基于神经网络的船舶舱室热舒适度研究

来源:用户上传      作者:

　　摘要：由于恒值空调已经不能满足船舶舱室人员的热舒适要求，运用遗传算法求解热舒适方程，并提出利用遗传算法改进神经网络的船舶舱室热舒适预测模型。仿真结果表明，该模型具有良好的仿真性能，预测准确性高。该模型对提升船舶舱室的环境质量和提高船舶工作人员及乘客的热舒适度起到很大的帮助。
　　关键词： 船舶热舒适; 遗传算法; 神经网络; 模型预测; MATLAB
　　中图分类号： U663.8;TU831.3    文献标志码： A
　　Abstract： Because constant air conditioning can no longer meet the thermal comfort requirements of ship cabin personnel， the genetic algorithm is adopted to solve the thermal comfort equation， and the prediction model of ship cabin thermal comfort is proposed， where the neural network is improved by the genetic algorithm. Simulation results show that， the model is of good simulation performance and high prediction accuracy. It is very helpful to improve the environmental quality of ship cabins and the thermal comfort of ship crew and passengers.
　　Key words： ship thermal comfort; genetic algorithm; neural network; model prediction; MATLAB
　　目前船舶艙室环境的调节主要通过船舶空调设备，大多数以恒温调控为主，并不能完全满足船员和乘客对船舶舒适环境的要求。为营造轻松舒适的船舶环境，需要根据船舶的特殊性选取一个适用于船舶舱室的热舒适模型，实现对船舶的热舒适控制。
　　遗传算法（genetic algorithm，GA）作为求解问题的一类自组织和自适应的人工智能技术，已经被广泛应用。SHAO等[1]为了系统地研究Au-Ag纳米粒子的结构稳定性，增强初始化期间结构稳定性，提高全局搜索能力和局部优化速度，提出一种改进的GA。QIN等[2]为解决约束单目标和多目标优化问题，开发了一种采用惩罚的无参数方法来处理约束的GA优化器，利用改进的GA优化器进行汽车形状优化。岛屿和礁石区域路线规划是一个复杂的多目标组合优化问题，GAO等[3]提出了一种用于启动导航路径的扫描搜索方法，并采用改进的人工神经网络（artificial neural network， ANN）调整路径，最终得到最优结果。
　　ANN是由大量处理单元组成的非线性、自适应信息处理系统。LEE等[4]在建筑物的暖通空调（heating ventilation air conditioning，HVAC）系统中采用ANN最优控制模型，不仅可以降低建筑物空调系统的能源消耗，满足建筑物居住者的热舒适性，还可以减少电网中的能源生产，稳定电网并促进智能电网发展。WANG等[5]为预测混合喷射器空调系统的性能，选择了3种ANN对所提出的平台进行建模，发现多层感知器ANN优于其他两个网络。JANI等[6-7]发现采用ANN模型预测的旋转干燥剂除湿器性能与对干燥剂轮性能的实验测试结果高度一致，并开发了用于固体干燥剂-蒸汽压缩混合空调系统的ANN模型来预测系统的冷却能力、输入功率和性能系数。
　　为改善船舶舱室环境的热舒适性，需要摒弃船舶舱室定值控制空调，代之以热舒适调节的空调。热舒适空调的控制与使用需要合适的算法进行热舒适预测。就此本文采用GA改进的ANN对船舶舱室舒适性进行研究分析。
　　1 热舒适度评价指标选取
　　（3）遗传过程。首先，采用排序选择的方法，根据个体的适应度值从小到大排列个体，然后根据轮盘赌的选择方式对个体进行选择。其次，采用单点交叉的方式进行交叉操作，交叉概率取0.3，在经过选择操作后的染色体组中随机选择两条染色体，在随机选择的染色体上再随机选择一个交换点对这两个点的值进行交叉。最后，在交叉操作后进行均匀的基因突变，使用均匀分布的随机数在编码字符串中选择进行突变的基因，把被选择的基因值替换为其他基因，基本位变异的概率为0.1。
　　（4）最优GA-BP神经网络。遗传迭代周期结束后，从优化后的最后一代种群中选择适应度值较高的个体，输出到BP神经网络模型中，通过神经网络训练得到船舶舱室热舒适预测模型。
　　总的来说：首先，通过测试数据计算当前种群中每条染色体的适应度函数值;其次，把BP神经网络系统的初始权值和阈值变换为遗传算法的初始种群;再次，根据适应度值重复选择、交叉和变异过程，直到达到指定的最大遗传迭代次数为止，输出最优的权值和阈值到神经网络系统;最后，用测试样本对神经网络进行训练，直到达到最大训练次数或设定精度后，输出最优的船舶舱室热舒适BP神经网络模型。
　　3.3 仿真分析
　　本文采用MATLAB软件进行模型仿真，以PMV*方程生成的数据为基础预测热舒适条件下的船舶舱室空气温度。用BP神经网络模型和GA-BP神经网络模型对4种不同的拓扑结构（隐含层神经元数量不同）进行训练和测试的次数为100次，隐含层神经元数量S1分别为7、10、13和16，学习率为0.1，训练精度为0.000 4。
　　3.3.1 样本数据 　　根據PMV*方程，以PMV*设定值、平均辐射温度、舱室空气流速、舱室内相对湿度、人体服装热阻和人体新陈代谢率作为输入数据，以热舒适条件下舱室空气温度为输出数据，输入数据和输出数据均来自由PMV*方程计算所得的数据。所得数据共2 000组，随机抽取95%的数据作为训练样本（即训练样本1 900组），其余5%的数据作为测试样本（即测试样本100组），对GA-BP神经网络模型和BP神经网络模型进行训练和测试。所用数据见表2。
　　由图9可知：当隐含层神经元数量等于7时，优化前后的神经网络预测值的绝对误差最大值分别为0.72和0.33;当隐含层神经元数量等于10时，优化前后的神经网络预测值的绝对误差最大值分别为0.54和0.34;当隐含层神经元数量等于13时，优化前后的神经网络预测值的绝对误差最大值分别为0.20和0.12;当隐含层神经元数量等于16时，优化前后的神经网络预测值的绝对误差最大值分别为0.61和0.67。
　　由图10可知：当隐含层神经元数量等于7时，优化前后的神经网络预测值的绝对误差平均值分别为0.20和0.07;当隐含层神经元数量等于10时，优化前后的神经网络预测值的绝对误差平均值分别为0.09和0.04;当隐含层神经元数量等于13时，优化前后的神经网络预测值的绝对误差平均值分别为0.04和0.03;当隐含层神经元数量等于16时，优化前后的神经网络预测值的绝对误差平均值分别为0.08和0.05。
　　由图11可知：当隐含层神经元数量等于7时，优化前后的神经网络预测值误差的方差分别为0.071 7和0.008 8;当隐含层神经元数量等于10时，优化前后的神经网络预测值误差的方差分别为0.017 2和0.003 7;当隐含层神经元数量等于13时，优化前后的神经网络预测值误差的方差分别为0.003 8和0.001 9;当隐含层神经元数量等于16时，优化前后的神经网络预测值误差的方差分别为0.015 7和0.008 4。
　　由上述预测结果可知：优化前和优化后的神经网络模型都是在隐含层神经元数量为13时，预测值的绝对误差最大值最小，绝对误差平均值最小，方差最小;当隐含层神经元数量为13时，优化后的神经网络预测值的绝对误差最大值比优化前的小0.08，优化后的神经网络预测值的绝对误差平均值比优化前的小0.01，优化后的神经网络预测值误差的方差比优化前的小0.001 9。也就是说，在所有的预测结果中，当隐含层神经元数量为13时GA优化的BP神经网络预测结果的误差最小、最准确，且波动最小、最稳定。
　　3.4 结 论
　　与BP神经网络相比，GA优化的BP神经网络能够有效避免训练进入局部最小点，使神经网络预测误差更小，预测结果更为精准。由结果可以看出隐含层神经元数量太少会导致预测误差大，而隐含层神经元数量太多又会导致神经网络模型过拟合从而使误差增大。目前对神经网络模型中隐含层神经元数量的选择大多依靠经验或者根据实验数据总结出的结论。本文提出的GA-BP神经网络热舒适预测模型具有良好的仿真性能，预测精度高，隐含层神经元数量少。隐含层神经元的数量对GA-BP神经网络预测有很大的影响，本文在其等于13时所得预测误差最小。GA-BP神经网络模型有助于获得更准确的预测结果，对于营造船舶舒适的舱室环境，提高船舶工作人员的工作效率，缓解工作带来的疲劳有很大的帮助。
　　4 结束语
　　针对船舶舱室热舒适控制的实时性和方便性要求，构造热舒适神经网络实时预测系统，并采用遗传算法（GA）优化的BP神经网络提高预测温度精准值。本文的预测模型仅选取了室内温度作为控制对象，其他影响参数根据热舒适区取定值，没有全面预测各可控参数，存在一定局限性，因此后续研究可以通过改进算法进行多目标预测，对船舶空调进行多参数组合控制，使得船舶舱室环境更舒适。
　　参考文献：
　　[1] SHAO Guifang， SHANGGUAN Yali， TAO Jiping， et al. An improved genetic algorithm for structural optimization of Au-Ag bimetallic nanoparticles[J]. Applied Soft Computing Journal， 2018， 73： 39-49. DOI： 10.1016/j.asoc.2018.08.019.
　　[2] QIN Huan， GUO Yi， LIU Zijian， et al. Shape optimization of automotive body frame using an improved genetic algorithm optimizer[J]. Advances in Engineering Software， 2018， 121： 235-249. DOI： 10.1016/j.advengsoft.2018.03.015.
　　[3] GAO Miao， SHI Guoyou， LI Weifeng， et al. An improved genetic algorithm for island route planning[J]. Procedia Engineering， 2017， 174： 433-441. DOI： 10.1016/j.proeng.2017.01.163.
　　[4] LEE Y M， HORESH R， LIBERTI L. Optimal HVAC control as demand response with on-site energy storage and generation system[J]. Energy Procedia， 2015， 78： 2106-2111. DOI： 10.1016/j.egypro.2015.11.253. 　　[5] WANG Hao， CAI Wenjian， WANG Youyi. Modeling of a hybrid ejector air conditioning system using artificial neural networks[J]. Energy Conversion and Management， 2016， 127： 11-24. DOI： 10.1016/j.enconman.2016.08.088.
　　[6] JANI D B， MISHRA M， SAHOO P K. Performance prediction of rotary solid desiccant dehumidifier in hybrid air-conditioning system using artificial neural network[J]. Applied Thermal Engineering， 2016， 98： 1091-1103. DOI： 10.1016/j.applthermaleng.2015.12.112.
　　[7] JANI D B， MISHRA M， SAHOO P K. Performance prediction of solid desiccant： vapor compression hybrid air-conditioning system using artificial neural network[J]. Energy， 2016， 103： 618-629. DOI： 10.1016/j.energy.2016.03.014.
　　[8] 莫志姣， 唐江明， 谷正气， 等. 基于PMV-PPD可视化车室热舒适性仿真研究[J]. 计算机仿真， 2016， 33（9）： 163-168. DOI： 10.3969/j.issn.1006-9348.2016.09.035.
　　[9] GILANI S I U H， KHAN M H， PAO W. Thermal comfort analysis of PMV model prediction in air conditioned and naturally ventilated buildings[J]. Energy Procedia， 2015， 75： 1373-1379. DOI： 10.1016/j.egypro.2015.07.218.
　　[10] 邢娜. 熱舒适条件下的船舶空调节能研究[D]. 上海： 上海海事大学， 2007.
　　[11] ZHANG Lina， CHANG Jinming. A novel grid phase estimating algorithm based on BP neutral network[J]. Applied Mechanics and Materials， 2013， 239-240： 1507-1510. DOI： 10.4028/www.scientific.net/amm.239-240.1507.
　　（编辑 贾裙平）
转载注明来源:https://www.xzbu.com/4/view-15151418.htm