[發明專利]一種車載冰箱的箱體溫度控制方法、裝置和車載冰箱

有效

• 申請號: 202111239207.0
• 申請日: 2021-10-25
• 公開（公告）號: CN113885609B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 黃榮;楚耀國;程如順
• 申請（專利權）人: 四川虹美智能科技有限公司
• 主分類號: G05D23/20
• 分類號: G05D23/20
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 李世喆

1.一種車載冰箱的箱體溫度控制方法，其特征在于，包括：

利用為智能PID控制器構建的模糊神經網絡，以離線方式基于為車載冰箱設置的目標溫度值和箱體的實際溫度值作為輸入，確定所述模糊神經網絡的第一參數集；

將確定的所述第一參數集作為反向傳播算法的初值，以在線方式對所述模糊神經網絡進行模糊推理，確定所述智能PID控制器的最優第二參數集，所述最優第二參數集包括用于反映所述智能PID控制器的比例、積分、微分控制參數；

使用基于離線算法和在線算法結合確定的所述最優第二參數集，觸發所述智能PID控制器控制當前所在車載冰箱的箱體溫度；

利用為智能PID控制器構建的模糊神經網絡，以離線方式基于為車載冰箱設置的目標溫度值和箱體的實際溫度值作為輸入，確定所述模糊神經網絡的第一參數集，具體包括：

為智能PID控制器構建模糊神經網絡；

初始化模糊神經網絡的第一參數集，其中，所述第一參數集包括：網絡權值、隸屬函數基寬和隸屬函數中心值；

使用遺傳算法對所述第一參數集中的每個參數進行初始值編碼，計算種群的個體適應度值；

采用輪盤賭法進行選擇，挑選優質個體遺傳至下一代；采用交叉運算對選擇操作后得到的新種群個體兩兩交叉，得到新一代種群；

采用速度算子對交叉操作后得到的新一代種群進行個體更新，再次生成新的種群，計算新生成的種群的個體適應度值；

對種群進行混沌搜索優化，判斷是否達到終止進化代數G，若判斷結果為否，返回重新執行：計算種群的個體適應度值；若判斷結果為是，則獲取最優所述第一參數集；

在采用離線方式以遺傳算法進行優化時，采用不同個體評價策略以保持種群多樣性，用粒子群算法的速度算子代替變異算子，并在遺傳算法內引入混沌搜索算法進一步優化個體；具體包括：

采用基于個體編碼的均勻分割策略，按初始種群的階s將每一代個體劃分成2^s個子種群，使每個子種群內個體最右邊s個的二進制數相同；同時用子種群j在第a代之前生成的最優個體數量T_a與整個種群在第a代之前生成的總最優個體數量的比值δ_a動態調節各個子種群的進化狀態；

其中，

用J(x)來進行個體適應度評價：

ω₁＝0.999；ω₂＝0.001；ω₃＝2.0；ω₄＝100

ey(t)＝y_out(t)-y_out(t-1)?????????????(20)

e(t)＝r_in(t)-y_out(t)???????????????????(21)

其中，r_in(t)為模糊神經網絡第t個時刻的期望輸出，即目標溫度值；y_out(t)為模糊神經網絡第t個時刻的實際輸出，即箱體溫度值；e(t)為模糊神經網絡第t個時刻的誤差；u(t)為第t個時刻的智能PID控制器的控制量；t_r為上升時間；ey(t)為模糊神經網絡第t個時刻的超調量；

選擇個體適應度評價函數J(x)的倒數作為目標函數，選擇如下式(23)為個體適應度函數：

M(x_i)＝F(x_i)+F(x_i)/N(i)????(23)

其中，F(x_i)/N(i)為個體i目標函數本身與該個體被選擇次數的比值；N(i)為該個體被選擇的次數；

選擇運算采用輪盤賭法，個體i被選中遺傳到下一代群體的概率為：

其中，N為種群規模，M(x_i)為個體i的適應度；

交叉運算使用如下單點交叉算子，將選擇后的種群內個體進行兩兩交叉，得到新一代種群；

其中，f_max為群體中最大的適應度值；f_avg為每代群體的平均適應值；f′為要交叉的兩個個體中較大的適應度值；P_c1、P_c2分別為交叉概率的最大值和最小值；

用粒子群算法的速度算子代替變異算子，進而實現個體更新，再次生成新的種群；

δ_a＝1-ρ_a???????(26)

X_i(t+1)＝X_i(t)+V_i(t+1)????????(28)

其中，ρ_a為子種群j第a代的變異概率，并用其替代粒子群算法的慣性權重；ρ_j為子種群j第t代的變異概率；r₁、r₁分別是區間[0，1]內的隨機數；c₁、c₂表示學習因子；為個體i的當前最優位置；為子種群j的當前最優位置；由式(26)有：種群生成優秀個體越多，比值δ_a越大，變異概率ρ_a越小，異群越穩定，而種群生成優秀個體越少，比值δ_a越小，變異概率ρ_a越大，種群越傾向于發生突變；其中，X_i(t)對應個體i的位置；V_i(t)對應個體i的速度；

混沌搜索算法中，將混沌變量的變化范圍分別變化到相應的優化變量的取值范圍，并采用經典的Logistic映射產生混沌運動，混沌方程見下式：

其中，z_i(k)為在第k步混沌迭代后第i個混沌變量值；μ為控制參數，令μ＝4，即完全處于混沌狀態。