- 文献综述（或调研报告）：
正文：
当下，人们对于各类建筑环境、装置内部环境以及室内环境的控制要求逐步提高，而在对环境的调节中，采用自动控制系统是目前最为主要的控制手段。对于一个成熟的自动控制系统而言，首先需要建立被控制对象的对象特性模型，建立恰当的温控模型后，对模型进行变换后计算得出模型的传递函数，再进行仿真模拟。
建模方法：
- 通常对于复杂的温控模型，都需要进行一定程度上的简化，以左权的大型客舱内部温度模型为例，在建立模型之前，先对舱内温度做出一系列假设：
- 建模过程在常压下进行，并且将空气当做理想气体，假设空气的定压比热容与温度无关。
- 空调组件有独立的温度控制装置，热路空气来自发动机引气源。假定客舱供气温度的调节只改变冷路空气和热路空气的混合比例，不改变二者的温度和供气流量。
- 假定客舱供气在舱内的流动使舱内空气均匀混合，并且忽略其充填客舱的时间，因此认为舱内空气温度均匀分布。
- 对于客舱温度在稳定点附近的动态过程，假定舱壁传热系数是恒定的。
- 在飞机正常运行情况下，客舱空气的泄漏量很小，因此本文建模时忽略客舱漏气的影响。
- 随着现代航空电子电气技术的发展，飞机电子电气设备的数量越来越多，功率越来越大。但是对于舱内电子电气设备，其发热量较小，可以忽略。
- 不考虑舱内空气湿度变化对客舱温度产生的影响。
基于以上假设，给出温度动态变化方程，即获得了一个较简单的温控数学模型。
- Zilong Deng等对位于南极穹顶A的柏拉图号的发电舱温度进行了温控仿真模拟，模型建立的基础为集总参数法，该方法把一个热系统降低为几个离散的模块，并且假设每个模块内部的温度变化忽略不计。根据集总参数法，对发电舱内的柴油发电机组和若干发热元件进行了综合分析，并考虑了进排气风量以及温度的影响，建立了几组的热力网络模型。舱体内部考虑空气的对流传热以及舱壁与发热元件之间的辐射传热，舱体内外的热量交换方式主要为舱体导热以及进排气与舱外的换热。整个舱体被分为若干温度节点，建立每个温度节点随时间变化的方程，即得到了发电舱温度变化的数学模型。
- 容曦对水泥厂理化检验室中物理检验室的温度进行了温控仿真模拟，其假设整个检验室为一个整体，不考虑检验室内部的发热元件以及空气流动带来的热量变化。根据能量守衡定律，单位时间内进入检验室的热量减去单位时间内流出检验室的热量等于该房间内蓄热量的变化率，即可获得检验室内温度变化方程，建立了数学模型。而于梅春等人对于空调客车内的温控仿真系统也使用了和容曦一样的方式。
- Dorte Skaarup Oslash;stergaard等对位于丹麦的一个独户人家的房子在采用低温供暖系统的情况下进行了温控仿真模拟。住房下存在一个不进行供暖的地下室，在模型中将该地下室也包括在内，计算地下室带来的热量损失。该案例采用了商业上可获得的动态建筑模拟程序IDA ICE来对房子进行温控模型的建立以及仿真。该模型中热量的变化主要来自于房间内散热器对室内空气的散热量。IDA ICE提供了一个预定义的水散热器单元，可用于模拟建筑区域的热排放，散热器发出的热量是根据热量平衡来计算的。在该模型中，将整个房子根据房间划分节点，每个房间设为一个整体，房间内的空气温度为整个区域的平均空气温度。即假设每个区域中的空气完全混合并且没有温度梯度。
- 范强等在对配电室进行温控仿真模拟时，也将配电室视为一个整体，但内部存在发热元件的散热，将内部热量传递分为热传导、热对流以及热辐射，建立三个热平衡方程，形成一个整体作为室内温度场的数学模型。
- Tian Xing等人在对变风量系统室温进行仿真模拟时发现，在以往的研究中，变风量系统的室温调节过程模型可以描述房间总供风量变化时的响应特性。然而，在实际操作中，变风量系统房间供应气流不能直接控制，因为有几种机制可以调节它。此外，考虑到变风量系统的复杂性，仅通过数学建模，难以建立对执行器的室温响应的精确模型。因此他们提出了一种用于识别室温动态响应的拓扑模型。假设有n个变风量箱，每个箱体有对应的风机转速输入、蝶阀开度以及送风量。接着，通过对每个VB输出的供给气流的求和，得到房间的总供风量。最后，建立改变总供气流量时的室温模型，并给出了相应的传递函数。并且从实验数据中获得室温响应的时间延迟，以完成识别模型。
- 数值模拟的方法通常不如黑盒模型（如人工神经网络）来的准确，因为存在各种误差来源，比如材料属性和类型信息不完整，假设的引入和物理过程的简化建模，模型中的离散化等等。但目前已经有许多人做出了努力来提高数值模拟的准确性。例如，Nannei等人开发了一个简化的数值模型来模拟建筑物的温湿度瞬间变化。他们的模型根据墙壁的几何特征和热物理特性、室外温度的瞬变、空气更新和供应的热流来计算室内空气温度和墙壁内表面的温度。模型的验证是通过浸入人工控制气候的试验室进行的，以实现明确和可重复的边界条件，测量和模拟之间达成了良好的一致。Kunzel等人开发了一个组合模型，考虑到房间内的水分源和汇，由于毛细作用、扩散和蒸汽吸收和解吸作用，作为对外部和内部气候条件的响应以及热量参数，模拟室内温度和湿度条件。通过进行一系列现场实验验证了该模型，并且获得了很高的准确性。
- Tao Lu等人将数值模拟与人工神经网络结合起来建立了一个混合数值神经网络模型，其中人工神经网络是指由多个节点(即神经元)组成的层次结构。该混合模型要求首先建立一个基础的数值模型，然后再建设一个人工神经网络。将数值模型与人工神经网络联合起来获得一个新的混合模型。以芬兰南部一个体育中心为例：数学模型是由赫尔辛基理工大学开发的HMTB程序建立实现的，其中HMTB是一个用于计算特定气候数据在建筑物中的热量和水分传递的工具，它采用有限差分法求解常微分方程和偏微分方程。混合模型是在数值模型的基础上简化而来，忽略了内部发热的存在，因为即使在简化的仿真过程中，混合模型也能提高数值模型(即测试数值模型)的精度。
控制算法：
- 容曦使用了MATLAB中的simulink配套工具箱对检验室的温控数学模型进行转换，将其变换为仿真模型。室外温度波动为输入项，在室外温度(32 ℃)高于室内温度设定值(20 ℃)时 ,送风量发生变化 ,经过大约 1000S ,室温稳定于 20 ℃。在仿真时间 1000s时, 室外温度干扰信号(阶跃信号 Stepw)从 0 变为2 ℃, 室温出现了波动 , 而送风量变化更为明显 , 到1500s 时, 送风量稳定于新的平衡值 0 .78m3/ s。该温控仿真案例采用了 PID 算法， 实现了连续控制,，消除了静态误差,，室温波动较小，控制系统稳定性强，基本满足水泥物理检验室温控要求。对于简单的室内温度控制，容曦采用了传统的PID控制方法。
- 模糊控制作为模糊理论中重要的一部分，是建立在模糊语言变量、模糊语集合化及模糊逻辑推理上的计算机数字控制。它不必知道精确的数学模型，而是利用模糊性的语言控制规则来描述控制过程。控制规则通常是由专家的经验推理得到的，所以其基本思想就是利用计算机实现人的控制经验。在模糊控制系统中，模糊控制器是它的核心部分。于梅春等人就采用了PID模糊控制来进行空调车内的温度控制仿真。对于模糊控制，最重要的是建立隶属度函数，比如，当车厢内空调负荷变小时，应当相应地减小膨胀阀开度，通过温度传感器测量室内温度变化，与设定温度进行比较，得出温度偏差，同时计算其变化率，以这两个值作为控制量输入，在温度偏差变化时，对应膨胀阀开度的模糊语言变量分为五档，温度偏差的变化分为13级，将这两者结合起来画出对应的隶属度函数。建立隶属度函数后，根据专家的理论知识和实践经验的总结，建立控制规则表。最后再将隶属度函数以及控制规则表输入simulink中，获得仿真结果。
- 由于模糊学习控制能力很差（表现在模糊规则的建立和隶属度函数的生成需要依靠专业人员的经验），并且模糊控制难以消除静态误差，不能够取得较高的控制精度。因此罗川宁等人在PID模糊控制的基础上，将模糊 PID 算法和神经网络结合起来，根据温度的偏差及变化对 PID 三个参数进行优化，达到最佳组合的 PID 控制。他们采用了新的控制算法，即模糊神经网络PID 算法，它融合了传统 PID，神经网络以及模糊控制，取得较理想的控制效果。这种新的模糊神经网络算法融合了神经网络的学习能力与模糊控制的逻辑推理能力。他们采用结构等价型结合方式，模糊逻辑系统由等价结构的神经网络来表示，神经网络的所有节点和参数都有一定的意义，对应着模糊逻辑系统的隶属度函数和推理过程。以工业生产过程中锅炉内温度场为例，将普通PID、模糊控制PID以及模糊神经网络PID算法三者进行了对比和比较，得到结果发现：普通的PID控制中，超调量会过大，不一定能满足控制要求；采用模糊控制时超调量减小，但会一直存在稳态误差；在添加了模糊RBF 神经网络后，系统上升时间和超调量显著减小，同时不存在稳态误差，系统的稳定性、快速性和准确性得到提高。
- Dong Jie在建立了涂装厂温控数学模型后，计算得出传递函数，并根据传递函数建立了仿真模型。对于传统的PID控制而言，如果考虑扰动信号，系统就会变得不稳定，此时传统的PID控制就无法满足仿真的要求。 为了稳定系统，他们设计了一种模糊PID自适应控制，即在MATLAB中设计了一种智能自适应控制算法。根据空调的实际运行状况，用MATLAB建立相应的模糊规则，运行后可以看出控制温度值是一致的，并且最终稳定地达到了设定的温度值。
- 左权等在对大型客机机舱内部温控仿真模拟时，采用了模糊控制遗传算法，遗传算法是一种启发性的随机搜索算法，模拟自然界的生物进化过程，其理论基础包括达尔文的经典进化理论、魏斯曼的自然选择理论和孟德尔的遗传学理论，引入“优胜劣汰，适者生存”的生物进化思想进行搜索寻优。遗传算法提供了一种在复杂的解空间上进行有向、随机搜索的方法，是现今应用和影响最广泛的优化方法之一。他们利用遗传算法对模糊控制中的隶属度函数进行最优解的寻找，找到一个最合适的隶属度函数后，再进行仿真模拟，从而获得更为准确和稳定的仿真结果。但遗传算法中种群规模和进化终止代数的选择会对最后的解造成很大的影响，选取不适合时无法获得质量较高的最优解。因而采用遗传算法与模糊控制结合时，需要测试遗传算法的结果质量是否过关，这对最终的仿真结果来说也是一个很大的影响因素。
综上所述，对于某个温控仿真模拟过程，在建立数学模型时需考虑内部空间的复杂程度来确定模型的简化程度。在仿真时，一般都使用MATLAB软件里的simulink工具箱进行模拟，控制策略大多采用PID或者模糊PID控制。此外目前更新的文献中采用了人工神经网络的方式来提高数学模型的准确程度以及控制过程中的稳定性。总体而言，对于复杂的温控模型，为了获得准确的仿真结果，最好避免使用传统的模拟方法，而简单的模型则无需使用太过复杂的模拟方法。
[1]屈毅,宁铎,赖展翅,程琪,穆丽宁.温室温度控制系统的神经网络PID控制[J].农业工程学报,2011,27(02):307-311.
[2]罗川宁,郝润科,杨威.工业生产过程锅炉温度控制仿真[J].计算机仿真,2018,35(09):358-362.
[3]Tao Lu,Xiaoshu Luuml;,Charles Kibert. A hybrid numerical-neural-network model for building simulation: A case study for the simulation of unheated and uncooled indoor temperature[J]. Energy amp;amp; Buildings,2015,86.
[4]Dorte Skaarup Oslash;stergaard,Svend Svendsen. Case study of low-temperature heating in an existing single-family house—A test of methods for simulation of heating system temperatures[J]. Energy amp;amp; Buildings,2016,126.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
