1.一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，包括室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器、BP神经网络与模糊自适耦合的PID调节器装置、入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二、信号转换器一、信号转换器二和信号转换器三；

所述室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器在获取温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一变成电信号，输入至BP神经网络与模糊自适耦合的PID调节器装置中；所述BP神经网络与模糊自适耦合的PID调节器装置的输出端分别于信号转换器二、信号转换器三相连；所述信号转换器二的输出端与入水口的水压控制阀门一、流量控制阀门一的输入端相连；所述信号转换器三的输出端与出水口的水压控制阀门二、流量控制阀门二的输入端相连；

所述BP神经网络与模糊自适耦合的PID调节器装置包括可编程控制器、电源模块、输入功能模块、显示信息功能模块、输出功能模块、网络通讯功能模块、示波器监测装置；所述电源模块、输入功能模块的信号输入至可编程控制器；所述可编程控制器的输出端信号输入至显示信息功能模块、输出功能模块、示波器监测装置；所述网络通讯功能模块与可编程控制器双向进行信号输入；

所述可编程控制器包括BP神经网络优化算法模块、模糊控制器模块、PID调节器；所述PID调节器中包括比例项、积分项和微分项；所述PID控制器的输入端与BP神经网络优化算法模块和模糊控制器模块同时相连；

所述模糊控制器模块包括模糊化接口、推理机、解模糊接口；所述推理机由数据库和规则库组成；模糊化接口将真实的确定值转化为一个模糊向量；推理机中的数据库是所有输入、输出参量的隶属度向量值，规则库是语言表示形式；解模糊化接口是将模糊向量转换成具有可输出形式的输出量的接口；

一种BP神经网络与模糊自适耦合的PID温度调节的方法，基于所述的一种BP神经网络与模糊自适耦合的PID温度调节系统实现，包括以下步骤：步骤1：在BP神经网络与模糊自适耦合的PID调节器装置的可编程控制器中建立PID调节器，在PID调节器的时域函数方程中具备比例项、积分项和微分项；其具体表达式为：式中KP，KI，KD分别为比例项系数、积分项系数、微分项系数；e(t)为系统中的环境温度误差量；Δu(t)为PID调节器的实际控制输出量；

步骤2：建立研究对象的数学模型：通过建立房间内热量变化在任一时刻时，均满足换热器释放的热量Qt，等于房间中积累的热量Q1和通过墙壁围护结构损失的热量Q2之和，即Qt＝Q1+Q2；最终得到PID调节器的传递函数；

步骤3：在可编程控制器中，加入BP神经网络优化算法模块，对步骤2中的传递函数方程进行求解，得到步骤1中PID调节器时域函数方程中的比例项、积分项和微分项系数；

步骤4：设置BP神经网络算法的性能指标；

步骤5：在已建立的BP神经网络算法中，加入梯度下降的方法，来定义BP神经网络算法中的权重系数，使得权重系数朝向性能指标函数E(t)反向迭代搜索；同时附加一个动量项以提高权重系数的最小指标速度，以达到快速搜索的目的；

步骤6：在散热器中加入BP神经网络与模糊自适耦合的PID调节器装置，确定在本装置的可编程控制器中模糊控制模块采用的是双输入三输出类型的二维模糊控制器，模糊控制模块的双输入参量为：环境温度误差量e(t)和温度误差量的变化率ec(t)，e(t)和ec(t)具有的实际意义分别为：室内温度设定值和室外温度实际值之间的温度差值和该温度差值的变化率，两者满足数学关系为ec(t)＝e(t)‑e(t‑1)；模糊控制模块的三输出参量为相应的PID调节器三个相互独立的比例项、积分项和微分项系数的计算调整量：ΔKP，ΔKI，ΔKD；并在每一时刻对e(t)和ec(t)的数值实现无限调整，不断迭代优化，实现模糊推理；以此来实时对PID调节器的ΔKP，ΔKI，ΔKD实现校正；

步骤7：使用负大、负中、负小、零、正小、正中、正大，这7种语言变量描述模糊控制模块的双输入参量包括环境温度误差量e(t)和温度误差量的变化率ec(t)及三输出参量ΔKP，ΔKI，ΔKD的模糊集，用字母表示为：{NB，NM，NS，ZO，PS，PM，PB}；

步骤8：确定e(t)和ec(t)对应的量化因子分别为Ke(t)＝0.5，Kec(t)＝0.01，三输出参量ΔKP，ΔKI，ΔKD的缩放因子为UP＝0.5，UI＝0.01，UD＝2；

步骤9：根据装置所调节的室内环境期望温度为21±1.5℃，则模糊控制模块的双输入参量环境温度误差量e(t)和温度误差量的变化率ec(t)的基本论域为Xe(t)＝[‑1.5，1.5]和Xec(t)＝[‑0.03，0.03]，根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定；

步骤10：通过步骤6中使用模糊语言变量描述模糊集和步骤8中确定e(t)、ec(t)的模糊论域，对模糊集中的各个模糊子集进一步赋上权重值，即确认模糊集内模糊子集对7种模糊语言变量的隶属度；e(t)和ec(t)的隶属函数选取等腰三角形函数(trinf)；

步骤11：根据ΔLP，ΔKI，ΔKD的基本论域XP＝[‑1.5，1.5]，XI＝[‑0.03，0.03]，XD＝[‑6，

6]、步骤7中的它们对应缩放因子UP，UI，UD和基本论域公式；

步骤12：在完成以上步骤之后，模糊控制模块采用校正公式完成对Kp，Ki，Kd参数的确定；

步骤13：将通过模糊控制器模块完成整定的参数KP，KI，KD带入至步骤1的PID调节器的时域函数方程中，完成PID调节器的参数确定，通过信号转换器二和信号转换器三，将电信号转换成水压控制阀门和流量控制阀门的数字调控信号，用于换热器的入水口处的水压控制阀门一和流量控制阀门一、出水口处的水压控制阀门二和流量控制阀门二的控制。

2.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤2所述Q1、Q2表示为：式中TK为室内温度，TK＝21℃；C为房间内空气的比热容，在房间温度满足T≈20℃，空气压强也满足P＝101kPa时，C＝1.013kJ/(kg·K)，为便于计算P，C的取值为定值；τ为纯滞后时间，单位：秒；T0为室外环境温度，由室外测温传感器装置实时测得；R为建筑围护结构由阻热材料及室内、外流动气体产生的热阻值，在T0＝0时：由于温度的传递具有迟滞性，在对步骤1的PID调节器的时域函数方程进行拉普拉斯变换时，使用一阶惯性、比例、滞后环节来描述室内温度的数学模型，PID调节器的传递函数的表达形式为：其中，K为室内温度的静态增益；e为自然常数；s为复变量；T为时间常数；通过计算多层围护结构内、外表面换热系数即静态增益K，结合模型中房间中积累的热量Q1和换热器散热量Φ的关系，以及换热器散热量Φ的经验计算公式，求解并最终确定了模型中各参数取值，最终传递函数G(s)的模型为：

3.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤3具体为：步骤3.1：求解过程中使用反向传播神经网络算法即BP神经网络算法的优化方法，BP 神经网络算法使用的结构为最根本和最简单的输入层、隐含层、输出层三级网络架构，这三级网络架构分别具备M、Q、N个神经元；系统的室外测温传感器装置、室内测温传感器装置、涡轮式液体流量传感器，在分别获取室外温度、室内温度和换热器内热媒流量的数字信号后，将这些数字信号通过信号转换器一转换成电信号，并输入至BP神经网络与模糊自适耦合的PID调节器装置中BP神经网络算法的输入层，作为输入层神经元的输入网络节点；

在BP神经网络算法中输入层神经元的输入网络节点和输出网络节点分别为：

式中 为对BP神经网络算法中输入层神经元输入的第i个电信号； 为从输入

层神经元输出的第i个电信号；右上角标括号内的数值(1)、(2)、(3)分别代表神经网络模型中不同层级的输入层、隐含层、输出层的神经元；

步骤3.2：按照BP神经网络与模糊自适耦合的PID温度调节的装置复杂性程度，调整输入层的输入信号数目满足M＝4，x1，x2，x3，x4分别表示四种输入信号，且与装置中的环境温度误差量e(t)具备对应关系：e(t)＝r(t)‑y(t)       (9)

式中t为温度值；r(t)为设定的室内环境目标温度值的函数式；y(t)为室内实际的温度值的函数式，通过室内测温传感器装置测得，由于温度值具有动态变化的特性，则使用函数式表示；e(t)为环境温度误差量，为设定的室内环境的目标温度值的函数式与室内实际的温度值的函数式的误差值；x4＝1为非线性调节的温度误差常量；

步骤3.3：隐含层神经元的输入和输出电信号为：

其中 为对BP神经网络算法中隐含层神经元输入的第j个电信号； 为从隐含

层神经元输出的第j个电信号； 为输入层第i个节点到隐含层第j个节点的隐含层权重值； 为采用Sigmoid形式的活化函数，即关于原点对称的双曲正切函数，其具体的表达式为：式中e为自然常数；x为采用Sigmoid形式的活化函数的未知量，在这里满足关系x ‑xe ，e 中x和‑x分别是自然常数e的指数；

步骤3.4：输出层神经元的输入和输出电信号为：

其中 为对BP神经网络算法中隐含层神经元输入的第l个电信号； 为从隐含

层神经元输出的第l个电信号； 为隐含层第j个网络节点输出的电信号到输出层第l个网络节点的输出层权重值；

由公式(1)可知，在工业生产PID调节器具有的可调参数为3个，各为KP，KI，KD，与输出层神经元的3个输出网络节点 相对应，对应关系为：上式中的Lp0，Ki0，Kd0是在BP神经网络算法输出之后，作为模糊PID控制器的输入初值，提供的三个基准参数，则在BP神经网络算法中输出量由Kp0，Ki0，Kd0表示；由Kp，Ki，Kd所具有的非负性质，式中的活化函数 也调整为具有非负性质的表达式：z ‑z

式中e为自然常数；z为活化函数g[z]中的未知量，在这里满足关系 在e ，e

中z和‑z分别是自然常数e的指数；

步骤3.5：由隐含层神经元节点数量的计算公式：

其中M，Q，N分别为输入层、隐含层、输出层神经元/数量，且M＝4，N＝3；q∈[1，10]，常数无实意；通过多次调整，最终确定Q＝5时，优化效果最佳，即神经网络系统的三级网络架构型式为4‑5‑3型。

4.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤4设置BP神经网络算法的性能指标E(t)为：式中t为调节过程中的任一时刻；e(t)为输出值y(t)与输入值r(t)之间的系统误差；在性能指标达到最小时，可表示达到BP神经网络算法的最优解。

5.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤5具体为：式中，η为学习效率，α为动量因数，均为固定值，η＝0.25，α＝0.05；Δw(t)和Δw(t+1)为环境在t和t+1温度下的权重系数变化率；权重系数的初始值的选取为[‑0.5，0.5]之间的随机数；以输出层神经元为例，在下降梯度‑反向迭代搜索的权重系数公式的基础上，由于：通过化简，得到如下关系：

式中Δu(t)为PID调节器的实际控制输出量； 为性能指标E(t)对BP神经网

络算法中隐含层神经元输入的第l个电信号 的偏导数；sgn为阶跃函数；通过进一步简化，得到具体的输出层神经元权重系数表达式为：得到隐含层的权重系数的表达式为：

式中 为性能指标E(t)对BP神经网络算法中隐含层神经元输入的第j个

电信号 的偏导数；完成本步骤后，若性能指标E(t)的结果未达到最小，返回步骤3中再次计算，直到出现最小值才进行步骤6。

6.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤9根据基本论域和步骤7中的量化因子Ke(t)，Kec(t)的取值，对模糊论域进行确定：式中Ne(t)，Nec(t)分别为e(t)和ec(t)的模糊论域，并得到Ne(t)＝[‑3，3]和Nec(t)＝[‑3，

3]；根据e(t)和ec(t)的基本论域Xe(t)，Xec(t)的取值可具体定义e(t)和ec(t)的模糊集为{‑

3，‑2，‑1，0，1，2，3}。

7.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤11具体为：式中NP，NI，ND分别为模糊控制模块的三输出参量ΔKP，ΔKI，ΔKD采用Mamdani的模糊化方法的模糊论域，计算可得NP＝[‑0.5，0.5]，NI＝[‑0.01，0.01]，ND＝[‑2，2]；输出参数ΔKp，ΔKi，ΔKd的隶属函数选取高斯函数(gaussmf)；所搭建的BP神经网络与模糊自适耦合的PID温度调节系统的采样时间设置为ts，模拟室内温度从0℃～21℃上升的过程。

8.根据权利要求1所述的一种BP神经网络与模糊自适耦合的PID温度调节系统，其特征在于，步骤12具体为：KP＝KP0+{e，ec}KP＝KP0+ΔKP    (24)

KI＝KI0+{e，ec}KI＝KI0+ΔKI    (25)

KD＝KD0+{e，ec}KD＝KD0+ΔKD    (26)

式中KP0，KI0，KD0是用BP神经网络算法求得的PID调节器的三项初始基准参数，将此设为初值；ΔKP，ΔKI，ΔKD是的在线调整的修正值；KP，KI，KD分别为公式(1)中的比例项系数、积分项系数、微分项系数，通过模糊控制器模块优化后的输出值。