CN110263990B - 基于神经网络的涡旋式复合机流量转矩预测方法及系统 - Google Patents
基于神经网络的涡旋式复合机流量转矩预测方法及系统 Download PDFInfo
- Publication number
- CN110263990B CN110263990B CN201910498447.9A CN201910498447A CN110263990B CN 110263990 B CN110263990 B CN 110263990B CN 201910498447 A CN201910498447 A CN 201910498447A CN 110263990 B CN110263990 B CN 110263990B
- Authority
- CN
- China
- Prior art keywords
- neural network
- scroll
- model
- compound machine
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 150000001875 compounds Chemical class 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000005293 physical law Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的涡旋式复合机流量转矩预测方法及系统,该方法包括以下步骤:分析涡旋式复合机相关变量,选取合适的输入输出变量;选择合适的神经网络结构进行建模,生成神经网络模型;对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。本发明在物理定律的基础上推导出基本模型,选择合适的用于训练网络的输入变量,然后通过实验数据与智能算法进行输出预测,大大简化了原有的机理模型,减低了建模的难度,提高了涡旋式复合机流量转矩预测的准确度。
Description
技术领域
本公开涉及涡旋式复合机能量转化分析领域,具体涉及一种基于神经网络的涡旋式复合机流量转矩预测方法及系统。
背景技术
涡旋式复合机因其特殊的结构,使其与其他类型的压缩机、膨胀机相比具有零件少、结构紧凑、噪声低、振动小、效率高及可靠性高等优点,广泛应用于制冷、汽车、燃料电池等领域,近年来在微小型压缩空气储能系统、有机朗肯循环系统等中受到重视。涡旋式复合机在工业领域极具发展潜力,对其建立合理有效的模型有利于提升涡旋式复合机的工业应用价值。
现有的用于涡旋式复合机流量转矩预测的涡旋式复合机建模方法主要分为两类:机理模型,经验模型。机理模型是指根据热力学定律、动力学定律、能量守恒定律及质量守恒定律等推导工质在涡旋式复合机运行过程中各变量之间的关系。发明人在研发过程中发现,机理模型能够真实地反映变量的物理关系,但是过于复杂,难以应用在工程中。经验模型完全依赖于实验数据,用纯数据拟合方法辨识系统输入输出变量的函数表达式,发明人在研发过程中发现,经验模型虽然简化了涡旋机的模型,但无法反映涡旋式复合机参数对模型的影响,而且经验模型也受限于实验数据的工况,使得涡旋式复合机流量转矩预测存在误差。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于神经网络的涡旋式复合机流量转矩预测方法及系统,在物理定律的基础上推导出基本模型,选择合适的用于训练网络的输入变量,然后通过实验数据与智能算法进行输出预测,大大简化了原有的机理模型,减低了建模的难度,提高了涡旋式复合机流量转矩预测的准确度。
本公开一方面提供的基于神经网络的涡旋式复合机流量转矩预测方法的技术方案是:
一种基于神经网络的涡旋式复合机流量转矩预测方法,该方法包括以下步骤:
分析涡旋式复合机相关变量,选取合适的输入输出变量;
选择合适的神经网络结构进行建模,生成神经网络模型;
对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。
进一步的,所述涡旋式复合机相关变量包括涡旋式复合机的进气温度、进气流量和负载转矩。
进一步的,所述分析涡旋式复合机相关变量,选取合适的输入输出变量的步骤包括:
根据涡旋式复合机运行效率的计算公式,确定运行效率与输出功率的关系;
基于输出功率与输出转矩和流量的关系,选取输出转矩和流量作为模型的输出变量;
确定模型的输出变量后,分析输出转矩和实际进气流量相关的变量,包括进气温度、膨胀机主轴转速及涡旋膨胀机进气压力;
选取进气温度、膨胀机主轴转速和涡旋膨胀机进气压力作为模型的输入变量。
进一步的,选择的合适的神经网络结构为具有双层LSTM结构的神经网络辨识机理模型。
进一步的,所述神经网络模型结构包含三层神经网络,第一层神经网络为LSTM层,包含64个神经元,第二层神经网络为LSTM层,包含32个神经元,通过第一层和底层神经网络对输入变量进行预测计算,第三层神经网络为输出层,由一个神经元组成,用于对前两层神经网络的预测结果进行输出。
进一步的,所述利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩的步骤包括:
采集涡旋式复合机的压力、温度和转速数据,输入到训练后的神经网络模型进行预测,得到涡旋式复合机的输出转矩和流量的预测值。
本公开一方面提供的基于神经网络的涡旋式复合机流量转矩预测系统的技术方案是:
一种基于神经网络的涡旋式复合机流量转矩预测系统,该系统包括:
变量选取模块,用于分析涡旋式复合机相关变量,选取合适的输入输出变量;
模型构建模块,用于选择合适的神经网络结构进行建模,生成神经网络模型;
数据预测模块,用于对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。
进一步的,所述变量选取模块具体用于:
根据涡旋式复合机运行效率的计算公式,确定运行效率与输出功率的关系;
基于输出功率与输出转矩和流量的关系,选取输出转矩和流量作为模型的输出变量;
确定模型的输出变量后,分析输出转矩和实际进气流量相关的变量,包括进气温度、膨胀机主轴转速及涡旋膨胀机进气压力;
选取进气温度、膨胀机主轴转速和涡旋膨胀机进气压力作为模型的输入变量。
本公开一方面提供的计算机可读存储介质的技术方案是:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
本公开一方面提供的计算机设备的技术方案是:
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
通过上述技术方案,本公开的有益效果是:
本公开通过分析涡旋式复合机相关变量,根据控制要求选取合适的用于模型输入输出变量,选择合适的神经网络结构进行建模,根据采集实验数据对搭建的神经网络模型进行训练,使其能根据给定输入产生具有满足工业误差要求的精度的预测输出;利用训练后的神经网络模型对涡旋式复合机的流量和输出转矩进行预测,提高了涡旋式复合机流量转矩和流量的预测精度,便于分析涡旋式复合机能量转化性能。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本申请,并不构成对本公开的不当限定。
图1是实施例一涡旋式复合机流量转矩预测方法的结构图;
图2是实施例一标准的RNN神经元结构示意图;
图3是实施例一标准的LSTM神经元结构示意图;
图4是实施例一生成的模型结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供一种基于神经网络的涡旋式复合机流量转矩预测方法,首先,通过分析涡旋式复合机相关变量,根据控制要求选取合适的用于模型输入输出变量,然后,选择合适的神经网络结构进行建模,其次,根据采集实验数据对搭建的神经网络模型进行训练,使其能根据给定输入产生具有满足工业误差要求的精度的预测输出,最后,利用训练后的神经网络模型对涡旋式复合机的流量和输出转矩进行预测。
请参阅附图1,所述基于神经网络的涡旋式复合机流量转矩预测方法包括以下步骤:
S101,分析涡旋式复合机相关变量,根据控制要求选取合适的用于模型输入输出变量。
具体地,分别分析涡旋式复合机相关向量,分别选取模型所需的输入变量和输出变量,其具体实现方式如下:
S1011,分析涡旋式复合机相关向量,选取模型的输出变量。
本实施例提供的模型的设计需求主要是便于后续研究涡旋式复合机的运行效率η,而根据涡旋式复合机运行效率的计算公式其运行效率η与输出功率Pout密切相关,而输出功率Pout与输出转矩Tem和流量Vo.ut密切相关,并且转矩输出和流量可以观测其数值大小,将输出转矩Tem和流量Vo.ut作为模型的输出变量可以通过与模型预测输出得到的对比误差,来实行反向传播算法,从而有效的训练神经网络模型的权值矩阵。因此,本实施例选择输出转矩Tem和流量Vo.ut作为模型的输出变量。
S1012,分析涡旋式复合机相关向量,选取模型的输人变量。
在确定模型的输出变量之后,接下来根据输出确定所需要的输入变量。与输出转矩和实际进气流量密切相关的变量中,对进气温度Ti以及膨胀机主轴转速n采集数据最方便,而涡旋膨胀机进气压力pi既便于观测也便于进行调节,因此,本实施例选择进气温度Ti、膨胀机主轴转速n和涡旋膨胀机进气压力pi作为输入变量。
S102,选择合适的神经网络结构进行建模,生成神经网络模型。
本实施例采用具有双层LSTM结构的神经网络辨识机理模型。神经网络算法训练的基本过程是:由网络的输入层接收输入变量,通过隐含层的计算,在输出层给出相应的预测值,然后将预测值与实际值(预先给定)进行比较,求得误差和代价函数值,沿网络通路反向传播误差并更新隐含层权重,如此反复迭代多次直至预测值满足误差要求。
LSTM,又称长短期记忆网络,是RNN(循环神经网络)的一个变种,可以学习长期依赖信息,同时又解决了RNN无法解决的学习过程“梯度消失”的问题。在很多领域,LSTM都取得相当巨大的成功,并得到了广泛的使用。
LSTM通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是LSTM的默认行为,而非需要付出很大代价才能获得的能力。
所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中,这个重复的模块只有一个非常简单的结构,例如一个激活函数层,如图2所示。
LSTM同样是这样的结构,但是重复的模块拥有一个不同的结构。不同于单一神经网络层,这里是有四个,以一种非常特殊的方式进行交互,如图3所示。
请参阅附图3,一个神经元最上面的水平通路用来传递神经细胞状态,只有一些少量的线性交互。信息在上面可以持久化。
而下端最左侧的σ层输出0到1之间的数值,描述每个部分有多少量可以通过。0代表“不许任何量通过”,1就指“允许任意量通过”,用来决定丢弃的信息。其输出ft:
ft=σ(Wf[ht-1,xt]+bf)
中间的σ层和激活函数层共同进行细胞状态的更新,确定更新的信息,其中:
it=σ(Wi[ht-1,xt]+bi)
而最右侧的σ层与右上角的激活函数层一起决定最终的输出部分,t时刻最终输出Ct。
最终生成的神经网络模型结构如图4所示。该神经网络模型结构共包含三层神经网络:前两层为LSTM层,第一层包含64个神经元,第二层包含32个神经元,用来对输入变量进行预测计算,第三层为输出层,仅由一个神经元组成,用来对前两层的预测结果进行输出。
S103,采集涡旋式复合机的压力,温度和转速的实验数据,利用实验数据对搭建的神经网络模型进行训练,使其能根据给定输入产生具有满足工业误差要求的精度的预测输出。
S104,采集涡旋式复合机的压力,温度和转速数据,输入到训练后的神经网络模型进行预测,得到涡旋式复合机的输出转矩和流量的预测值。
在本实施例中,利用实验数据对神经网络模型进行训练后,利用训练后的神经网络模型分别预测转矩和流量,与实验数据之间的误差分别维持在±3%、±0.2%以内,其精度远远高于一般工业误差±10%的要求。
本实施例提出的基于数据驱动的涡旋式复合机流量转矩预测方法,兼顾准确性和工程实用性,大大简化了涡旋式复合机原有的机理模型,改善了其结构复杂、参变量多、非线性程度高、不适宜工程应用等不足之处,提高了涡旋式复合机流量转矩和流量的预测精度,便于分析涡旋式复合机能量转化性能。
实施例二
本实施例提供一种基于神经网络的涡旋式复合机流量转矩预测系统,该系统包括:
变量选取模块,用于分析涡旋式复合机相关变量,选取合适的输入输出变量;
模型构建模块,用于选择合适的神经网络结构进行建模,生成神经网络模型;
数据预测模块,用于对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。
在本实施例中,所述变量选取模块具体用于:
根据涡旋式复合机运行效率的计算公式,确定运行效率与输出功率的关系;
基于输出功率与输出转矩和流量的关系,选取输出转矩和流量作为模型的输出变量;
确定模型的输出变量后,分析输出转矩和实际进气流量相关的变量,包括进气温度、膨胀机主轴转速及涡旋膨胀机进气压力;
选取进气温度、膨胀机主轴转速和涡旋膨胀机进气压力作为模型的输入变量。
实施例三
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
实施例四
本实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (7)
1.一种基于神经网络的涡旋式复合机流量转矩预测方法,其特征是,包括以下步骤:
分析涡旋式复合机相关变量,选取输入输出变量;具体步骤包括:根据涡旋式复合机运行效率的计算公式,确定运行效率与输出功率的关系;
基于输出功率与输出转矩和流量的关系,选取输出转矩和流量作为模型的输出变量;
确定模型的输出变量后,分析输出转矩和实际进气流量相关的变量,包括进气温度、膨胀机主轴转速及涡旋膨胀机进气压力;
选取进气温度、膨胀机主轴转速和涡旋膨胀机进气压力作为模型的输入变量;
选择神经网络结构进行建模,生成神经网络模型;所述神经网络结构为具有双层LSTM结构的神经网络辨识机理模型;
对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。
2.根据权利要求1所述的基于神经网络的涡旋式复合机流量转矩预测方法,其特征是,所述涡旋式复合机相关变量包括涡旋式复合机的进气温度、进气流量和负载转矩。
3.根据权利要求1所述的基于神经网络的涡旋式复合机流量转矩预测方法,其特征是,所述神经网络模型结构包含三层神经网络,第一层神经网络为LSTM层,包含64个神经元,第二层神经网络为LSTM层,包含32个神经元,通过第一层和底层神经网络对输入变量进行预测计算,第三层神经网络为输出层,由一个神经元组成,用于对前两层神经网络的预测结果进行输出。
4.根据权利要求1所述的基于神经网络的涡旋式复合机流量转矩预测方法,其特征是,所述利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩的步骤包括:
采集涡旋式复合机的压力、温度和转速数据,输入到训练后的神经网络模型进行预测,得到涡旋式复合机的输出转矩和流量的预测值。
5.一种基于神经网络的涡旋式复合机流量转矩预测系统,其特征是,包括:
变量选取模块,用于分析涡旋式复合机相关变量,选取输入输出变量;所述变量选取模块具体用于:
根据涡旋式复合机运行效率的计算公式,确定运行效率与输出功率的关系;
基于输出功率与输出转矩和流量的关系,选取输出转矩和流量作为模型的输出变量;
确定模型的输出变量后,分析输出转矩和实际进气流量相关的变量,包括进气温度、膨胀机主轴转速及涡旋膨胀机进气压力;
选取进气温度、膨胀机主轴转速和涡旋膨胀机进气压力作为模型的输入变量;
模型构建模块,用于选择神经网络结构进行建模,生成神经网络模型;
数据预测模块,用于对神经网络模型进行训练,利用训练后的神经网络模型预测涡旋式复合机的流量和输出转矩。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于神经网络的涡旋式复合机流量转矩预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498447.9A CN110263990B (zh) | 2019-06-10 | 2019-06-10 | 基于神经网络的涡旋式复合机流量转矩预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498447.9A CN110263990B (zh) | 2019-06-10 | 2019-06-10 | 基于神经网络的涡旋式复合机流量转矩预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263990A CN110263990A (zh) | 2019-09-20 |
CN110263990B true CN110263990B (zh) | 2022-04-15 |
Family
ID=67917412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910498447.9A Active CN110263990B (zh) | 2019-06-10 | 2019-06-10 | 基于神经网络的涡旋式复合机流量转矩预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263990B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111816264B (zh) * | 2020-07-21 | 2024-01-12 | 中南大学 | 一种基于机器学习的有机朗肯循环工质设计方法 |
CN113379029B (zh) * | 2021-04-22 | 2022-08-30 | 中国地质大学(武汉) | 基于物理定律和过程驱动的深度学习模型的水质预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102384088B (zh) * | 2011-12-12 | 2014-06-11 | 山东大学 | 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 |
CN106096083B (zh) * | 2016-05-30 | 2019-03-19 | 山东大学 | 一种涡旋式复合机的混合建模方法 |
US10331368B2 (en) * | 2017-04-03 | 2019-06-25 | Gyrfalcon Technology Inc. | MLC based magnetic random access memory used in CNN based digital IC for AI |
CN108564172A (zh) * | 2018-04-20 | 2018-09-21 | 北京工业大学 | 基于bp神经网络的有机朗肯循环输出功率预测方法 |
-
2019
- 2019-06-10 CN CN201910498447.9A patent/CN110263990B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110263990A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Improved Elman networks and applications for controlling ultrasonic motors | |
CN110263990B (zh) | 基于神经网络的涡旋式复合机流量转矩预测方法及系统 | |
Mao et al. | Soft computing-based predictive modeling of flexible electrohydrodynamic pumps | |
CN113029559B (zh) | 一种齿轮箱故障诊断方法及系统 | |
Lu et al. | Collaborative learning-based clustered support vector machine for modeling of nonlinear processes subject to noise | |
Ibrahem et al. | An ensemble of recurrent neural networks for real time performance modeling of three-spool aero-derivative gas turbine engine | |
CN117077579A (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
Gdaim et al. | Artificial neural network-based DTC of an induction machine with experimental implementation on FPGA | |
CN111241749B (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
CN102156802B (zh) | 一种均匀分布的波动数据预测方法 | |
CN115455819A (zh) | 一种涡轮叶片多工况瞬态流场迁移降阶智能建模方法 | |
Cheng et al. | Trust region based MPS method for global optimization of high dimensional design problems | |
Zribi et al. | Improvement of ultra-local model control using the auto-tuning PID control applied to redundant manipulator robot | |
Wu et al. | Prediction of energy consumption time series using Neural Networks combined with exogenous series | |
Khan et al. | A highly optimized multi-stage teacher-learner inspired particle swarm optimizer system | |
Lian et al. | Permanent magnet synchronous motor control of electromechanical actuator based on parameter self-tuning method | |
Chu et al. | Modeling method for performance prediction of centrifugal compressor based on broad learning system | |
Lakehal et al. | On the paradigm of combining data analytics and CFD | |
Curran et al. | Neural networks for incremental dimensionality reduced reinforcement learning | |
CN117933104B (zh) | 固体姿轨控发动机燃气调节阀压强修正方法 | |
Wang et al. | Real-time Hybrid Modeling of Francis Hydroturbine Dynamics via a Neural Controlled Differential Equation Approach | |
Mohamed et al. | Online Identification and Artificial Intelligence Control of a Servo Pneumatic System | |
Ustinov et al. | A Hybrid Model for Fast and Efficient Simulation of Fluid Power Circuits With Small Volumes Utilizing a Recurrent Neural Network | |
Sivakumar et al. | An ILSTM Machine Learning Model for Accurate AQI Prediction in IoT Application | |
Lutfy et al. | A Simplified Recurrent Neural Network Trained by Gbest-Guided Gravitational Search Algorithm to Control Nonlinear Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |