基于自适应模糊推理的VAV系统变静压控制方法研究

变风量空调系统传统的变静压模糊控制方法依赖人为经验获取模糊规则,存在有效模糊规则覆盖率不全的问题,从而导致系统控制时间长、超调、能耗大。针对这一问题,提出了一种基于减聚类和自适应神经模糊推理系统(SC-ANFIS)的变静压模糊控制方法,该方法利用减聚类算法的学习能力对输入样本进行聚类分析,优化输入样本数据和生成模糊规则,用神经模糊推理的方法训练模糊规则以实现VAV系统变静压模糊控制。在某VAV系统实验平台上的对比实验表明:该方法对比定静压法减少了67%的送风机电耗;对比经验变静压模糊控制方法,其调节时间更短、控制过程更加稳定、抗干扰性更强,并且可以减少7%的送风机电耗。     

混凝土碳化深度模型与仿真研究

采用PSO-BP神经网络建立各影响因素与部分碳化区长度的关系模型,通过MATLAB仿真软件对模型进行训练,逐步改善影响部分碳化区长度的各因素权值,使网络样本的实际输出与期望输出误差和均方差达到最小。试验验证了该模型的逼真性、可行性与强健性。结果表明,该模型能够对钢筋混凝土部分碳化区长度进行预测,为混凝土结构耐久性设计、评估和寿命预测提供科学指导。     

基于AGA-PPGE的大型公共建筑室内环境质量评价

针对大型公共建筑室内环境质量问题,基于投影寻踪（PP）和加速遗传算法（AGA）,建立大型公共建筑室内环境质量评价模型。通过对实例的分析与评价,验证模型的可行性和有效性。     

风机盘管加热系统传递函数动态分析及控制设计

针对建筑的墙体,窗户以及室外阳光等众多影响房间热环境因素的变量关系,结合建筑室内风机盘管的物理特性,建立室内热环境与设备之间的动态方程并提出适合于控制的建筑热环境动态模型并对控制部分进行设计。利用Simulink进行了模型验证,与实际环境温度进行比较分析,该模型可近似描述实际环境。最后对模型进行PI控制,并能使房间温度控制在设定温度±0.3℃附近,超调为8.62%。     

离散系统采样周期扰动的鲁棒边界

针对实际控制系统中，特别是采用Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ平台的计算机控制系统，普遍存在采样周期不稳定总是详细讨论了该总是中系统采样周期扰动的鲁棒边界，基于几条对于离散系统非常普遍的假设，经过理论推导，得到一个仅与理想系统参数Ａ０及Ｔ０有关的采样周期扰动τ的鲁棒边界，这一鲁棒边界的确定，对确保工程控制中的计算机控制的稳定性提供了理论上的依据。     

分布式PSODE算法的冰蓄冷空调系统优化控制研究

文章针对集中式控制架构在暖通空调方面应用存在的问题,提出了1种基于分散控制结构的分布式多目标差分进化改进的粒子群(D-MOPSODE,Decentralized Multi-objective Particle Swarm Optimization Improved by Differential Evolution)优化算法,以冰蓄冷空调系统能耗、运行费用和能耗损失为目标,求解冷机逐时部分负荷率和冰槽供冷比例。提高冷机运行效率科学规划蓄冰量和冷机-冰槽负荷分配,达到冰蓄冷空调系统经济节能的运行效益。西安某大型商场为实验环境进行实例验证,结果表明文章提出的D-MOPSODE算法是1种高效的分布式优化算法,在冰蓄冷空调系统负荷分配问题的求解中能够取得显著的节能效果。相比于传统控制策略和PSO算法,D-MOPSODE算法具有收敛性好,稳定性高,鲁棒性强、求解精度高等优点。     

基于ZigBee的高速公路机电设备监测系统设计

介绍一种基于ZigBee技术的高速公路机电设备监测系统。采用ZigBee技术组建监测网络,由传感器+通讯模块组成监测终端,通讯模块采用TI公司的ZigBee微处理器芯片CC2530。监测终端由传感器采集相关环境参数并返回无线网络的现场中心,再通过远距离无线传输的方式传到远处的监控中心,监控中心利用基于LAMP平台开发的B/S结构应用程序发布监测数据,使用户能够通过访问监控网站直接观察整个机电系统的运行状况,并利用数据库对监测数据进行保存。     

脉冲涡流在金属厚度检测中的应用研究

脉冲涡流无损检测技术是一种新的检测技术。通过实验研究，并对采集得到的数据进行分析可以发现感应电压曲线的面积差与被测铝板的厚度、被测金属和线圈之间的距离有密切的关系。测试的结果和用最小二乘法拟舍得到的数据曲线较好吻合，证明了采用脉冲涡流检测金属厚度的可行性。     

水库泥沙量无线遥测系统设计

文中基于无线遥测技术,设计了水库泥沙量远程无人值守自动测报系统。其中包括太阳能电池供电、泥沙传感器、遥测终端及其控制机、无线通信和可靠性设计等技术,能较准确实现水库不同观测面的泥沙含量自动测报。实践证明,该系统工作稳定可靠,完全适用于水库的实际应用。     

考虑频域分解后数据特征的空调负荷预测模型

针对空调负荷预测实际应用中容易存在数据散杂且可用信息匮乏的问题,从负荷序列的非线性、非平稳性和随机性出发,提出了一种基于变分模态分解(VMD)的负荷预测方法.对不同数据特征序列考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势.首先采用随机森林(RF)进行特征选择,利用VMD将负荷序列按趋势分量、平稳分量和噪声分量进行分类重构,并分别对非线性序列建立最小二乘支持向量机(LSSVM)预测模型,时序平稳序列建立极端梯度提升(XGBoost)预测模型,采用正态分布拟合随机误差,得到各子序列预测结果并进行叠加输出最终负荷预测结果.实验结果表明,所提方法能准确反映负荷的特性并具有更好的预测精度,能有效预测空调负荷,为空调节能优化控制策略提供依据.