劉曉陽， 馮輔周， 王江峰

(1.裝甲兵工程學院機械工程系， 北京 100072； 2.裝甲兵工程學院科研部， 北京 100072)

?

基于Elman神經網絡的轉輪除濕系統(tǒng)建模

劉曉陽1， 馮輔周1， 王江峰2

(1.裝甲兵工程學院機械工程系， 北京 100072； 2.裝甲兵工程學院科研部， 北京 100072)

摘要：為實現對轉輪除濕系統(tǒng)出口溫度、含濕量的高精度預測，基于對復雜系統(tǒng)建模具有良好適應性和穩(wěn)定性的Elman神經網絡，通過正交實驗采集神經網絡訓練數據，根據神經網絡建模過程建立了轉輪除濕系統(tǒng)的模型，實現了對除濕系統(tǒng)出口空氣狀態(tài)的預測。最后，對BP和Elman神經網絡建模效果進行了對比，結果表明：Elman模型具有更高的預測精度和更好的穩(wěn)定性。

關鍵詞：轉輪除濕系統(tǒng)； BP網絡； Elman網絡； 建模

轉輪除濕是一種固體除濕方法，它依靠固體吸附劑(如硅膠、氯化鋰等)吸收水分，達到降低空氣濕度的目的。轉輪除濕具有除濕量大、性能穩(wěn)定，以及可低溫除濕、環(huán)保無污染等優(yōu)點，在生產生活中具有廣泛應用。

目前，轉輪除濕系統(tǒng)模型主要是由控制方程﹑邊界條件和補充方程組成的物理模型。文獻[1-2]作者對轉輪物理模型進行了相應簡化，并通過實驗驗證了模型的準確性；文獻[3-4]作者通過編寫程序實現了轉輪除濕系統(tǒng)模型的求解；文獻[5-8]作者基于合理的假設，對轉輪除濕系統(tǒng)模型進行了相應研究。但由于轉輪除濕系統(tǒng)物理模型參數眾多、求解計算量大，其在實際應用中具有一定的局限性。

人工神經網絡屬于擬合模型的一種，對轉輪除濕系統(tǒng)這種復雜系統(tǒng)的建模具有良好的適應性。U?kan等[9]將BP神經網絡應用于轉輪除濕系統(tǒng)的建模，實現了對轉輪除濕量的預測，預測精度與數學模型求解精度相似，但求解過程更為簡化。傳統(tǒng)的BP神經網絡抗干擾能力差，對訓練數據的改變較為敏感[10]，利用BP神經網絡建立的轉輪除濕系統(tǒng)模型有待進一步優(yōu)化。 Elman神經網絡在BP神經網絡結構的基礎上增加了反饋結構，減少了對原始訓練數據的依賴，能有效減小預測值的誤差。為此，筆者根據正交實驗原理，對神經網絡建模所需訓練數據進行較為全面的采集，建立6輸入參數、2輸出參數的Elman神經網絡模型，實現對轉輪除濕系統(tǒng)出口風溫度和含濕量的預測，并通過與BP神經網絡建模效果進行對比來驗證該模型的穩(wěn)定性和預測精度。

1轉輪除濕系統(tǒng)的工作原理

轉輪除濕系統(tǒng)由風機、過濾器、除濕轉輪、傳動裝置和再生風加熱器等組成，其工作原理如圖1所示，除濕轉輪分為除濕區(qū)和再生區(qū)。處理空氣通過轉輪的除濕區(qū)時，水分子被吸附劑吸收；高溫低濕的再生風通過轉輪再生區(qū)，將吸附劑中的水分帶走。轉輪由電機驅動不斷轉動，除濕區(qū)和再生區(qū)周而復始，實現連續(xù)除濕。

圖1轉輪除濕系統(tǒng)工作原理

2Elman神經網絡

2.1Elman神經網絡結構

Elman神經網絡一般分為輸入層、隱含層、承接層和輸出層4層結構，其中：輸入層、隱含層和輸出層連接方式與傳統(tǒng)的BP神經網絡一致；承接層用于儲存前一時刻隱含層的輸出值，具有延時單元的作用，這使得系統(tǒng)具備狀態(tài)記憶、動態(tài)遞歸的功能，能直接反映系統(tǒng)過程特性。Elman神經網絡結構如圖2所示。

圖2Elman神經網絡結構

Elman神經網絡非線性狀態(tài)表達式如下：

yk=P(M3uk+b2)，

uk=F(M2uck+M1uk-1+b1)，

uck=xk-1。

式中：x、u、uc、y分別為神經網絡輸入值、中間層節(jié)點輸出值、承接層反饋值和神經網絡輸出值；M1、M2、M3分別為輸入層到中間層、中間層到承接層、中間層到輸出層的權值矩陣；b1、b2分別為中間層和輸出層的偏置矩陣；F(·)為中間層神經元的傳遞函數，常采用S函數；P(·)為輸出層神經元的傳遞函數，是中間層輸出的線性組合。

2.2Elman神經網絡學習過程

Elman神經網絡采用優(yōu)化的梯度下降算法，網絡訓練速度快，可有效抑制網絡陷入局部極小值，使網絡的預測輸出更加平穩(wěn)。

學習指標函數采用誤差平方和函數，其表達式為

神經網絡的學習過程就是通過網絡輸出的預測值與真實值的差值來不斷修正內部權值矩陣和偏置矩陣，使誤差平方和函數最小。

3Elman神經網絡建模過程

3.1輸入、輸出參數的確定

神經網絡模型不考慮實際的物理過程，但選擇的輸入、輸出參數之間要有明確的物理關系。綜合考慮轉輪除濕過程，本文選定處理空氣入口相對濕度φ﹑處理空氣出口溫度Tp﹑再生風入口溫度Tr﹑處理風風速vp﹑再生風風速vr和轉輪驅動電機開度n作為輸入參數；選定處理風出口溫度Tout和出口含濕量Yout作為神經網絡的輸出參數。

3.2訓練數據采集

神經網絡模型的預測精度依賴于訓練數據，尤其是對于多輸入、多輸出的神經網絡模型，訓練數據越全面，神經網絡擬合性越好。相關研究[11]表明：通過完備的正交實驗對訓練數據進行采集，既能減少實驗次數，又能提高神經網絡模型訓練效果。筆者采用6因素5水平正交實驗表，6因素對應神經網絡的6個輸入參數。

筆者在天津商業(yè)大學轉輪除濕實驗臺上進行訓練樣本的采集實驗，如圖3所示，共采集110組數據(包括50組正交實驗和60組補充實驗)，神經網絡輸入、輸出參數范圍如表1所示。

圖3天津商業(yè)大學轉輪除濕實驗臺

表1神經網絡輸入、輸出參數范圍

3.3確定基本參數及神經網絡結構

基本參數設置如下：訓練函數為trainlm；最大訓練次數為200；訓練速度為0.1；訓練誤差目標值為0.000 4；傳遞函數為tansig。

確定神經網絡的結構主要是指確定隱含層和神經元的數量。相關研究[12]表明：可以通過增加神經元的數量來減少隱含層層數，任意非線性函數都可以用含1個隱含層的神經網絡來逼近。綜合已有研究成果[13-14]，隱含層神經元數量k最大為15個。設輸入參數維數為Nx，輸出參數維數為Ny，訓練樣本數目Ntrain應滿足

Ntrain≥(Nx+Ny)×(1+k)。

本文中，隱含層神經元數量k=9。

3.4神經網絡訓練及精度檢驗

根據實驗采集數據，隨機將其中80組數據用于建立BP和Elman神經網絡訓練模型，剩余30組數據用于驗證模型精度，若預測值與真實值的誤差不滿足精度要求，則重新對神經網絡進行訓練，直至滿足精度要求為止。

4神經網絡建模效果對比

在20次訓練中選取BP和Elman神經網絡模型平均預測誤差最小的一次進行比較，預測結果如圖4-7所示。

由圖4、5可見：BP神經網絡模型出口溫度預測值與真實值之差在±3 ℃之間，相對誤差在±10%之間，平均相對誤差為4.01%；出口含濕量預測值與實際值之差大部分在±2 g/kg，個別數據預測出現較大偏差，相對誤差接近-30%，平均相對誤差為9.34%。

圖4BP神經網絡模型出口溫度預測結果

圖5BP神經網絡模型出口含濕量預測結果

圖6Elman神經網絡模型出口溫度預測結果

圖7Elman神經網絡模型出口含濕量預測結果

由圖6、7可見：Elman神經網絡模型出口溫度預測值與真實值之差在±2 ℃之間，相對誤差大部分在±5%之間，平均相對誤差為2.58%；出口含濕量預測值與實際值之差大部分在±1g/kg，相對誤差在±20%之間,平均相對誤差為8.29%。

綜合以上結果可知：Elman神經網絡模型比BP神經網絡模型穩(wěn)定性好、預測精度高。

參考文獻：

[1]LeeDY,KimDS.AnalyticalModelingofaDesiccantWheel[J].InternationalJournalofRefrigeration, 2014,42：97-111.

[2]YadavA,YadavL.ComparativePerformanceofDifferentSectorArrangementinaDesiccantWheelUsingaMathematicalModel[J].HeatTransfer,AsianResearch,2015,44(2)：133-153.

[3]馮青,俞金娣,張鶴飛.轉輪式干燥劑除濕器數學模型及RDEH程序[J].太陽能學報,1994,15(3)：209-217.

[4]俞金娣.干燥轉輪除濕器的新數學模型與RDCS程序[J].太陽能學報,1995,16(4)：368-378.

[5]郝紅,張于峰,鄧娜,等.除濕轉輪的數學模型及瞬態(tài)響應性

能試驗[J].天津大學學報, 2009,42(3)：236-242.

[6]袁衛(wèi)星,劉曉茹.轉輪除濕器簡化模型數值模擬與性能分析[J].太陽能學報,2007,28(3)：296-300.

[7]李彭,仇中柱,沈晉明.除濕轉輪的數學模型[J].同濟大學學報,2004,32(3)：327-331.

[8]張學軍,代彥軍,王如竹.蜂窩式除濕轉輪的傳熱傳質數學模型及其試驗驗證[J].機械工程學,2005,41(1)：82-85.

[9]U?kanI,YlmazT,HüanE,etal.DevelopmentofanArtificialNeuralNetworkModelforthePredictionofthePerformanceofaSilica-gelDesiccantWheel[J].InternationalJournalofGreenEnergy, 2015,12(11):1159-1168.

[10]叢爽，高雪鵬.幾種遞歸神經網絡及其在系統(tǒng)辨識中的應用[J].系統(tǒng)工程與電子技術,2003,25(2)：194-197.

[11]蔡安輝，劉永剛，孫國雄.基于正交實驗的BP神經網絡預測研究[J].中國工程科學,2003,5(7)：67-71.

[12]王雪飛.一種基于神經網絡的非線性時變系統(tǒng)建模仿真方法[J].計算機研究與發(fā)展,2006,43(7)：1167-1172.

[13]HaykinS.神經網絡與機器學習[M].北京:機械工程出版社，2011：103-106.

[14]張清良, 李先明. 一種確定神經網絡隱層節(jié)點數的新方法[J].吉林大學學報(自然科學版),2002,23(1)：89-91.

(責任編輯: 尚彩娟)

Modeling of Desiccant Wheel System Based on Elman Neural Network

LIU Xiao-yang1,FENG Fu-zhou1,WANG Jiang-feng2

(1.Department of Mechanical Engineering,Academy of Armored Force Engineering,Beijing 100072,China;2.Department of Science Research, Academy of Armored Force Engineering, Beijing 100072,China)

Key words:Desiccant Wheel System(DWS);BP network;Elman network; modeling

Abstract：In order to calculate outlet air temperature and moisture of Desiccant Wheel System (DWS) with high precision,based on the Elman neural network which is complicated and stable for complicated system modeling,the authors collect training data through orthogonal test and set up the model of DWS according to the modeling process of neural network to realize the prediction of the outlet air condition of DWS.At last, the modeling effects of BP and Elman neural network models are compared,the results show that the Elman model has higher prediction precision and better stability.

文章編號：1672-1497(2016)03-0064-04

收稿日期：2016-03-01

基金項目：軍隊科研計劃項目

作者簡介：劉曉陽(1991-)，男，碩士研究生。

中圖分類號：TP183;TP391.9

文獻標志碼：A

DOI：10.3969/j.issn.1672-1497.2016.03.014