(tǒng)[J].儀器儀表學(xué)報(bào)，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]劉少君，鄔依林.自動(dòng)抽油煙機(jī)的模糊控制器設(shè)計(jì)[J].佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)：自然科學(xué)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]邱望標(biāo)，徐蘇恒.基于ATmega 16L的變頻節(jié)能抽油煙機(jī)設(shè)計(jì)[J].現(xiàn)代機(jī)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]李輝.一種多變量模糊神經(jīng)網(wǎng)絡(luò)解耦控制器的設(shè)計(jì)[J].控制與決策，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.