一种新型空气净化器的技术与开发

摘要

近年来，随着人民生活水平的稳步提高，空调的广泛使用，装饰大量使用以及房间的密闭性加强，室内环境污染急剧增加，对人体产生严重危害，随之而来的室内健康问题也变的突出，室内空气质量问题已经成为环境领域质量的一个热点问题。传统方法通过继续增大新风量改善室内空气品质，虽然提高了空气质量，但经济性和舒适性都很差，已经无法满足越来越高的生活品质需求。
　　 本文在介绍等离子空气净化器的基础上，重点介绍了实际应用，针对空气净化器系统非线性、大迟延、大惯性等特点，分析了现有的控制方法在控制中存在的问题，将神经网络与预测控制相结合直接应用于空气净化控制系统，其中预测部分采用在工程上易于实现，算法简单，计算量较少，鲁棒性强的动态矩阵控制(DMC)。神经网络选择误差反向传播神经网络(BP)。该方法克服了传统控制方法控制对大迟延大惯性对象调节品质差、抗干扰性弱的缺点，有效的补偿了传统预测控制基于线性模型的局限性。工程实例表明，该算法具有优良的控制性能，有利于工程实现，节能效果显著。采用面向对象的编程语言Visual Basic混合Matlab开发了系统管理应用软件，实现了数据的存储和历史数据的查询以及报表的预览和打印，并通过历史数据的对比实现了报警功能。通过试用，极大的提高管理效率和排查故障的能力，为运行管理中的节能奠定了基础。

目录

文摘

英文文摘

声明

1绪论

1.1本课题研究的背景意义

1.2国内外空气净化系统现状

1.3预测控制发展及应用现状

1.4神经网络技术的应用现状

1.5国内外神经网络和预测控制在空气调节系统中的应用

1.6论文研究的目的和内容

2空气净化系统

2.1空气调节的基本概念

2.2空气污染主要构成

2.3空气污染处理

2.4等离子体空气净化器

2.4.1等离子体空气净化器工作原理

2.4.2等离子空气净化器结构

2.5空气净化器的优点

2.6控制部分

2.6.1控制对象特点

2.6.2控制对象影响因素

3预测控制

3.1预测控制的优点

3.2预测控制应用于空气调节系统

3.3动态矩阵控制(DMC)

3.3.1预测模型

3.3.2滚动优化

3.3.3反馈校正

3.4预测控制应用缺陷

4神经网络

4.1人工神经网络

4.2 BP神经网络结构的原理

4.2.1 BP神经网络的前馈计算

4.2.2 BP网络权值的调整规则

4.2.3 BP学习算法的计算步骤

4.3 BP神经网络应用于预测的原理

4.4 BP神经网络结构设计

4.4.1输入层和输出层的设计

4.4.2隐层节点数的选取

4.4.3初始权值的选取

4.4.4训练次数的确定

4.5空气净化器中BP神经网络的应用

5系统设计及结果

5.1系统设计要求

5.2系统设计

5.2.1系统硬件设计

5.2.2系统软件设计

5.3运行结果及分析

6结论与展望

6.1全文总结

6.2研究展望

致 谢

参考文献

附 录