一种车载冰箱的箱体温度控制方法、装置和车载冰箱与流程

1.本发明涉及车载冰箱技术领域，尤其涉及一种车载冰箱的箱体温度控制方法、装置和车载冰箱。


背景技术：

2.车载冰箱就是指可以在汽车上携带的冷藏柜。车载冰箱是近年来国际市场上流行的新一代制冷、冷藏器具。市场上主要有两种车载冰箱，一种是半导体车载冰箱，它的原理是靠电子芯片制冷；另一种是压缩机车载冰箱，压缩机是传统冰箱的传统技术，制冷温度低，为
‑
18度至10度。
3.随着人工智能技术的发展，依靠电子芯片控制电冰箱温度的方法也越来越先进。其中，智能pid(比例、积分、微分调节)的发展为pid控制器的参数整定提供了新路径，如基于改进交叉熵的模糊整定、基于最小资源分配的神经网络整定、基于佳点集理论的遗传算法整定、人工免疫整定、改进粒子群整定、蚁群算法整定等，能够克服大时滞、大扰动及强耦合等不良因素。
4.对于现有的智能pid技术，按其控制参数是否实时调节可分为两种：离线算法和在线算法；其中，离线算法即选取优秀算法获得该系统模型的优秀pid控制器参数，并用此参数进行恒温控制，但在外部条件剧烈变化时，有着难以克服的失调缺陷；在线算法，即对经验设定的参数初值按算法在规定范围内朝最优值变化，获得优秀的pid控制器参数，具有参数随工况动态调节的特点，但在经验设定的参数初值与实际系统情况出入大时，调节缓慢。


技术实现要素：

5.本发明提供了一种车载冰箱的箱体温度控制方法、装置和车载冰箱，以精准迅速的恒定控制车载冰箱的箱体温度。
6.为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
7.第一方面，提出了一种车载冰箱的箱体温度控制方法，包括：
8.利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集；
9.将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数；
10.使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度。
11.第二方面，提出了一种车载冰箱的箱体温度控制装置，包括：
12.离线算法模块，利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集；
13.在线算法模块，将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数；
14.pid控制模块，使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度。
15.第三方面，提出了一种车载冰箱，包括：箱体、半导体制冷片、内散热片、外散热片、内循环风扇、外散热风扇、温度传感器、控制模组、隔板以及保护罩盖组成；其中，所述控制模组为第二方面所述的车载冰箱的箱体温度控制装置，或者，所述控制模组包括第二方面所述的车载冰箱的箱体温度控制装置；
16.所述箱体为保温箱体，构成所述箱体的各面均设置有发泡保温层；于所述箱体内设置隔板，由所述隔板将所述箱体内部空间分割成安装室以及储藏室，于所述隔板上开设出风口、回风口，于所述箱体的一侧壁上开设与所述安装室相通的安装窗口，于所述箱体的外侧设置有保护罩盖，于所述保护罩盖上开设散热风口；
17.所述半导体制冷片安装于所述箱体的安装窗口上；所述内散热片设置于所述安装室内并与所述半导体制冷片的一侧面热传递接触，所述外散热片设置于所述箱体的外侧并与所述半导体制冷片的另一侧面热传递接触；所述内循环风扇设置于所述安装室内并朝向所述出风口设置、用于将所述安装室内的低温/高温气流吹入到所述储藏室内；所述外散热风扇设置于所述箱体的外侧并朝向所述外散热片设置，且于所述保护罩盖内并与所述散热风口相对设置，用于向所述外散热片提供冷却/回暖气流；
18.所述温度传感器设置于所述箱体内，且于所述安装室内与所述回风口相对的位置，用于获取所述箱体温度，并与所述控制模组信号连接；所述控制模组与所述半导体制冷片、所述内循环风扇以及所述外散热风扇通过有线连接的方式控制连接；所述控制模组、所述外散热片以及所述外散热风扇均设置于所述保护罩盖内。
19.通过本发明技术方案，利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集；将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数；使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度，从而，能够精准迅速的恒定控制车载冰箱的箱体温度。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明一个实施例提供的一种车载冰箱的箱体温度控制方法的步骤示意图。
22.图2是本发明一个实施例提供的基于模糊神经网络的pid控制器结构示意图。
23.图3是本发明一个实施例提供的基于mamdani模型的模糊神经网络示意图。
24.图4是本发明一个实施例提供的车载冰箱的箱体恒温控制方法流程图。
25.图5是本发明一个实施例提供的一种车载冰箱的箱体温度控制装置的结构示意图。
26.图6是本发明一个实施例提供的一种车载冰箱的简易结构示意图。
27.图7是本发明一个实施例提供的车载冰箱的箱体温度控制规则流程图。
28.图8是本发明一个实施例提供的一种车载冰箱的箱体温度控制装置的硬件结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
30.鉴于背景技术存在的技术问题，本技术提出了一种基于模糊神经网络的改进pid参数自整定算法，具体为：采用基于mamdani模型的模糊神经网络进行pid控制器自适应整定，模糊神经网络参数采用粒子群
‑
遗传
‑
混沌算法离线粗调和反向传播(bp)算法在线细调的方式进行学习和调整，从而，为改进的智能pid控制器确定较为优化的pid控制参数，并在基于该pid控制参数下触控pid控制器控制车载冰箱的箱体温度，实现精准迅速的恒定控制。
31.所述离线算法，主要采用以遗传算法为主的粒子群、遗传、混沌结合的优化算法——粒子群
‑
遗传
‑
混沌算法，基于不同个体评价策略以保持种群多样性，用粒子群算法的速度算子代替变异算子，并在遗传算法内引入混沌搜索算法进一步优化个体，该算法具有迅速收敛、防止早熟与控制量过大的特点。
32.所述在线算法采用反向传播(bp)算法，具有动态特性更高、推理能力更好，能够实时对智能pid控制器的参数(即后续提及的第二参数集)进行快速准确的调整的特点。
33.实施例一
34.参照图1所示，为本说明书实施例提供的一种车载冰箱的箱体温度控制方法的步骤示意图，该方法可以包括以下步骤：
35.步骤102：利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集。
36.可选地，该步骤102在利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集时，可具体包括：
37.为智能pid控制器构建模糊神经网络；初始化模糊神经网络的第一参数集，其中，所述第一参数集包括：网络权值、隶属函数基宽、隶属函数中心值；使用遗传算法对所述第一参数集中的每个参数进行初始值编码，计算种群的个体适应度值；采用轮盘赌法式进行
选择，挑选优质个体遗传至下一代；采用自适应单点交叉算子式对选择操作后得到的新种群个体两两交叉，得到新一代种群；采用速度算子式对交叉操作后得到的新一代种群进行个体更新，再次生成新的种群，计算新生成的种群的个体适应度值；对种群进行混沌搜索优化，判断是否达到终止进化代数g，若判断结果为否，返回重新执行：计算种群的个体适应度值；若判断结果为是，则获取最优所述第一参数集。
38.在原pid控制器的基础上，利用模糊神经网络，以系统的目标温度值和实际箱体温度值作为输入，整定出一组适合的pid参数，pid控制器再输出控制信号控制被控对象——半导体制冷片。利用粒子群
‑
遗传
‑
混沌算法离线优化得到模糊神经网络各参数的近似最优解。通过神经网络的学习功能，在线调整网络的输出层权值、高斯隶属函数的中心值和宽度，从而实现pid控制参数的自适应控制。
39.步骤104：将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数。
40.本技术方案中采用以遗传算法为主的粒子群、遗传、混沌结合的优化算法：粒子群
‑
遗传
‑
混沌算法，采用不同个体评价策略以保持种群多样性，用粒子群算法的速度算子代替变异算子，并在遗传算法内引入混沌搜索算法进一步优化个体。
41.步骤106：使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度。
42.本发明中，所述箱体温度控制方法具体通过以下步骤设计而成：
43.‑‑
设计温控系统模型
44.根据热力学理论，半导体制冷片在工作时产生的热量为：
[0045][0046]
其中，e为半导体制冷片制热系数；t0为初始温度；t1为制冷片工作单位时间后的箱体温度值；k为半导体制冷片传热系数；a为半导体制冷片两端导温片接触面积；δq为单位时间内半导体制冷片所产生的热量。
[0047]
根据能量守恒定律有单位时间产生的热量q为：
[0048][0049]
由式(2)可知，热量q与半导体制冷片两端电压u为非线性关系，根据半导体制冷片的热惯性对其进行线性化处理有：
[0050][0051]
最终，将式(3)带入式(1)，并令δt＝t1‑
t0，可得到半导体制冷片模型：
[0052][0053]
对式(4)进行拉氏变换，可得到半导体制冷片的传递函数：
[0054][0055]
其中，
[0056]
考虑到温控系统的时间滞后性，将热量在箱体内的传递环节用带延迟的一阶惯性环节表示：
[0057][0058]
最终，得到粒子群
‑
遗传
‑
混沌算法离线优化使用的温控系统模型：
[0059][0060]
本发明中，通过记录系统升温与降温过程的温度值，使用matlab其进行拟合，并搭建传递函数模型，最终通过观察传递函数曲线与温度
‑
时间曲线确定参数k、t1、t2、τ的值。应理解，该设计步骤中确定的半导体制冷片的传递系数即为上述提及的终止进化代数g。
[0061]
参照图2所示，为本说明书实施例构建的基于模糊神经网络的pid控制器结构示意图；通过模糊神经网络构建的温度控制模型可以通过离线以及在线结合的方式确定最优参数，并基于该最优参数自适应调整确定智能pid控制器的比例、积分、微分控制参数，并反馈给智能pid控制器以对车载冰箱的箱体等受体对象进行恒温控制。
[0062]
‑‑
设计基于模糊神经网络的改进pid参数自整定算法
[0063]
本发明在原pid控制器的基础上，利用模糊神经网络，以系统的目标温度值和实际箱体温度值作为输入，整定出一组适合的pid参数，pid控制器再输出控制信号控制被控对象——半导体制冷片。利用粒子群
‑
遗传
‑
混沌算法离线优化得到模糊神经网络各参数的近似最优解。通过神经网络的学习功能，在线调整网络的输出层权值、高斯隶属函数的中心值和宽度，从而实现pid控制参数的自适应控制。基于模糊神经网络的改进pid参数自整定算法分为以下模块：
[0064]
(1)基于模糊神经网络的pid控制器模块
[0065]
本发明中，以系统的目标温度值和实际箱体温度值作为模糊神经网络的输入向量，并将输入向量的量化等级定义为7，即模糊分割数m
i
＝7(i＝1,2)，将其描述成模糊语言为：{nb，nm，ns，z0，ps，pm，pb}。
[0066]
本发明中，以温度偏差e(n)和温度变化率ec(n)作为pid控制器输入变量。
[0067][0068]
其中，t为时刻；n为制冷/制热控制周期次数，t
interval
为算法参数调节制冷片输出时间间隔；r
in
(n)为系统的期望输出，即第n次制冷/制热控制周期的目标
温度值，y
out
(n)为系统的实际输出，即第n次制冷/制热控制周期的箱体温度值。
[0069]
本发明中，采用增量式pid控制器控制量为：
[0070][0071]
本发明中，基于mamdani模型的模糊神经网络是一个5层前馈网络，分别为输入层、模糊化层、推理层、归一化层以及输出层，其拓扑结构为：a
→
2b
→
b2→
b2→
c。如图3所示，本发明中为2
→
14
→
49
→
49
→
3。其中，x
i
表示输入，是输入向量x＝[x1,x2,
…
,x
n
]
t
的分量，ω
ij
是归一化层到输出层的连接权值，图2中未标出的各层节点之间的权值都为1。
[0072]
输入层：该层的各个节点直接与输入向量x＝[x1,x2,
…
,x
g
]
t
的各分量连接。
[0073]
f1(i,j)＝x
ij
＝x
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0074]
其中，i为输入变量个数序号；j为模糊分割数序号。
[0075]
模糊化层：该层的每个神经元节点代表一个模糊语言，如nb，nm，ns等，且利用高斯函数作为评价标准，公式表达如下。
[0076][0077]
其中，c
ij
、σ
ij
分别为第i个输入变量第j个模糊集合的隶属函数的中心、宽度，x
i
为第i个输入变量，i＝1,2,
…
,g；j＝1,2,
…
m
i
。
[0078]
模糊推理层：该层的每个神经元节点对应着模糊规则库的每一条模糊规则，将每个模糊规则进行配对，可计算出各自节点的适应度。
[0079][0080]
其中，
[0081]
归一化层：该层进行网络结构总体归一化运算。
[0082][0083]
其中，l＝1,2,
…
,m。
[0084]
输出层：该层实现反模糊计算，即输出为k
p
、k
i
、k
d
的整定结果。
[0085][0086]
其中，k＝1,2,
…
,r，r为输出参数个数。
[0087]
本发明中，r＝1,2,3,。k
p
、k
i
、k
d
如下：
[0088]
k
p
＝f5(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0089]
k
i
＝f5(2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0090]
k
d
＝f5(3)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)。
[0091]
(2)离线算法模块
[0092]
本技术方案中采用以遗传算法为主的粒子群、遗传、混沌结合的优化算法——粒子群
‑
遗传
‑
混沌算法，采用不同个体评价策略以保持种群多样性，用粒子群算法的速度算子代替变异算子，并在遗传算法内引入混沌搜索算法进一步优化个体。所述粒子群
‑
遗传
‑
混沌算法分别用长度为的二进制编码串表示每个决策变量。借鉴小生境技术思想，采用基于个体编码的均匀分割策略，按初始种群的阶s将每一代个体划分成2
s
个子种群，使每个子种群内个体最右边s个的二进制数相同。同时用子种群j在第a代之前生成的最优个体数量t
ja
与整个种群在第a代之前生成的总最优个体数量t
a
的比值δ
a
动态调节各个子种群的进化状态。
[0093][0094]
其中，所谓小生境技术就是将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中，以及不同种群中之间，杂交，变异产生新一代个体群。同时采用预选择机制和排挤机制或分享机制完成任务。基于这种小生境的遗传算法(niched genetic algorithms，nga)，可以更好的保持解的多样性，同时具有很高的全局寻优能力和收敛速度，特别适合于复杂多峰函数的优化问题。
[0095]
为获取满意的过渡过程动态特性及防止控制量过大，用j(x)来进行个体适应度评价：
[0096][0097]
ey(t)＝y
out
(t)
‑
y
out
(t
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0098]
e(t)＝r
in
(t)
‑
y
out
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0099]
其中，r
in
(t)为模糊神经网络第t个时刻的期望输出——目标温度值；y
out
(t)为模糊神经网络第t个时刻的实际输出——箱体温度值；e(t)为模糊神经网络第t个时刻的误差；u(t)为第t个时刻的pid控制器控制量；t
r
为为上升时间；ey(t)为模糊神经网络第t个时刻的超调量。
[0100]
选择个体适应度评价函数j(x)的倒数作为目标函数，为保证种群内少量适应性极高的个体不被过早淘汰，选择如下式(23)为个体适应度函数：
[0101][0102]
m(x
i
)＝f(x
i
) f(x
i
)/n(i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0103]
其中，f(x
i
)/n(i)为个体i目标函数本身与该个体被选择次数的比值；n(i)为该子
个体被选择的次数。
[0104]
选择运算采用轮盘赌法，个体i被选中遗传到下一代群体的概率为：
[0105][0106]
其中，n为种群规模，m(x
i
)为个体i的适应度。
[0107]
交叉运算使用如下单点交叉算子，将选择后的种群内个体进行两两交叉，得到新一代种群。
[0108][0109]
其中，f
max
为群体中最大的适应度值；f
avg
为每代群体的平均适应值；f
′
为要交叉的两个个体中较大的适应度值；p
c1
、p
c2
分别为交叉概率的最大值和最小值。
[0110]
用粒子群算法的速度算子代替变异算子，进而实现个体更新，再次生成新的种群。
[0111]
δ
a
＝1
‑
ρ
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0112][0113]
x
i
(t 1)＝x
i
(t) v
i
(t 1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(28)
[0114]
其中，ρ
a
为子种群j第a代的变异概率，并用其替代粒子群算法的惯性权重；ρ
j
为子种群j第t代的变异概率；r1、r2分别是区间[0,1]内的随机数；c1、c2表示学习因子；为个体i的当前最优位置；为子种群j的当前最优位置。由式(26)有：种群生成优秀个体越多
→
比值δ
a
越大
→
变异概率ρ
a
越小
→
种群越稳定，而种群生成优秀个体越少
→
比值δ
a
越小
→
变异概率ρ
a
越大
→
种群越倾向于发生突变。这样用变异概率ρ
a
替代粒子群算法的惯性权重能起到更好效果。
[0115]
混沌搜索算法中，将混沌变量的变化范围分别变化到相应的优化变量的取值范围，并采用经典的logistic映射产生混沌运动，混沌方程见下式。对再次新生成的种群中的个体，即每一条染色体，将其设为当前最优值，对群体中的适应度值较高的个体进行混沌优化搜索，计算各个混沌变量经历的可行解的适应度值，保留性能最好的解，直到达到混沌搜索最大代数，如产生的新个体的适应度值大于原个体，则替换原个体，否则原个体不变。
[0116]
z
i
(k 1)＝μz
i
(k)[1
‑
z
i
(k)]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(29)
[0117]
k＝0,1,
…
,n
[0118]
其中，z
i
(k)为在第k步混沌迭代后第i个混沌变量值；μ为控制参数，令μ＝4，即完全处于混沌状态。
[0119]
(3)在线算法模块
[0120]
本发明中，bp算法选取均方差损失函数为性能指标函数：
[0121][0122]
其中，e(n)为每一个迭代步骤的控制误差。以符号函数近似代替其误差用调整学习率η来补偿，计算得到的网络权值ω
ij
，隶属函数基宽b
ij
，隶属函数中心值c
ij
为：
[0123][0124][0125][0126]
其中，学习率η＝η1＝η2＝η3＞0，α为动量因子。
[0127]
下面通过具体的控制实例对车载冰箱的箱体恒温控制方法进行描述，如图4所示，具体实施有以下步骤：
[0128]
a1：构建模糊神经网络及pid控制器：令模糊分割数m
i
＝7(i＝1,2)，则拓扑结构为2
→
14
→
49
→
49
→
3。
[0129]
a2：初始化相关参数：如编码串长度终止进化代数g＝100，线性系数k＝100，p
c1
＝0.9，p
c2
＝0.6，混沌迭代次数n＝20，学习率η＝0.2，动量因子α＝0.02，算法参数调节制冷片输出时间间隔t
interval
＝3s，bp算法在线细调最大时长t
max
＝5min。
[0130]
a3：初始模糊神经网络ω
ij
、m
ij
、c
ij
长度：如网络权值ω
ij
取值区间为[
‑
1， 1]，隶属函数基宽b
ij
取值区间为[0.1， 3]，隶属函数中心值c
ij
取值区间为[
‑
3， 3]。
[0131]
a4：用遗传算法对ω
ij
、b
ij
、c
ij
初始值编码，将式(23)作为个体适应度函数。
[0132]
a5：计算种群的个体适应度值。
[0133]
a6：采用轮盘赌法式(24)进行选择，挑选优质个体遗传至下一代。
[0134]
a7：采用自适应单点交叉算子式(25)对选择操作后得到的新种群个体两两交叉，得到新一代种群。
[0135]
a8：采用速度算子式(26
‑
28)对交叉操作后得到的新一代种群进行个体更新，再次生成新的种群。
[0136]
a9：计算新生成的种群的个体适应度值。
[0137]
a10：对种群进行混沌搜索优化。
[0138]
a11：判断是否达到终止进化代数g，若判断结果为否，返回执行a5，重新计算适应度值；若判断结果为是，则完成a4～a11离线粒子群
‑
遗传
‑
混沌算法模块，获取最优ω
ij
、b
ij
、c
ij
。
[0139]
a12：每次车载冰箱上电后都以离线算法得到的最优ω
ij
、b
ij
、c
ij
作为bp算法在线细调的初值。
[0140]
a13：用模糊神经网络进行模糊推理。
[0141]
a14：用均方差损失函数式(30)作为性能指标函数计算误差。
[0142]
a15：计算每一层的局域梯度，进而更新模糊神经网络参数ω
ij
、b
ij
、c
ij
。
[0143]
a16：用更新后的参数ω
ij
、b
ij
、c
ij
求得更新后的k
p
、k
i
、k
d
。
[0144]
a17：判断bp算法在线细调是否达到最大时长t
max
，若判断结果为否，返回执行a13，重新进行模糊理；若判断结果为是，则完成a12～a17在线bp算法细调，获取最优k
p
、k
i
、k
d
，并用此值进行后续恒温控制。
[0145]
进一步，在具体的恒温控制过程中，读取为车载冰箱的箱体系统设置的对应模式的目标温度r
in
(n)。
[0146][0147]
检测车载冰箱当前的箱体温度y
out
(t)，且令y
out
(n)＝t
n
，其中n为制冷/制热控制周期次数；
[0148]
比较所述当前箱体温度t
n
与所述目标温度t
s
的差值与人为设定的温度变化量δt的大小，
[0149]
在制冷模式下：当t
n
≥(t
s_c
δt)时，按照最大制冷量工作；当|t
n
‑
t
s_c
|＜δt时，使用基于模糊神经网络的改进的智能pid控制器的最优第二参数集自整定算法，使t
n
快速达到t
s_c
并保持不变；当t
n
≤(t
s_c
‑
δt)时，则停止输出，等待回温，当t
n
≥(t
s_c
δt)时，再开始按照最大制冷量工作；
[0150]
在制热模式下：当t
n
≤(t
s_h
‑
δt)时，按照最大制热量工作；当|t
n
‑
t
s_h
|＜δt时，使用基于模糊神经网络的改进智能pid控制器的最优第二参数集自整定算法，使t
n
快速达到t
s_h
并保持不变；当t
n
≤(t
s_h
δt)时，则停止输出，等待降温，当t
n
≤(t
s_h
‑
δt)时，再开始按照最大制热量工作；
[0151]
按照已确定好的当前控制周期半导体制冷片的实际输出制冷/制热量进行工作，待下一周期时返回重复执行控制。
[0152]
通过上述技术方案，利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集；将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神
经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数；使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度。本技术的方案能够精准迅速的恒定控制车载冰箱的箱体温度。
[0153]
实施例二
[0154]
参照图5所示，为本说明书实施例提供的一种车载冰箱的箱体温度控制装置的结构示意图，包括：
[0155]
离线算法模块502，利用为智能pid控制器构建的模糊神经网络，以离线方式基于为车载冰箱设置的目标温度值和箱体的实际温度值作为输入，确定所述模糊神经网络的第一参数集；
[0156]
在线算法模块504，将确定的所述第一参数集作为反向传播算法的初值，以在线方式对所述模糊神经网络进行模糊推理，确定所述智能pid控制器的最优第二参数集，所述最优第二参数集包括用于反映所述智能pid控制器的比例、积分、微分控制参数；
[0157]
pid控制模块506，使用基于离线算法和在线算法结合确定的所述最优第二参数集，触发所述智能pid控制器控制当前所在车载冰箱的箱体温度。
[0158]
应理解，该车载冰箱的箱体温度控制装置的其它功能以及效果可以参照实施例一中方法实施例。
[0159]
实施例三
[0160]
参照图6所示，为本说明书实施例提供的一种车载冰箱的简易结构示意图，该车载冰箱可以包括：箱体(ⅰ)、半导体制冷片(ⅱ)、内散热片(ⅲ)、外散热片(ⅳ)、内循环风扇(
ⅴ
)、外散热风扇(
ⅵ
)、温度传感器(
ⅶ
)、控制模组(
ⅷ
)、隔板(
ⅸ
)以及保护罩盖(
ⅹ
)组成，具体结构及功能说明如下：
[0161]
所述箱体(ⅰ)为保温箱体，构成所述箱体(ⅰ)的各面均设置有发泡保温层(
ⅺ
)。于所述箱体(ⅰ)内设置隔板(
ⅸ
)，由所述隔板(
ⅸ
)将所述箱体(ⅰ)内部空间分割成安装室(
ⅻ
)以及储藏室(
ⅹⅲ
)，于所述隔板(
ⅸ
)上开设出风口(
ⅹⅳ
)、回风口(
ⅹⅴ
)，于所述箱体(ⅰ)的一侧壁上开设与所述安装室(
ⅻ
)相通的安装窗口，于所述箱体(ⅰ)的外侧设置有保护罩盖(
ⅹ
)，于所述保护罩盖(
ⅹ
)上开设散热风口。
[0162]
所述半导体制冷片(ⅱ)安装于所述箱体(ⅰ)的安装窗口上；所述内散热片(ⅲ)设置于所述安装室(
ⅻ
)内并与所述半导体制冷片(ⅱ)的一侧面热传递接触，所述外散热片(ⅳ)设置于所述箱体(ⅰ)的外侧并与所述半导体制冷片(ⅱ)的另一侧面热传递接触；所述内循环风扇(
ⅴ
)设置于所述安装室(
ⅻ
)内并朝向所述出风口(
ⅹⅳ
)设置、用于将所述安装室(
ⅻ
)内的低温/高温气流吹入到所述储藏室(
ⅹⅲ
)内；所述外散热风扇(
ⅵ
)设置于所述箱体(ⅰ)的外侧并朝向所述外散热片(ⅳ)设置，且于所述保护罩盖(
ⅹ
)内并与所述散热风口相对设置，用于向所述外散热片(ⅳ)提供冷却/回暖气流；
[0163]
所述温度传感器(
ⅶ
)设置于所述箱体(ⅰ)内，且于所述安装室(
ⅻ
)内与所述回风口(
ⅹⅴ
)相对的位置，用于获取所述箱体(ⅰ)温度，并与所述控制模组(
ⅷ
)信号连接；所述控制模组(
ⅷ
)与所述半导体制冷片(ⅱ)、所述内循环风扇(
ⅴ
)以及所述外散热风扇(
ⅵ
)通过有线连接的方式控制连接；所述控制模组(
ⅷ
)、所述外散热片(ⅳ)以及所述外散热风扇(
ⅵ
)均设置于所述保护罩盖(
ⅹ
)内。
[0164]
其中，所述控制模组可以包括：温度控制模组。所述温度控制模组由以下模块组成：接收模块和处理模块；其中，接收模块用于接收来自外部输入的模式；处理模块用于根据箱内温度控制规则控制所述待控制冰箱运行，其中，所述箱内温度控制规则用于定义随箱内温度的变化而变化的冰箱工作规则。
[0165]
所述处理模块，包括：箱内温度采集、pwm脉宽调制电压控制实际制冷/制热量的输出。
[0166]
所述箱内温度控制规则，参照图7所示，包括：
[0167]
b1：读取为车载冰箱的箱体系统设置的对应模式的目标温度r
in
(n)。
[0168][0169]
b2：检测车载冰箱当前的箱体温度y
out
(t)，且令y
out
(n)＝t
n
，其中n为制冷/制热控制周期次数。
[0170]
b3：比较所述当前箱体温度t
n
与所述目标温度t
s
的差值与人为设定的温度变化量δt的大小。
[0171]
在制冷模式下：
[0172]
当t
n
≥(t
s_c
δt)时，按照最大制冷量工作；
[0173]
当|t
n
‑
t
s_c
|＜δt时，使用基于模糊神经网络的改进的智能pid控制器的最优第二参数集自整定算法，使t
n
快速达到t
s_c
并保持不变；当ｔ
n
≤(t
s_c
‑
δt)时，则停止输出，等待回温；
[0174]
当t
n
≥(t
s_c
δt)时，再开始按照最大制冷量工作；
[0175]
在制热模式下：
[0176]
当t
n
≤(t
s_h
‑
δt)时，按照最大制热量工作；
[0177]
当|t
n
‑
t
s_h
|＜δt时，使用基于模糊神经网络的改进智能pid控制器的最优第二参数集自整定算法，使t
n
快速达到t
s_h
并保持不变；
[0178]
当t
n
≤(t
s_h
δt)时，则停止输出，等待降温，当t
n
≤(t
s_h
‑
δt)时，再开始按照最大制热量工作。
[0179]
b4：按照已确定好的当前控制周期半导体制冷片的实际输出制冷/制热量进行工作，待下一周期时返回b2重复执行控制。
[0180]
可选地，所述内散热片与外散热片均为翅片型散热片；和/或；所述内散热片与所述半导体制冷片之间、所述外散热片与所述半导体制冷片之间均设置有导热硅脂层。
[0181]
可以理解的是，本发明实施例示意的结构并不构成对上述设备/装置的具体限定。在本发明的另一些实施例中，上述恒温控制设备/装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0182]
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0183]
本发明实施例还提供了一种车载冰箱的箱体温度控制装置，参照图8所示，包括：
至少一个存储器和至少一个处理器；
[0184]
所述至少一个存储器，用于存储机器可读程序；
[0185]
所述至少一个处理器，用于调用所述机器可读程序，执行本发明任一实施例中的车载冰箱的箱体温度控制方法。
[0186]
本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行本发明任一实施例中的车载冰箱的箱体温度控制方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0187]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0188]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd
‑
rom、cd
‑
r、cd
‑
rw、dvd
‑
rom、dvd
‑
ram、dvd
‑
rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0189]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0190]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0191]
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0192]
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0193]
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。