دانلود مقاله ISI انگلیسی شماره 24581 + ترجمه فارسی
عنوان فارسی مقاله

پیش بینی سرعت فن برای صرفه جویی در انرژی در سیستم HVAC بر اساس سیستم استنتاج فازی مبتنی بر شبکه تطبیقی

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
24581 2009 8 صفحه PDF 17 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Predicting of fan speed for energy saving in HVAC system based on adaptive network based fuzzy inference system
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 36, Issue 4, May 2009, Pages 8631–8638

فهرست مطالب ترجمه فارسی
چکیده

کلید واژه ها

1. مقدمه

2. مدل سیستم تهویه هوا

3. طراحی سیستم HVAC بلادرنگ 

4. سیستم استنتاج فازی مبتنی بر شبکه تطبیقی (ANFIS)

5. نتایج تجربی

6. نتیجه گیری

شکل 1. نمای شماتیک سیستم HVAC با دو منطقه

شکل 2. یک نمونه از راه اندازی آزمایشی سیستم HVAC بلادرنگ

شکل 3. نمودار بلوکی سیستم در نظر گرفته شده

شکل 4. ساختار مدل 

شکل 5. مقادیر دمای منطقه 1

شکل 6. مقادیر دمای منطقه 2

شکل 7. مقادیر دمای اواپوراتور

شکل 8. نمودار بلوکی مدل های هوشمند پیشنهادی

شکل 9. سرعت موتور فن واقعی و پیش بینی شده

شکل 10. عملکرد آموزش مدل ANFIS برای اواپوراتور 

شکل 11. نرخ شکاف واقعی و پیش بینی شده منطقه 1

شکل 12. عملکرد آموزش مدل برای منطقه 1

شکل 13. عملکرد آموزش مدل برای منطقه 2

شکل 14. عملکرد آموزش مدل برای منطقه 1

جدول 7. عملکرد پیش بینی مدل با MF های مختلف برای منطقه 2

جدول 6. ساختار مدل برای منطقه 2

جدول 5. عملکرد پیش بینی مدل با MF های مختلف برای منطقه 1

جدول 4. ساختار مدل برای منطقه 1

جدول 3. عملکرد پیش بینی مدل با MF های مختلف برای اواپوراتور

جدول 2. ساختار مدل برای اواپوراتور

جدول 1. توابع عضویت
کلمات کلیدی
سیستم گرمایش - تهویه و تهویه مطبوع - پیش بینی سرعت موتور فن - کنترل جریان هوا - صرفه جویی در انرژی - کنترل دما - شبکه تطبیقی مبتنی بر سیستم استنتاج فازی
کلمات کلیدی انگلیسی
HVAC system,Fan motor speed predicting,Air flow control,Energy saving,Temperature control,ANFIS
ترجمه چکیده
در این مقاله یک سیستم HVAC (گرمایش، تهویه و تهویه مطبوع) دارای دو منطقه متفاوت طراحی شد و سرعت موتور فن برای به حداقل رساندن مصرف انرژی سیستم تهویه مطبوع توسط کنترلر PIDکنترل گردید (متناسب با انتگرال مشتق). دمای مطلوب با سرعت - جریان متغیر با در نظر گرفتن دمای محیط برای هر منطقه محقق شد. الگوریتم کنترل بود برای یک کنترلر منطق قابل برنامه ریزی (PLC) تبدیل شد. سیستم محقق شده توسط PLC الگوریتم کنترل PID مورد استفاده، کنترل شد. داده های خروجی ورودی / خروجی سیستم HVAC ابتدا ذخیره شدند و سپس این مجموعه داده ها برای پیش بینی سرعت موتور فن بر اساس سیستم استنتاج فازی بر مبنای شبکه تطبیقی (ANFIS) استفاده شدند. در شبیه سازی، مربعات میانگین ریشه (RMS) و ضریب تعیین چندگانه (R2) به عنوان دو معیار عملکرد برای مقایسه مقادیر پیش بینی شده و واقعی برای اعتبار سنجی مدل در نظر گرفته شدند. تمام شبیه سازی ها نشان داده اند که روش پیشنهاد شده موثرتر است و سیستم کاملا خوبی را کنترل می کند.
ترجمه مقدمه
آسایش مردم در محیط زندگی آنها تا حدی وابسته به کیفیت و درجه حرارت هوا در ساختمان آن هاست. سه سیستم مرتبط با یکدیگر برای ارائه دمای هوا و کیفیت مورد نظر استفاده می شود. این سیستم ها تهویه، سیستم گرمایش و سیستم تهویه مطبوع هستند. هدف از سیستم تهویه مطبوع ساختمان، ارائه راحتی حرارتی کامل برای ساکنان آن است. از سوی دیگر، صرفه جویی در انرژی در این سیستم یکی از مهمترین مسائل به دلیل هزینه آن است. از این رو درک جنبه های حداقل مصرف انرژی به منظور طراحی موثر سیستم تهویه هوا ضروری است. تیتیل و لوی روش درایوهای فرکانس متغیر را بکار گرفتند که به طور معمول برای تغییر سرعت پمپ و سرعت موتور فن در گرمایش، تهویه و تهویه مطبوع ساختمان ها استفاده می شود (تیتیل و همکاران، 2008). در این برنامه ها، کنترل سرعت برای تنظیم جریان آب یا هوا استفاده می شود چون تنظیم سرعت یک روش کارآمد برای کنترل جریان است. هدف از این مطالعه ارائه یک مدل ترمودینامیکی برای چیلر تهویه هوا که به طور خاص برای تجزیه و تحلیل این موضوع طراحی شده است که چطور کنترل سرعت فن های كندانسور شرایط عملیاتی مختلف COP چیلر را تحت تأثیر قرار می دهند. علاوه بر این، مطالعه دیگری از همین نویسندگان برای بررسی چگونگی استفاده از فن های كندانسور سرعت متغیر برای کارآمدتر کردن چیلرهای هوا انجام شده است. علاوه بر این متغیر کنترل سرعت فن به طور فزاینده ای برای کمپرسورهای خنک کننده برای ذخیره سازی انرژی استفاده می شود. صرفه جویی در انرژی ماشی از کارآیی بهبود یافته موتور در هنگام عملیات با سرعت پایین تر تحت شرایط بارگذاری جزئی است. سیستم های تهویه مطبوع نیاز به کنترل متغیرهای محیطی مانند فشار، دما، رطوبت دارند. علاوه بر این، سیستم تهویه مطبوع برای پیاده سازی یک محیط حرارتی واقع بینانه از نظر دما و جریان هوا در فضای واقعیت مجازی لازم است. همانند دیگر برنامه های کاربردی صنعتی، اکثر کنترل کنندگان در سیستم های تهویه مطبوع از نوع انتگرال-مشتق متناسب (PID) هستند (بای و همکاران، 2000؛ سییم 1998). این عمدتا به دلیل این است که PID ساده است اما برای اکثر مشخصات برنامه های کاربردی HVAC بسیار مناسب است. با این حال، تنظیم یک کنترل کننده PID نیاز به یک مدل دقیق از فرایند و یک قانون طراحی کنترل کننده موثر دارد. علاوه بر آن، روش تنظیم می تواند زمان گیر، گران و دشوار باشد. تحولات در روش های هوشمند استفاده از تجزیه و تحلیل غیر خطی و کنترل را ممکن می سازند. روش های هوشمند با این حال، ابتدا برای افزایش استحکام مدل های موجود و دستیابی به مدل های جدید در سال های اخیر مورد استفاده قرار گرفته اند. علاوه بر کنترل PID سیستم های HVAC، مطالعات مختلف با استفاده از روش های هوشمند ارائه شده اند. یک مدل شبکه عصبی (NN) برای پیش بینی ضرایب فشار هوا در میان دهانه ها در یک اتاق آزمایش تهویه وزن سبک، یک طرفه توسعه داده شد. کاربرد تهویه طبیعی به عنوان یک سیستم خنک کننده منفعل در ساختمان های مدرن در کایزر با استفاده از شبیه سازی مدل های داخلی سرعت هوا مورد بررسی قرار گرفت. با استفاده از داده های شبیه سازی، یک مدل ANFIS برای پیش بینی میانگین سرعت هوا در محیط داخلی استفاده شد. یک رویکرد سیستماتیک برای کنترل نقطه تنظیم بهینه برای بخش داخلی ساختمان ارائه شده است. اجزای اصلی بخش داخلی ساختمان برای شناسایی پتانسیل حفاظت انرژی مورد تجزیه و تحلیل قرار گرفتند. برای صرفه جویی در انرژی برای تحویل عرضه هوا و آب چیلر، یک روش تنظیم نقطه فشار متغیر با یک مثال ساده و یک شبکه عصبی هوشمند تحلیل شد. علاوه بر این، کنترل منطقی فازی (FLC) سیستم های HVAC توسط بسیاری از نویسندگان مورد مطالعه قرار گرفت. نتایج به دست آمده با مقادیر کنترل PID مقایسه شدند و این مطالعات نشان دادند FLC نتایج خوبی دارد. FLC به طور گسترده ای در فرایندها مورد استفاده قرار می گیرد جایی که دینامیک های یا بسیار پیچیده هستند و یا ویژگی های بسیار غیر خطی از خود نشان می دهند. علاوه بر این، FLC یکی از طرح های کنترل های مفید است برای نیروگاه هایی که دارای مشکلات در مدل های ریاضیاتی هستند یا دارای محدودیت های عملکردی با روش های کنترل خطی معمولی هستند. FLC بر اساس تجربه انسان طراحی شده است این بدان معنی است که یک مدل ریاضی برای کنترل یک سیستم مورد نیاز نیست. به دلیل این مزیت، طرح های کنترل منطق فازی برای بسیاری از برنامه های کاربردی صنعتی اجرا شد. FLC ها با موفقیت در بسیاری از فرآیندهای صنعتی پیچیده و لوازم خانگی در سال های اخیر استفاده شده اند (تی سانگ 2001). اولین الگوریتم FLC توسط مامدانی برای سنتز پروتکل کنترل زبانی یک اپراتور با تجربه اجرا شده است ( مامدانی، 1974). در نتیجه، روش های تنظیم کنترل مختلف در ادبیات پیشنهاد شده اند مانند تنظیم خودکار، خودتنظیمی، هوش مصنوعی و روشهای بهینه سازی. در این مطالعه، با توجه به ادبیات فوق، سرعت موتور فن به منظور کاهش مصرف انرژی و برای رسیدن به درجه حرارت مطلوب مورد نیاز است. نرخ شکاف دامپر نیز متناسب با نرخ جریان هوا است. علاوه بر این، در این مطالعه یک سیستم تخصصی برای سرعت موتور فن و کنترل جریان هوای سیستم HVAC بر اساس ANFIS ارائه شده است. در شبیه سازی ها، میانگین مربعات میانگین ریشه (RMS) و ضریب تعیین چندگانه (R2) به عنوان دو معیار عملکرد برای مقایسه مقادیر پیش بینی شده و واقعی برای اعتبار سنجی مدل استفاده شدند. تمام شبیه سازی ها نشان داده اند که روش پیشنهادی موثر است و سیستم را به خوبی کنترل می کند. طرح کلی مقاله به شرح زیر میباشد. در بخش 2، مدل سیستم تهویه مطبوع ارائه شده است. طراحی سیستم HVAC بلادرنگ در نظر گرفته شده در بخش 3 ارائه شده است. بخش 4 به طور مختصر سیستم استنتاج مبتنی بر شبکه تطبیقی فازی (ANFIS) را ارائه می کند. سپس، در بخش 5، نتایج تجربی ارائه شده است. در آزمایش سرعت موتور فن و نرخ فاصله دمپر مناسب با با سرعت جریان هوا با استفاده از کنترل کننده های PID و ANFIS کنترل می شود. در نهایت نتیجه گیری در بخش 6 ارائه شده است.
پیش نمایش مقاله
پیش نمایش مقاله پیش بینی سرعت فن برای صرفه جویی در انرژی در سیستم HVAC بر اساس سیستم استنتاج فازی مبتنی بر شبکه تطبیقی

چکیده انگلیسی

In this paper, a HVAC (heating, ventilating and air-conditioning) system has two different zones was designed and fan motor speed to minimize energy consumption of the HVAC system was controlled by a conventional (proportional–integral-derivative) PID controller. The desired temperatures were realized by variable flow-rate by considering the ambient temperature for each zone. The control algorithm was transformed for a programmable logic controller (PLC). The realized system has been controlled by PLC used PID control algorithm. The input–output data set of the HVAC system were first stored and than these data sets were used to predict the fan motor speed based on adaptive network based fuzzy inference system (ANFIS). In simulations, root-mean-square (RMS) and the coefficient of multiple determinations (R2) as two performance measures were obtained to compare the predicted and actual values for model validation. All simulations have shown that the proposed method is more effective and controls the systems quite well.

مقدمه انگلیسی

The comfort of the people in their living environment is partially dependent on the quality and temperature of air in their building. Three interrelated systems are used to provide the desired air temperature and quality. These are the ventilating system, the heating system and the air conditioning system. The purpose of HVAC system of a building is to provide complete thermal comfort for its occupants. On the other hand, energy saving in this system is one of the most important issue because of its cost. Hence, it is necessary to understand the aspects of minimum energy consumption in order to design an effective HVAC system. Teitel, Levi, Zhao, Barak, Bar-lev and Shmuel have employed for variable frequency drives method which is routinely used to vary pump and fan motor speed in heating, ventilating and air conditioning of buildings (Teitel et al., 2008). In these applications, speed control is used to regulate the flow of water or air because speed adjustment is an energy efficient method of flow control. The aim of this study is to present a thermodynamic model for an air-cooled centrifugal chiller which is developed specifically to analyze how the speed control of the condenser fans influences the chiller’s COP under various operating conditions (Yu and Chan, 2006, Yu and Chan, 2007 and Yu and Chan, 2007). Moreover, the other study of the same authors is made to investigate how the use of variable speed condenser fans enables air-cooled chillers to operate more efficiently (Yu and Chan, 2006, Yu and Chan, 2007 and Yu and Chan, 2007). Besides, variable fan speed control is increasingly used for chiller compressors to save power when chillers are operating at part load. The power saving comes from the improved efficiency of the motors when operating at a lower speed under part-load conditions (Aprea et al., 2004 and Tassou and Quereshi, 1998). HVAC systems require control of environmental variables such as pressure, temperature, humidity. Furthermore, HVAC system is necessary to implement a realistic thermal environment in terms of temperature and air flow rate in the space of virtual reality (Shin, Chang, & Kim, 2002; Kaynakli, Pulat, and Kilic, 2005). As in other industrial applications, most of the controllers commissioned in HVAC systems are of the proportional–integral-derivative (PID) type (Bi et al., 2000 and Seem, 1998). This is mainly because PID is simple yet sufficient for most HVAC application specifications. However, tuning a PID controller requires an accurate model of a process and an effective controller design rule. In addition to that, the tuning procedure can be a time-consuming, expensive and difficult task (Bi et al., 2000, Krakow and Lin, 1995, Pinnella et al., 1986 and Riverol and Pilipovik, 2005). The developments in intelligent methods make them possible to use in nonlinear analysis and control. Intelligent methods were first used to increase the robustness of existing models however they have been used to obtain new models in recent years. In addition to PID control of HVAC systems, the various studies using intelligent methods were presented. A neural network (NN) model was developed to predict air pressure coefficients across the openings in a light weight, single sided, naturally ventilated test room (Kalogirou, Eftekhari, & Marjanovic, 2003). The applicability of natural ventilation as a passive cooling system was investigated in modern buildings in Kayseri using model simulations of indoor air velocity by the fluent. Using the simulated data, an ANFIS model was employed to predict the indoor average and maximum air velocities (Ayata, Çam, & Yıldız, 2007). A systematic approach for optimal set point control for in-building section was presented (Lu, Wenjian, Lihua, Shujiang, & Chai, 2005). The major components of in-building section were analyzed to identify the energy conservation potential. In order to save energy for delivery of supply air and chilled water, a variable pressure set point method was analyzed by a simple example and an intelligent neural network model-ANFIS was proposed to compute the variable pressure set points influenced by variation of cooling loads of end users. In addition, fuzzy logic control (FLC) of HVAC systems was studied by many authors (Huang & Nelson, 1994). The obtained results were compared with those of PID control and these studies indicated that FLC had better results. FLC is extensively used in processes where systems dynamics is either very complex or exhibit highly nonlinear characters. Besides, FLC is one of useful control schemes for plants having difficulties in deriving mathematical models or having performance limitations with conventional linear control methods. FLC is designed on the basis of human experience that means a mathematical model is not required for controlling a system. Because of this advantage, fuzzy logic-based control schemes were implemented for many industrial applications (Hung, Lin & Chung; 2007; Tang & Mulholland, 1987). FLCs were successfully applied to many complex industrial processes and domestic appliances in recent years (Tsang, 2001). The first FLC algorithm implemented by Mamdani was designed to synthesize the linguistic control protocol of an experienced operator (Mamdani, 1974). Consequently, different control tuning methodologies have been proposed in the literature such as auto-tuning, self-tuning, artificial intelligence, and optimization methods. In this study, based on considering the above literatures, the required fan motor speed to minimize energy consumption and the required damper gap rates for obtaining the desired temperatures of two different zones for each time step were found by using PID control algorithm. The damper gap rate is also proportional with air flow rate. Besides, in this study, an expert system for fan motor speed and air flow control of HVAC system based on ANFIS is presented. In simulations, root-mean-square (RMS) and the coefficient of multiple determinations (R2) as two performance measures are given to compare the predicted and actual values for model validation. All simulations have shown that the proposed method is more effective and controls the systems quite well. The outline of the paper is as follows. In Section 2, the model of the HVAC system is presented. The design of the considered real-time HVAC system is given Section 3. Section 4 briefly describes the adaptive network based fuzzy inference system (ANFIS). Then, in Section 5, the experimental results are presented. In the experiment, the fan motor speed and the damper gap rate being proportional with air flow rate has been controlled using PID controllers and ANFIS. Finally, conclusions are given in Section 6.

نتیجه گیری انگلیسی

In this study, the cooling process of the system was realized by being cooled the two different zones from the ambient temperature 26.4 °C to the desired temperatures. The required damper gap rates for obtaining the desired temperatures of two different zones and the required fan motor speed to minimize energy consumption for each time step were found by using PID control algorithm. As seen in Fig. 5, Fig. 6, Fig. 7, Fig. 9, Fig. 11 and Fig. 13, the experimental results have been presented in graphical form by using MATLAB Graphical Toolbox. In this work, the fan motor speed and the damper gap rates of a HVAC system with two zones were predicted by using ANFIS method. To assess the effectiveness of our proposal ANFIS, three computer simulation were developed on the MATLAB environment. The ANFIS results were given in the related tables. The simulation results have shown that the ANFIS can be used as an alternative prediction and control method for HVAC systems. In statistical analysis, the RMS value is 3.3475 and the R2 value is 0.9954 for evaporator while the RMS value is 15.6750 and the R2 value is 0.9402 for zone-1 and the RMS value is 17.7019 and the R2 value is 0.9410 for zone-2 for the ANFIS model. This paper shows that the values predicted with the ANFIS can be used to predict fan motor speed and damper gap rate of HVAC system quite accurately. Therefore, faster and simpler solutions can be obtained based on ANFIS.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.