一种基于新型自适应神经模糊推理系统（ANFIS）的方法，通过明确的设计框架实现热系统中的稳健、精确且透明的温度控制

《ENERGY CONVERSION AND MANAGEMENT》：Novel adaptive neuro-fuzzy inference system (ANFIS) based approach for robust, precise and transparent temperature control in thermal systems guided by explicit design framework

　　维森特·费塞德-马斯 | 阿德里安·莫塔-巴比洛尼 | 华金·纳瓦罗-埃斯布里 | 科斯明-米哈伊·乌德罗伊
波兰IBM公司

摘要
可靠的控制系统是提升工业效率的关键，但传统的人工智能方法往往表现为依赖大量训练数据的“黑箱”。本文提出了一种新型的基于知识的自适应神经模糊推理系统框架，旨在克服这些局限性。与传统的数据驱动方法不同，该方法采用一种基于明确设计框架的“即插即用”方法，无需历史数据集或迭代自动调优即可构建透明控制器。其创新之处在于建立了一种可移植的设计协议，专门解决热惯性和规则可解释性问题，从而确保系统运行稳定性。为验证这一方法，将该ANFIS系统应用于蒸汽压缩循环冷凝器的复杂非线性动力学系统中。通过严格的可靠性和压力测试，实验结果表明，这种基于原理的架构在稳健性方面优于传统控制方案。在稳定条件下，该系统能够将温度精确控制在±0.2℃范围内；即使在环境温度和热负荷发生突然变化等严重外部干扰情况下，也能保持±1℃的稳定性。与优化后的PID控制器相比，ANFIS消除了传统控制中稳定性与速度之间的权衡问题，实现了更高的稳健性且无危险性的超调现象。通过消除反馈不稳定问题并确保决策过程完全可追溯，这项工作为热管理领域的可解释人工智能奠定了基础，为开发可靠、节能的先进暖通空调技术铺平了道路。

引言
系统控制多年来一直是研究的热点。它在工业和家庭应用中起着关键作用，尤其在于将系统控制在与可接受精度范围内的能力。快速、高效的控制系统对众多行业至关重要，能够提升性能、效率及运行条件。实时调整系统状态可减少能耗并降低损失。这种适应性在能源管理、工业自动化或智能基础设施应用中尤为重要。在热系统中，这种实时适应性尤为关键，因为精确控制加热和冷却过程能显著提升能源效率并降低运营成本。根据美国能源效率和可再生能源办公室的数据，实施高性能控制措施可使暖通空调系统的效率提高30%。

传统上，工业控制多采用开关控制等简单方法，至今仍在使用。阿劳霍等人比较了开关控制系统与比例控制系统，发现后者能使性能提升50%。李和夏则开发了一种开关控制策略，用于降低供暖系统的回水温度。为克服这些基本方法的局限性，人们开始采用更先进的控制技术。由于性能系数直接反映热效率，任何提升性能系数的方法都能带来显著的节能效果并改善热系统性能。弗朗科等人利用PID原型将性能系数提升了28%。齐等人发现，与PID相比，采用模糊逻辑控制可使性能系数提升9.84%。克尔卡尔等人评估了热电制冷机的控制性能与效率。塔勒等人考虑到温度计的随机误差，提升了PID控制器的速度与精度。热系统往往存在非线性行为、因热惯性导致的延迟以及不断变化的负载需求，传统控制器难以有效应对这些问题。基于人工智能的策略为解决这些挑战提供了可行方案。随着人工智能的发展，一些研究者开始探索利用深度神经网络来控制不同的热过程。考克斯等人基于预测控制策略开发了神经网络，使运营成本降低了16%。

同样，阿兰兹和古铁雷斯开发了记忆神经网络，用于预测次日的电力消耗。张等人利用人工神经网络优化了暖通空调系统。陈等人则采用深度神经网络实现暖通空调系统的模型预测控制。徐等人使用多层感知器神经网络来预测供暖和制冷负荷。借助人工智能，一些旧技术因其多功能性和透明度而重新焕发活力。在这个新时代，透明度至关重要，这也是模糊逻辑技术再度受到重视的原因。拥有透明模型并不意味着控制器效率低下，已有不少学者将这种技术与传统技术进行比较，认为模糊逻辑在保持可解释性的同时，具有更强的控制能力。

随着基于感知器的架构的出现，人们又提出了将模糊逻辑与神经网络相结合的新方法——自适应神经模糊推理系统。该系统结合了神经网络的适应性与时序逻辑的可解释性，非常适合用于控制复杂的熱过程。为验证这一方法，毛拉纳等人比较了五种类型的控制器，发现ANFIS控制器的表现更为优异。此外，楚恩西里等人在低成本硬件上部署了ANFIS预测控制器，证明其能够有效调节流量并优化系统性能，表现优于传统逻辑控制器。该系统充分利用了模糊逻辑的可解释性与神经网络的适应性。ANFIS的应用领域十分广泛，有些研究人员致力于实现特定过程的优化控制，使维持该过程的设备尽可能少地消耗能量，从而节省成本并减少对环境的影响。ANFIS还能用于预测流体的行为、热过程或工艺参数。纳丰等人利用它预测了脉动纳米流体流动的努塞尔数。

在蒸汽压缩系统的具体应用中，众多案例都证明了ANFIS的优越性。吉尔和辛格建立了数学模型和ANFIS模型，用于预测R134a/LPG蒸汽压缩系统的压缩机功率、制冷容量及性能系数，结果发现ANFIS模型的预测精度更高、速度更快，其预测结果在R2、RMSE和MAPE等统计指标上均优于传统数学模型。此外，一种用于直扩式空调系统的简化模糊逻辑控制器也展现了相当的控温精度和灵敏度，通过预测平均投票指数提高了室内热舒适度，同时通过优化风扇转速和风速实现了4%至7.6%的节能效果，为传统基于温度的控制器提供了可行的替代方案。艾因等人设计的模糊控制器在负载状态下能将稳态误差降至1.97℃，且响应速度更快，因此更擅长温度调节，尽管在无负载状态下的误差略高。贝尔曼-弗洛雷斯等人通过为家用冰箱设计模糊温度控制方法实现了节能效果。罗德里格斯-瓦尔德拉马等人则将家用冰箱的热负荷作为模糊控制器的输入变量。

基于模糊逻辑的控制方法效率极高，但在实际控制应用中的应用比例仍较低。ANFIS作为一种方法，几乎不存在本文开头所提到的那些缺陷，同时仍保持高效性。其最大优势在于透明性和可解释性，这使得人们能够调试系统并采取相应措施加以改进。同样，通过详细分析每一项决策，也可以构建出安全可靠的控制系统。虽然深度学习模型往往表现为黑箱，但模糊逻辑则提供了必要的透明度，有助于在关键决策过程中建立信任。

尽管已有诸多成功应用，但现有文献中关于ANFIS控制器在热管理领域的设计理念仍存在明显不足。以往的研究（如[17]、[19]、[20]）大多将ANFIS视为数据驱动的估计工具，依赖大量的历史数据集以及离线训练算法（如混合学习或反向传播）来预测系统参数或调整隶属函数。虽然这种方法在预测建模方面效果不错，但由于过度依赖现有数据，限制了其在控制任务中的扩展性，往往会使系统变成“黑箱”，导致规则的物理意义无法被理解。与此相反，本文提出了一种“知识驱动”的架构。控制器并非从数据中学习，而是基于蒸汽压缩循环的热力学原理，通过明确的设计框架构建而成。这种从数据依赖向设计依赖的转变，使得控制器无需预先训练即可直接投入使用，同时保持了模糊推理的透明度，确保控制逻辑对操作人员而言完全可解释。

本文提出了一种用于控制蒸汽压缩系统冷凝器的ANFIS系统，该系统充分利用了神经网络与模糊系统的优势。它能有效应对控制过程中存在的不确定性与非线性问题，从而提升系统调节的准确性与效率。该策略旨在让冷凝器在各种运行条件下都能保持最佳性能，同时具备应对突发外部干扰的能力，实现更强大、更快速、更具适应性的控制效果，避免出现典型的PID控制环路问题。

在热工程领域，人们通常使用MATLAB来设计和配置ANFIS系统。尽管MATLAB是一种功能完备且灵活的计算工具，但它缺乏在ANFIS运行过程中进行详细规则追踪的功能。因此，用户往往无法查看内部的决策逻辑，这不仅限制了系统的可解释性，也掩盖了规则层面的动态变化。本文提出的方法通过提供完全透明的规则追踪图，解决了这一问题，使得每项决策的推理过程都能被清晰解释。此外，该系统遵循本文提出的设计框架，使得其方法更具可移植性，也更容易被第三方理解和分析。

通过直观展示规则的激活与交互过程，该方法揭示了文献中尚未描述的行为模式。其一项重要创新在于能够区分“非工作状态”（控制器未发出指令）与“中性状态”（设备输出控制值为0）。此外，该系统还能在外部参数突然变化的不利情况下做出相应调整。本文将ANFIS方法应用于控制热压缩循环中冷凝器的温度与频率，分析了其处理非线性问题和不确定性的能力。通过可靠性和压力测试对系统性能进行了评估，结果表明，该方法不仅高效且具备预测能力，还能实现稳定且精确的控制。

章节节选
ANFIS设计框架
本文提出的指导原则旨在帮助非专业用户通过一种严谨、透明且可移植的方法来设计基于ANFIS的控制器。鉴于数据驱动控制方法越来越受到关注，且其应用范围也在不断扩大，因此具备易用性的设计流程对于确保系统的可靠实施至关重要。所提出的指导原则为设计过程提供了结构化的框架，明确了各主要设计阶段，同时也提升了研究的可重复性。

结果与讨论
本节介绍了主要的测量结果与计算结果，并对其进行了分析。首先，对ANFIS在三次可靠性测试中的表现进行了热分析。其次，对ANFIS的运行机制进行了内部分析，解释了其决策过程，并对三次可靠性测试进行了对比。最后，分析了ANFIS在压力测试中的表现。

结论
本文提出了一种新的自适应神经模糊推理系统，用于优化蒸汽压缩系统中的冷凝器温度调节功能，从而在各种运行条件下提升能源效率与系统稳定性。文中还加入了一个风冷式冷凝器风扇，以展示ANFIS的控温能力，使其能够调节风扇转速。该系统的目标是在所有工况下，包括参数变更和外部干扰出现时，都能实现精准的温度控制。

CRediT作者贡献说明
维森特·费塞德-马斯：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法论，研究，形式分析，概念构思。
阿德里安·莫塔-巴比洛尼：撰写——审阅与编辑，研究，资金获取。
华金·纳瓦罗-埃斯布里：研究，资金获取。
科斯明-米哈伊·乌德罗伊：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源管理，项目管理，方法论。

利益冲突声明
作者声明自己没有已知的、可能影响本文研究结果的财务利益或个人关系。

致谢
本研究成果属于R&D+i项目PID2020-117865RB-I00的组成部分，该项目由MCIN/AEI/10.13039/501100011033资助；同时还属于UJI-A2022-03项目，该项目由Jaume I大学资助。科斯明-米哈伊·乌德罗伊感谢MCIN/AEI/10.13039/501100011033以及FSE+提供的资助。