基于人工神經網絡算法的車輛空調系統

鄭飛鵬

（長城汽車股份有限公司技術中心電子電氣架構設計，河北 保定 071000）

隨著車輛的大量普及，人們對汽車的要求越來越高，車輛的舒適度也被廣泛關注，其中乘員艙溫度是人們對車輛舒適度感知的一項重要參考標準，同時乘員艙溫度也常用來作為車輛空調系統的輸入值和溫度反饋值，直接影響人們的溫度感知，因此乘員艙溫度的精確與否對人們的舒適度感知影響巨大。

當前技術條件下，乘員艙溫度信號多由內部溫度傳感器測得，以貝洱海拉為例，內部溫度傳感器包含2個溫度傳感器和1個陽光傳感器，其中一個溫度傳感器用來檢測表面溫度，另一個溫度傳感器主要用來檢測周圍環境對內部溫度的影響（如PCB板發熱），同時結合陽光傳感器信號，通過內部邏輯算法，計算得出乘員艙溫度。

得出的乘員艙溫度值作為空調系統的輸入值及溫度反饋值，該溫度值可能存在誤差，從而對車輛乘員的舒適感知造成一定影響，可能存在的誤差主要由以下原因造成。

1）僅參考3個輸入參數，系統本身防誤差彈性較小，計算得出的溫度值，可能會因為某一個輸入參數的不準確而影響整體的計算結果。

2）用來檢測表面溫度的傳感器受安裝位置的影響較大，現在大多都安裝在空調面板或儀表板處，該位置可能由于距空調出風口的距離、空氣流通程度、周圍的其他電器件工作時產生的功率熱以及發動機艙熱量對該安裝位置的熱傳遞等問題，造成測量值相對于乘員艙溫度真實值偏大或偏小。

3）陽光傳感器用于檢測陽光強度，受云層厚度、停車位置影響較大，可能存在系統誤差。

基于以上分析，為保證乘員艙溫度的相對準確、操作簡單快捷的前提下，把人工神經網絡應用于乘員艙溫度模擬，提出了基于人工神經網絡的乘員艙溫度的計算系統。

1 人工神經網絡算法原理

人工神經網絡是由大量類似于神經元的處理單元相互連接而成的非線性復雜的智能網絡系統，它是一個并行和分布式的信息處理網絡結構，該網絡一般由許多個神經元組成，每個神經元可以連接到很多其他神經元，其輸入有多個連接通路，每個連接通路對應一個連接權系數。根據連接方式的不同，神經網絡可分成兩大類：沒有反饋的前向網絡和相互結合型網絡。前向型網絡由輸入層、隱含層、輸出層組成。隱含層可有若干層，每一層的神經元接受前一層神經元輸出，這樣就實現了輸入層結點的狀態空間到輸出層狀態空間的非線性映射。在前向網絡中，誤差反向傳播網絡BP（ Back Propogat ion） 應用最廣。BP 網絡是一單向傳播的多層前向網絡，其結構如圖1所示。

2 基于人工神經網絡算法的空調系統模型搭建

當前空調系統中，乘員艙溫度的測量通常由內部溫度傳感器測得，由以上分析可知，該測量方法存在一定的溫度誤差，對乘員舒適度造成某種程度的影響。比如，在自動空調工作時，空調控制器需根據乘員艙溫度傳感器的測量值，判斷當前乘員艙溫度是否達到乘員設定溫度，控制器以此判定條件執行制熱或制冷動作，但是由于這種誤差，可能造成空調控制器執行制熱、制冷動作不準確，從而造成乘員艙溫度不均衡，進而影響乘員的舒適度。為解決上述問題，建立一種基于人工神經網絡的乘員艙溫度模型，以更加精確地測量乘員艙溫度，從而使空調系統更好地運行，其原理如圖2所示。

3 模型樣本分析

根據熱傳導原理，將車內空間看作一個有自平衡能力的單個整體，影響車內空間溫度變化的因素主要有：①由車內外溫度差引起的對乘員艙的熱傳遞Qa；②由發動機艙溫度引起的對乘員艙的熱傳遞Qb；③由車內乘員人體熱、車載設備功率熱引起的溫度變化Qc；④空調系統工作引起的溫度變化Qd。

3.1 Qa分析

在車輛門窗關閉的情況下，由車內外溫度差通過車身引起的熱傳遞，對車內乘員艙的溫度變化起到很大影響。這種影響主要與熱傳遞系數K1、乘員艙與外部接觸的車身面積S、車內外溫度差ΔT有關，其中車身面積S中包含有車窗、天窗的面積S1，同時車身的熱傳遞系數K1與玻璃的熱傳遞系數K2也有所差別，所以設定一個新的物理量——單位車身熱傳遞系數 Ke。

Ke=［K1×（S-S1）+ K2×S1］/ S

車內外溫度差ΔT由空調系統中車外溫度傳感器測得車外溫度Tw和測量時乘員艙的初始溫度T0求得。

因此可知熱傳遞Qa與單位車身熱傳遞系數Ke、乘員艙與外部接觸的車身面積S、車外溫度Tw和測量時乘員艙的初始溫度T0有關。

3.2 Qb分析

在發動機工作情況下，發動機艙對車輛乘員艙的熱傳遞影響非常明顯，特別是在發動機工作一段時間后，發動機附近溫度將達到90 ℃左右。雖然在車輛設計開發階段，設計人員在機艙與乘員艙隔板處安裝了一種類似隔熱棉之類的裝置，但是這種裝置并不能完全消除由發動機艙溫度引起的對乘員艙的熱傳遞，這種熱傳遞同樣也是乘員艙溫度變化的主要因素。

因此可知熱傳遞Qb主要與發動機溫度Te（即發動機水溫）、汽車機艙到乘員艙的熱傳遞系數Ke1及發動機機艙熱傳遞面積Se有關。

3.3 Qc分析

在分析乘員艙內部空間溫度變化時，該空間內部熱源也同樣不應忽視，該熱源主要指車內乘員人體生命活動產生的生物熱Qc1及車內照明設備工作時產生的功率熱Qc2。其中人體產生的Qc1主要與性別、年齡、衣著、人數有關；車內照明設備產生的功率熱Qc2主要與該設備的照明功率、使用時間有關。由于乘員的性別、年齡、衣著變動較大，且若是識別乘員的性別、年齡、衣著情況，需要添加額外的傳感設備，并作大量的內部識別計算，增加該模型成本，因此關于人體產生的Qc1僅看作與乘員人數n相關。

因此可知熱傳遞Qc主要與乘員人數n、車內照明設備的功率Pz、及使用時間Tz有關。其中Tz為車輛喚醒到當前時刻的時間。

3.4 Qd分析

車內空調系統是專門為調節車內溫度，以滿足車內乘員舒適要求而專門設計的，在空調系統工作情況下，空調系統是引起車內溫度變化的最為重要的因素，空調系統引起乘員艙溫度變化主要與空調出風口溫度Tk、空調出風口的單位時間出風量An、空調出風模式Mk和空調工作時間Tg有關。

綜上所述，在對Qa、Qb、Qc、Qd這4種溫度變化量分析之后，可知乘員艙溫度變化主要與單位車身熱傳遞系數Ke、乘員艙與外部接觸的車身面積S、車外溫度Tw、乘員艙初始溫度T0、發動機溫度Te、汽車機艙到乘員艙的熱傳遞系數Ke1、發動機艙熱傳遞面積Se、乘員人數n、車內照明設備的功率Pz及使用時間Tz、空調出風口溫度Tk、空調出風口的單位時間出風量An、空調出風模式Mk和空調工作時間Tg等14個參數有關。

因此該模型結構中，輸入層節點數為14個，隱含層數1層，隱含層節點數4個，輸出層節點數1個（為乘員艙溫度），具體如圖3所示。

圖3 模型結構框圖

4 模型樣本采集

根據圖3模型框圖結構，在計算機中構建采用人工神經網絡的該溫度模型，模型輸入量為Ke、S、Tw、T0、Te、Ke1、Se、n、Pz、Tz、Tk、An、Mk、Tg等14個參數。

1）Ke、S、Ke1、Se這4個輸入層參數相對于同款車型而言，可看作定值，具體可由計算或測量得出。

2）Tw、T0、Te、n、Pz、Tz、Tk、An、Mk和Tg，這10個輸入層參數雖為變量，均可以用傳感器、計時器等工具測得。

3）模型訓練樣本中乘員艙溫度信息為該模型輸出層的唯一數據，樣本中它的精確性直接影響到該模型的最終結果，因此，對乘員艙溫度信息的樣本采集必須做到盡可能準確，現擬定乘員艙溫度的采集方式如下。

取6個溫度傳感器，安裝于乘員艙內不同位置，如圖4所示。其中①號②號傳感器安裝在乘員艙前部，③號④號傳感器安裝在乘員艙尾部，⑤號傳感器安裝在乘員艙地板，⑥號傳感器安裝在乘員艙頂篷，取這6個溫度傳感器測量值的平均值Ti作為乘員艙溫度訓練樣本。

圖4 溫度傳感器安裝位置示意圖

4）根據以上方式采集N組訓練樣本，制作出樣本集Xp，其中p=1，2，3……N，為保證模型精確性，需確保N足夠大，

5 模型訓練

在訓練樣本采集完成之后，便開始用樣本集對人工神經網絡模型進行訓練，主要包含前向計算過程、誤差反向過程和權值更新過程，具體流程如圖5所示。

圖5 人工神經網絡模型訓練流程圖

5.1 前向計算過程

1）根據圖1所示，依次從神經網絡模型的輸入層開始向隱含層計算。隱含層第j結點來自輸入層的總輸入為。其中i從1到14，為輸入層節點編號，xi依次對應輸入層的14個輸入參數的具體數值，Wij為輸入層第i個節點與隱含層第j個節點之間的權值。則隱含層第j節點的輸出為Vj=f（hj），其中函數其中j從1到4，為隱含層節點編號。

其中Wjk為隱含層和輸出層之間的權值，k為輸出層節點數，該模型中輸出層有1個輸出節點。則輸出層的輸出為。

5.2 誤差反向計算過程

2）定義該模型反向學習效率β，考慮到該模型中學習樣本測量需要大量的人力、物力，因此為加速該模型的快速學習，且保證相對準確，在這里定義3個等級的學習效率，分別為β1，β2，β3，且β1＞β2＞β3；定義模型誤差δ的3個門限值，分別為A，B，C，且A＞B＞C，其中定義C≤γ，γ為該模型訓練完成后允許的模型最小誤差。不同誤差門限值對應不同的學習效率，如表1所示。

3）誤差反向傳播規則，采用梯度下降法調整初始權值Wjk、Wij。是誤差函數δ對Wjk的負偏導；是誤差函數δ對Wij的負偏導。

5.3 更新Wij、Wjk權值

Wjkn=Wjkn-1+ΔWjk。其中Wjkn-1是Wjk上一次的運算結果，Wjkn是Wjk本次運算結果；Wijn=Wijn-1+ΔWij，其中Wijn-1是Wij上一次的運算結果，Wijn是Wij本次運算結果。

根據以上邏輯，模型的每次學習，都會調整權值系數Wij、Wjk的值。

表1 不同誤差門限值對應不同的學習效率

5.4 模型訓練學習的完成

由于權值Wij、Wjk為負梯度更新，所以模型誤差δ隨著每次的訓練學習總是在減小，當判定誤差δ＜C時，模型即可認為該誤差滿足要求，更新權值，停止訓練學習，即模型訓練完成。

6 該模型在實車上的應用

設計該乘員艙溫度模型（圖6），主要目的是為了應用于車載空調系統，因此可將該溫度模型集成于空調控制器內部，通過獲取來自數據采集機構、乘員操作面板的相關輸入信息，再結合該模型中的其他相關定值參數（如Ke、S、Ke1、Se），計算得出當前乘員艙溫度，空調控制器根據當前乘員艙溫度，向空調執行機構發送相關制熱或制冷的命令。

圖6 乘員艙溫度模型控制系統框圖

7 結語

該空調系統的溫度調節，是基于內部的溫度模型實現的，空調控制器通過對比該模型的溫度值，來對執行機構發送繼續制冷或制熱的命令，對乘員艙溫度調節具有更加積極效果。