本发明涉及一种军用电源机箱风机转速控制方法。
背景技术：
在传统的军用电源机箱设计中，特别是仪器仪表中，风机转速通常是固定的，即便是计算机，也只能在BIOS中去设置风机的转速，不能根据需要对机箱内温度进行调节。然而由于军用电压机箱所处室外环境复杂，各种环境因素对机箱内温度影响较大，温度的频繁变化或者持续过热会影响电源机箱供电的稳定性，从而造成严重的不良后果，因而迫切需要提供一种能够适应多种复杂变化环境的电源机箱以提供稳定的供电电源。风机作为电源机箱温度调节的主要设备，可以直接决定电源机箱的供电性能，因而对军用电源机箱风机转速控制方法的研究势在必行。且由于室外环境的复杂性，影响电源机箱稳定性的各状态参量之间的联系越来越紧密，只依靠单一状态量的来实现风机转速的控制也不一定能准确的对电源机箱状态进行判断，甚至还有可能造成误判或错判，如在检测温度升高时，再去调节风机，就明显就有点晚了。
为此，本发明设计一种军用电源机箱风机转速控制方法，实现对温度的前向预测，提前调整风机的转速，可以实现机箱温度的自适应控制。
技术实现要素：
本发明的目的在于克服现有技术中的缺点，提供一种军用电源机箱风机转速控制方法，可有效实现军用电源机箱风机转速的智能控制，实现对温度的前向预测，提前调整风机的转速。
本发明的目的通过以下技术方案实现：一种军用电源机箱风机转速控制方法，步骤如下：
1)分别使用设置于机箱内外的温度测量元件采集机箱内外的温度值，以及使用设置于机箱进风口和出风口的温度测量元件采集机箱进、出风口处的温度值；记录当前时刻的风机转速；
2)所述中央处理单元模块对采集的上述温度值进行预处理，获取出机箱内外的温度差值和机箱进、出风口处的温度差值；采用加权最小二乘方法进行模型辨识获得系统模型所述系统模型的输入包含机箱内外的温度差值、机箱内的温度值、机箱进出风口处的温度差值，所述系统模型的输出包括下一时刻机箱内的温度值；
所述系统模型包含第一系统模型和第二系统模型；
所述第一系统模型的输入为机箱内部温度值，输出为风机的调节电压值，作为的控制电压，将获取到的第一系统模型作为预测控制器，为了弥补模型的精度避免出现模型失配的情况，采用模型的在线计算与模型在线更新，以确保每个控制周期的模型精度；
第二系统模型的输入为基于BP神经网络的模糊PID控制器，实现温度干扰的补偿，分别以机箱内温度值、机箱内外的温度差值、机箱进口温度值、机箱进出风口处的温度差值作为基于BP神经网络的模糊PID控制器的输入，风机的调节电压值作为基于BP神经网络的模糊PID控制器的输出；
将预测控制器计算出来的风机的调节电压值V1和基于BP神经网络的模糊PID控制器计算出来的风机的调节电压值V2进行加权求和，最终计算出实际的风机的调节电压值V3，及V3＝K1*V1+K2*V2，其中K1、K2为系数；
3)风机根据输入的调节电压值V3实时调节风机的转速。
优选的，对采集的原始数据进行数据处理，并采用处理后的数据对系统的模型进行辨识，选取风机的调节电压值作为最小二乘建模的输出变量，机箱内部温度值作为最小二乘建模的输入变量，并且根据模型的精度及仿真的结果，选取脉冲响应模型作为系统模型，
其中，V(k)为过程输出，T(k)为控制输入，h(i)，(i＝1…N)为脉冲响应系数，N为模型阶数；具体的，针对采集的温度值T、实际的调节电压值V，均采用方式进行数据处理：
对于k时刻的采样值，计算前n个点的均值及前m个点的变化趋势，具体的，
TMean(k)＝(T(k-1)+T(k-2)+…+T(k-n))/n；
RT(k)＝(T(k-m+1)-T(k-m))/m+(T(k-m+2)-T(k-m+1))/m+…(T(k-2)-T(k-3))/m+2*(T(k-1)-T(k-2))/m；
m<n；
具体处理规则如下：
设Tmax(k)＝TMean(k)+1.3RT(k)*Tdelta，设Tmin(k)＝TMean(k)-0.3RT(k)*Tdelta，
如果，Tmax(k)<T(k)<Tmax(k)，则保留T(k)，并记录当前时刻对应的调节电压值V(k)；否则，摒弃该数据，重新采样。
优选的，所述温度测量元件为热电偶或铂电阻。
优选的，BP网络的输出节点分别对应模糊PID控制器的3个可调参数KP、KI和KD，采用经典增量式数字PID控制。
优选的，所述模糊PID控制器的模糊模型为Mamdani模型、Takagi-Sugeno模型或模糊关系模型。
优选的，所述预测控制器的输入还包括电流采集电路采集的风机运行回路中的电流值，所述系统模型还包含第三系统模型，第三系统模型的输入为选取分别选取机箱内部温度值和电流采集电路采集的风机运行回路中的电流值作为预测控制器的输入，风机的调节电压值V4作为预测控制器的输出；
此时风机的调节电压值V＝(K1*V1+K2*V2)/(2K1+2K2)+V4/2。
优选的，所述第一系统模型的更新方法如下：
若0.9Tset_min(k)<T(k)<1.1Tset_max(k)，不进行模型更新；
若T(k)>＝1.1Tset_max(k)，则更新系数模型，具体更新方法如下：
则：
令建模的M组数据为距离当前时刻的最近的数据，
输入变量为[T(k-1)aT(K-2)a2T(K-2)a3T(K-2)···aM-1T(K-M)]；
输出变量为[V(k-1)aV(K-2)a2V(K-2)a3V(K-2)···aM-1V(K-M)]；
其中，a为系数；
此时，以输出变量和输入变量，重新建立数学模型。
优选的，所述模型的在线计算以及预测控制算法都采用C++语言编程，并使用Matlab进行仿真调试。
进一步地，所述温度测量元件为热电偶或铂电阻。
本发明具有以下优点：
1)结合传统PID控制原理、神经网络技术、模糊控制技术及预测控制技术，提出了一种新型控制器结构，基于线性预测模型的神经网络模糊PID控制方法对机箱温度进行提前预判，能够及时调整风机转速，从而实现军用电源机箱的稳定供电。
2)采集多种状态量进行综合判断，可以更准确的对电源机箱状态进行监测，从而提供更准确可靠的温度调节方式，大大提高了电源机箱供电幅值的精度。
3)通过上述风机转速控制方法实现的电源机箱可适用于多种室外环境，扩展了军用电源机箱的适用空间。
附图说明
图1为本发明军用机箱电源控制电路结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
图1公开了本发明军用机箱电源控制电路结构，具体的传感器实时采集系统包括设置于机箱内外的温度测量元件以采集机箱内外的温度值，设置于机箱进风口和出风口的温度测量元件采集机箱进、出风口处的温度值，设置于机箱进出风口的风压测量元件以采集机箱进、出风口压力差值，设置于风机电流回路中的电流采集元件以采集的风机运行回路中的电流值；中央处理单元模块包含预测控制器模块和基于BP神经网络的模糊PID控制器模块。
本发明采用以下技术方案实现：一种军用电源机箱风机转速控制方法，步骤如下：
1)分别使用设置于机箱内外的温度测量元件采集机箱内外的温度值，以及使用设置于机箱进风口和出风口的温度测量元件采集机箱进、出风口处的温度值；记录当前时刻的风机转速；
2)所述中央处理单元模块对采集的上述温度值进行预处理，获取出机箱内外的温度差值和机箱进、出风口处的温度差值；采用加权最小二乘方法进行模型辨识获得系统模型所述系统模型的输入包含机箱内外的温度差值、机箱内的温度值、机箱进出风口处的温度差值，所述系统模型的输出包括下一时刻机箱内的温度值；
所述系统模型包含第一系统模型和第二系统模型；
所述第一系统模型的输入为机箱内部温度值，输出为风机的调节电压值，作为的控制电压，将获取到的第一系统模型作为预测控制器，为了弥补模型的精度避免出现模型失配的情况，采用模型的在线计算与模型在线更新，以确保每个控制周期的模型精度；
第二系统模型的输入为基于BP神经网络的模糊PID控制器，实现温度干扰的补偿，分别以机箱内温度值、机箱内外的温度差值、机箱进口温度值、机箱进出风口处的温度差值作为基于BP神经网络的模糊PID控制器的输入，风机的调节电压值作为基于BP神经网络的模糊PID控制器的输出；
将预测控制器计算出来的风机的调节电压值V1和基于BP神经网络的模糊PID控制器计算出来的风机的调节电压值V2进行加权求和，最终计算出实际的风机的调节电压值V3，及V3＝K1*V1+K2*V2，其中K1、K2为系数；
3)风机根据输入的调节电压值V3实时调节风机的转速。
优选的，对采集的原始数据进行数据处理，并采用处理后的数据对系统的模型进行辨识，选取风机的调节电压值作为最小二乘建模的输出变量，机箱内部温度值作为最小二乘建模的输入变量，并且根据模型的精度及仿真的结果，选取脉冲响应模型作为系统模型，
其中，V(k)为过程输出，T(k)为控制输入，h(i)，(i＝1…N)为脉冲响应系数，N为模型阶数；具体的，针对采集的温度值T、实际的调节电压值V，均采用方式进行数据处理：
对于k时刻的采样值，计算前n个点的均值及前m个点的变化趋势，具体的，
TMean(k)＝(T(k-1)+T(k-2)+…+T(k-n))/n；
RT(k)＝(T(k-m+1)-T(k-m))/m+(T(k-m+2)-T(k-m+1))/m+…(T(k-2)-T(k-3))/m+2*(T(k-1)-T(k-2))/m；
m<n；
具体处理规则如下：
设Tmax(k)＝TMean(k)+1.3RT(k)*Tdelta，设Tmin(k)＝TMean(k)-0.3RT(k)*Tdelta，
如果，Tmax(k)<T(k)<Tmax(k)，则保留T(k)，并记录当前时刻对应的调节电压值V(k)；否则，摒弃该数据，重新采样。
优选的，所述温度测量元件为热电偶或铂电阻。
优选的，BP网络的输出节点分别对应模糊PID控制器的3个可调参数KP、KI和KD，采用经典增量式数字PID控制。
优选的，所述模糊PID控制器的模糊模型为Mamdani模型、Takagi-Sugeno模型或模糊关系模型。
优选的，所述预测控制器的输入还包括电流采集电路采集的风机运行回路中的电流值，所述系统模型还包含第三系统模型，第三系统模型的输入为选取分别选取机箱内部温度值和电流采集电路采集的风机运行回路中的电流值作为预测控制器的输入，风机的调节电压值V4作为预测控制器的输出；
此时风机的调节电压值V＝(K1*V1+K2*V2)/(2K1+2K2)+V4/2。
优选的，所述第一系统模型的更新方法如下：
若0.9Tset_min(k)<T(k)<1.1Tset_max(k)，不进行模型更新；
若T(k)>＝1.1Tset_max(k)，则更新系数模型，具体更新方法如下：
则：
令建模的M组数据为距离当前时刻的最近的数据，
输入变量为[T(k-1)aT(K-2)a2T(K-2)a3T(K-2)···aM-1T(K-M)]；
输出变量为[V(k-1)aV(K-2)a2V(K-2)a3V(K-2)···aM-1V(K-M)]；
其中，a为系数；
此时，以输出变量和输入变量，重新建立数学模型。
优选的，所述模型的在线计算以及预测控制算法都采用C++语言编程，并使用Matlab进行仿真调试。
进一步地，所述温度测量元件为热电偶或铂电阻。。
作为补充，本发明还可使用其余辅助制冷方式配合风机实现温度的调节，如使用上述风机转速控制方法控制的干冰发生器和风机共同作用。
具体地，基于BP神经网络的模糊PID控制器，经过模糊推理后计算出的量都是模糊的量，不能用于系统的控制，控制的量必须是清晰的变量，所以需要将模糊变量进行解模糊算法，目前采用解模糊的方法主要有加权平均法、重心解模糊法、最大隶属度法等方法，本发明主要采用加权平均法解模糊。
具体地，本发明采用的神经网络的模糊PID控制算法的计算步骤归纳如下：
1)事先选定BP网络的结构即选定输入层节点数M和隐含层节点数Q并给出各层加权系数的初值选定学习速率η和惯性系数α，k＝1；
2)用线性系统辨识法估计出参数矢量从而形成一步预报模型式；
3)采样得到r(k)和y(k)则有e(k)＝r(k)-y(k)；
4)对e(k)进行归档模糊化处理作为BP网络的输入；
5)计算BP网络NN的各层神经元的输入和输出NN输出层的输出即为PID控制器的3个可调参数Kp(k)、KI(k)和KD(k)；
6)根据经典增量式数字PID控制算式，计算PID控制器的输出u(k)参与控制计算；
7)计算预算输出和预算输出对u(k)的偏导数；
8)计算修正输出层的加权系数；
9)计算修正隐含层的加权系数；
10)置k＝k+1返回到2)。
本发明公开的风机控制方法，结合传统PID控制原理、神经网络技术、模糊控制技术及预测控制技术，提出了一种新型控制器结构，基于线性预测模型的神经网络模糊PID控制方法对机箱温度进行提前预判，能够及时调整风机转速，从而实现军用电源机箱的稳定供电，并采集多种状态量进行综合判断，可以更准确的对电源机箱状态进行监测，从而提供更准确可靠的温度调节方式，大大提高了电源机箱供电幅值的精度。通过上述风机转速控制方法实现的电源机箱可适用于多种室外环境，扩展了军用电源机箱的适用空间。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。